[发明专利]一种风电机组行星齿轮箱故障诊断方法

说明书

本发明涉及一种风电机组行星齿轮箱故障诊断方法，包括采集行星齿轮箱的时域振动信号作为待诊断样本，所述待诊断样本即为无标记目标的目标域数据集；建立行星齿轮箱的动力学模型，求解动力学模型得到故障仿真时域信号，所述故障仿真时域信号即为含标记目标的源域数据集；对目标域数据集和源域数据集进行幅值归一化，并将目标域数据集按照设定的比例划分为训练集和测试集，源域数据集全部划为训练集；构建深度卷积迁移学习网络，利用训练集对网络进行训练，并使用测试集对训练结果进行评估测试，得到故障诊断结果。与现有技术相比，本发明具有解决真实设备数据采集费时费力的问题，降低传统方法对大量真实设备数据的依赖，提高诊断精度等优点。

技术领域

本发明涉及电力系统设备的控制、监测与诊断领域，尤其是涉及一种风电机组行星齿轮箱故障诊断方法。

背景技术

风能是当前最有发展前景的新能源之一，行星齿轮箱作为风力发电机重要的传动装置，由于其工作环境恶劣，在运行中容易出现各种故障，会导致很长的停机时间，所以对于行星齿轮箱故障的及时诊断具有极大的实际应用价值。

目前已有通过神经网络训练后的模型对行星齿轮箱故障进行智能诊断的一些应用，但是仍然存在以下问题：传统的智能诊断方法的前提假设是训练数据与测试数据具有相同的概率分布，但这与实际的诊断问题设定不符。第一，实际的诊断问题应是将待诊断设备新采集到的数据输入到诊断模型中，输出诊断结果，因此理论上，在训练诊断模型的数据中必须包含待诊断设备所发生故障的所有可能类型，但实际上很难获取大量的待诊断设备在特定工况下各种类型的故障样本，能获取到的样本不足以训练具有泛化能力的故障识别模型；第二，这种数据集的划分只能证明诊断模型在该数据集所能体现的特定设备特定工况特定健康状态下的可行性，对于同类其他设备的其他工况，模型可能并不具有泛化能力，这是目前传统智能诊断方法在实际中难以推广的重要原因之一。

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风电机组行星齿轮箱故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种风电机组行星齿轮箱故障诊断方法，包括以下步骤：

S1、采集行星齿轮箱的时域振动信号作为待诊断样本，所述待诊断样本即为无标记目标的目标域数据集；

S2、建立行星齿轮箱的动力学模型，所述动力学模型为一个多自由度集中参数动力学模型，由太阳轮，内齿圈，行星架和多个行星轮组成，其中太阳轮有三个自由度，分别为x方向、y方向和扭转方向的运动，内齿圈，行星架和多个行星轮仅考虑扭转方向的运动，所有部件的支撑刚度和阻尼用集中参数的虚拟弹簧阻尼单元表示；求解动力学模型得到故障仿真时域信号，所述故障仿真时域信号即为含标记目标的源域数据集；

S3、对目标域数据集和源域数据集进行幅值归一化，并将目标域数据集按照设定的比例划分为训练集和测试集，源域数据集全部划为训练集；

S4、构建深度卷积迁移学习网络，利用训练集对网络进行训练，并使用测试集对训练结果进行评估测试，得到故障诊断结果。

进一步地，所述的动力学模型的运动表示为多元二阶微分方程组，对方程组进行无量纲化后，采用四阶变步长龙格—库塔法进行求解。

进一步地，所述多元二阶微分方程组的表达式为：