本申請涉及齒輪故障程度識別，特別是涉及一種小樣本齒輪故障程度識別方法、產(chǎn)品、介質(zhì)及設(shè)備。

背景技術(shù)：

1、通過齒輪的嚙合能夠?qū)崿F(xiàn)連續(xù)、平穩(wěn)的傳動，當(dāng)齒輪的故障程度過大時會對機(jī)械傳動系統(tǒng)產(chǎn)生巨大影響，進(jìn)而威脅生產(chǎn)安全和經(jīng)濟(jì)效益。在工業(yè)生產(chǎn)中，存在齒輪故障數(shù)據(jù)采集困難和標(biāo)記成本高等問題，從而導(dǎo)致訓(xùn)練樣本小。小樣本條件下訓(xùn)練齒輪故障程度識別算法會過擬合，使得難以精準(zhǔn)識別齒輪故障程度。此外，傳統(tǒng)齒輪故障程度識別算法的構(gòu)建依賴專家經(jīng)驗，需要經(jīng)過多次調(diào)試才能獲得良好性能，這會耗費(fèi)巨大的人力成本。因此，開發(fā)適用于小樣本條件的自適應(yīng)齒輪故障程度識別算法具有重要工程意義。

2、近年來，小樣本齒輪故障程度識別算法和自適應(yīng)齒輪故障程度識別算法的研究都取得了一定的成果。但小樣本齒輪故障程度識別算法仍舊存在模型復(fù)雜、參數(shù)量大、參數(shù)設(shè)定困難、訓(xùn)練困難以及依賴專家經(jīng)驗的問題，而自適應(yīng)齒輪故障程度識別算法存在信號預(yù)處理復(fù)雜和數(shù)據(jù)需求量大的問題，使得兩種算法未能有效融合。故亟需提高小樣本齒輪故障程度識別算法的自適應(yīng)性并簡化算法結(jié)構(gòu)以融合兩種算法的長處，從而開發(fā)出適于小樣本條件的自適應(yīng)齒輪故障程度識別算法。

技術(shù)實現(xiàn)思路

1、本申請的目的是提供一種小樣本齒輪故障程度識別方法、產(chǎn)品、介質(zhì)及設(shè)備，可有效提高小樣本條件下齒輪故障程度識別的準(zhǔn)確性以及識別方法的自適應(yīng)性。

2、為實現(xiàn)上述目的，本申請?zhí)峁┝巳缦路桨福?/p>

3、第一方面，本申請?zhí)峁┝艘环N小樣本齒輪故障程度識別方法，包括：

4、獲取齒輪在不同狀態(tài)下的振動信號并進(jìn)行預(yù)處理，得到振動信號數(shù)據(jù)集；所述振動信號包括齒輪在正常狀態(tài)、故障程度分別為0.5、1、2和4的剝落狀態(tài)下的振動信號；

5、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)并初始化卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)；

6、采用基于改進(jìn)適應(yīng)度的冠豪豬優(yōu)化算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)，得到優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)；

7、基于優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)并利用振動信號數(shù)據(jù)集進(jìn)行訓(xùn)練，得到齒輪故障識別模型；

8、采用齒輪故障識別模型對齒輪的故障程度進(jìn)行識別。

9、可選地，所述獲取齒輪在不同狀態(tài)下的振動信號并進(jìn)行預(yù)處理，得到振動信號數(shù)據(jù)集，具體包括：

10、獲取齒輪在不同狀態(tài)下的振動信號并依次進(jìn)行數(shù)據(jù)劃分、去直流分量、歸一化以及格式轉(zhuǎn)換預(yù)處理，得到預(yù)處理后的振動信號；

11、基于預(yù)處理后的振動信號構(gòu)建振動信號數(shù)據(jù)集。

12、可選地，所述獲取齒輪在不同狀態(tài)下的振動信號并依次進(jìn)行數(shù)據(jù)劃分、去直流分量、歸一化以及格式轉(zhuǎn)換預(yù)處理，得到預(yù)處理后的振動信號，具體包括：

13、等間隔劃分獲取的齒輪在不同狀態(tài)下的振動信號，得到劃分后的振動信號a；

14、采用公式對劃分后的振動信號a進(jìn)行去直流分量預(yù)處理，得到去除直流分量的振動信號h；其中，為劃分后的振動信號a的均值；

15、采用公式對去除直流分量的振動信號h進(jìn)行歸一化預(yù)處理，得到去除直流分量且歸一化的振動信號h*；其中，hmin為去除直流分量的振動信號h的最小值；hmax為去除直流分量的振動信號h的最大值；

16、對去除直流分量且歸一化的振動信號h*進(jìn)行格式轉(zhuǎn)換預(yù)處理，得到預(yù)處理后的振動信號。

17、可選地，所述卷積神經(jīng)網(wǎng)絡(luò)具體包括：依次連接的第一卷積層、第一批量歸一化層、第一relu激活函數(shù)層、第一最大池化層、第二卷積層、第二批量歸一化層、第二relu激活函數(shù)層、第二最大池化層、全連接層以及softmax層。

18、可選地，所述卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)包括學(xué)習(xí)率、l2正則化系數(shù)、第一卷積層和第二卷積層的卷積核大小以及卷積核數(shù)量。

19、可選地，所述采用基于改進(jìn)適應(yīng)度的冠豪豬優(yōu)化算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)，得到優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)，具體包括：

20、將改進(jìn)適應(yīng)度作為冠豪豬優(yōu)化算法的適應(yīng)度指標(biāo)且以改進(jìn)適應(yīng)度最小化作為冠豪豬優(yōu)化算法的優(yōu)化目標(biāo)，得到基于改進(jìn)適應(yīng)度的冠豪豬優(yōu)化算法；

