基于卷積神經(jīng)網(wǎng)絡(luò)的汽車變速器智能診斷分析案例目錄TOC\o"1-3"\h\u26333基于卷積神經(jīng)網(wǎng)絡(luò)的汽車變速器智能診斷分析案例 1250131.1故障智能診斷流程 1316481.2卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu) 1261691.3齒輪點(diǎn)蝕故障診斷分類 31.1故障智能診斷流程本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的齒輪點(diǎn)蝕故障識(shí)別流程主要分為以下幾個(gè)步驟：（1）信號(hào)采集：通過(guò)2.3章描述的試驗(yàn)臺(tái)采集到不同點(diǎn)蝕程度的點(diǎn)蝕故障振動(dòng)加速度信號(hào)；（2）信號(hào)預(yù)處理：通過(guò)第3章的基于參數(shù)優(yōu)化的VMD算法進(jìn)行分解，得到多個(gè)IMF分量，選取IMF分量中峭度值最大的最優(yōu)分量；（3）構(gòu)建訓(xùn)練集和測(cè)試集；根據(jù)生成的IMF分量構(gòu)建樣本，將每種故障程度構(gòu)建N個(gè)樣本，其中訓(xùn)練集和測(cè)試集按照比例設(shè)定；（4）訓(xùn)練與測(cè)試：將制作的訓(xùn)練集輸入CNN程序，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)訓(xùn)練結(jié)果修改模型參數(shù)，以獲得性能最好的CNN模型。最后輸出識(shí)別結(jié)果。1.2卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)是當(dāng)前深度學(xué)習(xí)算法中最具有代表性的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，是AlexanderWaibel等人在1987年所提出[63]。CNN的基本結(jié)構(gòu)主要由卷積層、池化層和全連接層三部分構(gòu)成。（1）卷積層：卷積層中包括一組卷積核，通過(guò)每個(gè)卷積核與輸入信號(hào)的局部信號(hào)卷積運(yùn)算，。卷積層中卷積運(yùn)算的表達(dá)式為:Xjl=神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)主要如表1.2-1所示。表1.2-1非線性激活函數(shù)激活函數(shù)表達(dá)式公式編號(hào)Sigmoid函數(shù)σ1.2-2tanh函數(shù)tanh1.2-3ReLU函數(shù)f1.2-4目前在神經(jīng)網(wǎng)絡(luò)中主要使用的是激活函數(shù)ReLU。因?yàn)檫@個(gè)函數(shù)可以有效的避免非零均值殘留，并且在具體反轉(zhuǎn)傳播計(jì)算的過(guò)程中，也不會(huì)存在梯度消失等問(wèn)題，所以自然不會(huì)出現(xiàn)權(quán)重值更新困難的情況。ReLU函數(shù)克服了上述兩種函數(shù)的缺點(diǎn)，計(jì)算簡(jiǎn)單，有著廣闊的興奮邊界，可以進(jìn)行單側(cè)抑制。主要判斷其中的輸入值是否小于0，如果小于0那么神經(jīng)元將會(huì)受到抑制，反之將會(huì)被激活。（2）池化層池化層是處在前一層卷積層后面的結(jié)構(gòu)，作用是對(duì)前一層卷積層輸出的特征進(jìn)行向下取樣，提取局部目標(biāo)區(qū)域中的特征，從而減少參數(shù)和計(jì)算量，避免過(guò)擬合。其中的池化成函數(shù)主要包含兩種，一種是最大池化函數(shù)，還有一種是平均池化函數(shù)。池化的過(guò)濾器大小為2x2，步長(zhǎng)為2，分別通過(guò)最大池化函數(shù)和平均池化函數(shù)進(jìn)行運(yùn)算。池化操作的計(jì)算表達(dá)式：Xjl=fβ由于最大池化函數(shù)對(duì)周期性信號(hào)特征具有優(yōu)秀的取樣效果，因此本文模型中池化層所用的函數(shù)為最大池化函數(shù)。（3）全連接層全連接層(FullConnection

