基于局部特征稀疏编码表征的齿轮箱故障诊断方法及系统

技术领域

本发明涉及齿轮箱故障诊断技术领域，具体为基于局部特征稀疏编码表征的齿轮箱故障诊断方法及系统。

背景技术

随着科技的不断进步与发展，风力发电机组设备朝着高性能化、复杂化和进一步大型综合化方向发展。齿轮箱是风电机组中重要的动力传动装置，包含大量的齿轮、轴承等关键零部件。长期运行在恶劣环境下，齿轮箱容易发生轴承磨损、齿轮裂纹和和齿剥落等故障，造成高昂的维修费用和重大的经济损失。据统计，由齿轮箱故障导致的维修费用占整个风电机组运维费用的13％。因此，研究高效、可靠的齿轮箱故障诊断方法意义重大。

智能故障诊断依靠机器学习技术，快速有效处理大量振动信号并自动得到准确的诊断结果，在齿轮箱故障诊断领域受到广泛研究。智能故障诊断通常包括三个步骤：信号获取、特征提取和故障分类。其中，特征提取是关键一步，因为提取的特征质量直接决定了故障分类结果的好坏。传统特征提取方法通常利用小波包分解、经验模式分解等先进的信号处理技术结合丰富的诊断经验设计特征，表征齿轮箱的健康状态。然而这类方法对信号处理技术和诊断专业知识的依赖较大，在面对复杂运行工况和海量信号时，设计的特征难以全面刻画设备的健康状态。

发明内容

针对现有技术中存在的问题，本发明提供一种基于局部特征稀疏编码表征的齿轮箱故障诊断方法及系统，从原始振动信号中提取特征，实现齿轮箱高效、可靠的故障诊断。

本发明是通过以下技术方案来实现：

一种基于局部特征稀疏编码表征的齿轮箱故障诊断方法，包括以下过程：

步骤1、获取齿轮箱不同健康状态下的振动信号样本，构成样本集；

步骤2、对样本集中的每个振动信号样本以相同的重叠率进行分片得到局部样本片段集，然后对局部样本片段集进行白化处理，利用白化后的局部样本片段集训练稀疏编码模型得到词典；

步骤3、根据词典计算每个振动信号样本中每个片段的稀疏表征，根据稀疏表征确定每个振动信号样本的特征；

步骤4、采用振动信号样本特征训练Softmax分类器，利用训练好的Softmax分类器实现齿轮箱的故障诊断。

优选的，步骤1中对所述振动信号样本进行归一化处理后，根据归一化后的振动信号样本构建样本集。

优选的，所述白化处理的方法如下：

将局部样本片段集

对数据矩阵的协方差矩阵进行特征分解得到特征值，分解方法如下：

cov(S)＝EVE

其中，V为对角矩阵，对角元素为cov(S)的特征值，E为cov(S)的特征值对应的特征向量；

根据特征值计算局部样本片段集合对应的白化结果，表达式如下：

其中，W

优选的，步骤2中所述稀疏编码模型的损伤函数如下：

s.t:||d

式中，X为白化片段组成的数据矩阵，D为包含J个原子的词典，H为稀疏表征，β为稀疏惩罚参数，ε为约束系数。

优选的，步骤3中所述稀疏表征的计算方法如下：

对振动信号样本片段的白化处理结果进行优化问题求解，得到对应的稀疏表征

其中，D为词典，β为稀疏惩罚参数，

优选的，步骤3中对各振动信号样本的稀疏表征进行平均池化处理，得到个振动信号样本的特征向量，根据特征向量确定每个振动信号样本的特征。

优选的，步骤4中所述Softmax分类器的最小化代价函数如下：

式中，1{g}表示指示函数，γ＞0表示权重衰减因子。

优选的，步骤4中所述齿轮箱的故障诊断方法如下：

采用步骤2和步骤3的步骤，确定新振动信号样本的特征，将特征输入训练好的Softmax分类器，得到新振动信号样本的健康状态的概率，取最大概率对应的样本标签作为新振动信号样本x的健康标签。

优选的，所述健康状态的表达式如下：

其中，c为类别，f特征向量，

一种基于局部特征稀疏编码表征的齿轮箱故障诊断方法的系统，包括，

样本模块，用于获取齿轮箱不同健康状态下的振动信号样本，构成样本集；

词典模块，用于对样本集中的每个振动信号样本以相同的重叠率进行分片得到局部样本片段集，然后对局部样本片段集进行白化处理，利用白化后的局部样本片段集训练稀疏编码模型得到词典；

特征提取模块，用于根据词典计算每个振动信号样本中每个片段的稀疏表征，根据稀疏表征确定每个振动信号样本的特征；

诊断模块，用于采用振动信号样本特征训练Softmax分类器，利用训练好的Softmax分类器实现齿轮箱的故障诊断。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供一种基于局部特征稀疏编码表征的齿轮箱故障诊断方法，首先获取齿轮箱不同健康状态下的振动信号样本，并对每个样本归一化处理，得到样本集；然后对样本集中的每个样本以相同的重叠率进行分片得到片段集，经白化处理后，训练稀疏编码模型，得到一组词典；接着利用得到的词典计算每个样本中每个片段的稀疏表征，经平均池化处理后得到每个振动信号样本的特征；最后以提取的振动信号特征为输入，训练Softmax分类器，利用训练好的Softmax分类器实现齿轮箱不同健康状态的智能诊断与识别。本发明利用稀疏编码模型直接从齿轮箱振动信号中自动提取特征，克服了传统基于信号处理的智能诊断方法对诊断经验和专家知识的依赖，能够高效可靠地实现齿轮箱故障的智能诊断与识别。本发明中采用的样本分片策略有助于消除振动信号中存在的时移特性，提取更多判别性的局部特征，并提升计算效率。稀疏编码从振动信号中自适应学习一个词典，词典中的每个原子类似于一维Gabor滤波器，具有丰富可解释的时频特征。

