CN113268826B - 一种改进多任务卷积神经网络的斜齿轮箱故障诊断方法 - Google Patents
一种改进多任务卷积神经网络的斜齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN113268826B CN113268826B CN202110496416.7A CN202110496416A CN113268826B CN 113268826 B CN113268826 B CN 113268826B CN 202110496416 A CN202110496416 A CN 202110496416A CN 113268826 B CN113268826 B CN 113268826B
- Authority
- CN
- China
- Prior art keywords
- neural network
- task
- loss
- fault
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000001133 acceleration Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000011478 gradient descent method Methods 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 2
- 238000005299 abrasion Methods 0.000 claims description 2
- 238000004026 adhesive bonding Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000009191 jumping Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及了改进多任务卷积神经网络的齿轮箱故障诊断方法,算法具体流程如下:(1)用加速度传感器在齿轮箱故障仿真试验台采集齿轮箱加速度信号;(2)搭建神经网络框架,随机初始化神经网络参数;(3)将数据输入神经网络进行训练,通过前向传播计算任务一所提取特征间的相似性损失和交叉熵损失还有任务二所提取特征间的相似性损失和交叉熵损失并将4个损失函数相加;(4)判断神经网络是否满足要求,若满足要求则神经网络训练完成,可以将神经网络用于测试集;若不满足要求,则通过梯度下降法最小化损失函数,更新神经网络的权值,并跳转到第4步,直至满足要求。
Description
技术领域
本发明涉及到了斜齿轮箱故障诊断领域,也可用于其他旋转机械故障诊断,具体是改进多任务卷积神经网络的斜齿轮箱故障诊断方法。
背景技术
齿轮箱是一个十分复杂的非线性***,据统计,传动***中大概有80%的故障是因为齿轮箱内部的轴承或者齿轮故障所产生。能够及时的识别齿轮箱中的故障,就能减少生产过程中所造成的损失,避免整个机械传动结构的瘫痪。因此,对整个机械设备进行故障诊断与状态监测就变得格外重要。
传统智能诊断方法在应用时,存在参数及特征选择的不确定性,因此也给诊断结果带来了不确定性。当机电设备也开始进入大数据时代,怎样从海量的信号中提取有效特征使机械故障诊断变得高效且准确,是机械故障诊断领域的关键。
发明内容
本发明的目的在于提供改进多任务卷积神经网络的斜齿轮箱故障诊断方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种改进多任务卷积神经网络的斜齿轮箱故障诊断方法,包含以下步骤
(1)采集齿轮箱输入轴输入端的加速度信号,分别采集正常状态和多组齿轮轴承复合故障状态,其中轴承的故障类型有内圈故障、外圈故障、保持架故障、滚子故障。齿轮的故障有齿根断裂、齿面磨损、齿面胶合等故障,将采集到的信号划分样本组成数据集。
(2)将所有的样本首先进行样本的预处理操作,将所有加速度信号进行归一化操作。然后将信号不重叠的划分为长度为m的样本,分别对齿轮故障和轴承故障贴上标签,将所有样本随机取样,按照6:2:2的比例划分训练集、验证集和测试集。
(3)将处理好的训练集输入改进的多任务卷积神经网络进行训练,通过前向传播计算任务一所提取特征间的相似性损失和交叉熵损失还有任务二所提取特征间的相似性损失和交叉熵损失并将4个损失函数相加,通过误差反向传播优化多任务神经网络的取值,使得4个损失函数的值最小,交叉熵损失的公式为
相似性损失的公式如下:
其中[M]ij代表权重矩阵,||M||1代表矩阵的范数,[T]ij是目标矩阵,[P]ij代表相似度矩阵,由以下公式计算
其中fw(*)代表卷积、池化等一些列操作,||x||2代表向量的二范数,σp是比例因子,也叫带宽。
(4)判断神经网络是否满足要求,若满足要求则神经网络训练完成,可以将神经网络用于测试集;若不满足要求,则通过梯度下降法最小化损失函数,更新神经网络的权值,并跳转到(3),通过不断的迭代更新神经网络的参数取值,能够得到最优的参数。
(5)当神经网络训练完成后,保存改进多任务卷积神经网络的参数值,将任务一和任务二分别用于齿轮故障诊断和轴承故障诊断。
作为本发明再进一步的方案:改进多任务卷积神经网络主要包括输入层、卷积层、池化层、全连接层和softmax分类层。其中第一个卷积层、池化层为共享层即任务一齿轮故障诊断和任务二轴承故障诊断共用同一个卷积层和池化层。其余的卷积层和池化层由任务一和任务二所独有。
