[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

本發明公開了一種基于卷積膠囊網絡的行星齒輪箱故障診斷方法，屬于故障診斷領域，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。本發明結合卷積神經網絡和膠囊網絡提出一種能提高其故障診斷能力的網絡模型，效率高。

技術領域

本發明屬于故障診斷領域，涉及行星齒輪箱的故障診斷技術領域，尤其涉及一種基于卷積膠囊網絡的行星齒輪箱故障診斷方法。

背景技術

行星齒輪箱是大型機械設備的核心傳動環節，由于其服役環境的嚴酷性，如存在工況頻繁變化、重載、極端天氣等諸多因素，致使行星齒輪系統內部關鍵部件極易發生故障，進而“牽一發而動全身”，引發災難性事故。因此，開展行星齒輪箱的故障診斷研究，對于保障大型機械設備安全穩定運行、避免人民生命財產損失具有重要意義。

自深度學習問世以來，展現出強大的特征自動學習與提取能力，已廣泛運用于圖像識別、自然語言處理、語音識別、故障診斷等領域。典型的深度學習方法，如卷積神經網絡(Convolution Neural Network,CNN)、生成對抗網絡(Generative AdversarialNetworks,GAN)、深度信念網絡(Deep Belief Network,DBN)等逐步拓展至行星齒輪箱的故障診斷方法之中：有研究人員通過CNN模型對不同健康狀態的行星輪故障進行診斷；還有研究人員提出了一種采用堆疊降噪自動編碼器作為判別器的GAN診斷模型，對多種不同健康狀態的太陽輪進行診斷，在少量樣本與噪聲條件下呈現出較強的診斷能力；還有研究人員基于蝗蟲算法提出了一種參數優化的DBN方法，對單個齒輪的多種故障類型進行識別。當前，以深度學習算法為核心的診斷模式正得到學者們的廣泛關注，然而當前研究大多圍繞單類齒輪部件的不同故障開展。鑒于行星齒輪箱中齒輪故障發生部位與形式多樣，僅開展單類齒輪的故障診斷難以全面保障機械設備的安全運行。特別是以CNN為核心的深度學習模型，雖然對單一部件的故障識別取得了不錯的效果，但應用于包含不同部件的故障數據時，恐難保證較高的診斷能力。

2017年膠囊網絡(Capsule Network,CN)模型被首次提出，突破了傳統標量神經元傳遞信息的片面性，以向量作為網絡的輸入和輸出，進一步挖掘出特征的空間信息。近年來，膠囊網絡表現出強大的細節特征提取能力，已在機械設備故障診斷領域中初露鋒芒。然而，當前國內外少有研究人員將膠囊網絡應用于行星齒輪箱的故障診斷之中。

發明內容

本部分的目的是在于概述本發明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊，而這種簡化或省略不能用于限制本發明的范圍。

鑒于上述背景技術描述中存在的問題，提出了本發明，因此，本發明其中一個目的是提供一種基于卷積膠囊網絡的行星齒輪箱故障診斷方法，結合卷積神經網絡和膠囊網絡提出一種能提高其故障診斷能力的網絡模型，效率高。

為解決上述技術問題，本發明采用的技術方案是：一種基于卷積膠囊網絡的行星齒輪箱故障診斷方法，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。

進一步的，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：