[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

说明书

本发明涉及一种基于SANC和1D‑CNN‑LSTM的风电机组行星齿轮箱故障诊断方法，采集行星齿轮箱的振动信号输入至训练好的1D‑CNN‑LSTM混合神经网络中得到故障诊断结果；训练步骤包括：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；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；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。与现有技术相比，本发明可有效滤除噪声，提取更多的故障特征，从而精准地对风电机组行星齿轮箱进行故障。

技术领域

本发明涉及风电机组的故障诊断领域，尤其是涉及一种基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法。

背景技术

风能是当前最有发展前景的新能源之一，行星齿轮箱作为风力发电机重要的传动装置，它由行星轮、太阳轮、齿圈和行星架组成，可以在紧凑的空间中获得高的扭矩比。由于其振动传输路径复杂、多齿的啮合效应、信号的非平稳性以及工作背景噪声大等原因，导致其故障诊断具有自身的特点和难点，传统方法对其进行时域或频域分析很难提取有效故障信息，因此需要结合适合的降噪技术。随着Internet技术、物联网技术的发展，数据的获取和存储更为方便，基于数据驱动的故障诊断成为一个新的发展方向。和传统方法不同，数据驱动方法无需进行物理建模，直接对获取的数据进行适当的处理和分析来提取信息特征，从而发现故障规律。在数据驱动方法中，如何有效对数据进行处理，从而有效地提取数据的代表性特征，对诊断的精度起到至关重要的作用。因此，对于风电机组行星齿轮箱的故障诊断，如何降低外界噪声的干扰，如何更多的提取故障特征是非常重要的研究方向。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种基于SANC(自参考自适应噪声消除技术)和1D-CNN-LSTM(一维卷积混合神经网络)的风电机组行星齿轮箱故障诊断方法，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。

进一步地，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。

进一步地，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)]

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。