使用交叉熵损失和相似性损失共同优化参数的取值,弥补传统神经网络训练过程中所出现的准确率不高等问题。因此,任务一使用交叉熵损失L1和相似性损失L2,任务二使用交叉熵损失L3和相似性损失L4共4个损失函数进行优化。。
与现有技术相比,本发明的有益效果是:针对齿轮和轴承同时出现的复合故障,本专利构建了多任务神经网络,将齿轮和轴承的故障分开诊断,并通过改进多任务神经网络,提高了分类诊断的准确率和鲁棒性,也避免了手动提取特征的繁琐过程,实现了从一维振动信号自动提取特征。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为多任务卷积神经网络结构结构示意图。
图2为改进多任务卷积神经网络流程图。
图3为齿轮故障模拟试验台。
图4为多任务神经网络任务一提取到的特征的示意图。
图5为多任务神经网络任务二提取到的特征的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
按照图1-图5,本实例描述了一种改进多任务卷积神经网络的斜齿轮箱故障诊断方法,主要有以下步骤:
(1)通过齿轮箱故障仿真实验台获得齿轮轴承复合故障和单一故障,通过贴在齿轮箱外部的加速度传感器采集信号。
(2)对所采集到的加速度信号进行归一化处理来提高神经网络的收敛速度,并且能够避免梯度更新引起的数值问题。
(3)将所有的样本首先进行样本的预处理操作,将所有加速度信号进行归一化操作。然后将信号不重叠的划分为长度为m的样本,分别对齿轮故障和轴承故障贴上标签,将所有样本随机取样,按照6:2:2的比例划分训练集、验证集和测试集。
(4)本文卷积神经网络的网络参数设定为:学习率0.01,迭代次数为50次,5个卷积池化层,卷积核分别为64,3,3,3,3,池化层均采用2×2的最大池化方法。其中第一个卷积层、池化层为共享层即任务一齿轮故障诊断和任务二轴承故障诊断共用同一个卷积层和池化层。卷积核为64,其余的卷积层和池化层由任务一和任务二所独有,其中任务一的4个卷积池化层,卷积核分别为3,3,3,3。任务一的4个卷积池化层,卷积核分别为3,3,3,3。
(5)将采集到的加速度信号输入至改进多任务卷积神经网络进行训练,通过相似性损失和交叉熵损失优化参数,当神经网络训练完成后,保存改进多任务卷积神经网络的参数值,
(6)使用测试集将任务一和任务二分别用于齿轮故障诊断和轴承故障诊断,验证准确率,使用一个卷积神经网络同时实现齿轮和轴承的故障诊断。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种改进多任务卷积神经网络的斜齿轮箱故障诊断方法,其特征在于,包含以下步骤:
(1)采集齿轮箱输入轴输入端的加速度信号,分别采集正常状态和多组齿轮轴承复合故障状态,其中轴承的故障类型有内圈故障、外圈故障、保持架故障、滚子故障,齿轮的故障有齿根断裂、齿面磨损、齿面胶合等故障,将采集到的信号划分样本组成数据集;
(2)将所有的样本首先进行样本的预处理操作,将所有加速度信号进行归一化操作,然后将信号不重叠的划分为长度为m的样本,分别对齿轮故障和轴承故障贴上标签,将所有样本随机取样,按照6:2:2的比例划分训练集、验证集和测试集;
(3)将处理好的训练集输入改进的多任务卷积神经网络进行训练,通过前向传播计算任务一所提取特征间的相似性损失和交叉熵损失,以及任务二所提取特征间的相似性损失和交叉熵损失,并将4个损失函数相加,通过误差反向传播优化多任务神经网络的取值,使得4个损失函数的值最小;
所述交叉熵损失的公式为:
所述相似性损失的公式如下:
其中,[M]ij代表权重矩阵,||M||1代表矩阵的范数,[T]ij是目标矩阵,[P]ij代表相似度矩阵;
相似度矩阵表示为:
其中,fw(*)代表卷积、池化操作,||x||2代表向量的二范数,σp表示比例因子;
(4)判断神经网络是否满足要求,若满足要求则神经网络训练完成,将神经网络用于测试集;若不满足要求,则通过梯度下降法最小化损失函数,更新神经网络的权值,并跳转到(3),通过不断的迭代更新神经网络的参数取值,能够得到最优的参数;
(5)当神经网络训练完成后,保存改进多任务卷积神经网络的参数值,将任务一和任务二分别用于齿轮故障诊断和轴承故障诊断;
改进多任务卷积神经网络包括输入层、卷积层、池化层、全连接层和softmax分类层,其中第一个卷积层、池化层为共享层即任务一齿轮故障诊断和任务二轴承故障诊断共用同一个卷积层和池化层,其余的卷积层和池化层由任务一和任务二所独有。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021104922022 | 2021-05-06 | ||
CN202110492202 | 2021-05-06 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113268826A CN113268826A (zh) | 2021-08-17 |
CN113268826B true CN113268826B (zh) | 2022-12-27 |
Family
ID=77230043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110496416.7A Active CN113268826B (zh) | 2021-05-06 | 2021-05-07 | 一种改进多任务卷积神经网络的斜齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268826B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428073A (zh) * | 2020-03-31 | 2020-07-17 | 新疆大学 | 一种深度监督量化哈希的图像检索方法 |
