針對復(fù)雜工況下齒輪箱多故障信號診斷準(zhǔn)確率低的問題,提出了一種基于混合特征和堆棧稀疏自編碼器的齒輪箱故障診斷方法。從微觀信號特征角度提取奇異值特征和小波分解后的樣本熵特征;從宏觀角度提取故障信號時(shí)域特征,將3種特征進(jìn)行融合,并輸入到由稀疏自編碼和Softmax堆棧得到的深度神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征優(yōu)化和分類識別。實(shí)驗(yàn)結(jié)果表明:在2種不同工況下,對6種齒輪箱故障數(shù)據(jù)進(jìn)行診斷均表現(xiàn)出較高分類識別精度,且所構(gòu)建的分類模型綜合性能上均高于文中其他對比模型,因此本文作者所提出的方法能有效地進(jìn)行齒輪箱故障診斷。 

【文章來源】：機(jī)床與液壓. 2020,48(11)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

自編碼器的結(jié)構(gòu)

表2 SSAE的參數(shù)設(shè)置 名稱 參數(shù) 參數(shù)值 第一層稀疏自編碼器 隱含層節(jié)點(diǎn)數(shù) 80 權(quán)值正則化系數(shù) 0.001 稀疏正則化系數(shù) 4 稀疏比例 0.05 解碼器傳遞函數(shù) Purelin 第二層稀疏自編碼器 隱含層節(jié)點(diǎn)數(shù) 30 權(quán)值正則化系數(shù) 0.001 稀疏正則化系數(shù) 4 稀疏比例 0.05 解碼器傳遞函數(shù) Purelin Softmax層 最大迭代次數(shù) 1 000 懲罰函數(shù) crossentropy 訓(xùn)練算法 Trainscg從圖2中可以看出,當(dāng)稀疏自編碼器的層數(shù)為兩層時(shí),平均分類準(zhǔn)確率均高于其余層數(shù)時(shí)的分類準(zhǔn)確率,因此文中選擇兩層稀疏自編器構(gòu)建深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型。將3種數(shù)據(jù)集A、E、F輸入構(gòu)建的堆棧稀疏自編碼器(SSAE)中,其分類結(jié)果如表3所示。

從可視化結(jié)果可以看出,對于數(shù)據(jù)集D而言,經(jīng)過特征提取之后,其訓(xùn)練集中各種齒輪箱狀態(tài)數(shù)據(jù)之間表現(xiàn)出明顯的可分性,由此可說明本文作者所提出的特征提取方法是有效的。從圖3(b)中可以看出,當(dāng)把訓(xùn)練集輸入到第一個(gè)稀疏自編碼器中進(jìn)行訓(xùn)練,得到的隱含層特征和輸入的訓(xùn)練集數(shù)據(jù)相比,各種類型開始表現(xiàn)出聚集現(xiàn)象。當(dāng)經(jīng)過第二個(gè)稀疏自編碼的特征提取之后,其隱含層特征可視化如圖3(c)所示,和圖3(b)相比,同種類型的齒輪箱狀態(tài)數(shù)據(jù)表現(xiàn)出明顯的聚集現(xiàn)象。因此可以說明稀疏自編碼器能對輸入的數(shù)據(jù)進(jìn)行特征優(yōu)化。利用構(gòu)建好的模型對數(shù)據(jù)集A、B、C、D進(jìn)行分類識別,其結(jié)果如圖4所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于CEEMD-MPE和ELM的齒輪箱故障診斷研究[J]. 王斌,崔寶珍.  組合機(jī)床與自動(dòng)化加工技術(shù). 2019(04)
[2]基于雙樹復(fù)小波分解的風(fēng)機(jī)齒輪箱故障診斷[J]. 劉清清,楊江天,尹子棟.  北京交通大學(xué)學(xué)報(bào). 2018(04)
[3]BP神經(jīng)網(wǎng)絡(luò)在齒輪箱故障診斷中的應(yīng)用[J]. 許敬成,陳長征.  噪聲與振動(dòng)控制. 2018(S2)
[4]基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)部件故障診斷[J]. 彭軍,郭晨陽,張勇,張赟,楊欣毅.  系統(tǒng)仿真技術(shù). 2018(01)
[5]基于DHMM和BP神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷研究[J]. 朱文輝,黃晉英,衛(wèi)潔潔,陳海霞,封順笑.  組合機(jī)床與自動(dòng)化加工技術(shù). 2018(02)
[6]基于EEMD樣本熵與LS-SVM的行星齒輪箱故障診斷[J]. 任國春,趙永東.  山東工業(yè)技術(shù). 2018(03)
[7]基于SVM和遺傳算法的裝甲車齒輪箱故障模式識別[J]. 周昕晨,林董,汪棟洋.  新技術(shù)新工藝. 2018(01)
[8]基于Hankel矩陣與奇異值分解降噪方法的齒輪故障診斷研究[J]. 劉佳音,于曉光,王琦,李宏坤.  機(jī)床與液壓. 2018(01)
[9]基于堆棧稀疏自編碼的高光譜遙感影像分類[J]. 譚鋼,郝方平,薛朝輝.  礦山測量. 2017(06)
[10]基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)故障融合診斷[J]. 車暢暢,王華偉,倪曉梅,洪驥宇.  北京航空航天大學(xué)學(xué)報(bào). 2018(03)

碩士論文
[1]基于時(shí)頻—解調(diào)分析的行星齒輪箱故障診斷方法研究[D]. 劉劍鋒.電子科技大學(xué) 2015
[2]基于時(shí)頻綜合特征提取與BP神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷研究[D]. 劉迎各.中北大學(xué) 2015



本文編號：3510945