(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110496416.7 (22)申请日 2021.05.07 (65)同一申请的已公布的文献号 申请公布号 CN 113268826 A (43)申请公布日 2021.08.17 (66)本国优先权数据 202110492202.2 2021.0 5.06 CN (73)专利权人 上海大学 地址 200444 上海市宝山区上 大路99号 (72)发明人 熊炘　张珈硕　郑少帅　 (74)专利代理 机构 东莞市卓易专利代理事务所 (普通合伙) 44777 专利代理师 陈能春(51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01M 13/045(2019.01) (56)对比文件 CN 112348001 A,2021.02.09 CN 111428073 A,2020.07.17 审查员 王雨晴 (54)发明名称 一种改进多任务卷积神经网络的斜齿轮箱 故障诊断方法 (57)摘要 本发明涉及了改进多任务卷积神经网络的 齿轮箱故障诊断方法， 算法具体流程如下： (1)用 加速度传感器在齿轮箱故障仿真试验台采集齿 轮箱加速度信号； (2)搭建神经网络框架， 随机初 始化神经网络参数； (3)将数据输入神经网络进 行训练， 通过前向传播计算任务一所提取特征间 的相似性损失和交叉熵损失还有任务二所提取 特征间的相似性损失和交叉熵损失并将4个损失 函数相加； (4)判断神经网络 是否满足要 求， 若满 足要求则神经网络训练完成， 可以将神经网络用 于测试集； 若不满足要求， 则通过梯度下降法最 小化损失函数， 更新神经网络的权值， 并跳转到 第4步， 直至满足要求。 权利要求书1页 说明书3页 附图3页 CN 113268826 B 2022.12.27 CN 113268826 B 1.一种改进多任务卷积神经网络的斜齿轮箱故障诊断方法， 其特征在于， 包含以下步 骤： (1)采集齿轮箱输入轴输入端的加速度信号， 分别采集正常状态和多组齿轮轴承复合 故障状态， 其中轴承的故障类型有内圈故障、 外圈故障、 保持架故障、 滚子故障， 齿轮的故障 有齿根断裂、 齿面磨损、 齿面胶合 等故障， 将采集到的信号划分样本组成数据集； (2)将所有的样本首先进行样本的预处理操作， 将所有加速度信号进行归一化操作， 然 后将信号不重叠的划分为长度为m的样本， 分别对齿轮故障和轴承故障贴上标签， 将所有样 本随机取样， 按照6:2:2的比例划分训练集、 验证集和 测试集； (3)将处理好的训练集输入改进的多任务卷积神经网络进行训练， 通过前向传播计算 任务一所提取特征间的相似性损失和交叉熵损失， 以及 任务二所提取特征间的相似性损失 和交叉熵损失， 并将4个损失函数相加， 通过误差反向传播优化多任务神经网络的取值， 使 得4个损失函数的值 最小； 所述交叉熵损失的公式为： 其中， 是神经网络中需要更新的参数， k是分类层神经元的数目， y是样本标签， x是 经多任务神经网络提取到的特 征； 所述相似性损失的公式如下： 其中， [M]ij代表权重矩阵， ||M||1代表矩阵的范数， [T]ij是目标矩阵， [P]ij代表相似度 矩阵； 相似度矩阵表示 为： 其中， fw(*)代表卷积、 池化操作， | |x||2代表向量的二范 数， σp表示比例因子； (4)判断神经网络是否满足要求， 若满足要求则神经网络训练完成， 将神经网络用于测 试集； 若不满足要求， 则通过梯度下降法最小化损失函数， 更新神经网络的权值， 并跳转到 (3)， 通过不断的迭代更新神经网络的参数 取值， 能够得到最优的参数； (5)当神经网络训练完成后， 保存改进多任务卷积神经网络的参数值， 将任务一和任务 二分别用于齿轮故障诊断和轴承故障诊断； 改进多任务卷积神经网络包括输入层、 卷积层、 池化层、 全连接层和softmax分类层， 其 中第一个卷积层、 池化层为共享层即任务一齿轮故障诊断和任务二轴承故障诊断共用同一 个卷积层和池化层， 其 余的卷积层和池化层由任务 一和任务 二所独有。权　利　要　求　书 1/1 页 2 CN 113268826 B 2一种改进多任务卷积神经 网络的斜齿轮箱故障诊断方 法 技术领域 [0001]本发明涉及到了斜齿轮箱故障诊断领域， 也可用于其他旋转机械故障诊断， 具体 是改进多任务卷积神经网络的斜齿轮箱故障诊断方法。 背景技术 [0002]齿轮箱是一个十分复杂的非线性系统， 据统计， 传动系统中大概有80％的故障是 因为齿轮箱内部的轴承或者齿轮故障所产生。 能够及时的识别齿轮箱中的故障， 就能减少 生产过程中所造成的损失， 避免整个机械传动结构的瘫痪。 因此， 对整个机械设备进 行故障 诊断与状态监测就变得格外 重要。 [0003]传统智能诊断方法在应用时， 存在参数及特征选择的不确定性， 因此也给诊断结 果带来了不确定性。 当机电设备也开始进入大数据时代， 怎样从海量的信号中提取有效特 征使机械故障诊断变得高效且准确， 是机 械故障诊断领域的关键 。 发明内容 [0004]本发明的目的在于提供改进多任务卷积神经网络的斜齿轮箱故障诊断方法， 以解 决上述背景技 术中提出的问题。 [0005]为实现上述目的， 本发明提供如下技术方案： 一种改进多任务卷积神经网络 的斜 齿轮箱故障诊断方法， 包 含以下步骤 [0006](1)采集齿轮箱输入轴输入端的加速度信号， 分别采集正常状态和多组齿轮轴承 复合故障状态， 其中轴承的故障类型有内圈故障、 外圈故障、 保持架故障、 滚子故障。 齿轮的 故障有齿根断裂、 齿面磨损、 齿面胶合 等故障， 将采集到的信号划分样本组成数据集。 [0007](2)将所有的样本首先进行样本的预处理操作， 将所有加速度信号进行归一化操 作。 然后将信号不重叠的划分为长度为m的样本， 分别对齿轮故障和轴承故障贴上标签， 将 所有样本随机取样， 按照6： 2： 2的比例划分训练集、 验证集和 测试集。 [0008](3)将处理好的训练集输入改进的多任务卷积神经网络进行训练， 通过前向传播 计算任务一所提取特征间的相似性损失和交叉熵损失还有任务二所提取特征间的相似性 损失和交叉熵损失并将4个损失函数相加， 通过误差反向传播优化多任务神经网络的取值， 使得4个损失函数的值 最小， 交叉熵损失的公式为 [0009] [0010]其中 是神经网络中需要更新的参数， k是分类层神经元的数目， y是样本标签， x是经多任务神经网络提取到的特 征 [0011]相似性损失的公式如下：说　明　书 1/3 页 3 CN 113268826 B 3