CN114118172A - 离散零极点滤波器风电齿轮箱轮齿故障振动识别方法 - Google Patents

Abstract

本发明公开了一种离散零极点滤波器风电齿轮箱轮齿故障振动识别方法。以抑制高频分量干扰和噪声为设计要求，离散零极点滤波器采用离散有维线性时不变***的卷积函数作为***模态的逼近指标，对采样频谱进行周期拓延，通过有限精度算法实现对故障信号中的周期性脉冲信号、随机脉冲信号、离散谐波信号和高斯白噪声的***模态虚轴映射，把卷积幅度平方函数作为激励源，以深度神经网络为载体，对故障振动分量离散求和并连续***性积分，将动态传输路径效应映射为卷积函数，通过牛顿最优化方法得到最优滤波信号，最终神经网络对循环频率与滤波信号长度作分类判别完成识别分类任务。本方法适用于风电齿轮箱轮齿故障振动信号的识别与分类。

Description

离散零极点滤波器风电齿轮箱轮齿故障振动识别方法

技术领域

本发明属于轮齿故障振动识别诊断领域，提出一种离散零极点滤波器风电齿轮箱轮齿故障振动识别方法。

背景技术

齿轮箱是风电机组传动***中的重要部件，其故障发生率较高且难以直接识别故障情况，且风电机组齿轮箱轮齿振动信号具有非平稳性等特点，故障样本难以直接获取、样本环境噪声大等问题增加了故振动识别的难度。齿轮箱作为最重要的传动***，其工作状态对风电机组正常运行非常关键，因此对风电机组齿轮箱故障进行准确的识别具有很重要的现实意义。

传统故障振动识别方法通常对故障信号分解和处理，提取故障特征进行模式识别，通常使用FIR滤波器、数字滤波器、无源滤波器和有源滤波器等对故障信号进行过滤，但是常规滤波器受参数影响大，在处理高频信号时容易出现过分运算情况，***阻抗值和主要次数谐振频率往往随着工况发生变化，谐波滤除的频带也较窄，运行稳定性较差。在处理故障信号的方法中，通常采用时频分析方法，本质上是反映不同时间和频率的能量强度二维图谱，输出以时频图的形式展现，故障振动特征向量以时频图为基础人为构造，网络特征学习表达能力有限，在对分解特征进行评估处理的过程中过度依赖经验，且普适性较差，缺少对高低频率同时适应的能力。

综上所述，离散零极点滤波器选频分析与对故障振动信号的卷积分解是风电齿轮箱轮齿故障振动识别的有效方法。因此，本申请提出一种离散零极点滤波器选频分析的风电齿轮箱轮齿故障振动识别方法，针对风电齿轮箱轮齿振动信号的***模态特性，采用离散有维线性时不变***的卷积函数作为***模态的逼近指标，构造离散零极点滤波器，针对模态所对应的幅值响应频谱进行周期拓延，故障振动信号的分量及噪声通过离散零极点滤波器的频率响应对***模态的虚轴映射，对其离散求和后进行连续***性积分，借助具有特征学习能力的深度学习网络模型，能够有效针对采集的轮齿故障振动信号在无论是否有噪声干扰下通过对盲解卷积相关加权矩阵牛顿最优化求解，利用深度神经网络解卷积神经元与池化神经元仅映射插值神经元的反向操作得到故障振动卷积矩阵的特征向量，并通过判别神经网络提取故障特征完成分类，通过离散零极点滤波器的选频分析处理，以及深度神经网络的多重神经结构与更强的特征学习能力，在解决了轮齿故障振动信号不方便处理的同时，完成了对故障振动信号的识别和分类，具有较强的非线性映射能力和泛化能力，能够适应各种工况；具有自学习能力，能够满足处理大量数据的需求，且能根据采集的数据进行更新；还能在保证准确性的基础上，节省故障识别分类的时间，提高了轮齿故障振动识别的准确性与鲁棒性。

