[发明专利]一种基于卷积胶囊网络的行星齿轮箱故障诊断方法

权利要求书

1.一种基于卷积胶囊网络的行星齿轮箱故障诊断方法，其特征在于：包括以下步骤，

S1、获取多种健康状态下的行星齿轮箱数据，并构建样本集；

S2、利用卷积池化结构实现故障特征的自动提取与降维；

S3、通过胶囊结构矢量化表示特征并传递信息，同时采用动态路由机制计算不同胶囊层向量之间的相关度；

S4、通过间隔损失函数与输入数据不断优化模型参数，实现对不同齿轮部件故障的精准智能诊断。

2.根据权利要求1所述的一种基于卷积胶囊网络的行星齿轮箱故障诊断方法，其特征在于：卷积胶囊网络模型包括9层：1个输入层、2个卷积层、2个池化层、1个Dropout层、1个预胶囊层、1个数字胶囊层和1个输出层，其中：

输入层：将原始数据经过z-score标准化处理后作为卷积胶囊网络输入数据，标准化公式为：

式中，Y_i为标准化后数据；X_i为原始数据；为原始数据均值；σ为原始数据方差；

卷积层1：采用宽卷积核提取输入特征，用以降低噪声的影响；

卷积层2：采用大量窄卷积核，充分提取特征的底层特性；

池化层：每个卷积层后均附有一池化层，用于降低模型训练参数，提高训练速度，；

Dropout层：用于舍弃部分神经元防止训练阶段过拟合；

预胶囊层：包含卷积运算，同时将卷积结果以矢量形式构建胶囊作为数字胶囊层的输入；

数字胶囊层：通过动态路由机制计算胶囊层之间的相关度实现对故障特征的精确归类；

输出层：对输出向量进行二范数求解，得到不同故障类型的概率分布。

3.根据权利要求1所述的一种基于卷积胶囊网络的行星齿轮箱故障诊断方法，其特征在于：卷积胶囊网络模型采用间隔损失函数，其表达式为：

L_k＝T_kmax(0，m⁺-||v_k||)²+λ(1-T_k)max(0，||v_k||-m^-)²

式中：下标k为故障类别k；L_k为类别k的间隔损失；T_k为分类指示函数(分类正确取1，否则取0)；v_k表示识别为故障类别k的概率；m为上界，取0.9；m为下界，取0.1；为比例系数，取0.5，总损失为各样例损失之和。

4.根据权利要求1所述的一种基于卷积胶囊网络的行星齿轮箱故障诊断方法，其特征在于：将原始数据经过z-score标准化处理后作为卷积胶囊网络输入数据，标准化公式为：

其中，Y_i为标准化后数据；X_i为原始数据；为原始数据均值；σ为原始数据方差。

5.根据权利要求4所述的一种基于卷积胶囊网络的行星齿轮箱故障诊断方法，其特征在于：在S2中，原始数据z-score标准化处理后输入卷积层，通过卷积运算与激活函数实现对输入数据的特征提取：首先，通过n个维度相同的卷积核对输入数据进行卷积运算，同时附加偏置项得到卷积结果；然后，利用激活函数对卷积结果进行非线性映射，输出n个特征矩阵，计算公式如下所示：

式中：为卷积层输出第n个特征矩阵的第j个元素；M_j为输入数据的第j个卷积区域；X_i为M_i的第i个元素；为第n个卷积核的权值矩阵；b_n为第n个卷积核对应的偏置项；f(·)表示激活函数。

6.根据权利要求1所述的一种基于卷积胶囊网络的行星齿轮箱故障诊断方法，其特征在于：在S2中，提取出的初始特征输入至池化层，通过池化运算实现对特征矩阵的降维过程：将卷积层的输出数据无重叠、等宽度的划分为q个池化单元，对每个单元内的元素进行池化运算，得到池化层的输出特征矩阵。