[发明专利]基于卷积编码器和闵式距离的行星齿轮箱故障检测方法

说明书

本发明涉及一种基于卷积编码器和闵式距离的行星齿轮箱故障检测方法，该方法包括如下步骤：(1)获取行星齿轮箱振动信号；(2)将行星齿轮箱振动信号输入至预先训练的特征提取模型，所述的特征提取模型为一维卷积编码器；(3)特征提取模型提取故障特征向量，求取故障特征向量与已知故障类别特征向量的闵式距离，根据闵式距离大小获取故障类型。与现有技术相比，本发明可以达到很高的诊断精确度，并且该方法能够适应实时性的需要，具有良好的实用价值。

技术领域

本发明涉及电力系统设备维护领域，尤其是涉及一种基于卷积编码器和闵式距离的行星齿轮箱故障检测方法。

背景技术

电力系统设备的状态监测是电力系统中不可或缺的一部分。行星齿轮箱作为风力发电机重要的传动装置，它由太阳轮、行星轮、行星轮轴承、齿圈和行星架组成，可以在紧凑的空间中获得高的扭矩比。由于其复杂的振动传输路径、多齿的啮合效应、信号的非平稳性以及工作背景噪声大等原因，导致其故障诊断具有自身的特点和难点。齿轮箱的故障诊断通常基于两个方面：基于指标的故障诊断和基于数据驱动的故障诊断。

基于指标的故障诊断需要对研究对象进行物理建模，获取对象数据的时域和频域等指标，再通过对比分析各指标达到故障诊断的目的。但由于齿轮箱信号一般包含大量噪声，信号存在调制现象，利用指标来诊断故障存在准确度低、稳定性差等缺点。

随着网络和硬件技术发展，数据的获取和存储更为方便，基于数据驱动的故障诊断成为一个新的发展方向。和基于指标的方法不同，数据驱动方法无需进行物理建模，而是通过智能算法对获取的数据进行适当的处理和分析来提取数据特征，从而发现数据之间的规律。

智能学习算法包括监督学习和无监督学习。监督学习对数据敏感度高，并且需要大量的训练数据等缺点。无监督学习可以在无标签的情况下自动提取数据特征，算法适应性更强，已经成为模式识别领域新的研究热点。

在故障诊断技术中，如何有效的提取数据的代表性特征，对诊断的精度起到至关重要的作用。传统神经网络作为特征提取的重要算法，已经在故障诊断领域和电力系统检测领域得到广泛的研究和应用。但是传统的神经网络算法具有难以克服的缺点，如算法本身计算效率低，诊断精度难以达到要求，需要对原始数据进行预处理等。传统的智能算法属于监督学习算法，需要大量的人力去制作数据标签，不仅浪费人力物力，生成的模型适应范围也存在局限性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卷积编码器和闵式距离的行星齿轮箱故障检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于卷积编码器和闵式距离的行星齿轮箱故障检测方法，该方法包括如下步骤：

(1)获取行星齿轮箱振动信号；

(2)将行星齿轮箱振动信号输入至预先训练的特征提取模型，所述的特征提取模型为一维卷积编码器；

(3)特征提取模型提取故障特征向量，求取故障特征向量与已知故障类别特征向量的闵式距离，根据闵式距离大小获取故障类型。

所述的一维卷积编码器包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、特征向量层和输出层，所述的输入层用于输入行星齿轮箱振动信号，所述的第一卷积层、第一池化层、第二卷积层和第二池化层依次进行卷积-下采样-卷积-下采样操作，所述的特征向量层将第二池化层的特征映射图首尾连接形成故障特征向量，所述的输出层将故障特征向量进行全连接并输出与输入层行星齿轮箱振动信号维数相同的类振动信号，所述的类振动信号无限趋近行星齿轮箱振动信号。

所述的第一卷积层和第二卷积层具体为：

设一维卷积神经网络中第l层为卷积层，则对应卷积层的计算公式为：