【技术实现步骤摘要】
本申请涉及齿轮故障程度识别，特别是涉及一种小样本齿轮故障程度识别方法、产品、介质及设备。
技术介绍
1、通过齿轮的啮合能够实现连续、平稳的传动，当齿轮的故障程度过大时会对机械传动系统产生巨大影响，进而威胁生产安全和经济效益。在工业生产中，存在齿轮故障数据采集困难和标记成本高等问题，从而导致训练样本小。小样本条件下训练齿轮故障程度识别算法会过拟合，使得难以精准识别齿轮故障程度。此外，传统齿轮故障程度识别算法的构建依赖专家经验，需要经过多次调试才能获得良好性能，这会耗费巨大的人力成本。因此，开发适用于小样本条件的自适应齿轮故障程度识别算法具有重要工程意义。
2、近年来，小样本齿轮故障程度识别算法和自适应齿轮故障程度识别算法的研究都取得了一定的成果。但小样本齿轮故障程度识别算法仍旧存在模型复杂、参数量大、参数设定困难、训练困难以及依赖专家经验的问题，而自适应齿轮故障程度识别算法存在信号预处理复杂和数据需求量大的问题，使得两种算法未能有效融合。故亟需提高小样本齿轮故障程度识别算法的自适应性并简化算法结构以融合两种算法的长处，从而开发出适于小样本条件的自适应齿轮故障程度识别算法。
技术实现思路
1、本申请的目的是提供一种小样本齿轮故障程度识别方法、产品、介质及设备，可有效提高小样本条件下齿轮故障程度识别的准确性以及识别方法的自适应性。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种小样本齿轮故障程度识别方法，包括：
5、构建卷积神经网络并初始化卷积神经网络超参数；
6、采用基于改进适应度的冠豪猪优化算法优化卷积神经网络超参数，得到优化后的卷积神经网络超参数；
7、基于优化后的卷积神经网络超参数重构卷积神经网络并利用振动信号数据集进行训练，得到齿轮故障识别模型；
8、采用齿轮故障识别模型对齿轮的故障程度进行识别。
9、可选地，所述获取齿轮在不同状态下的振动信号并进行预处理，得到振动信号数据集，具体包括：
10、获取齿轮在不同状态下的振动信号并依次进行数据划分、去直流分量、归一化以及格式转换预处理，得到预处理后的振动信号；
11、基于预处理后的振动信号构建振动信号数据集。
12、可选地，所述获取齿轮在不同状态下的振动信号并依次进行数据划分、去直流分量、归一化以及格式转换预处理，得到预处理后的振动信号，具体包括：
13、等间隔划分获取的齿轮在不同状态下的振动信号，得到划分后的振动信号a；
14、采用公式对划分后的振动信号a进行去直流分量预处理，得到去除直流分量的振动信号h；其中，为划分后的振动信号a的均值；
15、采用公式对去除直流分量的振动信号h进行归一化预处理，得到去除直流分量且归一化的振动信号h*；其中，hmin为去除直流分量的振动信号h的最小值；hmax为去除直流分量的振动信号h的最大值；
16、对去除直流分量且归一化的振动信号h*进行格式转换预处理，得到预处理后的振动信号。
17、可选地，所述卷积神经网络具体包括：依次连接的第一卷积层、第一批量归一化层、第一relu激活函数层、第一最大池化层、第二卷积层、第二批量归一化层、第二relu激活函数层、第二最大池化层、全连接层以及softmax层。
18、可选地，所述卷积神经网络超参数包括学习率、l2正则化系数、第一卷积层和第二卷积层的卷积核大小以及卷积核数量。
19、可选地，所述采用基于改进适应度的冠豪猪优化算法优化卷积神经网络超参数，得到优化后的卷积神经网络超参数，具体包括：
20、将改进适应度作为冠豪猪优化算法的适应度指标且以改进适应度最小化作为冠豪猪优化算法的优化目标，得到基于改进适应度的冠豪猪优化算法；
21、采用基于改进适应度的冠豪猪优化算法优化卷积神经网络超参数，得到优化后的卷积神经网络超参数。
22、可选地，所述改进适应度具体公式为：
23、
24、式中，fitness为改进适应度；loss为交叉熵损失函数；z为训练迭代次数，i＝1,2,3,…,z；i为衡量训练平稳性及收敛速度的指标。
25、第二方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述小样本齿轮故障程度识别方法。
