[发明专利]一种风电机组齿轮箱的故障诊断方法

说明书

本发明涉及故障诊断领域，特别涉及一种风电机组齿轮箱的故障诊断方法包括：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；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；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；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；获取风电机组齿轮箱的目标振动信号，并将风电机组齿轮箱的目标振动信号归一化处理后输入训练好的故障诊断模型计算得到故障诊断结果，通过本发明的方法能够实时对风电机组齿轮箱故障进行诊断。

技术领域

本发明涉及故障诊断领域，特别涉及一种风电机组齿轮箱的故障诊断方法。

背景技术

风电机组齿轮箱作为风电机组中用于提高转速和向发电机传递扭矩的关重部件，其长期运行在恶劣多变的工况下极易发生故障，进而导致风力发电机停机检修，严重影响风电机组的生产计划。因此，开展对风电机组齿轮箱的故障诊断对保证风电机组的安全稳定运行具有重要意义。

现有基于深度学习的齿轮箱故障诊断方法严重依赖于充足的标记故障样本，然而在风电机组齿轮箱故障诊断中成本高昂的标记故障样本难以获取，而有限的标记故障样本训练的风电机组齿轮箱故障诊断模型容易陷入过拟合，难以精确的诊断出风电机组齿轮箱的故障。

发明内容

为了解决现有技术中存在风电机组齿轮箱故障诊断中成本高昂的标记故障样本难以获取，而有限的标记故障样本训练的风电机组齿轮箱故障诊断模型容易陷入过拟合，难以精确的诊断出风电机组齿轮箱的故障的问题，本发明提出一种风电机组齿轮箱的故障诊断方法包括：

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；

进一步的，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；