【技術實現步驟摘要】
本專利技術涉及齒輪箱故障診斷，尤其是一種基于物理信息神經網絡的齒輪箱故障診斷方法。
技術介紹
1、齒輪箱作為機械傳動系統中的核心部件，其運行狀態直接關系到整個設備的可靠性和生產效率。然而，由于齒輪箱通常在復雜的工作環境中長期運行，受到負載波動、潤滑不足和部件磨損等多種因素的影響，齒輪箱極易發生故障，常見的故障包括齒輪磨損、疲勞斷裂、軸承損壞等。尤其是在大型工業設備中，齒輪箱的故障不僅會導致生產停滯，還可能引發嚴重的安全隱患。因此，如何及時、準確地診斷齒輪箱故障對設備的維護和生產安全至關重要。
2、現有的齒輪箱故障診斷方法主要依賴于振動信號、溫度變化、聲音信號等多種傳感器數據，通過分析這些物理量的異常特征來識別齒輪箱的潛在故障。例如，振動分析可以有效監測齒輪箱內部齒輪嚙合時的振動模式，當齒輪出現損壞、疲勞或失效時，其振動信號會表現出明顯的異常。然而，由于振動信號極易受到外界環境噪聲的干擾，且在復雜工況下不同類型的故障可能表現出相似的特征，這使得故障診斷的準確性受到了極大限制。
3、近年來，隨著深度學習技術的快速發展，研究者們逐漸將神經網絡應用于齒輪箱故障診斷中，通過構建端到端的模型自動提取振動信號中的特征，并進行分類識別，從而大幅提高了故障診斷的效率和準確性。常見的神經網絡架構包括卷積神經網絡(cnn)、循環神經網絡(rnn)、長短期記憶網絡(lstm)等。然而，這些基于數據驅動的深度學習方法并未充分考慮齒輪箱系統的物理特性，模型在訓練過程中缺乏物理約束，導致其泛化能力不足，特別是在復雜工況和未見故障模式下
4、為此，提出一種基于物理信息神經網絡的齒輪箱故障診斷方法，通過將齒輪箱的動力學方程作為物理約束，嵌入到神經網絡的訓練過程中，使得模型不僅依賴于數據的學習，還能夠遵循齒輪箱系統的物理規律。該方法能夠提高模型的泛化能力，減少噪聲干擾對診斷結果的影響，并在復雜工況下實現對齒輪箱故障的準確診斷。
技術實現思路
1、有鑒于此，本專利技術旨在提出一種基于物理信息神經網絡的齒輪箱故障診斷方法，實現對齒輪箱故障的高效、精準診斷，并提高其診斷的自動化程度。該方法通過將物理約束與神經網絡結合，有效利用實際數據與仿真數據進行建模，能夠準確診斷齒輪箱的多種故障，且診斷結果具有良好的魯棒性和泛化能力。
2、本專利技術通過以下技術方案實現：
3、一種基于物理信息神經網絡的齒輪箱故障診斷方法，包括以下步驟：
4、s1：獲取齒輪箱中齒輪的設計參數，并在齒輪箱軸承周邊布置振動信號傳感器，并在齒輪頂側布置齒輪轉速傳感器；
5、s2：挑選一批健康齒輪與故障齒輪作為樣本，通過電機驅動讓齒輪箱平穩運行后，通過s1步驟中布置的振動信號傳感器與齒輪轉速傳感器，獲取各類齒輪的振動信號與角速度信號；
6、對得到的齒輪振動信號與角速度信號做好分類標簽，得到有標簽的實測數據集；
7、s3：建立齒輪動力學模型，通過數值求解方法對齒輪動力學模型進行求解，得到有標簽的仿真數據集；
8、s4:利用有標簽的實測數據集和有標簽的仿真數據集訓練物理信息神經網絡模型，得到訓練完成后的物理信息神經網絡模型；
9、s5：將s2中得到的有標簽的實測數據集，s3中得到有標簽的仿真數據集，導入到訓練完成后的物理信息神經網絡模型中，得到時變嚙合剛度變化曲線數據集，將得到的時變嚙合剛度變化曲線數據集做好分類標簽，得到有標簽的時變嚙合剛度曲線數據集；
10、s6：通過對s5得到的有標簽的時變嚙合剛度曲線數據集計算各類特征，作為故障分類訓練集；
11、s7：利用s6中得到的故障分類訓練集訓練一個多分類算法模型，得到訓練好的多分類算法模型；
12、s8：采集齒輪箱實際工作狀態下的齒輪振動信號，獲得待測齒輪振動數據集；
13、s9：將實際采集到的待測齒輪振動數據輸入到s4訓練完成后的物理信息神經網絡模型中，輸出時變嚙合剛度變化曲線，之后通過對輸出的時變嚙合剛度變化曲線計算s6步驟中的各類特征，最后將特征輸入到s7訓練好的多分類算法模型中，得到分類結果，即為齒輪箱故障結果。
14、進一步優選，一種基于物理信息神經網絡的齒輪箱故障診斷方法，該方法包括以下步驟：