26、第三方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述小样本齿轮故障程度识别方法。
27、第四方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述小样本齿轮故障程度识别方法。
28、根据本申请提供的具体实施例，本申请公开了以下技术效果：
29、本申请提供了一种小样本齿轮故障程度识别方法、产品、介质及设备，通过设计改进适应度的自适应卷积神经网络以实现小样本齿轮故障程度的识别。具体地，本申请设计了一种综合考虑卷积神经网络训练过程中收敛速度和平稳性影响的改进适应度，将改进适应度与全局优化力度强且可加速收敛的冠豪猪优化算法进行结合，得到基于改进适应度的冠豪猪优化算法，并使用基于改进适应度的冠豪猪优化算法优化选取卷积神经网络超参数，从而提高了卷积神经网络超参数的优化效果；得到优化后的卷积神经网络超参数后，重构并训练卷积神经网络，得到齿轮故障识别模型；采用齿轮故障识别模型可在小样本条件下对齿轮的故障程度进行精准识别。本申请小样本齿轮故障程度识别方法、产品、介质及设备，可有效提高小样本条件下齿轮故障程度识别的准确性以及识别方法的自适应性。
本文档来自技高网...【技术保护点】
1.一种小样本齿轮故障程度识别方法，其特征在于，包括：
2.根据权利要求1所述的小样本齿轮故障程度识别方法，其特征在于，所述获取齿轮在不同状态下的振动信号并进行预处理，得到振动信号数据集，具体包括：
3.根据权利要求2所述的小样本齿轮故障程度识别方法，其特征在于，所述获取齿轮在不同状态下的振动信号并依次进行数据划分、去直流分量、归一化以及格式转换预处理，得到预处理后的振动信号，具体包括：
4.根据权利要求1所述的小样本齿轮故障程度识别方法，其特征在于，所述卷积神经网络具体包括：依次连接的第一卷积层、第一批量归一化层、第一ReLU激活函数层、第一最大池化层、第二卷积层、第二批量归一化层、第二ReLU激活函数层、第二最大池化层、全连接层以及Softmax层。
5.根据权利要求4所述的小样本齿轮故障程度识别方法，其特征在于，所述卷积神经网络超参数包括学习率、L2正则化系数、第一卷积层和第二卷积层的卷积核大小以及卷积核数量。
6.根据权利要求1所述的小样本齿轮故障程度识别方法，其特征在于，所述采用基于改进适应度的冠豪猪优化算法优
7.根据权利要求6所述的小样本齿轮故障程度识别方法，其特征在于，所述改进适应度具体公式为：
8.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的小样本齿轮故障程度识别方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的小样本齿轮故障程度识别方法。
10.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的小样本齿轮故障程度识别方法。
...【技术特征摘要】
1.一种小样本齿轮故障程度识别方法，其特征在于，包括：
2.根据权利要求1所述的小样本齿轮故障程度识别方法，其特征在于，所述获取齿轮在不同状态下的振动信号并进行预处理，得到振动信号数据集，具体包括：
3.根据权利要求2所述的小样本齿轮故障程度识别方法，其特征在于，所述获取齿轮在不同状态下的振动信号并依次进行数据划分、去直流分量、归一化以及格式转换预处理，得到预处理后的振动信号，具体包括：
4.根据权利要求1所述的小样本齿轮故障程度识别方法，其特征在于，所述卷积神经网络具体包括：依次连接的第一卷积层、第一批量归一化层、第一relu激活函数层、第一最大池化层、第二卷积层、第二批量归一化层、第二relu激活函数层、第二最大池化层、全连接层以及softmax层。
5.根据权利要求4所述的小样本齿轮故障程度识别方法，其特征在于，所述卷积神经网络超参数包括学习率、l2正则化系数、第一卷积层和第二...
【专利技术属性】
技术研发人员：李聪明，宋炜，熊晓燕，王相蓉，吕哲，韩建超，
申请(专利权)人：海安太原理工大学先进制造与智能装备产业研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。