[发明专利]一种基于卷积神经网络的风电齿轮箱故障诊断方法在审
| 申请号： | 201810351068.2 | 申请日： | 2018-04-18 |
| 公开（公告）号： | CN108896296A | 公开（公告）日： | 2018-11-27 |
| 发明（设计）人： | 刘秀丽;徐小力;吴国新;左云波;蒋章雷 | 申请（专利权）人： | 北京信息科技大学 |
| 主分类号： | G01M13/02 | 分类号： | G01M13/02;G06K9/62;G06N3/04 |
| 代理公司： | 北京远创理想知识产权代理事务所(普通合伙) 11513 | 代理人： | 张素妍 |
| 地址： | 100192 北*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于卷积神经网络的风电齿轮箱故障诊断方法，其步骤：采集各种故障类型下的状态振动信号，并进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库；随机选取训练样本建立卷积神经网络模型；调整每类故障样本图像像素，作为训练样本输入卷积神经网络，进行迭代训练并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络；再次采集风电机组齿轮箱故障振动信号作为待诊断样本，将待诊断样本进行时频变换生成时频图，并调整像素，输入训练好的卷积神经网络进行识别分类，输出故障样本属于各类故障的概率值，将最大概率值对应的故障类别作为该待诊断样本的故障类型。 | ||
| 搜索关键词： | 卷积神经网络 样本 齿轮箱故障 风电齿轮箱 风电机组 故障类型 故障诊断 训练样本 振动信号 时频 诊断 采集 迭代训练 故障类别 故障样本 全局参数 时频变换 输出故障 随机选取 损失函数 图像像素 优化训练 最大概率 样本库 像素 收敛 输出 分类 概率 | ||
【主权项】：
1.一种基于卷积神经网络的风电齿轮箱故障诊断方法，其特征在于包括以下步骤：1)采集风电机组齿轮箱在各种故障类型下的状态振动信号；2)将风电机组齿轮箱各种状态振动信号进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库；3)在风电机组齿轮箱故障样本库中随机选取训练样本，建立卷积神经网络模型；4)将风电机组齿轮箱故障样本库中每类故障样本图像调整为p×p像素，将调整后的样本作为训练样本输入卷积神经网络，利用反向传播算法对卷积神经网络进行迭代训练，并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络；5)再次采集风电机组齿轮箱故障振动信号作为待诊断样本，将待诊断样本进行时频变换生成时频图，并将该时频图像调整为p×p像素，输入训练好的卷积神经网络进行识别分类，输出待诊断故障样本属于各类故障的概率值，将最大概率值对应的故障类别作为该待诊断故障样本的故障类型。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京信息科技大学，未经北京信息科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810351068.2/，转载请声明来源钻瓜专利网。