21、采用基于改進(jìn)適應(yīng)度的冠豪豬優(yōu)化算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)，得到優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)。

22、可選地，所述改進(jìn)適應(yīng)度具體公式為：

23、

24、式中，fitness為改進(jìn)適應(yīng)度；loss為交叉熵?fù)p失函數(shù)；z為訓(xùn)練迭代次數(shù)，i＝1,2,3,…,z；i為衡量訓(xùn)練平穩(wěn)性及收斂速度的指標(biāo)。

25、第二方面，本申請?zhí)峁┝艘环N計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實現(xiàn)所述小樣本齒輪故障程度識別方法。

26、第三方面，本申請?zhí)峁┝艘环N計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實現(xiàn)所述小樣本齒輪故障程度識別方法。

27、第四方面，本申請?zhí)峁┝艘环N計算機(jī)設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運(yùn)行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序以實現(xiàn)所述小樣本齒輪故障程度識別方法。

28、根據(jù)本申請?zhí)峁┑木唧w實施例，本申請公開了以下技術(shù)效果：

29、本申請?zhí)峁┝艘环N小樣本齒輪故障程度識別方法、產(chǎn)品、介質(zhì)及設(shè)備，通過設(shè)計改進(jìn)適應(yīng)度的自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)以實現(xiàn)小樣本齒輪故障程度的識別。具體地，本申請設(shè)計了一種綜合考慮卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中收斂速度和平穩(wěn)性影響的改進(jìn)適應(yīng)度，將改進(jìn)適應(yīng)度與全局優(yōu)化力度強(qiáng)且可加速收斂的冠豪豬優(yōu)化算法進(jìn)行結(jié)合，得到基于改進(jìn)適應(yīng)度的冠豪豬優(yōu)化算法，并使用基于改進(jìn)適應(yīng)度的冠豪豬優(yōu)化算法優(yōu)化選取卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)，從而提高了卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)的優(yōu)化效果；得到優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)后，重構(gòu)并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，得到齒輪故障識別模型；采用齒輪故障識別模型可在小樣本條件下對齒輪的故障程度進(jìn)行精準(zhǔn)識別。本申請小樣本齒輪故障程度識別方法、產(chǎn)品、介質(zhì)及設(shè)備，可有效提高小樣本條件下齒輪故障程度識別的準(zhǔn)確性以及識別方法的自適應(yīng)性。

技術(shù)特征：

1.一種小樣本齒輪故障程度識別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的小樣本齒輪故障程度識別方法，其特征在于，所述獲取齒輪在不同狀態(tài)下的振動信號并進(jìn)行預(yù)處理，得到振動信號數(shù)據(jù)集，具體包括：

3.根據(jù)權(quán)利要求2所述的小樣本齒輪故障程度識別方法，其特征在于，所述獲取齒輪在不同狀態(tài)下的振動信號并依次進(jìn)行數(shù)據(jù)劃分、去直流分量、歸一化以及格式轉(zhuǎn)換預(yù)處理，得到預(yù)處理后的振動信號，具體包括：

4.根據(jù)權(quán)利要求1所述的小樣本齒輪故障程度識別方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)具體包括：依次連接的第一卷積層、第一批量歸一化層、第一relu激活函數(shù)層、第一最大池化層、第二卷積層、第二批量歸一化層、第二relu激活函數(shù)層、第二最大池化層、全連接層以及softmax層。

5.根據(jù)權(quán)利要求4所述的小樣本齒輪故障程度識別方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)包括學(xué)習(xí)率、l2正則化系數(shù)、第一卷積層和第二卷積層的卷積核大小以及卷積核數(shù)量。

6.根據(jù)權(quán)利要求1所述的小樣本齒輪故障程度識別方法，其特征在于，所述采用基于改進(jìn)適應(yīng)度的冠豪豬優(yōu)化算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)，得到優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)，具體包括：

7.根據(jù)權(quán)利要求6所述的小樣本齒輪故障程度識別方法，其特征在于，所述改進(jìn)適應(yīng)度具體公式為：

8.一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，其特征在于，該計算機(jī)程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-7中任一項所述的小樣本齒輪故障程度識別方法。

9.一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其特征在于，該計算機(jī)程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-7中任一項所述的小樣本齒輪故障程度識別方法。

10.一種計算機(jī)設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運(yùn)行的計算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計算機(jī)程序以實現(xiàn)權(quán)利要求1-7中任一項所述的小樣本齒輪故障程度識別方法。

技術(shù)總結(jié)
本申請公開了一種小樣本齒輪故障程度識別方法、產(chǎn)品、介質(zhì)及設(shè)備，涉及齒輪故障程度識別技術(shù)領(lǐng)域，該方法包括：獲取齒輪在不同狀態(tài)下的振動信號并進(jìn)行預(yù)處理，得到振動信號數(shù)據(jù)集；構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)并初始化卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)；采用基于改進(jìn)適應(yīng)度的冠豪豬優(yōu)化算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)，得到優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)；基于優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)并利用振動信號數(shù)據(jù)集進(jìn)行訓(xùn)練，得到齒輪故障識別模型；采用齒輪故障識別模型對齒輪的故障程度進(jìn)行識別。本申請小樣本齒輪故障程度識別方法、產(chǎn)品、介質(zhì)及設(shè)備可有效提高小樣本條件下齒輪故障程度識別的準(zhǔn)確性以及識別方法的自適應(yīng)性。

技術(shù)研發(fā)人員：李聰明,宋煒,熊曉燕,王相蓉,呂哲,韓建超
受保護(hù)的技術(shù)使用者：海安太原理工大學(xué)先進(jìn)制造與智能裝備產(chǎn)業(yè)研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10