一种风电机组齿轮箱齿轮故障诊断方法及系统与流程

本技术涉及风电机组，尤其涉及一种风电机组齿轮箱齿轮故障诊断方法及系统。

背景技术：

1、在“双碳”目标的推动下，风电作为清洁可再生能源实现了规模化快速发展，全球风电累计装机容量已突破1tw。风电机组通常部署在偏远陆地、近海等恶劣环境中，长期受变载荷、强风沙、高湿度等因素影响，设备故障频发。其中，齿轮箱作为风电机组传动系统的核心部件，其故障发生率在机组机械部件中位居前列，齿轮与轴承故障占齿轮箱总故障的80%以上。齿轮箱故障不仅会导致机组长时间停机，其运维成本更占机组全生命周期总成本的25%-30%，严重影响风电场的经济效益与运行安全。

2、目前，风电机组齿轮箱齿轮故障诊断主要分为基于信号处理的传统方法、基于浅层机器学习的方法和基于深度学习的方法。传统信号处理方法依赖人工提取故障特征，对技术人员的专业经验要求高，在强噪声、变工况下的微弱故障特征提取能力不足；支持向量机（support vector machine，svm）、极限学习机（extreme learning machine，elm）、k近邻算法（k-nearest neighbors，knn）等浅层机器学习方法虽能实现故障分类，但泛化能力弱，面对复杂故障模式时诊断精度显著下降。

3、深度置信网络（deep belief network，dbn）作为深度学习的经典模型，具备强大的非线性特征学习与自动表征能力，无需复杂的人工特征工程，在旋转机械故障诊断中得到广泛应用。但dbn的诊断性能高度依赖隐含层节点数、训练迭代次数、学习率等关键超参数的设置，现有技术中上述超参数多依靠技术人员的经验人工设置，不仅调试工作量大，且参数设置不合理易导致模型收敛慢、易陷入局部最优、分类精度低等问题。

4、为解决dbn超参数优化问题，现有研究引入粒子群优化（particle swarmoptimization，pso）、灰狼优化（grey wolf optimizer，gwo）等元启发式算法进行自动调参，但此类算法存在收敛速度慢、全局寻优能力不足、易早熟收敛的缺陷。秃鹰搜索算法（bald eagle search，bes）作为新型元启发式算法，具备结构简单、寻优能力强的优势，但其选择区域阶段采用固定值的位置控制参数，无法适配迭代过程中全局搜索与局部开发的动态平衡需求，仍存在寻优精度不足、收敛速度有待提升的问题，直接用于dbn超参数优化时，难以实现风电机组齿轮箱齿轮故障的高精度诊断。

技术实现思路

1、本技术提供一种风电机组齿轮箱齿轮故障诊断方法及系统，以提高故障诊断模型的参数寻优能力和故障识别性能，实现风电机组齿轮箱齿轮故障的自动化诊断与预警。

2、第一方面，本技术提供一种风电机组齿轮箱齿轮故障诊断方法，该方法由计算设备执行。计算设备可以理解为计算机等设备，本技术在此不做限定。该方法包括：

3、通过风电机组缩比及监测系统实验平台采集齿轮箱齿轮的振动信号，对振动信号进行预处理，构建齿轮故障特征样本集，将齿轮故障特征样本集划分为训练集与测试集；在标准秃鹰搜索算法的选择区域阶段引入自适应变化的位置控制参数，替代原固定值参数，构建改进秃鹰搜索算法；构建深度置信网络基础模型；其中，深度置信网络基础模型的构建方法，包括根据齿轮故障特征样本集的齿轮故障特征维度确定深度置信网络基础模型的输入层节点数，根据齿轮故障类别确定深度置信网络基础模型的输出层节点数，并通过预实验确定深度置信网络基础模型的隐含层层数，确定待优化的超参数组合；获得深度置信网络基础模型在训练集上的分类准确率，作为改进秃鹰搜索算法的适应度函数，求解适应度函数最优值获得深度置信网络基础模型的最优超参数组合，完成故障诊断模型的构建、训练与优化；对待诊断齿轮箱齿轮振动信号进行预处理与特征提取并输入训练完成的故障诊断模型，输出齿轮故障分类结果，完成故障诊断。

