谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法与流程

本发明涉及旋转类机械故障智能诊断领域，尤其涉及一种谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法。

背景技术：

齿轮箱作为风力发电机不可或缺的功能零部件，由于风机恶劣的工作环境，导致齿轮箱易发生故障。齿轮箱故障造成风机的停机时间和维修费用均大于其他零部件的故障。因此，风机齿轮箱的状态监测与故障诊断一直是学术界与工业界的研究热点。成功的诊断出齿轮箱故障，随后采取相应的处理措施能够有效避免灾难性的事故发生，有助于降低设备运行维护成本。

当齿轮箱发生故障时，由于振动信号分析方法的实时，高效，简便，精准等优点，使得其成为最常用的故障诊断方法之一。一般而言，基于振动信号处理方法是对采集到的信号进行信号处理，随后使用频谱或者包络谱提取故障特征。然而，风机齿轮箱振动信号的非平稳特性与及强大的背景噪声都给风机齿轮箱故障诊断带来挑战。

另一方面，现有基于信号处理的风机齿轮箱故障诊断方法还存在两个问题：1，现有诊断方法常用于诊断轴承单一故障或者齿轮单一故障，并没有成熟的诊断复合故障方法。2，现有诊断方法往往是针对某一种故障情况展开的研究，并不具备对齿轮箱所有零部件的普适性：如专门对轴承故障诊断展开的研究并不适合用来齿轮故障诊断；专门对轴承复合故障展开的研究并不适合轴承-齿轮复合故障。

技术实现要素：

机器学习或者说深度学习的方法理论上可以应用在故障识别中。对于深度学习而言，它通过多层的神经网络，逐渐将初始的“低层”特征表示转化为“高层”特征表示，由此深度学习可以理解为“特征学习”。有监督的卷积神经网络是近年来最别关注的深度学习模型之一。卷积神经网络不同于其他深度学习算法的三大突出特点是：局部感受野，权值共享以及池化，不仅降低了网络的复杂度，还能够减少过拟合的风险。

若采用卷积神经网络对风机齿轮故障诊断，强噪声和非平稳信号的故障特征表征是一个重大难题。可行的策略大致可以分为两种，一是直接使用时域信号作为卷积神经网络的输入，即直接用时域信号表征故障特征。这种策略带来的问题是卷积神经网络的层数加深，从而直接提升了网络模型的复杂度，且易导致神经网络过拟合。另一个策略是使用信号图像来用于卷积神经网络的识别，然而时域图，频域图难以做到完整表征信号的特性。

有鉴于此，本发明的目的在于提供一种谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法，以解决风机齿轮箱复合故障诊断难等问题。

为实现上述目的，本发明具体采用以下技术方案：

一种谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法，其特征在于，包括以下步骤：

步骤s1：采集不同类型风机故障对应的故障信号，作为训练样本；

步骤s2：对采集获得的所述故障信号进行去均值化和降噪；

步骤s3：获取经过步骤s2处理的故障信号的谱峭度图，并将所述谱峭度图转化为灰度图；

步骤s4：统一所有所述灰度图的尺寸，将所有所述灰度图随机划分成训练集、测试集；

步骤s5：初始化卷积神经网络的网络参数，设定批量训练数据集大小，及总训练代数z；训练卷积神经网络模型，且在反向传播过程中，采用批量梯度下降法调整所述卷积神经网络的网络参数；

步骤s6：将测试集输入到步骤s5训练完成的卷积神经网络模型，获得诊断结果。

优选地，在步骤s2中，所述降噪的方法采用基于fft的重叠相加法进行滤波降噪，其滤波器系数由线性预测滤波器系数法确定，其线性预测滤波器系数通过最小化最小二乘意义下的预测误差确定。

优选地，在步骤s3中，所述谱峭度图的获得包括以下具体过程：

步骤s31：以不同窗口的长度对经过步骤s2处理的故障信号进行短时傅里叶变换；

步骤s32：计算步骤s31获得的每个滤波信号的复包络信号；

步骤s33：计算每个所述复包络信号的幅值峭度；

步骤s34：在频率/带宽平面内构造峭度图。

优选地，在步骤s5中，初始化所述卷积神经网络的结构为：输入层—第一卷积层—第一池化层—第二卷积层—第二池化层—全连接层；所述卷积层的核大小为5×5；所述第一池化层和第二池化层为最大池化层；所述第二卷积层的核大小为3×3。

优选地，在步骤s5中，采用批量梯度下降法调整所述卷积神经网络的网络参数时，使用阶梯变化学习率，其依据的公式为：

其中，α为学习率；αmax为最大学习率；int(·)代表取整函数；n为阶梯个数，z为训练代数，z为训练总代数。

优选地，所述卷积神经网络的所有神经元的激活函数均采用sigmoid函数，其计算公式为：

其中：x为神经元输入量。

本发明及其优选方案相比于现有技术主要具有以下有益效果：

1、提供的一种谱峭度结合卷积神经网络风机齿轮箱复合故障诊断方法，填补了基于深度学习的风机齿轮箱复合故障诊断相关领域的空白，能够对多个故障以及复合故障进行识别；并且本发明提出的卷积神经网络是基于图像识别构造模型，相对于一维卷积神经网络模型更加简单，易训练。

