留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

优化VMD与CNN在齿轮箱故障诊断应用研究

郗涛 杨威振

郗涛,杨威振. 优化VMD与CNN在齿轮箱故障诊断应用研究[J]. 机械科学与技术,2022,41(12):1829-1838 doi: 10.13433/j.cnki.1003-8728.20200521
引用本文: 郗涛,杨威振. 优化VMD与CNN在齿轮箱故障诊断应用研究[J]. 机械科学与技术,2022,41(12):1829-1838 doi: 10.13433/j.cnki.1003-8728.20200521
XI Tao, YANG Weizhen. Research on Gearbox Fault Diagnosis Method based onParameter Optimized VMD and CNN[J]. Mechanical Science and Technology for Aerospace Engineering, 2022, 41(12): 1829-1838. doi: 10.13433/j.cnki.1003-8728.20200521
Citation: XI Tao, YANG Weizhen. Research on Gearbox Fault Diagnosis Method based onParameter Optimized VMD and CNN[J]. Mechanical Science and Technology for Aerospace Engineering, 2022, 41(12): 1829-1838. doi: 10.13433/j.cnki.1003-8728.20200521

优化VMD与CNN在齿轮箱故障诊断应用研究

doi: 10.13433/j.cnki.1003-8728.20200521
基金项目: 国家科技重大专项子课题(2019zx04055-001-014)
详细信息
    作者简介:

    郗涛(1974−),副教授,硕士生导师,研究方向为检测技术与自动化装置,xitao@sina.com

  • 中图分类号: TH17

Research on Gearbox Fault Diagnosis Method based onParameter Optimized VMD and CNN

  • 摘要: 针对齿轮箱的故障诊断的优化问题,提出了一种基于参数优化的变分模态分解(VMD)与卷积神经网络(CNN)相融合的故障诊断方法。该算法首先通过鲸鱼优化算法对VMD算法进行优化,之后通过正交实验法与粒子群优化算法进行了CNN模型中的重要参数进行优化,最后将分解后得到的固有模态分量输入CNN模型中进行训练学习。诊断完成后得到训练与检测结果,其中经过算法优化后CNN模型的训练与检测准确率可达98.7%与95.7%,优于未优化的准确率94.3%与91.8%。通过对结果的分析验证出该算法的可行性以及在诊断成功率方面的优越性,实现了故障特征信息的自适应性提取,并将故障类型进行分类,最终实现齿轮箱故障诊断的智能化。
  • 图  1  VMD算法应用流程图

    图  2  鲸鱼的泡泡网捕食习性模型

    图  3  螺旋位置更新模型

    图  4  一维CNN结构模型

    图  5  获取CNN最优参数流程

    图  6  粒子群算法流程图

    图  7  粒子群算法迭代过程图

    图  8  N1故障下齿轮箱振动信号的时域和频域图

    图  9  鲸鱼优化算法迭代过程图

    图  10  N1故障下齿轮箱振动信号的VMD分解时域图及频域图

    图  11  训练数据输入结果1(训练结果)

    图  12  未训练数据输入结果1(检测结果)

    图  13  训练数据输入结果2(训练结果)

    图  14  未训练数据输入结果2(检测结果)

    图  15  训练数据输入结果3(训练结果)

    图  16  未训练数据输入结果3(检测结果)

    图  17  训练数据输入结果4(训练结果)

    图  18  未训练数据输入结果4(检测结果)

    表  1  确定参数用数据样本

    故障类型转速/(r·min−1训练样本测试样本
    齿轮点蚀 1500 100 20
    齿轮磨损 1500 100 20
    齿轮变形 1500 100 20
    下载: 导出CSV

    表  2  正交实验结果

    编号ABCD准确率/%时间t
    1 5 3 0.001 0.1 77.2 78.03
    2 5 5 0.010 0.2 94.1 42.48
    3 5 7 0.100 0.3 83.4 38.49
    4 10 3 0.010 0.3 88.7 80.04
    5 10 5 0.100 0.1 61.2 213.75
    6 10 7 0.001 0.2 96.4 189.20
    7 15 3 0.100 0.2 63.0 267.36
    8 15 5 0.001 0.3 91.3 280.19
    9 15 7 0.010 0.1 60.2 645.27
    下载: 导出CSV