发明内容

本发明提出一种离散零极点滤波器选频分析的风电齿轮箱轮齿故障振动识别方法，包括振动信号采集、信号处理和采集分析、信号特征提取、故障振动信号识别与分类四个模块。通过振动传感器采集风电齿轮箱轮齿故障振动信号，针对风电齿轮箱轮齿振动信号的***模态特性，以抑制高频分量干扰和噪声为设计要求，采用离散有维线性时不变***的卷积函数作为***模态的逼近指标构建离散零极点滤波器，然后基于振动分量，利用有限精度算法实现***函数，针对模态所对应的幅值响应频谱进行周期拓延，对采集的故障振动信号作为离散振动分量，首先通过离散零极点滤波器对***模态的虚轴映射，对故障信号分量离散求和，并对故障振动分量的闭合面连续***积分得到基本割集组，借助深度神经网络，对滤波信号的基本割集组循环矩阵求解脉冲响应，为离散***输入复指数向量，对序列傅立叶变换等距采样,依据特征向量参数选择周期循环，对脉冲响应建立的卷积矩阵s进行盲解卷积矩阵加权运算处理，在盲解卷积过程中以离散熵评估当前参数，初始化最大二阶循环平稳盲解卷积的优化参数范围，利用牛顿最优化方法将矩阵问题转化为求解向量个体最优解，根作为最优化梯度方向使深度神经网络在迭代优化过程中自适应反馈给卷积层进行分析，在上采样中无跨步相同填充，最后依据最优参数是否满足终止标准作为迭代终止条件，输出最优解给判别器。

在判别器中，池化层采用动态池化方式动态池化每个故障数据包含的二维特征，既包含特征向量也包含位置信息，首先在卷积层引出神经元构造差分输入并初始化权重系数，其次在训练过程中根据故障振动卷基向量建立损失函数曲线，然后根据判别器梯度上升迭代最优权重系数，在双向反馈中优化判别器梯度增加判别分类与识别能力，最大池化随机样本数据有效堆栈将高维标签映射到低维。判别器神经网络在交叉熵基础上对振动特征向量参数提供梯度惩罚，由全连接层决策边界表征识别分类任务在网络元细胞建立分类识别任务，在无监督学习模式下依据故障振动特征向量进行自适应分类，判别器梯度以故障振动特征向量与盲解卷积相关加权矩阵的关联性线性拟合为依据加强对生成数据的分类识别任务。

离散零极点滤波器选频分析的风电齿轮箱轮齿故障振动识别方法的具体步骤如下：

（1）在风电齿轮箱壳体不同方向上合理布置传感器如图1，齿轮箱在工作时故障轮齿振动信号通过传感器收集到采集箱中，由数模转换在机端以故障数据和振动信号幅值展现。

（2）离散零极点滤波器对模态所对应的幅值响应频谱进行周期拓延，对采集的故障振动信号作为离散振动分量，首先通过离散零极点滤波器对***模态的虚轴映射，对故障信号分量离散求和，并对故障振动分量的闭合面连续***积分得到基本割集组。

（3）反卷积网络对滤波信号的基本割集组循环矩阵求解脉冲响应，为离散***输入复指数向量，对序列傅立叶变换等距采样,依据特征向量参数选择周期循环，对脉冲响应建立的卷积矩阵s，将卷积矩阵特征信号与滤波信号卷积相加得到振动信号表达式x，池化层1对x进行迭代求解特征值运算得到最优滤波信号。

（3）池化层1利用输入故障振动信号与最优滤波信号计算加权矩阵W，池化层2在W中通过牛顿最优化方法求解最优梯度方向计算出最大特征值对应的滤波信号h并重复计算直到收敛。

（4）判别器卷积神经网络将最优滤波信号h上采样，卷积层在三维平面中将低维流形映射到卷积核为3×3的高纬流形平面中展示二维故障振动信号特征分量，提取样本数据特征并初始化权重系数。

（5）判别器依据梯度上升迭代最优权重系数，在与反卷积网络反馈中优化判别器梯度，在神经元细胞建立以振动信号识别与分类为目标的任务。

（6）在池化层中采用动态池化方式动态池化每个故障数据包含的二维特征，将特征向量与包含位置信息的高维标签映射到低维。

（7）在全连接层1中提取低维卷积流形故障特征，在全连接层2中建立全连接识别任务，对故障振动类别区分性特征与位置特征分类映射，在全连接层3中对不同故障振动类型进行分类，最后通过sigmoid激活层输出识别结果。

