基于SCGAN网络的齿轮故障诊断方法

基于SCGAN网络的齿轮故障诊断方法

李成刚, ,李宁

杭州杰牌传动科技有限公司  浙江省杭州市萧山区   311223

摘要：齿轮箱是机械设备的核心部件，特别是在工程机械、煤矿机械及航空机械等不同领域的机械设备中，齿轮数量多，结构复杂，齿轮传动往往既有定轴传动也有行星传动，因此故障形式不仅表现为不同的单故障，还伴随着复合故障。复合故障较单故障来说信号混杂，故障特征不明显，多种故障信号之间相互耦合，对其进行故障诊断较为困难，故机械设备齿轮箱齿轮故障诊断一直是相关领域研究的热点。复合故障信号所表现出的非线性函数关系较单故障来说更难以被挖掘。在齿轮复合故障诊断方面，传统的诊断方法多集中在对于信号特征提取方面的研究，通过对故障信号的特征图谱进行去噪、滤波等方法提取出有效特征。基于此，对基于SCGAN网络的齿轮故障诊断方法进行研究，仅供参考。

关键词：半监督学习；齿轮故障；智能诊断

引言

齿轮箱是风力发电机最重要的部件之一，它的故障将直接影响风力发电过程中的风能和电能转换。因此，为了避免这类问题，人员需要定期检查变速箱，并在发现故障时进行诊断。目前，最常用的故障诊断方法是振动分析法。该方法通常采用基于经验模式的减速器故障诊断和Tageaer能量算子解调，并采用改进的k均值算法进行变速器故障诊断。与其他故障诊断方法相比，上述两种方法不仅适用范围更广，而且诊断精度更高。然而，减速器的故障诊断方法，将经验模式和tageaer能量算子解调相结合，仍然存在样本需求高等缺点。人们认为，随着科技的逐步发展，员工将进一步优化现有的机械诊断方法。

1CNN

一般用于有监督学习，在处理分类问题时，依据有标签样本的指导，能获得较好的识别精度，但缺乏对未知样本的学习能力。无监督学习可以借助部分无标签的样本指导训练有标签的样本，获得比只用有标签的样本训练得到的分类器性能更优的分类器，同时也能解决有标签样本数量不足的问题。在深度学习中，GAN是无监督学习的代表，其在提高分类器性能、改善样本集质量及增强模型鲁棒性等方面具有优势。在CNN的基础上，融入GAN的基本思想，提出一种半监督卷积对抗神经网络模型，最大化地发挥两种人工神经网络学习特征图谱的优势，用于解决不同齿轮箱中齿轮单故障及复合故障的识别问题。

2齿轮箱故障诊断方法研究现状

随着风力发电技术的大规模应用，诊断中国风力齿轮箱故障的研究方法也在进一步深化。目前有三种广泛用于诊断风电齿轮箱故障的方法。对风电机组故障诊断方法的原则进行分类的故障诊断方法可分为振动分析方法、油液分析方法和声发射技术三大类。众所周知，齿轮箱和轴承的移动过程中必然会发生一些振动，vibroanalysis方法是通过分析齿轮箱和轴承的振动来诊断风力发电机齿轮箱故障的方法。振动分析方法主要依靠振动传感器来监测风电机组运行过程中齿轮箱的振动。振动振幅和传输频率过高意味着变速箱坏了。与振动分析方法不同，油分析方法是通过分析齿轮箱的油组成来确定是否存在故障的诊断方法。如果齿轮箱破损而产生摩擦，油中会出现磨粒，工人可以通过分析磨粒的大小和数量来实施变速器故障诊断。声发射(AE)技术是一种非破坏性机械诊断技术，通过直接分析电压波，可以实现机械设备诊断。在上述三种诊断方法中，振动分析最常用。这是因为油分析方法往往有很强的局限性，但声发射技术可以进行无损测试，但检测精度往往很低。本文提到的三种故障诊断方法均见振动分析方法。

3故障诊断方法的选取

原始振动信号被采集。为了将缺陷信息与复杂振动信号分开，CEEMDAN方法用于分解振动信号。可以分解多个模态函数，其中一些包含错误信息，一些包含干扰信息。根据旋转机械故障信号的时频特征，引入信息熵来选择包括故障信息的模态函数。包含缺陷信息的模态函数是利用信息熵选择的，信息熵为以后的缺陷诊断提供了准确的数据。包含缺陷信息的模态函数Hilbert壳谱然后由Hilbert变换得到，并且以缺陷特征的清晰频率作为缺陷诊断的特征基础。因此，CEEMDAN、IE和HT的组合可以有效减少干扰噪声的影响，并提取准确的错误信息。

