一种针对行星齿轮箱的故障诊断方法

1.本发明涉及数据增强的故障诊断技术领域，具体涉及一种针对行星齿轮箱的故障诊断方法。


背景技术：

2.当前行星齿轮箱被广泛用于风力发电机、舰船和直升机等重要装备，其在长期运行过程中易发生故障，影响装备的整体服役性能。因此，针对行星齿轮箱的故障诊断具有重要意义。得益于数据驱动技术的快速发展，众多研究学者尝试通过挖掘行星齿轮箱的振动信号中蕴含的丰富信息以开展智能故障诊断研究。鉴于其优异的端对端特征学习能力，基于深度学习的故障诊断研究相比传统数据驱动技术受到了更多关注。
3.然而，深度学习模式的成功往往取决于大量的故障样本训练数据，但在现实工业场景中，有效的故障信息数据极少，获取自然发展的机械设备故障数据十分困难，导致数据不平衡问题，从而削减了基于深度学习故障诊断的准确性。
4.数据生成技术旨在从数据分布角度着手，从原始数据中捕获特征进而生成具有相似分布的新样本，典型的代表性算法有生成对抗网络，wasserstein生成对抗网络，深度卷积生成对抗网络，辅助分类器生成对抗网络和变分自编码器-生成对抗网络等，正广泛应用于故障诊断领域。然而当面临更苛刻的少样本数据的情形下，为进一步提高故障诊断性能仍有以下问题亟需解决：(1)当前生成对抗网络用于小样本故障诊断时，生成器的输入多为随机噪声，或额加少量标签信息，未能充分利用各个训练样本的不同信息，难以提取多样性和代表性的特征表示；(2)当前生成对抗网络多生成的原始时域振动信号或其频谱信号，较少探讨振动信号时频能量分布的关联特征提取；(3)当前基于生成对抗网络的故障诊断研究中，用于训练gan的已有故障样本中每个类别的数量普遍多于20个。然而在实际工程领域中，由于标记数据的成本越发昂贵以及海量监测数据的长期积累，所能获取的故障样本将越发有限。
5.因此，针对极少样本的行星齿轮箱智能故障诊断方法亟需进一步研究。


技术实现要素：

6.为解决上述问题，本发明公开了一种针对行星齿轮箱的故障诊断方法。本发明的技术方案如下：
7.一种针对行星齿轮箱的故障诊断方法，包括如下步骤：
8.步骤s1、采集行星齿轮箱在不同故障类别下的振动信号，并利用连续小波变换将每个振动时序信号段转为对应的时频谱矩阵，将时频谱矩阵通过热力图的形式可视化成rgb三通道的时频图，形成时频图数据集；
9.步骤s2、建立局部融合生成对抗网络模型，使用局部融合生成对抗网络作为基础结构构建嵌入多头注意力机制生成器的对抗网络模型；所述嵌入多头注意力机制生成器的对抗网络模型用于为每个故障类别生成预设数量的生成样本；
10.步骤s3、建立基于ssim与fid的生成质量优化与评估策略，于ssim与fid的生成质量优化与评估策略用于对生成样本进行评估与筛选，从而得到筛选后生成样本；
11.步骤s4、将时频图数据集用于样本生成器的训练得到训练好的嵌入多头注意力机制生成器的对抗网络模型，并用训练好的嵌入多头注意力机制生成器的对抗网络模型为每个故障类别生成预设数量的生成样本，并利用基于ssim与fid的生成质量优化与评估策略对生成样本进行评估与筛选，得到筛选后生成样本；
12.步骤s5、将筛选后生成样本与原始样本结合，输入智能诊断网络模型中，进行模型优化训练，得到训练好的智能诊断网络模型，并用测试样本检验其故障分类效果；
13.步骤s6、将行星齿轮箱故障时的振动信号转化为原始的时频图，然后将原始的时频图输入训练好的嵌入多头注意力机制生成器的对抗网络模型得到生成样本，再通过基于ssim与fid的生成质量优化与评估策略筛选进行评估与筛选得到筛选后生成样本，将筛选后生成样本与原始的原始时频图集合输入训练好的智能诊断网络模型，识别得到行星齿轮箱的故障类型。
14.进一步的改进：在步骤s2中，嵌入多头注意力机制生成器的对抗网络模型的构建流程如下：
15.局部融合生成对抗网络模型包括生成器g与鉴别器d；其中鉴别器d使用四个残差块作为特征提取器，每个残差块包含两个卷积层和一个平均池化层并加入残差连接，最后利用两个全连接层分别用来评估图像的真实性和分类结果，生成器g为嵌入多头注意力机制的生成器，从而构建形成嵌入多头注意力机制的生成器形成样本生成器；
16.生成器g使用编码解码结构作为主要框架，在输入数据时，将k张图片x＝{x1,...,xk}一并输入编码器进行解码，接着局部融合模块lfm将和随机系数α作为输入，并生成融合特征向量接着将这个融合特征向量输入解码器，得到生成图片最后将生成图片和真实图片x一同输入判别器进行对抗训练；
