CN115114965A - 风电机组齿轮箱故障诊断模型、方法、设备及存储介质 - Google Patents

风电机组齿轮箱故障诊断模型、方法、设备及存储介质 Download PDF

Info

Publication number
CN115114965A
CN115114965A CN202211037112.5A CN202211037112A CN115114965A CN 115114965 A CN115114965 A CN 115114965A CN 202211037112 A CN202211037112 A CN 202211037112A CN 115114965 A CN115114965 A CN 115114965A
Authority
CN
China
Prior art keywords
fault
gearbox
characteristic information
wind turbine
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211037112.5A
Other languages
English (en)
Other versions
CN115114965B (zh
Inventor
王罗
王良友
邹祖冰
秦静茹
李俊卿
邓友汉
苏营
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202211037112.5A priority Critical patent/CN115114965B/zh
Publication of CN115114965A publication Critical patent/CN115114965A/zh
Application granted granted Critical
Publication of CN115114965B publication Critical patent/CN115114965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Energy (AREA)
  • Health & Medical Sciences (AREA)
  • Sustainable Development (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种风电机组齿轮箱故障诊断模型、方法、设备及存储介质，该模型包括第一特征提取网络模型，用于提取待检测信号的第一故障特征信息；第二特征提取网络模型，用于提取待检测信号的第二故障特征信息，其中，第二故障特征信息的深度大于第一故障特征信息；加权融合模型，用于将第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息；分类模型，用于根据第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。本发明实施例的风电机组齿轮箱故障诊断模型通过分别提取特征深度不同的第一故障特征信息和第二故障特征信息，然后进行加权融合后再分类识别，相较于单一模型精度有所提升，识别准确率更高。

Description

风电机组齿轮箱故障诊断模型、方法、设备及存储介质
技术领域
本发明涉及故障检测技术领域，尤其涉及风电机组齿轮箱故障诊断模型、方法、设备及存储介质。
背景技术
齿轮传动***是大型双馈风电机组的重要组成部分，是实现能量传递与转换的关键。齿轮箱为风电机组重要的传动设备，因为长期工作在低速、重载、以及恶劣环境等工况下，由于其工况复杂、工作环境恶劣，因此齿轮箱发生故障的概率较高，作为枢纽的齿轮箱一旦损坏，将造成机组停机以及人员安全事故等严重后果，因此对齿轮箱故障的有效辨识具有非常重要的意义。
齿轮箱各个组件结构参数不同，因此各个零部件所引起的振动信号的频率、幅值是不同的。所以当某一部件出现故障时就会出现与其相对应的特定振动信号，通过对振动信号的分析就能得出齿轮箱的故障范围和性质。现有技术中的齿轮箱故障诊断模型大多采用单一网络或优化后的单一网络进行特征提取，但是由于齿轮箱运行工况复杂，且发生的故障常为混合故障，单一网络难以全方面提取故障分类特征，模型的识别准确率低。
发明内容
有鉴于此，本发明实施例提供了风电机组齿轮箱故障诊断模型、方法、设备及存储介质，解决齿轮箱故障诊断识别准确率低的问题。
本发明提出的技术方案如下：
本发明实施例第一方面提供一种风电机组齿轮箱故障诊断模型，包括：第一特征提取网络模型，用于提取待检测信号的第一故障特征信息；第二特征提取网络模型，用于提取待检测信号的第二故障特征信息，其中，所述第二故障特征信息的深度大于所述第一故障特征信息；加权融合模型，用于将所述第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息；分类模型，用于根据所述第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。
可选地，所述第一特征提取网络模型为改进的Resnet50网络模型，所述第一特征提取网络模型包括第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块，所述第一卷积块包括第一卷积核、批量标准化函数、激活函数和最大池化层；所述第二卷积块包括多个第一主干网络，以及多个分别和所述第一主干网络对应融合的恒等映射单元；所述第三卷积块包括第二主干网络；所述第四卷积块包括多个第三主干网络，以及多个分别和所述第三主干网络对应融合的恒等映射单元；所述第五卷积块包括多个第四主干网络，以及多个分别和所述第四主干网络对应融合的恒等映射单元。
可选地，所述第二特征提取网络模型为改进的Resnet50网络模型，所述第二特征提取网络模型包括第六卷积块、第七卷积块、第八卷积块、第九卷积块和第十卷积块，所述第六卷积块包括多个第二卷积核、批量标准化函数、激活函数和最大池化层，所述第二卷积核小于第一卷积核；所述第七卷积块包括多个第五主干网络，以及多个分别和所述第五主干网络对应融合的恒等映射单元；所述第八卷积块包括多个第六主干网络，以及多个分别和所述第六主干网络对应融合的恒等映射单元；所述第九卷积块包括多个第七主干网络，以及多个分别和所述第七主干网络对应融合的恒等映射单元；所述第十卷积块包括多个第八主干网络，以及多个分别和所述第八主干网络对应融合的恒等映射单元。
可选地，所述加权融合模型具体用于为全部所述第一故障特征信息和第二故障特征信息分配权重，将所述第一故障特征信息和第二故障特征信息分别乘以对应的权重并进行累加，获得第三故障特征信息。
本发明实施例第二方面提供一种风电机组齿轮箱故障诊断方法，包括：接收齿轮箱的待检测信号；将所述检测信号输入至如本发明实施例第一方面所述的风电机组齿轮箱故障诊断模型，得到故障诊断结果。
