[发明专利]一种基于深度迁移学习的齿轮箱故障检测方法

说明书

本发明提供的一种基于深度迁移学习的齿轮箱故障检测方法，包括收集齿轮箱原始的信号数据、对原始的信号进行降噪和数据清洗、用特征提取器进行提取、得到新图像、构建模型、用训练数据和验证数据对模型进行结果分析和验证，本发明克服了齿轮箱故障诊断的类别较为单一的技术问题，创新性的将齿轮箱的振动信号、温度信号和油液信号的图像数据进行交叉组合，得到多组的复合图像数据，最终构建复合故障的模型，再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，实现了复合故障情况下对齿轮箱的故障快速检测。

发明领域

本发明涉及齿轮箱检测技术领域，具体说，本发明具体涉及一种基于迁移学习齿轮箱故障检测技术领域。

背景技术

齿轮箱是现代装备制造业中传递运动和调配速度的重要功能部件，齿轮箱系统一般包括齿轮、轴承、轴和箱体四部分，齿轮箱的故障可以分为机械故障、电气故障、辅助系统故障，机械故障主要为齿轮故障、轴承故障、箱体故障，电气故障和辅助系统故障主要有冷却故障、供油故障、传感器故障。在这三类故障中，电气故障和辅助系统故障虽然发生频率较高，但是产生的后果相对来说并不严重，处理也较为方便，机械故障次数少，但是成因复杂，在早期难以发现，处理困难、成本较高。据统计，73％的故障处理时间，都是在处理机械故障，而齿轮是机械故障多发部位。

齿轮箱中部件发生故障时会产生异常振动，齿轮箱箱体的振动信号的幅值和频率成分都会随之发生相应的变化，而箱体振动信号里包含着大量的箱体内部部件运行状态信息，因此利用齿轮箱箱体产生的振动信号能有效地反应出齿轮箱的运行状态，通过对箱体振动信号的分析，可以在不停机情况下对故障作出准确的判断，同时振动检测法具有诊断速度快、精度较高、故障部位判断较准确且能实现在线检测等优点。因此，振动检测法仍然是目前齿轮箱故障诊断中最广泛且行之有效的方法。

由于齿轮箱振动信号数据庞大，而深度学习具有较强的数据表示和分析能力，故采用深度学习的故障诊断方法，在机械故障诊断的方法中，通过专业的传感器信号数据进行收集，利用深度学习算法建立故障模型和类型分级，相对于传统的人工探查，探伤设备探查，减少了故障诊断时间，人力及物力成本，在风电机组齿轮箱故障诊断的应用前景上具有巨大优势。

但是目前对于齿轮箱故障诊断的类别较为单一，而实际上齿轮箱的工作环境及出现故障的情况是复杂的，齿轮箱发生故障时往往不是单一的部件故障，通常是复合故障，因此，在现有的振动检测的基础上，需要考虑充分利用齿轮箱中的各种信号，提供一种基于深度迁移学习的齿轮箱故障检测方法。

发明内容

针对现有技术中齿轮箱故障检测方法单一的技术现状，本发明旨在提供一种基于深度迁移学习的齿轮箱故障检测方法。

本发明采用的主要技术方案：

本发明提供的一种基于深度迁移学习的齿轮箱故障检测方法，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)降噪采用SVD矩阵分解降噪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，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，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)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；