[发明专利]一种基于边界增强原型网络的齿轮箱故障诊断方法

说明书

本发明属于齿轮箱故障诊断技术领域，具体涉及一种基于边界增强原型网络的齿轮箱故障诊断方法；该方法包括：获取齿轮箱历史故障数据并划分为训练集和测试集；对训练集进行故障特征提取；采用具有时序学习能力的时序注意力模块处理故障特征，得到关键时序特征；根据关键时序特征计算类原型；根据类原型和关键时序特征的分布信息计算近邻边界度量损失；判断齿轮箱故障类别并计算分类损失；根据度量损失和分类损失计算总损失并优化网络参数，得到训练好的边界增强原型网络；将测试集中输入训练好的边界增强原型网络中，得到齿轮箱故障诊断结果；本发明可提取故障状态更敏感的关键时序特征，修正度量空间中的特征分布，提高齿轮箱的故障诊断精度。

技术领域

本发明属于齿轮箱故障诊断技术领域，具体涉及一种基于边界增强原型网络的齿轮箱故障诊断方法。

背景技术

齿轮箱应用极其广泛，其在航空航天、发电设备、交通设备等领域具有举足轻重的地位。但是由于齿轮箱的结构和工况复杂，极易发生轮齿疲劳点蚀、齿根裂纹乃至轮齿或轴断裂等失效现象，从而影响到设备的运行精度、传递效率和使用寿命，对使用者造成经济损失，因此，对齿轮箱设备进行故障诊断具有重要意义。

由于深度学习网络的强大拟合能力和出色的特征提取效果，当前深度学习方法在故障诊断领域得到了一定的应用。深度学习方法的一般流程是：特征提取、特征分类、计算损失、优化网络参数，但传统深度学习方法很少考虑不同故障类别特征之间的相似性，而这些相似特征耦合在一起，会在一定程度上影响用于故障诊断的深度学习网络的精度。

发明内容

针对现有技术存在的不足，本发明提出了一种基于边界增强原型网络的齿轮箱故障诊断方法，该方法包括：获取齿轮箱运行时的齿轮箱故障数据，将齿轮箱故障数据输入到训练好的基于时序注意力的边界增强原型网络中，得到齿轮箱故障诊断结果；

基于时序注意力的边界增强原型网络的训练过程包括：

S1：获取齿轮箱历史故障数据，将齿轮箱历史故障数据划分为训练集和测试集；

S2：采用特征提取器对训练集中的齿轮箱历史故障数据进行特征提取，得到齿轮箱故障特征；

S3：采用具有时序特性学习能力的时序注意力模块，对齿轮箱故障特征的时序特性进行时序学习，得到关键时序故障特征；

S4：根据关键时序故障特征计算类原型；

S5：根据类原型和关键时序特征在度量空间中的分布信息计算近邻边界度量损失；

S6：根据类原型和关键时序故障特征判断齿轮箱故障类别，根据齿轮箱故障类别计算分类损失；

S7：根据近邻边界度量损失和分类损失计算总损失；

S8：根据总损失进行反向传播并优化网络参数，当总损失最小时，保存网络参数，得到训练好的基于时序注意力的边界增强原型网络；

S9：将测试集中的齿轮箱历史故障数据输入到训练好的基于时序注意力的边界增强原型网络中，输出齿轮箱故障类别即齿轮箱故障诊断结果。

优选的，特征提取器为卷积神经网络，包括6个级联的卷积块，每个卷积块由卷积层、BN层和池化层构成。

进一步的，6个级联的卷积块中卷积层的卷积核数量分别为512、256、256、128、128和64。

优选的，时序注意力模块包括GRU单元和MLP模块；其中，GRU循环核数量为64，MLP包括两个全连接层，每层神经元数量分别为16，64。

优选的，时序注意力模块对齿轮箱故障特征进行处理的过程表示为：