本发明所带来的有益技术效果

（1）本发明的一种离散零极点滤波器选频分析的风电齿轮箱轮齿故障振动识别方法，离散零极点滤波器可以较完整的提取轮齿故障振动信号特征，且对模态特征更加逼近，针对特征向量的放大使风电齿轮箱轮齿故障振动的识别精度较高。

（2）本发明的一种离散零极点滤波器选频分析的风电齿轮箱轮齿故障振动识别方法，在反卷积网络卷积层中建立卷积运算任务，针对故障振动信号的特征进行盲解卷积运算，减小了特征学习能力的局限。

（3）在故障振动信号的提取与识别分类过程中深度神经网络以最大化目标函数为目的，可以在梯度下降的过程中动态最大化识别分类任务从而提升准确率。

（4）判别器网络通过在神经元细胞建立的映射，通过对故障振动权相关矩阵的动态池化方式对信号实现分类识别，相比传统方法有更强的分类识别能力与可解释性。

附图说明

图1为本发明的风电齿轮箱与传感器连接示意图。

图2为本发明的风电齿轮箱轮齿故障振动识别方法流程图。

图3为本发明中神经网络结构示意图。

图4为本发明中神经网络结构明细表。

图5为本发明中卷积运算示意图。

具体实施方式

1.信号采集：利用传感器对故障振动信号进行采集。本发明所用到的传感器为DH-186压电式振动加速度传感器，传感器通道1为12点钟方向，通道2为9点钟方向，以便更好地采集故障振动信号的振动特性。

2.以抑制高频分量干扰和噪声为指标，采用因果稳定的离散线性时不变***的***特征函数

作为性能指标，通过离散傅里叶变换，为离散线性时不变***输入复指数向量w ^k，对其时域表现序列傅立叶变换的等距采样，求解响应特征值H[k]，以此为幅度平方函数进行逼近，以深度神经网络为载体构造出离散零极点滤波器。

3.网络结构如图2所示，包含反卷积网络与卷积神经网络两个深度神经网络，首先在反卷积网络卷积层1中将测得的振动信号表示为：

，对原始振动信号进行去卷积：

，s为估计的源信号，s ₀为源信号，g为脉冲响应函数，h为要求解的反滤波器，以二阶循环平稳性作为反卷积准则，以二阶循环平稳性最大化为目标，在卷积层2中利用最佳参数的盲解卷积对故障振动信号进行降噪，通过池化层1最大池化特征值得到最优滤波信号。

4.将循环频率视为与信号能量波动有关的频率，在池化层2中根据所求得的最优滤波信号长度与已知的样本长度构造二阶循环平稳性：

5.依据二阶循环平稳性指标与样本长度N和最优滤波信号长度L计算ICS ₂矩阵：

E为振动信号矩阵，|s|²为信号包含的周期分量，H为海森矩阵形式。

6.根据ICS ₂矩阵与循环频率k将ICS ₂矩阵改写成

W即为相关加权矩阵，R _WXW 、R _XX 分别为加权矩阵和相关矩阵。

7.在全连接层1中对矩阵ICS ₂ 根据牛顿最优化方法求解广义瑞利商最大特征值λ对应的特征向量h。

8.在全连接层2中对4中的特征向量h与输入信号X重新计算相关加权矩阵直到收敛，得到最优滤波信号。

9.在激活层中对收敛后计算得到的最优滤波信号映射到卷积神经网络输入层。

10.卷积层1将最优滤波信号h以无跨步相同填充进行上采样，在三维平面中将低维流形映射到卷积核为3×3的高纬流形平面中展示二维故障振动信号特征分量。

11.卷积层2与卷积层1加权连接权重值，卷积层2提取样本数据特征并初始化权重系数，通过ReLU激活函数完成层与层之间的权值输出。

12.判别器依据梯度上升迭代最优权重系数，以目标函数为决策边界在与反卷积网络反馈中优化判别器梯度。判别器卷积网络目标函数为：

式中P _h为输入特征向量h的预测分布，y _h为真实分布，N为样本长度，L代表最优滤波信号长度。判别网络在交叉熵与相对熵的基础上建立梯度惩罚，在卷积网络元细胞建立分类任务，判别器梯度依据加权系数线性拟合，以最大化目标对数期望E为目标值加强对生成数据的分类任务。

