一种基于数据增强和CSP-ResNeXt的风机齿轮箱故障诊断方法技术

一种基于数据增强和CSP

【技术实现步骤摘要】
一种基于数据增强和CSP
‑
ResNeXt的风机齿轮箱故障诊断方法


[0001]本专利技术涉及风电机组齿轮箱的健康状态监测
，具体涉及一种基于数据增强和CSP
‑
ResNeXt的风机齿轮箱故障诊断方法。

技术介绍

[0002]风电机组由于长期工作在诸如极端温度、暴雨、暴雪、盐雾等环境下，随着运行时间的增加，叶片、主轴承、齿轮箱、发电机及其他部件的疲劳强度、运行性能等不断下降，引起异常和故障，导致风机不正常运行甚至停机。针对故障部件进行分析，风机齿轮箱在所有故障部件所占比例最高，因此对风机齿轮箱建立故障诊断模型十分重要。
[0003]一般针对旋转部件常采用振动信号做为信号源进行故障的分析，在信号采集过程中参杂了强噪音信号，信号本身有具有非线性以及非平稳性的特点，给故障诊断带来了挑战。同时，风电机组由加速度传感器采集的一般为正常状态的振动信号，而故障信号采集样例较少，使得故障诊断模型训练带来了困难。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于数据增强和CSP
‑
ResNeXt的风机齿轮箱故障诊断方法，解决风机齿轮箱故障振动信号能量微弱，常常被强噪声污染，传统的故障诊断采用时域、频域分析方法的人工故障特征提取具有主观性，诊断效果差。
[0005]为解决上述技术问题，本专利技术所采用的技术方案是：
[0006]一种基于数据增强和CSP
‑
ResNeXt的风机齿轮箱故障诊断方法，包括以下步骤：
[0007]Step1、利用安装在齿轮箱上的加速度传感器采集齿轮箱不同故障类型采集的故障振动信号数据；
[0008]Step2、采用小波包畸变对样本数据进行扩充；
[0009]Step3、将故障振动信号通过相对位置矩阵转化为灰度图；
[0010]Step4、将样本扩充后的数据输入改进ResNeXt网络，最终可以得到风机齿轮箱的智能故障诊断模型，利用该模型输入实时采集的振动信号进行故障诊断和识别。
[0011]上述的Step2的具体步骤如下：
[0012]Step2.1、采用小波包变换将原始振动信号做2层分解；
[0013]Step2.2、随机选取一组小波系数进行畸变操作；
[0014]Step2.3、由畸变操作后的小波包分解系数还原为时域信号。
[0015]上述的Step2.1中，使用以下函数实现原始振动信号的2层分解：
[0016][0017][0018]其中，i＝0,...,(2j
‑
1)，k和l为元素的顺序索引，(h,g)为一对长度为L的有限脉冲响应滤波器，设w
j,i
表示第j个分解层的第i组小波系数，w
0,0
是原始信号。
[0019]上述的Step2.2中畸变操作的畸变函数为：
[0020][0021]其中d是从预设范围中随机选取的失真系数，sign为符号函数，在数学和计算机运算中，其功能是取某个数的符号(正或负)：当x>0，sign(x)＝1；当x＝0，sign(x)＝0；当x<0，sign(x)＝
‑
1；abs为绝对值函数，返回w值的绝对值。
[0022]上述的Step4的具体步骤为：
[0023]Step4.1、输入数据经过视野域为7
×
7的卷积核，维度数为64，步长为2的预处理层；
[0024]Step4.2、Step4.1输出数据经过卷积核为3
×
3，步长为2的全局最大池化层；Step4.3、Step4.2输出数据进入四个由不同层的ResNeXt残差块组成的主干网络。
[0025]上述的Step4.3中四个由不同层的ResNeXt残差块组成的主干网络的组成结构为：
[0026]一部分由3层基数为32的卷积核为1
×
1，3
×
3，1
×
1的残差结构构成，同时包含一条残差连接旁路，最后将通道拼接输出；
[0027]第二部分由3层基数为32的卷积核为1
×
1，3
×
3，1
×
1的残差结构构成，同时包含一条残差连接旁路，最后将通道拼接输出；
[0028]第三部分由3层基数为32的卷积核为1
×
1，3
×
3，1
×
1的残差结构构成，同时包含一条残差连接旁路，最后将通道拼接输出；
[0029]第四部分由3层基数为32的卷积核为1
×
1，3
×
3，1
×
1的残差结构构成，同时包含一条残差连接旁路，最后将通道拼接输出。
[0030]上述的四个由不同层的ResNeXt残差块组成的主干网络残差块堆叠结构为3
‑4‑6‑
