[发明专利]一种融合振动与电流信号协同学习的齿轮箱故障诊断方法

说明书

本发明涉及一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其内容是：利用传感器与数据采集设备从风电齿轮箱采集振动与电流信号，分别对其进行局部化处理；将经过局部处理得到的振动与电流局部信号样本输入协同特征学习网络组进行协同特征提取与特征重构，得到电流与振动信号的协同特征映射；将学习的电流局部协同特征作为支持向量机分类器的输入，并利用电流数据的故障标签信息通过监督学习的方式训练得到故障诊断分类器。本发明能够协同学习振动信号和电流信号的局部一致性和互补性故障特征，提高了风电齿轮箱故障诊断的准确性和可靠性。

技术领域

本发明涉及一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，属于风力发电机状态监测领域。

背景技术

齿轮箱是风力发电机传动系统的关键部件，其运行状态直接影响整个风机的工作状态和运行效率。齿轮箱内部结构复杂且运行环境恶劣，长期处于复杂多变的交变载荷下，极易发生故障。由于机组通常安装在偏远、人迹罕至的区域，一旦发生故障导致机组停机，将造成高昂的维修费用。因此，对齿轮箱进行及时、准确的故障诊断具有重要现实意义和应用价值。

传统的齿轮箱故障诊断大多采用振动信号分析法，该方法理论较成熟，但也存在一些弊端。振动传感器和数据采集硬件的安装对于被监测的风机是侵入性的，同时传感器的安装也增加了监测成本。此外，受到振动传感器位置的影响，振动信号易受到环境噪声的污染；与振动信号相比，电流信号因具有更高的可靠性，更低的成本和更强的远程监控能力，成为监测和诊断齿轮箱的新兴有效方式。然而，从发电机端获取的电流信号基频分量干扰较大、信噪比低、所包含的故障信息微弱，给故障特征提取及故障诊断带来了巨大的困难。研究表明，齿轮箱的故障使电流信号发生幅度调制，隐藏了时域电流信号中的故障信息。为解决该问题，学者们研究了各种复杂的信号处理算法，用于电流信号的故障特征提取。但基于信号处理的故障诊断方法对算法的依赖性较高，稳定性与泛化性能较差，所提取的特征缺乏通用性。

研究表明，当齿轮等部件出现故障时产生异常振动，引起电机气隙扭矩波动，定子磁通变化，最终会引起包括定子电流在内的一系列电参数的变化。风力发电机是一种复杂的旋转机械，振动信号与电流信号之间存在耦合关系，给风电齿轮箱故障特征提取提供了一个新的思路。

目前的故障诊断研究主要以振动、电流的单一监测信号为主，每一种监测信号的诊断能力有各自的局限性，难以全面、准确的获取关键部件的健康特征信息，故障诊断可靠性低；针对复杂的振动或电流信号的故障特征提取主要依赖于复杂的信号处理或变换方法，对信号的先验知识或专家经验依赖性较强，分析和设计难度较高，泛化能力弱。为此，需要根据不同监测信号各自特点和互补性，对多视角监测信息进行自适应特征学习及融合处理，实现监测信号的智能化处理，提高故障诊断结果的可靠性。

发明内容

针对上述背景技术中提到当前风机的监测信号的局限性和信号处理方面存在的不足，本发明提出了一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，本发明对齿轮箱振动信号和发电机地电流信号进行自适应特征学习及融合处理，根据电流与振动监测信号各自特点和互补性，在特征获取学习阶段，将振动作为电流的辅助学习信号，利用学习到振动信号中故障信息的电流信号进行故障诊断，一方面提升了故障诊断结果的可靠性，同时也为实际工程应用数据缺失的情况提供了一种解决方案。

为了解决上述技术问题，本发明采用的技术方案是：一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，该方法包括如下步骤：

⑴信号局部分解过程，利用传感器与数据采集设备从齿轮箱在不同健康状态下运行的振动与电流数据，采用重叠滑动窗的方式将电流信号划分成局部小样本，得到原始电流与振动信号的局部信号，并划分出训练集与验证集；

⑵振动与电流信号特征协同学习过程，将处理得到的振动与电流局部信号训练集与验证集成对输入协同特征学习网络进行协同特征提取，进行网络参数的优化学习，将网络输出的高级抽象特征分别送入各信号重构网络中获得与输入的信息相关性最大化的特征，得到电流与振动信号的局部协同特征映射；