Layer，F(xiàn)C)是將前一層中的神經(jīng)元完全連接，再區(qū)分不同的特征進(jìn)而輸出分類結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)模型中，全連接層通過(guò)將前一層的輸出進(jìn)行展開(kāi)并連接在一塊，作為全連接層的輸入，通過(guò)ReLU函數(shù)激活，再通過(guò)softmax函數(shù)實(shí)現(xiàn)最后結(jié)果的分類。（4）反向傳播算法對(duì)于神經(jīng)元網(wǎng)絡(luò)進(jìn)行訓(xùn)練的過(guò)程中，最常使用的一種算法就是反向傳播算法。通過(guò)這個(gè)算法可以對(duì)于偏置值以及對(duì)應(yīng)的權(quán)重值完成更新，并且在這個(gè)過(guò)程中可以盡量降低函數(shù)值損失。下面針對(duì)反向傳播過(guò)程進(jìn)行詳細(xì)介紹:在反向傳播過(guò)程中，通過(guò)鏈?zhǔn)角髮?dǎo)法分別計(jì)算目標(biāo)函數(shù)對(duì)權(quán)重值和偏置值的導(dǎo)數(shù)，表達(dá)式為:?Lwijl?Lbjl式中，z為輸出結(jié)果，L為目標(biāo)函數(shù)。再計(jì)算目標(biāo)函數(shù)對(duì)激活函數(shù)值和前-層輸出值的導(dǎo)數(shù)，表達(dá)式為:?L?ai?L?zi計(jì)算得到目標(biāo)函數(shù)對(duì)前一層輸出值的導(dǎo)數(shù)值后，同上述計(jì)算一樣，再計(jì)算目標(biāo)函數(shù)對(duì)前層權(quán)重值和偏置值的導(dǎo)數(shù)，直到求解完整個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型。因?yàn)槠渲袩o(wú)論是神經(jīng)網(wǎng)絡(luò)的偏置值還是對(duì)應(yīng)的權(quán)重值都會(huì)存在較大的更新跨度，所以無(wú)法有效的保證穩(wěn)定性。所以現(xiàn)在的卷積神經(jīng)網(wǎng)絡(luò)最普遍使用的優(yōu)化算法是Adam算法，Adam算法可以使得算法收斂速度提高，并對(duì)學(xué)習(xí)率進(jìn)行自適應(yīng)調(diào)整，避免由于梯度太大導(dǎo)致的難以收斂的問(wèn)題。本文卷積神經(jīng)網(wǎng)絡(luò)模型中所采用的優(yōu)化算法為Adam算法。優(yōu)化算法原理的表達(dá)式為:wil=bil=式中，η為學(xué)習(xí)率。1.3齒輪點(diǎn)蝕故障診斷分類如表2.3-1所示，主動(dòng)輪輸入轉(zhuǎn)速為2500r/min，輸入扭矩為250Nm。在主、從動(dòng)輪端蓋處放置三坐標(biāo)振動(dòng)加速度傳感器，在試驗(yàn)過(guò)程中，用LMSTest.Lab數(shù)據(jù)采集系統(tǒng)實(shí)時(shí)監(jiān)測(cè)振動(dòng)信號(hào)，并隔10分鐘采集一次振動(dòng)信號(hào)，采樣頻率為12000Hz，采集時(shí)間為60s，采集主動(dòng)輪正常、輕度點(diǎn)蝕、中度點(diǎn)蝕和重度點(diǎn)蝕的振動(dòng)信號(hào)。