一种基于堆叠自动编码机的行星齿轮箱智能诊断方法

摘要

一种基于堆叠自动编码机的行星齿轮箱智能诊断方法，首先利用数据采集系统获取行星齿轮箱的频域信号，建立具有深层结构的堆叠自动编码机分类模型；然后使用权重连接自动编码机对堆叠自动编码机全部隐含层进行逐层预训练，帮助堆叠自动编码机自适应提取频谱中的故障信息；再使用反向误差传播方法微调完成预训练的堆叠自动编码机的参数，优化堆叠自动编码机的特征提取过程并且建立行星齿轮箱的频谱与故障类型之间的复杂非线性映射关系，完成堆叠自动编码机的训练；最后使用确定的堆叠自动编码机模型进行大数据下行星齿轮箱的智能诊断，本发明实现了大量数据下行星齿轮箱故障特征的自适应提取与故障状态的智能诊断，准确可靠。

权利要求

1.一种基于堆叠自动编码机的行星齿轮箱智能诊断方法，其特征在于，包括以下步骤：

1)利用数据采集系统获取行星齿轮箱的频域信号，建立具有深层结构的堆叠自动编码机分类模型；

2)使用权重连接自动编码机对步骤1)中的堆叠自动编码机全部隐层进行逐层预训练，帮助堆叠自动编码机自适应提取频谱中的故障信息；

3)使用反向误差传播方法微调步骤2)中完成预训练的堆叠自动编码机的参数，优化堆叠自动编码机的特征提取过程并且建立行星齿轮箱的频谱与故障类型之间的复杂非线性映射关系，完成堆叠自动编码机的训练；

4)使用步骤3)中确定的堆叠自动编码机模型进行大数据下行星齿轮箱的智能诊断。

2.根据权利要求1所述的一种基于堆叠自动编码机的行星齿轮箱智能诊断方法，其特征在于：所述的步骤1)中，建立的堆叠自动编码机通过N个权重连接自动编码机的编码网络堆叠形成，为了实现故障分类功能，在堆叠自动编码机的输出端添加分类层，形成堆叠自动编码机分类模型，该模型视为一种具有N个隐层的神经网络，并以采集的频域信号为输入。

3.根据权利要求1所述的一种基于堆叠自动编码机的行星齿轮箱智能诊断方法，其特征在于：所述的步骤2)中，使用的自动编码机是一个三层的非监督学习的神经网络，共分为编码网络与解码网络两个部分，由于对编码网络参数与解码网络参数加入了限制条件，即编码网络的权重与解码网络的权重制约为相互转置关系，因而称为权重连接自动编码机，编码网络参数为θ＝{W,b}，其中W为编码网络的权重，b为编码网络的偏置；解码网络参数为θ′＝{WT,d}，其中WT为解码网络的权重，d为解码网络的偏置，权重连接自动编码机的输出为输入数据在输出层的重构，通过最小化输入数据与其重构表示的误差进行训练得到，利用权重连接自动编码机对堆叠自动编码机的全部隐层进行逐层的预训练，即通过上一个权重连接自动编码机的编码网络的输出作为下一个权重连接自动编码机的编码网络的输入，将堆叠自动编码机的全部隐层逐层训练完毕。

4.根据权利要求1所述的一种基于堆叠自动编码机的行星齿轮箱智能诊断方法，其特征在于：所述的步骤3)中，最后一个权重连接自动编码机的编码网络的输出作为分类层的输入，通过最小化分类层的输出与行星齿轮箱故障类型之间的误差完成堆叠自动编码机的参数微调过程。

说明书

一种基于堆叠自动编码机的行星齿轮箱智能诊断方法

技术领域

[0001] 本发明属于行星齿轮箱设备故障诊断领域，具体涉及一种基于堆叠自动编码机的行星齿轮箱智能诊断方法。

背景技术

[0002] 随着科学技术的不断进步，复杂机械设备诸如航空发动机、大型风电装备、动车组动力传动装备等正在朝着大型化、复杂化、高速化、自动化及大功率方向发展。行星齿轮箱作为这些复杂机械设备关键的机械传动系统，其健康状况直接关系到设备的安全运行。因而，建立可靠的故障监测系统监测行星齿轮箱故障状况已成为确保复杂机械设备安全高效运行的必要途径。故障监测系统建立的同时也带来了海量的监测数据，使得行星齿轮箱故障诊断进入了“大数据”时代。