可选地，所述接收齿轮箱的待检测信号，包括：接收齿轮箱的一维振动信号；将所述一维振动信号转换成二维图像，所述待检测信号为所述二维图像。
可选地，将所述一维振动信号转换成二维图像，包括：采用对称点阵图像分析方法将所述一维振动信号进行归一化得到极坐标形式的二维图像。
本发明实施例第三方面提供一种风电机组齿轮箱故障诊断装置，包括：信号接收模块，用于接收齿轮箱的待检测信号；诊断模块，用于将所述检测信号输入至如本发明实施例第一方面所述的风电机组齿轮箱故障诊断模型，得到故障诊断结果。
本发明实施例第四方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第二方面所述的风电机组齿轮箱故障诊断方法。
本发明实施例第五方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第二方面所述的风电机组齿轮箱故障诊断方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例提供的风电机组齿轮箱故障诊断模型、方法、设备及存储介质，通过第一特征提取网络模型和第二特征提取网络模型分别提取第一故障特征信息和第二故障特征信息，所述第二故障特征信息的深度大于所述第一故障特征信息，再通过加权融合模型将所述第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息，最后分类模型根据所述第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。本发明实施例的风电机组齿轮箱故障诊断模型通过分别提取特征深度不同的第一故障特征信息和第二故障特征信息，然后进行加权融合后再分类识别，相较于单一模型精度有所提升，识别准确率更高。
附图说明
为了更清楚地表达说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中风电机组齿轮箱故障诊断模型的结构示意图；
图2为本发明实施例中Resnet50网络模型的卷积层结构图；
图3为本发明实施例中Resnet50网络模型的原理框图；
图4为本发明实施例中Resnet50网络模型的结构示意图；
图5为本发明实施例中BANK1和BANK2的结构示意图；
图6为本发明实施例中第一特征提取网络模型的结构示意图；
图7为本发明实施例中BANK3和BANK4的结构示意图；
图8为本发明实施例中第二特征提取网络模型的结构示意图；
图9为本发明实施例中Resnet50网络模型的低层提取特征信息的效果图；
图10为本发明实施例中Resnet50网络模型的高层提取特征信息的效果图；
图11为本发明实施例中风电机组齿轮箱故障诊断方法的流程图；
图12为本发明实施例中将一维振动信号转换成二维图像的示意图；
图13为本发明实施例中不同的
Figure DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE004
取值下二维图像的效果图；
图14为本发明实施例中另一不同的
Figure 984387DEST_PATH_IMAGE002
和
Figure 308052DEST_PATH_IMAGE004
取值下二维图像的效果图；
图15为本发明实施例中另一不同的
Figure 353368DEST_PATH_IMAGE002
和
Figure 420681DEST_PATH_IMAGE004
取值下二维图像的效果图；
图16为本发明实施例中另一不同的
Figure 500633DEST_PATH_IMAGE002
和
Figure 743002DEST_PATH_IMAGE004
取值下二维图像的效果图；
图17为本发明实施例中另一不同的
Figure 213297DEST_PATH_IMAGE002
和
Figure 130307DEST_PATH_IMAGE004
取值下二维图像的效果图；
图18为本发明实施例中另一不同的
Figure 736869DEST_PATH_IMAGE002
和
Figure 918450DEST_PATH_IMAGE004
取值下二维图像的效果图；
图19为本发明实施例中另一不同的
Figure 79304DEST_PATH_IMAGE002
和
Figure 613053DEST_PATH_IMAGE004
取值下二维图像的效果图；
图20为本发明实施例中另一不同的
Figure 542963DEST_PATH_IMAGE002
和
Figure 644911DEST_PATH_IMAGE004
取值下二维图像的效果图；
图21为本发明实施例中另一不同的
Figure 152116DEST_PATH_IMAGE002
和
Figure 958398DEST_PATH_IMAGE004
取值下二维图像的效果图；
图22为本发明实施例中点蚀磨损混合故障对应的二维图像的效果图；
图23为本发明实施例中点蚀故障对应的二维图像的效果图；
图24为本发明实施例中断齿磨损混合故障对应的二维图像的效果图；
图25为本发明实施例中断齿故障对应的二维图像的效果图；
图26为本发明实施例中磨损故障对应的二维图像的效果图；
图27为本发明实施例中正常状态对应的二维图像的效果图；
图28为本发明实施例中分类训练准确度曲线展示图；
图29为本发明实施例中训练结束后的模型准确度展示图；
图30为本发明实施例中风电机组齿轮箱故障诊断装置的结构框图；
图31为本发明实施例中电子设备的结构示意图；
图32为本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种风电机组齿轮箱故障诊断模型，风电机组齿轮箱故障诊断模型包括：
第一特征提取网络模型，用于提取待检测信号的第一故障特征信息。
第二特征提取网络模型，用于提取待检测信号的第二故障特征信息，其中，第二故障特征信息的深度大于第一故障特征信息。
其中，待检测信号通过在齿轮箱内设置的传感器监测获得，具体地，待检测信号为齿轮箱内的振动信号转换而成的二维图像。齿轮箱各个组件结构参数不同，因此各个零部件所引起的振动信号的频率、幅值是不同的。所以当某一部件出现故障时就会出现与其相对应的特定振动信号，通过对振动信号的分析就能得出齿轮箱的故障范围和性质。例如，当齿轮箱发生点蚀、磨损、断齿等故障时，对应有特定的振动信号，因此，本发明实施例通过对振动信号进行分析进而判断齿轮箱故障类型。第一特征提取网络模型和第二特征提取网络模型均用于待检测信号的特征提取，且第一特征提取网络模型和第二特征提取网络模型提取的特征的侧重点不同，第二特征提取网络模型提取的第二故障特征信息的深度大于第一特征提取网络模型提取的第一故障特征信息的深度，即第一特征提取网络模型用来重点提取图像底层特征，第二特征提取网络模型用来重点提取图像中更具表达力的深层特征。
