基于深度學習的風電機組齒輪箱故障特征提取和智能分類研究.pdf

1、風電機組齒輪箱的正常運轉(zhuǎn)與否直接影響風場的人員設備安全和經(jīng)濟效益，因此對風電機組齒輪箱進行狀態(tài)監(jiān)測和故障診斷具有十分重要的意義。本文主要對風機齒輪箱傳統(tǒng)診斷方法的不足進行了分析研究，結(jié)合經(jīng)驗模式分解（Empirical Mode Decomposition, EMD）、能量熵理論、基于特征距離評估的特征選擇方法、深度學習和粒子群支持向量機等算法，提出了兩種新算法。通過齒輪和滾動軸承故障診斷實例驗證新提出的算法更有利于風機齒輪箱的故障特征

2、提取和智能診斷。
　　首先，研究了風電機組的基本組成結(jié)構和工作原理。重點研究了風機齒輪箱的基本結(jié)構，計算了齒輪箱各級部件的特征頻率，并對齒輪箱各部件的典型故障和信號特征進行了分析研究。
　　其次，研究了風機齒輪箱傳統(tǒng)的故障特征提取方法中常用的時域分析方法、頻域分析方法和時頻域分析方法；比較常用的幾種時頻域分析方法，并著重研究了EMD方法和能量熵理論；研究了降噪自動編碼器原理，并引入深度學習來對風機齒輪箱振動信號進行特征提取。

3、
　　再次，針對風機齒輪箱傳統(tǒng)故障診斷方法存在人工提取頻域特征效率低下且準確率低的問題，提出了一種深度學習提取頻域特征與人工提取時域特征相結(jié)合的故障診斷方法。該方法首先利用數(shù)理統(tǒng)計和深度學習來提取故障特征，然后將深度學習提取到的頻譜特征與人工方法提取到的時域特征相結(jié)合形成增廣特征向量，將增廣特征向量輸入粒子群支持向量機中進行特征分類。最后通過多級齒輪傳動系統(tǒng)試驗臺的診斷實例證明該方法能有效的提高診斷準確率。
　　然后，針對風

4、機齒輪箱滾動軸承存在非平穩(wěn)振動信號，傅立葉變換提取特征會發(fā)生頻率混疊的問題；針對提取信號中含有大量冗余特征向量時會降低分類器分類效率分類準確率的問題；針對實際應用中通常無法獲得大量的有標簽的故障數(shù)據(jù)的問題，提出了一種基于經(jīng)驗模態(tài)分解、特征選擇和深度學習的滾動軸承故障智能診斷方法。首先使用EMD算法將非平穩(wěn)的滾動軸承振動信號分解成若干平穩(wěn)的本征模式函數(shù)；然后提取振動信號的EMD能量熵與各個IMF分量的時域、頻域統(tǒng)計特征構成特征向量；再通過

5、基于特征距離評估的特征選擇算法對上述特征進行篩選，選出其中的敏感特征；最后將篩選出的敏感特征輸入深度學習網(wǎng)絡中進行微調(diào)訓練，得到滾動軸承的特征學習和狀態(tài)識別分類模型。實驗結(jié)果表明，該方法可以有效的提取故障特征并提高診斷的準確率。
　　最后，利用LabVIEW簡潔高效的圖形化編程優(yōu)勢和MATLAB強大的信號處理能力，設計開發(fā)一個風電機組齒輪箱狀態(tài)監(jiān)測和故障診斷系統(tǒng)，實現(xiàn)振動信號的采集、時域分析、頻譜分析和EMD時頻分析等功能。通過對