一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法技术

本发明专利技术公开了一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法，包括如下步骤：通过构建好的生成对抗网络模型对海上风电机组齿轮箱振动信号原始数据集进行扩充，生成指定类型的故障样本扩充原数据集，使得故障样本扩充原数据集达到平衡状态；将故障样本扩充原数据集送入构建好的深度残差收缩网络模型，通过深度残差收缩网络模型实现对振动信号的降噪以及分类，获取到故障诊断结果。本发明专利技术结合了辅助分类生成对抗网络和深度残差收缩网络，解决了样本不平衡问题，能够显著提高环境噪声情况下风电机组齿轮箱故障识别的准确率，且面对不同工况的数据时也具有较强的识别能力。别能力。别能力。

【技术实现步骤摘要】
一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法


[0001]本专利技术属于故障诊断领域，涉及神经网络技术，具体涉及一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法。

技术介绍

[0002]采用振动信号进行故障诊断不仅能够较好地捕捉齿轮箱振动时的微弱故障特征，还能准确反映故障发生位置和故障程度。
[0003]采用深度学习模型进行故障诊断不需要大量的统计学和信号处理相关知识，可以从一定程度上避免人工选择参数的主观性，因此在故障诊断领域得到广泛运用。但是由于以深度学习为基础的故障识别算法需要大量的故障数据支撑，而实际中风电机组齿轮箱故障数据样本稀缺，故障数据和正常数据存在严重的样本不平衡问题。
[0004]所以，目前关于海上风电机组齿轮箱振动信号故障诊断的研究主要存在两大困难：1)海上风电机组齿轮箱各种故障数据稀少，传感器采集到的振动信号往往难以满足深度学习模型的训练要求；2)海上环境恶劣，采集到的振动数据通常伴随着高额噪声，故障诊断精度大大降低。

技术实现思路

[0005]专利技术目的：为了克服本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法，其特征在于，包括如下步骤：S1：通过构建好的生成对抗网络模型对海上风电机组齿轮箱振动信号原始数据集进行扩充，生成指定类型的故障样本扩充原数据集，使得故障样本扩充原数据集达到平衡状态；S2：将故障样本扩充原数据集送入构建好的深度残差收缩网络模型，通过深度残差收缩网络模型实现对振动信号的降噪以及分类，获取到故障诊断结果。2.根据权利要求1所述的一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法，其特征在于，所述步骤S1中生成对抗网络模型由辅助分类生成对抗网络构成，辅助分类生成对抗网络中包含生成器和判别器两个网络，生成器用于将随机噪声转化成接近风电机组齿轮箱一维振动数据样本分布的数据，判别器用于判断输入样本的真伪。3.根据权利要求2所述的一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法，其特征在于，所述步骤S1中辅助分类生成对抗网络的训练方法包括：首先将随机噪声向量z送入生成器中生成假样本G(z)，G(z)与真实信号样本共同通过判别器生成score，score与样本对应的标签组成损失函数，计算梯度对判别器进行更新；然后固定判别器参数，输入另一组随机噪声向量通过生成器生成假样本，将其送入判别器得到打分score，优化目标此时为score＝1，计算梯度对生成器进行更新；在迭代中生成器和判别器交替训练，最终使两种网络达到纳什均衡状态。4.根据权利要求3所述的一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法，其特征在于，所述辅助分类生成对抗网络的训练中的网络目标函数：断方法，其特征在于，所述辅助分类生成对抗网络的训练中的网络目标函数：其中，E代表数学期望，D(x)代表x为真实数据的概率，P
data
(x)与P
g
(x)分别为数据为真和假的概率，z为随机噪声向量，G(z)为生成器生成的假样本；训练判别器使logD(x)和log(1
‑
D(G(z)))最大化；训练生成器使log(1
‑
D(G(z)))最小化。5.根据权利要求4所述的一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法，其特征在于，所述生成器的训练中生成器初始分布为P
g
(x；θ)，其中θ为分布的参数，为了使生成分布接近真实数据分布，需要计算使公式(3)最大化时θ的取值θ
′
，θ
′
的计算公式为式(4)：公式为式(4)：6.根据权利要求3所述的一种噪声背景下基于振动信号的海上风电机组齿轮箱故障...

【专利技术属性】
技术研发人员：傅质馨，周子浩，朱俊澎，袁越，
申请(专利权)人：河海大学，
类型：发明
国别省市：