[0003] 小波变换、包络谱、谱峭度、阶比追踪等许多传统的故障分析方法能够实现行星齿轮箱关键故障信息的获取，在行星齿轮箱故障诊断领域具有重要地位。但这些故障诊断方法大多由专业技术人员和诊断专家完成，对使用者的经验和专业知识要求很高；同时由于设备复杂程度、自动化程度高，需要分析的数据量也十分巨大，这些大量的数据全部依靠专业技术人员和诊断专家来分析显然是不现实的。而行星齿轮箱故障智能诊断与预示通过对行星齿轮箱设备的运行状态信息进行智能识别，进而得到有效的诊断结果，使得设备维护人员可以提前预知故障的发生，并采取一系列维修或预防的措施，及时消除故障的症状，这样既能避免零部件故障之间的连锁反应引起其他部件的损坏降低了维修成本，又能在故障早期及时发现，将故障局限在单一部件，降低维修难度，节省维修时间、增加生产时间，创造更大的利益。智能诊断方法使得维护人员不必等到故障真正发生之后再做出反应，有效避免一些灾难性的后果，成为行星齿轮箱大数据诊断的必要方法。

[0004] 但传统的智能诊断方法在面对行星齿轮箱大数据的智能诊断问题时存在两个缺陷。(1)特征提取方面依靠诊断专家提取选择特征。由于行星齿轮箱大数据具有多样性的特点，即集多种工况、多种行星齿轮箱故障的特点，致使诊断专家也很难对行星齿轮箱大数据有全面的理解，所以通过诊断专家设计提取涵盖行星齿轮箱大数据所有故障信息的特征是不现实的；(2)传统智能诊断方面依靠浅层模型进行智能分类，但这些浅层模型缺乏足够的能力拟合行星齿轮箱大数据复杂的非线性映射关系，因而限制了方法的诊断及泛化性能。本发明利用深层模型作为行星齿轮箱大数据智能诊断问题的突破口，通过建立堆叠自动编码机分类模型，自适应地提取行星齿轮箱数据中蕴含的特征，并且基于这些特征进行有效的智能诊断。

发明内容

[0005] 为了克服上述现有技术的缺点，本发明的目的在于提供一种基于堆叠自动编码机的行星齿轮箱智能诊断方法，准确可靠地完成了故障智能诊断。

[0006] 为了达到上述目的，本发明采取的技术方案为：

[0007] 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法，包括以下步骤：

[0008] 1)利用数据采集系统获取行星齿轮箱的频域信号，建立具有深层结构的堆叠自动编码机分类模型；

[0009] 2)使用权重连接自动编码机对步骤1)中的堆叠自动编码机全部隐层进行逐层预训练，帮助堆叠自动编码机自适应提取频谱中的故障信息；

[0010] 3)使用反向误差传播方法微调步骤2)中完成预训练的堆叠自动编码机的参数，优化堆叠自动编码机的特征提取过程并且建立行星齿轮箱频谱与故障类型之间的复杂非线性映射关系，完成堆叠自动编码机的训练；

[0011] 4)使用步骤3)中确定的堆叠自动编码机进行大数据下行星齿轮箱的智能诊断。

[0012] 所述的步骤1)中，建立的堆叠自动编码机通过N个权重连接自动编码机的编码网络堆叠形成，为了实现故障分类功能，在堆叠自动编码机的输出端添加分类层，形成堆叠自动编码机分类模型，该模型视为一种具有N个隐层的神经网络，并以采集的频域信号为输入。

[0013] 所述的步骤2)中，使用的自动编码机是一个三层的非监督学习的神经网络，共分为编码网络与解码网络两个部分，由于对编码网络参数与解码网络参数加入了限制条件，即编码网络的权重与解码网络的权重制约为相互转置关系，因而称为权重连接自动编码机，编码网络参数为θ＝{W,b}，其中W为编码网络的权重，b为编码网络的偏置；解码网络参数为θ′＝{WT,d}，其中WT为解码网络的权重，d为解码网络的偏置，权重连接自动编码机的输出为输入数据在输出层的重构，编码网络与解码网络的参数通过最小化输入数据与其重构表示的误差进行训练得到。利用权重连接自动编码机对堆叠自动编码机的全部隐层进行逐层的预训练，即通过上一个权重连接自动编码机的编码网络的输出作为下一个权重连接自动编码机的编码网络的输入，将堆叠自动编码机分类模型的全部隐层逐层训练完毕。