2、在获取谱峭度图前，对信号去均值化和降噪，消除了噪声的影响，使得整个网络模型更加健壮。

3、较传统的时域图、频域图，谱峭度图能更加反映不同故障的信号特征，便于卷积神经网络模型的构建，识别结果更为精准。

附图说明

下面结合附图和具体实施方式对本发明进一步详细的说明：

图1是本发明实施例整体流程示意图；

图2是本发明实施例规整后的风机齿轮箱不同状态的谱峭度图的灰度图；

图3是本发明实施例最终诊断结果示意图。

具体实施方式

为让本专利的特征和优点能更明显易懂，下文特举实施例，并配合附图，作详细说明如下：

如图1所示，依据本发明的整体设计思路，本实施例整体流程具体包括以下步骤：

步骤s1：搭建风力发电模拟实验台，设置平行轴齿轮箱的九种状态：健康状态、轴承内圈故障、轴承外圈故障、轴承滚动体故障、轴承内圈-外圈故障、齿轮磨损故障、齿轮断齿故障、轴承外圈-磨损故障、轴承外圈-断齿故障。使用加速度传感器采集齿轮箱的振动信号，采样频率fs为12800hz，采样总点数为8192点。每种状态采集信号各32组，共采集288组数据。

以振动信号表征不同类型风机故障对应的故障信号，作为进行深度学习模型构建的训练样本；

步骤s2：对所有获取的振动信号进行取均值化和降噪处理，消除噪声的影响。

其中，去均值化的公式为：

式中：x′为去均值化后的信号，x为采集到的原信号，为采集到原信号的平均值。

降噪的方法为采用基于fft的重叠相加法滤波，这是一种适用于频域滤波技术。该滤波器的系数由由线性预测滤波器系数(linearpredictionfiltercoefficients,lpc)法确定。lpc通过最小化来自最小二乘意义下的预测误差来确定正向线性预测器的系数，作为设计滤波器的系数。

步骤s3：获取消噪后的谱峭度图。谱峭度(spectralkurtosis，sk)的概念最初由dwer提出，其基本思想是通过计算谱线上的峭度值确定信号中的冲击频段。定义经过去均值化和滤波后的非平稳信号x′(t)的系统激励响应为y(t)，表示为：

式中：h(t,f)为信号x′(t)在频率f的时频复包络，dx(f)为谱增量。h(t,f)，通常采用短时傅里叶变换计算：

式中：γ(t)为时间宽度很小的时窗。四阶谱累积量可以构造为：

式中：s2ny(f)为2n阶瞬时矩，s2ny(f)定义为：

s2ny(f)＝e{|h(t,f)dx′(t)|²ⁿ}/df

基于四阶谱峭度的构造，谱峭度可以进一步的定义为：

当短时傅里叶变换的时窗长度nw取不同的长度，其构造的窄带滤波器的中心频率f，和频率的分辨率δf也随之变化。因此谱峭度在(f,δf)平面内的分布便铺砌了条件非平稳信号基于短时傅里叶谱峭度图分布图。在谱峭度图中，色块的深浅程度代表谱峭度的大小。为了进一步的便于卷积神经网络的训练，将所有谱峭度图转化为灰度图。

步骤s4：为了进一步的便于卷积神经网络的训练，将所有样本灰度图调整其形状，调整其大小至56×56。图2为规整后的峭度图的灰度图样例。随机选取所有样本的75％用于训练，剩下的25％用于测试。并将这九种状态的风机齿轮箱数据依次标注为，a-健康状态，b-轴承内圈故障、c-轴承外圈故障、d-轴承滚动体故障、e-轴承内圈-外圈故障、f-齿轮磨损故障、g-齿轮断齿故障、h-轴承外圈-磨损故障、i-轴承外圈-断齿故障。

步骤s5：初始化卷积神经网络结构如表1所示：

在本实施例中，初始化网络参数，设定批训练大小为8，设计总迭代数z为100。随后训练网络模型，具体训练过程为：前向传播获取样本特征，所有神经元的激活函数均采用sigmoid函数，其计算公式为：

判断是否达到最大迭代数，若达到最大迭代数则跳出循环，得到训练好的训练模型。若没有则计算损失函数，且本发明的的损失函数为均方误差损失函数(mse)。在反向传播过程中，使用批量梯度下降法微调网络参数时，使用阶梯变化学习率，其公式为：

式中：α为学习率；αmax为最大学习率，本实施例中取0.01；int(·)代表取整函数；n为阶梯个数，这里取10；z为训练代数，z为训练总代数。

随后再进入循环，进行迭代更新网络参数。

步骤s6：将测试集输入训练好的卷积神经网络模型，并得到诊断结果。图3为本次测试的最终的诊断结果图，测试结果表明仅出现了一个判断失误，即是将轴承内圈-外圈复合故障错诊为轴承外圈故障，诊断准确率达到了98.61％。这说明针对风机齿轮箱复合故障诊断的本发明方案达到了非常高的有效性和可靠性。

本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。