17.其中为图片解码向量，lfm表示局部融合模块，表示融合特征向量，h表示解码器；
18.局部融合模块lfm首先选择其中一个特征向量作为基础特征f
base
，将剩下的k-1个特征向量集作为参考特征其目的是为基础特征f
base
提供融合特征；接着在f
base
中随机选择n个局部位置，从而得到一个基准局部特征φ
base
；然后建立f
ref
与φ
base
的相似度映射图m如下：
[0019][0020]
其中k表示特征向量的数量；f
ref
表示中的每一个参考特征向量；i∈{1,...,n},j∈{1,...,h*w},是一个相似度矩阵，表示第i个基准局部特征，表示第j个参考特征向量，m
(i,j)
表示与的余弦相似度，h表示图像高度，w表示图像宽度；根据相似度映射图m，在f
ref
中找到与φ
base
中每个位置最相似的相应局部特征表示φ
ref
，然后使用一个随机系数向量α＝[αi,...,αk]对被选择的局部特征表示φ
ref
与基准局部特征φ
base
进行融合，得到局部融合特征φ
fuse
:
[0021][0022]
其中,而且t＝1,...,n；最后将局部融合特征φ
fuse
在f
base
的对应位置进行替换，从而得到一个融合后的特征向量作为lfm模块的输出；φ
fuse
表示局部融合特征，α
base
表示基准局部特征φ
base
的系数向量，表示第t个基准特征向量，αi表示与第i个局部特征向量对应的系数，表示从第i个参考特征向量中选择出的第t个局部特征表示。
[0023]
进一步的改进：在步骤s2中，
[0024]
多头注意力机制的生成器包括编码器和解码器；编码器由一个多头注意力模块和六个卷积块组成；其中每个卷积块都包含一个卷积层，leaky-relu激活和批量标准化，多头注意力模块用于使得编码器能够快速获取故障样本的全局信息，对时频图中能量分布的局部关键信息给予更多关注，从而便于网络进行局部特征融合时，能够更精确地找到基准图像与参考图像之间的局部特征对应位置；解码器与编码器的结构对称，包括一个多头注意力机制块、两个卷积块和四个上采样卷积块，解码器的多头注意力模块用于使编码器能够着重关注局部特征的生成细节，从而达到提高生成质量的目的。
[0025]
进一步的改进：所述步骤s4中，样本生成器使用以下损失函数进行优化：
[0026][0027][0028]
其中：
[0029][0030][0031][0032][0033][0034]
g表示生成器，d表示判别器x代表输入图像，c(x)代表图像类别，d(x)表示判别器对真实图像的真假判别结果，d(z)表示判别器对生成图像的真假判别结果，z＝g(x,α)代表生成图像，代表判别器的对抗损失，代表生成器的对抗损失，代表判别器的分类损失，代表生成器的分类损失，代表生成器重建损失的计算方法，λ
local
分别是对应分类器的分类损失、生成器的分类损失以及生成器的局部重建损失的正则化参数；表示由生成器对抗损失生成器分类损失和生成器重建损失组成的生成器整体优化函数；表示由判别器的对抗损失和判别器的分类损失组成的判别器的整体优化函数。
[0035]
进一步的改进：在步骤s3，中基于ssim与fid的生成质量优化与评估策略包括ssim
指标和fid指标；
[0036]
ssim的具体计算公式：
[0037][0038]
其中，μ代表均值，σ代表方差，c1＝(0.01l)2，c2＝(0.03l)2，c3＝c2是维持运算稳定的常数，l是像素值的动态范围；x表示原始样本，y表示生成样本，μ
x
、μy、σ
xy
、σ
x
和σy为x和y像素值的统计学参数；
[0039]
使用ssim指标，对每类中的生成样本与原始样本在亮度、对比度以及结构三个方面进行综合相似度比较，当ssim指标小于第一阈值时，说明该生成样本的质量较差，予以去除，从而提高生成样本的相似性；同时对于每类中生成样本之间同样利用ssim进行两两相似度比较，当ssim指标大于第二时，则去除其中一个生成样本，从而提高生成样本的多样性，最终得到初步筛选的生成样本；
[0040]
初步筛选的生成样本采用fid指标进行评估，
[0041]
fid指标的具体计算公式如下：
[0042][0043]
其中，μ代表均值，σ代表协方差，r代表真实图像集，g代表生成图像集，tr代表矩阵的迹，μr表示真实图像集的均值，μg表示生成图像集的均值，σr表示真实图像集的协方差，σg表示生成图像集的协方差；
