基于U-net和隨機(jī)森林的齒輪箱振動(dòng)時(shí)頻分析和故障診斷*

張品楊,陳長(zhǎng)征

(沈陽工業(yè)大學(xué) 機(jī)械工程學(xué)院,遼寧 沈陽 110870)

0 引 言

行星齒輪箱作為風(fēng)力發(fā)電機(jī)的關(guān)鍵部件之一,其具有結(jié)構(gòu)緊湊、傳動(dòng)比大、運(yùn)行平穩(wěn)等特點(diǎn)[1]。因?yàn)轱L(fēng)力發(fā)電機(jī)常常處于惡劣的工作環(huán)境中,所以行星齒輪箱也是風(fēng)機(jī)傳動(dòng)鏈中最容易發(fā)生故障的部件。因此,通過對(duì)行星齒輪箱進(jìn)行狀態(tài)監(jiān)測(cè),盡早地發(fā)現(xiàn)其故障,避免發(fā)生計(jì)劃外停機(jī)或嚴(yán)重的事故,對(duì)保證風(fēng)電設(shè)備的安全運(yùn)行具有重要意義[2]。

振動(dòng)信號(hào)的分析方法一般可以分為時(shí)域、頻域和時(shí)頻域3類[3]。其中,時(shí)頻域分析是處理非穩(wěn)態(tài)信號(hào)的有力工具。

CHEN Xiao-long等人[4]提出了一種迭代廣義時(shí)頻重分配方法,其將非平穩(wěn)多分量信號(hào)分解為恒定頻率的單分量信號(hào),采用該方法可以提高風(fēng)電機(jī)組齒輪箱故障診斷中的時(shí)頻可讀性?？鬃舆w等人[5]利用卷積神經(jīng)網(wǎng)絡(luò)和雙向門控循環(huán)單元,實(shí)現(xiàn)了時(shí)頻特征融合背景下的行星齒輪箱端到端故障診斷目標(biāo)。孟玲霞等人[6]建立了一個(gè)時(shí)變轉(zhuǎn)速變載荷的風(fēng)電機(jī)組齒輪箱振動(dòng)信號(hào)模型,并在此基礎(chǔ)上提出了一種新的時(shí)頻脊階次譜故障特征提取方法。DHAMANDE L S等人[7]針對(duì)軸承齒輪復(fù)合故障,提出了一種基于離散小波變換和連續(xù)小波變換的時(shí)頻統(tǒng)計(jì)特征的故障診斷方法。

上述研究雖然能夠進(jìn)行較高精度的故障診斷任務(wù),但是缺少直觀的時(shí)頻域證據(jù)來支撐診斷結(jié)論。

時(shí)頻分割是分析時(shí)頻分布的重要手段之一。例如,YAN Bao-kang等人[8]提出了一種基于多分辨率時(shí)頻譜分割和振動(dòng)信號(hào)稀疏分解的融合方法,該方法提高了最佳原子的計(jì)算速度和逼近精度。HUANG Chao-ming等人[9]采用時(shí)頻域幾何分布特征來分析經(jīng)典的最大類間方差(OTSU)算法結(jié)果,并提出了一種評(píng)估摩擦副磨損程度的新方法。

上述研究雖然實(shí)現(xiàn)了對(duì)故障特征區(qū)域的分割目的,但是沒有提出全局性的診斷模型。

綜上所述,上述研究工作已經(jīng)將深度學(xué)習(xí)應(yīng)用于基于時(shí)頻分析的故障診斷研究中,但是這些研究者通常旨在開發(fā)一種不可拆分的智能系統(tǒng),以此來完成基于時(shí)頻信息的行星齒輪箱故障診斷任務(wù)[10-13]。而時(shí)頻分析的過往研究尚缺乏對(duì)于最新的全卷機(jī)神經(jīng)網(wǎng)絡(luò)的應(yīng)用[14]。

因此,如果將時(shí)頻分析和基于時(shí)頻信息的故障診斷納入到一個(gè)連續(xù)但模塊化的診斷框架中(這與人工診斷過程更加相似),其就能為操作者提供更多、更全面的關(guān)于設(shè)備健康狀態(tài)的支撐信息,并且使得故障診斷結(jié)果更為可信。為此,筆者構(gòu)建一種用于風(fēng)電機(jī)組齒輪箱振動(dòng)時(shí)頻分析和故障診斷的兩階段框架。

由于傳統(tǒng)基于閾值的方法在處理高分辨率時(shí)頻圖時(shí)容易受到噪聲干擾,因此,筆者在該框架中使用基于全卷積神經(jīng)網(wǎng)絡(luò)的語義分割方法,即以逐個(gè)像素點(diǎn)的形式對(duì)時(shí)頻圖像進(jìn)行標(biāo)記。

