[发明专利]一种基于一维卷积神经网络的行星齿轮箱故障检测方法

说明书

本发明涉及一种基于一维卷积神经网络的行星齿轮箱故障检测方法，该方法包括如下步骤：(1)获取行星齿轮箱振动信号；(2)将行星齿轮箱振动信号输入至预先训练的故障识别模型，所述的故障识别模型为一维卷积神经网络；(3)故障识别模型对行星齿轮箱的故障进行识别并输出故障类型。与现有技术相比，本发明能实现行星齿轮箱故障的准确、快速诊断。

技术领域

本发明涉及电力系统设备维护领域，尤其是涉及一种基于一维卷积神经网络 的行星齿轮箱故障检测方法。

背景技术

风能是当前最有发展前景的新能源之一，行星齿轮箱作为风力发电机重要的传动装置，它由行星轮、太阳轮、齿圈和行星架组成，可以在紧凑的空间中获得高的 扭矩比。由于其振动传输路径复杂、多齿的啮合效应、信号的非平稳性以及工作背 景噪声大等原因，导致其故障诊断具有自身的特点和难点，传统方法对其进行时域 或频域分析很难提取有效故障信息。随着Internet技术、物联网技术的发展，数据 的获取和存储更为方便，基于数据驱动的故障诊断成为一个新的发展方向。和传统 方法不同，数据驱动方法无需进行物理建模，直接对获取的数据进行适当的处理和 分析来提取信息特征，从而发现故障规律。

在故障诊断技术中，如何有效的提取数据的代表性特征，对诊断的精度起到至 关重要的作用。传统神经网络作为特征提取的重要算法，已经在故障诊断领域和电 力系统检测领域得到广泛的研究和应用。但是传统的神经网络算法具有难以克服的 缺点，如算法本身计算效率低，诊断精度难以达到要求，需要对原始数据进行预处 理等。

早期由于缺乏训练数据和计算能力，要在不产生过拟合的情况下训练高性能神经网络是很困难的，近来GPU的发展，使得卷积神经网络(Convolutional NeuralNetworks,CNNs)研究涌现。CNNs是近年发展起来的一种高效识别方法，已经在 模式识别、医学等领域取得了广泛的应用。在模式识别领域，CNNs主要用来识别 位移、缩放及其他形式扭曲不变性的二维图形，由于该方法避免了对图像的复杂前 期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于一维卷 积神经网络的行星齿轮箱故障检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于一维卷积神经网络的行星齿轮箱故障检测方法，该方法包括如下步 骤：

(1)获取行星齿轮箱振动信号；

(2)将行星齿轮箱振动信号输入至预先训练的故障识别模型，所述的故障识 别模型为一维卷积神经网络；

(3)故障识别模型对行星齿轮箱的故障进行识别并输出故障类型。

所述的一维卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、 第二卷积层、第二池化层、特征向量层和输出层，所述的输入层用于输入行星齿轮 箱振动信号，所述的第一卷积层、第一池化层、第二卷积层和第二池化层依次进行 卷积-下采样-卷积-下采样操作，所述的特征向量层将第二池化层的特征映射图首尾 连接形成特征向量，所述的输出层将特征向量进行全连接并输出故障类型分类向 量。

所述的第一卷积层和第二卷积层均为一维卷积层。

所述的第一卷积层和第二卷积层具体为：

设一维卷积神经网络中第l层为卷积层，则对应卷积层的计算公式为：

表示l层的第j个特征映射，表示l-1层的第i个特征映射，M表示l-1层 特征映射的个数，表示l层可训练的卷积核，表示l层的偏置，*为卷积操作， f(·)为激活函数。

所述的第一池化层和第二池化层具体为：