[发明专利]一种齿轮箱的小样本故障分类方法及系统

说明书

本发明涉及风机故障诊断领域，具体涉及一种齿轮箱的小样本故障分类方法及系统，方法包括：将自注意力机制引入DCGAN的网络结构，记为SA‑DCGAN；使用数据集Xsubgt;i/subgt;训练SA‑DCGAN，并使用SA‑DCGAN生成若干个不同故障类型的样本Y，构成样本数据集Ysubgt;i/subgt;；使用Ysubgt;i/subgt;预训练密集卷积网络模型，得到源域模型；构建目标域模型，将源域模型的参数迁移至目标域模型，并使用齿轮箱振动信号数据X对目标域模型进行微调，将微调后的目标域模型作为故障分类模型；将需要诊断故障类别的齿轮箱振动信号输入故障分类模型，得到对应的齿轮箱小样本故障分类结果，实现了在小样本条件下准确诊断出齿轮箱故障类型，且具有更好的故障分类效果。

技术领域

本发明涉及风机故障诊断领域，具体涉及一种齿轮箱的小样本故障分类方法。

背景技术

近年来，随着全球环境意识和能源需求的增加，无污染可再生清洁能源得到了显著发展。根据全球风能理事会的数据，作为无污染可再生清洁能源之一的风能是最可靠的可再生能源之一，并且随着风能行业的大力发展，累计新装机容量大幅增加。然而，许多已投入运营的风力涡轮机建在海洋、山区和偏远的土地上，因为那里有丰富的风力资源。与此同时，这些风力涡轮机也面临着恶劣的运行条件和环境条件、机械部件老化等问题，从而严重影响风电机组的可靠性和安全性，甚至可能造成重大经济损失。据统计，中国各地现有风电场风力涡轮机变速箱的累计损坏率高达40％—50％，表明变速箱是风力涡轮机中故障率最高的机械部件。其中，风力涡轮机变速箱通常也被称为齿轮箱，因为它们由一系列的齿轮组成，用于将风力涡轮机的转速转换为发电机所需的合适转速。齿轮箱通常由高强度合金制成，以应对高负荷和频繁的运转。齿轮箱常见的故障有轴承磨损、点蚀、断齿等，这些故障发生后会逐渐恶化，造成风电机组长时间的停机以及耗费高昂的维修成本。因此，在齿轮箱故障恶化之前实施先进的故障诊断策略，对有效地降低维修难度、减少经济损失、提高风力涡轮机运行的安全性等均具有重要意义。

目前，应用于齿轮箱故障诊断的方法主要有基于模型的方法和基于无模型的方法。基于模型的方法主要为通过卡尔曼滤波器、中间观测器以及扩展状态观测器等技术建立状态空间模型，但这需要精确的系统模型。然而，在实际风力涡轮机中很难获得精确的系统模型。基于无模型的方法不需要精确的系统模型，它们是从模式识别的角度定义的，基于无模型的方法主要为通过反向传播神经网络算法、卷积神经网络算法等人工智能方法实现对齿轮箱振动数据的自动学习和特征提取，从而判断是否故障。其中，反向传播神经网络算法具有自学习能力，并且具有实现非线性复杂映射的功能，但是该算法需要大量的计算资源和时间来训练，而且容易陷入局部最优解，存在“过拟合”现象，影响反向传播神经网络的预测能力。而卷积神经网络(CNN)具有强大的分类能力，但卷积神经网络也需要大量的计算资源和时间来训练，卷积神经网络的性能高度依赖于样本数据集的质量和规模，对与小规模样本数据集的训练效果不佳。

然而，在风场运维过程中的风力涡轮机是高可靠度的设备，其大部分时间都处于正常运行状态，能发生齿轮箱故障的概率较小，因此只能获得少量的真实故障样本振动数据。在只有少量的真实故障振动样本数据的情况下，难以训练出比较有效的故障诊断模型。具体而言，如果直接用少量的故障振动样本数据进行深度学习训练，则学习到的故障诊断模型容易存在“过拟合”现象、泛化性能较差、诊断目标齿轮箱的故障识别率较低的技术问题，无法有效地应用于风机齿轮箱故障辨识。

为此，现有技术通常将对抗生成网络(GAN)生成的伪样本与真实故障样本混合，以弥补缺乏真实数据的小样本问题。然而，实际中受到GAN网络结构以及运算量的限制，GAN生成的数据与真实数据的相似度较低。而且，为了解决故障样本数据过少的问题，GAN生成的伪样本数量往往远大于真实样本的数量，这就导致了大量低质量的伪样本影响了故障诊断模型的分类边界，因而无法很好的区分需要诊断的齿轮箱振动信号的故障类型。

发明内容

本发明所要解决的技术问题：目前齿轮箱的故障诊断方法存在真实故障样本数据较少、故障分类效果不佳的技术问题，提出了一种齿轮箱的小样本故障分类方法及系统，旨在解决上述技术问题。