一种风力发电机行星齿轮箱故障诊断系统

本发明涉及齿轮箱故障诊断系统，具体为一种风力发电机行星齿轮箱故障诊断系统。

背景技术：

1、由于气候问题，污染性和不可再生能源的使用占比逐年减少，而可再生的清洁能源收到了越来越多的关注，这深深影响全球能源结构的改变。无污染可再生的清洁能源在能源消费总量中占比有着逐年递增的趋势。我国国土广袤海洋和平原面积非常大，风力发电的研发与应用前景广阔。由于风力发电机的行星齿轮箱在长时间在野外负荷运转，行星齿轮可能会发生轮齿折断、齿面疲劳、齿面胶合、齿面磨损、轴承损坏等一些故障，导致风力发电机不能够正常运行。当齿轮箱存在这些故障时改变其固有震动频率，进而改变齿轮箱发出的声音，因此我们可以通过声音识别出这些变化来。我们可以对采集到的声音信号进行处理，把声音信号中与故障相关的特征信号分离出来，通过分析分离出的故障信号来判断机械系统的故障。

2、目前，对风力发电机行星齿轮箱的声音信号处理主要有两种，一种传统数学处理方法对声音信号进行时域分析结合对声音信号进行傅里叶变换之后进行频域分析。另一种是以深度学习理论为基础的智能诊断方法，主要有深度卷积神经网络等。传统的数学信号处理方法对检修技术人员要求比较高，需要他们有扎实的理论基础和工作经验，并且能够深入理解信号特征。随着深度学习理论的逐渐成熟，基于深度学习理论的机械系统故障诊断的学术研究大量出现，但学术研究中所使用的理想实验数据训练出来的深度学习网络在实际运行时所面临的工况更加复杂，会使训练出来的模型识别准确率显著下降。行星齿轮箱在实际运行过程中可能会有多种故障同时出现，故障的类型识别更加困难，如何有效提高基于深度学习理论的深度神经网络对实际工况下行星齿轮箱故障诊断的识别率，成为了重要内容。

技术实现思路

1、(一)解决的技术问题

2、通过设置的采集模块，在采集学习数据时使行星齿轮箱在各种单一故障及组合故障下状态下进行声音数据采集，避免因为使用理想实验数据训练模型，导致训练的模型在实际情况导致的识别率低的问题，同时对每种状态下收集三种转速下的数据，三种转速应对风力发电机在小、中、大三种风力下行星齿轮轮组的转速，提高训练出的模型在真实环境下的识别率，在故障识别过程中，通过设置预处理模块对采集到的真实声音数据进行预处理，在经过预加重、分帧、加窗、短时傅里叶变换、计算谱线能量、计算通过梅尔滤波器的能量、对梅尔滤波器的能量求对数得到fbank特征参数，最大程度地提取出了声音数据的特征，进一步提高了实际工况下对行星齿轮箱故障的识别率。

3、(二)技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：一种风力发电机行星齿轮箱故障诊断系统，包括：采集模块、预处理模块、深度学习模块、故障识别模；

5、采集模块：用于采集行星齿轮箱在各种状态下的声音数据，并为不同种故障状态下的声音数据打上对应的标签；

6、预处理模块：用于对声音数据进行预处理得到声音数据的特征参数，将特征参数与标签对应后形成学习数据集，将所述学习数据集输出到深度学习模块；

7、深度学习模块：包括神经网络搭建单元和模型训练单元，网络搭建单元用于搭建卷积神经网络，模型训练单元用于使用学习数据集对卷积神经网路进行训练得到训练好的声音识别模型；

8、故障识别模块：用于采集发电机行星齿轮箱实时工作声音，将采集到的声音数据发送到预处理模块进行预处理，将预处理后的数据输入到训练好的声音识别模型中进行识别，并根据识别结果输出对应行星齿轮箱的当前状态。

