[发明专利]一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法

说明书

本发明公开了一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法，该训练方法包括：获取齿轮箱所在机电系统中的电机电流信号；根据电流信号计算表征其复杂与突变程度的特征值；根据随机森林算法对特征值筛选，生成样本数据集；根据该数据集对深度强化学习网络模型训练，生成故障诊断模型。本发明提供的训练齿轮箱故障诊断模型方法，仅获取电流信号，无需额外传感器，克服了现有技术中增加硬件的缺陷。通过计算表征电流信号复杂程度和突变程度的特征值并筛选，提取与故障有关的特征数据。将机组运行时获取的电流信号输入生成的深度强化学习网络模型实现齿轮箱故障诊断的方法，能够提高诊断的精度，克服了现有技术中可靠性低、准确性低的缺陷。

技术领域

本发明涉及风力发电设备技术领域，具体涉及一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法。

背景技术

风力发电过程中，由于风电机组工作环境恶劣，导致机械传动部件容易损坏，其中作为枢纽的齿轮箱一旦损坏，将造成机组停机等严重后果，所以及时对齿轮箱故障进行诊断有助于降低运维成本。在目前的风力发电机组中，双馈型风力发电机组仍是主流，风轮的低转速需要通过行星齿轮箱将其提升至适合驱动发电机的较高转速。作为连接发电机和主轴的枢纽，同时承担传递力矩和提升转速的作用，齿轮箱是风电机组中不可或缺的关键组成部分。齿轮箱在长时间持续运行过程中会导致齿轮、轴承等部件发生局部故障，若不能及时发现，将导致故障的加重，可能会使齿轮箱失效，最终停机。风电机组的齿轮箱通过主轴与发电机相连接，当传动系统部件出现故障时会产生异常振动，进而引起电机气隙扭矩的波动，再通过定子磁通，最终会引起包括定子电流在内的一系列电参数的变化。从振动信号传感器获取振动信号更容易受到机械谐振以及外部噪声的干扰，而且振动信号的测量结果受传感器安放位置的影响较大。当齿轮箱的部件出现局部故障的时候，会产生周期性的脉冲，并通过磁场传递给电流信号，所以在电流信号中会产生明显的周期性冲击，且信号不平稳，故可通过衡量其复杂程度以及有效时域、频域特征指标的突变程度进行故障诊断。

现有的技术大多利用风电机组齿轮箱的振动信号进行故障诊断，但通过振动信号传感器获取到的振动信号更容易受到机械谐振以及外部噪声的干扰，而且振动信号的测量结果受传感器安放位置的影响较大，许多传统的方法难以满足高可靠性及高准确性的要求，存在可靠性低、准确性低且需要增加硬件结构的缺陷。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中可靠性低、准确性低且需要增加硬件结构的缺陷，从而提供一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法。

根据第一方面，本发明公开了一种训练齿轮箱故障诊断模型方法，包括：获取齿轮箱所在机电系统中的电机电流信号；根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值；根据随机森林算法对所述特征值进行筛选，生成样本数据集；根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型。

可选地，所述根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值，包括：根据所述电流信号计算表征电流信号复杂程度的模糊熵特征值；获取的电流信号为电流时域信号，基于傅里叶算法，将所述电流信号转化为电流频域信号；根据所述电流时域信号和电流频域信号分别计算表征突变程度的时域特征值和频域特征值。

可选地，所述根据随机森林算法对所述特征值进行筛选，生成样本数据集，包括：将包括所述时域特征值和频域特征值的样本数据进行抽样，根据抽样结果生成随机森林训练数据集和随机森林袋外数据集；根据所述随机森林训练数据集和所述随机森林袋外数据集，利用所述随机森林算法，计算任一特征值与故障的关联度；根据所述关联度对所述特征值进行筛选，生成有效特征数据集；根据所述有效特征数据集和所述模糊熵，生成样本数据集。