[发明专利]一种基于深度迁移学习的齿轮箱故障检测方法

权利要求书

1.一种基于深度迁移学习的齿轮箱故障检测方法，其特征在于，具体步骤如下：

(1)收集齿轮箱原始的信号数据，包括振动信号、温度信号和油液信号；

(2)对原始的振动信号进行降噪，去除噪音信号，保留有效振动信号，将全部的有效振动信号转化为振动图像数据，备用；

(3)对收集到的温度信号和油液信号进行数据清洗；

(4)将处理后的振动图像数据、温度图像数据和油液图像数据进行交叉组合，得到多组的复合图像数据，用特征提取器进行提取，得到新图像；

(5)将得到的新图像数据输入到DarkNet-53网络中，首先对输入的数据集进行卷积和池化计算，然后从处理过的图片数据提取三个不同层次的特征图，再对高层的采样得到的特征图进行卷积层处理，完成后再经过3X3和1X1两个不同的计算分支进行卷积计算后直接输出预测结果，并将两组特征图经过通道进行拼接，此时得到拼接完成的特征图进行卷积处理，重复分支计算处理工作，最后输出预测的结果是经由一组3X3和1X1卷积处理得到的训练模型数值，构建复合故障的模型；

(6)将卷积处理得到模型数值与理论值对比，直至相符合，即得到最终的卷积神经网络模型数据，建立卷积神经网络模型；

(7)将得到的卷积神经网络模型迁移至齿轮箱诊断检测数据中，计算迁移诊断故障率，诊断率在94％-100％之间，即实现高精度诊断。

2.根据权利要求1所述一种基于深度迁移学习的齿轮箱故障检测方法，其特征在于：所述数据清洗包括异常值处理、删除重复值和空值处理中的至少一种，得到温度图像数据和油液图像数据。

3.根据权利要求1所述一种基于深度迁移学习的齿轮箱故障检测方法，其特征在于：所述温度信号包括阶段化温升值、同侧温差、阶段化不间断温升值和轴温与外温温差中的至少一种。

4.根据权利要求1所述一种基于深度迁移学习的齿轮箱故障检测方法，其特征在于：所述特征提取器进行提取的步骤为，以复合图像数据为研究对象，从图像的左上角开始，开一个与模板同样大小的活动窗口，窗口图像与模板像元对应起来相乘再相加，并用计算结果代替窗口中心的像元亮度值，然后，活动窗口向右移动一列，并作同样的运算，以此类推，从左到右、从上到下，即可得到一幅新图像，如此反复。

5.根据权利要求1所述一种基于深度迁移学习的齿轮箱故障检测方法，其特征在于：所述齿轮箱原始的信号数据还包括磨损故障数据、点蚀故障数据、断齿故障数据及点蚀磨损混合故障数据、断齿磨损混合故障数据及正常运行数据。

6.根据权利要求1所述一种基于深度迁移学习的齿轮箱故障检测方法，其特征在于：所述降噪采用SVD矩阵分解降噪对原始的振动信号进行降噪。

7.根据权利要求1所述一种基于深度迁移学习的齿轮箱故障检测方法，其特征在于：所述油液信号包括齿轮箱润滑油温度信号、油位信号和油流信号。