4SCGAN结构

利用GAN网络中生成模型与判别模型之间相互博弈的思想，参考经典的lenet5网络作为CNN的基础模型，将2个CNN分别作为GAN中的D网络与G网络，通过训练达到提高G生成图像的能力以及D图像分类的能力，以增加故障诊断的精度。改进后的模型结构，以不同的图像作为模型的初始输入。首先，在将样本集输入G网络之前，对图像进行随机翻转、剪裁等标准化设置，使得在训练与测试时，图片像素值归一化，这样可以提升收敛速度，节省训练时间；其次，对G网络进行卷积，再进行反卷积，将所有降采样卷积部分的激活函数Relu替换为LeakyRelu，防止梯度稀疏，由于传统CNN的全连接层参数过多，易发生过拟合现象，故去掉全连接层，并用带步长的卷积代替池化，步长均设置为2，加快收敛速度；然后，将G网络输出层替换为Tanh函数，它的值域为，与输入数据时所做的标准化处理范围保持一致，在G与D的每层中都加入BatchNorm函数做归一化处理，提高模型稳定性与训练速度；最后，在分类器上的输出层上添加soft⁃max层，对应N+1类样本，多出的一类对应生成器G生成的样本。假设给G输入N类故障信号，那么到达D的输出层时类别为N+1类，模型使用N+1类进行训练，N类进行验证。

5齿轮的失效形式及振动信号特征分析

风力发电机的变速器中的齿轮在运行过程中保持着不面临的系统性振动，因此工作人员可以根据齿轮的振动判断变速箱是否出现故障。同时，齿轮发生故障时，会出现相应的误操作特性。齿轮故障最常见的形式是断牙。断牙是指在工作过程中由于更多的压力而出现裂纹或折断的齿轮牙齿。齿轮发生故障时，齿轮的振动频率经常以一定的间隔出现，工作人员可以在齿轮旋转时根据频率间隔判断齿轮是否损坏。第二，齿轮箱中的齿轮在长时间工作时可能会磨损。齿轮的磨损将直接影响齿轮网格表面的大小，在行程过程中齿轮的振幅会发生很大变化。最后，皮特可能发生在齿轮长时间工作期间。版型是指反复暴露在齿轮中，对牙齿表面造成裂纹和其他损伤。皮特的出现将使高频频谱线路的增加更加明显。

6数据集的制作

将采集到的样本点保存为Matlab格式文件，并通过imwirte函数批量导出，为保证样本周期的完整性，以1000个样本点为一张特征图，每种故障生成1000张特征图。由于每种类型的故障可能出现在不同工况与不同位置，数据集要尽可能全面地呈现故障发生的状态，因此将多个传感器采集到的振动信号所生成的特征图随机融合在一起。通过Python编写程序将图片打乱顺序并将测试集与训练集的比例按照7∶3进行划分，得到5600张训练集与2400张验证集。将制作好的样本集输入改进后的模型，选取10次测试结果的平均值作为诊断结果。

结束语

目前齿轮故障诊断大多基于振动信号。机械传输系统的转矩信号包括整个系统的传输特性。齿轮的啮合特性、载荷的变化和轴承支撑都引起轴的扭转振动。因此，齿轮发生故障时，扭转振动信号的振幅和相位也会发生变化。扭转振动信号包含更多有关系统传输的信息，因此很难提取缺陷特征。

参考文献

[1]陈建全.风力发电机组齿轮箱振动故障诊断方法研究[D].上海电机学院,2019.

[2]王栋璀.基于中智理论的风机齿轮箱故障诊断方法研究[D].上海电机学院,2019.

[3]辛玉,李舜酩,王金瑞,易朋兴,刘颉.基于迭代经验小波变换的齿轮故障诊断方法[J].仪器仪表学报,2018,39(11):79-86.

[4]张依东.基于多尺度融合离散熵的齿轮故障诊断方法研究[D].浙江大学,2018.

[5]戚乐.基于卡尔曼滤波的含裂纹齿轮故障诊断方法研究[D].重庆大学,2018.