基于深度卷积神经网络的变转速行星齿轮箱故障诊断方法研究

作     者：胡方全 

作者单位：北京交通大学 

学位级别：硕士

导师姓名：温伟刚

授予年度：2019年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 080201[工学-机械制造及其自动化] 

主      题：卷积神经网络 生成对抗网络 行星齿轮箱 故障诊断 变转速 未知转速 跨域诊断 

摘      要：行星齿轮箱在众多机电系统中承担着至关重要的传动作用,其一旦发生故障,将有可能带来经济损失与人员伤亡,因此非常有必要对其进行状态监测与故障诊断。然而在变转速行星齿轮箱的智能诊断领域,从振动信号中提取故障特征非常困难,而且智能诊断模型难以对未知转速下的故障进行诊断。本文针对以上问题,首先通过分析行星齿轮箱振动特性,建立了行星轮故障情况下的行星齿轮箱振动模型,结合实测行星齿轮箱振动信号进行分析,验证了变转速下的行星齿轮箱振动信号具有强非平稳性与多频率调制特性。结合行星齿轮箱振动信号特性设计了基于深度卷积神经网络(DCNN)的故障智能诊断方案,该方案能够自动提取故障特征,能够在已知变转速下诊断两种难以分辨的行星轮故障。针对智能诊断模型在未知转速下的跨域诊断问题,本文提出了三种优化策略。首先通过在训练过程中加入少量未知转速的验证样本,使模型能够在未知转速下进行智能诊断;其次,考虑到在训练阶段无法获取目标转速下的振动信号的情况,基于Dropout策略和残差模块对深度卷积神经网络结构进行优化,以增强模型的泛化能力,从而实现在未知转速下的故障诊断;最后,通过生成对抗网络生成未知转速下的振动信号来扩充训练数据集,进一步提升了诊断模型在未知转速下的故障诊断能力。通过实验证明了所提出的基于DCNN的智能诊断方案能够实现变转速行星齿轮箱的故障诊断,且三种优化策略都能有效提升诊断模型的跨域诊断性能。本文为变转速行星齿轮箱故障诊断提供了有效的智能诊断方案,并为智能诊断模型在未知转速下的跨域诊断问题提供了新的思路和可行的解决方案。文中包含图51幅,表12个,参考文献73篇。