一种风电齿轮箱轴承的故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115876470A(43)申请公布日2023.03.31(21)申请号202211730527.0G06V10/774(2022.01)(22)申请日2022.12.30G06V10/764(2022.01)G06N3/048(2023.01)(71)申请人浙江工业大学G06N3/0464(2023.01)地址310000浙江省杭州市拱墅区潮王路G06N3/096(2023.01)18号G06N3/082(2023.01)(72)发明人傅雷马泽鹏张弈坤王彦哲张立彬胥芳(74)专利代理机构浙江千克知识产权代理有限公司33246专利代理师冷红梅(51)Int.Cl.G01M13/04(2019.01)G06V20/52(2022.01)G06V20/60(2022.01)G06V10/82(2022.01)权利要求书2页说明书8页附图3页(54)发明名称一种风电齿轮箱轴承的故障诊断方法(57)摘要本发明涉及风力发电技术领域，具体涉及一种风电齿轮箱轴承的故障诊断方法，包括以下步骤：获取AlexNet模型的网络结构并进行改进，作为源域模型；获取轴承的红外图像，对红外图像进行预处理；使用预处理后的红外图像训练源域模型，得到源域模型参数；构建目标域模型，将源域模型参数迁移至目标域模型中；周期性获取风电齿轮箱轴承的红外图像，作为待测样本，利用数据增强技术对待测样本进行扩充，构成样本数据集；将样本数据集输入目标域模型，得出故障诊断结果。本发明的有益技术效果包括：基于红外图像和深度学习技术，实现风电齿轮箱轴承的无损监测，同时结合迁移学习技术，提高目标域模型的鲁棒性和泛化性，从而提高诊断精度。CN115876470ACN115876470A权利要求书1/2页1.一种风电齿轮箱轴承的故障诊断方法，其特征在于，包括以下步骤：获取AlexNet模型的网络结构，对AlexNet模型的网络结构进行改进，作为源域模型；获取风电齿轮箱轴承的红外图像，对红外图像进行预处理；使用预处理后的红外图像训练源域模型，得到源域模型参数；构建目标域模型，所述目标域模型结构与源域模型结构相同，并将源域模型参数迁移至目标域模型中；周期性获取风电齿轮箱轴承的红外图像，作为待测样本，利用数据增强技术对待测样本进行扩充，构成样本数据集；将样本数据集输入目标域模型，得出故障诊断结果。2.如权利要求1所述的一种风电齿轮箱轴承的故障诊断方法，其特征在于，所述AlexNet模型包括五层卷积层、两层隐藏层和一层输出层，对AlexNet模型的网络结构进行改进的方法包括：调整AlexNet模型中卷积层的顺序，并在输出层前再添加一层隐藏层，将改进后的网络结构作为源域模型的网络结构。3.如权利要求2所述的一种风电齿轮箱轴承的故障诊断方法，其特征在于，对AlexNet模型的网络结构进行改进的方法包括：引入ReLU6函数和h‑swish函数作为源域模型的激励函数，ReLU6(x)＝min(max(x，0)，6)其中x为每一层神经网络的神经元输入变量。4.如权利要求3所述的一种风电齿轮箱轴承的故障诊断方法，其特征在于，对AlexNet模型的网络结构进行改进的方法包括：在所述激活函数前添加批归一化层，所述批归一化层用于对激活函数的输入进行特征归一化。5.如权利要求1所述的一种风电齿轮箱轴承的故障诊断方法，其特征在于，对红外图像进行预处理的方法包括：根据预设故障区域划分标准截取所述红外图像中的故障诊断区域，记为训练图像；对训练图像进行锐化；利用数据增强技术对锐化后的训练图像进行扩充；对扩充后的训练图像进行尺度缩放，构成训练数据集。6.如权利要求5所述的一种风电齿轮箱轴承的故障诊断方法，其特征在于，获得预设故障区域划分标准的方法包括：读取若干个历史故障区域的红外图像；分别提取每个故障区域的红外图像的温度范围；全部故障区域的温度范围的并集构成预设故障区域划分标准。7.如权利要求5所述的一种风电齿轮箱轴承的故障诊断方法，其特征在于，所述训练图像构成一个矩阵，对训练图像进行锐化的方法包括：对训练图像进行高斯模糊，得到高斯模糊矩阵；2CN115876470A权利要求书2/2页将高斯模糊矩阵中的所有元素乘以预设系数；用训练图像矩阵减去乘以预设系数后的高斯模糊矩阵。8.如权利要求5所述的一种风电齿轮箱轴承的故障诊断方法，其特征在于，使用预处理后的红外图像训练源域模型，得到源域模型参数的方法包括：将所述训练数据集定义为X，训练集X构成一个Xm×XD的训练集矩阵，其中m为训练集中训练图像的个数，D为每个训练图像的特征数；将训练集矩阵输入源域模型，依次经过卷积层和隐藏层，得到一个HW×Hd矩阵，其中，W为矩阵的维数，d为源域模型中隐藏层的神经元个数，且源域模型隐藏层