一种基于多任务深度学习的齿轮箱故障诊断方法与流程

本发明属于故障诊断领域，特别涉及了一种基于多任务深度学习的齿轮箱故障诊断方法。

背景技术：

齿轮箱主要由齿轮、轴承、轴和箱体等重要零部件组成，具有结构紧凑、传动效率高、寿命长、工作可靠等特点，是航空、电力系统、汽车、工业机床等现代化工业中必不可少的通用部件。但是由于齿轮箱的结构复杂，并且通常在恶劣的环境下持续高速运转，很容易发生故障，因此齿轮箱的故障是诱发机器故障的重要因素。齿轮和轴承作为齿轮箱的两个重要零件，极易因疲劳磨损出现局部故障，导致齿轮箱运行的异常，轻则机器中断，造成经济损失，重则机毁人亡。因此研究高效的齿轮箱状态监测与故障识别技术，对保障生产安全，预防和避免重大事故发生有着重要的意义。

技术实现要素：

本发明的目的是克服上述背景技术的不足，提供一种基于多任务深度学习的齿轮箱故障诊断方法，为了实现上述技术目的，本发明的技术方案为：

所述基于多任务深度学习的齿轮箱故障诊断方法，包括如下步骤：

步骤1)获取齿轮箱不同转速与负载下齿轮和轴承故障的振动信号，对所述振动信号预处理，进行快速傅里叶变换，求取对应的频域信号，作为网络输入；

步骤2)构建多任务深度学习网络，并初始化网络模型参数，确定训练超参数；

步骤3)将样本输入所述学习网络，通过前向传播求得网络输入与预期目标的误差，判断是否收敛或满足训练要求，若判断为收敛或满足训练要求则执行步骤5)，否则执行步骤4)；

步骤4)根据所述误差，使用反向传播算法更新网络权值，更新完成后，使用下一批次的样本，重复执行步骤3)；

步骤5)保存网络模型用于故障诊断。

所述基于多任务深度学习的齿轮箱故障诊断方法的进一步设计在于，所述步骤2)的多任务深度学习网络包括一维卷积层、池化层、全连接层以及分类层构。

所述基于多任务深度学习的齿轮箱故障诊断方法的进一步设计在于，所述卷积层上的一个卷积核用于检测输入信号所有位置上的特定特征，实现对同一输入信号的权值共享，卷积层进行卷积的一般形式如公式(1)：

式中，表示在第i层第j个特征图上第y个位置的值，可通过上一层的一维向量和一维卷积核卷积得到，f(·)为激活函数，bij为当前特征图的偏置项，m为在i-1层中连接到此特征图的特征图集合的序号,表示连接到序号为m的特征图的卷积核中第l位置的值，li代表第i层中卷积核的长度。

所述基于多任务深度学习的齿轮箱故障诊断方法的进一步设计在于，所述全连接层的所有神经元节点，都与上一层输出的特征图中所有的神经元节点互相连接，将最后一层的输出特征图映射成一维的向量，全连接层的输出如式2，

h(x)＝f(w·x+b)(2)

式中，x为全连接层的输入；h(x)为全连接层的输出；w为权值；b为加性偏置；f(·)为激活函数。

所述基于多任务深度学习的齿轮箱故障诊断方法的进一步设计在于，所述步骤4)中在寻找最优参数时，采用softmax分类器，并假设训练数据中输入样本为x，对应的标签为y，则将样本判定为类别j的概率为p(y＝j|x)，使得softmax分类器的代价函数j(θ)达到最小，从而完成网络训练,代价函数j(θ)如式(4),

式中,1{·}是一个指示性函数，即当大括号内值为真时，该函数结果就为1，否则结果就为0，θ表示模型参数，t表示矩阵的转置，k表示一共有k个模型参数。本发明的有益效果为：

本发明的基于多任务深度学习的齿轮箱故障诊断方法，对齿轮箱的轴承及齿轮两种目标的故障同时进行诊断，该方法通过单独的任务层，能够从同一信号中自适应的提取不同目标的特征，并进行诊断。实验结果表明，该方法实现了在多种工况，大量样本下对齿轮箱内轴承和齿轮不同故障的准确诊断。

附图说明

图1为多任务深度学习网络结构图。

图2为实验10测试集准确率示意图。

图3为实验10训练集准确率示意图。

图4为单标签网络模型示意图。

图5为卷积层c3_1输出特征可视化示意图。

图6为卷积层c3_2输出特征可视化示意图。

图7为轴承及齿轮故障组合类型示意图。

具体实施方式

下面结合附图对本申请作进一步详细的说明。

本实施例的基于多任务深度学习的齿轮箱故障诊断方法包括如下步骤：

第一步：采集数据。本申请以动力传动故障诊断试验台为研究对象。通过更换齿轮箱内的故障齿轮和故障轴承，模拟齿轮箱可能会发生的30种多故障情况，如图7所示。

为了增加样本的多样性，在数据采集时通过改变转速和负载，尽可能的模拟实际生产中可能发生的工况类型。通过控制前端的驱动电机来改变转速，采集时选取1700rmp、1800rmp、3400rmp和3800rmp四种转速，使采集到的数据不仅包含相近转速数据，同时包含跨度较大的转速数据。同时在每种转速下通过调节试验台后端的磁粉制动装置，改变负载。负载种类见表2。

