[发明专利]一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置

说明书

本发明实施例公开了一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置，涉及齿轮箱故障诊断领域。能够在工况改变后，数据分布产生差异的情况下解决故障诊断问题，实现目标域的无监督故障诊断，提高目标域故障诊断准确率。本发明包括：采集源域与目标域的齿轮箱振动信号；将采集得到的源域与目标域信号进行预处理，创建离线训练数据库；构建域适应卷积神经网络模型，并训练网络；获取所述齿轮箱在工况变化后的振动信号作为在线数据，经过预处理后生成测试样本，将测试样本输入训练后的域适应卷积神经网络模型，可以得到故障诊断结果。

技术领域

本发明涉及旋转机械故障诊断技术，尤其涉及一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置。

背景技术

行星齿轮箱是旋转机械设备中用于连接和传递动力的关键部件，被广泛运用于风力发电、冶金、船舶和起重运输等领域，其运行状况对机械的稳定性与寿命均有很大影响。行星齿轮箱的主要部件包括齿轮、滚动轴承、传动轴等。在旋转机械设备长时间运行于高速、重负荷、强冲击的工作条件下，齿轮箱中的滚动轴承与齿轮系容易出现损伤，进而导致旋转机械发生故障。一旦故障发生将极大影响生产效率，甚至造成巨大损失。因此，研究齿轮箱的故障诊断方法，对于保障机械设备的安全运行至关重要。

现有的智能故障诊断方法通常将带标记的训练数据(源域)和未带标记的测试数据(目标域)从相同的分布中提取，从而取得较好的诊断效果。然而在许多实际应用程序中，工作条件如转速、负载发生变化后，训练数据与测试数据之间有了分布差异。而传统的基于数据的故障诊断方法，普遍存在域漂移现象，不能在测试集(目标域)变化之后仍然有优良的性能。

因此，还需进一步发展变工况条件下齿轮箱的故障诊断手段。

发明内容

本发明的实施例提供一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置，能够实现目标域的无监督故障诊断，解决在变工况条件下齿轮箱的故障诊断问题。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，本发明的实施例提供的基于深度学习的变工况行星齿轮箱故障诊断方法，包括：

S1、采集源域与目标域的齿轮箱振动信号，得到源域数据和目标域数据，其中，所述源域数据包括工况改变之前的齿轮箱振动信号，所述目标域数据包括工况改变后的齿轮箱振动信号；

S2、对所述源域数据和所述目标域数据进行分割，获取包含相同数量的数据点的样本段，其中，每个样本段包括：数据点、故障类别标签和工况信息，所得到的样本段记录至离线训练数据库；

S3、建立域适应卷积神经网络模型，并通过所述离线训练数据库的训练集训练所述域适应卷积神经网络模型，再通过所述离线训练数据库的验证集验证所述域适应卷积神经网络模型的准确性；

S4、获取齿轮箱在工况变化后的振动信号作为在线数据，对所述在线数据进行预处理得到测试样本，将所述测试样本输入训练后的所述域适应卷积神经网络模型，最终得到故障诊断结果。

第二方面，本发明的实施例提供的基于深度学习的变工况行星齿轮箱故障诊断装置，包括：

数据准备模块，用于采集源域与目标域的齿轮箱振动信号，得到源域数据和目标域数据，其中，所述源域数据包括工况改变之前的齿轮箱振动信号，所述目标域数据包括工况改变后的齿轮箱振动信号；

数据分析模块，用于对所述源域数据和所述目标域数据进行分割，获取包含相同数量的数据点的样本段，其中，每个样本段包括：数据点、故障类别标签和工况信息，所得到的样本段记录至离线训练数据库；

模型维护模块，用于建立域适应卷积神经网络模型，并通过所述离线训练数据库的训练集训练所述域适应卷积神经网络模型，再通过所述离线训练数据库的验证集验证所述域适应卷积神经网络模型的准确性；