一种齿轮箱的小样本故障分类方法及系统技术方案

本发明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及系统，方法包括：将自注意力机制引入DCGAN的网络结构，记为SA

【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。然而，在实际风力涡轮机中很难获得精确的系统模型。基于无模型的方法不需要精确的系统模型，它们是从模式识别的角度定义的，基于无模型的方法主要为通过反向传播神经网络算法、卷积神经网络算法等人工智能方法实现对齿轮箱振动数据的自动学习和特征提取，从而判断是否故障。其中，反向传播神经网络算法具有自学习能力，并且具有实现非线性复杂映射的功能，但是该算法需要大量的计算资源和时间来训练，而且容易陷入局部最优解，存在“过拟合”现象，影响反向传播神经网络的预测能力。而卷积神经网络(CNN)具有强大的分类能力，但卷积神经网络也需要大量的计算资源和时间来训练，卷积神经网络的性能高度依赖于样本数据集的质量和规模，对与小规模样本数据集的训练效果不佳。
[0004]然而，在风场运维过程中的风力涡轮机是高可靠度的设备，其大部分时间都处于正常运行状态，能发生齿轮箱故障的概率较小，因此只能获得少量的真实故障样本振动数据。在只有少量的真实故障振动样本数据的情况下，难以训练出比较有效的故障诊断模型。具体而言，如果直接用少量的故障振动样本数据进行深度学习训练，则学习到的故障诊断模型容易存在“过拟合”现象、泛化性能较差、诊断目标齿轮箱的故障识别率较低的技术问题，无法有效地应用于风机齿轮箱故障辨识。
[0005]为此，现有技术通常将对抗生成网络(GAN)生成的伪样本与真实故障样本混合，以弥补缺乏真实数据的小样本问题。然而，实际中受到GAN网络结构以及运算量的限制，GAN生
成的数据与真实数据的相似度较低。而且，为了解决故障样本数据过少的问题，GAN生成的伪样本数量往往远大于真实样本的数量，这就导致了大量低质量的伪样本影响了故障诊断模型的分类边界，因而无法很好的区分需要诊断的齿轮箱振动信号的故障类型。

技术实现思路

[0006]本专利技术所要解决的技术问题：目前齿轮箱的故障诊断方法存在真实故障样本数据较少、故障分类效果不佳的技术问题，提出了一种齿轮箱的小样本故障分类方法及系统，旨在解决上述技术问题。
[0007]本专利技术采用如下技术方案：一种齿轮箱的小样本故障分类方法，包括以下步骤：
[0008]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
；
[0009]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；
[0010]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
；
[0011]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；
[0012]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；
[0013]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。
[0014]其中，DCGAN(Deep Convolutional Generative Adversarial Networks，深度卷积生成对抗网络)，它是对抗生成网络(GAN)的一种，DCGAN使用深度卷积神经网络和对抗训练来学习生成真实而清晰的图片。密集卷积网络(Dense Convolutional Network)是一种卷积神经网络，它的主要特征是在网络深层使用密集连接的卷积结构，即连接每个特征映射上的多个位置，而不是局部连接。
[0015]通过将自注意力机制引入DCGAN的网络结构，形成SA
‑
DCGAN，并使用数据集X
i
训练SA
‑
DCGAN，实现了在SA
‑
DCGAN生成足量的样本数据的同时，能够生成与真实样本数据更为接近的故障样本数据，提高故障样本数据的质量，因为自注意力(self
‑
attention)机制可以建模像素之间的长程依赖关系，这种全连接的特性有助于生成器更好地利用输入图像的全局上下文信息，生成出结构更加连贯的图像，因此将自注意力机制引入DCGAN的网络结构有助于DCGAN生成更加真实的细节，从而提高生成样本数据的质量。
[0016]通过使用SA
‑
DCGAN生成的足量样本数据预训练密集卷积网络模型，解决了真实故障样本数据较少而密集卷积网络对与小规模样本数据集的训练效果不佳的技术问题。
[0017]借助迁移学习技术将预训练后的源域模型的参数迁移至所述目标域模型，可以节省目标域模型的训练时间和成本，同时提高目标域模型的泛化能力，因为源域型已经使用足量样本数据进行了训练；
[0018]通过使用少量的齿轮箱真实样本数据对目标域模型进行微调，缓解了大量的生成
样本对故障分类模型边界的影响，提高了故障分类模型的分类准确率。
[0019]作为优选，步骤S2中，将自注意力机制引入DCGAN的网络结构的方法包括：
...

【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：