[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

说明书

本发明涉及一种基于卷积神经网络的风电齿轮箱故障诊断方法，其步骤：采集各种故障类型下的状态振动信号，并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；随机选取训练样本建立卷积神经网络模型；调整每类故障样本图像像素，作为训练样本输入卷积神经网络，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；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，并调整像素，输入训练好的卷积神经网络进行识别分类，输出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样本的故障类型。

技术领域

本发明涉及一种风电齿轮箱的故障诊断方法，特别是关于一种在机电装备故障诊断领域中应用的基于卷积神经网络的风电齿轮箱故障诊断方法。

背景技术

随着大型风电机组的建设和运行，风电机组故障逐年增加，由此造成的经济损失越来越严重。风电机组齿轮箱等是风电机组故障多发部件。若能采用合理的方法对齿轮箱等部件进行运行状态劣化状态诊断，则能够提高风电机组传动系统状态劣化趋势的预见性，有利于实施先进的预知维护及主动维修，有利于避免重大事故的发生，为提高复杂机电设备的安全性、稳定性、任务可靠性以及降低设备全寿命周期费用提供科学手段。

由于目前运行监测的风机规模大、每台风机需要的测点多、每个测点的采样频率高、从开始服役到寿命终止的数据收集历时长，因此监测系统获取的是海量的数据，致使风机的健康监测及故障诊断也进入了“大数据”时代。如何从这些大数据中挖掘信息，高效、准确地识别装备健康状况，成为风力发电机组健康监测面临的新问题。

发明内容

针对上述问题，本发明的目的是提供一种基于卷积神经网络的风电齿轮箱故障诊断方法，其能从风电机组监测的大数据中提取故障信息，提高故障诊断的准确率，简化诊断流程。

为实现上述目的，本发明采取以下技术方案：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。

进一步，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。

进一步，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。