筆者使用U-net算法,將時(shí)頻圖中屬于故障特征的像素點(diǎn)與背景區(qū)分開,然后使用形狀特征來提取分割得到的二值圖像中的有用信息;最后使用隨機(jī)森林算法對(duì)行星齒輪箱的健康狀態(tài)做出診斷。

1 基礎(chǔ)理論

1.1 U-net

U-net模型是由RONNEBERGER O等人[15]234在2015年首次提出的,其最初被應(yīng)用于醫(yī)學(xué)圖像分割領(lǐng)域。

作為全卷積神經(jīng)網(wǎng)絡(luò)的一種重要變體,U-net不包含全連接層,而是使用對(duì)稱布置的卷積層對(duì)特征信息進(jìn)行壓縮和重構(gòu),從而在多尺度上利用上下文信息生成像素級(jí)的圖像分割結(jié)果。目前,U-net模型及其變體在醫(yī)學(xué)圖像分割領(lǐng)域應(yīng)用最多,并且正在向機(jī)器視覺、基于圖像的故障診斷等領(lǐng)域拓展。

U-net的結(jié)構(gòu)如圖1所示。

圖1 U-net的結(jié)構(gòu)

U-net模型的左邊是壓縮路徑,也被稱為編碼路徑,它由多個(gè)重復(fù)出現(xiàn)的壓縮模塊組成。壓縮模塊具有卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu),包含3×3的卷積層、ReLU激活函數(shù)、批量歸一化層、2×2的池化層等。

U-net模型的右邊是擴(kuò)張路徑,也被稱為解碼路徑。它的總體結(jié)構(gòu)與壓縮路徑非常相似,同樣包含若干個(gè)重復(fù)出現(xiàn)的擴(kuò)張模塊。相比于壓縮模塊,擴(kuò)張模塊中使用反卷積運(yùn)算代替了卷積運(yùn)算,并增加了來自壓縮路徑的跳躍連接層?；谏鲜鲈O(shè)計(jì),U-net呈現(xiàn)出簡(jiǎn)潔、優(yōu)雅的U型結(jié)構(gòu)。

為了更加細(xì)致地說明U-net模型,筆者將介紹其中的幾個(gè)關(guān)鍵構(gòu)件:

1)卷積層。它由一組可以設(shè)置高、寬的卷積核組成?？蓪W(xué)習(xí)的卷積核使得卷積層能夠?qū)斎胫械奶卣餍畔⑦M(jìn)行概括,并映射到新的特征空間中。此外,共享權(quán)重的設(shè)置使得卷積層與全連接層相比具有更低的計(jì)算復(fù)雜度。對(duì)于每個(gè)卷積核,其輸出為:

(1)

式中:Xj為第j個(gè)輸入通道;Oi為特征映射的第i個(gè)通道;f為激活函數(shù);ωij為權(quán)重;bi為偏置項(xiàng);

2)反卷積(有時(shí)也被稱為轉(zhuǎn)置卷積)。在U-net模型中,它的作用是提高特征映射的分辨率。為了獲得與壓縮路徑相匹配的擴(kuò)張能力,反卷積層采用2×2的反卷積核,并設(shè)置卷積步長(zhǎng)為2;

3)激活函數(shù)。它賦予了卷積網(wǎng)絡(luò)建模非線性映射的能力。常見的激活函數(shù)包括Sigmoid函數(shù)、Tanh函數(shù)、ELU、ReLU等。作為一種非飽和激活函數(shù),ReLU函數(shù)能夠緩解梯度消失和爆炸的問題,同時(shí)能夠加速模型學(xué)習(xí)。因此,ReLU被用作壓縮模塊和擴(kuò)張模塊中的激活函數(shù),其計(jì)算方法如下:

ReLU(x)=max(0,x)

(2)

4)批量歸一化層。它是解決批量訓(xùn)練過程中的特征分布漂移問題的重要工具。嚴(yán)重的特征分布漂移會(huì)降低網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性,加劇過擬合現(xiàn)象發(fā)生,這在深度神經(jīng)網(wǎng)絡(luò)中尤為明顯。批量歸一化處理則將每層神經(jīng)元的輸出轉(zhuǎn)化為標(biāo)準(zhǔn)正態(tài)分布。對(duì)于一個(gè)批量訓(xùn)練數(shù)據(jù)[x1,x2,…,xm],歸一化處理后的結(jié)果如下:

(3)

(4)

(5)

(6)

1.2 形狀特征

標(biāo)記后的時(shí)頻圖結(jié)果可以被看作一種二值圖像,它具有和輸入圖像相同的分辨率。因此,對(duì)下一步的故障分類算法來說,其存在數(shù)據(jù)冗余的問題。所以,筆者使用基于區(qū)域的形狀特征方法來對(duì)數(shù)據(jù)進(jìn)行特征提取。

