具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述，附图中给出了本发明的若干实施例，但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例，相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件；当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件；本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同；本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明；本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

实施例1

参照附图1所示，本实施例的一种基于深度学习的旋转机械齿轮箱故障诊断方法，诊断方法包括如下步骤：

S1、采集旋转机械齿轮箱运行的振动信号；

S2，对振动信号进行基于奇异值分解得到原始信号；

S3，利用对称点阵图像分析法将原始信号的一维时间序列形式映射至二维空间中构建二维图像信息；

S4，根据二维图像信息的离散点的密集程度进行故障类型特征提取；

S5，利用提取的故障类型进行深度神经网络进行故障训练和判别。

本实施例的振动信号包括旋转加速度、旋转速度、位移以及频率。

本实施例的步骤S2中的奇异值分解方法如下：

S21，构建振动加速度时序信号的一维特征矩阵Hankel矩阵，设原始含噪声信号序列为X＝[x(1)，x(2)，...x(N)]，构造Hankel矩阵为：

其中，q＜N且满足N＝p+q-1，A_p×q为原始时序信号中真实信号特征矩阵，B_p×q为噪声矩阵序列构成的特征矩阵，构造Hankel矩阵时，行数p和列数q相等，取偶数数据点的时间序列，如果序列为奇数则进行取偶处理。

S22，Hankel矩阵奇异值分解，将Hankel矩阵进行奇异分解，表示为两个正交矩阵和非对称对角矩阵的乘积：

其中，和V_q×q分别为p阶和q阶正交矩阵；M_p×q为非对称对角矩阵；

σ_i为矩阵Hankel的奇异值，r为矩阵的秩。

S23，选取L个的有效奇异值，其余奇异值置为0，并对奇异值分解过程取逆矩阵进行重构，获得重构后的矩阵H′，此时的H′就是去噪后的振动信号的Hankel矩阵，如下：

S24，对H′矩阵进行逆奇异分解过程得到降噪后的齿轮箱振动加速度信号

X′＝[x′(1)，x′(2)，...x′(N)]。

本实施例的步骤S23中L值的确定采用逆奇异值均分谱法，逆奇异值均分值法对所得到的奇异值按照由大到小的方式进行排列：

K＝rank(σ₁，σ₂，...，σ_m)

定义为奇异值的平均值，对比b和所有奇异值，将奇异值大于均值奇异值认为有效奇异值，其他奇异值置为0，进行信号重构。

本实施例的步骤S3的具体内容为利用对称图像点阵分析法将降噪后的一维时序振动减速度信号映射到二维空间中，在二维空间构成相关对称图案，利用花瓣信号密集程度进行旋转设备齿轮振动加速度信号的特征提取，其中，时序第i和i+l信号对应的振动加速度值为x′(i)和x′(i+l)，利用对称点阵变换将这两个时刻的信号映射至二维空间，极坐标表示为：Z(r(i)，θ(i)，φ(i))，映射公式如下所示：

其中，r为极坐标图案的半径，θ为花瓣以逆时针方向沿对称平面镜像偏转的角度；φ为花瓣反方向顺时针的镜像；x_max为该信号序列中的最大幅值；x_min为该信号序列中的最小幅值；l为时间间隔参数；θ为花瓣在镜像翻转时对应的对称角度，为放大因子

本实施例的l和θ值的选择通过改进粒子群算法进行优化，构建二维图像区分度指标为目标函数的优化模型，优化l和θ三个参数，区分度指标包括：二维图案花瓣臂的粗细差别、相邻两个花瓣臂的拟回归边线的夹角两个指标来表征，用对应点的泛函表示目标函数，如下所示：

其中，||||为泛函计算，N为序列数量。

本实施例的改进粒子群算法，在粒子群位置公式中增加粒子群平均适应度位置对下一代粒子位置的影响，由此提高系统的收敛速度，位置公式如下所示：

v_i(k)＝ωv_i(k-1)+c₁r₁[p_i，best(k-1)-x_i(k-1)]

+c₂r₂[g_best-x_i(k-1)]+c₃r₃[x_avg(k-1)-x_i(k-1)]

x_i(k)＝v_i(k)+x_i(k-1)

式中ω为飞行速度的惯性权重，v_i为粒子速度，x_i为粒子位置，x_avg为粒子平均位置；r₁，r₂，r₃，c₁，c₁，c₃为随机数分别取值为(0～1)，(0～1)，(0～1)，(0～2)，(0～2)，(0～2)，k为迭代次数。

本实施例的步骤S5中针对旋转机械齿轮箱的振动信号特性，从神经网络的迭代次数、批量尺寸、卷积核尺寸以及卷积核系数等四个主要参数的优化递进进行构建神经网络训练模型。

本实施例的利用网络计算对神经网络的迭代次数、批量尺寸、卷积核尺寸以及卷积核个数等参数进行优化，网络计算如下：

设定网络的实际输出O，期望输出Y，E为二者差异，其中，k为迭代次数，ω为批量尺寸，b为卷积核尺寸，β卷积核个数，k，ω，b和β满足以下关系：

其中，η₁，η₂，η₃，η₄分别为步长自适应调整变量，为(0，1)的随机数。

本实施例的故障类型包括但不限于旋转机械齿轮箱齿轮缺齿、断齿、磨损、齿根裂纹、轴承内圈故障、外圈、滚珠、混合故障等。

如图2所示，选取奇异值为2时的降噪，效果如图。

图3-7分别表示，不同状况下采集的振动信号波形图，依次为正常、齿根裂纹、齿轮磨损、齿轮断齿和齿轮缺齿。

图8-12分别表示，不同状况下采集的振动信号的二维映射图，依次为正常、齿轮缺齿、齿轮断齿、齿轮磨损和齿根裂纹。

无降噪处理的振动信号，如下：

表1

对表1进行降噪处理的振动信号，如下：

表2

以上所述实施例仅表达了本发明的某种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，本发明专利的保护范围应以所附权利要求为准。