加权融合模型，用于将第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息。具体地，为全部第一故障特征信息和第二故障特征信息分配权重，将第一故障特征信息和第二故障特征信息分别乘以对应的权重并进行累加，获得第三故障特征信息。示例性地，将第一特征提取网络模型和第二特征提取网络模型最深层的输出特征进行汇总，然后按不同算法赋予不同的权重，将第一特征提取网络模型和第二特征提取网络模型识别的第一故障特征信息和第二故障特征信息进行特征融合，融合的公式为：
Figure DEST_PATH_IMAGE006
式中Result为融合后的结果，
Figure DEST_PATH_IMAGE008
为模型总数，
Figure DEST_PATH_IMAGE010
为进行融合的特征总数，
Figure DEST_PATH_IMAGE012
为模型
Figure DEST_PATH_IMAGE014
中第
Figure DEST_PATH_IMAGE016
个特征所占的权重值，
Figure DEST_PATH_IMAGE018
为模型
Figure 775438DEST_PATH_IMAGE014
中第
Figure 48287DEST_PATH_IMAGE016
个特征值。
分类模型，用于根据第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。具体地，分类模型采用Softmax分类器，第三故障特征信息输入到Softmax分类器后，Softmax分类器根据接收到的第三故障特征信息，通过计算第三故障特征信息和点蚀、磨损、断齿等故障特征的相似度，将检测的齿轮箱故障类型归为相似度最高的一类故障，从而对齿轮箱故障进行分类。
本发明实施例提供的风电机组齿轮箱故障诊断模型通过第一特征提取网络模型和第二特征提取网络模型分别提取第一故障特征信息和第二故障特征信息，第二故障特征信息的深度大于第一故障特征信息，再通过加权融合模型将第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息，最后分类模型根据第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。本发明实施例的风电机组齿轮箱故障诊断模型通过分别提取特征深度不同的第一故障特征信息和第二故障特征信息，然后进行加权融合后再分类识别，相较于单一模型精度有所提升，识别准确率更高，同时，第一特征提取网络模型和第二特征提取网络模型的双通道特征融合结构，相比于单一网络泛化能力和鲁棒性更优秀。
在一实施例中，第一特征提取网络模型为改进的Resnet50网络模型，第一特征提取网络模型包括第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块，第一卷积块包括第一卷积核、批量标准化函数、激活函数和最大池化层；第二卷积块包括多个第一主干网络，以及多个分别和第一主干网络对应融合的恒等映射单元；第三卷积块包括第二主干网络；第四卷积块包括多个第三主干网络，以及多个分别和第三主干网络对应融合的恒等映射单元；第五卷积块包括多个第四主干网络，以及多个分别和第四主干网络对应融合的恒等映射单元。
现有的Resnet50网络模型如图2所示，主要包括conv1、conv2_x、conv3_x、conv4_x和conv5_x五个卷积块，average pool表示平均池化层，FLOPs表示每秒浮点运算次数。将Resnet50网络模型的五个卷积块分别对应五个阶段，如图3和图4所示，分别为阶段0、阶段1、阶段2、阶段3和阶段4。具体地，Resnet50网络模型阶段1至阶段4中的卷积块均由2种瓶颈层（Bottleneck）构成，分别记为BANK1和BANK2。如图5所示，BANK1有四个可变的参数C、W、C1和S，输入形状为（C，W，W），输出形状为(C1*4，W/S，W/S)，BANK1的左侧为主干网络，包括三个卷积块以及相关的RELU激活函数和批量归一化的处理（Batch Normalization，BN），右侧为恒等映射（identity mapping）单元，包括一个卷积块和RELU激活函数。令BANK1的主干网络的输出为
Figure DEST_PATH_IMAGE020
，恒等映射单元的输出为
Figure DEST_PATH_IMAGE022
，则BANK1的输出为
Figure DEST_PATH_IMAGE024
；BANK2和BANK1的区别在于右侧的恒等映射单元仅包括RELU激活函数，因此BANK2的输出为
Figure DEST_PATH_IMAGE026
。其中，
Figure DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE030
表示第
Figure DEST_PATH_IMAGE032
层的激活函数，BN表示批量归一化的处理，
Figure DEST_PATH_IMAGE034
，当
Figure DEST_PATH_IMAGE036
时，梯度恒为1，不会有饱和的情况，克服了梯度消失，且加快了收敛速度；当
Figure DEST_PATH_IMAGE038
时，为硬饱和区，输出值为0，提高了网络的稀疏性与泛化性能。
第一特征提取网络模型是由Resnet50网络模型改进而来，本发明实施例中记为D-Resnet，其结构如图6和图7所示。第一特征提取网络模型D-Resnet同样包括阶段0、阶段1、阶段2、阶段3和阶段4，分别对应第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块，其中，阶段0、阶段1、阶段3和阶段4均和Resnet50网络模型相同。具体地，第一特征提取网络模型的阶段0的结构和Resnet50网络模型一样，都是使用大小为7×7×64、步长为2的卷积核对图像进行初步特征提取，并使用批量标准化函数和激活函数RELU对齿轮箱的故障图像进行处理，然后使用步长为2的最大池化层MAXPOOL进行最大池化处理。
阶段1、阶段3和阶段4的卷积块的结构也和Resnet50网络模型一样，阶段1依次包括1个BANK1和两个BANK2，分别使用3组大小为1×1×64、3×3×64、1×1×256，步长为1的第一主干网络提取深层特征并与对应的恒等映射单元传递过来的特征信息进行融合；阶段3依次包括1个BANK1和5个BANK2，使用6组大小为1×1×256、3×3×256、1×1×1024，步长为2的第三主干网络提取特征并与对应的恒等映射单元传递过来的特征信息进行融合；阶段4依次包括1个BANK1和2个BANK2，使用3组大小为1×1×512、3×3×512、1×1×2048，步长为2并与对应的恒等映射单元传递过来的特征信息进行融合。阶段4的输出最后经过平均池化层处理。