幾何矩[16]是一種簡(jiǎn)潔有效的基于區(qū)域的形狀特征提取方法。對(duì)于函數(shù)f(x,y),它的(p,g)階幾何矩表達(dá)式為:

(7)

圖形的一些重要區(qū)域?qū)傩钥梢詮膸缀尉匮苌鰜?M00定義了一個(gè)圖形的質(zhì)量;(M10/M00,M01/M00)定義了一個(gè)圖形的重心;(M20,M02)定義了一個(gè)圖形的慣性矩,它描述了圖形相對(duì)于坐標(biāo)軸的質(zhì)量分布。

上述性質(zhì)對(duì)于表征標(biāo)記后的時(shí)頻圖像中的特征區(qū)域分布情況十分有用。

1.3 隨機(jī)森林

隨機(jī)森林是一種基于集成學(xué)習(xí)思想的人工智能技術(shù)。針對(duì)傳統(tǒng)決策樹算法易發(fā)生過擬合的問題,LEO BREIMAN[17]開發(fā)了基于多個(gè)分類回歸樹(classific-ation and regression tree,CART)和裝袋算法(bootstrap aggregating,Bagging)的集成分類器,并將其成功運(yùn)用到圖像分類領(lǐng)域。

在準(zhǔn)備階段,筆者先將原始數(shù)據(jù)集按比例劃分為訓(xùn)練集和測(cè)試集(其中,訓(xùn)練集將用于后續(xù)決策樹的訓(xùn)練,測(cè)試集將用于決策樹的性能驗(yàn)證),然后使用Bagging方法,從訓(xùn)練集中有放回地隨機(jī)抽取訓(xùn)練樣本,并使用隨機(jī)選取的特征子集對(duì)決策樹進(jìn)行訓(xùn)練,這種設(shè)置為決策樹的構(gòu)建增加了獨(dú)立性,能夠增強(qiáng)模型最終的抗噪聲性能和泛化能力。在訓(xùn)練集中反復(fù)使用Bagging方法直到構(gòu)建所需的所有決策樹。隨機(jī)森林算法的最終輸出由所有決策樹的結(jié)果統(tǒng)計(jì)得出。對(duì)于回歸問題,通常將不同決策樹預(yù)測(cè)值的平均值作為隨機(jī)森林的輸出。對(duì)于分類問題,基于決策樹的輸出采用多數(shù)投票的機(jī)制來確定最終輸出。

隨機(jī)森林算法主要步驟及流程如圖2所示。

圖2 隨機(jī)森林算法流程圖

隨機(jī)森林算法的詳細(xì)過程如下:

1)構(gòu)建訓(xùn)練樣本集,設(shè)置決策樹個(gè)數(shù)、特征集大小等超參數(shù);

2)對(duì)訓(xùn)練樣本集進(jìn)行隨機(jī)采樣,構(gòu)建訓(xùn)練子集;

3)隨機(jī)抽取特征;

4)基于CART算法,使用只含部分特征的訓(xùn)練子集建立決策樹;

5)重復(fù)上述過程,直至得到完整森林;

6)將測(cè)試集代入訓(xùn)練好的隨機(jī)森林;

7)將所有決策樹的輸出匯總投票,得到最終結(jié)果。

2 基于U-net和隨機(jī)森林的兩階段框架

2.1 兩階段框架的結(jié)構(gòu)

筆者提出的兩階段框架旨在發(fā)展一種有普遍適用性的故障診斷框架,其從時(shí)頻數(shù)據(jù)中自動(dòng)分析故障現(xiàn)象,并完成對(duì)風(fēng)電齒輪箱的故障診斷任務(wù)。

為此,筆者提出了一種用于時(shí)頻分析和故障分類的兩階段框架:在第一階段,使用U-net對(duì)時(shí)頻圖中代表故障的特征區(qū)域進(jìn)行標(biāo)記,而后提取標(biāo)記后的二值圖像中的形狀特征;在第二階段,筆者訓(xùn)練隨機(jī)森林算法,對(duì)形狀特征進(jìn)行分類,確定齒輪箱的健康狀態(tài)。

兩階段框架的整體結(jié)構(gòu)如圖3所示。

圖3 兩階段框架的結(jié)構(gòu)

2.2 分析算法的評(píng)價(jià)指標(biāo)

筆者使用3種評(píng)價(jià)指標(biāo)來定量地評(píng)估不同算法標(biāo)記時(shí)頻圖中特征區(qū)域的能力,包括精度(P)、召回率(R)和F1分?jǐn)?shù)。

