数据融合齿轮箱故障诊断方法

前言：想要写出一篇引人入胜的文章？我们特意为您整理了数据融合齿轮箱故障诊断方法范文，希望能给你带来灵感和参考，敬请阅读。

摘要：为了解决单通道单维度振动信号输入不能全面表达齿轮箱故障特征的问题，提出一种基于多传感器多通道数据融合的诊断模型，结合卷积神经网络应用于齿轮箱振动信号的特征学习和故障分类中。利用连续小波变换对多通道数据进行二维时频变换，得到二维时频图像；构建神经网络诊断模型，以多通道的时频图作为输入，实现多通道信号特征的故障分类。通过动力传动综合故障实验台采集到的多通道振动信号对所提方法进行验证，实验结果表明，所提方法的特征提取能力和故障诊断效果优于单维度信号输入的诊断方法，具有一定的应用价值。

关键词：齿轮箱；故障诊断；多传感器数据融合；连续小波变换；卷积神经网络

齿轮箱作为旋转机械中必不可少的结构，其在航空航天、交通运输、工业生产等领域被广泛应用。由于齿轮箱在复杂环境中长时间带负荷工作，不可避免地会出现一些运行故障，如果不能及时发现这些异常，将会造成不可估量的后果。因此，对齿轮箱早期工作状态进行监测和诊断能够降低各种风险，具有重要的意义。近年来，深度学习方法研究火热，其中卷积神经网络（ConvolutionalNeuralNetwork，CNN）作为典型的深度学习方法，具有强大的特征提取和表达能力，很多学者已将该方法应用到故障诊断领域中。王海龙［1］提出了一种基于经验模态分解和CNN的滚动轴承故障诊断方法，将振动信号分解后的分量与原始输入信号构成二维特征图，输入到CNN中进行学习训练，进而实现故障诊断；Chen等［2］利用小波分析处理振动信号，然后输入到CNN中进行故障诊断的研究。然而在上述研究中，全部采用的是单通道的振动数据作为网络输入，无法充分挖掘振动信号的全方面特征，也没有完全发挥CNN强大的特征提取能力。为了更加充分的提取齿轮箱运转过程中的全方位状态，本文结合深度神经网络，提出了一种多传感器多通道信号采集和多传感器数据融合分析的齿轮箱故障诊断方法。

1原理与方法

1．1连续小波变换

连续小波变换（ContinueWaveletTransform，CWT）作为一种时间与尺度的信号变换方式，其无论是时域信号还是频域信息，小波变换均能够在不同的尺度上较完美的表现出信号的局部特征［3］。对于任意的函数f（t）∈L2（R）的连续小波变换为：Wf（a，b）＝〈f，ψa，b〉＝｜a｜－1／2∫Rf（t）ψ（t－ba）—————————dta，b∈R，a≠0（1）式中：ψ为母小波或基本小波；ψ（t）———为ψ（t）的共轭表示；〈f，ψa，b〉为内积运算，结果Wf（a，b）用来表示当尺度为a、位置偏移为b时的小波函数系数。

1．2卷积神经网络

CNN是一种典型的前馈神经网络，具有挖掘深层次特征的能力。CNN通常由卷积层、激活层和池化层交替连接构成特征提取模块，由全连接层和Softmax函数构成分类器［4］。卷积层负责挖掘特征，其运算公式：yl（i，j）＝Kli＊Xl（rj）＝∑W－1j′＝0Kl（j′）ixl（j＋j′）（2）式中：Kl（j′）i为第l层的第i个卷积核的第j′处权值；xl（j＋j′）为第l层中第j个被卷积的局部区域；W为卷积核宽度［5］。池化层在保留特征信息的同时，进行压缩降维。其平均池化运算原理公式为：Pl（t，j）＝1W∑jWt＝（j－1）W＋1al（i，t）（3）式中：al（i，t）为第l层的第t个神经元激活值；W为池化区域的宽度；Pl（t，j）为池化后的特征［6］。

2多传感器融合的故障诊断方法

2．1模型设计

本文设计的是基于多传感器数据融合的故障诊断流程：输入的信息为多传感器多通道振动信号经CWT变换后的二维时频图，网络模型结构采取多通道的输入方式。将工作过程可以分为三个部分：特征数据集构建、特征融合提取和故障分类诊断［7］。多传感器数据融合网络架构如图1所示。多通道特征数据集的构造大体可分为两个步骤：一是从采集到的原始振动信号获得并加以处理，将n个通道的信号分别按照长度ls进行截取操作，预处理后构建m×（ls×n）的信号样本数据集，其中m为样本个数；二是将截取后的各段信号分别进行CWT分析，构成二维的输入数据样本集。特征融合提取：将接受来自n个通道的数据集，主要依靠卷积池化的堆叠操作实现。卷积层将对输入的n维特征图进行融合，维度提升实现特征的提取，池化层由局部最大值的方式进行抽样实现数据的降维，同时提高了非线性特征的鲁棒性。故障分类部分：由两个全连接层和一个分类层组成，其中第一个全连接层是将特征融合提取层末端的二维特征集合面进行“展平”，即将二维像素点值转换为首尾相连的一维时间序列；第二个全连接层是实现数据的过度操作，避免数据信息过大造成分类误差；最后分类层利用Softmax分类器实现多分类故障的输出。卷积操作时均采用3×3的小卷积核设计，减少网络参数有利于加深网络维度，实现深层次的特征提取同时可以在一定程度上可以减少过拟合。每进行两次卷积操作后进行局部最大池化。模型训练的效果除了网络模型结构的选取之外，还受到训练参数的影响。训练批次为64，学习率为0．003。模型的具体参数如表1所示。

