[發明專利]一種基于卷積膠囊網絡的行星齒輪箱故障診斷方法

在審

• 申請號: 202110818877.1
• 申請日: 2021-07-20
• 公開（公告）號: CN113591638A
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 張冕;黎德才;古震岳;馬躍;康天博
• 申請（專利權）人: 天津理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G01M13/021;G01M13/028
• 代理公司: 天津易企創知識產權代理事務所(普通合伙) 12242
• 代理人: 宋朋飛

1.一種基于卷積膠囊網絡的行星齒輪箱故障診斷方法，其特征在于：包括以下步驟，

S1、獲取多種健康狀態下的行星齒輪箱數據，并構建樣本集；

S2、利用卷積池化結構實現故障特征的自動提取與降維；

S3、通過膠囊結構矢量化表示特征并傳遞信息，同時采用動態路由機制計算不同膠囊層向量之間的相關度；

S4、通過間隔損失函數與輸入數據不斷優化模型參數，實現對不同齒輪部件故障的精準智能診斷。

2.根據權利要求1所述的一種基于卷積膠囊網絡的行星齒輪箱故障診斷方法，其特征在于：卷積膠囊網絡模型包括9層：1個輸入層、2個卷積層、2個池化層、1個Dropout層、1個預膠囊層、1個數字膠囊層和1個輸出層，其中：

輸入層：將原始數據經過z-score標準化處理后作為卷積膠囊網絡輸入數據，標準化公式為：

式中，Y_i為標準化后數據；X_i為原始數據；為原始數據均值；σ為原始數據方差；

卷積層1：采用寬卷積核提取輸入特征，用以降低噪聲的影響；

卷積層2：采用大量窄卷積核，充分提取特征的底層特性；

池化層：每個卷積層后均附有一池化層，用于降低模型訓練參數，提高訓練速度，；

Dropout層：用于舍棄部分神經元防止訓練階段過擬合；

預膠囊層：包含卷積運算，同時將卷積結果以矢量形式構建膠囊作為數字膠囊層的輸入；

數字膠囊層：通過動態路由機制計算膠囊層之間的相關度實現對故障特征的精確歸類；

輸出層：對輸出向量進行二范數求解，得到不同故障類型的概率分布。

3.根據權利要求1所述的一種基于卷積膠囊網絡的行星齒輪箱故障診斷方法，其特征在于：卷積膠囊網絡模型采用間隔損失函數，其表達式為：

L_k＝T_kmax(0，m⁺-||v_k||)²+λ(1-T_k)max(0，||v_k||-m^-)²

式中：下標k為故障類別k；L_k為類別k的間隔損失；T_k為分類指示函數(分類正確取1，否則取0)；v_k表示識別為故障類別k的概率；m為上界，取0.9；m為下界，取0.1；為比例系數，取0.5，總損失為各樣例損失之和。

4.根據權利要求1所述的一種基于卷積膠囊網絡的行星齒輪箱故障診斷方法，其特征在于：將原始數據經過z-score標準化處理后作為卷積膠囊網絡輸入數據，標準化公式為：

其中，Y_i為標準化后數據；X_i為原始數據；為原始數據均值；σ為原始數據方差。

5.根據權利要求4所述的一種基于卷積膠囊網絡的行星齒輪箱故障診斷方法，其特征在于：在S2中，原始數據z-score標準化處理后輸入卷積層，通過卷積運算與激活函數實現對輸入數據的特征提取：首先，通過n個維度相同的卷積核對輸入數據進行卷積運算，同時附加偏置項得到卷積結果；然后，利用激活函數對卷積結果進行非線性映射，輸出n個特征矩陣，計算公式如下所示：

式中：為卷積層輸出第n個特征矩陣的第j個元素；M_j為輸入數據的第j個卷積區域；X_i為M_i的第i個元素；為第n個卷積核的權值矩陣；b_n為第n個卷積核對應的偏置項；f(·)表示激活函數。

6.根據權利要求1所述的一種基于卷積膠囊網絡的行星齒輪箱故障診斷方法，其特征在于：在S2中，提取出的初始特征輸入至池化層，通過池化運算實現對特征矩陣的降維過程：將卷積層的輸出數據無重疊、等寬度的劃分為q個池化單元，對每個單元內的元素進行池化運算，得到池化層的輸出特征矩陣。