特别地，第一特征提取网络模型与Resnet50网络模型的区别在于阶段2的卷积块，只包括4组大小为1×1×128、3×3×128、1×1×512，步长为2的第二主干网络，没有对应的恒等映射单元。第一特征提取网络模型的阶段2的卷积块由BANK3和BANK4构成，依次包括1个BANK3和3个BANK4。BANK3和BANK4的结构如图7所示，BANK3和BANK4分别为BANK1和BANK2通过去掉右边的恒等映射单元得到，BANK3、BANK4与BANK1、BANK2的区别在于没有右侧恒等映射单元，舍弃掉右侧恒等映射单元后的BANK3和BANK4的输出均为
Figure DEST_PATH_IMAGE040
，其中，
Figure DEST_PATH_IMAGE042
为BANK3和BANK4的主干网络的输出。本发明实施例中第一特征提取网络模型可以通过如下公式表示：
Figure DEST_PATH_IMAGE044
上式中，
Figure DEST_PATH_IMAGE046
为齿轮箱故障类型，
Figure DEST_PATH_IMAGE048
为Resnet50的全连接层，
Figure DEST_PATH_IMAGE050
为残差映射函数，即对应上述BANK1和BANK2的主干网络，
Figure DEST_PATH_IMAGE052
为对应的恒等映射。在卷积网络中，提取的信息并非都是有用信息，采取增加分支来降低消极信息的方法会增加网络性能的开销。对于Resnet50网络模型，低层的卷积核提取空间特征较多，分类的特征较少，所以本发明实施例的第一特征提取网络模型通过舍弃阶段2的卷积块中的恒等映射单元来降低空间特征信息和消极信息在网络中的占比，从而减少网络的性能开销，同时，由于舍弃部分恒等映射单元，第一特征提取网络模型提取图像特征的深度比现有的Resnet50要低，侧重于提取图像底层特征。
在一实施例中，第二特征提取网络模型为改进的Resnet50网络模型，第二特征提取网络模型包括第六卷积块、第七卷积块、第八卷积块、第九卷积块和第十卷积块，第六卷积块包括多个第二卷积核、批量标准化函数、激活函数和最大池化层，第二卷积核小于第一卷积核；第七卷积块包括多个第五主干网络，以及多个分别和第五主干网络对应融合的恒等映射单元；第八卷积块包括多个第六主干网络，以及多个分别和第六主干网络对应融合的恒等映射单元；第九卷积块包括多个第七主干网络，以及多个分别和第七主干网络对应融合的恒等映射单元；第十卷积块包括多个第八主干网络，以及多个分别和第八主干网络对应融合的恒等映射单元。
第二特征提取网络模型是由Resnet50网络模型改进而来，本发明实施例中记为E-Resnet，如图8所示，本发明实施例的第二特征提取网络模型同样包括阶段0、阶段1、阶段2、阶段3和阶段4，分别对应第六卷积块、第七卷积块、第八卷积块、第九卷积块和第十卷积块，和Resnet50网络模型的区别在于，在阶段0即第六卷积块中，将7×7大卷积核变为了3个3×3小卷积核，其余阶段1、阶段2、阶段3和阶段4中对应的第六卷积块、第七卷积块、第八卷积块、第九卷积块和第十卷积块的结构和Resnet50网络模型的阶段1、阶段2、阶段3和阶段4中卷积块相同。
对于卷积神经网络，不同层卷积核获取图像特征的强弱不同，低层卷积核更注重提取图像的空间信息，而分类特征提取效果较差；而高层卷积核更注重提取图像分类特征，对空间信息获取较弱。将Resnet50低层、高层提取特征信息可视化如图9和图10所示。Resnet50低层提取的特征信息主要是图像的轮廓，Resnet50高层提取的特征信息更多聚集到了图像的“花瓣”厚度和几何中心。而Resnet50第一层卷积核为7×7，卷积核较大，虽然特征信息获取多，但多为空间信息，且对应的计算量也较大，导致模型的性能差。
本发明实施例通过将Resnet50网络阶段0中的7×7卷积核变为3个3×3的小卷积核来提取齿轮箱故障图像的特征。变换后的第二特征提取网络模型，其参数量为：
Figure DEST_PATH_IMAGE054
，M为输入特征图的尺寸，N为卷积核的数量，而Resnet50中卷积核参数量为
Figure DEST_PATH_IMAGE056
，相对于Resnet50，第二特征提取网络模型的参数量减少，提高了模型性能，加快了分类速度，同时阶段1至阶段4又保持和Resnet50同样的主干网络和恒等映射单元，因此第二特征提取网络模型采用3个3×3的小卷积核替换阶段0中7×7的大卷积核，不仅减少了计算量，还削弱了模型低层卷积核对图像特征的提取，降低了提取特征中空间信息的占比。
本发明实施例的风电机组齿轮箱故障诊断模型通过基于现有的Resnet50改进得到第一特征提取网络模型和第二特征提取网络模型，分别提取第一故障特征信息和第二故障特征信息，然后进行加权融合后再分类识别，而现有技术的齿轮箱故障诊断模型大多采用单一网络或优化后的单一网络进行特征提取，但是由于齿轮箱运行工况复杂，且发生的故障常为混合故障，单一网络难以全方面提取故障分类特征，模型的识别准确率较低，且模型鲁棒性和泛化能力差，本发明实施例的风电机组齿轮箱故障诊断模型通过结合改进后第一特征提取网络模型和第二特征提取网络模型识别故障类型，相较于单一模型精度有所提升，识别准确率更高。
本发明实施例还提供一种风电机组齿轮箱故障诊断方法，如图11所示，该方法包括：接收齿轮箱的待检测信号；将检测信号输入至如本发明实施例上述的风电机组齿轮箱故障诊断模型，得到故障诊断结果。其中，待检测信号通过安装在齿轮箱内的不同传感器接收振动信号得到。示例性地，采用6个传感器监测齿轮箱每种状态下的振动信号，分别为输入轴 X和Y方向位移、风机侧轴承X方向加速度、风机侧轴承Y方向加速度、发电机侧轴承X方向加速度、发电机侧轴承Y方向加速度。待检测信号输入至风电机组齿轮箱故障诊断模型后的具体处理步骤参见上述风电机组齿轮箱故障诊断模型实施例对应部分，在此不做赘述。
本发明实施例提供的风电机组齿轮箱故障诊断方法，首先接收齿轮箱的待检测信号，通过第一特征提取网络模型和第二特征提取网络模型分别基于待检测信号提取第一故障特征信息和第二故障特征信息，再通过加权融合模型将第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息，最后分类模型根据第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。本发明实施例的风电机组齿轮箱故障诊断方法通过分别提取第一故障特征信息和第二故障特征信息，然后进行加权融合后再分类识别，相较于单一模型精度有所提升，识别准确率更高。
在一实施例中，接收齿轮箱的待检测信号，包括：
接收齿轮箱的一维振动信号。具体地，采用6个传感器监测齿轮箱每种状态下的一维振动信号，分别为输入轴X和Y方向位移、风机侧轴承X方向加速度、风机侧轴承Y方向加速度、发电机侧轴承X方向加速度、发电机侧轴承Y方向加速度，从而获得齿轮箱的一维振动信号。齿轮传动***是大型双馈风电机组的重要组成部分，是实现能量传递与转换的关键。齿轮箱为风电机组重要的传动设备，因为长期工作在低速、重载、以及恶劣环境等工况下，齿轮箱故障概率较高，齿轮箱故障可能导致整个风电机组停止运行，这些故障和计划外的停机将会严重影响风电场的经济效益。因此，有效地对齿轮箱故障进行辨识具有重要的现实意义。齿轮箱各个组件结构参数不同，因此各个零部件所引起的振动信号的频率、幅值是不同的。所以当某一部件出现故障时就会出现与其相对应的特定振动信号，通过对振动信号的分析就能得出齿轮箱的故障范围和性质。
