[發(fā)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?zhí)枺?/td>: 202011462137.0
• 申請日: 2020-12-09
• 公開（公告）號: CN112734001A
• 公開（公告）日: 2021-04-30
• 發(fā)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(chǎn)權代理有限公司 11467
• 代理人: 郝雅潔

本發(fā)明提供了一種基于階次譜遷移的風電傳動鏈智能故障診斷方法。在訓練階段，通過源域數(shù)據(jù)和目標域正常數(shù)據(jù)構建智能診斷模型。首先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，然后通過希爾伯特階次變換計算共振分量的包絡階次譜，最后通過一維卷積神經(jīng)網(wǎng)絡學習故障特征與故障類別之間的映射關系。在測試階段，采用相同的傅立葉分解算法和希爾伯特階次解調提取目標域振動信號的包絡階次譜，然后通過階次譜遷移算法將目標域數(shù)據(jù)的故障特征遷移至源域，最后通過訓練好的模型識別目標域數(shù)據(jù)的故障類別。具有識別精度高，對目標設備訓練樣本依賴性小的特點，能有效應用于故障數(shù)據(jù)缺乏條件下風電傳動鏈的智能故障診斷。

技術領域

本發(fā)明涉及智能故障診斷技術領域，特別是一種基于階次譜遷移的風電傳動鏈智能故障診斷方法。

背景技術

風電已成為全球重要的新能源，近十年來我國風電發(fā)展更是迅猛，是繼煤電和水電之后的第三大主力電源。風電快速發(fā)展的同時，運行故障問題也日益突出，出現(xiàn)了大量齒輪箱損壞、葉片裂紋、電機著火、倒塌等事故，特別是對于運行2-3年以上的兆瓦級風電機組，其故障率高達5％。帶增速齒輪箱的兆瓦級風力發(fā)電機是目前的主力機型，其傳動系統(tǒng)主要由主軸、主軸承、齒輪箱、聯(lián)軸器等組成。受風能間歇性與波動性的影響，風電機組傳動鏈承受的載荷具有很強的時變性與沖擊性，導致傳動系統(tǒng)的故障高發(fā)。對風電傳動鏈運行狀態(tài)進行有效評估、及時對故障進行預警、避免重大故障的發(fā)生，已成為風電行業(yè)面臨的緊迫任務。

隨著人工智能與大數(shù)據(jù)技術的發(fā)展，基于機器學習算法的智能故障診斷受到了學術界和工程界的普遍關注。然而，傳統(tǒng)的智能故障診斷研究需要大量的覆蓋各種運行工況和故障類別的有標簽訓練樣本，這在實際的風電傳動鏈故障診斷中難以得到滿足。因此，傳統(tǒng)的智能故障診斷方法在工業(yè)應用中面臨了巨大的調整。

發(fā)明內容

針對現(xiàn)有技術中存在的問題，本發(fā)明提供一種基于階次譜遷移的風電傳動鏈智能故障診斷方法，采用機理建模和數(shù)據(jù)驅動相結合的方法，基于源域(如實驗室數(shù)據(jù))數(shù)據(jù)和目標域正常數(shù)據(jù)構建智能診斷模型，能有效降低模型訓練對目標設備故障樣本的依賴，實現(xiàn)故障樣本缺乏條件下風電傳動鏈關鍵零部件健康狀態(tài)的自動識別。

本發(fā)明采用的技術方案如下：

本發(fā)明的基于階次譜遷移的風電傳動鏈智能故障診斷方法，在訓練階段，通過源域數(shù)據(jù)和目標域正常數(shù)據(jù)構建智能診斷模型。首先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，然后通過希爾伯特階次變換計算共振分量的包絡階次譜，最后通過一維卷積神經(jīng)網(wǎng)絡學習故障特征與故障類別之間的映射關系。在測試階段，采用相同的傅立葉分解算法和希爾伯特階次解調提取目標域振動信號的包絡階次譜，然后通過階次譜遷移算法將目標域數(shù)據(jù)的故障特征遷移至源域，最后通過訓練好的模型識別目標域數(shù)據(jù)的故障類別。具有識別精度高，對目標設備訓練樣本依賴性小的特點，因而有效應用于故障數(shù)據(jù)缺乏條件下風電傳動鏈的智能故障診斷。

具體地，本發(fā)明的一種基于階次譜遷移的風電傳動鏈智能故障診斷方法，包括以下步驟：

第一步：訓練階段，選取源域數(shù)據(jù)和目標域正常數(shù)據(jù)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(jīng)網(wǎng)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(shù)據(jù)的故障特征遷移至源域；