3，在每部分网络结构中插入CSP模块，将输入通道在进入每部分堆叠网络时做分组，将一半的输入通道进入堆叠网络，而另一半的输入通道则进入CSP模块；然后将每部分的输出通道与CSP模块的输出通道拼接，作为每部分堆叠网络结构的总输出；最后，将第四部分的输出做汇总，进入卷积核为1
×
1的全局平均池化层与全连接层实现故障分类。
[0031]上述的ResNeXt残差块激活函数采用sigmoid函数，其计算公式为：
[0032][0033]其中x为输入，f(x)为输出。
[0034]上述的四个ResNeXt残差块网络部分中每个卷积核后和过渡层所使用的激活函数均采用Relu激活函数，其计算公式为：
[0035]f(x)＝max(0,x)
[0036]其中x为输入，f(x)为输出。
[0037]上述的改进ResNeXt网络即CSP
‑
ResNeXt网络的全连接层损失函数采用交叉熵损失函数，其计算公式为：
[0038][0039]其中p(x
i
)和q(x
i
)分别表示真实概率分布与预测概率分布，H(p,q)表示预测值和真实值的差距；
[0040]交叉熵损失函数搭配softmax分类器使用，在全连接层将输出的结果进行处理，使其多个分类的预测值和为1，再通过交叉熵来计算损失，其中，softmax函数计算公式为：
[0041][0042]其中x
i
为模型上一层的输出，作为softmax分类器的输入；输出计算结果softmax(x)可视为预测结果为真实结果的置信度。
[0043]本专利技术提供的一种基于数据增强和CSP
‑
ResNeXt的风机齿轮箱故障诊断方法，本专利技术具有如下有益效果：
[0044]1.在小波包变换的基础上发展了小波包失真，以增加错误训练样本的数量。在这里，增强样本与原始样本相似，但有不同的值。这样既可以达到类之间的平衡，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据增强和CSP
‑
ResNeXt的风机齿轮箱故障诊断方法，其特征是，包括以下步骤：Step1、利用安装在齿轮箱上的加速度传感器采集齿轮箱不同故障类型采集的故障振动信号数据；Step2、采用小波包畸变对样本数据进行扩充；Step3、将故障振动信号通过相对位置矩阵转化为灰度图；Step4、将样本扩充后的数据输入改进ResNeXt网络，最终可以得到风机齿轮箱的智能故障诊断模型，利用该模型输入实时采集的振动信号进行故障诊断和识别。2.根据权利要求1所述的一种基于数据增强和CSP
‑
ResNeXt的风机齿轮箱故障诊断方法，其特征在于，所述的Step2的具体步骤如下：Step2.1、采用小波包变换将原始振动信号做2层分解；Step2.2、随机选取一组小波系数进行畸变操作；Step2.3、由畸变操作后的小波包分解系数还原为时域信号。3.根据权利要求2所述的一种基于数据增强和CSP
‑
ResNeXt的风机齿轮箱故障诊断方法，其特征在于，所述的Step2.1中，使用以下函数实现原始振动信号的2层分解：法，其特征在于，所述的Step2.1中，使用以下函数实现原始振动信号的2层分解：其中，i＝0,...,(2j
‑
1)，k和l为元素的顺序索引，(h,g)为一对长度为L的有限脉冲响应滤波器，设w
j,i
表示第j个分解层的第i组小波系数，w
0,0
是原始信号。4.根据权利要求2所述的一种基于数据增强和CSP
‑
ResNeXt的风机齿轮箱故障诊断方法，其特征在于，所述的Step2.2中畸变操作的畸变函数为：其中d是从预设范围中随机选取的失真系数，sign为符号函数，在数学和计算机运算中，其功能是取某个数的符号(正或负)：当x>0，sign(x)＝1；当x＝0，sign(x)＝0；当x<0，sign(x)＝
‑
1；abs为绝对值函数，返回w值的绝对值。5.根据权利要求1所述的一种基于数据增强和CSP
‑
ResNeXt的风机齿轮箱故障诊断方法，其特征在于，所述的Step4的具体步骤为：Step4.1、输入数据经过视野域为7
×
7的卷积核，维度数为64，步长为2的预处理层；Step4.2、Step4.1输出数据经过卷积核为3
×
3，步长为2的全局最大池化层；Step4.3、Step4.2输出数据进入四个由不同层的ResNeXt残差块组成的主干网络。6.根据权利要求5所述的一种基于数据增强和CSP
‑
ResNeXt的风机齿轮箱故障诊断方法，其特征在于，所述的Step4.3中四个由不同层的ResNeXt残差块组成的主干网络的组成结构为：一部分由3层基数为32的卷积核为1
×
1，3
×
...

【专利技术属性】
技术研发人员：雷钧，张彬桥，舒勇，刘雷，杨洋，
申请(专利权)人：三峡大学，
类型：发明
国别省市：