将一维振动信号转换成二维图像，待检测信号为二维图像。具体地，采用对称点阵图像分析（Symmetrized Dot Pattern，SDP）方法将一维振动信号进行归一化得到极坐标形式的二维图像。通过将一维振动信号转换成二维图像，从而通过二维图像来展现不同故障信号的振幅和频率的关系，运用这种方法转化的二维图像能够有效地表达齿轮箱故障的特征，能够在不丢失原始信号的前提下可以更直观体现出齿轮箱故障特征。同时，将一维振动信号转化为二维图像（即SDP图像）可以将多组数据表征在同一个图中，并且可以大大降低噪音的影响，提高识别速度和分类准确度。
SDP算法归一化法的映射转换方法主要基于公式（1）-（4）。
Figure DEST_PATH_IMAGE058
(1)
Figure DEST_PATH_IMAGE060
(2)
Figure DEST_PATH_IMAGE062
(3)
Figure DEST_PATH_IMAGE064
(4)
上式中：
Figure DEST_PATH_IMAGE066
为极坐标系下的半径；
Figure DEST_PATH_IMAGE068
为时域序列的第
Figure 283266DEST_PATH_IMAGE068
个采样点序号；采样点
Figure 503026DEST_PATH_IMAGE068
所对应的采集值为
Figure DEST_PATH_IMAGE070
；而
Figure DEST_PATH_IMAGE072
和
Figure DEST_PATH_IMAGE074
分别为信号序列中最大采集值和最小采集值；
Figure DEST_PATH_IMAGE076
为时间间隔参数；
Figure DEST_PATH_IMAGE078
为放大因子
Figure DEST_PATH_IMAGE080
；
Figure DEST_PATH_IMAGE082
代表第
Figure 171643DEST_PATH_IMAGE082
个镜像对称面；
Figure DEST_PATH_IMAGE084
为镜像对称面总数；
Figure DEST_PATH_IMAGE086
为第
Figure 880973DEST_PATH_IMAGE082
个镜像对称平面角度；
Figure DEST_PATH_IMAGE088
为
Figure 238136DEST_PATH_IMAGE086
的逆时针偏转角度；
Figure DEST_PATH_IMAGE090
为
Figure 792745DEST_PATH_IMAGE086
的顺时针偏转角度。
通过公式（1）-（4）的变换，可以将一维振动信号转变为
Figure DEST_PATH_IMAGE092
的极坐标下的点，将一维的时域振动信号转变为图12所示的二维图像。对于SDP算法，参数值
Figure DEST_PATH_IMAGE094
、
Figure DEST_PATH_IMAGE096
和
Figure 852886DEST_PATH_IMAGE086
的选取对于二维图像特征表现十分重要。
Figure 61013DEST_PATH_IMAGE096
会影响二维图像点的集散程度，
Figure 764527DEST_PATH_IMAGE086
的取值一般依据特征向量的维数确定。例如，若采用6个传感器获取振动信号，则选取
Figure DEST_PATH_IMAGE098
，故
Figure DEST_PATH_IMAGE100
，其中
Figure DEST_PATH_IMAGE102
。以齿轮箱正常状态为例，对于
Figure 263773DEST_PATH_IMAGE094
和
Figure 267501DEST_PATH_IMAGE096
的取值不同对二维图像的影响如图13至图21所示。通过验证，当参数
Figure DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE106
时，齿轮箱状态特征表现最为明显，因此确定
Figure DEST_PATH_IMAGE108
，
Figure DEST_PATH_IMAGE110
，
Figure DEST_PATH_IMAGE112
，将一维振动信号转化成类似“花瓣”的二维图像。
具体地，以齿轮箱旋转部件故障中的齿轮故障为例，对具体的二维图像进行说明。
根据齿轮状态的不同，共选取了6个数据集，包括1个正常状态，5个故障状态，其中2种为混合故障状态，分别为点蚀、磨损、断齿、点蚀磨损混合故障、断齿磨损混合故障和正常状态。二维图像能够实现多特征向量的融合，展现每种状态下的不同传感器振动信号的特征。每种状态下的二维图像，通过比较二维图像花瓣的曲率、厚度、几何中心以及二维图像形状等就可以区分不同的故障类型。采用6个传感器监测齿轮箱每种状态下的振动信号，分别为输入轴X和Y方向位移、风机侧轴承X方向加速度、风机侧轴承Y方向加速度、发电机侧轴承X方向加速度、发电机侧轴承Y方向加速度。对获得的一维振动信号进行二维图像转化，即将一维振动信号转换成二维图像，齿轮箱的每种故障状态都会生成对应的二维图像。
齿轮箱不同状态下的二维图像如图22至图27所示。通过分析图22至图27可以发现，齿轮箱不同状态的二维图像之间“花瓣”的曲率、形状、大小都存在着明显的差异。观察以为对称面的“花瓣”，不同状态对应的二维图像之间存在明显的差异，正常状态下，“花瓣”较厚，点蚀状态下，“花瓣”较短，其他几种状态的“花瓣”长度、厚度和曲率之间也存在着较为明显的差异。另外，观察以
Figure DEST_PATH_IMAGE114
为对称面的“花瓣”，可以发现点蚀磨损和点蚀对应的“花瓣”分布较为离散，其他状态下的“花瓣”分布较为集中。通过将一维振动信号转换成二维图像，在不减少原始振动信号的情况下，节省了大量特征提取的时间，且可以实现多种特征向量的同时表达，这对于基于振动信号的故障识别具有重要意义。
将转化生成的二维图像划分为训练集和测试集，训练集占比为80%，测试集占比为20%。每一次输入训练的样本数量均为20，训练1000个轮次（epoch），学习率为0.01，批次（batch）值为80，并采用L2正则化在损失函数上增加惩罚项约束参数大小，防止网络过拟合。将测试集输入到上述训练好的风电机组齿轮箱故障诊断模型（DE-Resnet）进行齿轮箱故障的特征提取，得到故障诊断结果。用准确率表征故障诊断模型的精确度。具体地，根据公式
Figure DEST_PATH_IMAGE116
计算模型的准确率，其中
Figure DEST_PATH_IMAGE118
为识别准确样本数，
Figure DEST_PATH_IMAGE120
