[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

本發明的一種基于深度學習的旋轉機械齒輪箱故障診斷方法，屬于旋轉機械裝備故障類型識別和診斷技術領域，包括采集旋轉機械齒輪箱運行振動加速度、速度、位移、頻率等信號，基于奇異值分解的振動信號降噪實現原始信號重構，利用對稱點陣圖像分析法將振動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，基于離散點的密集程度進行故障類型特征提取；最后，結合對稱點陣圖像分析構建的二維圖像信息和深度神經網絡進行故障訓練和判別，獲得故障診斷模型，本發明能夠準確有效的對直齒輪箱內部的齒輪與軸承進行故障診斷和故障識別。

技術領域

本發明屬于旋轉機械裝備故障類型識別和診斷技術領域，更具體來說，涉及一種基于深度學習的旋轉機械齒輪箱故障診斷方法。

背景技術

旋轉機械是實現能量轉化的重要裝置，在工業領域大量使用，其運行的可靠性和安全性關系重大，設備故障直接影響工業生產，甚至威脅一線工人的人身安全，因此，加強對旋轉機械設備運行狀態的檢測、故障類型的識別至關重要。隨著深度學習、大數據人工智能技術的發展，為機械設備故障診斷提供了技術支撐，如何利用人工智能技術判斷旋轉設備的運行狀況及發展趨勢，分析旋轉設備的故障原因、部位和性質，為工業生產提供科學的檢依據，從而有效的降低設備維修和維護成本，提高設備運行的經濟性，保證安全生產。

發明內容

1.發明要解決的技術問題

本發明的目的在于解決上述的缺陷。

2.技術方案

為達到上述目的，本發明提供的技術方案為：

本發明的一種基于深度學習的旋轉機械齒輪箱故障診斷方法，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。

優選的，振動信號包括旋轉加速度、旋轉速度、位移以及頻率。

優選的，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；

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：