[发明专利]基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法

权利要求书

1.一种基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法，其特征在于，包括：采集行星齿轮箱的振动信号作为采集数据；将采集数据输入至训练好的1D-CNN-LSTM混合神经网络中，输出得到故障诊断结果；

所述1D-CNN-LSTM混合神经网络的训练步骤包括：

S1、采集行星齿轮箱的历史振动信号作为诊断样本；

S2、利用SANC将行星齿轮箱的历史振动信号分离为周期性信号分量和随机信号分量，保留分离出地周期性信号分量，并对其进行归一化处理；

S3、将归一化处理后的周期性信号分量按照设定的比例分为训练集、验证集和测试集；

S4、将训练集样本输入到1D-CNN-LSTM混合神经网络进行训练，利用验证集验证对模型进行评估，并开始下一轮次训练，重复该过程进行直至所有轮次迭代完毕，利用测试集测试模型诊断的精确度。

2.根据权利要求1所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法，其特征在于，所述的步骤S2中对原始信号，即历史振动信号施加延迟获得参考信号；对参考信号进行自相关分析提取出周期信号分量；用原始信号减去提取的周期信号分量得到原始信号中的随机信号分量。

3.根据权利要求2所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法，其特征在于，SANC的自适应滤波器使用最小均方算法，其通过最小化误差来使自相关分析后的周期信号分量逼近原始信号，其表达式为：

J＝E[e²(n)]

W(n+1)＝W(n)+η(-▽J)

其中，x(n)为原始信号；为周期信号分量；e(n)为随机分量；J为均方误差；W(n)为滤波器的L+1个权系数，L为滤波器长度，η为收敛因子，▽为梯度向量。

4.根据权利要求1所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法，其特征在于，所述的步骤S2中归一化处理为：利用Z-score标准化，将不同量级的数据转换成同一量级的数据，减小各类数据的差异性，其计算表达式为：

其中，为对应特征量的平均值，σ(X)为该特征量的标准差，X'为标准化的值。

5.根据权利要求1所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法，其特征在于，所述的步骤S3中，训练集、验证集和测试集的比例为0.6：0.3：0.1。

6.根据权利要求1所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法，其特征在于，所述的步骤S4中，1D-CNN-LSTM由3个卷积层、3个池化层、1层长短期记忆网络、2层全连接层和1个Softmax分类器组成。

7.根据权利要求6所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法，其特征在于，在每个卷积层与池化层之间引入批归一化层，并对第一层卷积核进行0.5的Dropout处理。

8.根据权利要求7所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法，其特征在于，所述1D-CNN-LSTM中一维卷积层的计算公式为：

其中，H_i为第i层输入特征；代表卷积运算；W_i和b_i分别表示第i层卷积核的权值和对应的偏置；f代表激活函数。

9.根据权利要求7所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法，其特征在于，所述1D-CNN-LSTM中的第一层卷积核尺寸为1×64，包含卷积核16个；第二层卷积核尺寸为1×3，包含卷积核32个；第三层卷积核尺寸为1×3，包含卷积核32个；LSTM隐藏层节点数为32，时间步长为10，两个全连接层分别包含512和64个单元。

10.根据权利要求1所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法，其特征在于，所述1D-CNN-LSTM训练使用Adam优化算法，设置学习率为0.001，输入采用shuffle batch打乱样本，损失函数选取为交叉熵损失函数。