[0014] 所述的步骤3)中，最后一个权重连接自动编码机编码网络的输出作为分类层的输入，通过最小化分类层的输出与行星齿轮箱故障类型之间的误差完成堆叠自动编码机的参数微调过程。

[0015] 本发明的核心是实现了大量数据下行星齿轮箱故障特征的自适应提取与故障状态的智能诊断，故障特征是根据行星齿轮箱频谱的自身特性与智能诊断任务提取的，因而可以摆脱传统智能诊断方法对大量信号处理知识与诊断工程经验的约束，自适应地提取行星齿轮箱的故障特征，准确可靠地完成故障智能诊断。

附图说明

[0016] 图1为本发明的流程图。

[0017] 图2(a)为预训练堆叠自动编码机的第一隐层；图2(b)为预训练堆叠自动编码机的第二隐层；图2(c)为预训练堆叠自动编码机的第N隐层。

[0018] 图3为堆叠自动编码机提取的行星齿轮箱数据集的故障特征。

具体实施方式

[0019] 下面结合附图对本发明做进一步详细描述。

[0020] 参照图1，一种基于堆叠自动编码机的行星齿轮箱智能诊断方法，包括以下步骤：

[0021] 1)利用数据采集系统获取行星齿轮箱的频域信号，建立具有深层结构的堆叠自动编码机分类模型，具体是：将一个频域信号作为一个训练样本，样本集表示为 xm是第m个频谱，dm是第m个频谱对应的故障类型，M是训练样本的总数，建立的堆叠自动编码机通过N个权重连接自动编码机的编码网络堆叠形成，为了实现故障分类功能，在堆叠自动编码机的输出端添加分类层，形成堆叠自动编码机分类模型，其视为一种具有N个隐层的神经网络，Θ＝{θ1，θ2，…，θN}为堆叠自动编码机的参数集，分别对应堆叠自动编码机中每一个自动编码机的编码网络的参数，θN+1为分类层的参数；

[0022] 2)使用权重连接自动编码机对步骤1)中的堆叠自动编码机全部隐层进行逐层预训练，帮助堆叠自动编码机自适应提取频谱中的故障信息，具体是：使用的自动编码机是一个三层的非监督学习的神经网络，共分为编码网络与解码网络两个部分，由于对编码网络参数与解码网络参数加入了限制条件，即编码网络的权重与解码网络的权重制约为相互转置关系，因而称为权重连接自动编码机。该自动编码机的编码网络参数为θ＝{W,b}，其中W为编码网络的权重，b为编码网络的偏置，且编码函数为fθ，激活函数为sf；解码网络参数为θ′＝{WT,d}，其中WT为解码网络的权重，d为解码网络的偏置，且解码函数为gθ′，激活函数为sg。权重连接自动编码机的输出为输入数据在输出层的重构，并通过最小化输入数据与其重构表示的误差进行训练，使用权重连接自动编码机对堆叠自动编码机全部隐层进行逐层预训练的具体过程如下：

[0023] 2.1)使用权重连接自动编码机预训练堆叠自动编码机的第一隐层的参数θ1，如图2(a)所示，将堆叠自动编码机的输入层与第一隐层作为第一个权重连接自动编码机的编码网络，则第一个权重连接自动编码机输入为频谱xm，将其编码网络将输入的频谱编码为编码向量

[0024]

[0025] 其中θ1＝{W1,b1}，W1与b1分别为第一个权重连接自动编码机编码网络的权重与偏置。

[0026] 然后第一个权重连接自动编码机的解码将 解码为xm的重构表示

[0027]

[0028] 其中θ′1＝{W1T,d1}，W1T与d1分别为第一个权重连接自动编码机解码网络的权重与偏置。

[0029] 权重连接自动编码机通过最小化xm与 之间的重构误差完成训练

[0030]

