[发明专利]风力发电机齿轮箱故障诊断方法及系统

说明书

本发明公开了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及系统，属于故障诊断领域，通过将已经采集到的风力发电机齿轮箱处在不同工作状态中的原始振动信号进行预处理后的信号作为训练数据，将训练数据输入堆叠去噪自编码器中，同时引入量子粒子群优化算法对其进行结构与参数的优化，然后将预处理过后的测试信号输入到训练完成的堆叠去噪自编码器中，以提取隐含在原始振动信号中的高维故障特征，最后将提取出的故障特征输入最小二乘支持向量机进行故障分类，由此完成对齿轮箱故障诊断。本发明能够有效辨别出故障类型，为发现齿轮箱故障所在位置，并进行维护提供了有力依据，保证了设备稳定可靠的运行。

技术领域

本发明属于故障诊断领域，更具体地，涉及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及系统。

背景技术

近年来，风力发电取得了很大的进展，但与传统的发电系统如煤炭、天然气等相比，由于运行维护成本相对较高，风电项目的维护策略需要更多的主动性。因此，有必要通过状态监测、诊断、预测和健康管理来降低风电机组的维护成本。而在齿轮箱故障中大多数是齿轮故障。同时，齿轮箱故障通常带来的维护操作十分复杂，其拆装、运输以及维修成本也十分高昂。因此，为了保证风电机组的正常运行，对风力发电机齿轮箱故障进行研究至关重要。

公开号CN104792520A公开了一种风力发电机组齿轮箱故障诊断方法，提出一种基于局部均值分解和优化K均值聚类算法的风力发电机组齿轮箱故障诊断方法，通过对原始振动信号分解后重构，对重构后的信号进行分析。由于风力发电机齿轮箱工况十分复杂，对原始信号进行分解会导致高维特征丢失，无法取得理想的故障诊断效果。公开号CN108256556A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，直接构建齿轮箱工作状况的波形图数据库，将原始信号输入训练后的深度信念网络，再将产生的波形图与数据库中的不同工作状态的波形图进行对比。此方法中根据经验构造的深度结构，无法取得最好的特征提取表现，会极大影响故障诊断效果。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出了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及系统，由此解决现有诊断方式诊断效果不理想的技术问题。

为实现上述目的，按照本发明的一个方面，提供了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，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；

(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，以通过所述优化后的堆叠去噪自编码器进行故障诊断。

优选地，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。