基于U-net和随机森林的齿轮箱振动时频分析和故障诊断.pdf
《基于U-net和随机森林的齿轮箱振动时频分析和故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于U-net和随机森林的齿轮箱振动时频分析和故障诊断.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 卷第 期 年 月机 电 工 程 .收稿日期:基金项目:国家自然科学基金资助项目()作者简介:张品杨()男辽宁营口人博士研究生主要从事机械设备故障诊断方面的研究:.通信联系人:陈长征男博士教授:.:./.基于 和随机森林的齿轮箱振动时频分析和故障诊断张品杨陈长征(沈阳工业大学 机械工程学院辽宁 沈阳)摘要:对于风电机组齿轮箱()智能故障诊断算法孤立的故障分类结果常常面临置信度不足的问题 为了在故障分类的同时提供除了诊断结论之外的更多信息基于振动时频信息提出了一种用于风电机组齿轮箱振动时频分析和故障诊断的两阶段框架首先在第一阶段中使用 模型自动分割了时频图中与故障有关的特征区域而无需手动设置分
2、割参数然后使用基于形状特征的方法提取了被分割图像中的特征信息最后在第二阶段中利用随机森林算法根据形状特征完成对风电齿轮箱的故障诊断任务并使用采集自华北某风电场的在役风电机组齿轮箱振动数据验证了上述框架的有效性 实验结果表明:分析算法的 分数和诊断算法的诊断精度分别达到了.和.方法与现有方法相比具有更高的综合诊断性能和计算效率 研究结果表明:该框架能够精准地标记时频图中的故障特征区域并快速有效地诊断齿轮箱故障关键词:风电机组齿轮箱故障诊断振动分析齿轮箱时频分析随机森林中图分类号:文献标识码:文章编号:()():().:()引 言行星齿轮箱作为风力发电机的关键部件之一其具有结构紧凑、传动比大、运行
3、平稳等特点 因为风力发电机常常处于恶劣的工作环境中所以行星齿轮箱也是风机传动链中最容易发生故障的部件 因此通过对行星齿轮箱进行状态监测尽早地发现其故障避免发生计划外停机或严重的事故对保证风电设备的安全运行具有重要意义振动信号的分析方法一般可以分为时域、频域和时频域 类 其中时频域分析是处理非稳态信号的有力工具 等人提出了一种迭代广义时频重分配方法其将非平稳多分量信号分解为恒定频率的单分量信号采用该方法可以提高风电机组齿轮箱故障诊断中的时频可读性 孔子迁等人利用卷积神经网络和双向门控循环单元实现了时频特征融合背景下的行星齿轮箱端到端故障诊断目标 孟玲霞等人建立了一个时变转速变载荷的风电机组齿轮箱
4、振动信号模型并在此基础上提出了一种新的时频脊阶次谱故障特征提取方法 等人针对轴承齿轮复合故障提出了一种基于离散小波变换和连续小波变换的时频统计特征的故障诊断方法上述研究虽然能够进行较高精度的故障诊断任务但是缺少直观的时频域证据来支撑诊断结论时频分割是分析时频分布的重要手段之一 例如 等人提出了一种基于多分辨率时频谱分割和振动信号稀疏分解的融合方法该方法提高了最佳原子的计算速度和逼近精度 等人采用时频域几何分布特征来分析经典的最大类间方差()算法结果并提出了一种评估摩擦副磨损程度的新方法上述研究虽然实现了对故障特征区域的分割目的但是没有提出全局性的诊断模型综上所述上述研究工作已经将深度学习应用于
5、基于时频分析的故障诊断研究中但是这些研究者通常旨在开发一种不可拆分的智能系统以此来完成基于时频信息的行星齿轮箱故障诊断任务 而时频分析的过往研究尚缺乏对于最新的全卷机神经网络的应用因此如果将时频分析和基于时频信息的故障诊断纳入到一个连续但模块化的诊断框架中(这与人工诊断过程更加相似)其就能为操作者提供更多、更全面的关于设备健康状态的支撑信息并且使得故障诊断结果更为可信 为此笔者构建一种用于风电机组齿轮箱振动时频分析和故障诊断的两阶段框架由于传统基于阈值的方法在处理高分辨率时频图时容易受到噪声干扰因此笔者在该框架中使用基于全卷积神经网络的语义分割方法即以逐个像素点的形式对时频图像进行标记笔者使用