CN112348001A (zh) * | 2021-01-08 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 表情识别模型的训练方法、识别方法、装置、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102209401B1 (ko) * | 2018-12-17 | 2021-02-01 | 주식회사 포스코 | 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 |
CN109932174A (zh) * | 2018-12-28 | 2019-06-25 | 南京信息工程大学 | 一种基于多任务深度学习的齿轮箱故障诊断方法 |
CN111723675B (zh) * | 2020-05-26 | 2022-08-16 | 河海大学 | 基于多重相似性度量深度学习的遥感图像场景分类方法 |
-
2021
- 2021-05-07 CN CN202110496416.7A patent/CN113268826B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428073A (zh) * | 2020-03-31 | 2020-07-17 | 新疆大学 | 一种深度监督量化哈希的图像检索方法 |
CN112348001A (zh) * | 2021-01-08 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 表情识别模型的训练方法、识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113268826A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417954B (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及*** | |
CN108875918B (zh) | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 | |
CN111046945A (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN111340238A (zh) | 一种工业***的故障诊断方法、装置、设备及存储介质 | |
CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及*** | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN113869563A (zh) | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
CN112488179A (zh) | 一种基于gru的旋转机械故障诊断方法 | |
CN115017826A (zh) | 一种装备剩余使用寿命预测方法 | |
CN114880925A (zh) | 基于时间卷积网络和多层自注意力的装备寿命预测方法 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与*** | |
CN114626625B (zh) | 基于多模块U-BiLSTM网络的轴承寿命预测方法 | |
CN115204035A (zh) | 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质 | |
CN113850161A (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
CN112766200A (zh) | 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 | |
CN115859142A (zh) | 一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法 | |
CN110307981B (zh) | 基于pnn-ifa的轴承故障诊断方法 | |
CN116818325A (zh) | 一种滚动轴承故障诊断方法及*** | |
CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN113268826B (zh) | 一种改进多任务卷积神经网络的斜齿轮箱故障诊断方法 | |
CN112949591A (zh) | 一种基于深度自编码器的滚动轴承故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Xiong Xin Inventor after: Zhang Jiashuo Inventor after: Zheng Shaoshuai Inventor before: Zheng Shaoshuai Inventor before: Xiong Xin |
|
GR01 | Patent grant | ||
GR01 | Patent grant |