[发明专利]一种基于混合神经网络的风力发电机故障识别方法

权利要求书

1.一种基于混合神经网络的风力发电机故障识别方法，基于振动传感器、采集器、数据信号处理器以及A/D转换器，将振动传感器安装在齿轮箱，然后使用采集器接入传感器输出的模拟量电压信号或电流信号，通过数据信号处理器和A/D转换器将接入的电压信号或电流信号进行解析处理，使其转换成能够反映是否存在故障的齿轮箱时域波形，其特征在于包括以下步骤：

步骤1：采集齿轮箱时域波形数据，建立原始样本数据，并为数据打标签；提取波形数据中振幅的最小值、振动速度和峭度指标作为特征；

步骤2：将步骤1提取的波形数据特征输入到混合网络1D-CNN_Bi-GRU中进行训练，所述的混合网络1D-CNN_Bi-GRU的具体结构为1D-CNN、Bi-GRU以及全连接层依次串联，所述的1D-CNN作为初级网络用于提取序列局部特征，所述的Bi-GRU将1D-CNN的输出作为输入，利用Bi-GRU的特性，同时获得正向来自过去和反向来自未来的累积依赖信息，用于进一步提取序列的长期依赖特征进行故障诊断，最终通过全连接层输出识别结果；

步骤3：保存训练完成的混合网络模型，将待分析的波形数据特征值输入到混合网络模型中，输出故障分类结果。

2.根据权利要求1所述的一种基于混合神经网络的风力发电机故障识别方法，其特征在于：

步骤1中，所述振动传感器为CTC-AC102传感器；

所述标签为三类，包括：正常状态、齿轮磨损以及断齿、裂纹故障。

3.根据权利要求1所述的一种基于混合神经网络的风力发电机故障识别方法，其特征在于：

1D-CNN_Bi-GRU网络结构依次包含第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、Bi-GRU层和全连接层，每个卷积层结构相同，包括一个一维卷积函数、BN层以及LReLU激活函数；

训练过程具体如下：

首先读取波形数据特征值，对其进行标准化，并拆分为训练、验证和测试集；

然后将训练集输入到第一卷积层，训练集记为X＝[x₁，x₂，x₃]∈R^d×n，d＝3，d指波形数据特征数量，n代表输入数据的长度，在通过一维卷积函数后通过BN层做一个归一化处理，通过LReLU激活函数后输入到最大池化层，从一维卷积函数到最大池化层一共循环三次，至此完成1D-CNN作为初级网络提取序列局部特征的作用；之后输入到Bi-GRU层中，所述Bi-GRU模型由正向、反向GRU叠加在一起组成，每个时刻t提取的局部特征都会同时提供给两个方向相反的GRU网络层进行学习，Bi-GRU模型最终输出由这两个单向GRU网络层输出共同决定，其输出公式如式所示：

其中表示正向GRU网络的输出，表示反向GRU网络的输出；

在通过Bi-GRU层后输入到全连接层进行分类，网络选择Softmax作为分类器。