变速箱起着至关重要的作用在机械传动系统中,用于轴之间的传输能量,和预计在生产系统一天24小时工作。任何与变速箱故障可能引入不必要的停机时间,昂贵的修理,甚至人员伤亡。因此有必要检测和诊断故障的初期阶段( 1- - - - - - 4]。为有效成分的状态维修,故障诊断得到了太多的关注安全操作的变速箱( 5, 6]。

机器故障识别可以用不同的方法如振动特征分析、润滑特征分析,噪声特征分析和温度监控。变速箱条件可以反映振动等测量,声学,热,电,油基信号( 7- - - - - - 12]。上述诊断的振动是最使用的原因,每台机器被认为有一个正常的范围,直到有一个错,频谱的变化( 13, 14]。振动信号已被证明是有效的,以反映健康状况的旋转机械。王vibration-based变速箱故障诊断,et al。 15]提出的应用地方平均分解了低速螺旋齿轮箱振动信号诊断。香港et al。 16]研究行星齿轮箱的振动测量故障检测。振动特征在时间和频率域分析Lei et al。 17行星变速箱)的诊断。

各种算法研究中存在,在变速箱的故障检测和诊断;其中包括支持向量机和神经网络。提出了一种基于支持向量机的包络谱由郭et al。 18)分类三个行星变速箱的健康状况。智能诊断模型基于小波支持向量机(SVM)和免疫遗传算法(IGA)提出了齿轮箱故障诊断( 19]。IGA是确定最优参数小波支持向量机最高的精度和泛化能力。Tayarani-Bathaie et al。 20.)提出了一个动态神经网络诊断的燃气轮机的错。人工神经网络结合经验模态分解应用自动轴承故障诊断基于振动信号( 21]。在所有典型的分类器,支持向量分类(SVC)家族(即。,the standard SVC and its variants) attracted much attention due to their extraordinary classification performance. According to the researches, the SVM family received good results in comparison with the peer classifiers.

最近,深度学习在分类领域获得巨大的成功。深层学习获得更好的分类性能由于其“更深”表示错误的功能。到目前为止,不同深度学习网络等深层信念网络( 22),深玻耳兹曼机(DBMs) ( 23],深autoencoder [ 24),和卷积神经网络 25介绍了),但很少被用于故障诊断的病例。Tran et al。 26]介绍了深层的信念网络诊断的应用往复式压缩机阀门。Tamilselvan和王 27)采用深层信念学习基于健康状态为虹膜数据集分类,葡萄酒数据集,威斯康辛州乳腺癌的诊断数据集,数据集和大肠杆菌。有限的报道深度学习结构用于故障诊断,通常一个形态特征。

本文提出一种卷积神经网络的研究为应用程序变速箱故障的识别和分类。卷积神经网络(CNN)是一种前馈人工神经网络。单个神经元的瓷砖,这样他们对重叠区域的视野 28]。CNN和它的变化是广泛使用的模型图像和视频识别( 29日, 30.]。在这项工作中,作为分类器的齿轮箱故障诊断。

vibration-based故障诊断的最成功的方法是由两个主要步骤:提取条件敏感的特性和分类模式。vibration-based故障诊断中最常用的特性已经生成的时间( 31日),光谱( 32),小波( 33),和其他信号的表示。不同的表示可以被视为不同的观察在振动信号 34]。在这工作,统计测量如标准差、偏斜度和峰度计算获得的时域数据。在频域中,获得与FFT频谱分为多个乐队。均方根值计算为每个频带的能量谱的峰值保持其形状。预处理信号形成的向量的特征,作为CNN的输入参数。重要的是要指出,执行的测试是在五个不同的旋转频率和为每一个应用四个不同的负载条件下,模拟一个工业应用程序中最有可能出现的情景。

本文的其余部分的结构如下。CNN模型和提取统计特征的方法介绍了部分 2;部分 3解释了机械实验条件;部分 4介绍了分类器的实现基于CNN模型;和部分 5显示结果及其评价。最后得出一些结论。

在本节中,我们第一次卷积神经网络的表示。然后提取敏感特性的方法,介绍了一些经典统计参数计算的时间和频率。

验证该方法的有效性,我们齿轮箱故障实验平台上进行了实验。图 4显示的内部配置加速计的变速箱和立场。有3轴和4齿轮构成的两级传动齿轮箱。一个输入装置( Z 4 = 27 压力、模量= 2和Φ= 20)是安装在输入轴上。两个中间齿轮( Z 2 = Z 3 = 53)被安装在一个中间齿轮轴之间的传动输入和输出装置( Z 1 = 80,安装在输出轴上)。在实验中使用的错误的组件包括齿轮 Z 1 , Z 2 , Z 3 , Z 4 和轴承 B 1 , B 2 , B 3 , B 4 标签,如图 4(一)。测试表中描述的条件 2。获得振动信号测量的垂直加速度计在变速箱的情况下分配。表 3和 4现在每个,每个组件的故障状态的描述中使用的齿轮箱实验。我们称之为基本条件模式。在我们的实验中,一个测试用例包括几个基本条件模式,这是一个组合的多个组件故障。例如,测试用例表所示 5包括以下错误信息:

