[发明专利]一种风电机组齿轮箱的故障诊断方法

权利要求书

1.一种风电机组齿轮箱的故障诊断方法,其特征在于，包括：

S1：采集风电机组齿轮箱的振动信号，将采集到的振动信号按预设长度分割并归一化为故障样本；

S2：根据风电机组齿轮箱的历史故障报告对部分故障样本打上故障类别标签；

S3：将具有故障类别标签的故障样本划分为支持集、查询集、验证集，并将没有故障类别标签的故障样本作为无标签样本集；

S4：构建故障诊断模型，并通过支持集、查询集、验证集与无标签样本集对故障诊断模型进行训练，其中，所述故障诊断模型包括：原型网络、记忆门控循环网络；

S5：获取风电机组齿轮箱的目标振动信号，并将目标振动信号归一化处理后输入训练好的故障诊断模型，得到故障诊断结果。

2.根据权利要求1所述一种风电机组齿轮箱的故障诊断方法,其特征在于，所述通过支持集、查询集、验证集与无标签样本集对故障诊断模型进行训练包括：

S41：通过支持集和待分类故障样本对原型网络进行预训练，并根据原型网络每个训练周期对待分类故障样本的后验概率得到无标记故障样本的后验概率集和查询故障样本的后验概率集，其中，所述待分类故障样本包括：无标记样本集中的故障样本和查询集中的故障样本；

S42：根据无标记故障样本的后验概率集和查询故障样本的后验概率集构建伪标签训练数据集和伪标签测试数据集；并利用伪标签训练数据集对记忆门控循环网络进行训练，并在训练完成后通过记忆门控循环网络对伪标签测试数据集进行样本拓展得到伪标签故障样本和伪标签故障样本的伪标签，生成伪标签故障样本集；

S43：根据伪标签故障样本和伪标签故障样本的伪标签利用预训练好的原型网络计算伪标签故障样本的权重；

S44：根据伪标签故障样本的伪标签、故障类别标签、伪标签故障样本的权重、支持集中的故障样本和查询集中的故障样本计算每个故障类别的加权质心类原型，并用每个故障类别的加权质心类原型替换预训练好的原型网络中每个故障类别的类原型，得到半监督加权质心原型网络；

S45：对半监督加权质心原型网络的加权质心类原型进行动量更新；

S46：将伪标签故障样本和查询集中的故障样本作为训练样本并利用伪标签故障样本的伪标签和查询故障样本的故障类别标签构建半监督加权质心原型网络的损失函数，并通过反向传播更新半监督加权质心原型网络的参数，完成半监督加权质心原型网络的训练；

S47：将验证集输入训练好的半监督加权质心原型网络进行精度验证；并重复步骤S42-S47，将精度最大的半监督加权质心原型网络进行保存，完成故障诊断模型的训练。

3.根据权利要求2所述一种风电机组齿轮箱的故障诊断方法，其特征在于，所述通过支持集和待分类故障样本对原型网络进行预训练，并根据原型网络每个训练周期对待分类故障样本的后验概率得到无标记故障样本的后验概率集和查询故障样本的后验概率集包括：

S411：通过原型网络中的卷积神经网络提取支持集中故障样本和待分类故障样本的特征向量；根据故障类别标签对支持集中相同故障类别的故障样本的特征向量求和取平均，计算得出每个故障类别的类原型；

S412：计算待分类故障样本的特征向量与每个故障类别的类原型之间的欧氏距离；

S413：根据待分类故障样本的特征向量与每个故障类别的类原型之间的欧氏距离计算待分类故障样本的后验概率；

S414：保存待分类故障样本在原型网络每个训练周期的后验概率得到无标记故障样本的后验概率集和查询故障样本的后验概率集；

S415：根据原型网络在每个训练周期中查询故障样本的后验概率和查询故障样本的故障类别标签构建原型网络的损失函数，通过反向传播对原型网络的参数进行更新，完成原型网络的预训练。

4.根据权利要求2所述一种风电机组齿轮箱的故障诊断方法，其特征在于，所述根据无标记故障样本的后验概率集和查询故障样本的后验概率集构建伪标签训练数据集和伪标签测试数据集包括：

S421：将查询故障样本的后验概率集中的后验概率样本根据原型网络训练周期的先后进行排序；并按照预设的采样数量l和采样间隔s从查询故障样本的后验概率集中采样查询故障样本的后验概率构建伪标签训练数据集；

S422：根据无标记故障样本的后验概率集构建伪标签测试数据集。