6、 算法将时频图中属于故障特征的像素点与背景区分开然后使用形状特征来提取分割得到的二值图像中的有用信息最后使用随机森林算法对行星齿轮箱的健康状态做出诊断 基础理论.模型是由 等人在 年首次提出的其最初被应用于医学图像分割领域作为全卷积神经网络的一种重要变体 不包含全连接层而是使用对称布置的卷积层对特征信息进行压缩和重构从而在多尺度上利用上下文信息生成像素级的图像分割结果 目前 模型及其变体在医学图像分割领域应用最多并且正在向机器视觉、基于图像的故障诊断等领域拓展 的结构如图 所示 模型的左边是压缩路径也被称为编码路径它由多个重复出现的压缩模块组成 压缩模块具有卷积神经网络的典型结构包含 的卷积层
7、、激活函数、批量归一化层、的池化层等 模型的右边是扩张路径也被称为解码路径 它的总体结构与压缩路径非常相似同样包含若干个重复出现的扩张模块 相比于压缩模块扩张模块中使用反卷积运算代替了卷积运算并增加了来自压缩路径的跳跃连接层 基于上述设计 呈现出简洁、优雅的 型结构为了更加细致地说明 模型笔者将介绍其中的几个关键构件:)卷积层 它由一组可以设置高、宽的卷积核组成 可学习的卷积核使得卷积层能够对输入中的特征信息进行概括并映射到新的特征空间中 此外共享权重的设置使得卷积层与全连接层相比具有更低的计算复杂度 对于每个卷积核其输出为:()()式中:为第 个输入通道为特征映射的第 个通道 为激活函数为权
8、重为偏置项第 期张品杨等:基于 和随机森林的齿轮箱振动时频分析和故障诊断图 的结构 )反卷积(有时也被称为转置卷积)在 模型中它的作用是提高特征映射的分辨率 为了获得与压缩路径相匹配的扩张能力反卷积层采用 的反卷积核并设置卷积步长为)激活函数 它赋予了卷积网络建模非线性映射的能力 常见的激活函数包括 函数、函数、等 作为一种非饱和激活函数 函数能够缓解梯度消失和爆炸的问题同时能够加速模型学习 因此 被用作压缩模块和扩张模块中的激活函数其计算方法如下:()()()批量归一化层 它是解决批量训练过程中的特征分布漂移问题的重要工具 严重的特征分布漂移会降低网络训练的稳定性加剧过拟合现象发生这在深度神
9、经网络中尤为明显 批量归一化处理则将每层神经元的输出转化为标准正态分布 对于一个批量训练数据归一化处理后的结果如下:()()()()()式中:为批量数据的均值为批量数据的方差为归一化处理结果为经缩放与平移后的归一化处理结果 为缩放因子 为平移因子.形状特征标记后的时频图结果可以被看作一种二值图像它具有和输入图像相同的分辨率 因此对下一步的故障分类算法来说其存在数据冗余的问题 所以笔者使用基于区域的形状特征方法来对数据进行特征提取几何矩是一种简洁有效的基于区域的形状特征提取方法 对于函数()它的()阶几何矩表达式为:()()图形的一些重要区域属性可以从几何矩衍生出来:定义了一个图形的质量(/)定
10、义了一个图形的重心()定义了一个图形的惯性矩它描述了图形相对于坐标轴的质量分布上述性质对于表征标记后的时频图像中的特征区域分布情况十分有用.随机森林随机森林是一种基于集成学习思想的人工智能技术 针对传统决策树算法易发生过拟合的问题开发了基于多个分类回归树()和装袋算法()的集成分类器并将其成功运用机 电 工 程第 卷到图像分类领域在准备阶段笔者先将原始数据集按比例划分为训练集和测试集(其中训练集将用于后续决策树的训练测试集将用于决策树的性能验证)然后使用 方法从训练集中有放回地随机抽取训练样本并使用随机选取的特征子集对决策树进行训练这种设置为决策树的构建增加了独立性能够增强模型最终的抗噪声性能
11、和泛化能力 在训练集中反复使用 方法直到构建所需的所有决策树 随机森林算法的最终输出由所有决策树的结果统计得出 对于回归问题通常将不同决策树预测值的平均值作为随机森林的输出 对于分类问题基于决策树的输出采用多数投票的机制来确定最终输出随机森林算法主要步骤及流程如图 所示随机森林算法的详细过程如下:)构建训练样本集设置决策树个数、特征集大小等超参数)对训练样本集进行随机采样构建训练子集)随机抽取特征)基于 算法使用只含部分特征的训练子集建立决策树)重复上述过程直至得到完整森林)将测试集代入训练好的随机森林)将所有决策树的输出汇总投票得到最终结果 基于 和随机森林的两阶段框架.两阶段框架的结构笔者
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 net 随机 森林 齿轮箱 振动 分析 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。