4、通过上述方式，本技术采集齿轮箱齿轮的振动信号并对其进行预处理，获得齿轮故障特征样本集并将其分为训练集与测试集，为后续的故障诊断提供基础数据；构建改进秃鹰搜索算法，提升全局寻优精度与解的质量，同时加速收敛进程，降低计算资源消耗，实现增强鲁棒性与稳定性，弱化随机性干扰；通过构建深度置信度网络基础模型，可以降低对大规模高质量标注样本的依赖；通过故障诊断模型进行故障分类结果的判断，实现风电机组齿轮箱的在线状态监测与故障预警，有效降低风电机组运维成本，提升机组运行的可靠性与安全性。

5、前述的风电机组齿轮箱齿轮故障诊断方法中，通过风电机组缩比及监测系统实验平台采集齿轮箱齿轮的振动信号，对振动信号进行预处理，包括：通过风电机组缩比及监测系统实验平台采集齿轮箱齿轮的振动信号包括采集齿轮箱齿轮在正常、点蚀磨损、断齿三种状态下不同转速、不同负载的振动信号，对原始振动信号进行预处理。

6、通过上述方式，本技术采集齿轮箱齿轮在正常、点蚀磨损、断齿三种状态下不同转速、不同负载的振动信号作为故障诊断的初始数据信号，保证对齿轮的多种状态下的数据都进行充分采集，实现全方位的故障诊断，提高故障诊断结果的可靠性。

7、前述的风电机组齿轮箱齿轮故障诊断方法中，构建改进秃鹰搜索算法，包括：

8、在标准秃鹰搜索算法的选择区域阶段，秃鹰位置更新公式为：

9、；

10、其中，代表秃鹰当前最优位置；和分别代表第j只秃鹰的当前和前一位置；秃鹰的平均分布位置用表示；控制参数，随机数；引入自适应变化的位置控制参数替代固定参数ε，的表达式为：

11、；

12、其中，为秃鹰位置变化控制参数；t是当前迭代数；t表示最大的迭代次数；改进后选择区域阶段的秃鹰位置更新公式为：

13、；

14、结合标准秃鹰搜索算法的搜索阶段与俯冲捕猎阶段的位置更新规则，完成改进秃鹰搜索算法的构建。

15、通过上述方式，本技术构建改进秃鹰搜索算法，提升全局寻优精度与解的质量，同时加速收敛进程，降低计算资源消耗，实现增强鲁棒性与稳定性，弱化随机性干扰。

16、前述的风电机组齿轮箱齿轮故障诊断方法中，构建深度置信网络基础模型由输入层、两层隐含层、输出层堆叠而成，其中，输入层节点数与单一样本的特征维度一致；输出层节点数与齿轮故障类别数一致；待优化的超参数组合为，其中为第一隐含层节点数，为第二隐含层节点数，为模型训练迭代次数，为学习率。

17、通过上述方式，本技术通过构建深度置信度网络基础模型，可以降低对大规模高质量标注样本的依赖。

18、前述的风电机组齿轮箱齿轮故障诊断方法中，完成故障诊断模型的构建、训练与优化，包括：

19、初始化改进秃鹰搜索算法参数；算法参数包括种群数量、最大迭代次数、自变量上下限、搜索空间维度中的至少一项；其中，搜索空间维度与深度置信网络基础模型待优化超参数数量一致，自变量上下限对应各超参数的取值范围；以深度置信网络基础模型在训练集上的分类准确率为改进秃鹰搜索算法的适应度函数，计算初始种群中每个秃鹰个体对应的适应度值，记录初始最优适应度值与对应秃鹰位置；进入迭代寻优过程，通过改进秃鹰搜索算法的选择区域阶段、搜索阶段、俯冲捕猎阶段依次更新秃鹰种群位置，重新计算每个位置对应的适应度值，若新位置的适应度值优于已保存的最优适应度值，则更新最优适应度值与对应秃鹰位置，否则保持原值；判断是否达到最大迭代次数，若未达到则返回迭代寻优过程进行继续迭代，若达到则终止迭代，输出最优适应度值对应的秃鹰位置为超参数的最优组合；以超参数最优组合完成深度置信网络基础模型的参数配置，通过训练集完成模型无监督预训练与有监督微调，通过测试集完成模型性能验证，最终得到训练完成的故障诊断模型。