为测试的样本总量。为了说明本发明实施例所提风电机组齿轮箱故障诊断模型的优势，还分别将相同的训练集和测试集输入到改进后的单一D-Resnet网络、改进后的单一E-Resnet网络和现有Resnet50网络模型进行训练和测试。对齿轮箱6种不同状态的SDP图像进行分类训练，通过计算得到的分类训练准确率曲线如图28所示，最终训练完成后的模型准确度如图29所示。由图28的精度曲线可知，基于二维图像与上述四种模型的准确率在迭代1000次之后，准确率基本都高于了90%。由图29分析可知，本发明实施例的风电机组齿轮箱故障诊断模型即DE-Resnet的精度最高，达到了97.6%，与改进后的单一D-Resnet网络模型、改进后的单一E-Resnet网络模型和现有的Resnet50网络模型相比，其准确度分别高2.4%、2.5%和5.7%。因此，本发明实施例的风电机组齿轮箱故障诊断模型可以很好地满足齿轮箱故障分类需求，且训练数据只经过二维图像转化，未经过去噪处理，DE-Resnet的准确率仍达到了97.6%。因此，该模型对于环境具有良好适应能力，具有良好的应用前景。
本发明实施例还提供一种风电机组齿轮箱故障诊断装置，如图30所示，该装置包括：
信号接收模块，用于接收齿轮箱的待检测信号。具体内容参见上述方法实施例对应部分，在此不再赘述。
诊断模块，用于将检测信号输入至上述实施例的风电机组齿轮箱故障诊断模型，得到故障诊断结果。具体内容参见上述方法实施例对应部分，在此不再赘述。
本发明实施例提供的风电机组齿轮箱故障诊断装置，首先接收齿轮箱的待检测信号，通过第一特征提取网络模型和第二特征提取网络模型分别基于待检测信号提取第一故障特征信息和第二故障特征信息，再通过加权融合模型将第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息，最后分类模型根据第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。本发明实施例的风电机组齿轮箱故障诊断转置通过分别提取第一故障特征信息和第二故障特征信息，然后进行加权融合后再分类识别，相较于单一模型精度有所提升，识别准确率更高。
本发明实施例还提供了一种电子设备，包括：存储器１２和处理器１１，存储器１２和处理器１１之间互相通信连接，存储器１２存储有计算机指令，处理器１１通过执行计算机指令，从而执行如本发明实施例的风电机组齿轮箱故障诊断方法。如图31所示，包括存储器１２和处理器１１，其中处理器１１和存储器１２可以通过总线或者其他方式连接。处理器１１可以为中央处理器(CentralProcessingUnit，CPU)。处理器１１还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。存储器１２作为一种非暂态计算机存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器１１通过运行存储在存储器１２中的非暂态软件程序、指令以及模块，从而执行处理器１１的各种功能应用以及数据处理，即实现上述方法实施例中的风电机组齿轮箱故障诊断方法。存储器１２可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器１１所创建的数据等。此外，存储器１２可以包括高速随机存取存储器１２，还可以包括非暂态存储器１２，例如至少一个磁盘存储器１２件、闪存器件、或其他非暂态固态存储器１２件。在一些实施例中，存储器１２可选包括相对于处理器１１远程设置的存储器１２，这些远程存储器１２可以通过网络连接至处理器１１。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。一个或者多个模块存储在存储器１２中，当被处理器１１执行时，执行如上述方法实施例中的风电机组齿轮箱故障诊断方法。上述电子设备具体细节可以对应上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，如图32所示，其上存储有计算机程序１３，该指令被处理器执行时实现上述实施例中的风电机组齿轮箱故障诊断方法的步骤。该存储介质上还存储有音视频流数据，特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read－OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器 (FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid－StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序１３可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read－OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid－StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
以上，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种风电机组齿轮箱故障诊断模型，其特征在于，包括：
第一特征提取网络模型，用于提取待检测信号的第一故障特征信息；
第二特征提取网络模型，用于提取待检测信号的第二故障特征信息，其中，所述第二故障特征信息的深度大于所述第一故障特征信息；
加权融合模型，用于将所述第一故障特征信息和第二故障特征信息进行加权融合，获得第三故障特征信息；
分类模型，用于根据所述第三故障特征信息进行齿轮箱故障分类，得到故障诊断结果。
2.根据权利要求1所述的风电机组齿轮箱故障诊断模型，其特征在于，所述第一特征提取网络模型为改进的Resnet50网络模型，所述第一特征提取网络模型包括第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块，所述第一卷积块包括第一卷积核、批量标准化函数、激活函数和最大池化层；所述第二卷积块包括多个第一主干网络，以及多个分别和所述第一主干网络对应融合的恒等映射单元；所述第三卷积块包括第二主干网络；所述第四卷积块包括多个第三主干网络，以及多个分别和所述第三主干网络对应融合的恒等映射单元；所述第五卷积块包括多个第四主干网络，以及多个分别和所述第四主干网络对应融合的恒等映射单元。
3.根据权利要求2所述的风电机组齿轮箱故障诊断模型，其特征在于，所述第二特征提取网络模型为改进的Resnet50网络模型，所述第二特征提取网络模型包括第六卷积块、第七卷积块、第八卷积块、第九卷积块和第十卷积块，所述第六卷积块包括多个第二卷积核、批量标准化函数、激活函数和最大池化层，所述第二卷积核小于第一卷积核；所述第七卷积块包括多个第五主干网络，以及多个分别和所述第五主干网络对应融合的恒等映射单元；所述第八卷积块包括多个第六主干网络，以及多个分别和所述第六主干网络对应融合的恒等映射单元；所述第九卷积块包括多个第七主干网络，以及多个分别和所述第七主干网络对应融合的恒等映射单元；所述第十卷积块包括多个第八主干网络，以及多个分别和所述第八主干网络对应融合的恒等映射单元。
