一种深度信念网络的风力发电机齿轮箱故障诊断方法技术

本发明专利技术属于风力发电机齿轮箱故障诊断技术领域，具体涉及一种深度信念网络的风力发电机齿轮箱故障诊断方法，包括步骤：(1)采集振动数据；(2)提取振动信号特征；(3)振动信号重构分析；(4)基于深度信念网络的学习过程；(5)进行故障诊断测试。本发明专利技术通过实时监测风力发电机组齿轮箱工作状态并获取振动信号，对采集的风力发电机组齿轮箱的振动信号进行分析处理，并对处理后的信息进行分类整理作为故障诊断的依据。

【技术实现步骤摘要】
一种深度信念网络的风力发电机齿轮箱故障诊断方法
本专利技术属于风力发电机齿轮箱故障诊断
，具体涉及一种深度信念网络的风力发电机齿轮箱故障诊断方法。
技术介绍
齿轮箱可分为单级和多级齿轮箱，风力发电机齿轮箱作为风力发电机组主要变速、能量传递的部件，是一种低速重载的增速齿轮传动，它安装在距离地面几十米的高级塔之上狭小的机舱内，由于选材、加工、热处理、安装调试、使用维护、工作环境恶劣等原因，风力发电机组齿轮箱极易发生故障，经常在工作过程中造成损坏，从而影响整机的工作性能。据统计，风力发电机组齿轮箱的损坏率高达40％-50％。因此，提高风力发电机组齿轮箱运行的安全性、可靠性，对其工作状况进行实时监测，检测其故障就显得十分重要。然而，获得的风力发电机组齿轮箱的振动信号，由于其计算量大且识别精度不高，如何对这些信号进行分析、处理以便判断故障成为亟待解决的技术难题。
技术实现思路
本专利技术针对上述问题，提出一种深度信念网络的风力发电机齿轮箱故障诊断方法，通过实时监测风力发电机组齿轮箱工作状态并获取振动信号，对采集的风力发电机组齿轮箱的振动信号进行分析处理，并对处理后的信息进行分类整理作为故障诊断的依据。为实现本专利技术的目的，本专利技术通过以下技术方案来实现：一种深度信念网络的风力发电机齿轮箱故障诊断方法，包括以下步骤：(1)采集振动数据：在风力发电机组齿轮箱上安装加速度传感器，在线采集风力发电机组齿轮箱运行过程中的振动信号，并做预处理；(2)提取振动信号特征：对预处理后的采集信号提取时域、频域、时频域特征；(3)振动信号重构分析：a1)利用平移缩放归一化，先将所有数据平移至正数；b1)将正值数据缩放归一；(4)基于深度信念网络的学习过程：a2)将特征数据输入第一层RBM1可视层第一层v1，学习计算得到隐藏层第一层h1和层间连接权值w1；b2)将第一层RBM1的隐藏层h1作为第二层RBM2的第二层可视层v2的输入，学习计算得到第二层隐藏层h2和层间连接权值w2；c)重复上述步骤，将上一层RBM的隐藏层作为下一层可视层的输入，学习计算得到下一层的隐藏层和连接权值，直到所有RBM都学习完毕；d)步骤a2)到c2)称为编码过程，最高层输出的隐藏层称为编码层，将编码层数据反向逐层解码，可得到与原始信号相对应的重构信号；(5)进行故障诊断测试：将10个测点归一化后的原始数据逐一输入深度信念网络中，重复计算30次后取其平均值作为结果，将测试样本的分类识别结果与单一故障进行比较，得出诊断结果。进一步，步骤a1)具体为：步骤b1)具体为：本专利技术相对于现有技术，具有以下优点：通过分析本专利技术提出的一种深度信念网络的风力发电机齿轮箱故障诊断方法在风力发电机组齿轮箱上应用的试验结果，可以得出：(1)本专利技术提升了深度信念网络的识别性能；(2)本专利技术重构原始数据，微调效果明显，微调重构信号比未微调重构信号误差要小，且更接近原始信号，即依据重构后信号与原始信号的误差来微调参数有利于深度信念网络的学习和计算。附图说明图1是本专利技术一种深度信念网络的风力发电机齿轮箱故障诊断方法实施例的流程图；图2是本专利技术一种深度信念网络的风力发电机齿轮箱故障诊断方法实施例的深度信念网络学习过程示意图。具体实施方式为了使本领域的技术人员可以更好地理解本专利技术，下面结合附图和实施例对本专利技术技术方案进一步说明。如图1、图2所示，本专利技术的一种深度信念网络的风力发电机齿轮箱故障诊断方法，包括以下步骤：(1)采集振动数据：在风力发电机组齿轮箱上安装加速度传感器，在线采集风力发电机组齿轮箱运行过程中的振动信号，并做预处理；(2)提取振动信号特征：对预处理后的采集信号提取时域、频域、时频域特征；(3)振动信号重构分析：a1)利用平移缩放归一化，先将所有数据平移至正数，具体为：b1)将正值数据缩放归一，具体为：(4)基于深度信念网络的学习过程：a2)将特征数据输入第一层RBM1可视层第一层v1，学习计算得到隐藏层第一层h1和层间连接权值w1；b2)将第一层RBM1的隐藏层h1作为第二层RBM2的第二层可视层v2的输入，学习计算得到第二层隐藏层h2和层间连接权值w2；c)重复上述步骤，将上一层RBM的隐藏层作为下一层可视层的输入，学习计算得到下一层的隐藏层和连接权值，直到所有RBM都学习完毕；d)步骤a2)到c2)称为编码过程，最高层输出的隐藏层称为编码层，将编码层数据反向逐层解码，可得到与原始信号相对应的重构信号；(5)进行故障诊断测试：将10个测点归一化后的原始数据逐一输入深度信念网络中，重复计算30次后取其平均值作为结果，将测试样本的分类识别结果与单一故障进行比较，得出诊断结果。上述实施例仅示例性说明本专利技术的原理及其功效，而非用于限制本专利技术。任何熟悉此技术的人士皆可在不违背本专利技术的精神及范畴下，对上述实施例进行修饰或改变。因此，凡所属
中具有通常知识者在未脱离本专利技术所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本专利技术的权利要求所涵盖。本文档来自技高网...

【技术保护点】
一种深度信念网络的风力发电机齿轮箱故障诊断方法，其特征在于，包括以下步骤：(1)采集振动数据：在风力发电机组齿轮箱上安装加速度传感器，在线采集风力发电机组齿轮箱运行过程中的振动信号，并做预处理；(2)提取振动信号特征：对预处理后的采集信号提取时域、频域、时频域特征；(3)振动信号重构分析：a1)利用平移缩放归一化，先将所有数据平移至正数；b1)将正值数据缩放归一；(4)基于深度信念网络的学习过程：a2)将特征数据输入第一层RBM1可视层第一层v1，学习计算得到隐藏层第一层h1和层间连接权值w1；b2)将第一层RBM1的隐藏层h1作为第二层RBM2的第二层可视层v2的输入，学习计算得到第二层隐藏层h2和层间连接权值w2；c)重复上述步骤，将上一层RBM的隐藏层作为下一层可视层的输入，学习计算得到下一层的隐藏层和连接权值，直到所有RBM都学习完毕；d)步骤a2)到c2)称为编码过程，最高层输出的隐藏层称为编码层，将编码层数据反向逐层解码，可得到与原始信号相对应的重构信号；(5)进行故障诊断测试：将10个测点归一化后的原始数据逐一输入深度信念网络中，重复计算30次后取其平均值作为结果，将测试样本的分类识别结果与单一故障进行比较，得出诊断结果。...

【技术特征摘要】
1.一种深度信念网络的风力发电机齿轮箱故障诊断方法，其特征在于，包括以下步骤：(1)采集振动数据：在风力发电机组齿轮箱上安装加速度传感器，在线采集风力发电机组齿轮箱运行过程中的振动信号，并做预处理；(2)提取振动信号特征：对预处理后的采集信号提取时域、频域、时频域特征；(3)振动信号重构分析：a1)利用平移缩放归一化，先将所有数据平移至正数；b1)将正值数据缩放归一；(4)基于深度信念网络的学习过程：a2)将特征数据输入第一层RBM1可视层第一层v1，学习计算得到隐藏层第一层h1和层间连接权值w1；b2)将第一层RBM1的隐藏层h1作为第二层RBM2的第二层可视层v2的输入，学习计...

【专利技术属性】
技术研发人员：陈志强，李雪娇，喻其炳，白云，刘杰，姚行艳，陈旭东，王晓丹，
申请(专利权)人：重庆工商大学，
类型：发明
国别省市：重庆,50