[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

说明书

本发明提出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，主要包括数据采集、数据处理、训练模型和测试模型。考虑到目前行星齿轮箱故障依赖于信号处理或大量的数据，而生产实际中大量的数据又难以获得，故限制了现有行星齿轮箱故障诊断方法在小样本上的应用。本发明的目的是为解决现有技术中存在的不便和弊端，而提供一种可以仅使用小样本数据，并且无需任何信号处理的端到端行星齿轮箱故障诊断方法。

技术领域

本发明属于故障诊断技术领域，尤其涉及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，主要包括数据采集、数据处理、训练模型和测试模型。

背景技术

目前行星齿轮箱故障依赖于信号处理或大量的数据，而生产实际中大量的数据又难以获得，故限制了现有行星齿轮箱故障诊断方法在小样本上的应用。

相比于定轴齿轮箱，行星齿轮箱的结构更加复杂，它通常由行星轮、太阳轮、行星架和齿圈组成。在行星齿轮箱中，太阳轮与行星轮啮合，行星轮同时与太阳轮和齿圈啮合。行星轮自转的同时还围绕着太阳轮公转。在如此复杂的运动特点与环境激励下，所采集的信号通常具有非线性、复杂性等特点。

目前行星齿轮箱小样本故障诊断主要是基于信号处理的方法和基于浅层机器学习的方法。基于信号处理的行星齿轮箱故障诊断依赖于诊断人员手工提取特征，而特征提取所用的方法以及参数调整需要大量的专业知识。并且，由于行星齿轮箱的结构复杂、安装误差以及制造误差等影响，人工进行特征提取和故障诊断的难度也将增大。基于浅层机器学习的行星齿轮箱故障诊断使用分类器进行模式识别。虽然一定程度上减少了诊断人员的工作量，但是还是没有弥补依赖人工提取特征的不足。并且，浅层机器学习的网络结构相对简单，学习能力较弱，十分依赖提取到的特征。基于深度学习的行星齿轮箱故障诊断，弥补了上述故障诊断的不足，可直接将原始信号输入深度学习模型进行学习。而目前深度学习方法依赖于大量的数据，而大量数据在实际中不易获得。

发明内容

有鉴于此，本发明的目的在于提供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，主要包括数据采集、数据处理、训练模型和测试模型。考虑到目前行星齿轮箱故障依赖于信号处理或大量的数据，而生产实际中大量的数据又难以获得，故限制了现有行星齿轮箱故障诊断方法在小样本上的应用。本发明的目的是为解决现有技术中存在的不便和弊端，而提供一种可以仅使用小样本数据，并且无需任何信号处理的端到端行星齿轮箱故障诊断方法。

本发明具体采用以下技术方案：

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为改进的一维卷积神经网络，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；

其中，为了适应小样本故障诊断，将常用的卷积层-池化层的两层卷积结构改为卷积层-卷积层-池化层的三层卷积结构，增强网络的特征提取能力。此外，为了减少计算量及过拟合，采用全局平均池化层(GAP)代替全连接层(FC)。

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。