[0031] 其中 训练完成后，用训练好的参数集θ1＝{W1,b1}作为堆叠自动编码机的第一层隐层的参数；

[0032] 2.2)使用权重连接自动编码机预训练堆叠自动编码机的第二隐层的参数θ2，如图2(b)所示，将堆叠自动编码机的第一隐层与第二隐层作为第二个权重连接自动编码机的编码网络，第二个权重连接自动编码机输入为频谱 类似于步骤2.1)，第二个权重连接自动编码机通过最小化 与其重构 之间的重构误差完成训练，训练完成后，用训练好的参数集θ2＝{W2,b2}作为堆叠自动编码机的第二隐层的参数；

[0033] 2.3)重复使用权重连接自动编码机逐层预训练堆叠自动编码机的隐层参数，直到第N个权重连接自动编码机训练完成，如图2(c)所示，用训练好的参数θN＝{WN,bN}作为堆叠自动编码机的第N隐层的参数，且编码向量为

[0034] 3)使用反向误差传播算法微调步骤2)中完成预训练的堆叠自动编码机的参数，优化堆叠自动编码机的特征提取过程并且建立行星齿轮箱频谱与故障类型之间的复杂的非线性映射关系，完成堆叠自动编码机的训练，其具体步骤为：

[0035] 3.1)预训练完成后堆叠自动编码机的输出为：

[0036]

[0037] 其中θN+1＝{WN+1,bN+1}，WN+1与bN+1分别为输出层的权重与偏置，s为输出层的激活函数。

[0038] 3.2)因为频谱xm对应的故障类型为dm，所以通过最小化ym与dm之间的误差完成堆叠自动编码机的微调过程，

[0039]

[0040] 4)使用步骤3)中确定的堆叠自动编码机模型进行大数据下行星齿轮箱的智能诊断。

[0041] 下面结合对某行星齿轮箱故障进行智能诊断，对本发明作进一步描述。

[0042] 行星齿轮箱共有7种健康状态，分别为：正常，第一级太阳轮点蚀，第一级太阳轮裂纹，第一级行星轮裂纹，第一级行星轴承内圈磨损，第二级太阳轮剥落，第二级太阳轮缺齿。每种健康状态的频谱分别在4种不同转速(2,100rpm,2,400rpm,2,700rpm and 3,000rpm)与2种不同负载(无负载与加载)，每种健康状态在单个工况下的样本个数为203，则7种健康状态共有12,992个样本。

[0043] 使用本发明方法诊断行星齿轮箱数据集。针对该数据集，选择5层堆叠自动编码机进行诊断，并随机选择50％的样本预训练与微调堆叠自动编码机，剩余50％的样本测试网络的诊断能力，为了减少随机误差的影响，试验共进行20次，20次试验的平均训练精度与平均测试精度、及相应的标准差，如表1所示，可以看到，使用本方法，行星齿轮箱数据集的平均训练精度与平均测试精度均为100％，表明本发明方法能够准确诊断大量数据下，行星齿轮箱不同模式、不同位置的故障。为了验证本方法的有效性，使用传统的神经网络方法对行星齿轮箱数据集进行诊断，结果如表1所示，行星齿轮箱数据集的平均训练精度与平均测试精度分别为81.34％与81.35％，标准差为17.92％与17.86％。上述结果表明，本发明方法比传统神经网络方法的诊断精度更高，鲁棒性更好，泛化能力更强，是一种有效的行星齿轮箱智能诊断方法。

[0044] 表1

[0045]

[0046] 诊断结果格式:平均精度±标准差.

[0047] 图3是使用本发明方法对多工况下行星齿轮箱7种健康状况信号的故障特征提取结果，可以看出该方法能排除工况变化的干扰，准确地分离开行星齿轮箱的7种健康状况，说明本发明方法可以自适应地提取行星齿轮箱的故障特征。

[0048] 通过以上实施例具体处理过程分析以及实验结果对比可以发现，本发明可以针对不同的行星齿轮箱、不同智能诊断任务，自适应地从频谱中提取行星齿轮箱的故障特征，并基于这些特征实现准确可靠的智能诊断。