卢占标,黄细霞,姬 克,鲍佳松

(上海海事大学 航运技术与控制工程交通行业重点实验室,上海201306)

0 引 言

在现代工业中旋转机械的健康状况监测和故障诊断具有重要意义[1]。如变速箱,其在机械传动系统中起着至关重要的作用。齿轮箱的任何故障都可能导致不必要的停机、昂贵的维修,甚至造成人员伤亡。齿轮箱故障多样,如裂齿、齿面磨损、齿面剥落、齿面变形等故障,早期故障对旋转机械的稳定性影响较小,处理简单。由于早期故障的特征不太明显[2],很容易被背景噪声所覆盖,利用传统方法依靠工程师或专家的经验,通过手工提取特征来分析故障是不现实的。如建立支持向量机(support vector machine,SVM)[3,4]模型分类预测。近年来,深度学习模式识别领域的最新研究成果,由于其强大的建模和表征能力,已在机电设备故障诊断领域得到应用,其可以从原始数据中自动学习具有代表性的特征和复杂的非线性关系[5]。多通道稀疏矩阵卷积神经网络用于检测当中[6],以及使用卷积神经网络(convolutional neural network,CNN)模型对轴承和齿轮箱故障诊断做研究[7～9]。

本文通过分析来自多个传感器不同方向、位置测得原始数据之间存在特征关系提出了一种多通道输入连续CNN-SVM早期故障诊断模型。

1 原理与方法

1.1 传统CNN

CNN是一类包含卷积计算且具有深度结构的前馈神经网络。传统的CNN[10]由三种类型的层构成：卷积层、子采样层(池化层)和全连接层。

1)卷积层:将输入与卷积核进行卷积计算,其输入为前一层的输出，卷积运算的结果通过激活函数得到输出。……