[发明专利]一种基于卷积神经网络的风电齿轮箱故障诊断方法

权利要求书

1.一种基于卷积神经网络的风电齿轮箱故障诊断方法，其特征在于包括以下步骤：

1)采集风电机组齿轮箱在各种故障类型下的状态振动信号；

2)将风电机组齿轮箱各种状态振动信号进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库；

3)在风电机组齿轮箱故障样本库中随机选取训练样本，建立卷积神经网络模型；

4)将风电机组齿轮箱故障样本库中每类故障样本图像调整为p×p像素，将调整后的样本作为训练样本输入卷积神经网络，利用反向传播算法对卷积神经网络进行迭代训练，并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络；

5)再次采集风电机组齿轮箱故障振动信号作为待诊断样本，将待诊断样本进行时频变换生成时频图，并将该时频图像调整为p×p像素，输入训练好的卷积神经网络进行识别分类，输出待诊断故障样本属于各类故障的概率值，将最大概率值对应的故障类别作为该待诊断故障样本的故障类型。

2.如权利要求1所述方法，其特征在于：所述步骤3)中，该卷积神经网络模型包括1个输入层，2个卷积层，2个降采样层，1个全连接层和1个输出层。

3.如权利要求2所述方法，其特征在于：所述卷积神经网络模型建立过程包括以下步骤：

3.1)输入层：对振动时频图进行尺寸调整，获得时频矩阵，输入卷积神经网络，作为输入层；

3.2)卷积层A1：采用n个大小为k₁×k₁的卷积核、步长为1像素，对输入的样本图像进行卷积，并经过激活函数，得到n个(p-k₁+1)×(p-k₁+1)特征图，构成卷积层A1；

3.3)获取降采样层S1：卷积层A1经过大小为c×c的池化区域的池化，得到降采样层S1；

3.4)卷积层A2：降采样层S1与m个大小为k₂×k₂的卷积核进行卷积，在经过激活函数，得到卷积层A2；

3.5)获取降采样层S2：卷积层A2经过大小为c×c的池化区域的池化，得到降采样层S2；

3.6)全连接层C1：将降采样层S2的所有特征图连接成一维向量，作为最终提取到的特征向量层，为全连接层C1；

3.7)输出：全连接层C1与输出层全连接，得到输出。

4.如权利要求3所述方法，其特征在于：所述步骤3.2)中，激活函数为：

其中，l代表当前层数，k_ij是卷积核的权值矩阵，M_j为输入的特征向量集，b_j为卷积层中每个特征对应的偏置项，表示l层第j个特征图。

5.如权利要求1所述方法，其特征在于：所述步骤4)中，训练好的卷积神经网络为：

其中，F(ω)表示损失函数；ω为全局参数，N为训练样本总数；k为总的故障类别数；1{y^a＝b}为指示函数，当括号值为真时，函数值为1，否则函数值为0，y^a,b∈k，x^(a)表示全连接层输出节点所构成的向量；为softmax的假设函数，e是自然常数。

6.如权利要求1或5所述方法，其特征在于：所述步骤5)中，输出的概率值为：

其中，P_b是第b个故障类别的概率值；k为总的故障类别数；x⁽ⁱ⁾表示全连接层输出节点所构成的向量；为softmax的假设函数,b∈k。

7.如权利要求6所述方法，其特征在于：所述分类诊断结果S＝argmax(P_b)。