[發明專利]一種基于階次譜遷移的風電傳動鏈智能故障診斷方法

在審

• 申請號: 202011462137.0
• 申請日: 2020-12-09
• 公開（公告）號: CN112734001A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 鄧艾東;鄧敏強;朱靜;史曜煒;盧浙安;馬駿馳;馮志剛;劉洋;程強
• 申請（專利權）人: 東南大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/00;G01M13/023;G01M13/028
• 代理公司: 北京德崇智捷知識產權代理有限公司 11467
• 代理人: 郝雅潔

1.一種基于階次譜遷移的風電傳動鏈智能故障診斷方法，其特征在于，包括以下步驟：

第一步：訓練階段，選取源域數據和目標域正常數據訓練智能診斷模型；

第二步：訓練階段，通過傅立葉分解算法分離原始振動信號中的窄帶共振分量；

第三步：訓練階段，通過希爾伯特階次變換計算窄帶共振分量的包絡階次譜；

第四步：訓練階段，基于特征階次比和包絡階次譜歸一化處理構建故障特征集；

第五步：訓練階段，通過一維卷積神經網絡學習故障特征與故障類別之間的映射關系；

第六步：測試階段，通過傅立葉分解算法和希爾伯特階次變換提取目標域測試信號的包絡階次譜，并通過特征階次比和包絡階次譜歸一化處理構建目標域故障特征向量；

第七步：測試階段，通過階次譜遷移算法將目標域數據的故障特征遷移至源域；

第八步：測試階段，通過訓練好的一維卷積神經網絡識別目標域測試數據的故障類別。

2.根據權利要求1所述的基于階次譜遷移的風電傳動鏈智能故障診斷方法，其特征在于，所述第二步中，傅立葉分解算法包括以下步驟：

S1通過搜索傅立葉譜的極大值點估計自振頻率ω_i；

S2在頻率范圍|ω-ω_i|≥0.1ω_i，i＝1，2，..，N內重復步驟S1直至所有的極大值點均被搜索到，其中N為已搜索到的自振頻率點；

S3構建共振帶帶寬最小化問題：

式中，X_i(ω)為待分離的共振帶，其時域信號為x_i(t)；F(ω)為原始振動信號f(t)的傅立葉譜；優化問題的解即為共振帶X_i(ω)的解析解：

S4通過傅立葉逆變換將共振帶X_i(ω)轉換為時域信號x_i(t)。

3.根據權利要求2所述的基于階次譜遷移的風電傳動鏈智能故障診斷方法，其特征在于，所述第三步中，希爾伯特階次變換的原理與計算過程為：

假設有一頻率調制解析信號y(t)：

其包絡階次譜Y(o)的計算式為：

式中，A為振動幅值；o₁為特征階次；f_r(t)為瞬時轉頻；T為信號時間長度；j為虛數單位；

根據等式：

包絡階次譜Y(o)改寫為：

即包絡階次譜Y(o)在特征階次o₁處存在突出的、可用以特征階次、有效識別的譜線，由此，對于任意時域信號x(t)，其包絡階次譜X_e(o)的希爾伯特階次變換計算式為：

其中，t為時間，j為虛數單位，τ為積分時間變量，x_e(t)為時域信號x(t)的包絡信號，其希爾伯特變換計算式為：

4.根據權利要求3所述的基于階次譜遷移的風電傳動鏈智能故障診斷方法，其特征在于，所述第四步中，選擇特征階次比最大的共振帶分量作為有效分量并通過歸一化處理構建故障特征集，特征階次比反映了共振帶與故障的相關程度，其計算式為：

其中，X_e為共振帶的包絡階次譜，o_end為階次范圍。

5.根據權利要求4所述的基于階次譜遷移的風電傳動鏈智能故障診斷方法，其特征在于，所述第六步中，采用與所述第二步中相同的傅立葉分解算法和希爾伯特階次變換構建目標域故障特征向量。