基于条件变分自编码器的齿轮箱故障诊断
发布时间：2021-01-07 20:12
目的实现齿轮箱故障类型的智能识别诊断。方法针对传统故障诊断方法通用性不广、数据依赖强、泛化能力弱并需人工提取特征问题,提出一种基于条件变分自编码器的故障诊断方法。以故障类别概率分布为目标并将振动信号频谱作为条件,通过条件变分自编码器,建立齿轮箱振动信号频谱到对应各故障下的条件概率模型,并通过多层神经网络结合变分推断方法进行训练优化,实现对齿轮箱各类型故障的高精度分类诊断。结果在仅有少量训练数据条件下,实现了准确的故障识别。结论条件变分自编码器在齿轮箱振动信号频谱概率分布建模上具有优异性能,对故障信号数据量的依赖低、泛化能力强,无需人工提取特征。能有效实现齿轮箱故障的智能分类诊断。
【文章来源】：装备环境工程. 2020,17(07)
【文章页数】：6 页
【部分图文】：
实验配置Fig.2Experimentalconfiguration:a)experimentalsystem;b)gearboxinterior
轮箱数据采集样本。对于齿轮箱所有振动信号，以50000次连续采样点对原始数据进行切分，并对切分后的每段振动信号变换到频域空间取幅值谱。每段幅值谱均线性归一化到0~1区间。对于每一种失效模式，随机打乱不同工况下的频谱信号，并等量均分后分别作为训练集和测试集。经过上述处理，在总共11种失效模式下，训练集和测试集均具有2035个样本数据，每个样本数据具有25001维。在所有训练集均具有全部失效模式标签的情况下，对CVAE模型进行故障诊断分类性能测试。测试结果如图3所示。图3CVAE模型测试集分类准确率Fig.3ClassificationaccuracyofCVAEmodeltestset从图3可见，CVAE模型取得了优异的分类性能，在测试数据集上综合平均分类正确率达到98.88%，且部分故障类别模式下的分类正确率达到100%。表明模型拥有很高的故障分类精度。为了和传统基于特征提取的故障诊断方法进行对比，文中分别选取具有代表性的四种模型进行故障分类实验：基于策略的统计学习模型K近邻（KNN）；基于时间序列建模的长短期记忆网络模型（LSTM）；经典非线性分类器支持向量机（SVM）；现代数据驱动模型深度神经网络（DNN）。在原始振动信号特征提取方面，选取时域11个特征量、频域13个特征量以及14个小波包能量特征，共计38个工程信号特征组成38维向量作为上述模型的单个训练样本。KNN、LSTM、SVM、DNN、CVAE模型的分类准确率分别为83.93%、94.05%、65.48%、69.64%、98.88%。由此可见，CVAE模型在故障诊断分类准确率上大大领先于其余模型，表明其能够有效对齿轮箱振动信号频谱空间概率分布进行建模，不仅
【参考文献】：
期刊论文
[1]基于栈式自编码器和Softmax分类器的电力变压器故障诊断[J]. 张玉振,吉兴全,彭立岩,梁晓平,许倩文. 中国科技论文. 2018(23)
[2]奇异值分解和稀疏自编码器的轴承故障诊断[J]. 曹浩,陈里里,司吉兵,任君兰. 计算机工程与应用. 2019(20)
[3]基于深度自编码网络的轴承故障诊断[J]. 袁文军,刘飞,王晓峰,周文晶. 噪声与振动控制. 2018(05)
[4]基于LMD和阶次跟踪分析的滚动轴承故障诊断[J]. 张亢,程军圣. 振动.测试与诊断. 2016(03)
[5]水轮发电机组非平稳振动信号的检测与故障诊断[J]. 党建,何洋洋,贾嵘,董开松,谢永涛. 水利学报. 2016(02)
[6]基于多元经验模态分解的旋转机械早期故障诊断方法[J]. 武哲,杨绍普,刘永强. 仪器仪表学报. 2016(02)
本文编号：2963169
【文章来源】：装备环境工程. 2020,17(07)
【文章页数】：6 页
【部分图文】：
实验配置Fig.2Experimentalconfiguration:a)experimentalsystem;b)gearboxinterior
轮箱数据采集样本。对于齿轮箱所有振动信号，以50000次连续采样点对原始数据进行切分，并对切分后的每段振动信号变换到频域空间取幅值谱。每段幅值谱均线性归一化到0~1区间。对于每一种失效模式，随机打乱不同工况下的频谱信号，并等量均分后分别作为训练集和测试集。经过上述处理，在总共11种失效模式下，训练集和测试集均具有2035个样本数据，每个样本数据具有25001维。在所有训练集均具有全部失效模式标签的情况下，对CVAE模型进行故障诊断分类性能测试。测试结果如图3所示。图3CVAE模型测试集分类准确率Fig.3ClassificationaccuracyofCVAEmodeltestset从图3可见，CVAE模型取得了优异的分类性能，在测试数据集上综合平均分类正确率达到98.88%，且部分故障类别模式下的分类正确率达到100%。表明模型拥有很高的故障分类精度。为了和传统基于特征提取的故障诊断方法进行对比，文中分别选取具有代表性的四种模型进行故障分类实验：基于策略的统计学习模型K近邻（KNN）；基于时间序列建模的长短期记忆网络模型（LSTM）；经典非线性分类器支持向量机（SVM）；现代数据驱动模型深度神经网络（DNN）。在原始振动信号特征提取方面，选取时域11个特征量、频域13个特征量以及14个小波包能量特征，共计38个工程信号特征组成38维向量作为上述模型的单个训练样本。KNN、LSTM、SVM、DNN、CVAE模型的分类准确率分别为83.93%、94.05%、65.48%、69.64%、98.88%。由此可见，CVAE模型在故障诊断分类准确率上大大领先于其余模型，表明其能够有效对齿轮箱振动信号频谱空间概率分布进行建模，不仅
【参考文献】：
期刊论文
[1]基于栈式自编码器和Softmax分类器的电力变压器故障诊断[J]. 张玉振,吉兴全,彭立岩,梁晓平,许倩文. 中国科技论文. 2018(23)
[2]奇异值分解和稀疏自编码器的轴承故障诊断[J]. 曹浩,陈里里,司吉兵,任君兰. 计算机工程与应用. 2019(20)
[3]基于深度自编码网络的轴承故障诊断[J]. 袁文军,刘飞,王晓峰,周文晶. 噪声与振动控制. 2018(05)
[4]基于LMD和阶次跟踪分析的滚动轴承故障诊断[J]. 张亢,程军圣. 振动.测试与诊断. 2016(03)
[5]水轮发电机组非平稳振动信号的检测与故障诊断[J]. 党建,何洋洋,贾嵘,董开松,谢永涛. 水利学报. 2016(02)
[6]基于多元经验模态分解的旋转机械早期故障诊断方法[J]. 武哲,杨绍普,刘永强. 仪器仪表学报. 2016(02)
本文编号：2963169
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2963169.html
