基于深度信念网络的风力发电机组齿轮箱故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108256556A(43)申请公布日2018.07.06(21)申请号201711403042.X(22)申请日2017.12.22(71)申请人上海电机学院地址200240上海市闵行区江川路690号(72)发明人宋昌举文传博(74)专利代理机构上海伯瑞杰知识产权代理有限公司31227代理人胡永宏(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书7页附图4页(54)发明名称基于深度信念网络的风力发电机组齿轮箱故障诊断方法(57)摘要本发明公开了一种基于深度信念网络的风力发电机组齿轮箱故障诊断方法，通过直接构建齿轮箱工作状况的波形图数据库，仅仅只需要采集风力发电机工作中齿轮箱的原始数据，然后以此数据库对深度信念网络进行训练和学习，最后将待测样本输入到训练完成的深度信念网络模型中，即输入的波形图与数据库中分类完成的三种齿轮箱工作状态的波形图进行对比，找出和输入波形图最相似的图片，该最相似的图片所属的齿轮箱工作状态即为要识别的工作状态，以完成对齿轮箱的故障诊断。CN108256556ACN108256556A权利要求书1/3页1.一种基于深度信念网络的风力发电机组齿轮箱故障诊断方法，其特征在于，包括如下步骤：1)构建用于反映齿轮箱工作状况的波形图数据库a)针对典型故障情况，采集风力发电机齿轮箱的原始振动信号；在不同工况下，通过加速度传感器采集每种工况下齿轮箱在不同频率工作的振动信号；b)采用小波去噪对原始数据进行去噪处理，去除干扰噪声，然后对采集到的齿轮箱的原始振动数据进行快速傅里叶变换得到新的齿轮箱振动频谱信号Y；c)通过线性归一化方法，对齿轮箱振动频谱信号Y进行归一化处理，得到齿轮箱振动频谱信号Yl；对数据进行归一化的公式如下：其中，xi、分别为齿轮箱振动频谱信号数据归一化处理前、后的值，xmax、xmin分别表示为幅值最大、最小值；d)根据归一化处理后的振动信号创建波形图数据库；将归一化处理后的离散数据各相邻点连接起来，得到振动信号的波形图，即构建波形图数据库，所述波形图数据库包括齿轮箱在正常状态和相应故障状态下的波形图；2)创建深度信念网络模型；深度信念网络DBN实质上是由多个受限玻尔兹曼机RBM堆叠成的多层感知器神经网络，其低层表示原始数据细节，高层表示数据属性类别或特征，从低层到高层逐层抽象，可以深度挖掘数据本质特征；每个受限玻尔兹曼机RBM由两层网络组成，即可视层v和隐藏层h，可视层v和隐藏层h之间通过权值w连接，具体实现步骤如下：e)采集训练样本；将经过去噪、归一化处理后的不同工况下振动频谱信号数据的波形图添加工况标签后作为训练样本；f)采用训练样本对深度信念网络DBN模型进行训练；将训练样本输入深度信念网络DBN模型中，采用非监督贪心逐层训练方法进行逐层训练和调优，得到深度信念网络DBN模型的连接权值和偏置参数；深度信念网络DBN的训练过程包含两部分，由底层到高层的前向堆叠受限玻尔兹曼机RBM学习和由高层到底层的后向微调学习；深度信念网络DBN的训练过程如下：步骤1：前向堆叠RBM学习；采用逐层训练的方式对DBN模型各层中的受限玻尔兹曼机进行训练，低一层RBM1的隐含层输出作为上一层的RBM2的可见层输入，直至得到深度信念网络模型最后一层隐含层的输出；具体如下：假设一个RBM中有n个可见单元和m个隐藏单元，用v表示所有可见单元，h表示所有隐藏单元，给定模型参数θ，则可见单元和隐藏单元的联合概率分布函数p(v,h；θ)用能量函数E(v,h；θ)表示为：其中，为配分函数；θ＝{wij,bi,aj}为模型参数；2CN108256556A权利要求书2/3页模型关于可见单元v的边缘分布为：能量函数：式中，wij表示深度信念网络的可见层第i个节点vi与隐含层第.j个节点hj之间的连接权值，bi和aj表偏置参数,I和J是可见单元和隐藏单元的数目；相应的，当给定可见层或隐藏层节点时，对应下一层的条件概率为：其中为sigmoid函数；采用Hinton提出的对比散度算法来对深度信念网络模型参数进行调整和更新，模型参数θ＝{wij,bi,aj}的更新准则为：Δw＝ε(＜vihj＞p(h|v)-＜vihj＞recon)；(7)Δbi＝ε(＜vi＞p(h|v)-＜vi＞recon)；(8)Δaj＝ε(＜hj＞p(h|v)-＜hj＞recon)；(9)式中ε为学习率；＜·＞p(h|v)表示训练数据在p(h|v)分布下的期望；＜·＞recon表示更新后网络模型输出的分布下的期望；步骤2：后向微调学习；经过上述逐层训练后得到深度信念网络模型最后一层隐含层的输出，对该输出进行反