一种电流引导振动特征增强的齿轮箱故障诊断方法技术

本发明专利技术公开了一种电流引导振动特征增强的齿轮箱故障诊断方法，属于风电齿轮箱故障诊断技术领域，包括采集风电齿轮箱中振动和电流信号的原始数据，通过小波包分解将原始数据变换得到电流时频特征矩阵和振动时频特征矩阵；设计电流引导的特征增强模块，用于提取电流信号频带上重要的特征，并将注意力权重应用于振动信号频带特征。分别将振动和电流信号的时频特征矩阵作为输入，经过三次特征提取和特征融合得到特征空间矩阵；将特征空间矩阵通过分类模块并且在决策层自适应加权得到最终诊断结果，最后通过两个分类任务的损失相加共同优化模型完成训练过程。本发明专利技术有效的提取以及融合了故障特征，提高了风电齿轮箱故障诊断的性能和精度。和精度。和精度。

【技术实现步骤摘要】
一种电流引导振动特征增强的齿轮箱故障诊断方法


[0001]本专利技术涉及风电齿轮箱故障诊断
，尤其是一种电流引导振动特征增强的齿轮箱故障诊断方法。

技术介绍

[0002]近年来随着低碳环保理念的深入推进，新能源领域发展迅速，风电是新能源的重要组成部分，在风力发电的运行中，运营和维护成本约占风力发电资产均衡能源成本的20％
‑
25％，为降低运维成本以使风电在电力市场中更具竞争力，有效的做法是实施基于状态的维护。为了实现对状态的有效维护，需要一种状态监测系统(CMS)来在线监测风电机组的健康状况。在各种子组件故障和高维护成本中齿轮箱故障导致风电机组停机的时间最长。因此许多现代大规模的风机都配备了用于齿轮箱的CMS，其中大多数使用振动信号，振动监测的一个缺点是振动传感器和相关的数据采集和处理设备的成本很高。与振动监测相比，电流监测具有易获取，稳定性高等优势，但故障信息微弱。此外，振动信号和电流信号在故障诊断中存在耦合关系。
[0003]为了有效利用从多个传感器中提取的故障相关特征已经开发了多种基于信息融合技术的方法。包括数据级融合，特征级融合以及决策层融合三大类，其中特征级融合是最近被广泛应用且效率最高的方式，但是当前的技术方法在融合振动和电流信号时会遇到如下难题：振动信号中故障信息较易提取，诊断精度远超电流信号，在模型训练时两种信号的收敛难以对齐；两种数据有较大的异构性，传统的融合方法无论在那个层面融合都不可避免的将电流信号中的较多的干扰信息加入，虽然提高了诊断精度，但不能充分利用两种信号的特征信息；
[0004]因此为了更高效的利用从多个传感器中提取的故障相关特征，急需设计一种改进的融合技术的方法来提高故障诊断的准确性和可靠性。

