「 1. 案例背景 」
行星齿轮箱具有传动比大、承载效率高等优点，广泛应用于直升机主减速器、风力发电机组等机械设备中。在实际运行中，行星齿轮箱承受动态重载负荷，工况复杂，太阳轮、行星轮、齿圈等关键零部件容易发生故障。针对行星齿轮箱实际运行时噪声干扰大、早期故障特征微弱、单一分类器进行诊断时泛化能力和稳定性不强等问题，一种基于深度学习多样性故障特征自动提取和信息融合的行星齿轮箱故障诊断方法被提出。
「 2. 基本算法流程 」
基于多目标集成堆栈去噪自动编码器（MO-ESDAE）的行星齿轮箱故障诊断方法实现流程如图1所示。具体步骤如下：
（1）在堆栈式去噪自动编码器（SDAE）的训练过程中融入稀疏性最小、分类错误率最低两个优化准则，建立SDAE多样性故障特征提取模型。（2）利用基于分解的多目标优化算法（MOEA/D）将多目标优化问题分解为指定规模的单目标子问题，通过与其相邻子问题之间的进化操作来完成种群进化，来对SDAE多样性故障特征提取模型进行求解，得到多个满足差异性和优异性的MO-SDAE。（3）建立并采用多个线性回归模型集成多样性故障特征实现信息融合，得到MO-ESDAE，并将其应用于行星齿轮箱故障诊断得到诊断结果。图1 基于MO-ESDAE的行星齿轮箱故障诊断方法流程「 3. 方法效果 」
采用的行星齿轮箱传动系统故障诊断综合试验台测得的数据对该方法进行验证，实验平台如图2所示。其中，行星齿轮箱与定轴齿轮箱均为两级结构，行星齿轮箱参数见表1。实验中设置了4种太阳轮故障模式：磨损、裂纹、切齿和断齿，见图3。在行星齿轮箱外部安装加速度传感器用于检测振动信号，原始振动信号的时域波形和频谱见图4。实验中，正常与故障情况下设置了9种变速变载工况：转速分别取1200r/min、2400r/min和3600r/min，负载分别取0、20N·m和40N·m，每种工况下振动信号连续采集时间为90s，样本个数均为765，即共采集了3825个行星齿轮箱样本数据。随机选取每种健康状况下665个样本作为训练集，训练集样本数为3325，剩余500个样本作为测试集。为了模拟行星齿轮箱噪声干扰下的运行环境，对在实验室环境下采集的原始振动信号随机添加国际通用噪声库 Noise-X92的机舱噪声，信噪比为-5dB。基于MOEA/D的SDAE参数多目标寻优结果见图5，圆圈圈出的解为以最高准确率偏差在2%为基准选取的5个MO-SDAE，其参数见表2。为了验证MO-SDAE的特征提取能力和诊断性能，将MO-SDAE与SDAE进行分析比较。其中，SDAE的网络结构设置为2000-1000-500-5，加噪比例设置为0.1。3种深度学习网络第二层的隐含层神经元节点输出值见图38，即深度学习网络自动提取的故障特征。可以看出，经过稀疏性目标优化完成的MO-SDAE1和MO-SDAE5所自动提取的故障特征最稀疏，远低于SDAE，这种稀疏特征更能有效地表达数据的本质特征，提高故障特征的泛化能力从MO-SDAE1和MO-SDAE5的故障特征分布也可以发现，多样性MO-SDAE自动提取的特征满足差异性和多样性。3种深度学习网络的故障诊断结果见表16。SDAE未经过优化训练，其诊断精度低于MO-SDAE。MO-SDAE1的诊断性能最佳，在训练集上的分类准确率达到100%，在测试集上的分类准确率达到97.2%，优于SDAE的表现。综合图6和表3的结果，MO-SDAE的诊断性能优异，可以提取出相对较稀疏的故障特征，故障诊断精度更高。为比较信息融合后得到的集成分类器MO-ESDAE与单一分类器MO-SDAE的诊断性能，采用BooStrap随机重采样样本，分别进行10次故障诊断实验，得到故障分类准确率的统计盒图，见图7。由图7可知：（1）在诊断精度方面，相比单一MO-SDAE，集成分类器MO-ESDAE的诊断精度得到进一步提高，最高达到98.6%，平均诊断率达到98.2%；而单一MO-SDAE的最高诊断精度为97.2%，平均诊断率为94.0%～95.9%。说明MO-ESDAE能更准确地映射出样本与行星齿轮箱不同健康状况之间的关系。（2）在诊断稳定性方面，MO-ESDAE的分类稳定性更好，分类准确率的分布最紧密，输出波动范围最小，其分类准确率的极差仅为1%，优于MO-SDAE的分类准确率极差1.6%~2.8%。集成学习分类器MO-ESDAE的故障诊断结果更可靠。因此，利用集成学习进行决策层信息融合，在故障分类准确率与分类稳定性方面，集成分类器MO-ESDAE均优于单一分类器MO-SDAE。同时，设计了MO-ESDAE方法与其他常用机器学习方法的诊断性能对比实验。对比方法包括深度学习网络中SDAE，浅层学习网络中BP神经网络（BPNN），支持向量机（SVM）与极限学习机（ELM）等多种故障分类判别网络。SDAE的隐含层的神经元节点数设置为2000-1000-500-5，加噪比例设置为0.1。BPNN的隐含层节点数设为20。SVM选择径向基函数，采用交叉验证的方法优化核函数参数和惩罚因子。ELM隐含层神经元个数为100。测试数据方面，深度学习网络采用行星齿轮箱加噪数据集的频谱直接作为输入信号，浅层学习网络难以处理高维大样本数据，采用手动提取的时域、频域、时频域共39个特征构成输入信号，这些故障特征全面反映了故障信息。本实验同样采用BooStrap随机重采样构成测试样本，进行10次故障诊断实验。实验结果见表4。可以看出：深度学习网络的故障诊断性能普遍优于浅层学习网络，说明基于深度学习的故障诊断方法可以有效地从行星齿轮箱振动信号频谱自适应提取故障特征并完成故障分类，在故障诊断能力方面更具优势。在所有机器学习方法中，本文方法的故障诊断能力最强，其平均分类准确率可以达到98.2%，分类准确率极差为1%，标准差为0.3%，均优于其他机器学习方法。为了进一步验证本文方法的有效性，比较不同样本数量下提出方法与其他机器学习方法的故障分类准确率，实验结果分别见图40。从图8中可以看出，深度学习网络的诊断性能与训练样本量的大小有关，训练样本量越大，深度学习网络的分类准确率越高。而浅层学习网络随着样本量的增加，其分类准确率没有太大变化。这说明相比于浅层学习，深度学习更能从大量数据中挖掘出深层信息，高效、准确地诊断出行星齿轮箱健康状态，在大数据时代，基于深度学习的故障诊断方法更具优势。另外，不同样本规模下，MO-ESDAE方法的分类准确率最高。图8 样本数量变化对6种故障诊断模型诊断结果的影响——————————————————————
▼购买链接▼
![]()
点击我购买
![]()
