基于1DCNN的齒輪箱小樣本故障診斷*

鐘建華，林云樹，葉錦華

(福州大學機械工程及自動化學院，福州 350108)

0 引言

齒輪箱廣泛應用于風力發電、航天和石化等行業[1-2]。目前，研究齒輪箱智能故障診斷的方法主要可以分為：①基于淺層機器學習的方法[3-5]；②基于深度學習的方法[6-10]。基于淺層機器學習的方法需要技術人員大量的先驗知識，無法真正實現“端到端”的智能故障診斷。近年來，隨著深度學習在語音識別、圖像識別和自然語言處理的廣泛應用，為“端到端”智能故障診斷指明了方向。深度學習方法能夠在較低層次特征組成的層中學習到適合分類的特征，實現故障特征提取與數據的分類。

基于以上分析，具有自適應特征提取能力的深度學習方法是現如今最有潛力彌補智能故障診斷依賴手動提取特征缺陷的方法。卷積神經網絡(convolutional neural network,CNN)是一種經典的深度學習方法，它具有局部感知、權值共享和良好的泛化性能等優點，在故障診斷領域取得了一定的成果。胡蔦慶等[11]提出一種經驗模態分解和CNN結合的方法。從原始振動信號分解的內稟模式函數(intrinsic mode function,IMF)中選取特征明顯的分量，輸入CNN中進行特征提取與故障分類。WEN等[12]提出了一種基于LeNet-5的改進CNN故障方法。該方法在3種不同數據集上均取得了99%以上的準確率。傳統的CNN故障診斷方法需要將原始一維信號變換成二維圖像用于網絡訓練。而在一維信號變換成二維圖像的過程中，難免丟失一些與故障相關的信息。此外，二維圖像的計算量相比于一維信號的計算量大，降低了診斷的效率。……