表3负载种类

实验时对采集到的不同故障的振动时域信号用快速傅里叶变换进行频域分析，提取频域信号(长度为1000)。并数据按照百分比，转速和负载进行切分，如表4所示，并对数据进行归一化。

表4实验数据切分

第二步：构建如图1所示由一维卷积层、池化层、全连接层以及分类层组成的多任务深度学习网络。

卷积层上的一个卷积核能够检测输入信号所有位置上的特定特征，实现对同一输入信号的权值共享。为了提取不同的特征，往往需要在同一个卷积层中设置不同的卷积核进行卷积操作。卷积的一般形式如公式(1)：

式中，表示在第i层第j个特征图上第y个位置的值，可通过上一层的一维向量和一维卷积核卷积得到。f(·)为激活函数，本实施例中使用relu激活函数。bij为该特征图的偏置项，m为在i-1层中连接到此特征图的特征图集合的序号,表示连接到序号为m的特征图的卷积核中第l位置的值，li代表第i层中卷积核的长度。

池化是一个采样的过程，能够大大降低特征的维数，避免过拟合。本实施例使用最大值池化的方法，使下一层神经元在面对一些较小幅度的改变时能够保持不变性，提高网络的鲁棒性。

全连接层的所有神经元节点，都与上一层输出的特征图中所有的神经元节点互相连接，将最后一层的输出特征图映射成一维的向量。其输出如式(2)所示。

h(x)＝f(w·x+b)(2)

式中，x为全连接层的输入；h(x)为全连接层的输出；w为权值；b为加性偏置；f(·)为激活函数。为了防止分类时出现过拟合的情况，通常在全连接层引入“dropout”的方法。即在训练时，以一定的概率p，让隐藏层的某个神经元停止工作，从而提高网络的泛化能力，防止过拟合。

本实施例采用softmax分类器。softmax是logistic分类器的一种推广，主要解决多分类问题。假设训练数据中输入样本为x，对应的标签为y，则将样本判定为某个类别j的概率为p(y＝j|x)。所以对于一个k类分类器，输出的将是一个k维的向量(向量的元素和为1)，如式(3)所示。

式中为模型参数，为归一化函数，对概率分布进行归一化，使得所有概率之和为1。

第三步：将样本输入进网络，通过前向传播求得网络输入与预期目标的误差，判断是否收敛或满足训练要求，若是执行第五步，否则执行第四步；

第四步：根据求得的误差。使用反向传播算法更新网络权值，寻找最优参数，更新完成后，使用下一批次的样本，重复执行第四步；

在训练中，利用梯度下降法寻找最优参数，使得softmax的代价函数j(θ)达到最小，从而完成网络训练。代价函数j(θ)如式(4)所示。

式中：1{·}是一个指示性函数，即当大括号内值为真时，该函数结果就为1，否则结果就为0。

第五步：保存网络模型用于故障诊断。

利用本专利提出的基于一维卷积的多任务深度学习方法对采集到的齿轮箱振动频域信号进行训练。实验时对数据按照百分比，转速和负载进行切分，如表4所示，并对数据进行归一化。

从表1中实验结果可以看出，当按百分比切分数据(即训练数据充足，包含各种转速和负载情况)，并且对数据进行归一化处理时(即表1实验10)，模型的联合准确率最高可以达到94.6％，且轴承和齿轮识别任务的单独准确率达到96.37％和97.69％。如图2、3分别为实验10中测试集和训练集准确率上升曲线。从图2,3中可以看出，随着不停的迭代训练，准确率平稳上升。

表1多任务网络实验结果

为了与传统单标签网络进行对比，验证本发明的多任务网络的有效性，本文使用如图4所示的单标签网络进行对比实验。制作标签时，对30种组合故障类型使用one-hot编码。经过多轮迭代后，实验结果如表2所示

表2单标签网络实验结果

从表2中可以看出，使用单标签网络进行多故障诊断时，效果较本实施例的多任务网络差异明显。最高的测试集准确率仅有73％，无法有效的进行齿轮箱多故障识别。

本申请提出的方法能够在数据充分的情况下取得较高诊断精度的根本原因之一是：该方法通过使用共享层和独立的两个任务层，能够自适应的从一个信号中提取两种不同故障目标的特征。为了更加直观的验证提出方法在特征提取上的能力，随机选取了一段信号，将其输入表1中实验10取得最高准确率的网络模型，将图1中卷积层c3_1,和卷积层c3_2输出的特征进行可视化。

从图5和6能够明显看出，对于同一段输入信号，不同任务层的同一级卷积层所提取出的特征差异很大。这也是本发明的多任务深度学习模型在单独对轴承和齿轮任务进行诊断时，能够取得较高准确率的原因。而使用图4中传统的单标签网络处理这种多故障的任务时，由于单标签网络不能够很好的分离提取同一信号中不同故障目标的特征，因此即使在数据充足的情况下也不能够获得很高的准确率。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。