风电机组齿轮箱故障诊断模型、方法、设备及存储介质技术

本发明专利技术公开了一种风电机组齿轮箱故障诊断模型、方法、设备及存储介质，该模型包括第一特征提取网络模型，用于提取待检测信号的第一故障特征信息；第二特征提取网络模型，用于提取待检测信号的第二故障特征信息，其中，第二故障特征信息的深度大于第一故障特征信息；加权融合模型，用于将第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息；分类模型，用于根据第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。本发明专利技术实施例的风电机组齿轮箱故障诊断模型通过分别提取特征深度不同的第一故障特征信息和第二故障特征信息，然后进行加权融合后再分类识别，相较于单一模型精度有所提升，识别准确率更高。更高。更高。

【技术实现步骤摘要】
风电机组齿轮箱故障诊断模型、方法、设备及存储介质


[0001]本专利技术涉及故障检测
，尤其涉及风电机组齿轮箱故障诊断模型、方法、设备及存储介质。

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。齿轮箱为风电机组重要的传动设备，因为长期工作在低速、重载、以及恶劣环境等工况下，由于其工况复杂、工作环境恶劣，因此齿轮箱发生故障的概率较高，作为枢纽的齿轮箱一旦损坏，将造成机组停机以及人员安全事故等严重后果，因此对齿轮箱故障的有效辨识具有非常重要的意义。
[0003]齿轮箱各个组件结构参数不同，因此各个零部件所引起的振动信号的频率、幅值是不同的。所以当某一部件出现故障时就会出现与其相对应的特定振动信号，通过对振动信号的分析就能得出齿轮箱的故障范围和性质。现有技术中的齿轮箱故障诊断模型大多采用单一网络或优化后的单一网络进行特征提取，但是由于齿轮箱运行工况复杂，且发生的故障常为混合故障，单一网络难以全方面提取故障分类特征，模型的识别准确率低。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了风电机组齿轮箱故障诊断模型、方法、设备及存储介质，解决齿轮箱故障诊断识别准确率低的问题。
[0005]本专利技术提出的技术方案如下：本专利技术实施例第一方面提供一种风电机组齿轮箱故障诊断模型，包括：第一特征提取网络模型，用于提取待检测信号的第一故障特征信息；第二特征提取网络模型，用于提取待检测信号的第二故障特征信息，其中，所述第二故障特征信息的深度大于所述第一故障特征信息；加权融合模型，用于将所述第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息；分类模型，用于根据所述第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。
[0006]可选地，所述第一特征提取网络模型为改进的Resnet50网络模型，所述第一特征提取网络模型包括第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块，所述第一卷积块包括第一卷积核、批量标准化函数、激活函数和最大池化层；所述第二卷积块包括多个第一主干网络，以及多个分别和所述第一主干网络对应融合的恒等映射单元；所述第三卷积块包括第二主干网络；所述第四卷积块包括多个第三主干网络，以及多个分别和所述第三主干网络对应融合的恒等映射单元；所述第五卷积块包括多个第四主干网络，以及多个分别和所述第四主干网络对应融合的恒等映射单元。
[0007]可选地，所述第二特征提取网络模型为改进的Resnet50网络模型，所述第二特征提取网络模型包括第六卷积块、第七卷积块、第八卷积块、第九卷积块和第十卷积块，所述第六卷积块包括多个第二卷积核、批量标准化函数、激活函数和最大池化层，所述第二卷积
核小于第一卷积核；所述第七卷积块包括多个第五主干网络，以及多个分别和所述第五主干网络对应融合的恒等映射单元；所述第八卷积块包括多个第六主干网络，以及多个分别和所述第六主干网络对应融合的恒等映射单元；所述第九卷积块包括多个第七主干网络，以及多个分别和所述第七主干网络对应融合的恒等映射单元；所述第十卷积块包括多个第八主干网络，以及多个分别和所述第八主干网络对应融合的恒等映射单元。
[0008]可选地，所述加权融合模型具体用于为全部所述第一故障特征信息和第二故障特征信息分配权重，将所述第一故障特征信息和第二故障特征信息分别乘以对应的权重并进行累加，获得第三故障特征信息。
[0009]本专利技术实施例第二方面提供一种风电机组齿轮箱故障诊断方法，包括：接收齿轮箱的待检测信号；将所述检测信号输入至如本专利技术实施例第一方面所述的风电机组齿轮箱故障诊断模型，得到故障诊断结果。
[0010]可选地，所述接收齿轮箱的待检测信号，包括：接收齿轮箱的一维振动信号；将所述一维振动信号转换成二维图像，所述待检测信号为所述二维图像。
[0011]可选地，将所述一维振动信号转换成二维图像，包括：采用对称点阵图像分析方法将所述一维振动信号进行归一化得到极坐标形式的二维图像。
