[发明专利]一种基于风电齿轮箱监测系统的故障诊断方法

说明书

本发明公开了一种基于风电齿轮箱监测系统的故障诊断方法。本发明系统包括风电齿轮箱、多个压电式加速度传感器、ARM模块、AD采集模块、光纤环网模块、中控服务器。本发明方法具体为特征提取模块通过连续小波变换对振动信号进行预处理；数据增强模块通过生成对抗网络对故障信号进行数据增强；特征融合模块通过并行卷积神经网络对多个压电式加速度传感器的增强数据进行融合；故障诊断模块根据融合数据通过残差神经网络进行故障分类。本发明实现了风机传动链运行状态的监测、评估，可有效识别风机传动链早期故障，避免继发故障造成的经济损失和不良社会影响。

技术领域

本发明涉及风电齿轮箱故障诊断技术领域，尤其涉及一种基于风电齿轮箱监测系统的故障诊断方法。

背景技术

近年来，我国风电技术不断发展，装机规模持续增长，风电产业在我国国民经济发展中起到重要作用。齿轮箱作为风电装备的关键部件，其安全、可靠运行对提升风电装备的服役性能有重要意义。

风电齿轮箱长期在复杂交变载荷作用下运行，不可避免地会出现故障，因此在早期发现风电齿轮箱的微弱故障，识别故障类型，判断故障程度，进行剩余寿命预测，合理制定运维方案，可有效避免继发故障出现，减小齿轮箱重大故障及因故障引起的损失。

传统的单一传感器信息处理技术在实际操作过程中常常受到复杂易变的外界因素影响，无法诊断出一些微弱故障，与单传感器信号相比，多传感器信号具有更丰富的特征，可以实现系统更高的可靠性。

随着人工智能研究的发展，基于数据驱动的故障诊断方法应用越来越广泛。深度学习以其强大的特征学习能力，逐渐成为了故障诊断的一种有效方法。深度学习可以从高维特征空间内提取高维特征，其精度高于传统方法。但传统单一的网络模型对早期故障识别效果不理想，也无法实现齿轮箱的寿命预测，这些都是亟待解决的问题。

发明内容

本发明提出一种基于风电齿轮箱监测系统的故障诊断方法。其目的是基于多特征融合和深度学习方法，针对风电齿轮箱可能发生的微弱故障进行故障诊断。

为实现上述目的，本发明的技术方案为一种基于风电齿轮箱监测系统的故障诊断方法，具体如下：

所示风电齿轮箱监测系统，包括：风电齿轮箱、多个压电式加速度传感器、ARM模块、AD采集模块、光纤环网模块、中控服务器；

所述ARM模块与所述多个压电式加速度传感器依次连接；

所述的ARM模块、AD采集模块、光纤环网模块、中控服务器依次连接；

所述压电式加速度传感器通过磁吸附的方式固定在所述风电齿轮箱的特定位置处；

所述压电式加速度传感器用于实时采集振动信号，并传输至所述AD采集模块；

所述AD采集模块用于多路信号转换和调理，并传输至所述ARM模块；

所述ARM模块将实时采集的振动信号通过所述光纤环网模块传输至所述中控服务器；

所述中控服务器根据实时采集的振动信号通过所述故障诊断方法进行诊断，得到风电齿轮箱的故障类型；

所述故障诊断方法，包括以下步骤：

步骤1：定义实时采集的振动信号；

步骤2，对实时采集的振动信号进行连续小波变换得到每个传感器的小波变换系数集，对每个传感器的小波变换系数集进行标准化、灰度化处理得到每个传感器的对应的原始灰度图样本集；