一种深度信念网络的风力发电机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CN107229269A(43)申请公布日2017.10.03(21)申请号201710383445.6(22)申请日2017.05.26(71)申请人重庆工商大学地址400067重庆市南岸区学府大道19号(72)发明人陈志强李雪娇喻其炳白云刘杰姚行艳陈旭东王晓丹(74)专利代理机构重庆百润洪知识产权代理有限公司50219代理人高姜(51)Int.Cl.G05B23/02(2006.01)G06N99/00(2010.01)权利要求书1页说明书3页附图2页(54)发明名称一种深度信念网络的风力发电机齿轮箱故障诊断方法(57)摘要本发明属于风力发电机齿轮箱故障诊断技术领域，具体涉及一种深度信念网络的风力发电机齿轮箱故障诊断方法，包括步骤：(1)采集振动数据；(2)提取振动信号特征；(3)振动信号重构分析；(4)基于深度信念网络的学习过程；(5)进行故障诊断测试。本发明通过实时监测风力发电机组齿轮箱工作状态并获取振动信号，对采集的风力发电机组齿轮箱的振动信号进行分析处理，并对处理后的信息进行分类整理作为故障诊断的依据。CN107229269ACN107229269A权利要求书1/1页1.一种深度信念网络的风力发电机齿轮箱故障诊断方法，其特征在于，包括以下步骤：(1)采集振动数据：在风力发电机组齿轮箱上安装加速度传感器，在线采集风力发电机组齿轮箱运行过程中的振动信号，并做预处理；(2)提取振动信号特征：对预处理后的采集信号提取时域、频域、时频域特征；(3)振动信号重构分析：a1)利用平移缩放归一化，先将所有数据平移至正数；b1)将正值数据缩放归一；(4)基于深度信念网络的学习过程：a2)将特征数据输入第一层RBM1可视层第一层v1，学习计算得到隐藏层第一层h1和层间连接权值w1；b2)将第一层RBM1的隐藏层h1作为第二层RBM2的第二层可视层v2的输入，学习计算得到第二层隐藏层h2和层间连接权值w2；c)重复上述步骤，将上一层RBM的隐藏层作为下一层可视层的输入，学习计算得到下一层的隐藏层和连接权值，直到所有RBM都学习完毕；d)步骤a2)到c2)称为编码过程，最高层输出的隐藏层称为编码层，将编码层数据反向逐层解码，可得到与原始信号相对应的重构信号；(5)进行故障诊断测试：将10个测点归一化后的原始数据逐一输入深度信念网络中，重复计算30次后取其平均值作为结果，将测试样本的分类识别结果与单一故障进行比较，得出诊断结果。2.根据权利要求1所述的一种深度信念网络的风力发电机齿轮箱故障诊断方法，其特征在于，步骤a1)具体为：步骤b1)具体为：2CN107229269A说明书1/3页一种深度信念网络的风力发电机齿轮箱故障诊断方法技术领域[0001]本发明属于风力发电机齿轮箱故障诊断技术领域，具体涉及一种深度信念网络的风力发电机齿轮箱故障诊断方法。背景技术[0002]齿轮箱可分为单级和多级齿轮箱，风力发电机齿轮箱作为风力发电机组主要变速、能量传递的部件，是一种低速重载的增速齿轮传动，它安装在距离地面几十米的高级塔之上狭小的机舱内，由于选材、加工、热处理、安装调试、使用维护、工作环境恶劣等原因，风力发电机组齿轮箱极易发生故障，经常在工作过程中造成损坏，从而影响整机的工作性能。据统计，风力发电机组齿轮箱的损坏率高达40％-50％。因此，提高风力发电机组齿轮箱运行的安全性、可靠性，对其工作状况进行实时监测，检测其故障就显得十分重要。然而，获得的风力发电机组齿轮箱的振动信号，由于其计算量大且识别精度不高，如何对这些信号进行分析、处理以便判断故障成为亟待解决的技术难题。发明内容[0003]本发明针对上述问题，提出一种深度信念网络的风力发电机齿轮箱故障诊断方法，通过实时监测风力发电机组齿轮箱工作状态并获取振动信号，对采集的风力发电机组齿轮箱的振动信号进行分析处理，并对处理后的信息进行分类整理作为故障诊断的依据。[0004]为实现本发明的目的，本发明通过以下技术方案来实现：[0005]一种深度信念网络的风力发电机齿轮箱故障诊断方法，包括以下步骤：[0006](1)采集振动数据：[0007]在风力发电机组齿轮箱上安装加速度传感器，在线采集风力发电机组齿轮箱运行过程中的振动信号，并做预处理；[0008](2)提取振动信号特征：[0009]对预处理后的采集信号提取时域、频域、时频域特征；[0010](3)振动信号重构分析：[0011]a1)利用平移缩放归一化，先将所有数据平移至正数；[0012]b1)将正值数据缩放归一；[0013](4)基于深度信念网络的学习过程：[0014]a2)将特征数据输入第一层RBM1可视层第一层v1，学习计算得到隐藏层第一层h1和层间连接权值w1；[0015]