[发明专利]一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法

说明书

为了解决传统诊断中诊断效果差，精度低的问题，本发明提出一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法。主要步骤包括：1、从风电齿轮箱中采集不同故障类型的振动信号；2、将每一个故障类型的一维振动信号通过小波变换得到小波时频图，得到风电齿轮箱的故障样本集；3、将样本集中的小波时频图进行灰度处理，并且对图像大小进行调整，将灰度处理后的图像调整为P*P，P为图像像素大小；4、将处理后的样本集中的70％作为训练集进行模型训练，另外30％作为测试集对模型进行测试。本发明可以更加有效的利用小波时频图中的故障信息，自动提取时频图中有效的特征，实现更加准确的故障分类。

技术领域

本发明涉及一种风电齿轮箱的故障诊断方法，特别是关于一种在风电机械领域可以准确分类故障类别的基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法。

背景技术

风电行业的迅速发展已经让很多国家将风电作为新型能源的重要组成部分。但是风电机组在运维方面面临巨大的挑战，而齿轮箱作为风电机组中最为关键的部分，一旦出现故障，将会导致长时间的停机维护，带来严重的经济损失。如果可以建立有效的模型对风电齿轮箱进行监测和故障诊断，则会有效的减少风电机组运维的成本和延长风电齿轮箱的使用寿命。

由于风电机组齿轮箱中状态监测系统采集的监测信号数据量庞大，如何选择有效的数据，并且将其利用起来建立合理的模型进行故障诊断是目前风电齿轮箱运维面临的巨大挑战。风电齿轮箱齿轮数量多，传动结构复杂，传统的故障诊断方法存在缺陷，往往过于依赖研究者的经验，这增加了劳动强度，降低了诊断精度。吴春志等使用一维卷积神经网络进行齿轮箱故障诊断，直接从振动信号中提取特征，实现从端到端的故障诊断，胡茑庆等基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法，先对一维振动信号进行经验模态分解，再将得到的分量输入到一维卷积神经网络中提取特征进行故障分类。以上现有的方法是将一维振动信号作为输入，利用传统卷积神经网络进行诊断，存在以下缺陷：

(1)无法实现对采集到的故障信息的有效利用。

(2)传统卷积神经网络对提取的特征利用率较低，降低了诊断精度。

(3)传统卷积神经网络层数增加时，网络中的参数会极大地增长，影响了训练速度，降低了训练精度。

为了实现故障信息的自动提取，提高特征的利用率以及提高网络训练速度，基于小波变换和密集连接扩张卷积神经网络的故障诊断方法被提出，该方法利用小波变换得到故障信息更加丰富的二维图像，再利用密集连接扩张卷积神经网络自动提取特征并且对特征进行叠加输入以达到对故障特征的高效利用，从而提高故障诊断的精度，并且利用扩张卷积以达到提高故障模型训练速度地效果。

发明内容

针对上述问题，本发明提出了一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法。

为实现上述目的，本发明采取以下技术方案：一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法，其特征在于，包括以下步骤：

步骤1：从风电齿轮箱中采集不同故障类型的振动信号；

步骤2：将每一个故障类型的一维振动信号通过小波变换得到小波时频图，得到风电齿轮箱的故障样本集；

步骤3：将样本集中的小波时频图进行灰度处理，并且对图像大小进行调整，将灰度处理后的图像调整为P*P，P为图像像素大小；

步骤4：将处理后的样本集中的70％作为训练集进行模型训练，另外30％作为测试集对模型进行测试；

步骤5：搭建密集连接扩张卷积神经网络的故障诊断模型，并且使用训练集进行训练；

步骤6：对训练好的模型进行测试，实现故障类型的准确分类。

进一步的描述为，所述步骤2中，将振动信号进行小波变换，一维的振动信