[0044]
当fid高于预设的第三阈值时，则调整第一阈值和第二阈值重新筛选得到初步筛选的生成样本，再次进行fid指标的评估，直至fid不高于预设的第三阈值。
[0045]
进一步的改进：第一阈值为0.25，第二阈值为0.95，第三阈值为100。
[0046]
根据权利要求1所述的针对行星齿轮箱的故障诊断方法，其特征在于：所述智能诊断网络模型包括resnet50智能诊断网络模型、mobilenet智能诊断网络模型和googlenet智能诊断网络模型。
[0047]
本发明提供的一种针对行星齿轮箱的故障诊断方法的有益效果如下：步骤s1中，通过连续小波变换将时域振动信号转为对应的rgb三通道的时频图，清楚地描述信号频率随时间的变化关系，突出故障信号的固有特征；在步骤s2中，建立提升的局部融合生成对抗网络模型，该网络通过利用局部融合模块充分利用了训练图片信息，灵活挖掘数据的局部特征，构建嵌入多头注意力机制的生成器模块，获取数据不同局部特征并赋予注意力权重，辅助局部融合模块更精确地匹配图像之间中的局部特征位置，最终达到优化重建质量的目的。在步骤s3中，提出了一套基于ssim与fid的生成质量优化与评估策略，能够科学地从个体和整体分布层面多方面同时评估生成样本的相似性与多样性并进行优化。本发明所提方法能够灵活挖掘样本特征，充分利用现有故障样本，并精确地匹配图像之间中的局部特征位置，显著提升了生成对抗网络的特征提取性能与样本的局部生成质量。其通过生成高质量的故障样本，辅助深度学习智能故障诊断模型的训练，提高了极少样本下行星齿轮箱故障诊断的稳定性与精确度。
附图说明
[0048]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
[0049]
图1是本发明针对行星齿轮箱的故障诊断方法的流程图；
[0050]
图2是本发明实施例中时域振动信号转时频图的示意图；
[0051]
图3是本发明中提升的局部融合生成对抗网络框架模型图；
具体实施方式
[0052]
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述。
[0053]
显然，所描述的实施例仅是本发明的一部分实施例，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它实施例，都属于本发明保护的范围。
[0054]
另外，本发明各个实例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
[0055]
请参阅图1所示，本发明针对行星齿轮箱的故障诊断方法主要包括如下步骤：
[0056]
步骤s1、采集行星齿轮箱在不同故障模式下的振动信号，并利用连续小波变换将每个振动时序信号段转为对应的时频谱矩阵，将时频谱矩阵通过热力图的形式可视化成rgb三通道的时频图，参阅图2所示；
[0057]
步骤s2、建立提升的局部融合生成对抗网络模型，模型具体结构参阅图3所示。使用局部融合生成对抗网络作为基础结构，并构建嵌入多头注意力机制的生成器。步骤s2的具体细节如下：
[0058]
该生成对抗网络主要由生成器g与鉴别器d组成。对于鉴别器，它使用四个残差块作为特征提取器，每个残差块包含两个卷积层和一个平均池化层并加入残差连接，最后利用两个全连接层分别用来评估图像的真实性和分类结果。
[0059]
其生成器使用了新型编码解码结构作为主要框架，在输入数据时，将k张图片x＝{x1,...,xk}一并输入编码器进行解码，接着局部融合模块lfm将和随机系数α作为输入，并生成融合特征向量接着将这个融合特征向量输入解码器，得到生成图片最后将生成图片和真实图片x一同输入判别器d进行对抗训练。
[0060]
局部融合模块首先选择其中一个特征向量作为基础特征f
base
，将剩下的k-1个特征向量作为参考特征其目的是为基础特征f
base
提供融合特征。接着在f
base
中随机选择n个局部位置，从而得到一个基准局部特征φ
base
。然后建立f
ref
与φ
base
的相似度映射图m如下：
[0061][0062]
其中,i∈{1,...,n},j∈{1,...,h*w},g则是一个相似度矩阵。根据这个相似度映
射图m，我们可以在f
ref
中找到与φ
base
中每个位置最相似的相应局部特征表示φ
ref
。再是使用一个随机系数向量α＝[αi,...,αk]对被选择的局部特征表示φ
ref
与基准局部特征φ
base
进行融合，得到局部融合特征φ
fuse
:
[0063][0064]
其中,而且t＝1,...,n。最后我们将局部融合特征φ
fuse
在f
base
的对应位置进行替换，从而得到一个融合后的特征向量作为lfm模块的输出。
[0065]
编码器由一个多头注意力模块和六个卷积块组成。其中每个卷积块都包含一个卷积层，leaky-relu激活和批量标准化(batch normalization，bn)。多头注意力模块的加入使得编码器能够快速获取故障样本的全局信息，对时频图中能量分布的局部关键信息给予更多关注，从而便于网络进行局部特征融合时，能够更精确地找到基准图像与参考图像之间的局部特征对应位置。解码器与编码器的结构对称，其中包括一个多头注意力机制块、两个卷积块和四个上采样卷积块。此时多头注意力模块使得编码器能够着重关注局部特征的生成细节，从而达到提高生成质量的目的。
[0066]
整个提升的局部融合生成对抗网络使用以下损失函数进行优化：
[0067][0068][0069]
其中：
[0070][0071][0072][0073][0074][0075]
其中x代表输入图像，c(x)代表图像类别，z＝g(x,α)代表生成图像，代表判别器的对抗损失，代表判别器的对抗损失，代表判别器的分类损失，代表生成器的分类损失，代表重建损失，λ
local
分别是对应分类器的分类损失、生成器的分类损失以及生成器的局部重建损失的正则化参数。
[0076]
步骤s3、提出了一套基于ssim与fid的生成质量优化与评估策略，针对网络的生成样本进行进一步的筛选与评估，提升生成样本的多样性与相似性。步骤s3具体包括如下步骤：
[0077]
步骤31、使用ssim指标，对每类中的生成样本与原始样本在亮度、对比度以及结构三个方面进行综合相似度比较，当ssim指标小于0.25时，将说明该生成样本的质量较差，予以去除，从而提高生成样本的相似性；同时对于每类中生成样本之间同样利用ssim进行两两相似度比较，当ssim指标大于0.95时，则去除其中一个生成样本，从而提高生成样本的多样性。ssim的具体计算公式：
[0078][0079]
其中，μ代表均值，σ代表方差，c1＝(0.01l)2，c2＝(0.03l)2，c3＝c2是维持运算稳定的常数，l是像素值的动态范围。该步骤是对两个图像样本x和y之间的亮度、对比度以及结构进行比较，主要为了描述两幅图像之间的相似度，ssim的取值范围是[-1,1]，当两张图像完全相同时，ssim取值为1。
[0080]
步骤32、使用fid指标总体评价处理后的生成样本集的多样性与相似性，若处理后的样本集的生成质量低于原始样本集，则返回步骤31，调整相关阈值再次优化处理。fid的具体计算公式：
[0081][0082]
其中，μ代表均值，σ代表协方差，r代表真实图像集，g代表生成图像集，tr代表矩阵的迹；通过计算生成图像集g与真实图像集r之间的fr
é
chet distance，同时评价了生成图像的多样性与相似性，较低的fid意味着两分布之间更加接近，即生成质量更高，多样性更好。
[0083]
步骤s4、将极少量时频图数据集用于网络模型训练，并用训练好的生成器为每个少数故障类别生成大量生成样本。并利用上述优化与评估策略对生成样本进行质量优化；
[0084]
步骤s5、将生成样本与原始样本结合，输入基于卷积神经网络的智能诊断模型，进行模型优化训练，从而得到了训练好的智能诊断网络模型，并用测试样本检验其故障分类效果；
[0085]
步骤s6、采用该智能诊断网络模型识别行星齿轮箱的不同故障类型。
[0086]
实施例1
[0087]
实施例1中，使用行星齿轮箱故障数据展开方法验证。实验设备主要包括电机、电机控制器、两级行星齿轮箱和制动器。其中两级行星齿轮箱主要包括第一级输入轴上的32齿小齿轮和80齿齿轮，第二级上的48齿小齿轮和64齿齿轮。通过转速表测量输入轴的速度，并使用加速度计测量齿轮的振动信号，加速度计型号为pcb608a11。信号采集系统为dspace系统，采样频率设置为20khz。实验通过在输入轴上的小齿轮上引入了9种不同的齿轮条件从而采集各类故障的振动信号集，其中包括健康状况、缺齿、根裂纹、剥落和五种不同齿轮的尖端切削。接着利用连续小波变换，将各类时序振动信号转为对应的时频图。为了验证本发明对极少样本数据集数据增强的有效性，于是选取除了健康类别之外的其他8个故障类别作为少样本类别，为了模拟现实工业场景中极少样本的情况，每类使用6张图片进行生成网络训练，表1列出了该数据集的具体分布。
[0088]
表1时频图数据集的相关细节
[0089][0090]
接着建立提升的局部融合生成对抗网络模型，将极少量时频图样本集用于网络模型训练。表2给出了本实例中使用的提升的局部融合生成对抗网络结构与参数。其中，使用adam优化器对网络进行随机梯度优化，先使用固定的学习率0.0001迭代训练50000次，再使用线性衰减学习率训练50000次，并使用了梯度惩罚正则化来提高训练稳定性。
[0091]
表2本发明方法的网络结构与参数
[0092][0093][0094]
在步骤4中，使用训练好的生成器为每个少数故障类别生成大量生成样本。利用基于ssim与fid的生成质量的优化与评估策略，针对网络的生成样本进行进一步的筛选与评
估。首先对每类中的生成样本与原始样本使用ssim指标进行两两对比，当ssim指标小于0.25时，将说明该生成样本的质量较差，予以去除，从而提高生成样本的相似性；同时对于每类中生成样本之间同样利用ssim进行两两相似度比较，当ssim指标大于0.95时，则去除其中一个生成样本，从而提高生成样本的多样性。
[0095]
接着使用fid指标总体评价处理后的生成样本集的多样性与相似性，若处理后的样本集的生成质量低于原始样本集，则需调整ssim的相关阈值重新进行优化处理。
[0096]
在步骤5中，将生成样本与原始样本结合，输入基于卷积神经网络的智能诊断模型，进行模型优化训练，从而得到了具有更高准确率的诊断模型。并用测试样本检验其故障分类效果，如表3所示，对于resnet50,mobilenet,googlenet这3种智能诊断模型，随着生成样本数量的增加，各模型的分类精度正逐步提高。
[0097]
表3数据增强后各诊断模型的分类结果
[0098][0099][0100]
在步骤6中，采用生成样本辅助训练的深度学习智能诊断模型识别行星齿轮箱的不同故障类型，最终实现极少样本下针对行星齿轮箱的故障诊断任务。
[0101]
参照图1所示，本发明的内容主要分为四部分。第一部分是获取行星齿轮箱中不同运行状态下的时域振动信号，并通过连续小波变换获得对应的时频图样本，其中，故障信号的时频图样本是极少数的。第二部分是建立提升的局部融合生成对抗网络模型，使用局部融合生成网络作为基础结构。同时在生成器加入多头注意力机制模块，从而提高了模型在极少样本情况下的图像生成质量。第三部分是用处理好的数据集训练该生成模型，并用训练好的生成器为每个少数故障类别生成大量生成样本。并使用基于ssim与fid的生成质量的优化与评估策略，针对网络的生成样本进行进一步的筛选与评估。第四部分是将生成样本与原始样本结合，输入基于卷积神经网络的智能诊断模型，进行优化训练。最终利用该诊断模型识别行星齿轮箱的不同故障类型。
[0102]
参照图2所示，首先通过信号采集系统得到行星齿轮箱的故障样本，每个样本是包含3600个数据点的振动时序信号段。接着利用连续小波变换将每个振动时序信号段转为对应的时频谱矩阵，并将时频谱通过热力图的形式可视化成rgb三通道、像素为64*64的时频图。
[0103]
参照图3所示，提升的局部融合生成对抗网络主要由生成器与鉴别器组成。其中生成器主要包括局部融合模块、编码器与解码器，编码器由一个多头注意力模块和六个卷积块组成，解码器与编码器的结构对称，主要包括一个多头注意力机制块、两个卷积块和四个上采样卷积块。对于鉴别器，它使用四个残差块作为特征提取器，每个残差块包含两个卷积层和一个平均池化层并加入残差连接，最后利用两个全连接层分别用来评估图像的真实性
和分类结果。
[0104]
本发明针对行星齿轮箱的故障诊断方法的有益效果如下：该方法能够充分利用现有故障样本，灵活挖掘样本特征，通过嵌入多头注意力机制，精确地匹配图像之间中的局部特征位置，显著提升了生成对抗网络的特征提取性能与样本的局部生成质量。在极小样本情况下有效提升深度学习故障诊断模型的准确率和稳定性。
[0105]
尽管本发明的实施方案已公开如上，但并不仅仅限于说明书和实施方案中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里所示出与描述的图例。