目的實(shí)現(xiàn)齒輪箱故障類型的智能識(shí)別診斷。方法針對(duì)傳統(tǒng)故障診斷方法通用性不廣、數(shù)據(jù)依賴強(qiáng)、泛化能力弱并需人工提取特征問題,提出一種基于條件變分自編碼器的故障診斷方法。以故障類別概率分布為目標(biāo)并將振動(dòng)信號(hào)頻譜作為條件,通過條件變分自編碼器,建立齒輪箱振動(dòng)信號(hào)頻譜到對(duì)應(yīng)各故障下的條件概率模型,并通過多層神經(jīng)網(wǎng)絡(luò)結(jié)合變分推斷方法進(jìn)行訓(xùn)練優(yōu)化,實(shí)現(xiàn)對(duì)齒輪箱各類型故障的高精度分類診斷。結(jié)果在僅有少量訓(xùn)練數(shù)據(jù)條件下,實(shí)現(xiàn)了準(zhǔn)確的故障識(shí)別。結(jié)論條件變分自編碼器在齒輪箱振動(dòng)信號(hào)頻譜概率分布建模上具有優(yōu)異性能,對(duì)故障信號(hào)數(shù)據(jù)量的依賴低、泛化能力強(qiáng),無(wú)需人工提取特征。能有效實(shí)現(xiàn)齒輪箱故障的智能分類診斷。 

【文章來(lái)源】：裝備環(huán)境工程. 2020,17(07)

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

實(shí)驗(yàn)配置Fig.2Experimentalconfiguration:a)experimentalsystem;b)gearboxinterior

輪箱數(shù)據(jù)采集樣本。對(duì)于齒輪箱所有振動(dòng)信號(hào)，以50000次連續(xù)采樣點(diǎn)對(duì)原始數(shù)據(jù)進(jìn)行切分，并對(duì)切分后的每段振動(dòng)信號(hào)變換到頻域空間取幅值譜。每段幅值譜均線性歸一化到0~1區(qū)間。對(duì)于每一種失效模式，隨機(jī)打亂不同工況下的頻譜信號(hào)，并等量均分后分別作為訓(xùn)練集和測(cè)試集。經(jīng)過上述處理，在總共11種失效模式下，訓(xùn)練集和測(cè)試集均具有2035個(gè)樣本數(shù)據(jù)，每個(gè)樣本數(shù)據(jù)具有25001維。在所有訓(xùn)練集均具有全部失效模式標(biāo)簽的情況下，對(duì)CVAE模型進(jìn)行故障診斷分類性能測(cè)試。測(cè)試結(jié)果如圖3所示。圖3CVAE模型測(cè)試集分類準(zhǔn)確率Fig.3ClassificationaccuracyofCVAEmodeltestset從圖3可見，CVAE模型取得了優(yōu)異的分類性能，在測(cè)試數(shù)據(jù)集上綜合平均分類正確率達(dá)到98.88%，且部分故障類別模式下的分類正確率達(dá)到100%。表明模型擁有很高的故障分類精度。為了和傳統(tǒng)基于特征提取的故障診斷方法進(jìn)行對(duì)比，文中分別選取具有代表性的四種模型進(jìn)行故障分類實(shí)驗(yàn)：基于策略的統(tǒng)計(jì)學(xué)習(xí)模型K近鄰（KNN）；基于時(shí)間序列建模的長(zhǎng)短期記憶網(wǎng)絡(luò)模型（LSTM）；經(jīng)典非線性分類器支持向量機(jī)（SVM）；現(xiàn)代數(shù)據(jù)驅(qū)動(dòng)模型深度神經(jīng)網(wǎng)絡(luò)（DNN）。在原始振動(dòng)信號(hào)特征提取方面，選取時(shí)域11個(gè)特征量、頻域13個(gè)特征量以及14個(gè)小波包能量特征，共計(jì)38個(gè)工程信號(hào)特征組成38維向量作為上述模型的單個(gè)訓(xùn)練樣本。KNN、LSTM、SVM、DNN、CVAE模型的分類準(zhǔn)確率分別為83.93%、94.05%、65.48%、69.64%、98.88%。由此可見，CVAE模型在故障診斷分類準(zhǔn)確率上大大領(lǐng)先于其余模型，表明其能夠有效對(duì)齒輪箱振動(dòng)信號(hào)頻譜空間概率分布進(jìn)行建模，不僅

【參考文獻(xiàn)】：
期刊論文
[1]基于棧式自編碼器和Softmax分類器的電力變壓器故障診斷[J]. 張玉振,吉興全,彭立巖,梁曉平,許倩文.  中國(guó)科技論文. 2018(23)
[2]奇異值分解和稀疏自編碼器的軸承故障診斷[J]. 曹浩,陳里里,司吉兵,任君蘭.  計(jì)算機(jī)工程與應(yīng)用. 2019(20)
[3]基于深度自編碼網(wǎng)絡(luò)的軸承故障診斷[J]. 袁文軍,劉飛,王曉峰,周文晶.  噪聲與振動(dòng)控制. 2018(05)
[4]基于LMD和階次跟蹤分析的滾動(dòng)軸承故障診斷[J]. 張亢,程軍圣.  振動(dòng).測(cè)試與診斷. 2016(03)
[5]水輪發(fā)電機(jī)組非平穩(wěn)振動(dòng)信號(hào)的檢測(cè)與故障診斷[J]. 黨建,何洋洋,賈嶸,董開松,謝永濤.  水利學(xué)報(bào). 2016(02)
[6]基于多元經(jīng)驗(yàn)?zāi)B(tài)分解的旋轉(zhuǎn)機(jī)械早期故障診斷方法[J]. 武哲,楊紹普,劉永強(qiáng).  儀器儀表學(xué)報(bào). 2016(02)



本文編號(hào)：2963169