[发明专利]风力发电机齿轮箱故障诊断方法及系统

权利要求书

1.一种基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断方法，其特征在于，包括：

(1)分别获取各故障情况下的若干组原始振动信号，对各所述原始振动信号进行傅里叶变换及归一化处理后得到各原始振动信号对应的频谱信号，由所有频谱信号组成训练数据；

(2)由所述训练数据对若干个去噪自编码器进行无监督训练；

(3)将训练完成后的各去噪自编码器的隐藏层堆叠在一起，再加入逻辑回归层，形成堆叠去噪自编码器；

利用无监督训练过程中得到的各去噪自编码器的最优参数，对所述堆叠去噪自编码器参数进行初始化，然后利用随机梯度下降方法更新所述堆叠去噪自编码器的权值；

(4)采用量子粒子群优化方法对所述堆叠去噪自编码器做有监督的训练优化得到优化后的堆叠去噪自编码器，以获取待诊断的风力发电机齿轮箱的目标振动信号，对所述目标振动信号进行傅里叶变换及归一化处理后得到目标频谱信号；由所述堆叠去噪自编码器提取故障特征信号，由最小二乘支持向量机对所述故障特征信号进行识别得到故障类型；

步骤(4)包括：

(4.1)将所述堆叠去噪自编码器学习率与隐藏层数映射为粒子位置；

(4.2)由种群中每个粒子的适应度值，得到每个粒子的最优个体位置和种群的全局最优位置，由得到种群中每个粒子的适应度值fitness(N_h,l_r)，其中，l_r为堆叠去噪自编码器的学习率，N_h为堆叠去噪自编码器的隐藏层数，M是种群大小，x_i是堆叠去噪自编码器的学习率和隐藏层数的实际值，y_i是堆叠去噪自编码器的学习率和隐藏层数的预测值；

(4.3)由各粒子的最优个体位置得到对应粒子的全局最优位置，由各粒子的全局最优位置，更新粒子位置；

(4.4)重复执行步骤(4.1)～步骤(4.3)，直到满足迭代停止条件，将最终得到的种群全局最优位置作为所述堆叠去噪自编码器的学习率与隐藏层数。

2.根据权利要求1所述的方法，其特征在于，步骤(2)包括：

(2.1)对所述训练数据中的频谱信号进行随机映射得到各映射信号；

(2.2)在各所述映射信号中加入零掩蔽噪声得到被噪声污染的信号，将各所述被噪声污染的信号映射到隐藏层中；

(2.3)所述隐藏层利用解码器重建得到各重建信号，根据各所述重建信号及各所述频谱信号，通过求平方重构误差的最小值得到去噪自编码器的最优参数。

3.根据权利要求2所述的方法，其特征在于，通过求的最小值得到去噪自编码器的最优参数{θ_f,θ_g}，其中，θ_f是参数集{W₁,b₁}，θ_g是参数集{W₂,b₂}，X₂表示频谱信号，X₅表示重建信号，且X₅＝σ(W₂h+b₂)，h表示隐藏层，且h＝σ(W₁X₄+b₁)，σ是实现非线性确定性映射的sigmoid函数，W₁是隐藏层映射时的权重，b₁是隐藏层映射时的偏移量，X₄是被噪声污染的信号，W₂表示重建时的权重，b₂表示重建时的偏移量，表示第i个频谱信号，表示第i个重建信号，n是所述训练数据中的频谱信号的数量。