9、进一步的，所述采集行星齿轮箱在各种状态下的声音数据，并为不同种故障状态下的声音数据打上对应的标签的方法包括如下步骤：

10、s1、布置特定状态下的行星齿轮箱；

11、s2、使行星齿轮轮组在i种转速下运行，且每种转速下的运行时间为t且t≥40；

12、s3、在时间t内采集多段声音数据，每条声音数据的时长为t且1≤t≤t/30；

13、s4、将采集到数据打上与行星齿轮箱状态对应且唯一的标签；

14、s5、重复执行s1至s4获取多个包含标签的声音数据集。

15、进一步的，所述s1步骤中的行星齿轮箱的状态包括正常状态和故障状态，所述故障状态包括轮齿折断、齿面疲劳、齿面胶合、齿面磨损、轴承损坏及以上状态的组合。

16、进一步的，所述特征参数为fbank特征参数，所述对声音数据进行预处理的步骤包括：对声音数据进行预加重、分帧、加窗、短时傅里叶变换、计算谱线能量、计算通过梅尔滤波器的能量、对梅尔滤波器的能量求对数得到fbank特征参数，人耳对声音频谱的响应是非线性的，fbank是一种前端处理算法，以类似于人耳的方式对音频进行处理，可以提高语音识别的性能，fbank特征参数即通过fbank前端处理方法得到语音信号特征，预加重是为了补偿高频分量的损失，让信号高频分量的强度不至于相差太多，短时傅里叶变换，就是假定在短时平稳下，用稳态分析方法处理非平稳信号的一种方法，计算谱线能量即对每一帧快速傅里叶变换后的数据计算谱线能量，把求出的每帧谱线能量通过梅尔滤波器，并计算在该梅尔滤波器中的能量。

17、进一步的，所述分帧步骤采用交叠分段的方法，并设置帧长为m、帧移为n，且帧长m与帧移n之间满足如下关系,式中q的值为2、3或4，所述加窗步骤使用汉明窗；分帧，即把原信号按时间分成若干小段，一段就叫一帧，前一帧与后一帧的重叠部分称为帧移；分帧是用可移动的有限长度窗口进行加权的方法来实现的，就是使用用一定的窗函数得到加窗声音信号，汉明窗时常用常函数的一种。

18、进一步的，所述网络搭建单元搭建的卷积神经网络包含多个卷积层和一个全连接层，每个所述卷积层后加入批量归一化层、relu激活函数层以及最大池化层，最后一个所述池化层后加入dropout层，再加上输出层；relu激活函数，又称修正线性单元，是一种人工神经网络中常用的激活函数，目的是给一个在卷积层中刚经过线性计算操作的系统引入非线性特征，dropout算法为深度学习常用算法，用于抑制过拟合问题。

19、进一步的，所述卷积层采用一维卷积，卷积核的大小为a,a≥3且a为正整数，采用多个不同扩张率的卷积核，分别独立的对输入层进行卷积提取特征，然后再将输出结果串联在一起。

20、进一步的,所述卷积神经网络训练方法为，将学习数据集按照一定比例划分为训练数据集和验证数据集，将训练数据集和验证数据集作为卷积神经网络的输入，使用误差反向传播算法进行多轮遍历，达到设定的识别准确率时结束训练，得到训练好的声音识别模型。

21、进一步的，所述故障识别模块通过音频采集器采集发电机行星齿轮箱实时工作声音，所述音频采集器设置在行星齿轮箱上，所述音频采集器与行星齿轮箱一一对应，所述音频采集器具有唯一的编号，所述采集单元每隔时间t1采集时间长度为t2的声音数据。

22、进一步的，所述行星齿轮箱的状态还包括维护状态，所述维护状态包括齿轮箱缺油、齿轮箱油乳化、齿轮箱油粘度异常。

23、(三)有益效果

24、本发明提供了一种风力发电机行星齿轮箱故障诊断系统。具备以下有益效果：

25、1、通过设置的采集模块，在采集学习数据时使行星齿轮箱在各种单一故障及组合故障下状态下进行声音数据采集，能够极大提提高训练出的模型对实际运行过程中的故障识别率，避免因为使用理想实验数据训练模型，导致训练的模型在实际情况导致的识别率低的问题，同时对每种状态下收集三种转速下的数据，三种转速以应对风力发电机在小、中、大三种风力下行星齿轮轮组的转速，进一步提高训练出的模型在真实环境下的识别率。

26、2、通过设置预处理模块，在经过预加重、分帧、加窗、短时傅里叶变换、计算谱线能量、计算通过梅尔滤波器的能量、对梅尔滤波器的能量求对数得到fbank特征参数，可最大程度地提取声音数据的特征，能在卷积神经网络的学习过程中提高卷积神经网络的训练效果，能在故障识别过程中提高对行星齿轮箱故障诊断的识别准确度。

27、3、通过在采集模块工作过程中，增加行星齿轮箱在维护状态下的声音数据采集，用于对声音识别模型的训练，使得故障识别模块还能识别行星齿轮箱的维护状态，可以提醒工作人员及时对相应的行星齿轮箱进行维护，进而降低行星齿轮箱发生故障的概率。