[發明專利]一種基于小波包分解和卷積神經網絡的風電機組齒輪箱故障診斷方法

有效

• 申請號: 202010216372.3
• 申請日: 2020-03-25
• 公開（公告）號: CN111562105B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 張文安;黃大建;郭方洪
• 申請（專利權）人: 浙江工業大學
• 主分類號: G01M13/021
• 分類號: G01M13/021;G01M13/028;G06N3/04;G06N3/08
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于小波包分解和卷積神經網絡的風電機組齒輪箱故障診斷方法，其特征在于，包括如下步驟：

步驟1)數據預處理，過程如下：

對采集到的振動信號進行預處理，要求所有振動信號的采樣頻率一致，同時將振動信號處理為相同長度，每個類別的樣本數量盡量相同，訓練數據和測試數據需要打上標簽；

步驟2)多尺度振動分解，過程如下：

獲得多尺度的振動信號分量，通過將小波包分解引入到分層的卷積神經網絡中，在數據傳遞到輸入層之前，自適應地將非平穩振動信號分解成不同尺度的信號分量，對于原始信號s(t)∈L²(R)，小波包分解表示為原始信號s(t)在小波包基上的投影系數：

其中{p_s(n,l,k)}_k∈z表示原始信號s(t)在小波包空間中的WPD序列，l為尺度坐標，即層數，n是震蕩次數，n＝0,...,2^l，k是位置坐標；

步驟3)多尺度特征提取，過程如下：

提取到原始振動信號中的多尺度信息，使用兩個卷積層和兩個池化層來學習每個信號的故障特征：

對每個輸入信號都進行如下卷積計算

y_i＝f(w^Tx_i:i+m-1+b) (2)

其中， 是濾波器權值向量，b是偏置項，x是長度N的輸入信號，x_i:i+m-1是從i開始的長度m的子信號，m＜N，f(·)是非線性激活函數，采用修正線性單元ReLU；

在經過以上濾波器處理之后，第j個濾波器的特征映射如下：

y_j＝[y₁,y₂,...,y_N-m+1] (3)

每個池化層中的最大池化操作定義為：

其中p為用來計算特征映射局部最大值的池化長度，第k個池化的特征映射是：

h_k＝[h₁,h₂,...,h_(N-m)/p+1] (5)

對每個信號使用相同的濾波器大小，由于每個信號的長度相同，但頻率不同，因此輸出特征映射以不同的標度捕獲每個信號；并合并特征：假設在最后一對中使用了k₂個濾波器，那么就有了k₂個新特征圖，對于每個信號分量其合并的特征映射表示為：

最后，簡單地連接每個信號分量的特征表示：

H＝[H⁽¹⁾,H⁽²⁾,...,H⁽ⁿ⁾] (7)

這里的n是輸入信號分量的個數，經過以上步驟，H包含了原始信號的多尺度特征表示，由于每個信號分量是互補的，所以不存在重疊信息；

步驟4)分類，過程如下：

根據獲得的特征表示來識別出故障類型，從而達到最終的故障診斷目的，將特征表示通過1個全連接層，然后，使用softmax函數計算出每個類的條件概率：

其中，θ是模型參數，c是類別個數；

根據概率大小得到最終分類結果：

2.如權利要求1所述的基于小波包分解和卷積神經網絡的風電機組齒輪箱故障診斷方法，其特征在于，所述步驟2)中，振動信號經過分解之后，得到不同尺度的振動信號分量，各個分量包含了不同尺度的信息，比原始信號包含更充足的信息量，不同的故障類型具有不同的故障頻率，因此，當不同類型的故障發生時，不同頻段的信號也會發生相應的變化，與從原始信號中提取故障特征相比，在不同頻段能從信號分量中提取更有效的故障特征；對于WPD，濾波信號是根據頻率從原始信號中分離出來的，因此結果是互補的。