[發明專利]一種基于深度學習的旋轉機械齒輪箱故障診斷方法

在審

• 申請號: 202111023880.0
• 申請日: 2021-09-02
• 公開（公告）號: CN113792397A
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 張能文;楊凱銘;秦法濤;何曉琳;吳廣;崔飛;蔡昌春;江冰;承敏鋼
• 申請（專利權）人: 江蘇新道格自控科技有限公司
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/25;G06F30/27;G06F17/16;G06N3/00;G06N3/04;G06N3/08;G01M13/021;G01M13/028;G06F119/10
• 代理公司: 南京寧致知識產權代理有限公司 32520
• 代理人: 于東

1.一種基于深度學習的旋轉機械齒輪箱故障診斷方法，其特征在于，所述診斷方法包括如下步驟：

S1、采集旋轉機械齒輪箱運行的振動信號；

S2，對振動信號進行基于奇異值分解得到原始信號；

S3，利用對稱點陣圖像分析法將原始信號的一維時間序列形式映射至二維空間中構建二維圖像信息；

S4，根據二維圖像信息的離散點的密集程度進行故障類型特征提取；

S5，利用提取的故障類型進行深度神經網絡進行故障訓練和判別。

2.根據權利要求1所述的一種基于深度學習的旋轉機械齒輪箱故障診斷方法，其特征在于，所述振動信號包括旋轉加速度、旋轉速度、位移以及頻率。

3.根據權利要求1所述的一種基于深度學習的旋轉機械齒輪箱故障診斷方法，其特征在于，所述步驟S2中的奇異值分解方法如下：

S21，構建振動加速度時序信號的一維特征矩陣Hankel矩陣，設原始含噪聲信號序列為X＝[x(1),x(2),…x(N)]，構造Hankel矩陣為：

其中，q＜N且滿足N＝p+q-1，A_p×q為原始時序信號中真實信號特征矩陣，B_p×q為噪聲矩陣序列構成的特征矩陣，構造Hankel矩陣時，行數p和列數q相等，取偶數數據點的時間序列，如果序列為奇數則進行取偶處理。

S22，Hankel矩陣奇異值分解，將Hankel矩陣進行奇異分解，表示為兩個正交矩陣和非對稱對角矩陣的乘積：

其中，和V_q×q分別為p階和q階正交矩陣；M_p×q為非對稱對角矩陣；

S＝diag(σ₁,σ₂,…,σ_r)，

σ_i為矩陣Hankel的奇異值，r為矩陣的秩。

S23，選取L個的有效奇異值，其余奇異值置為0，并對奇異值分解過程取逆矩陣進行重構，獲得重構后的矩陣H′，此時的H′就是去噪后的振動信號的Hankel矩陣，如下：

S24，對H′矩陣進行逆奇異分解過程得到降噪后的齒輪箱振動加速度信號

X′＝[x′(1),x′(2),…x′(N)]。

4.根據權利要求3所述的一種基于深度學習的旋轉機械齒輪箱故障診斷方法，其特征在于，所述步驟S23中L值的確定采用逆奇異值均分譜法，逆奇異值均分值法對所得到的奇異值按照由大到小的方式進行排列：

K＝rank(σ₁,σ₂,…,σ_m)

定義為奇異值的平均值，對比b和所有奇異值，將奇異值大于均值奇異值認為有效奇異值，其他奇異值置為0，進行信號重構。

5.根據權利要求1所述的一種基于深度學習的旋轉機械齒輪箱故障診斷方法，其特征在于：所述步驟S3的具體內容為利用對稱圖像點陣分析法將降噪后的一維時序振動減速度信號映射到二維空間中，在二維空間構成相關對稱圖案，利用花瓣信號密集程度進行旋轉設備齒輪振動加速度信號的特征提取，其中，時序第i和i+l信號對應的振動加速度值為x′(i)和x′(i+l)，利用對稱點陣變換將這兩個時刻的信號映射至二維空間，極坐標表示為：Z(r(i),θ(i),φ(i))，映射公式如下所示：

其中，r為極坐標圖案的半徑，θ為花瓣以逆時針方向沿對稱平面鏡像偏轉的角度；φ為花瓣反方向順時針的鏡像；x_max為該信號序列中的最大幅值；x_min為該信號序列中的最小幅值；l為時間間隔參數；θ為花瓣在鏡像翻轉時對應的對稱角度，為放大因子

6.根據權利要求5所述的一種基于深度學習的旋轉機械齒輪箱故障診斷方法，其特征在于：所述l和θ值的選擇通過改進粒子群算法進行優化，構建二維圖像區分度指標為目標函數的優化模型，優化l和θ三個參數，區分度指標包括：二維圖案花瓣臂的粗細差別、相鄰兩個花瓣臂的擬回歸邊線的夾角兩個指標來表征，用對應點的泛函表示目標函數，如下所示：

其中，|| ||為泛函計算，N為序列數量。