    表  3  实验数据分析统计结果

    参数ABCD
    E1 254.7%(159.00) 228.9%(425.43) 264.9%(547.42) 198.6%(937.05)
    E2 246.3%(482.99) 246.6%(536.42) 243.0%(767.79) 253.5%(499.04)
    E3 214.5%(1192.87) 240.0%(872.96) 207.6%(519.60) 263.4%(398.72)
    e1 84.9%(53.00) 76.3%(141.81) 88.3%(182.47) 66.2%(312.35)
    e2 82.1%(161.00) 82.2%(178.81) 81.0%(255.93) 84.5%(166.35)
    e3 71.5%(397.62) 80.0%(290.99) 69.2%(173.20) 87.8%(132.91)
    Q 13.4%(344.62) 5.9%(149.18) 19.1%(82.73) 21.6%(179.44)
    下载: 导出CSV

    表  4  齿轮箱在齿轮故障中的CNN诊断成功率结果对比

    优化结果文献[17]正交试验正交试验+
    MOPSO
    诊断成功率/% 95.4 96.1 98.9
    运行时间/s 163.5 154.4 166.7
    下载: 导出CSV

    表  5  训练实验结果统计

    编号样本个数故障类型诊断
    成功率/%
    诊断偏差
    平均值/mm
    ABCABC
    1 100 Z 96 94 99
    2 100 V 97 95 99
    3 100 N 96 93 98
    4 100 M 95 95 99
    5 100 J 97 94 99
    6 100 K 95 95 98
    7 500 Z1 0.85 1.04 0.63
    8 500 Z2 0.74 1.10 0.65
    9 500 Z3 0.82 0.99 0.61
    10 500 Z4 0.74 1.11 0.58
    11 500 Z5 0.81 0.98 0.59
    12 500 Z6 0.77 1.03 0.66
    13 500 V1 0.72 0.96 0.58
    14 500 V2 0.76 1.05 0.65
    15 500 V3 0.80 0.97 0.61
    16 500 V4 0.82 1.04 0.62
    17 500 V5 0.78 1.12 0.59
    18 500 V6 0.81 1.01 0.65
    下载: 导出CSV

    表  6  检测实验结果统计

    编号样本个数故障类型诊断
    成功率/%
    诊断偏差
    平均值/mm
    ABCABC
    19 100 X1 94 92 95
    20 100 X2 93 91 96
    21 100 X3 94 92 96
    22 100 X4 93 93 96
    23 100 X5 94 91 95
    24 100 X6 95 92 96
    25 500 ZX1 1.34 1.72 0.98
    26 500 ZX2 1.29 1.69 1.10
    27 500 VX3 1.37 1.74 1.06
    28 500 VX4 1.41 1.66 1.02
    下载: 导出CSV
  • [1] 高天阳, 肖守讷, 杨冰, 等. 修正准静态叠加法下的齿轮箱箱体寿命预测[J]. 机械科学与技术, 2019, 38(3): 480-486

    GAO T Y, XIAO S N, YANG B, et al. Life prediction of gearbox body by modified quasi-static superposition method[J]. Mechanical Science and Technology for Aerospace Engineering, 2019, 38(3): 480-486 (in Chinese)
    [2] HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995 doi: 10.1098/rspa.1998.0193
    [3] 周陈林, 董绍江, 李玲, 等. 滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法[J]. 振动工程学报, 2020, 33(4): 854-860

    ZHOU C L, DONG S J, LI L, et al. Method to improve convolutional neural network in rolling bearing fault diagnosis with multi-state feature information[J]. Journal of Vibration Engineering, 2020, 33(4): 854-860 (in Chinese)
    [4] 李思琦, 蒋志坚. 基于EEMD-CNN的滚动轴承故障诊断方法[J]. 机械强度, 2020, 42(5): 1033-1038

    LI S Q, JIANG Z J. Fault diagnosis method of rolling bearing based on EEMD-CNN[J]. Journal of Mechanical Strength, 2020, 42(5): 1033-1038 (in Chinese)
    [5] LI Y B, SI S B, LIU Z L, et al. Review of local mean decomposition and its application in fault diagnosis of rotating machinery[J]. Journal of Systems Engineering and Electronics, 2019, 30(4): 799-814 doi: 10.21629/JSEE.2019.04.17
    [6] WANG H X, MIAO Y H, YANG H L, et al. Adaptive carrier fringe pattern enhancement for wavelet transform profilometry through modifying intrinsic time-scale decomposition[J]. Applied Optics, 2020, 59(20): 6191-6202 doi: 10.1364/AO.395603
    [7] 鞠华, 沈长青, 黄伟国, 等. 基于支持向量回归的轴承故障定量诊断应用[J]. 振动、测试与诊断, 2014, 34(4): 767-771 doi: 10.3969/j.issn.1004-6801.2014.04.030

