[发明专利]基于微分数据增强的信息交互融合齿轮箱故障诊断方法

说明书

本发明公开了基于微分数据增强的信息交互融合齿轮箱故障诊断方法，属于风电齿轮箱故障诊断技术领域，包括：采集风电齿轮箱中传感器的原始数据；对原始数据分别进行一阶微分和二阶微分操作，得到含有原始数据互补信息的一阶微分和二阶微分数据；将一阶微分数据、二阶微分数据和原始数据在卷积网络进行特征提取后并行输入到信息交互融合模块进行特征交互融合；将获得的多个特征向量在通道维度拼接并通过故障分类模块得到最终诊断结果。本发明使用多种模态数据作为原始数据输入，有效地解决了风电齿轮箱数据采集成本高、特征提取困难等问题，提供了一种原始数据信息增强的途径与信息交互融合方法，极大的提高了风电齿轮箱故障检测的准确性和可靠性。

技术领域

本发明涉及风电齿轮箱故障诊断技术领域，尤其是一种基于微分数据增强的信息交互融合齿轮箱故障诊断方法。

背景技术

风电机组作为风力发电的重要发电装备，在许多国家和地区都有着广泛的安装。其中机器的效率是一项非常重要的指标，它在很大程度上取决于机器的状态，这也证明了运行状况监视的重要性。作为风电机组的关键部件，风电齿轮箱轴承始终决定着机器的状态。由于工作环境复杂，风电齿轮箱轴承的故障是不可避免的，甚至演化成严重故障直至失效，如果不能及时处理，将可能引发连锁反应，造成巨大的经济损失。所以进行轴承监控和故障诊断，在轴承磨损之前更换轴承，避免可预见灾难有着重要的意义和社会价值。

传统的机器学习算法广泛应用于故障诊断，如支持向量机、k-最近邻、随机森林以及分类和回归树，但近年来，基于神经网络的机器学习的新分支“深度学习”因其解决计算机视觉中更复杂问题的能力而引起了人们的注意，广泛应用于图片识别和语音识别等。通过类似的过程，其中一些已经应用于机器运行状况监控系统。

现有的风电齿轮箱故障诊断主要是处理振动信号、电流信号和声发射信号，但由于原始数据中信号耦合现象、尤其是电流信号中基频干扰的存在，导致数据中存在不利于学习的噪声，信噪比增加使得状态特征提取困难，故障诊断的效率和准确率变低。

发明内容

本发明需要解决的技术问题是提供一种基于微分数据增强的信息交互融合齿轮箱故障诊断方法，能够处理振动、电流、声发射等不同的模态信息，对微分处理的数据和原始数据进行特征提取和信息交互融合，充分利用原始数据中存在的状态信息，有效的提高了风电齿轮箱的故障识别准确率。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于微分数据增强的信息交互融合齿轮箱故障诊断方法，包括如下步骤：

S1：获取风电齿轮箱中传感器的原始数据；

S2：对采集的原始数据分别进行一阶微分和二阶微分操作，得到含有原始数据互补信息的一阶微分数据和二阶微分数据；

S3：将一阶微分数据、二阶微分数据和原始数据在卷积网络进行特征提取后并行输入到信息交互融合模块进行特征交互融合，输出多个交互融合特征向量；

S4：将多个特征融合特征向量在通道维度拼接并输入到故障分类模块得到最终故障诊断结果。

本发明技术方案的进一步改进在于：S1包括如下具体步骤：

S11：将所获得的风电齿轮箱原始数据根据故障类型的数目进行打标；

S12：采用z-score方法对所获得的原始数据进行标准化处理；

S13：将标准化的原始数据利用滑动窗口切分成长度相等的片段，得到可供网络训练使用的数据集。

本发明技术方案的进一步改进在于：S2包括如下具体步骤：

将S13中切分的原始数据分别进行一阶微分操作和二阶微分操作，得到含有原始数据互补信息的一阶微分数据和二阶微分数据；

数字微分公式如下：