一种多通道融合的风电行星齿轮箱故障诊断方法技术

本发明专利技术提出了一种多通道融合的风电行星齿轮箱故障诊断方法，该方法通过采集风电行星齿轮箱关键位置的多传感器振动信号，考虑通道间故障耦合关联信息，设计全局和局部卷积神经网络自动提取通道间耦合特征和通道内故障特征，从而获得行星齿轮箱更为完整的故障信息，并利用自适应动态加权模块，筛选故障高相关性特征，抑制噪声干扰，进一步地提高故障诊断精度。本发明专利技术能够自动提取并融合多通道振动信号中的时空特征，抑制干扰，提高了故障特征提取能力和故障诊断精度。能力和故障诊断精度。能力和故障诊断精度。

【技术实现步骤摘要】
一种多通道融合的风电行星齿轮箱故障诊断方法


[0001]本专利技术涉及风力发电机齿轮箱故障诊断
，尤其涉及一种多通道融合的风电行星齿轮箱故障诊断方法。

技术介绍

[0002]齿轮传动系统是大型双馈风电机组的重要组成部分，是实现能量传递与转换的关键。行星齿轮箱作为齿轮传统系统的核心部件，也是风电机组高发故障的主要来源之一。行星齿轮箱内部结构复杂，长期工作在低速、重载、交变载荷作用以及强阵风冲击等复杂工况下，内部轴承、齿轮等关键部件易发生磨损、断裂等故障，甚至产生连锁反应演化成整个系统的停机。这些故障和计划外的停机严重影响了风电场的经济效益和风电行业的健康发展，因此，及时发现并诊断行星齿轮箱故障具有重要的现实意义。
[0003]目前，基于物理模型的方法在风电行星齿轮箱故障诊断中得到了广泛应用，但受限于风机多变的工况环境和复杂的内部结构，基于物理模型的方法需要做一些简化假设，难以建得精准的数学模型，在很大程度上影响了风电行星齿轮箱故障诊断精度。随着传感器技术和风电数据监控系统的发展，基于数据驱动的风电行星齿轮箱故障诊断方法逐渐兴起。相比于传统的基于物理模型的方法，基于数据驱动的方法仅依赖于监测数据，无需系统模型或故障机理等先验知识，具备较强的适用性和可扩展性。其中，基于深度学习的风电行星齿轮箱故障诊断方法利用大量的状态监测数据，构造深度诊断模型，提取高维故障特征，成为目前工业界和学术界的研究重点。
[0004]现有的基于深度学习的风电行星齿轮箱故障诊断研究，大多只针对单一传感器进行部件的故障特征提取，没有考虑到齿轮箱在发生故障时，会产生多部位耦合作用，不同测点位置的传感器信息能够为行星齿轮箱故障诊断提供更为全面的状态信息，提高模型的诊断精度。

