一种基于卷积神经网络的风电齿轮箱故障诊断方法技术

本发明专利技术涉及一种基于卷积神经网络的风电齿轮箱故障诊断方法，其步骤：采集各种故障类型下的状态振动信号，并进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库；随机选取训练样本建立卷积神经网络模型；调整每类故障样本图像像素，作为训练样本输入卷积神经网络，进行迭代训练并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络；再次采集风电机组齿轮箱故障振动信号作为待诊断样本，将待诊断样本进行时频变换生成时频图，并调整像素，输入训练好的卷积神经网络进行识别分类，输出故障样本属于各类故障的概率值，将最大概率值对应的故障类别作为该待诊断样本的故障类型。

【技术实现步骤摘要】
一种基于卷积神经网络的风电齿轮箱故障诊断方法
本专利技术涉及一种风电齿轮箱的故障诊断方法，特别是关于一种在机电装备故障诊断领域中应用的基于卷积神经网络的风电齿轮箱故障诊断方法。
技术介绍
随着大型风电机组的建设和运行，风电机组故障逐年增加，由此造成的经济损失越来越严重。风电机组齿轮箱等是风电机组故障多发部件。若能采用合理的方法对齿轮箱等部件进行运行状态劣化状态诊断，则能够提高风电机组传动系统状态劣化趋势的预见性，有利于实施先进的预知维护及主动维修，有利于避免重大事故的发生，为提高复杂机电设备的安全性、稳定性、任务可靠性以及降低设备全寿命周期费用提供科学手段。由于目前运行监测的风机规模大、每台风机需要的测点多、每个测点的采样频率高、从开始服役到寿命终止的数据收集历时长，因此监测系统获取的是海量的数据，致使风机的健康监测及故障诊断也进入了“大数据”时代。如何从这些大数据中挖掘信息，高效、准确地识别装备健康状况，成为风力发电机组健康监测面临的新问题。
技术实现思路
针对上述问题，本专利技术的目的是提供一种基于卷积神经网络的风电齿轮箱故障诊断方法，其能从风电机组监测的大数据中提取故障信息，提高故障诊断的准确率，简化诊断流程。为实现上述目的，本专利技术采取以下技术方案：一种基于卷积神经网络的风电齿轮箱故障诊断方法，其特征在于包括以下步骤：1)采集风电机组齿轮箱在各种故障类型下的状态振动信号；2)将风电机组齿轮箱各种状态振动信号进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库；3)在风电机组齿轮箱故障样本库中随机选取训练样本，建立卷积神经网络模型；4)将风电机组齿轮箱故障样本库中每类故障样本图像调整为p×p像素，将调整后的样本作为训练样本输入卷积神经网络，利用反向传播算法对卷积神经网络进行迭代训练，并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络；5)再次采集风电机组齿轮箱故障振动信号作为待诊断样本，将待诊断样本进行时频变换生成时频图，并将该时频图像调整为p×p像素，输入训练好的卷积神经网络进行识别分类，输出待诊断故障样本属于各类故障的概率值，将最大概率值对应的故障类别作为该待诊断故障样本的故障类型。进一步，所述步骤3)中，该卷积神经网络模型包括1个输入层，2个卷积层，2个降采样层，1个全连接层和1个输出层。进一步，所述卷积神经网络模型建立过程包括以下步骤：3.1)输入层：对振动时频图进行尺寸调整，获得时频矩阵，输入卷积神经网络，作为输入层；3.2)卷积层A1：采用n个大小为k1×k1的卷积核、步长为1像素，对输入的样本图像进行卷积，并经过激活函数，得到n个(p-k1+1)×(p-k1+1)特征图，构成卷积层A1；3.3)获取降采样层S1：卷积层A1经过大小为c×c的池化区域的池化，得到降采样层S1；3.4)卷积层A2：降采样层S1与m个大小为k2×k2的卷积核进行卷积，在经过激活函数，得到卷积层A2；3.5)获取降采样层S2：卷积层A2经过大小为c×c的池化区域的池化，得到降采样层S2；3.6)全连接层C1：将降采样层S2的所有特征图连接成一维向量，作为最终提取到的特征向量层，为全连接层C1；3.7)输出：全连接层C1与输出层全连接，得到输出。进一步，所述步骤3.2)中，激活函数为：其中，l代表当前层数，kij是卷积核的权值矩阵，Mj为输入的特征向量集，bj为卷积层中每个特征对应的偏置项，表示l层第j个特征图。进一步，所述步骤4)中，训练好的卷积神经网络为：其中，F(ω)表示损失函数；ω为全局参数，N为训练样本总数；k为总的故障类别数；1{ya＝b}为指示函数，当括号值为真时，函数值为1，否则函数值为0，ya,b∈k，x(a)表示全连接层输出节点所构成的向量；为softmax的假设函数，e是自然常数。进一步，所述步骤5)中，输出的概率值为：其中，Pb是第b个故障类别的概率值；k为总的故障类别数；x(i)表示全连接层输出节点所构成的向量；为softmax的假设函数,b∈k。进一步，所述分类诊断结果S＝argmax(Pb)。本专利技术由于采取以上技术方案，其具有以下优点：1、本专利技术将深度学习引入大型机电装备的故障诊断，可快速处理海量数据。2、由于卷积神经网络在图像识别领域已有成熟应用，本专利技术将其应用于风电齿轮箱故障振动信号时频图像的分类，从风电机组监测的大数据中提取故障信息，能明显提高故障诊断的准确率。3、传统的机械故障诊断方法一般包括信号去噪预处理，特征提取，故障诊断，而本专利技术能大大简化诊断流程，同时对操作人员的专业知识背景无要求，开辟了故障诊断的新途径。附图说明图1是本专利技术的卷积神经网络结构示意图；图2是本专利技术的整体流程示意图。具体实施方式下面结合附图和实施例对本专利技术进行详细的描述。如图1、图2所示，本专利技术提供一种基于卷积神经网络的风电齿轮箱故障诊断方法，其包括以下步骤：1)采集风电机组齿轮箱在各种故障类型下的状态振动信号；各种故障类型包括故障类型Ⅰ、故障类型Ⅱ、故障类型Ⅲ和故障类型Ⅳ。2)将风电机组齿轮箱各种状态振动信号进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库。3)在风电机组齿轮箱故障样本库中随机选取训练样本，建立卷积神经网络模型，该网络模型包括1个输入层，2个卷积层，2个降采样层，1个全连接层和1个输出层。卷积神经网络模型建立过程包括以下步骤：3.1)输入层：对振动时频图进行尺寸调整，获得时频矩阵，输入卷积神经网络，作为输入层。由于卷积神经网络的输入为时频矩阵，矩阵大小可以选择多种尺寸。在本实施例中，对时频变换后得到的时频图调整为尺寸为p×p像素大小的图像；其中，p为像素值。3.2)卷积层A1：采用n个大小为k1×k1的卷积核、步长为1像素，对输入的样本图像进行卷积。并经过激活函数，得到n个(p-k1+1)×(p-k1+1)特征图，构成卷积层A1。其中，k1为该层卷积核矩阵的行数和列数。激活函数为：其中，l代表当前层数；kij是卷积核的权值矩阵；Mj为输入的特征向量集；bj为卷积层中每个特征对应的偏置项；表示l层第j个特征图。3.3)获取降采样层S1：卷积层A1经过大小为c×c的池化区域的池化，得到降采样层S1；其中，c表示池化矩阵的行数和列数。3.4)卷积层A2：降采样层S1与m个大小为k2×k2的卷积核进行卷积，再经过激活函数，得到卷积层A2；其中，k2表示该层卷积核矩阵的行数和列数。3.5)获取降采样层S2：卷积层A2经过大小为c×c的池化区域的池化，得到降采样层S2。3.6)全连接层C1：将降采样层S2的所有特征图连接成一维向量，作为最终提取到的特征向量层，即为全连接层C1。3.7)输出：全连接层C1与输出层全连接，得到输出。4)将风电机组齿轮箱故障样本库中每类故障样本图像调整为p×p像素，将调整后的样本作为训练样本输入卷积神经网络，利用反向传播算法对卷积神经网络进行迭代训练，并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络：其中，F(ω)表示损失函数；ω为全局参数，N为训练样本总数；k为总的故障类别数；1{ya＝b}为指示函数，当括号值为真时，函数值为1，否则函数值为0，ya,b∈k；本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的风电齿轮箱故障诊断方法，其特征在于包括以下步骤：1)采集风电机组齿轮箱在各种故障类型下的状态振动信号；2)将风电机组齿轮箱各种状态振动信号进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库；3)在风电机组齿轮箱故障样本库中随机选取训练样本，建立卷积神经网络模型；4)将风电机组齿轮箱故障样本库中每类故障样本图像调整为p×p像素，将调整后的样本作为训练样本输入卷积神经网络，利用反向传播算法对卷积神经网络进行迭代训练，并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络；5)再次采集风电机组齿轮箱故障振动信号作为待诊断样本，将待诊断样本进行时频变换生成时频图，并将该时频图像调整为p×p像素，输入训练好的卷积神经网络进行识别分类，输出待诊断故障样本属于各类故障的概率值，将最大概率值对应的故障类别作为该待诊断故障样本的故障类型。

【技术特征摘要】
1.一种基于卷积神经网络的风电齿轮箱故障诊断方法，其特征在于包括以下步骤：1)采集风电机组齿轮箱在各种故障类型下的状态振动信号；2)将风电机组齿轮箱各种状态振动信号进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库；3)在风电机组齿轮箱故障样本库中随机选取训练样本，建立卷积神经网络模型；4)将风电机组齿轮箱故障样本库中每类故障样本图像调整为p×p像素，将调整后的样本作为训练样本输入卷积神经网络，利用反向传播算法对卷积神经网络进行迭代训练，并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络；5)再次采集风电机组齿轮箱故障振动信号作为待诊断样本，将待诊断样本进行时频变换生成时频图，并将该时频图像调整为p×p像素，输入训练好的卷积神经网络进行识别分类，输出待诊断故障样本属于各类故障的概率值，将最大概率值对应的故障类别作为该待诊断故障样本的故障类型。2.如权利要求1所述方法，其特征在于：所述步骤3)中，该卷积神经网络模型包括1个输入层，2个卷积层，2个降采样层，1个全连接层和1个输出层。3.如权利要求2所述方法，其特征在于：所述卷积神经网络模型建立过程包括以下步骤：3.1)输入层：对振动时频图进行尺寸调整，获得时频矩阵，输入卷积神经网络，作为输入层；3.2)卷积层A1：采用n个大小为k1×k1的卷积核、步长为1像素，对输入的样本图像进行卷积，并经过激活函数，得到n个(p-k1+1)×(p-k1+1)特征图，...

【专利技术属性】
技术研发人员：刘秀丽，徐小力，吴国新，左云波，蒋章雷，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京,11