[發明專利]一種改進多任務卷積神經網絡的斜齒輪箱故障診斷方法

有效

• 申請號: 202110496416.7
• 申請日: 2021-05-07
• 公開（公告）號: CN113268826B
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 熊炘;張珈碩;鄭少帥
• 申請（專利權）人: 上海大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06N3/04;G06N3/08;G01M13/045
• 代理公司: 東莞市卓易專利代理事務所(普通合伙) 44777
• 代理人: 陳能春

本發明涉及了改進多任務卷積神經網絡的齒輪箱故障診斷方法，算法具體流程如下：(1)用加速度傳感器在齒輪箱故障仿真試驗臺采集齒輪箱加速度信號；(2)搭建神經網絡框架，隨機初始化神經網絡參數；(3)將數據輸入神經網絡進行訓練，通過前向傳播計算任務一所提取特征間的相似性損失和交叉熵損失還有任務二所提取特征間的相似性損失和交叉熵損失并將4個損失函數相加；(4)判斷神經網絡是否滿足要求，若滿足要求則神經網絡訓練完成，可以將神經網絡用于測試集；若不滿足要求，則通過梯度下降法最小化損失函數，更新神經網絡的權值，并跳轉到第4步，直至滿足要求。

技術領域

本發明涉及到了斜齒輪箱故障診斷領域，也可用于其他旋轉機械故障診斷，具體是改進多任務卷積神經網絡的斜齒輪箱故障診斷方法。

背景技術

齒輪箱是一個十分復雜的非線性系統，據統計，傳動系統中大概有80％的故障是因為齒輪箱內部的軸承或者齒輪故障所產生。能夠及時的識別齒輪箱中的故障，就能減少生產過程中所造成的損失，避免整個機械傳動結構的癱瘓。因此，對整個機械設備進行故障診斷與狀態監測就變得格外重要。

傳統智能診斷方法在應用時，存在參數及特征選擇的不確定性，因此也給診斷結果帶來了不確定性。當機電設備也開始進入大數據時代，怎樣從海量的信號中提取有效特征使機械故障診斷變得高效且準確，是機械故障診斷領域的關鍵。

發明內容

本發明的目的在于提供改進多任務卷積神經網絡的斜齒輪箱故障診斷方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：一種改進多任務卷積神經網絡的斜齒輪箱故障診斷方法，包含以下步驟

(1)采集齒輪箱輸入軸輸入端的加速度信號，分別采集正常狀態和多組齒輪軸承復合故障狀態，其中軸承的故障類型有內圈故障、外圈故障、保持架故障、滾子故障。齒輪的故障有齒根斷裂、齒面磨損、齒面膠合等故障，將采集到的信號劃分樣本組成數據集。

(2)將所有的樣本首先進行樣本的預處理操作，將所有加速度信號進行歸一化操作。然后將信號不重疊的劃分為長度為m的樣本，分別對齒輪故障和軸承故障貼上標簽，將所有樣本隨機取樣，按照6：2：2的比例劃分訓練集、驗證集和測試集。

(3)將處理好的訓練集輸入改進的多任務卷積神經網絡進行訓練，通過前向傳播計算任務一所提取特征間的相似性損失和交叉熵損失還有任務二所提取特征間的相似性損失和交叉熵損失并將4個損失函數相加，通過誤差反向傳播優化多任務神經網絡的取值，使得4個損失函數的值最小，交叉熵損失的公式為

其中是神經網絡中需要更新的參數，k是分類層神經元的數目，y是樣本標簽，x是經多任務神經網絡提取到的特征

相似性損失的公式如下：

其中[M]_ij代表權重矩陣，||M||₁代表矩陣的范數，[T]_ij是目標矩陣，[P]_ij代表相似度矩陣，由以下公式計算

其中fw(*)代表卷積、池化等一些列操作，||x||₂代表向量的二范數，σ_p是比例因子，也叫帶寬。

(4)判斷神經網絡是否滿足要求，若滿足要求則神經網絡訓練完成，可以將神經網絡用于測試集；若不滿足要求，則通過梯度下降法最小化損失函數，更新神經網絡的權值，并跳轉到(3)，通過不斷的迭代更新神經網絡的參數取值，能夠得到最優的參數。

(5)當神經網絡訓練完成后，保存改進多任務卷積神經網絡的參數值，將任務一和任務二分別用于齒輪故障診斷和軸承故障診斷。