基于改进的深度信念网络的行星减速器智能故障诊断方法研究

作     者：邢剑锋 

作者单位：重庆大学 

学位级别：硕士

导师姓名：秦毅

授予年度：2017年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主      题：行星减速器 冲击信号提取 深度信念网络 激活函数 故障诊断 

摘      要：行星减速器具有体积小,传动比大,传动平稳,传动效率高等优点,主要应用于车辆、船舶、风力发电等高速大功率和低速大扭矩的机械设备传动领域。但在实际的工程应用中,行星减速器通常会承受复杂的动态作用力,很容易出现机械故障。当行星减速器现故障后,如果没有及时发现和处理,轻则导致整个动力传动链失效停机,重则导致重大的经济损失和人员伤亡。但由于行星减速器比一般的定轴减速器复杂,其旋转过程中行星轮不仅要自转,还要公转;太阳轮也要和几个行星轮接触;故障轮齿的啮合点的位置会随着齿轮的旋转而与传感器的距离不同,从而会使测试振动信号产生各种调制,这些都会增加振动信号的复杂程度,使得齿轮故障引起的冲击特征通常被各种振动分量和噪声所淹没,所以,不能将定轴减速器的故障诊断技术应用在行星减速器上,需要有效的故障诊断技术来提取行星减速器中由故障引起的冲击信号。但是,仅仅由该方法提取到的故障冲击信号还不能快速准确的判断出行星减速器的某个齿轮轮齿具体发生了哪种故障类型。深度学习方法能够通过组合低层数据得到更加抽象的高层数据表示,从而发现不同类别数据内部之间的特征区别。将原始振动信号数据作为网络的输入,不仅计算时间长,而且分类正确率低,所以需要通过提取行星减速器故障振动信号中的有效的时域和频域特征作为深度学习网络的输入,从而实现对行星减速器智能故障诊断。本文首先介绍了行星减速器与一般定轴减速器相比的特殊性,包括一般齿轮的振动机理,行星减速器的结构特点,传递路径对测试信号的影响,以及其振动信号的复杂性,并对行星减速器局部故障振动信号模型做了详细的理论推导。然后基于优化的Morlet小波和峭度提出了一种冲击信号提取方法,该方法通过使用Shannon熵来优化Morlet小波参数,以快速获得最优的中心频率和带宽参数,再用优化的Morlet小波对原始振动信号进行小波变换。通过分析,我们揭示了冲击信号应该通过几个特征尺度的小波系数来重构,由于峭度指标对冲击信号很敏感,因此用峭度指标来选择特征尺度并获得相应的小波系数。此外,由于分解的小波系数可能受到噪声的严重污染,通过应用软阈值法对小波系数进行去噪,最后利用去噪了的小波系数重构冲击信号。从而就可以从原始信号中提取出故障冲击信号,并用仿真信号进行了很好的验证。鉴于当前深度信念网络反向调节过程中所用的激活函数所存在的缺点,提出了改进的Sigmoid激活函数,并从理论上推导了该函数不仅能够加快网络参数更新速度,而且能够提高数据分类正确率,并用公开的手写字体的分类识别进行了验证。通过搭建行星减速器试验台,并进行太阳轮故障信号采集,对原始信号及其提取的冲击信号进行时域和频域特征提取,将这些特征作为深度信念网络的输入,分别进行行星减速器同一负载下不同故障类型的诊断、同一故障类型下不同负载的诊断以及不同负载下不同故障的诊断,其诊断正确率都能达到95%以上。通过用行星减速器故障齿轮原始振动信号直接作为网络的输入作为对比,说明了以本文提取到的故障振动信号特征为网络输入,不仅计算时间快,而且故障诊断准确率高。对于以上各种故障诊断方案,与利用传统的激活函数对比分析结果表明,本文提出的基于改进的深度信念网络的行星减速器故障诊断方法能够更加准确和快速地智能诊断出行星减速器故障类型。