基于深度残差学习的风电齿轮箱故障诊断

作     者：赵明航 

作者单位：重庆大学 

学位级别：博士

导师姓名：汤宝平

授予年度：2018年

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主      题：风电齿轮箱 故障诊断 深度神经网络 深度残差学习 小波包变换 

摘      要：风电齿轮箱是风电机组核心组成部分之一,一旦发生故障,因其结构复杂、体积较大,维修困难,导致停机时间较长,造成经济损失,因此风电齿轮箱的早期故障诊断是一个重要的课题。目前多采用包含丰富的风电齿轮箱状态信息的振动信号进行风电齿轮箱故障诊断。由于风电齿轮箱的振动信号传递路径复杂、运行工况持续变化、环境噪声干扰大,其振动信号的频率成分极为复杂、存在大量的冗余信息,不仅会导致传统的基于振动信号处理的诊断方法难以检测出故障频率,而且会造成浅层机器学习方法中常用的统计特征难以准确表征风电齿轮箱的健康状态,最终引起风电齿轮箱故障的误判和漏判。由于深度学习方法,特别是卷积神经网络,能够从高维数据中自动地学习出判别性的特征以替代传统的统计特征,基于深度学习的风电齿轮箱故障诊断方法在近年来开始得到研究。然而,由于深度学习算法的层数普遍较深、参数规模较大,传统的深度学习方法经常会遭遇难以训练的问题。深度残差学习是一种新型的卷积神经网络,又称深度残差网络,它通过引入恒等映射的方式,有效降低了深度神经网络的训练难度。因此,本文将深度残差学习引入风电齿轮箱的故障诊断之中,针对风电齿轮箱所存在的工况交变、强噪声干扰以及多传感器等特点,开展了如下方面的研究:(1)研究了一种基于小波包分解和深度残差学习的风电齿轮箱故障诊断方法。该方法首先对振动信号进行小波包分解,然后借助于深度残差网络优异的参数训练能力,让深度残差网络自动地从小波包分解所获得的小波包系数中学习出判别性的特征集,以替代人工构建的传统特征集,进行风电齿轮系统的故障识别。实验结果验证了“小波包分解→深度残差网络这一思路的有效性,为后续章节提供了研究基础。(2)由于工况交变情况下类别内样本的差异将会增大、类别间样本的差异将会相对减小,提出了一种动态加权小波系数深度残差网络的风电齿轮箱故障诊断方法。该方法以小波包分解所获得的小波系数矩阵作为算法的输入,采用逐个子频带分别加权的方式来增加类别内差异较小的频带的贡献、缩减类别内差异较大的频带的贡献,并且让深度学习算法自动地学习各个子频带所需分配的权重,以增强深度学习算法对于工况交变情况下振动数据的特征学习能力。(3)针对强噪声背景下深度残差学习算法的故障识别效果有所降低的问题,提出了一种可训练小波阈值化深度残差网络的故障诊断方法。该方法以小波系数矩阵作为算法的输入,将一种可微分软阈值化函数作为独立的非线性变换层嵌入每一个残差模块之中,将所涉及的阈值作为可训练的参数随其他权重和偏置一并进行训练,并且将批量标准化置于每一个可微分软阈值化函数之前以加速训练过程,在网络结构的内部实现“信号降噪、特征学习和故障识别的一体化。(4)针对单个传感器所采集的振动信号经常难以全面表征风电齿轮箱整体的健康状态、多个传感器所采集的数据之间难免存在大量冗余的问题,提出了一种多传感器多组小波系数融合深度残差网络的故障诊断方法。该方法以小波系数矩阵作为算法的输入,采用逐元素最大值输出层对来自于不同传感器和不同小波包变换的信息进行特征融合,在深度学习算法的内部实现冗余信息的自适应削减,并且学习到更具判别性的特征集。最后总结了全文的研究工作并展望了下一步的研究方向。