2．2应用流程

基于多传感器数据融合的齿轮箱故障诊断方法，通过布置在齿轮箱箱壁不同监测点不同通道的传感器采集振动信号，利用获取的信号对设计的诊断流程进行有监督的训练，将训练好的模型经测试集进行性能评估。诊断流程方法的具体步骤如下：（1）齿轮箱箱壁采集多通道的振动信号，作为数据集，并划分训练集与测试集。（2）将每一个通道的振动信号进行预处理，并通过CWT进行时频分析，生成二维特征图。（3）搭建用来进行故障特征融合提取的网络模型架构，决定网络结构、初始化网络的参数和偏置。（4）将训练样本集输入到网络模型中，通过正向传播进行训练，反向传播求得训练误差，进而使得参数更新，直到网络收敛。（5）将测试样本集输入到参数已经优化好的网络模型中，判断测试集样本的准确程度。确定网络整体的输出。即步骤1、步骤2为多通道数据集构造，步骤3、步骤4为多数据融合特征提取过程。

3实验处理与分析

3．1多传感器数据集构建

本节以动力传动综合故障实验台为依托，针对多通道信息数据融合的特征提取方法，采取了多个传感器一起布置的方式，见图2。图中共放置了三个加速度传感器，箱盖上传感器为轴向、径向和垂向三通道采集，轴承端盖顶端处传感器采用轴向和径向两个通道，端盖侧方传感器是轴向通道采集。采取多传感器放置在齿轮箱的不同位置和不同方向，确保齿轮箱运转一次就可以获得包含多种信息的振动信号。研究所使用的数据是由布置在箱顶上传感器的三个通道和端盖上传感器的轴向通道采集获得的。将采集到的共四个通道数据，按一定比例随机选取分成训练集与测试集，最终得到的数据集为：训练集9000，测试集900，信号长度1024。类别标签见表2。

3．2信号时频分析

针对CNN擅长对图像进行处理的特点，将预处理后的数据进行CWT生成二维特征图。为有效的分析数据，确定使用复Morlet小波，尺度因子为256。图3展示了4个通道下针对内圈和裂纹复合信号经CWT变换后的时频图，为方便其输入进行了维度压缩，压缩后的大小为64＊64。

3．3多传感器数据融合故障诊断

训练集4个通道的数据输入到设计的网络模型中进行多次迭代训练，通过正向训练和反向传播算法，对网络模型参数进行寻优。为了进一步防止网络训练发生过拟合现象，减少训练时间，提高训练效率。本文设置了不同组迭代次数，表3为每组迭代次数后的分类准确率和损失率。可以发现本种方法在经过15次迭代次数后，就有了很好的效果，测试集的准确率能够达到90％；再后续的迭代过程中，训练集准确率基本上都接近或达到100％，测试集准确率也在99％及以上。由此可以分析出，该种方法没有进行太多次迭代就能看到效果，有着较强的融合多通道信息的特征提取能力。为了进一步分析网络的正向训练和反向传播的性能，将训练过程前30次迭代情况的损失和准确率细节进行展示，发展趋势见图4。通过图中可以看出，该网络遵循正常的训练策略，准确率随着迭代次数的增加总体呈现上升的趋势。为了更加清晰地展现各工况的分类效果，通过混淆矩阵对训练结果进行详细的分析，如图5所示。可以发现只有类别3中0．01概率的部分被预测分类到类别四中，其他类别都完美的进行了分类。

3．4单传感器数据诊断方法

为验证多传感器数据融合诊断方法能够更全面、更完整地分析信号特征，表征设备的运行状态，设计了单传感器单通道振动数据的故障诊断实验。针对不同测点的四通道数据，共进行4组实验与本文所提的方法进行对比。网络的输入更新为单通道一维信号，之后特征提取部分均与多通道网络融合的参数设置一致。每种方法重复进行实验，计算每种状态分类准确率的平均值，结果如表4所示。通过表4发现，单传感器单通道的信号输入到相同的网络模型中，测试后的平均准确率为97．59％，虽然表现出了较好的特征提取能力，但总体仍低于本章所提出的诊断方法。因此，基于多通道数据融合的特征提取网络模型能够较全面的对齿轮箱的运行状态进行分析，具有很好的效果。

4结束语

为了全面分析齿轮箱的工作状态，融合多方位的振动信息，提出了一种借用多通道传感器进行信号采集，并利用CNN进行特征提取的诊断流程。实验结果表明，该种方法有效的利用了多传感器多通道信号输入的优势，诊断能力明显高于单通道信号输入；CNN能够更好的融合多传感器多通道的信息进行特征提取，提出的方法具有很高的诊断准确率。

作者:夏晗铎 郝如江 程旺单位 石家庄铁道大学机械工程学院