[发明专利]一种基于改进卷积神经网络的风机齿轮箱故障分类方法

权利要求书

1.一种基于改进卷积神经网络的风机齿轮箱故障诊断方法，其特征在于，所述方法包括以下步骤：

步骤1)多尺度振动分解阶段：用小波包自适应地将风电机组齿轮箱振动信号分解和重构为不同尺度的信号分量；

步骤2)多尺度特征学习阶段：搭建卷积神经网络，将步骤1)所获得的数据输入卷积层，进行特征提取，将提取后的特征经过池化层进行降采样操作；

步骤3)分类阶段：将步骤2)所获得的数据铺展成一维的特征向量，作为全连接层的输入；再将输入与输出之间进行全连接，其中隐含层使用的激活函数为ReLU函数，最后输出层采用激活函数是Softmax函数；

步骤4)测试阶段：根据前三步所获得的模型，将需要测试的数据输入模型内，故障诊断结果将自动输出。

2.如权利要求1所述的基于改进卷积神经网络的风机齿轮箱故障诊断方法，其特征在于，所述步骤1)中，将小波包分解WPD层引入卷积神经网络CNN)将振动信号分解并重构为不同尺度的信号分量，三层小波包分解操作的定义如下：

其中，n是离散时间序列，k是时移因子，L是比例因子，是小波包系数，g₀,h₀分别是高通滤波器和低通滤波器，表示要分解的组件(0≤i≤2^l-1)；

在分解操作之后，获得小波包系数，然后执行重构操作以获得分量，重构定义如下：

其中，是信号分量，g₁,h₁分别是高通滤波器和低通滤波器。

3.如权利要求2所述的基于改进卷积神经网络的风机齿轮箱故障诊断方法，其特征在于，所述步骤2)中，卷积层用一个滤波核对输入局部区域进行卷积，然后由激活单元生成输出特征，每个滤波器使用相同的核来提取输入局部区域的局部特征，我们使用w^d和b^d分别表示d层第i个滤波器核的权重和偏差，并用x^d(j)表示d层的第j个局部区域，卷积过程描述如下：

其中，*表示内核和局部区域的点积，表示第j个神经元在d+1层的第i帧中的输入；

选择校正线性单位ReLU作为激活函数，它充当下采样操作，减少特征的空间大小和网络的参数，采用最大池层：

其中，表示d层第i帧中第t个神经元的值，t∈[(j-1)*m+1,j*m]，m是池区的宽度，表示池操作的d+1层中神经元的对应值。

4.如权利要求3所述的基于改进卷积神经网络的风机齿轮箱故障诊断方法，其特征在于，所述步骤3)中，分类阶段由两个完全连接的层组成，用于分类；在输出层，使用softmax函数对神经元的对数进行变换，以适应不同轴承健康状况的概率分布形式，softmax功能描述如下：

其中z_j表示第j个输出神经元的逻辑，c代表类集合。