[發(fā)明專利]一種齒輪箱小樣本故障診斷方法、系統(tǒng)及設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202211222893.5
• 申請(qǐng)日: 2022-10-08
• 公開（公告）號(hào): CN115481666B
• 公開（公告）日: 2023-10-27
• 發(fā)明（設(shè)計(jì)）人: 梁浩鵬;曹潔;趙小強(qiáng);王進(jìn)花
• 申請(qǐng)（專利權(quán)）人: 蘭州理工大學(xué)
• 主分類號(hào): G06F18/241
• 分類號(hào): G06F18/241;G06F18/214;G06F18/25;G06F18/10;G06F18/213;G06N3/0464;G06N3/08
• 代理公司: 北京慕達(dá)星云知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11465
• 代理人: 符繼超

本發(fā)明公開了一種齒輪箱小樣本故障診斷方法、系統(tǒng)及設(shè)備，該方法包括：采集不同故障類型以及健康狀態(tài)下的齒輪箱振動(dòng)信號(hào)，并對(duì)故障振動(dòng)信號(hào)設(shè)置故障類型標(biāo)簽，構(gòu)建小樣本訓(xùn)練數(shù)據(jù)集；基于奇異值分解的濾波處理，有效的降低振動(dòng)信號(hào)的特征復(fù)雜度，并去除信號(hào)中的噪聲成分；將小樣本訓(xùn)練數(shù)據(jù)集輸入到特征分割多尺度動(dòng)態(tài)卷積網(wǎng)絡(luò)中，故障類型標(biāo)簽作為網(wǎng)絡(luò)的期望輸出，進(jìn)行訓(xùn)練；將需要診斷故障的齒輪箱振動(dòng)信號(hào)輸入網(wǎng)絡(luò)中，得到故障診斷結(jié)果。該方法不僅可以學(xué)習(xí)少量的樣本中的多尺度特征信息，而且可以自適應(yīng)調(diào)整每個(gè)卷積層的權(quán)重，具有較強(qiáng)的特征學(xué)習(xí)能力；不僅可以診斷少量樣本條件下的齒輪箱故障，而且具有良好的抗噪性能。

技術(shù)領(lǐng)域

本發(fā)明涉及齒輪箱故障診斷技術(shù)領(lǐng)域，特別涉及基于奇異值分解和特征分割多尺度動(dòng)態(tài)卷積網(wǎng)絡(luò)的齒輪箱小樣本故障診斷方法、系統(tǒng)及設(shè)備。

背景技術(shù)

風(fēng)能是一種清潔的可再生能源，在我國(guó)，風(fēng)電發(fā)電機(jī)的逐年遞增，保證它們的安全健康運(yùn)行是維護(hù)我國(guó)大力發(fā)展風(fēng)能的關(guān)鍵。以齒輪箱為代表的旋轉(zhuǎn)機(jī)械是風(fēng)力發(fā)電機(jī)最為核心的部件，其健康狀況直接影響到整個(gè)設(shè)備的安全，一旦發(fā)生故障，將會(huì)造成嚴(yán)重的經(jīng)濟(jì)損失，甚至重大人員傷亡。因此對(duì)齒輪箱進(jìn)行及時(shí)的故障診斷十分重要。

事實(shí)上，在實(shí)際的工程場(chǎng)景中，旋轉(zhuǎn)機(jī)械通常在正常條件下工作，很少出現(xiàn)故障。因此，盡管由多個(gè)傳感器組成的狀態(tài)監(jiān)測(cè)系統(tǒng)能夠持續(xù)的從設(shè)備上采集數(shù)據(jù)，但采集的數(shù)據(jù)大部分是健康數(shù)據(jù)，故障數(shù)據(jù)量較少。在這種情況下，如果直接使用有限的故障數(shù)據(jù)訓(xùn)練智能診斷模型，則會(huì)導(dǎo)致模型泛化性能差，故障分類精度低的問題。總之，較少的數(shù)據(jù)量通常難以支持智能診斷模型的訓(xùn)練，所以研究出針對(duì)少量樣本的智能故障診斷方法，對(duì)故障診斷領(lǐng)域的發(fā)展至關(guān)重要。

近年來，通過振動(dòng)數(shù)據(jù)識(shí)別故障類型已成為故障診斷領(lǐng)域的主流，其中基于深度學(xué)習(xí)的智能故障診斷方法受到了大量學(xué)者的青睞。深度學(xué)習(xí)方法具有以下優(yōu)點(diǎn)：(1)隨著工業(yè)設(shè)備和智能計(jì)算機(jī)設(shè)備的發(fā)展，存儲(chǔ)了大量的機(jī)械數(shù)據(jù)。深度學(xué)習(xí)方法可以從海量數(shù)據(jù)中提取特征，可以節(jié)省大量人力。(2) 深度學(xué)習(xí)方法可以從歷史數(shù)據(jù)中自動(dòng)學(xué)習(xí)抽象和有用的故障特征，因此幾乎不依賴專家經(jīng)驗(yàn)。

然而，大多數(shù)深度學(xué)習(xí)方法依賴于數(shù)據(jù)的數(shù)量和質(zhì)量。如果數(shù)據(jù)量較小且數(shù)據(jù)分布不均衡，則會(huì)導(dǎo)致深度學(xué)習(xí)方法的故障診斷性能下降。事實(shí)上，在實(shí)際工業(yè)生產(chǎn)中，很難收集齒輪箱重要機(jī)械零件的大量故障數(shù)據(jù)。總之，當(dāng)樣本數(shù)較少時(shí)，建立有效的故障診斷模型仍然是一個(gè)具有挑戰(zhàn)性的問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種齒輪箱小樣本故障診斷方法、系統(tǒng)及設(shè)備，基于奇異值分解對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并基于特征分割多尺度動(dòng)態(tài)卷積網(wǎng)絡(luò)進(jìn)行的齒輪箱小樣本故障診斷，解決了在小樣本條件和噪聲環(huán)境下的齒輪箱故障診斷問題。

為實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案為：

第一方面，本發(fā)明實(shí)施例提供一種齒輪箱小樣本故障診斷方法，包括以下步驟：

S10、采集不同故障類型的齒輪箱振動(dòng)信號(hào)，以及健康狀態(tài)下的齒輪箱振動(dòng)信號(hào)，并對(duì)故障振動(dòng)信號(hào)設(shè)置故障類型標(biāo)簽，構(gòu)建小樣本訓(xùn)練數(shù)據(jù)集；

S20、對(duì)所述小樣本訓(xùn)練數(shù)據(jù)集進(jìn)行基于奇異值分解的濾波處理；

S30、構(gòu)建特征分割多尺度動(dòng)態(tài)卷積網(wǎng)絡(luò)；包括：兩個(gè)特征分割多尺度動(dòng)態(tài)卷積層，三個(gè)最大池化層，一個(gè)全連接層，一個(gè)Dropout層和一個(gè)Softmax 層；

S40、將濾波處理后的小樣本訓(xùn)練數(shù)據(jù)集輸入到所述特征分割多尺度動(dòng)態(tài)卷積網(wǎng)絡(luò)中，故障類型標(biāo)簽作為網(wǎng)絡(luò)的期望輸出，進(jìn)行訓(xùn)練；

S50、將需要診斷故障的齒輪箱振動(dòng)信號(hào)進(jìn)行基于奇異值分解的濾波處理，輸入訓(xùn)練后的特征分割多尺度動(dòng)態(tài)卷積網(wǎng)絡(luò)中，得到對(duì)應(yīng)的齒輪箱小樣本故障診斷結(jié)果。

進(jìn)一步地，所述步驟S10，包括：