[发明专利]一种用于行星齿轮故障诊断的新型深度特征学习方法

说明书

本发明公开了一种用于行星齿轮故障诊断的新型深度特征学习方法，包括以下步骤：步骤a、利用振动传感器检测机电装备行星齿轮箱运行过程中所产生的原始振动信号；步骤b、在自动编码机损失函数基础上引入稀疏性惩罚项和收缩性限制项；步骤c、利用量子蚁群优化算法对深度学习架构中每个稀疏自动编码机和收缩自动编码机的具体位置和关键参数进行优化；步骤d、以所采集的行星齿轮箱原始振动信号为新型深度学习架构的输入，确定深度学习架构的初始深度和每层的初始宽度。本发明提供的一种用于行星齿轮故障诊断的新型深度特征学习方法，能够将数据学习能力和特征提取鲁棒性同时发挥到最优，可主动调整深度学习架构中稀疏自动编码机和收缩自动编码机的位置。

技术领域

本发明具体涉及一种用于行星齿轮故障诊断的新型深度特征学习方法，属于机电装备中行星齿轮故障诊断技术领域。

背景技术

随着科学和工业技术的迅速发展，机电设备向高效、安全、可靠和智能化发展。由于行星齿轮的优点，它已成为机电装备传动系统的关键部件。然而，行星齿轮通常在恶劣的条件下工作，经常发生故障，直接影响机电装备传动效率，甚至导致灾难性事故发生。因此，有必要对行星齿轮进行状态监测和诊断分析。

行星齿轮是一个非线性系统，由太阳轮，行星轮和内齿圈组成。同时，行星轮不仅自转而且公转，因此，行星齿轮的振动信号受到行星架“通道效应”影响。另外，振动传感器的安装位置通常是固定的，轮齿啮合到振动传感器安装位置的传递路径是时变的。这些因素导致行星齿轮的产生的振动信号具有更强的非线性，非平稳性和强耦合性，与定轴齿轮箱产生的振动信号相比更加复杂。

目前，传统的行星齿轮故障诊断方法存在一些缺点，主要体现在以下几个方面：(1)传统的故障诊断方法需要采用相关的信号处理算法人工提取故障特征，特征提取更多地依赖于人的参与和经验，缺乏自动化；(2)所设计的人工故障特征提取方法是根据信号特征预先特别设计的，而不是通过主动学习数据来获取故障特征，这对于不同对象和不同工作条件来说不具有好的普适性；(3)基于神经网络的故障诊断识别方法一般只具有浅层结构，但浅层结构限制了非线性特征的学习能力，神经网络的优势不能够充分发挥。一般来说，这些方法需要过多的人工参与，并且依赖于复杂的信号处理技术。特征提取过程缺乏主动性，无法从原始数据中直接学习有效特征。针对存在的问题，深度学习提供了一种有效的方法。它基于深度学习架构的底层直接从原始数据中学习具有抽象性和表达性的深层特征，并且在后一层的基础上学习更具抽象性和更具表达性的特征。最后，可以基于具有高度复杂的多层网络架构表达原始数据的深度特征。

深度学习架构可以基于自动编码机或其改进模型进行构建，但是不同的改进模型具有自己的特点和关注点，并不能充分发挥深度学习在特征提取中的优势。因此，充分发挥不同改进模型的优势，深度研究深度学习在特征提取中的应用是实现和提高行星齿轮故障诊断效果的有效途径。

发明内容

本发明要解决的技术问题是，克服现有技术的局限性，提供一种能够将数据学习能力和特征提取鲁棒性同时发挥到最优，同时针对不同的训练样本和信号，可主动调整深度学习架构中稀疏自动编码机和收缩自动编码机的位置，更具有适应性的用于行星齿轮故障诊断的新型深度特征学习方法。

为解决上述技术问题，本发明采用的技术方案为：

一种用于行星齿轮故障诊断的新型深度特征学习方法，其特征在于：包括以下步骤：

步骤a、布置安装振动传感器，利用振动传感器检测机电装备行星齿轮箱运行过程中所产生的原始振动信号，并利用数据采集卡实现振动信号采集获取；

步骤b、基于自动编码机的基本结构，在自动编码机损失函数基础上引入稀疏性惩罚项，获得改进的稀疏自动编码机，在收缩自动编码机损失函数基础上引入收缩性限制项，获得改进的收缩自动编码机；