15、步驟s1：在齒輪箱軸承周邊布置振動信號傳感器，并在齒輪頂側布置齒輪轉速傳感器，獲取齒輪箱的振動信號和角速度信號。具體地，在齒輪箱的主動輪和從動輪的軸承座下方布置振動傳感器，用于采集豎直和水平方向上的振動信號，并通過齒輪轉速傳感器獲取齒輪的角速度信號。
16、步驟s2：挑選一批健康齒輪與故障齒輪作為樣本，其中故障齒輪的故障類型包括齒根斷裂和齒面剝落，獲取有標簽的實際訓練數據集。具體操作為，分別使用故障的齒輪箱和健康的齒輪箱持續運行10秒，采集對應的齒輪振動信號與角速度信號，形成有標簽的實測數據集。
17、步驟s3：建立健康齒輪動力學模型和各類故障齒輪動力學模型，通過數值求解方法計算得到理論的齒輪箱振動信號和角加速度信號，形成標有標簽的仿真數據集，利用有標簽的仿真數據集和有標簽的實測數據集訓練一個以動力學方程作為物理約束的物理信息神經網絡模型，該模型以長短期記憶網絡(lstm)作為物理信息神經網絡的神經網絡結構，該物理信息神經網絡有6個輸入(主動輪和從動輪水平和豎直方向上的振動信號和角加速度)，1個輸出(時變嚙合剛度)，得到訓練完成的物理信息神經網絡模型。
18、步驟s4：將有標簽的實測數據集與有標簽的仿真數據集輸入到訓練完成的物理信息神經網絡模型中，得到時變嚙合剛度變化曲線數據集。
19、步驟s5：對時變嚙合剛度變化數據集曲線做好故障分類標簽，形成有標簽的時變嚙合剛度曲線數據集。
20、步驟s6：對步驟s5中得到的有標簽的時變嚙合剛度曲線數據集提取時域特征、頻域特征和時頻混合特征，作為故障分類的特征向量，構建故障分類訓練集。
21、步驟s7：使用上述故障分類訓練集訓練一個多分類算法模型，用于齒輪故障的分類。
22、步驟s8：采集齒輪箱實際工作狀態下的齒輪振動信號，獲得待測齒輪振動數據集；
23、步驟s9：將實際采集到的待測齒輪振動數據輸入到s3訓練完成后的物理信息神經網絡中，輸出時變嚙合剛度變化曲線，之后通過對輸出的時變嚙合剛度變化曲線計算s6步驟中的各類特征，最后輸入到s7訓練好的多分類算法模型中，得到分類結果，即為齒輪箱故障結果。
24、改進特性：
25、在步驟s1中，所述的信號包括：齒輪主動輪和從動輪軸下方水平和豎直方向上的振動信號、齒輪角速度信號。
26、安裝高頻率動態采集系統，利用電荷型振動傳感器在齒輪箱主動輪和從動輪的軸下方采集水平和豎直方向上的振動信號，使用信號放大器將信號放大并轉化至10khz采集設備進行數據采集，最終保存為tdms格式的健康數據集。
27、在步驟s2中，所本文檔來自技高網...
【技術保護點】
1.一種基于物理信息神經網絡的齒輪箱故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于物理信息神經網絡的齒輪箱故障診斷方法，其特征在于，步驟S2中，所述的故障包括：齒根斷裂和齒面剝落。
3.根據權利要求1所述的基于物理信息神經網絡的齒輪箱故障診斷方法，其特征在于，步驟S2中，所述的齒輪振動信號包括：齒輪主動輪和從動輪軸的水平和豎直方向的振動信號。
4.根據權利要求1所述的基于物理信息神經網絡的齒輪箱故障診斷方法，其特征在于，步驟S4中，所述的物理信息神經網絡模型采用長短期記憶網絡作為網絡結構并以動力學方程作為物理約束，以齒輪箱中齒輪振動信號與角速度信號為輸入，時變嚙合剛度為輸出。
5.根據權利要求1所述的基于物理信息神經網絡的齒輪箱故障診斷方法，其特征在于，步驟S4中，訓練物理信息神經網絡模型，采用的總損失函數為：
【技術特征摘要】
1.一種基于物理信息神經網絡的齒輪箱故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于物理信息神經網絡的齒輪箱故障診斷方法，其特征在于，步驟s2中，所述的故障包括：齒根斷裂和齒面剝落。
3.根據權利要求1所述的基于物理信息神經網絡的齒輪箱故障診斷方法，其特征在于，步驟s2中，所述的齒輪振動信號包括：齒輪主動輪和從動輪軸的水平和豎直方向的振動信號。
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。