基于深度学习的变速器故障数据分类识别研究

摘要

变速器作为车辆的重要零部件，长期工作在复杂多变工况下，属故障多发件。因此，在变速器出厂前，需用变速器在线检测系统准确判断变速器的运行状态。在线检测系统的这一重要作用也对其故障识别精度提出了较高要求。目前在线检测系统对变速器故障识别精度不高，仍需人工听音辅助。而人工听音判别变速器故障存在着主观性较大、易疲劳，一致性较差等问题。因此，需要对变速器在线检测系统的故障分类识别问题进行进一步研究。　　变速器非稳态工况下的振动信号具有非线性、非平稳性的特点，而深层神经网络对复杂非线性信号具有较好的识别能力。因此，本文采用深层卷积神经网络（CNN）和深度信念网络（DBN）研究变速器制造故障的分类识别问题。主要的研究内容如下：　　（1）本文以变速器在线检测系统采集的故障数据为基础。首先对数据进行准确的标签标注，然后采用不同的信号处理方法对振动数据进行分析，并根据一定标准选取恰当的信号处理方法。最终建立原始振动数据集、时频域统计数据集和转速三维谱阵图数据集。每类数据集均包含六类标签，分别为合格、齿轮磕碰伤、输入轴磕碰伤、啸叫、拨叉干涉和复合故障类。　　（2）对合格、齿轮磕碰伤、啸叫和复合故障四类进行分类识别。首先搭建了AlexNetC、GoogLeNetC和ResNetC网络，完成了三种网络对转速三维谱阵图数据集的分类识别；然后搭建了基于残差模块的CNN网络，完成了网络对原始时域振动数据集的分类识别；最后搭建了DBN网络，完成了网络对时频域统计数据集的分类识别。通过比较分析，选择出性能最优的深层神经网络和相对应的变速器故障数据集。　　（3）为进一步提高分类识别模型的准确度，对该网络隐含层进行可视化，分析问题并提出优化思路。然后重新进行多次网络训练，得到更优的分类识别模型ResNetC-v2。　　（4）针对拨叉干涉和输入轴磕碰伤类，采用迁移学习的方法使模型ResNetC-v2完成对此两类数据的再学习，从而网络ResNetC-v2完成全部六类数据的分类识别。　　实验表明：（1）相较于DBN网络，CNN网络对变速器故障数据集有更优异的识别能力。使用CNN网络完成对转速谱阵图数据集中四个类别的分类识别，最优网络为ResNetC，其测试准确率为92.62%.（2）采用迁移学习的方式，网络完成对六类数据的全部学习，最终的测试精度为92.3%.

目录

声明

1 绪论

1.1 选题背景和意义

1.2 深度学习概述

1.2.1 深度学习相关的公开数据集

1.2.2 深度学习网络模型

1.3 故障诊断国内外研究现状

1.4 论文主要研究内容

2 CNN和DBN理论基础

2.1 卷积神经网络原理

2.1.1 卷积层

2.1.2 池化层

2.1.3 激活层

2.2 CNN结构与训练过程

2.2.1 CNN结构

2.2.2 CNN训练过程

2.3 深度信念网络原理

2.3.1 RBM预训练

2.3.2 BP神经网络微调

2.4 DBN结构与训练过程

2.5 本章小结

3 变速器振动数据集建立

3.1 变速器常见故障形式及成因

3.1.1 变速器制造故障

3.1.2 变速器疲劳故障

3.2 振动信号处理方法

3.2.1 时频域统计指标

3.2.2 转速谱阵图

3.3 变速器台架试验设置

3.4 数据集的建立

3.4.1 数据集的处理过程

3.4.2 数据集的属性

3.4.3 数据集部分展示

3.5 本章小结

4 基于CNN和DBN的故障数据分类识别

4.1 基于CNN对转速谱阵图的分类识别

4.1.1 AlexNet、GoogLeNet、ResNet卷积神经网络

4.1.2 三种卷积神经网络实验环境

4.1.4 三种卷积神经网络实验参数设置

4.1.5 三种卷积神经网络实验过程与结果分析

4.2 基于CNN对原始振动数据的分类识别

4.2.1 基于残差模块的CNN网络

4.2.2 基于残差模块的CNN网络实验参数设置

4.2.3 基于残差模块的CNN网络实验过程和结果分析

4.3 基于DBN对时频域统计指标的分类识别

4.3.1 基于DBN的时频域统计指标分类网络

4.3.2 基于DBN的时频域统计指标分类网络的实验参数设置

4.3.3 基于DBN的时频域统计指标分类网络的实验过程和结果分析

4.4 本章小结

5 ResNetC转速谱阵图分类识别模型优化

5.1 ResNetC网络可视化分析

5.2 ResNetC网络优化

5.2.1 ResNetC网络架构优化

5.2.2 ResNetC_V2网络超参数优化

5.3 迁移学习

5.3.1 迁移学习数据集准备

5.3.2 迁移学习参数设置

5.3.3 迁移学习实验结果

5.4 小结

6 总结和展望

6.1 全文总结

6.2 研究展望

致谢

参考文献

个人简历、在学期间发表的学术论文及取得的研究成果