技术实现思路

[0005]本专利技术需要解决的技术问题是提供一种电流引导振动特征增强的齿轮箱故障诊断方法，高效融合传感器中提取的振动信号和电流信号有效提高风电齿轮箱故障诊断的性能和鲁棒性。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：一种电流引导振动特征增强的齿轮箱故障诊断方法，包括步骤如下：
[0007]步骤1：采集风电齿轮箱中振动和电流信号的原始数据，通过小波包分解将原始数据变成多个时频特征矩阵；
[0008]步骤2：设计电流指导的融合模块以及频带池化模块，用于提取电流信号频带上重要的特征，并将注意力应用于振动信号频带特征；
[0009]步骤3：分别将预处理的振动和电流信号的时频特征矩阵作为输入，经过三次特征提取和特征融合得到特征空间矩阵；
[0010]步骤4：将特征空间矩阵通过分类模块并且在决策层自适应加权得到最终诊断结果，最后通过两个分类任务的损失相加共同优化模型完成训练过程。
[0011]本专利技术技术方案的进一步改进在于：步骤1包括步骤具体如下：
[0012]步骤11：将所获得的风电齿轮箱原始数据根据故障类型的数目进行打标；
[0013]步骤12：利用滑动窗口将原始数据切分成长度为M的相等的片段；
[0014]步骤13：使用“db1”小波对切分好的片段做三层小波包分解，每个片段切分成八个子频带，长度为M/8，在频带维度拼接得到多个大小为(8，M/8)的时频特征矩阵；
[0015]步骤14：采用最大最小归一化的方法对时频特征矩阵在频带维度上进行标准化处理，得到可供网络训练使用的数据集。
[0016]本专利技术技术方案的进一步改进在于：步骤2包括步骤具体如下：
[0017]步骤21：设计电流指导的融合模块，以电流特征矩阵、融合特征矩阵和振动特征矩阵作为输入，增强的融合特征矩阵作为输出；
[0018]步骤22：设计频带池化模块，分别在通道维度和时间维度对输入数据使用均值池化层进行压缩，再通过Sigmoid激活函数得到代表输入数据的频带分布特征，计算公式如下：
[0019][0020]其中是频带池化模块的输出，Y
b，t，c
是频带池化模块的输入信息，T是输入信息的时间维度的数值，C是输入信息通道维度的数值，σ(.)为Sigmoid激活函数；
[0021]步骤23：将电流特征矩阵输入到频带池化模块，得到代表电流的频带分布特征，与融合特征矩阵相乘在频带维度上对融合特征矩阵使用注意力重新加权，得到使用电流增强的融合特征矩阵；
[0022]步骤24：引入可随迭代次数增加训练的参数γ与融合特征矩阵相乘，同时将振动特征矩阵与1
‑
γ相乘，将上述两者相加得到使用振动增强的融合特征矩阵；
[0023]步骤25：将电流增强的融合特征矩阵和使用振动增强的融合特征矩阵对应数值相加得到最终的增强的融合特征矩阵作为融合模块的输出。
[0024]本专利技术技术方案的进一步改进在于：步骤3包括步骤具体如下：
[0025]步骤31：将振动和电流的时频特征矩阵分别使用包括一个二维卷积层、一个Relu激活函数以及一个最大池化层进行特征提取，得到振动特征矩阵和电流特征矩阵；
[0026]步骤32：将从步骤1得到的振动特征矩阵和电流特征矩阵作为电流指导的融合模块的输入，并且将第一次特征提取的振动特征矩阵作为第一次输入电流指导的融合模块的融合特征矩阵；
[0027]步骤33：重复步骤31和步骤32三次，即做三次特征提取和特征融合，得到振动、电流以及融合的特征空间矩阵。
[0028]本专利技术技术方案的进一步改进在于：步骤4包括步骤具体如下：
[0029]步骤41：将振动特征空间矩阵以及融合特征空间矩阵分别输入到包含两个全连接层，一个Relu激活函数以及一个Softmax激活函数的分类层，并且将输出在决策层自适应加权得到分类模块的主任务输出，同时也作为整个模型的输出，计算公式如下：
[0030]y
pred
＝ξ
v
y
v
+ξ
f
y
f
[0031][ξ
v
，ξ
f
]＝σ
soft
(FC([F
v
，F
f
])
[0032]其中y
pred
是主任务的输出，y
v
和y
f
分别是振动特征空间矩阵以及融合特征空间矩阵在分类层的输出，F
v
和F
f
分别是振动特征空间矩阵以及融合特征空间矩阵在第二个全连接层的输出，FC表示输出通道为2的全连接层，σ
soft
是Softmax激活函数；
[0033]步骤42：将电流特征空间矩阵输入到包含两个全连接层，一个Relu激活函数以及一个Softmax激活函数的分类层，得到分类模块的辅助任务输出,同样也使用交叉熵损失函数优化训练,交叉熵损失函数的计算公式如下：
[0034][0035]其中M为故障类型数量，y
i
为符号函数，p
i
是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电流引导振动特征增强的齿轮箱故障诊断方法，其特征在于，包括步骤如下：步骤1：采集风电齿轮箱中振动和电流信号的原始数据，通过小波包分解将原始数据变成多个时频特征矩阵；步骤2：设计电流指导的融合模块以及频带池化模块，用于提取电流信号频带上重要的特征，并将注意力应用于振动信号频带特征；步骤3：分别将预处理的振动和电流信号的时频特征矩阵作为输入，经过三次特征提取和特征融合得到特征空间矩阵；步骤4：将特征空间矩阵通过分类模块并且在决策层自适应加权得到最终诊断结果，最后通过两个分类任务的损失相加共同优化模型完成训练过程。2.根据权利要求1所述的一种电流引导振动特征增强的齿轮箱故障诊断方法，其特征在于，步骤1包括步骤具体如下：步骤11：将所获得的风电齿轮箱原始数据根据故障类型的数目进行打标；步骤12：利用滑动窗口将原始数据切分成长度为M的相等的片段；步骤13：使用“db1”小波对切分好的片段做三层小波包分解，每个片段切分成八个子频带，长度为M/8，在频带维度拼接得到多个大小为(8，M/8)的时频特征矩阵；步骤14：采用最大最小归一化的方法对时频特征矩阵在频带维度上进行标准化处理，得到可供网络训练使用的数据集。3.根据权利要求2所述的一种电流引导振动特征增强的齿轮箱故障诊断方法，其特征在于，步骤2包括步骤具体如下：步骤21：设计电流指导的融合模块，以电流特征矩阵、融合特征矩阵和振动特征矩阵作为输入，增强的融合特征矩阵作为输出；步骤22：设计频带池化模块，分别在通道维度和时间维度对输入数据使用均值池化层进行压缩，再通过Sigmoid激活函数得到代表输入数据的频带分布特征，计算公式如下：其中是频带池化模块的输出，Y
b，t，c
是频带池化模块的输入信息，T是输入信息的时间维度的数值，C是输入信息通道维度的数值，σ(.)为Sigmoid激活函数；步骤23：将电流特征矩阵输入到频带池化模块，得到代表电流的频带分布特征，与融合特征矩阵相乘在频带维度上对融合特征矩阵使用注意力重新加权，得到使用电流增强的融合特征矩阵；步骤24：引入可随迭代次数增加训练的参数γ与融合特征矩阵相乘，同时将振动特征矩阵与1
‑
γ相乘，将上述两者相加得到使用振动增强的融合特征矩阵；步骤25：将电流增强的融合特征矩阵和使用振动增强的融合特征矩阵对应数值相加得到最终的增强的融合特征矩阵作为融合模块的输出。4.根据权利要求3所述的一种电流引导振动特征增强的齿轮箱故障诊断方法，其特征在于，步骤3包括步骤具体如下：步骤31：将振动和电流的时频特征矩阵分别使用包括一个二维卷积...

【专利技术属性】
技术研发人员：何群，赵汝春，江国乾，谢平，
申请(专利权)人：燕山大学，
类型：发明
国别省市：