13.在判别器网络池化层1中采用动态池化方式动态池化每个故障数据包含的二维特征得到包含输入值向量与所需输出值向量的分类集并改变连接权重，池化层2将特征向量与包含位置信息的高维标签映射到低维。

14.全连接层1提取低维流形振动信号故障特征展示为空间信息，激活数据体的第三个维度，将故障特征向量在深度方向排列，如图5所示。

15.在全连接层2中依据相关加权矩阵的故障信号特征向量建立全连接识别任务并对分类评分，对故障振动类别区分性特征与位置特征分类映射，执行分类变换操作。

16.在全连接层3中对不同故障振动类型进行分类，同时对全连接层2与全连接层1进行权重偏置反馈权值更新量。

17.sigmoid激活层对全连接层3分类结果的解卷积特征向量零填充特征复原并隐式正则化，最后通过输出层输出识别与分类结果。

Claims (5)

1.一种离散零极点滤波器选频分析的风电齿轮箱轮齿故障振动识别方法，采用离散有维线性时不变***的卷积函数作为***模态的逼近指标，构造离散零极点滤波器，针对模态所对应的幅值响应频谱进行周期拓延，对故障振动信号的分量及噪声通过离散零极点滤波器对***模态的虚轴映射，对其离散求和并连续***性积分，对积分求得的独立割集建立卷积矩阵s，以二阶循环平稳性作为反卷积准则，通过故障振动的周期以及循环频率在神经网络反卷积中得到二阶循环平稳矩阵表达式，对矩阵求解广义瑞利商，得到最大特征值对应的特征向量，通过对不同长度故障矩阵的特征向量卷积滤波，随着计算步幅的增加，故障频率及倍频已十分明显，最后通过全连接层建立三层分类任务，即得到完整故障振动特征，输出识别分类结果。

2.如权利要求1所述的风电齿轮箱故障振动识别方法，其特征在于基于振动分量构造因果稳定的线性时不变***，利用有限精度算法实现***函数，借助神经网络完成离散零极点滤波器的搭建，通过离散零极点滤波器将故障振动信号分为四种分量进行原频谱的周期拓延，以离散求和对故障振动分量的闭合面连续***积分得到基本割集组，对割集组建立的卷积矩阵s通过卷积运算得到相关加权矩阵，用牛顿最优化方法求解矩阵广义瑞利商，将结果中的最大特征向量作为类稀疏特征表征反卷积层上采样，通过深度神经网络的动态池化构造差分输入，在反卷积运算中对故障振动信号重构以及权重参数优化，输出层前采用傅里叶分析法将原始振动函数的巴拿赫代数正则化为逼近于降噪后的故障振动光滑函数。

3.如权利要求1所述的风电齿轮箱故障振动识别方法，其特征在于解卷积神经元与池化神经元映射插值神经元的反向操作，高斯反卷积网络具备当前值与存储值的权重机制，神经元回路对卷积矩阵交换非线性信息。

4.如权利要求1所述的风电齿轮箱故障振动识别方法，其特征在于用最大二阶循环平稳盲解卷积的算法对原始故障振动信号分解，通过判别器网络对分解信号动态提取并分类，过滤假信号分量，得到故障信号并识别。

5.如权利要求1所述的风电齿轮箱故障振动识别方法，其特征在于对依据轮齿故障振动指标建立的离散零极点滤波器循环矩阵求解脉冲响应，将卷积幅度平方函数作为激励源，为离散***输入复指数向量，对序列傅立叶变换等距采样,依据特征向量参数选择周期循环。

Images