技术实现思路

[0005]本专利技术需要解决的技术问题是提供能够有效地提高风电行星齿轮箱故障诊断精度，识别风电行星齿轮箱故障类型、具有工程实用价值的故障诊断方法。
[0006]为解决上述问题，本专利技术提供了以下技术方案：
[0007]一种多通道融合的风电行星齿轮箱故障诊断方法，该方法包括以下步骤：
[0008]步骤S1：收集所述风电行星齿轮箱的多通道振动信号的传感器监测数据；针对标签健康状态的传感器监测数据，分别对所述多通道振动信号的时间序列数据进行预处理以获取指定范围的二维多通道时间序列输入矩阵；
[0009]步骤S2：将所述二维多通道时间序列输入矩阵并行输入到多尺度卷积神经网络进行多尺度故障特征学习，得到通道间故障特征和通道内故障特征；
[0010]步骤S3：设计自适应加权融合层，将已学习得到的通道间故障特征和通道内故障特征进行加权融合，获得多尺度时空融合特征；
[0011]步骤S4：将步骤S3中获得的多尺度时空故障特征输入到故障分类器中进行分类获取最终的故障类型结果；
[0012]其中，所述风电行星齿轮箱为大型双馈风力发电机组行星齿轮箱。
[0013]进一步的，所述步骤S1包括如下具体步骤：
[0014]步骤S11：采集风电行星齿轮箱多个位置的传感器数据，主要包括齿轮箱输入端前轴承垂直方向、齿轮箱齿圈垂直方向、齿轮箱低速轴后轴承垂直方向以及齿轮箱高速轴后轴承垂直方向的多通道振动信号；
[0015]步骤S12：将采集得到的多通道振动信号的时间序列数据利用滑动窗技术按照采样时间分割成若干个长度为N的无重叠二维片段，得到二维多通道时间序列输入矩阵；
[0016]进一步的，步骤S2中，二维多通道时间序列输入的矩阵的大小为C
×
N，其中C为传感器个数，N为采样点数，即步骤S12中滑动窗的窗口长度，并采用全局和局部卷积神经网络分别对通道间和通道内故障特征进行学习，具体包括如下步骤：
[0017]步骤S21：分别设计全局卷积神经网络和局部卷积神经网络，两个网络的结构均采用卷积层、激活层和池化层堆叠的方式；其中池化层采用最大值池化方式；激活层采用Relu激活函数，公式如下：f(x)＝max(0,x)，其中x代表激活层的输入；
[0018]步骤S22：将步骤S1得到的二维多通道时间序列输入矩阵分别并行输入到上述两个网络中；其中，全局卷积神经网络中的滤波器沿着时间维度进行卷积，所述全局卷积神经网络用于聚合不同传感器之间的耦合信息，通过所述全局卷积神经网络得到通道间故障特征，且其中滤波器的大小为C
×
1；所述局部卷积神经网络中的滤波器具有多个不同尺度，用于挖掘通道内部的故障特征，通过将局部卷积神经网络中每个滤波器尺度卷积得到的特征序列在特征维度上进行级联拼接，得到通道内故障特征序列。
[0019]进一步的，所述步骤S3包括如下具体步骤：
[0020]步骤S31：将步骤S2得到的通道间故障特征和通道内故障特征分别通过全局平均池化进行信息聚合，公式如下：其中L为每个特征序列的长度，W
i，j
代表第i个特征图的第j个特征，a
li
代表指第l个样本的第i个特征图经过全局平均池化后的输出；
[0021]步骤S32、将通道间故障特征和通道内故障特征经过全局平均池化聚合后的输出进行加和，然后通过多层感知机和Sigmoid激活函数获取相应的特征序列权重；
[0022]步骤S33、将获得的权重与通道间特征序列和通道内特征序列对应加权，并进行特征维度上的级联，最终获得多尺度时空融合特征。
[0023]进一步的，所述步骤S4包括如下具体步骤：
[0024]步骤S41、根据行星齿轮箱故障位置，定义风电行星齿轮箱故障的分类任务为一个多分类问题，且不同的故障类型对应不同的故障标签；
[0025]步骤S42、将步骤S3获取的多尺度时空融合特征输入到损失函数为交叉熵的Softmax分类器中，获取在每个故障标签处以及健康状态下的概率值，最终得到最大结果；其中交叉熵损失函数的计算公式为：其中p(i)表示真实分布，q(i)表示预测分布。
[0026]本专利技术具有以下有益效果：
[0027]提出了一种多通道融合风电行星齿轮箱故障诊断方法，针对行星齿轮箱多传感器振动信号耦合的特点，分别设计全局和局部多尺度卷积神经网络，对通道间的耦合特征以及通道内的故障特征进行提取，充分挖掘完整的故障信息，然后对所提取到的全局和局部特征进行自适应地动态加权融合，加强特征的筛选能力，抑制噪声和干扰的影响，提高了风电行星齿轮箱故障诊断精度，从而及时得到风电行星齿轮箱故障状态信息，对其进行处理和维护，避免风电传动系统的深度伤害，保障风机健康平稳运行。
附图说明
[0028]图1是本专利技术流程示意图；
[0029]图2是本专利技术振动传感器测点位置示意图；
[0030]图3是本专利技术全局和局部故障特征学习示意图；
[0031]图4是本专利技术特征动态加权融合示意图。
具体实施方式
[0032]下面结合实施例对本专利技术做进一步详细说明：
[0033]如图1所示，多通道融合风电行星齿本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多通道融合的风电行星齿轮箱故障诊断方法，其特征在于，该方法包括以下步骤：步骤S1：收集所述风电行星齿轮箱的多通道振动信号的传感器监测数据；针对标签健康状态的传感器监测数据，分别对所述多通道振动信号的时间序列数据进行预处理以获取指定范围的二维多通道时间序列输入矩阵；步骤S2：将所述二维多通道时间序列输入矩阵并行输入到多尺度卷积神经网络进行多尺度故障特征学习，得到通道间故障特征和通道内故障特征；步骤S3：设计自适应加权融合层，将已学习得到的通道间故障特征和通道内故障特征进行加权融合，获得多尺度时空融合特征；步骤S4：将步骤S3中获得的多尺度时空故障特征输入到故障分类器中进行分类获取最终的故障类型结果；其中，所述风电行星齿轮箱为大型双馈风力发电机组行星齿轮箱。2.根据权利要求1所述的一种多通道融合的风电行星齿轮箱故障诊断方法，其特征在于：所述步骤S1包括如下具体步骤：步骤S11：采集风电行星齿轮箱多个位置的传感器数据，主要包括齿轮箱输入端前轴承垂直方向、齿轮箱齿圈垂直方向、齿轮箱低速轴后轴承垂直方向以及齿轮箱高速轴后轴承垂直方向的多通道振动信号；步骤S12：将采集得到的多通道振动信号的时间序列数据利用滑动窗技术按照采样时间分割成若干个长度为N的无重叠二维片段，得到二维多通道时间序列输入矩阵。3.根据权利要求1所述的一种多通道融合的风电行星齿轮箱故障诊断方法，其特征在于：所述步骤S2包括如下具体步骤：步骤S21：分别设计全局卷积神经网络和局部卷积神经网络，两个网络的结构均采用卷积层、激活层和池化层堆叠的方式；其中池化层采用最大值池化方式；激活层采用Relu激活函数，公式如下：f(x)＝max(0,x)，其中x代表激活层的输入；步骤S22：将步骤S1得到的二维多通道时间序列输入矩阵分别并行输入到上述两个网络中；其中，全局卷积神经网...

【专利技术属性】
技术研发人员：武鑫，江国乾，吕佃顺，王立鹏，马强，赵栋利，
申请(专利权)人：江苏国科智能电气有限公司，
类型：发明
国别省市：