    JU H, SHEN C Q, HUANG W G, et al. Quantitative diagnosis of bearing fault based on support vector regression[J]. Journal of Vibration, Measurement & Diagnosis, 2014, 34(4): 767-771 (in Chinese) doi: 10.3969/j.issn.1004-6801.2014.04.030
    [8] GAN M, WANG C, ZHU C A. Construction of hierarchical diagnosis network based on deep learning and its application in the fault pattern recognition of rolling element bearings[J]. Mechanical Systems and Signal Processing, 2016, 72-73: 92-104 doi: 10.1016/j.ymssp.2015.11.014
    [9] 曾雪琼. 基于卷积神经网络的变速器故障分类识别研究[D]. 广州: 华南理工大学, 2016

    ZENG X Q. Classification and recognition of transmission fault based on convolutional neural network[D]. Guangzhou: South China University of Technology, 2016 (in Chinese)
    [10] HAN T, LIU C, YANG W G, et al. A novel adversarial learning framework in deep convolutional neural network for intelligent diagnosis of mechanical faults[J]. Knowledge-Based Systems, 2019, 165: 474-487 doi: 10.1016/j.knosys.2018.12.019
    [11] DRAGOMIRETSKIY K, ZOSSO D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3): 531-544 doi: 10.1109/TSP.2013.2288675
    [12] XIAO D M, DING J K, LI X J, et al. Gear fault diagnosis based on kurtosis criterion VMD and SOM neural network[J]. Applied Sciences, 2019, 9(24): 5424 doi: 10.3390/app9245424
    [13] MIRJALILI S, LEWIS A. The whale optimization algorithm[J]. Advances in Engineering Software, 2016, 95: 51-67 doi: 10.1016/j.advengsoft.2016.01.008
    [14] FAN Q, CHEN Z J, LI Z, et al. A new improved whale optimization algorithm with joint search mechanisms for high-dimensional global optimization problems[J]. Engineering with Computers, 2021, 37(3): 1851-1878 doi: 10.1007/s00366-019-00917-8
    [15] 张朝林, 范玉刚. CEEMD与卷积神经网络特征提取的故障诊断方法研究[J]. 机械科学与技术, 2019, 38(2): 178-183

    ZHANG C L, FAN Y G. Fault diagnosis of a bearing using feature extraction method based on CEEMD algorithm and CNN[J]. Mechanical Science and Technology for Aerospace Engineering, 2019, 38(2): 178-183 (in Chinese)
    [16] INCE T, KIRANYAZ S, EREN L, et al. Real-time motor fault detection by 1-D convolutional neural networks[J]. IEEE Transactions on Industrial Electronics, 2016, 63(11): 7067-7075 doi: 10.1109/TIE.2016.2582729
    [17] 吴春志, 江鹏程, 冯辅周, 等. 基于一维卷积神经网络的齿轮箱故障诊断[J]. 振动与冲击, 2018, 37(22): 51-56

    WU C Z, JIANG P C, FENG F Z, et al. Faults diagnosis method for gearboxes based on a 1-D convolutional neural network[J]. Journal of Vibration and Shock, 2018, 37(22): 51-56 (in Chinese)
    [18] 方开泰, 刘民千, 周永道. 试验设计与建模[M]. 北京: 高等教育出版社, 2011: 81-114

    FANG K T, LIU M Q, ZHOU Y D. Design and modeling of experiments[M]. Beijing: Higher Education Press, 2011: 81-114 (in Chinese)
    [19] COELLO C A C, PULIDO G T, LECHUGA M S. Handling multiple objectives with particle swarm optimization[J]. IEEE Transactions on Evolutionary Computation, 2004, 8(3): 256-279 doi: 10.1109/TEVC.2004.826067
  • 加载中
图(18) / 表(6)
计量
  • 文章访问数:  139
  • HTML全文浏览量:  207
  • PDF下载量:  33
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-10-30
  • 网络出版日期:  2023-02-16
  • 刊出日期:  2022-12-05

目录

    /

    返回文章
    返回