ＣＮＮ輸入的樣本數(shù)據(jù)依據(jù)的不同程度點(diǎn)蝕故障VMD分解最佳IMF分量，其中VMD算法模型中正常齒輪振動(dòng)信號(hào)匹配的最優(yōu)參數(shù)本征模態(tài)分量個(gè)數(shù)K和二次懲罰因子α［K，α］為［4，1976］；輕度齒輪點(diǎn)蝕故障振動(dòng)信號(hào)匹配的最優(yōu)參數(shù)本征模態(tài)分量個(gè)數(shù)K和二次懲罰因子α［K，α］為［3，1784］；中度齒輪點(diǎn)蝕故障振動(dòng)信號(hào)匹配的［K，α］為［7，2027］；重度齒輪點(diǎn)蝕故障的振動(dòng)信號(hào)匹配的最優(yōu)參數(shù)本征模態(tài)分量個(gè)數(shù)K和二次懲罰因子α［K，α］為［6，2107］。經(jīng)過(guò)參數(shù)優(yōu)化VMD處理分析之后，選取峭度值最大的IMF分量作為輸入CNN學(xué)習(xí)診斷的數(shù)據(jù)信號(hào)。CNN數(shù)據(jù)集的建立選擇多種分配比例進(jìn)行對(duì)比實(shí)驗(yàn)，測(cè)試集與訓(xùn)練集的比例分別為70%：30%；75%：25%；80%：20%；85%：15%。如表1.3-1所示.表1.3-1CNN學(xué)習(xí)訓(xùn)練集與測(cè)試集比例對(duì)應(yīng)的CNN在學(xué)習(xí)之后進(jìn)行故障識(shí)別的準(zhǔn)確率分別為：（1）訓(xùn)練集與測(cè)試集比例為70%：30%時(shí)，故障識(shí)別準(zhǔn)確率為97.98%；（2）訓(xùn)練集與測(cè)試集比例為75%：25%時(shí)，故障識(shí)別準(zhǔn)確率為99.92%；（3）訓(xùn)練集與測(cè)試集比例為80%：20%時(shí)，故障識(shí)別準(zhǔn)確率為98.33%；（4）訓(xùn)練集與測(cè)試集比例為85%：15%時(shí)，故障識(shí)別準(zhǔn)確率為98.79%。依據(jù)測(cè)試結(jié)果分析可知，當(dāng)訓(xùn)練集與測(cè)試集比例為75%：25%時(shí)，CNN學(xué)習(xí)后的故障識(shí)別準(zhǔn)確率為99.92%最大，所以可以進(jìn)一步確定訓(xùn)練集以及測(cè)試集的樣本比例數(shù)據(jù)，這兩項(xiàng)數(shù)據(jù)分別為75%：25%并且其中單次學(xué)習(xí)的樣本數(shù)量會(huì)對(duì)于學(xué)習(xí)結(jié)果產(chǎn)生一定的影響，為了保證最終選擇的樣本數(shù)量最佳，所以分別選擇了不同數(shù)量的單詞學(xué)習(xí)樣本數(shù)量來(lái)進(jìn)行實(shí)驗(yàn)，最終通過(guò)實(shí)驗(yàn)結(jié)果來(lái)判斷具體單詞學(xué)習(xí)樣本數(shù)量，詳細(xì)情況可以參考表1.3-2。表1.3-2單次處理樣本量對(duì)應(yīng)的CNN在學(xué)習(xí)之后進(jìn)行故障識(shí)別的準(zhǔn)確率分別為：（1）單次處理樣本量為2時(shí)，故障識(shí)別準(zhǔn)確率為99.08%；（2）單次處理樣本量為4時(shí)，故障識(shí)別準(zhǔn)確率為99.36%；（3）單次處理樣本量為5時(shí)，故障識(shí)別準(zhǔn)確率為98.21%；（4）單次處理樣本量為6時(shí)，故障識(shí)別準(zhǔn)確率為99.94%；（5）單次處理樣本量為8時(shí)，故障識(shí)別準(zhǔn)確率為98.74%。參考測(cè)試結(jié)果可以發(fā)現(xiàn)，如果其中單次處