[0012]本专利技术实施例第三方面提供一种风电机组齿轮箱故障诊断装置，包括：信号接收模块，用于接收齿轮箱的待检测信号；诊断模块，用于将所述检测信号输入至如本专利技术实施例第一方面所述的风电机组齿轮箱故障诊断模型，得到故障诊断结果。
[0013]本专利技术实施例第四方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本专利技术实施例第二方面所述的风电机组齿轮箱故障诊断方法。
[0014]本专利技术实施例第五方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本专利技术实施例第二方面所述的风电机组齿轮箱故障诊断方法。
[0015]从以上技术方案可以看出，本专利技术实施例具有以下优点：本专利技术实施例提供的风电机组齿轮箱故障诊断模型、方法、设备及存储介质，通过第一特征提取网络模型和第二特征提取网络模型分别提取第一故障特征信息和第二故障特征信息，所述第二故障特征信息的深度大于所述第一故障特征信息，再通过加权融合模型将所述第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息，最后分类模型根据所述第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。本专利技术实施例的风电机组齿轮箱故障诊断模型通过分别提取特征深度不同的第一故障特征信息和第二故障特征信息，然后进行加权融合后再分类识别，相较于单一模型精度有所提升，识别准确率更高。
附图说明
[0016]为了更清楚地表达说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术实施例中风电机组齿轮箱故障诊断模型的结构示意图；图2为本专利技术实施例中Resnet50网络模型的卷积层结构图；图3为本专利技术实施例中Resnet50网络模型的原理框图；图4为本专利技术实施例中Resnet50网络模型的结构示意图；图5为本专利技术实施例中BANK1和BANK2的结构示意图；图6为本专利技术实施例中第一特征提取网络模型的结构示意图；图7为本专利技术实施例中BANK3和BANK4的结构示意图；图8为本专利技术实施例中第二特征提取网络模型的结构示意图；图9为本专利技术实施例中Resnet50网络模型的低层提取特征信息的效果图；图10为本专利技术实施例中Resnet50网络模型的高层提取特征信息的效果图；图11为本专利技术实施例中风电机组齿轮箱故障诊断方法的流程图；图12为本专利技术实施例中将一维振动信号转换成二维图像的示意图；图13为本专利技术实施例中不同的和取值下二维图像的效果图；图14为本专利技术实施例中另一不同的和取值下二维图像的效果图；图15为本专利技术实施例中另一不同的和取值下二维图像的效果图；图16为本专利技术实施例中另一不同的和取值下二维图像的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组齿轮箱故障诊断模型，其特征在于，包括：第一特征提取网络模型，用于提取待检测信号的第一故障特征信息；第二特征提取网络模型，用于提取待检测信号的第二故障特征信息，其中，所述第二故障特征信息的深度大于所述第一故障特征信息；加权融合模型，用于将所述第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息；分类模型，用于根据所述第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。2.根据权利要求1所述的风电机组齿轮箱故障诊断模型，其特征在于，所述第一特征提取网络模型为改进的Resnet50网络模型，所述第一特征提取网络模型包括第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块，所述第一卷积块包括第一卷积核、批量标准化函数、激活函数和最大池化层；所述第二卷积块包括多个第一主干网络，以及多个分别和所述第一主干网络对应融合的恒等映射单元；所述第三卷积块包括第二主干网络；所述第四卷积块包括多个第三主干网络，以及多个分别和所述第三主干网络对应融合的恒等映射单元；所述第五卷积块包括多个第四主干网络，以及多个分别和所述第四主干网络对应融合的恒等映射单元。3.根据权利要求2所述的风电机组齿轮箱故障诊断模型，其特征在于，所述第二特征提取网络模型为改进的Resnet50网络模型，所述第二特征提取网络模型包括第六卷积块、第七卷积块、第八卷积块、第九卷积块和第十卷积块，所述第六卷积块包括多个第二卷积核、批量标准化函数、激活函数和最大池化层，所述第二卷积核小于第一卷积核；所述第七卷积块包括多个第五主干网络，以及多个分别和所述第五主干网络对应融合的恒等映射单元；所述第八卷积块包括多个第六主干网络，以及多个分别和所述第六主干网络对应融合的恒等映射单元；所述第九卷积块包括多个第七主干网络，以及多个分别和所述第七主干网络对应融合的恒等映射单元；所述第十卷积块包括多个...

【专利技术属性】
技术研发人员：王罗，王良友，邹祖冰，秦静茹，李俊卿，邓友汉，苏营，
申请(专利权)人：中国长江三峡集团有限公司，
类型：发明
国别省市：