(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111657329.1 (22)申请日 2021.12.3 0 (71)申请人 天津理工大 学 地址 300000 天津市西青区 宾水西道391号 (72)发明人 张冕　康天博　马跃　黎德才　 王艺樵　 (74)专利代理 机构 天津易企创知识产权代理事 务所(普通 合伙) 12242 代理人 宋朋飞 (51)Int.Cl. G01M 13/028(2019.01) G01M 13/021(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于DAE-CNN的行星齿轮箱故障诊断方法 (57)摘要 本发明公开了基于DAE ‑CNN的行星齿轮箱故 障诊断方法， 属于行星齿轮箱故障诊断技术领 域， 包括以下步骤， (1)获取不同健康 状态下的行 星齿轮箱振动信号， 对数据进行预处理构建样本 集； (2)构建深度自编码器； (3)对深度自编码器 进行训练； (4)提取深度自编码器的编码器输出 层的输出， 进行训练数据集和测试数据集的划 分， 以作为卷积神经网络的输入； (5)构建卷积神 经网络； (6)对卷积神经网络进行训练； (7)构建 DAE‑CNN模型； (8)获取故障诊断结果。 本发明提 高了故障诊断方法鲁棒 性。 权利要求书2页 说明书8页 附图3页 CN 114371002 A 2022.04.19 CN 114371002 A 1.基于DAE ‑CNN的行星齿轮箱故障诊断方法， 其特 征在于： 包括以下步骤， (1)获取不同健康状态下的行星 齿轮箱振动信号， 对数据进行 预处理构建样本集； (2)构建深度自编码器； 自编码器的各层节点数依 次为1024*128*64*10*N*10*64*128*1024， 编码层和 解码层 是对称结构， 包含的神经元个数相同， 输入层和输出层均包含1024个神经元， 编码层的前3 个隐藏层神经元个数分别为128、 64、 10， 第4个隐藏层(中间层)作为编码输出， 其神经元个 数N为2、 4、 8和10， 分别对应所设计的四种深度自编码器； (3)对深度自编码器进行训练； (3a)利用预处理好的数据集来训练网络的第一层， 得到第一层的参数， 然后网络第一 层将原始输入转化为由隐藏单元激活值组成的向量， 将向量作为第二层的输入， 继续训练 得到第二层的参数， 对其 他层也按此规则处 理； (3b)自编码器最后一层使用Tanh函数作为神经元的激活函数， 其他层采用Relu函数作 为激活函数， 而自编码器获取合适的参数θ＝(We,Wd,be,bd)， 以最小化损失函数， 损失函数 为： 式中， λ是权重||W||2是通过最小化参数L2范数来避免过度拟合的正则项， 是重 建损失； (3c)将8类故障数据分别输入至深度自编码器进行训练； (4)提取深度自编码器的编码器输出层的输出， 进行训练数据集和测试数据集的划分， 以作为卷积神经网络的输入； (4a)从深度自编码器的编码器输出层提取的I个振动时域信号数据， 以及每个数据对 应的标签作为训练数据集 所有故障标签的类别为0， 1， 2， …， q，…， Q， 其中Q为故 障标签的类别总数， I≥2000， 且I＞＞Q， x_traini表示第i个训练样本， y_traini表示每个训练样本的标签； (4b)将深度自编码器的编码器输出层提取的J个振动时域信号数据作为测试数据集 x_testj表示第J个测试样本； (5)构建卷积神经网络； 构建的卷积神经网络其网络结构包含4个卷积层、 1个全连接层和1个输出层， 卷积层接 受自编码器提取的I ×N向量， 通过3 ×1大小的卷积核进行卷积操作， 卷积层的激活函数为 Relu函数， 全连接层包括256个神经元， 输出层的激活函数采用softmax函数以实现故障分 类， 其包含8个神经 元来完成8分类的任务； (6)对卷积神经网络进行训练； (7)构建DAE ‑CNN模型； (8)获取故障诊断结果。 2.根据权利要求1所述的基于DAE ‑CNN的行星齿轮箱故障诊断方法， 其特征在于： 在步 骤(1)中， 包括以下步骤， (1a)将采集的不同健康状态下x个齿轮振动时域信号数据作为训权　利　要　求　书 1/2 页 2 CN 114371002 A 2练数据集X； (1b)将通过采集器采集不同健康状态下的y个齿轮振动时域信号数据作为测试数据集 Y； (1c)对数据进行归一 化处理并作打乱。 3.根据权利要求1所述的基于DAE ‑CNN的行星齿轮箱故障诊断方法， 其特征在于： 构建 的深度自编码 器包括1个输入层， 7个隐藏层和1个输出层， 根据不同的中间层神经元数目N， 设计具有4种不同中间层的深度自编码器， 第4个隐藏层即为中间层。 4.根据权利要求1所述的基于DAE ‑CNN的行星齿轮箱故障诊断方法， 其特征在于： 步骤 (3)中所述的深度自编码器训练中其编码过程输出 结果为： y＝fe(Wex+be) 其中， fe是一个激活函数， We是一个m' ×m权重矩阵， 以及be是一个偏移 向量， 其维度为 m'； 解码过程输出 结果为： 其中， fd也是一个激活函数， Wd是一个m' ×m权重矩阵， 以及bd是一个偏移 向量， 其维度 为m。 5.根据权利要求1所述的基于DAE ‑CNN的行星齿轮箱故障诊断方法， 其特征在于： 步骤 (4)中所述的将深度自编码器的输出作为卷积神经网络的输入， 采用滑动平移窗处理的方 式， 将编码器提取的I ×N向量进行切片处 理， 作为卷积神经网络的输入层。 6.根据权利要求1所述的基于DAE ‑CNN的行星齿轮箱故障诊断方法， 其特征在于： 在步 骤(6)中， 包括以下步骤， (6a)采用10次10折交叉验证的方法， 将训练集X1划分为大小相同 的10份， 每次选择1份作为验 证集Vk， 其余9份作为训练集Tk， 共划分10次， 得到10组不同的训 练集和验证集； (6b)利用划分好的数据集来训练网络的第一层， 得到第一层的参数， 原始输入经过线 性加权和非线性激活后， 输入至下一层神经 元， 其他层也按此规则处 理。 7.根据权利要求1所述的基于DAE ‑CNN的行星齿轮箱故障诊断方法， 其特征在于： 步骤 (7)中所构建的DAE ‑CNN模型包含4种不同中间层的网络， 且将DAE编码器输出层的输出作为 CNN的第一层卷积输入。权　利　要　求　书 2/2 页 3 CN 114371002 A 3