4.根据权利要求1所述的一种风电机组齿轮箱故障诊断模型，其特征在于，所述加权融合模型具体用于为全部所述第一故障特征信息和第二故障特征信息分配权重，将所述第一故障特征信息和第二故障特征信息分别乘以对应的权重并进行累加，获得第三故障特征信息。
5.一种风电机组齿轮箱故障诊断方法，其特征在于，包括：
接收齿轮箱的待检测信号；
将所述检测信号输入至所述权利要求1-4任一项所述的风电机组齿轮箱故障诊断模型，得到故障诊断结果。
6.根据权利要求5所述的风电机组齿轮箱故障诊断方法，其特征在于，所述接收齿轮箱的待检测信号，包括：
接收齿轮箱的一维振动信号；
将所述一维振动信号转换成二维图像，所述待检测信号为所述二维图像。
7.根据权利要求6所述的风电机组齿轮箱故障诊断方法，其特征在于，将所述一维振动信号转换成二维图像，包括：
采用对称点阵图像分析方法将所述一维振动信号进行归一化得到极坐标形式的二维图像。
8.一种风电机组齿轮箱故障诊断装置，其特征在于，包括：
信号接收模块，用于接收齿轮箱的待检测信号；
诊断模块，用于将所述检测信号输入至所述权利要求1-4任一项所述的风电机组齿轮箱故障诊断模型，得到故障诊断结果。
9.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求5-7任一项所述的风电机组齿轮箱故障诊断方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求5-7任一项所述的风电机组齿轮箱故障诊断方法。
CN202211037112.5A 2022-08-29 2022-08-29 风电机组齿轮箱故障诊断方法、装置、设备及存储介质 Active CN115114965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211037112.5A CN115114965B (zh) 2022-08-29 2022-08-29 风电机组齿轮箱故障诊断方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211037112.5A CN115114965B (zh) 2022-08-29 2022-08-29 风电机组齿轮箱故障诊断方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115114965A true CN115114965A (zh) 2022-09-27
CN115114965B CN115114965B (zh) 2023-01-31

Family

ID=83335495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211037112.5A Active CN115114965B (zh) 2022-08-29 2022-08-29 风电机组齿轮箱故障诊断方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115114965B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091445A (zh) * 2023-01-05 2023-05-09 中国长江电力股份有限公司 基于深度学习的升船机齿轮及齿轮表面损伤识别方法
CN116223037A (zh) * 2023-05-09 2023-06-06 山东金帝精密机械科技股份有限公司 一种风电轴承保持器的运行监测方法及设备
TWI845272B (zh) 2023-04-20 2024-06-11 國立勤益科技大學 風力發電機齒輪箱之故障診斷方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091175A (zh) * 2018-10-23 2020-05-01 北京嘀嘀无限科技发展有限公司 神经网络模型训练方法、分类方法、装置和电子设备
US10671878B1 (en) * 2019-01-11 2020-06-02 Capital One Services, Llc Systems and methods for text localization and recognition in an image of a document
CN111753912A (zh) * 2020-06-28 2020-10-09 中国矿业大学 一种基于深度学习的煤泥浮选精煤灰分预测方法
CN113865859A (zh) * 2021-08-25 2021-12-31 西北工业大学 多尺度多源异构信息融合的齿轮箱状态故障诊断方法
CN114004262A (zh) * 2021-11-29 2022-02-01 华东交通大学 一种齿轮箱轴承故障检测方法及***
CN114118251A (zh) * 2021-11-22 2022-03-01 国网辽宁省电力有限公司沈阳供电公司 基于多源数据融合与卷积孪生神经网络的故障诊断与预警方法
CN114818774A (zh) * 2022-03-15 2022-07-29 南京航空航天大学 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091175A (zh) * 2018-10-23 2020-05-01 北京嘀嘀无限科技发展有限公司 神经网络模型训练方法、分类方法、装置和电子设备
US10671878B1 (en) * 2019-01-11 2020-06-02 Capital One Services, Llc Systems and methods for text localization and recognition in an image of a document
CN111753912A (zh) * 2020-06-28 2020-10-09 中国矿业大学 一种基于深度学习的煤泥浮选精煤灰分预测方法
CN113865859A (zh) * 2021-08-25 2021-12-31 西北工业大学 多尺度多源异构信息融合的齿轮箱状态故障诊断方法
CN114118251A (zh) * 2021-11-22 2022-03-01 国网辽宁省电力有限公司沈阳供电公司 基于多源数据融合与卷积孪生神经网络的故障诊断与预警方法
CN114004262A (zh) * 2021-11-29 2022-02-01 华东交通大学 一种齿轮箱轴承故障检测方法及***
