1.一种基于单测点多向数据融合的RV减速器故障诊断方法,其特征在于:所述方法包括:Step1:数据采集:利用三轴加速度传感器同步采集RV减速器三个方向上的加速度信号;
Step2:数据融合:基于Setp1采集到的三维加速度信号,使用能量加权方法对三维加速度信号进行数据融合,得到包含三维时序信息的一维融合数据;
Step3:数据集划分:对基于Step2方法得到的一维融合数据划分为训练数据集和测试数据集;
Step4:网络模型构建:以经典的深度卷积模型为基础,通过修改经典的深度卷积模型的网络结构来构建用于RV减速器故障诊断的小波卷积能量池化网络模型;
Step5:模型训练:使用训练数据集训练网络模型得到诊断模型;
Step6:诊断验证:使用测试数据集验证诊断模型的正确性;
所述数据融合具体为:
设加速度传感器以设定的采样频率在采样时间t内采集RV减速器的s方向的加速度信号,获得s方向上离散的k个时间点的数据值x确定各方向加速度信号的能量值系数λ
将同一时刻三个方向上的数据进行融合,融合后第q个时间点的数据值x所述小波卷积能量池化网络模型的构建步骤如下:
Step4.1:采用一维CNN结构作为模型骨干,该模型共包含五层卷积层,三层全连接层,其排列构成为:Conv1,Conv2,Conv3,Conv4,Conv5,Full1,Full2,Full3;
Step4.2:模型的Conv1层中的排列构成为:waveletconv1,relu1,LPPool1D;其中,wavelet conv1表示小波卷积,其尺寸大小为[1,27,55],LPPool1D表示能量池化,而均方根值是描述信号能量的统计特征指标,其尺寸为[16,1],步长为55;
Step4.3:模型的Conv2层中的排列构成为:conv2,relu2,Dropout2;其中,conv2尺寸大小为[27,27,55],Dropout参数为0.5;
Step4.4:模型的Conv3层中的排列构成为:conv3,relu3,MaxPool2;其中,conv3尺寸大小为[27,27,55],MaxPool2的尺寸为[16,1],步长为55;
Step4.5:模型的Conv4层中的排列构成为:conv4,relu4,Dropout4;其中,conv4尺寸大小为[27,27,55],Dropout参数为0.5;
Step4.6:模型的Conv5层中的排列构成为:conv5,relu5;其中,conv5尺寸大小为[27,27,55];
Step4.7:模型的Full1层中的排列构成为:Linear1,relu6;其中,Linear1尺寸大小为[216,216];
Step4.8:模型的Full2层中的排列构成为:Linear2,relu7;其中,Linear2尺寸大小为[216,64];
Step4.9:模型的Full3层中的排列构成为:Linear3,Softmax;其中,Linear3尺寸大小为[64,6]。
2.根据权利要求1所述的基于单测点多向数据融合的RV减速器故障诊断方法,其特征在于:所述三轴加速度传感器安装在RV减速器外圈随机位置。
3.根据权利要求1所述的基于单测点多向数据融合的RV减速器故障诊断方法,其特征在于:所述能量值采用如下方式计算:式中,x
4.根据权利要求1所述的基于单测点多向数据融合的RV减速器故障诊断方法,其特征在于:所述s方向能量值系数
5.一种基于单测点多向数据融合的RV减速器故障诊断系统,其特征在于:包括:数据采集模块,用于利用三轴加速度传感器同步采集RV减速器三个方向上的加速度信号;
数据融合模块,用于基于数据采集模块采集到的三维加速度信号,使用能量加权方法对三维加速度信号进行数据融合,得到包含三维时序信息的一维融合数据;
数据集划分模块,用于对基于数据融合模块得到的一维融合数据划分为训练数据集和测试数据集;
网络模型构建模块,用于以经典的深度卷积模型为基础,通过修改经典的深度卷积模型的网络结构来构建用于RV减速器故障诊断的小波卷积能量池化网络模型;
模型训练模块,用于使用训练数据集训练网络模型得到诊断模型;
诊断验证模块,用于使用测试数据集验证诊断模型的正确性;
所述数据融合具体为:
设加速度传感器以设定的采样频率在采样时间t内采集RV减速器的s方向的加速度信号,获得s方向上离散的k个时间点的数据值x确定各方向加速度信号的能量值系数λ
将同一时刻三个方向上的数据进行融合,融合后第q个时间点的数据值x所述小波卷积能量池化网络模型的构建步骤如下:
Step4.1:采用一维CNN结构作为模型骨干,该模型共包含五层卷积层,三层全连接层,其排列构成为:Conv1,Conv2,Conv3,Conv4,Conv5,Full1,Full2,Full3;
Step4.2:模型的Conv1层中的排列构成为:waveletconv1,relu1,LPPool1D;其中,wavelet conv1表示小波卷积,其尺寸大小为[1,27,55],LPPool1D表示能量池化,而均方根值是描述信号能量的统计特征指标,其尺寸为[16,1],步长为55;
Step4.3:模型的Conv2层中的排列构成为:conv2,relu2,Dropout2;其中,conv2尺寸大小为[27,27,55],Dropout参数为0.5;
Step4.4:模型的Conv3层中的排列构成为:conv3,relu3,MaxPool2;其中,conv3尺寸大小为[27,27,55],MaxPool2的尺寸为[16,1],步长为55;
Step4.5:模型的Conv4层中的排列构成为:conv4,relu4,Dropout4;其中,conv4尺寸大小为[27,27,55],Dropout参数为0.5;
Step4.6:模型的Conv5层中的排列构成为:conv5,relu5;其中,conv5尺寸大小为[27,27,55];
Step4.7:模型的Full1层中的排列构成为:Linear1,relu6;其中,Linear1尺寸大小为[216,216];
Step4.8:模型的Full2层中的排列构成为:Linear2,relu7;其中,Linear2尺寸大小为[216,64];
Step4.9:模型的Full3层中的排列构成为:Linear3,Softmax;其中,Linear3尺寸大小为[64,6]。