齿轮 Z 4 牙齿:齿轮点蚀。

评估的性能提出了齿轮箱故障诊断的方法,首先,我们建立了12个条件模式作为列在表中 5。每个模式5和4种不同的负载条件下不同的输入速度实验中应用。对于每个模式,负载和速度条件下,我们重复测试5次。在每次的测试中,振动信号采集与24时间每0.4096秒。

在本节中,分类器的实现基于CNN将介绍。图 5显示了框图进行信号的处理的流程。CNN-based分类器包括参数如下: (1)

输入特征地图的大小, 年代 在 的,取决于特性表示预处理信号。

确认的最佳架构CNN-based变速箱故障诊断分类器,一些参数进行调优。表 6提出了11 CNN-based分类器的计划有不同的参数。他们应用于测试用例12模式显示在表 5与12000年样本信号,使用数据,百分之六十的样本集是用于培训的CNN,和百分之四十的用于测试。分类速度和计算时间(Intel Core i7 - 4710 - mq @2.50 GHz 2.50 GHz CPU,内存8.00 GB)每个时代的培训记录在表 6。从表 6的情况下,我们可以认为16×16输入特性映射优于28×28。例一个卷积层和一个二次抽样层优于两个卷积层和两层二次抽样。# 7 ~ # 11例有很好的分类精度。# 9 ~ # 11例有较少的计算时间。所以我们选择一个配置提出CNN-based分类如下:一个卷积层和一个二次抽样层, 年代 在 = 16 × 16 , n C 1 = 8 , 年代 年代 1 = 2 , k = 5 。建议架构CNN-based分级机的齿轮箱故障诊断中描述的人物 6。

的训练是在第一个实例完成12模式显示在表 5。使用的数据有12000个样本信号,百分之六十的样本集是用于CNN训练,和百分之四十的用于测试。为进一步优化参数,我们考虑# 9 ~ # 11例表 6不同数量的迭代时代:100,150,200,250,和300年,分别。表 7表示第一个实例的分类率。如表所示 7,每个参数对齿轮箱故障分类具有良好的性能。最小的分类率是89.46%的一双 n C 1 = 12 和时代= 50;最好的一个是98.35%的一双 n C 1 = 8 和时代= 200。在接下来的实验中, n C 1 分别和时代都设置为200。

混淆矩阵是一种有效的工具,是一个可视化工具的分类算法的性能。混淆矩阵的每一列代表预测类的实例(输出类),而每一行代表一个实际的类的实例(目标类)。图 7介绍了混合矩阵使用CNN模型表示在表12模式 5。如图 7,全球的真阳性比例12条件的故障模式分类是98.4%,总误差是1.6%。真阳性的最小百分比分类获得3型;这是因为这种模式6基本故障条件。通过观察这是明显的混淆矩阵类型的30倍4分为3型,注意到主要有混淆类型4和3型,他们同样有4个基本的错误。真阳性1型分类的百分比,类型6和12都是100%。混淆矩阵图 7显示,呈现CNN模型具有非常高的真阳性的分类。

进一步验证目前的CNN模型的鲁棒性,建立了故障条件模式库,58种组合基于表中描述的基础模式 3和 4。20个测试用例是用来测试目前的CNN方法的鲁棒性;每个测试用例有12种组合随机选择的模式库。20个测试用例使用CNN的实验结果如表所示 8。对CNN的方法,其最小分类率是91.4%的1测试用例,和最大达到98.9%的10测试用例。均值、标准差和平均分类率使用CNN是96.8%,2.57%,和97.7%,分别。

此外,CNN方法相比,“浅”的支持向量机学习算法。对于支持向量机,其中最重要的代表在“浅”的学习社区,好的分类结果可以发现齿轮箱的故障诊断,与一些现有的类似的研究(例如, 43])。应用支持向量机算法使用LibSVM [ 44]。支持向量机的参数选择 C = 137.187 和核心由径向基(内核) K u , v = 经验值 ⁡ ⁡ ( - - - - - - γ | u - - - - - - v | 2 ) 函数 γ = 1910.852 。这些参数被发现通过搜索,针对支持向量机的最佳模式。图 8显示了12的混淆矩阵使用SVM方法模式显示在表 5。实验结果20个测试用例使用SVM方法如表所示 8。其全球的真阳性比例12条件的故障模式分类仅为69.0%,总误差是31.0%。真阳性的最小百分比分类类型的3 30%。均值、标准差和平均20使用SVM分类率的测试用例是67.8%,6.49%,和66.8%,分别。与深度学习CNN方法相比,支持向量机方法展示下齿轮箱故障诊断的性能。

本文基于深度学习技术的CNN的振动测量提出了诊断齿轮箱的故障模式。目前CNN方法识别和分类故障变速箱使用振动信号测量加速度计。特性表示被选中作为输入参数CNN的一个向量形成的均方根值,标准差、偏态、峰态,转动频率和外加负载。评估提议的CNN方法,齿轮箱故障诊断实验使用不同的技术。结果表明,本方法具有杰出的齿轮箱故障诊断的性能,与同行的方法进行比较。这种类型的分类器可以做出贡献为工业系统日常维护,对降低成本和保障连续生产系统,用适当的设备,在线诊断可以执行。