[发明专利]一种基于改进CNN和选择性集成的齿轮箱故障诊断方法

说明书

基于一种基于改进CNN和选择性集成的齿轮箱故障诊断方法，首先，利用齿轮箱监测振动训练数据，通过Bagging算法对数据进行重采样，获得多个训练子集，并使用训练子集对改进的CNN模型进行训练，获得一组基学习机。第二，利用采集的齿轮检测振动验证数据，在各个基学习机上进行分类任务，获得每个基学习机的分类混淆矩阵并将其转换为一维向量，表征不同学习机的性能特点。将若干一维数据组成矩阵并将其归一化，作为聚类矩阵输入谱聚类算法，对基学习机进行聚类，选择距离聚类中心最近的基学习机作为后续的集成成员。第三，基于上述选择出的基学习机，对实时测试数据进行故障诊断，并采用DSmT理论对诊断结果进行集成，集成结果及为最终诊断结果，实现齿轮箱的故障诊断。

技术领域

本发明属于齿轮箱故障诊断技术领域，特别是涉及一种基于改进CNN和选择性集成的齿轮箱故障诊断方法。

背景技术

齿轮箱故障作为机械传动系统的关键部件，直接影响设备的安全问题和维护成本。因此，高效的故障诊断可以为维护决策提供有力的支持。随着信息传感器和人工智能技术的发展，研究人员从机器学习等领域的先进技术学习并提出了许多针对早期故障检测和小样本故障诊断的先进算法。典型的算法包括：神经网络、决策树和支持向量机等。然而，由于机电产品的日益现代化和复杂化，系统的工作状态复杂多变，其观察到的信号通常是非线性的和非平稳的。因此，单个算法的泛化性能很难满足这个要求。此外的故障诊断过程中，工作环境的波动和强噪声会导致过拟合和信息丢失等一系列问题。

针对上述问题，本发明提出了一种基于改进卷积神经网络(以下简称CNN)和选择性集成的齿轮箱故障诊断方法，可以对环境波动和强噪声环境下的齿轮箱振动信号进行更为有效的特征提取，防止重要信息的缺失，并通过选择性集成的方法避免单一模型泛化能力弱等问题，从而在实际工程应用中完成齿轮箱的故障诊断。

发明内容

本申请旨在提出一种基于改进CNN和选择性集成的齿轮箱故障诊断方法，使得在强噪声以及环境波动条件下仍能有效提取齿轮箱振动信号的特征，并实现对齿轮箱的故障诊断。

本发明提出的基于改进CNN和选择性集成的齿轮箱故障诊断方法，包括：

步骤一、基学习机生成：利用训练集训练改进的CNN模型，生成基学习机；

步骤二、基学习机选择：对基学习机进行筛选，选择出差异化大的基学习机；

步骤三、基学习机集成和故障诊断：对选择出的基学习机进行集成，并针对测试集开展故障诊断。

优选地，步骤一所述基学习机生成所采用的训练集，是通过引导聚集算法(以下简称Bagging方法)获得的，Bagging应用了自助法(以下简称Bootstrap)的思想，对训练数据进行重采样获得具有多样性的若干子训练集，用于训练改进的CNN模型，生成具有多样性的基学习机集合。

优选地，步骤一基学习机生成所采用的模型为改进的CNN模型，通过特征重用的方式对基础CNN模型进行改进，进一步优化基学习机的诊断性能，从而提升诊断准确度。

所述的CNN模型改进方法特征重用，是将每一卷积层的输入进行池化操作后与该卷积层的输出合并，作为下一卷积层的输入；特征重用加强了每个卷积层的输入，通过将任何一层直接连接到所有后续的层来实现特征的有效利用，增强了模型的分类能力。

优选地，步骤二所述的基学习机筛选方法是在验证集上对基学习机进行性能表征，采用谱聚类方法对性能表征结果进行聚类，提升了基学习机的差异性，从而提高集成学习方法的分类效果。

优选地，步骤二基学习机的性能表征方法，是通过使用基学习机在验证集上进行故障诊断，获得各个基学习机的分类混淆矩阵，并将混淆矩阵转换为一维向量作为该基学习机的性能表征，该向量能够表征基学习机在不同故障上的诊断能力以及将某一故障误诊断为另一故障的概率。