基于堆叠自编码器的时变转速下齿轮箱故障诊断方法
文献发布时间:2024-04-18 19:58:26
技术领域
本发明涉及齿轮箱、信号处理、深度学习、故障诊断等技术领域,具体涉及一种基于堆叠自编码器的时变转速下齿轮箱故障诊断方法。
背景技术
齿轮箱作为旋转机械之一,是动力传递系统的重要一环,在轨道交通、汽车、能源、工程机械等众多领域中发挥着重要作用。在实际使用中,齿轮箱经常长时间运转,且载荷大、环境恶劣,从而导致机械零部件磨损加剧,容易发生故障。齿轮、转轴、轴承等是齿轮箱的重要组成部件,据统计,由这些组成部件引起的齿轮箱故障占到总故障数的70%。齿轮箱内部不同部件之间装配连接相互耦合,若某一部件开始发生故障而未及时处理,随着故障的发展,将导致设备整机停机,增加运维的时间和成本,甚至引发人员伤亡的重大灾难事故。因此为保证齿轮箱的正常运转和工业生产的安全,对齿轮箱的健康状态进行监测并进行故障诊断显得尤为迫切。
目前,齿轮箱故障诊断方法分为两类,分别为基于模型的方法和基于数据的方法。其中,深度学习在基于数据的方法中应用广泛。但这些诊断方法更多的是对于平稳情况进行分析,即齿轮箱运行在恒定转速和恒定载荷下。但在实际工业场景中,转速会受到各种因素的影响而改变,如:在工程机械作业过程中,需要时常改变速度;在风机运转发电过程中,风场的风向和风力大小会随机变化。转速的变化,会导致数据特征分布不一致,信号频谱分析出现“频率模糊”现象,信号存在调制的问题,进而使得在平稳情况下的故障诊断方法失效。本发明提出一种基于堆叠自编码器的时变转速下齿轮箱故障诊断方法,对采集到的振动信号进行滤波降噪、包络解调,并通过阶次分析的方法将时域非平稳信号转换为角域平稳信号,得到阶次谱,然后利用堆叠自编码(Stacking Auto-encoder,SAE)来提取谱特征,最后利用注意力机制(Attention Mechanism)聚焦到更能体现齿轮箱健康状态的特征上,通过Softmax实现状态分类,实现齿轮箱的故障诊断。
发明内容
本发明针对现有技术的不足,提供了一种基于堆叠自编码器的时变转速下齿轮箱故障诊断方法,该方法针对时变转速下数据特征分布不一致的问题,首先利用滤波,包络解调进行信号降噪和解调,利用阶次分析的方法将时域非平稳信号转换为角域平稳信号,克服转速变化带来的影响,最后利用SAE和Attention来提取和聚焦特征,通过Softmax实现分类,能够有效识别齿轮箱故障状态。
本发明的技术方案为:
一种基于堆叠自编码器的时变转速下齿轮箱故障诊断方法,所述方法包含如下步骤:
步骤1,通过振动加速度传感器和转速编码器同步采集齿轮箱振动信号和转速;
步骤2,对采集到的齿轮箱原始振动信号进行滤波降噪和包络解调;
步骤3,利用阶次分析得到阶次谱;
步骤4,将阶次谱作为SAE的输入,SAE共由3层自编码器堆叠而成;
步骤5,将最后一层自编码器的隐含层特征进行N等分,作为注意力模型的输入,注意力模型为每一份隐含层特征生成一个正值权重,经过加权平均得到最终的特征向量;
步骤6,将步骤5中最终的特征向量作为softmax回归模型的输入,生成属于每一类的概率,实现状态分类,进而实现齿轮箱故障诊断。
进一步地,步骤3中,对经过滤波降噪和包络解调的齿轮箱振动信号进行阶次分析,包含信号角域重采样和傅里叶变换两步,首先确定信号等角度采样的时间点,然后通过插值算法得到重采样时刻的振动幅值,从而得到振动信号的角域平稳信号;然后对其进行傅里叶变换得到信号阶次谱。
进一步地,步骤3中的信号角域重采样具体包括:
阶次分析先对信号x(t)进行等角度重采样,等角度采样分为两步:定时间和插值,在进行信号重采样时,假设轴以匀角加速度旋转,所以转角θ和时间t可以用如下二次多项式来表示:
θ(t)=b
其中,b
选择一个固定的角度增量
将式(2)带入式(1)可得:
通过式(3)可求解出系数b
其中θ(t
通过式(4)可以得到时域振动信号等角度采样的时间点,然后通过插值算法即可得到重采样时刻的振动幅值,从而实现振动信号的角域平稳信号。
进一步地,步骤4中,将阶次谱作为SAE的输入,通过多层自编码器来进行特征降维,得到低维特征表示,具体包括:
SAE通过堆叠自编码器得到,自编码器分为AE1、AE2、AE3,每个自编码器由一个输入层、一个隐含层和一个输出层组成,隐含值h和输出值
h=s(Wx+b)
其中W和W'为连接权重,b和b'为偏置,s(·)为ELU激活函数,其公式为:
标准损失函数为均方根误差;
特征学习过程包括:AE1、AE2、AE3分别将阶次谱,AE1的隐含值和AE2的隐含值作为输入,然后通过最小化损失函数来训练网络,AE3的隐含值为输出,即提取到的低维特征。
进一步地,步骤5中,由于所有特征对齿轮箱状态的表征能力不同,为了突出更具信息量的特征,将最后一层自编码器的隐含层特征进行N等分,作为注意力模型的输入,模型为每一份隐含层特征进行打分,得到归一化权重,表征能力强的特征权重更大,从而使得最终经过加权平均得到的特征向量更能表征齿轮箱状态,进而提升识别准确度。
进一步地,步骤5具体包括:对于步骤4得到的低维特征r,
N
其中N
然后将特征片段作为注意力模型的输入,为每个r
u
其中u
最终增强的特征向量v为所有特征片段加权平均得到,公式为:
与现有技术相比,本发明的有益效果为:本发明对齿轮箱振动信号进行滤波降噪和包络解调,分离出能够体现故障状态的信号,利用阶次分析方法来解决转速时变带来的问题,得到能够体现故障阶次特征的阶次谱,然后利用SAE的特征降维和编码能力,进行特征提取,由于所有的特征对齿轮箱故障的表征能力不同,利用注意力机制能够聚焦信息量更大的特征,进而提升分类的准确度,为时变转速下齿轮箱故障诊断提供一种可行的技术方案。
附图说明
图1为本发明流程图;
图2为本发明中等角度采样示意图;
图3为本发明中SAE结构图;
图4为本发明中注意力模型结构图。
具体实施方式
如图1所示,一种基于堆叠自编码器的时变转速下齿轮箱故障诊断方法,所述方法包括如下步骤:
步骤1,通过螺栓将振动加速度传感器安装在齿轮箱壳体上,采集正常运行和发生故障的齿轮箱时变转速下振动数据,利用转速编码器同步采集转速信息。
步骤2,对步骤1采集到的原始振动信号进行滤波降噪和包络解调。
步骤3,对步骤2得到的解调后信号x(t),对其进行阶次分析,得到阶次谱,具体包括:
步骤3.1,阶次分析先对信号x(t)进行等角度重采样,等角度采样可以确保每个转角周期都能采集相同数量的数据,从而减轻了转速变化带来的影响,等角度采样示意图如图2所示。其实现需要同步采样的振动信号和转速信号,主要分为两步:定时间和插值。通常在进行信号重采样时,假设轴以匀角加速度旋转,所以转角和时间可以用如下二次多项式来表示:
θ(t)=b
其中,b
选择一个固定的角度增量
将式(2)带入式(1)可得:
通过式(3)可求解出系数b
其中θ(t
通过式(4)可以得到时域振动信号等角度采样的时间点,然后通过插值算法即可得到重采样时刻的振动幅值,从而实现振动信号的角域平稳信号。
步骤3.2,再对角域信号进行傅里叶变换得到信号阶次谱,此为本领域的公知技术。不做赘述。
步骤4,在步骤3获得阶次谱后,下一步需要使用SAE来提取特征,将阶次谱作为输入。SAE通过堆叠自编码器(AE)得到,每个AE由一个输入层、一个隐含层和一个输出层组成,隐含值和输出值计算公式为:
h=s(Wx+b)
其中W和W'为连接权重,b和b'为偏置,s(·)为ELU(Exponential Linear Unit)激活函数,其公式为:
标准损失函数为均方根误差(MSE),公式为:
具体的特征学习过程如图3所示,AE1,AE2,AE3分别将阶次谱,AE1的隐含值和AE2的隐含值作为输入。然后通过最小化损失函数来训练网络。AE3的隐含值即为输出——提取到的低维特征。
步骤5,对于步骤4得到的低维特征r,
N
然后将特征片段作为注意力模型的输入,过程如图4所示,为每个r
u
最终增强的特征向量v为所有特征片段加权平均得到,公式为:
步骤6,步骤5的特征向量v作为softmax回归模型的输入,输出为齿轮箱所处各类状态的概率,达到对齿轮箱正常与故障振动信号进行分类的效果,进而实现齿轮箱故障诊断。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
- 一种时变工况下无转速计的行星齿轮箱复合故障诊断方法
- 基于稀疏时频分析的齿轮箱变转速故障诊断方法及系统