[发明专利]基于迁移学习的风力发电机轴承故障诊断模型构建方法

权利要求书

1.基于迁移学习的风力发电机轴承故障诊断模型构建方法，其特征在于：包括以下步骤：

(1)获取训练原始数据集；

(2)选取AlexNet网络、InceptionV3网络和VGG-16网络作为预训练模型；

(3)应用模型迁移方法对预训练模型进行训练，得到AlexNet迁移模型、InceptionV3迁移模型和VGG-16迁移模型，分别记为模型1、模型2、模型3；

(4)对模型进行加权集成确定最终集成算法模型，针对模型1、模型2、模型3对不同故障的识别准确率与整体识别准确率，权重分配公式如下：其中Z_ij表示第i个模型对第j类故障的识别权重，A_ij表示第i个模型对第j类故障的识别准确率，A_i为第i个模型的整体识别准确率；集成算法模型将模型1、模型2、模型3的对故障定位及分类信息进行加权集成，得到最终的故障诊断结果。

2.根据权利要求1所述的基于迁移学习的风力发电机轴承故障诊断模型构建方法，其特征在于：根据轴承外圈剥离、轴承内圈剥离两种故障情况，将轴承分别安装在风力发电机传动端、非传动端，设计5种运行方案：方案一：传动端轴承状态为正常，非传动端轴承状态为正常；方案二：传动端轴承状态为外圈剥离，非传动端轴承状态为正常；方案三：传动端轴承状态为正常，非传动端轴承状态为外圈剥离；方案四：传动端轴承状态为内圈剥离，非传动端轴承状态为正常；方案五：传动端轴承状态为正常，非传动端轴承状态为内圈剥离；每一种运行方案作为一种故障类型。

3.根据权利要求2所述的基于迁移学习的风力发电机轴承故障诊断模型构建方法，其特征在于：原始数据集的采集过程为：将风力发电机倾斜θ°安装在实验台上带载运行，每一种运行方案在M种转速下采集音频信号数据5分钟，共计5*M组试验数据；

将每种方案的M组音频原始数据均分割成长度为L的时间序列N份，共计5*M*N份，分别对长度为L的时间序列进行傅里叶变换，因此1*L的原始数据序列变成2*L的二维数据序列，对每一份二维数据序列添加标签，最终形成5*M*N组2*L长度带标签的原始数据集。

4.根据权利要求3所述的基于迁移学习的风力发电机轴承故障诊断模型构建方法，其特征在于：将原始数据集按一定比例分成训练集、验证集、测试集，对预训练模型进行训练。

5.根据权利要求4所述的基于迁移学习的风力发电机轴承故障诊断模型构建方法，其特征在于：对AlexNet网络进行训练的过程为：保留其卷积层、池化层的结构和参数，将最后的全连接层和输出层采用新的参数随机初始化，即切掉最后的softmax层，然后接上一个新的参数随机初始化后的softmax层，使用训练集对新构造的网络进行训练，最后使用测试集样本对网络进行测试。