中航工业

随便写点什么

对振动信号样本集进行预处理，其中包括：1，添加NoiseX-92噪声库中的机舱噪声；2，进行FFT变换，得到频谱；3，标注标签，划分为训练集和测试集。本模块输入信号为五种状态下的振动信号，每个样本为10000点时域信号，信号采样频率为10kHz，频率分辨率为1Hz/点，经过傅里叶变换得到5000点频谱，频谱范围为1Hz~5000Hz。从图4中可以看出，频谱能量主要集中在1级太阳轮啮合频率二倍频的范围，二倍啮合频率范围之后的频谱波动变化较小，而转速为60Hz的情况下，二倍啮合频率为2000Hz，因此截取频谱前2000点作为样本，频谱范围为1Hz~2000Hz，再划分为训练集和测试集，最终经过预处理得到的数据格式如表2所示：

本章提出了一种基于深度学习多样性故障特征提取与集成学习信息融合的行星齿轮箱故障诊断方法。基于多个SDAE优化准则建立深度学习多样性故障特征提取模型，利用MOEA/D对其进行求解，得到多个性能优异的SDAE，称之为MO-SDAE。再通过MLR对多个MO-SDAE的故障诊断信息进行决策层融合，提出集成分类器MO-ESDAE。将MO-ESDAE应用于行星齿轮箱故障诊断，通过实验结果分析，得出以下结论：

(1)相比于传统的遗传算法求解单目标优化问题，利用MOEA/D求解基于多个优化准则的深度学习多样性故障特征提取模型，同时得到多个性能优异的MO-SDAE。这组多样性MO-SDAE可以提取出多样性的故障特征信息，能更全面地表示数据的内在特征和结构。

(2)深度学习多样性故障特征模型通过引入故障特征稀疏性最小和故障分类错误率最高两个优化准则，使得MO-SDAE可以提取出稀疏性好，可分性强的故障特征，具有更强的特征表达能力和故障识别能力。

(3)基于一组多样性MO-SDAE，通过决策层信息融合，构建集成分类器MO-ESDAE，进一步提高了故障识别能力和分类稳定性，且在一定噪声范围内对不同噪声的鲁棒性较强。

针对行星齿轮箱振动信号易受噪声干扰、诊断样本较少以及样本不平衡等诊断样本信息不足的问题，本章提出将生成对抗网络与堆栈去噪自动编码器相结合，建立一种SDAE-GAN故障诊断模型。SDAE-GAN在训练过程中，利用GAN生成器生成与原样本分布近似的新样本，生成的新样本与原样本都用于判别器训练，实现样本集扩充，解决诊断样本较少以及样本不平衡的问题；SDAE作为GAN判别器，一方面通过在训练自动编码器时融入去噪编码，提高了模型的抗噪能力；另一方面，可以从输入样本中自适应提取出有效的故障特征，并进行样本的真伪判别和故障分类。通过对抗学习机制，交替优化判别器和生成器，提高SDAE-GAN的样本生成和故障判别能力。将SDAE-GAN应用于行星齿轮箱故障诊断，有效提高了样本信息不足情况下的故障识别能力。

通过实验结果分析，本章得到以下结论：

(1)在SDAE-GAN的判别器SDAE中融入去噪编码，可提取到更具鲁棒性的故障特征，提高了故障诊断模型的抗噪能力。

(2) SDAE-GAN能生成与原样本分布近似的新样本，扩充了样本数据集，并与原样本共同训练故障分类器，解决诊断样本较少以及样本不平衡的问题，提高了故障分类器的泛化能力。

(3)基于SDAE-GAN的行星齿轮箱故障诊断算法，通过对抗学习机制，交替训练生成器和判别器，提高了生成器的样本生成能力和判别器的故障分类能力。相比于其他故障诊断模型，SDAE-GAN可以在强噪声背景、诊断样本较少以及样本不平衡情况下有效识别出行星齿轮箱早期故障。