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与流程

技术特征：
1.一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。2.根据权利要求1所述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，其特征在于：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来自最小二乘意义下的预测误差确定。3.根据权利要求1所述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，其特征在于：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。4.根据权利要求1所述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，其特征在于：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。5.根据权利要求1所述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，其特征在于：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；α
max 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。6.根据权利要求1所述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，其特征在于：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。

技术总结
本发明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，采集不同类型风机故障对应的故障信号；去均值化和降噪；获取处理的故障信号谱峭度图，转化为灰度图；灰度图随机划分成训练集、测试集；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；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。本发明使用谱峭度图作为卷积神经网络的输入识别特征，对于风机的复合故障识别更为精准。对于风机的复合故障识别更为精准。对于风机的复合故障识别更为精准。


技术研发人员：殷桂虎 张俊 张介禄
受保护的技术使用者：江苏泰隆减速机股份有限公司
技术研发日：2022.03.21
技术公布日：2022/7/29