附图说明

图1为本发明齿轮箱故障诊断方法的流程图；

图2为本发明信号的特征提取流程图；

图3为本发明词典中原子向量的时域曲线及其Gabor拟合曲线；

图4为本发明词典中原子向量的频域曲线及其Gabor拟合曲线。

具体实施方式

下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

如图1所示，一种基于局部特征稀疏编码表征的齿轮箱故障诊断方法，包括以下步骤：

S1、采集齿轮箱C个不同健康状态下的振动信号样本，并对每个样本做0-1归一化处理，记归一化处理后的样本集为

其中，

S2、对样本集中的每个样本x

S3、将所有样本的片段组成局部样本片段集

上述白化处理的方法如下：

首先，将局部样本片段集

然后，对S的协方差矩阵进行特征分解：cov(S)＝EVE

其中，V是一个对角矩阵，对角元素为cov(S)的特征值，E为cov(S)的特征值对应的特征向量；

最后，计算x

利用白化后的局部样本片段集

其中，

训练稀疏编码模型，实际上等同于求解如下损失函数：

s.t:||d

式中，

S4、根据图2，利用得到的词典D计算第m个样本x

利用词典D计算样本x

首先，对x

然后，求解如下优化问题，得到

最后，对L个稀疏表征

S5、利用特征提取后的样本集

式中，1{g}表示指示函数，1{true}＝1，1{false}＝0。γ＞0表示权重衰减因子。训练完Softmax后，可以获得一组最优的参数集

S6、给定一个新采集的振动信号样本

最后，取最大概率对应的样本标签作为样本x的健康标签。

本发明还提供了一基于局部特征稀疏编码表征的齿轮箱故障诊断方法的系统，包括，

样本模块，用于获取齿轮箱不同健康状态下的振动信号样本，构成样本集；

词典模块，用于对样本集中的每个振动信号样本以相同的重叠率进行分片得到局部样本片段集，然后对局部样本片段集进行白化处理，利用白化后的局部样本片段集训练稀疏编码模型得到词典；

特征提取模块，用于根据词典计算每个振动信号样本中每个片段的稀疏表征，根据稀疏表征确定每个振动信号样本的特征；

诊断模块，用于采用振动信号样本特征训练Softmax分类器，利用训练好的Softmax分类器实现齿轮箱的故障诊断。

实施例1

利用动力传动系统模拟试验平台(Drivetrain Dynamics Simulator,DDS)采集的齿轮箱故障数据集，验证本发明的可行性。

数据集的具体信息如表1所示，包含两种工况下的健康状态，四种齿轮状态以及四种轴承状态。两种工况分别为转频20Hz无负载和转频30Hz有负载。振动信号的采样频率为5120Hz，单一工况下每种健康状态分别包含300个振动信号样本，每个样本有2400个数据点。从每类健康状态的600个样本中任选10％的样本用于模型训练，剩下90％的样本用于模型测试。

表1齿轮箱数据集描述

在实验设置上，片段长度I选为75，原子数J为150，相邻片段之间的重叠率η为0.97，因此一个长度为2400的振动信号可以划成6984个长度为75的片段。稀疏编码中的稀疏惩罚参数β选为0.2，约束系数ε选为0.01，Softmax的权重衰减γ选为1E-5。常用的F

式中，TP、FN和FP分别表示将正类预测为正类的样本数，将正类预测为负类的样本数，以及将负类预测为正类的样本数。使用本发明，在测试集上不同健康状态的F

为了验证本发明的有效性，将本发明的结果与传统基于信号处理技术的诊断方法的结果进行对比。在传统方法中，人工设计齿轮箱故障诊断中的常用特征，包括：均值、均方根、根幅值、标准差、偏度、峭度、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标共12个常用的统计参数，8个经验模式分解能量比和16个小波包能量比特征。以这些特征为Softmax分类器的输入，实现齿轮箱故障诊断。传统方法的诊断结果如表2所示：

表2齿轮箱不同健康状态的F

从表2的对比结果可以看出，本发明方法对9种齿轮箱健康状态中的7种健康状态的诊断精度高于传统方法，本发明的平均诊断精度为97.43％，高于传统方法的93.57％，验证了本发明方法相比于传统方法的有效性。此外，本发明方法能够从振动信号中自动提取特征，克服了传统方法在特征提取时过度依赖诊断经验和先验知识的不足。

本发明利用稀疏编码模型从齿轮箱振动信号中学习一组含有150个原子的词典，从中任选16个原子绘制其时域和频域曲线图，另外用一维Gabor滤波器分别对时域和频域曲线图进行拟合，结果如图3和图4所示。可以看出，所学词典中的每个原子类似于一维Gabor滤波器，具有丰富明显的时频特性，因此本发明能很好地揭示特征提取的物理机制，具有一定的可解释性。本发明能够直接对原始振动信号进行处理，实现特征的自动提取和健康状态的自动识别，减少了人为干预，并减轻了对诊断知识和诊断经验的依赖。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。