[發(fā)明專利]一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的行星齒輪箱故障檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810654805.6
• 申請(qǐng)日: 2018-06-22
• 公開（公告）號(hào): CN109029974A
• 公開（公告）日: 2018-12-18
• 發(fā)明（設(shè)計(jì)）人: 李東東;王浩;華偉;趙耀;楊帆;林順富
• 申請(qǐng)（專利權(quán)）人: 上海電力學(xué)院
• 主分類號(hào): G01M13/02
• 分類號(hào): G01M13/02;G01M15/02;F03D17/00
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 丁云

本發(fā)明涉及一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的行星齒輪箱故障檢測(cè)方法，該方法包括如下步驟：(1)獲取行星齒輪箱振動(dòng)信號(hào)；(2)將行星齒輪箱振動(dòng)信號(hào)輸入至預(yù)先訓(xùn)練的故障識(shí)別模型，所述的故障識(shí)別模型為一維卷積神經(jīng)網(wǎng)絡(luò)；(3)故障識(shí)別模型對(duì)行星齒輪箱的故障進(jìn)行識(shí)別并輸出故障類型。與現(xiàn)有技術(shù)相比，本發(fā)明能實(shí)現(xiàn)行星齒輪箱故障的準(zhǔn)確、快速診斷。

技術(shù)領(lǐng)域

本發(fā)明涉及電力系統(tǒng)設(shè)備維護(hù)領(lǐng)域，尤其是涉及一種基于一維卷積神經(jīng)網(wǎng)絡(luò) 的行星齒輪箱故障檢測(cè)方法。

背景技術(shù)

風(fēng)能是當(dāng)前最有發(fā)展前景的新能源之一，行星齒輪箱作為風(fēng)力發(fā)電機(jī)重要的傳動(dòng)裝置，它由行星輪、太陽(yáng)輪、齒圈和行星架組成，可以在緊湊的空間中獲得高的 扭矩比。由于其振動(dòng)傳輸路徑復(fù)雜、多齒的嚙合效應(yīng)、信號(hào)的非平穩(wěn)性以及工作背 景噪聲大等原因，導(dǎo)致其故障診斷具有自身的特點(diǎn)和難點(diǎn)，傳統(tǒng)方法對(duì)其進(jìn)行時(shí)域 或頻域分析很難提取有效故障信息。隨著Internet技術(shù)、物聯(lián)網(wǎng)技術(shù)的發(fā)展，數(shù)據(jù) 的獲取和存儲(chǔ)更為方便，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷成為一個(gè)新的發(fā)展方向。和傳統(tǒng) 方法不同，數(shù)據(jù)驅(qū)動(dòng)方法無需進(jìn)行物理建模，直接對(duì)獲取的數(shù)據(jù)進(jìn)行適當(dāng)?shù)奶幚砗?分析來提取信息特征，從而發(fā)現(xiàn)故障規(guī)律。

在故障診斷技術(shù)中，如何有效的提取數(shù)據(jù)的代表性特征，對(duì)診斷的精度起到至 關(guān)重要的作用。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)作為特征提取的重要算法，已經(jīng)在故障診斷領(lǐng)域和電 力系統(tǒng)檢測(cè)領(lǐng)域得到廣泛的研究和應(yīng)用。但是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法具有難以克服的 缺點(diǎn)，如算法本身計(jì)算效率低，診斷精度難以達(dá)到要求，需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處 理等。

早期由于缺乏訓(xùn)練數(shù)據(jù)和計(jì)算能力，要在不產(chǎn)生過擬合的情況下訓(xùn)練高性能神經(jīng)網(wǎng)絡(luò)是很困難的，近來GPU的發(fā)展，使得卷積神經(jīng)網(wǎng)絡(luò)(Convolutional NeuralNetworks,CNNs)研究涌現(xiàn)。CNNs是近年發(fā)展起來的一種高效識(shí)別方法，已經(jīng)在 模式識(shí)別、醫(yī)學(xué)等領(lǐng)域取得了廣泛的應(yīng)用。在模式識(shí)別領(lǐng)域，CNNs主要用來識(shí)別 位移、縮放及其他形式扭曲不變性的二維圖形，由于該方法避免了對(duì)圖像的復(fù)雜前 期預(yù)處理，可以直接輸入原始圖像，因而得到了更為廣泛的應(yīng)用。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于一維卷 積神經(jīng)網(wǎng)絡(luò)的行星齒輪箱故障檢測(cè)方法。

本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的行星齒輪箱故障檢測(cè)方法，該方法包括如下步 驟：

(1)獲取行星齒輪箱振動(dòng)信號(hào)；

(2)將行星齒輪箱振動(dòng)信號(hào)輸入至預(yù)先訓(xùn)練的故障識(shí)別模型，所述的故障識(shí) 別模型為一維卷積神經(jīng)網(wǎng)絡(luò)；

(3)故障識(shí)別模型對(duì)行星齒輪箱的故障進(jìn)行識(shí)別并輸出故障類型。

所述的一維卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的輸入層、第一卷積層、第一池化層、 第二卷積層、第二池化層、特征向量層和輸出層，所述的輸入層用于輸入行星齒輪 箱振動(dòng)信號(hào)，所述的第一卷積層、第一池化層、第二卷積層和第二池化層依次進(jìn)行 卷積-下采樣-卷積-下采樣操作，所述的特征向量層將第二池化層的特征映射圖首尾 連接形成特征向量，所述的輸出層將特征向量進(jìn)行全連接并輸出故障類型分類向 量。

所述的第一卷積層和第二卷積層均為一維卷積層。

所述的第一卷積層和第二卷積層具體為：

設(shè)一維卷積神經(jīng)網(wǎng)絡(luò)中第l層為卷積層，則對(duì)應(yīng)卷積層的計(jì)算公式為：

表示l層的第j個(gè)特征映射，表示l-1層的第i個(gè)特征映射，M表示l-1層 特征映射的個(gè)數(shù)，表示l層可訓(xùn)練的卷積核，表示l層的偏置，*為卷積操作， f(·)為激活函數(shù)。

所述的第一池化層和第二池化層具體為：