20、通过上述方式，本技术通过故障诊断模型进行故障分类结果的判断，实现风电机组齿轮箱的在线状态监测与故障预警，有效降低风电机组运维成本，提升机组运行的可靠性与安全性。

21、前述的风电机组齿轮箱齿轮故障诊断方法中，适应度函数表达式为：

22、；

23、其中，为适应度值，为深度置信网络基础模型在训练集上的分类准确率，的计算公式为：

24、；

25、其中，tp为正样本被正确分类的数量，tn为负样本被正确分类的数量，fp为负样本被误分类为正样本的数量，fn为正样本被误分类为负样本的数量。

26、前述的风电机组齿轮箱齿轮故障诊断方法中，对待诊断齿轮箱齿轮振动信号进行预处理与特征提取并输入训练完成的故障诊断模型，输出齿轮故障分类结果，包括：

27、特征提取包括数据清洗、异常值剔除、归一化处理中的至少一项；齿轮故障分类结果包括齿轮的健康状态、故障类型、故障置信度，同时基于分类结果生成故障预警信息中的至少一项。

28、第二方面，本技术提供一种风电机组齿轮箱齿轮故障诊断系统，用于执行本技术第一方面中的方法的内容，包括：预处理模块、算法改进模块、模型构建模块、训练优化模块和故障诊断模块；

29、其中，预处理模块，用于通过风电机组缩比及监测系统实验平台采集齿轮箱齿轮的振动信号，对振动信号进行预处理，构建齿轮故障特征样本集，将齿轮故障特征样本集划分为训练集与测试集；算法改进模块，用于在标准秃鹰搜索算法的选择区域阶段引入自适应变化的位置控制参数，替代原固定值参数，构建改进秃鹰搜索算法；模型构建模块，用于构建深度置信网络基础模型；其中，深度置信网络基础模型的构建方法，包括根据齿轮故障特征样本集的齿轮故障特征维度确定深度置信网络基础模型的输入层节点数，根据齿轮故障类别确定深度置信网络基础模型的输出层节点数，并通过预实验确定深度置信网络基础模型的隐含层层数，确定待优化的超参数组合；训练优化模块，用于获得深度置信网络基础模型在训练集上的分类准确率，作为改进秃鹰搜索算法的适应度函数，求解适应度函数最优值获得深度置信网络基础模型的最优超参数组合，完成故障诊断模型的构建、训练与优化；故障诊断模块，用于对待诊断齿轮箱齿轮振动信号进行预处理与特征提取并输入训练完成的故障诊断模型，输出齿轮故障分类结果，完成故障诊断。

30、第三方面，本技术还提供一种计算设备，包括：存储器，用于存储程序指令；处理器，用于调用存储器中存储的程序指令，按照获得的程序指令执行实现上述第一方面的方法。

31、第四方面，本技术还提供一种计算机可读存储介质，其中存储有计算机可读指令，当计算机读取并执行计算机可读指令时，实现上述第一方面的方法。

32、第五方面，本技术提供了一种计算机程序产品，包括有可由计算机设备执行的计算机程序，当程序在计算机设备上运行时，使得计算机设备执行实现上述第一方面的方法。

33、有益效果：本技术采集齿轮箱齿轮的振动信号并对其进行预处理，获得齿轮故障特征样本集并将其分为训练集与测试集，为后续的故障诊断提供基础数据；构建改进秃鹰搜索算法，提升全局寻优精度与解的质量，同时加速收敛进程，降低计算资源消耗，实现增强鲁棒性与稳定性，弱化随机性干扰；通过构建深度置信度网络基础模型，可以降低对大规模高质量标注样本的依赖；通过故障诊断模型进行故障分类结果的判断，流程的自动化程度高，无需复杂的人工特征工程干预，既适用于实验室环境下的齿轮故障模拟诊断，也可直接对接风电场的实际运行数据，实现风电机组齿轮箱的在线状态监测与故障预警，有效降低风电机组运维成本，提升机组运行的可靠性与安全性。