【技术实现步骤摘要】
一种齿轮箱的小样本故障分类方法及系统
[0001]本专利技术涉及风机故障诊断领域,具体涉及一种齿轮箱的小样本故障分类方法。
技术介绍
[0002]近年来,随着全球环境意识和能源需求的增加,无污染可再生清洁能源得到了显著发展。根据全球风能理事会的数据,作为无污染可再生清洁能源之一的风能是最可靠的可再生能源之一,并且随着风能行业的大力发展,累计新装机容量大幅增加。然而,许多已投入运营的风力涡轮机建在海洋、山区和偏远的土地上,因为那里有丰富的风力资源。与此同时,这些风力涡轮机也面临着恶劣的运行条件和环境条件、机械部件老化等问题,从而严重影响风电机组的可靠性和安全性,甚至可能造成重大经济损失。据统计,中国各地现有风电场风力涡轮机变速箱的累计损坏率高达40%—50%,表明变速箱是风力涡轮机中故障率最高的机械部件。其中,风力涡轮机变速箱通常也被称为齿轮箱,因为它们由一系列的齿轮组成,用于将风力涡轮机的转速转换为发电机所需的合适转速。齿轮箱通常由高强度合金制成,以应对高负荷和频繁的运转。齿轮箱常见的故障有轴承磨损、点蚀、断齿等,这些故障发生后会逐渐恶化,造成风电机组长时间的停机以及耗费高昂的维修成本。因此,在齿轮箱故障恶化之前实施先进的故障诊断策略,对有效地降低维修难度、减少经济损失、提高风力涡轮机运行的安全性等均具有重要意义。
[0003]目前,应用于齿轮箱故障诊断的方法主要有基于模型的方法和基于无模型的方法。基于模型的方法主要为通过卡尔曼滤波器、中间观测器以及扩展状态观测器等技术建立状态空间模型,但这需要精确的系统模型
【技术保护点】
【技术特征摘要】
1.一种齿轮箱的小样本故障分类方法,其特征在于,包括以下步骤:步骤S1,采集不同故障类型的齿轮箱振动信号数据X,对所述齿轮箱振动信号数据X进行预处理,得到数据集X
i
;步骤S2,获取DCGAN的网络结构,将自注意力机制引入DCGAN的网络结构,将改进后的DCGAN记为SA
‑
DCGAN,所述SA
‑
DCGAN包括生成器和判别器;步骤S3,使用数据集X
i
训练所述SA
‑
DCGAN,并将噪声向量输入训练后的SA
‑
DCGAN,输出若干个不同故障类型的样本Y,所述样本Y构成样本数据集Y
i
;步骤S4,构建密集卷积网络模型,使用样本数据集Y
i
预训练所述密集卷积网络模型,将预训练后的密集卷积网络模型作为源域模型;步骤S5,构建目标域模型,将所述源域模型的参数迁移至所述目标域模型,并使用齿轮箱振动信号数据X对所述目标域模型进行微调,将微调后的目标域模型作为故障分类模型;步骤S6,将需要诊断故障类别的齿轮箱振动信号输入所述故障分类模型,得到对应的齿轮箱小样本故障分类结果。2.如权利要求1所述的一种齿轮箱的小样本故障分类方法,其特征在于,步骤S2中,将自注意力机制引入DCGAN的网络结构的方法包括:在生成器的第四个反卷积层和判别器的第四个卷积层之后均嵌入自注意力模块,所述自注意力模块用于学习全局特征信息。3.如权利要求2所述的一种齿轮箱的小样本故障分类方法,其特征在于,所述自注意力模块学习全局特征信息的方法包括:将经过DCGAN卷积层或反卷积层的噪声向量序列拆分为查询矩阵Q、键矩阵K以及值矩阵V;计算查询矩阵Q与键矩阵K的内积,对计算得到的内积进行缩放,得到值的权重W
V
;将值的权重W
V
与值矩阵V相乘,得到噪声向量序列之间的特征信息。4.如权利要求1所述的一种齿轮箱的小样本故障分类方法,其特征在于,步骤S4中,使用样本数据集Y
i
预训练所述密集卷积网络模型的方法包括:将所述样本数据集Y
i
中的样本Y分别输入初始卷积层,生成样本特征;将所述样本特征输入第一密集块,提取出初级特征;将所述初级特征输入过渡层进行压缩,将压缩后的初级特征输入后续的密集块,直到输入最后的密集块,提取出高级抽象特征;将所述高级抽象特征经过全局池化和分类层后,输出每个样本Y对应的故障类型。5.如...
【专利技术属性】
技术研发人员:朱俊威,张恒,顾曹源,翁得鱼,黄怡宁,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。