一种风电机组行星齿轮箱故障诊断方法技术

本发明专利技术涉及一种风电机组行星齿轮箱故障诊断方法，包括采集行星齿轮箱的振动信号进行作为样本，包括含标签源域样本、无标签源域样本和目标域待诊断样本；进行信号预处理，将各样本均转化为快速谱峭度图像，由此得到含标记源域、无标记源域和目标域；构建深度残差半监督域泛化网络结构，设置训练中需要的超参数，以含标记源域和无标记源域为输入，采用基于Wasserstein生成对抗网络的对抗博弈机制和基于伪标签的半监督学习方法训练深度残差半监督域泛化网络，得到最终诊断模型，进行故障识别。与现有技术相比，本发明专利技术分类性能优秀，且能将诊断模型推广到未知转速的行星齿轮箱故障诊断任务中，诊断准确性高。诊断准确性高。诊断准确性高。

【技术实现步骤摘要】
一种风电机组行星齿轮箱故障诊断方法


[0001]本专利技术涉及风电机组控制、监测与诊断领域，尤其是涉及一种风电机组行星齿轮箱故障诊断方法。

技术介绍

[0002]行星齿轮箱具有结构紧凑、功率密度高和传动效率高等优点，是风电机组传动系统中的重要部件。在实际运行过程中，由于动态的载重负荷和频繁变化的运行工况，行星齿轮箱易发生故障并导致高额的维护成本。因此，实现齿轮箱故障准确诊断对于提高风电机组的安全性和可靠性具有重要意义。
[0003]为解决故障诊断中含标签训练数据不足的问题，迁移学习能够从不同但相关的域学习知识，然后迁移到目标域，实现目标任务，因此深度迁移学习成为机械设备故障诊断的研究热点。深度迁移学习通常利用大量含标记的源域样本和少量目标域样本训练一个故障诊断模型，利用该模型可以有效地实现目标域的故障诊断任务。然而，这些方法训练后的模型只能很好地处理目标域的诊断任务且训练阶段仍需要目标域数据。在实际应用中，行星齿轮箱的转速是不断变化的，而转速的变化会直接导致样本分布的变化，因为不可能全面收集到各种转速甚至变速情况下的含标签样本，因此现有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组行星齿轮箱故障诊断方法，其特征在于，包括以下步骤：S1、采集行星齿轮箱的振动信号进行作为样本，包括含标签源域样本、无标签源域样本和目标域待诊断样本；S2、进行信号预处理，将标签源域样本、无标签源域样本和目标域待诊断样本均转化为快速谱峭度图像，由此得到含标记源域Ω
ls
、无标记源域Ω
us
和目标域Ω；S3、构建深度残差半监督域泛化网络结构，设置训练中需要的超参数，以含标记源域Ω
ls
和无标记源域Ω
us
为输入，采用基于Wasserstein生成对抗网络的对抗博弈机制和基于伪标签的半监督学习方法训练深度残差半监督域泛化网络，得到最终诊断模型；S4、将目标域Ω输入最终诊断模型进行故障识别，输出诊断结果。2.根据权利要求1所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述步骤S3中，深度残差半监督域泛化网络包括生成器G、分类器C和判别器D；所述生成器G以深度残差网络为基础从原始样本中提取深层特征；所述分类器C采用Softmax分类器，使用生成器G提取的特征进行健康状态识别；所述判别器D用于估计从不同领域提取出的特征之间的Wasserstein距离。3.根据权利要求2所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述步骤S3中，深度残差半监督域泛化网络的训练包括基于伪标签的半监督学习和基于WGAN的域对抗学习，所述分类器C和判别器D分别采用半监督学习和域对抗学习训练，所述生成器G使用半监督学习和域对抗学习共同训练。4.根据权利要求3所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述半监督学习的损失函数表达式为：L
Semi
＝L
C
+η(i)L
PL
i＝1,2,...,m式中，η(i)为伪标签系数函数，其随着迭代次数i改变而改变，m为最大迭代次数，L
C
为分类器损失函数，L
PL
为伪标签损失函数。5.根据权利要求4所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述分类器损失函数L
C
...

【专利技术属性】
技术研发人员：李东东，赵阳，赵耀，安胜辉，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：