[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

说明书

本发明公开了一种基于卷积胶囊网络的行星齿轮箱故障诊断方法，属于故障诊断领域，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。本发明结合卷积神经网络和胶囊网络提出一种能提高其故障诊断能力的网络模型，效率高。

技术领域

本发明属于故障诊断领域，涉及行星齿轮箱的故障诊断技术领域，尤其涉及一种基于卷积胶囊网络的行星齿轮箱故障诊断方法。

背景技术

行星齿轮箱是大型机械设备的核心传动环节，由于其服役环境的严酷性，如存在工况频繁变化、重载、极端天气等诸多因素，致使行星齿轮系统内部关键部件极易发生故障，进而“牵一发而动全身”，引发灾难性事故。因此，开展行星齿轮箱的故障诊断研究，对于保障大型机械设备安全稳定运行、避免人民生命财产损失具有重要意义。

自深度学习问世以来，展现出强大的特征自动学习与提取能力，已广泛运用于图像识别、自然语言处理、语音识别、故障诊断等领域。典型的深度学习方法，如卷积神经网络(Convolution Neural Network,CNN)、生成对抗网络(Generative AdversarialNetworks,GAN)、深度信念网络(Deep Belief Network,DBN)等逐步拓展至行星齿轮箱的故障诊断方法之中：有研究人员通过CNN模型对不同健康状态的行星轮故障进行诊断；还有研究人员提出了一种采用堆叠降噪自动编码器作为判别器的GAN诊断模型，对多种不同健康状态的太阳轮进行诊断，在少量样本与噪声条件下呈现出较强的诊断能力；还有研究人员基于蝗虫算法提出了一种参数优化的DBN方法，对单个齿轮的多种故障类型进行识别。当前，以深度学习算法为核心的诊断模式正得到学者们的广泛关注，然而当前研究大多围绕单类齿轮部件的不同故障开展。鉴于行星齿轮箱中齿轮故障发生部位与形式多样，仅开展单类齿轮的故障诊断难以全面保障机械设备的安全运行。特别是以CNN为核心的深度学习模型，虽然对单一部件的故障识别取得了不错的效果，但应用于包含不同部件的故障数据时，恐难保证较高的诊断能力。

2017年胶囊网络(Capsule Network,CN)模型被首次提出，突破了传统标量神经元传递信息的片面性，以向量作为网络的输入和输出，进一步挖掘出特征的空间信息。近年来，胶囊网络表现出强大的细节特征提取能力，已在机械设备故障诊断领域中初露锋芒。然而，当前国内外少有研究人员将胶囊网络应用于行星齿轮箱的故障诊断之中。

发明内容

本部分的目的是在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述背景技术描述中存在的问题，提出了本发明，因此，本发明其中一个目的是提供一种基于卷积胶囊网络的行星齿轮箱故障诊断方法，结合卷积神经网络和胶囊网络提出一种能提高其故障诊断能力的网络模型，效率高。

为解决上述技术问题，本发明采用的技术方案是：一种基于卷积胶囊网络的行星齿轮箱故障诊断方法，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。

进一步的，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：