[发明专利]基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法

权利要求书

1.一种基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于，包括以下步骤：

步骤S1：搭建行星齿轮箱故障试验台，使用加速度传感器采集行星齿轮箱的正常状态与故障状态的振动信号；

步骤S2：将采集到的信号进行归一化处理；

步骤S3：归一化后的数据进行分段，并打上相应的标签；

步骤S4：将处理完的每类数据随机选取A个样本作为训练样本，B个样本作为测试样本；

步骤S5：确定一维卷积神经网络的初始参数；所述一维卷积神经网络依次为输入层、卷积层1、卷积层2、池化层1、卷积层3、卷积层4、池化层2、全局平均池化层和Softmax分类层；

步骤S6：将训练样本输入网络进行训练，并保存训练好的模型；

步骤S7：将测试样本输入训练好的模型，判断行星齿轮箱状态。

2.根据权利要求1所述的基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于：所述输入层用于接收一维数组，对应信号的时域采样。

3.根据权利要求1所述的基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于：

卷积层为特征提取层，通过卷积核扫描输入数据提取特征；提取到的特征表示如下:

式中，为第l层卷积层输出，为l层输入，K为卷积核，b为第l层偏置，f为激活函数。

4.根据权利要求1所述的基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于：

池化层为降采样层，其计算公式为：

式中，为第l+1层池化层输出，为上一卷积层输出，b为偏置，f为激活函数。

5.根据权利要求1所述的基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于：

Softmax层用于分类问题，将提取的特征经过Softmax层，得到不同类别的概率分布情况，输出的分类结果为：

式中，W为权重矩阵，b为偏置值，O为输出；为归一化函数，将每类概率进行归一化，并使所有类别概率之和为1。

6.根据权利要求1所述的基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于：在步骤S1中，将加速度传感器安装在所述设备的行星齿轮箱箱体上，采样频率为12800HZ，转速为1800r/min，每组样本选取4096个点；采集8种不同行星齿轮箱状态的数据，分别为正常、齿根裂纹、断齿、缺齿、齿面磨损，轴承外圈、内圈、滚动体故障。

7.根据权利要求1-6其中任一所述的基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于：激活函数采用Selu激活函数。

8.根据权利要求1-6其中任一所述的基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于：模型编译优化器选择RMSprop，迭代次数为300次。