CN114818774A (zh) * 2022-03-15 2022-07-29 南京航空航天大学 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091445A (zh) * 2023-01-05 2023-05-09 中国长江电力股份有限公司 基于深度学习的升船机齿轮及齿轮表面损伤识别方法
CN116091445B (zh) * 2023-01-05 2024-01-02 中国长江电力股份有限公司 基于深度学习的升船机齿轮及齿轮表面损伤识别方法
TWI845272B (zh) 2023-04-20 2024-06-11 國立勤益科技大學 風力發電機齒輪箱之故障診斷方法
CN116223037A (zh) * 2023-05-09 2023-06-06 山东金帝精密机械科技股份有限公司 一种风电轴承保持器的运行监测方法及设备
CN116223037B (zh) * 2023-05-09 2023-09-19 山东金帝精密机械科技股份有限公司 一种风电轴承保持器的运行监测方法及设备

Also Published As

Publication number Publication date
CN115114965B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
Hu et al. Data-driven fault diagnosis method based on compressed sensing and improved multiscale network
Xu et al. Online fault diagnosis method based on transfer convolutional neural networks
Meng et al. Data segmentation and augmentation methods based on raw data using deep neural networks approach for rotating machinery fault diagnosis
Fan et al. Vibration signal denoising for structural health monitoring by residual convolutional neural networks
CN115114965B (zh) 风电机组齿轮箱故障诊断方法、装置、设备及存储介质
Sun et al. Convolutional discriminative feature learning for induction motor fault diagnosis
CN113935460B (zh) 类不平衡数据集下的机械故障智能诊断方法
Liu et al. Geological disaster recognition on optical remote sensing images using deep learning
Liu et al. Subspace network with shared representation learning for intelligent fault diagnosis of machine under speed transient conditions with few samples
CN110657984B (zh) 一种基于强化胶囊网络的行星齿轮箱故障诊断方法
Ye et al. AKSNet: A novel convolutional neural network with adaptive kernel width and sparse regularization for machinery fault diagnosis
CN112380767B (zh) 基于改进型生成对抗网络的设备故障诊断方法及***
Gao et al. ASM1D-GAN: An intelligent fault diagnosis method based on assembled 1D convolutional neural network and generative adversarial networks
Li et al. Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data
Liu et al. Intelligent fault diagnosis under small sample size conditions via Bidirectional InfoMax GAN with unsupervised representation learning
Pu et al. A one-class generative adversarial detection framework for multifunctional fault diagnoses
Sun et al. Curvature enhanced bearing fault diagnosis method using 2D vibration signal
Li et al. Fault diagnosis for rolling bearings of a freight train under limited fault data: Few-shot learning method
CN113758709A (zh) 结合边缘计算和深度学习的滚动轴承故障诊断方法及***
Wang et al. Distilling the knowledge of multiscale densely connected deep networks in mechanical intelligent diagnosis
CN116541771A (zh) 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法
Ming et al. rgfc-Forest: An enhanced deep forest method towards small-sample fault diagnosis of electromechanical system
CN113409213B (zh) 柱塞泵故障信号时频图降噪增强方法和***
Tian et al. Fault diagnosis based on LMD-SVD and information-geometric support vector machine for hydraulic pumps
CN115037437A (zh) 使用SpecAugment技术的基于深度学习的侧信道攻击方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant