[发明专利]一种基于一维卷积神经网络的行星齿轮箱故障检测方法

权利要求书

1.一种基于一维卷积神经网络的行星齿轮箱故障检测方法，其特征在于，该方法包括如下步骤：

(1)获取行星齿轮箱振动信号；

(2)将行星齿轮箱振动信号输入至预先训练的故障识别模型，所述的故障识别模型为一维卷积神经网络；

(3)故障识别模型对行星齿轮箱的故障进行识别并输出故障类型。

2.根据权利要求1所述的一种基于一维卷积神经网络的行星齿轮箱故障检测方法，其特征在于，所述的一维卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、特征向量层和输出层，所述的输入层用于输入行星齿轮箱振动信号，所述的第一卷积层、第一池化层、第二卷积层和第二池化层依次进行卷积-下采样-卷积-下采样操作，所述的特征向量层将第二池化层的特征映射图首尾连接形成特征向量，所述的输出层将特征向量进行全连接并输出故障类型分类向量。

3.根据权利要求2所述的一种基于一维卷积神经网络的行星齿轮箱故障检测方法，其特征在于，所述的第一卷积层和第二卷积层均为一维卷积层。

4.根据权利要求2所述的一种基于一维卷积神经网络的行星齿轮箱故障检测方法，其特征在于，所述的第一卷积层和第二卷积层具体为：

设一维卷积神经网络中第l层为卷积层，则对应卷积层的计算公式为：

表示l层的第j个特征映射，表示l-1层的第i个特征映射，M表示l-1层特征映射的个数，表示l层可训练的卷积核，表示l层的偏置，*为卷积操作，f(·)为激活函数。

5.根据权利要求2所述的一种基于一维卷积神经网络的行星齿轮箱故障检测方法，其特征在于，所述的第一池化层和第二池化层具体为：

设一维卷积神经网络中第l+1层为池化层，则对应池化层的计算公式为：

表示l+1层的第j个特征映射，表示l层的第j个特征映射，表示l+1层的偏置，down(·)为下采样函数，f(·)为激活函数。

6.根据权利要求2所述的一种基于一维卷积神经网络的行星齿轮箱故障检测方法，其特征在于，所述的输出层具体为：

y^l+1＝f(u^l+1)＝f(W^l+1x^l+1+b^l+1)，

y^l+1表示故障类型分类向量，x^l+1表示l+1层的特征映射，W^l+1表示输出层的权重，表示输出层的偏置，f(·)为激活函数。