共同使用3種指標(biāo)有利于從更全面的角度分析算法性能:召回率能夠反映算法避免遺漏有價(jià)值信息的能力;精度能夠反映算法精準(zhǔn)選取有價(jià)值信息的能力;F1分?jǐn)?shù)能夠反映算法在上述能力間的協(xié)調(diào)。3種指標(biāo)的計(jì)算公式如下:

(8)

(9)

(10)

式中:TP為真陽性的像素點(diǎn)數(shù);FP為假陽性的像素點(diǎn)數(shù);FN為假陰性的像素點(diǎn)數(shù)。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)數(shù)據(jù)及其預(yù)處理

實(shí)驗(yàn)中使用的振動(dòng)信號(hào)采集自華北地區(qū)某風(fēng)電場(chǎng)的1.5 MW變槳控制風(fēng)力發(fā)電機(jī)。

實(shí)驗(yàn)中配備的行星齒輪箱如圖4所示。

圖4 實(shí)驗(yàn)中的行星齒輪箱

傳動(dòng)鏈主要包括葉片轉(zhuǎn)子、速比為100.48∶1的行星齒輪箱和雙饋式異步發(fā)電機(jī)。行星齒輪箱包含兩級(jí)行星齒輪傳動(dòng)和一個(gè)平行齒輪傳動(dòng)。

筆者采集數(shù)據(jù)時(shí),加速度傳感器以磁吸方式固定在第二個(gè)行星級(jí)的外齒圈處。

齒輪箱內(nèi)部結(jié)構(gòu)和測(cè)點(diǎn)位置如圖5所示。

圖5 行星齒輪箱內(nèi)部結(jié)構(gòu)及測(cè)點(diǎn)位置示意圖

該實(shí)驗(yàn)共有4種健康狀態(tài),包括正常、齒圈齒面點(diǎn)蝕、行星輪嚙合不對(duì)中、點(diǎn)蝕-不對(duì)中并發(fā)。上述故障都發(fā)生在第2個(gè)行星級(jí),每種健康狀態(tài)對(duì)應(yīng)4臺(tái)行星齒輪箱,所以該實(shí)驗(yàn)中共使用16臺(tái)齒輪箱的振動(dòng)數(shù)據(jù)。

風(fēng)力機(jī)變轉(zhuǎn)速運(yùn)行的特點(diǎn)以及多變的環(huán)境因素,增加了齒輪箱分析和診斷的難度,使實(shí)驗(yàn)任務(wù)更具挑戰(zhàn)性。

離線采集的采樣頻率設(shè)置為16 384 Hz,每個(gè)信號(hào)持續(xù)10 s,從每條信號(hào)中截取10個(gè)片段用于計(jì)算時(shí)頻圖。筆者使用歸一化S變換[18],從信號(hào)片段中計(jì)算生成大小為512×512的時(shí)頻圖像,將計(jì)算所用的歸一化因子設(shè)置為2。

4種健康狀態(tài)下的振動(dòng)信號(hào)片段如圖6所示。

圖6 4種健康狀態(tài)下的振動(dòng)信號(hào)片段

4種健康狀態(tài)下的時(shí)頻圖像如圖7所示。

圖7 4種健康狀態(tài)下的時(shí)頻圖

圖7(a)、圖7(c)分別在行星齒輪一倍、二倍嚙合頻率處顯示出連續(xù)存在的帶狀特征區(qū)域;而圖7(b)、圖7(d)分別在行星齒輪一倍、二倍嚙合頻率處顯示出近似相等時(shí)間間隔的斑塊狀特征區(qū)域。

通常情況下,使用過小的數(shù)據(jù)集容易造成深度學(xué)習(xí)算法發(fā)生過擬合問題。鑒于此,筆者使用基于Python語言的Augmentor工具包[19]對(duì)原始圖像進(jìn)行鏡像或扭曲,從而將總樣本數(shù)擴(kuò)增了5倍,達(dá)到960個(gè),基本上能夠滿足算法對(duì)數(shù)據(jù)總量的要求。

3.2 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)中所用的U-net結(jié)構(gòu)主要參考RONNEBERGER O等人[15]235-237的論文,并做了一些改動(dòng),以適應(yīng)行星齒輪箱時(shí)頻故障診斷任務(wù)。筆者使用Adam作為優(yōu)化算法,使用交叉熵代價(jià)函數(shù),將學(xué)習(xí)率設(shè)置為1×10-3,小批量訓(xùn)練的樣本數(shù)設(shè)置為24,以加快訓(xùn)練速度。優(yōu)化的最大迭代次數(shù)為50次,當(dāng)算法在驗(yàn)證數(shù)據(jù)集上的代價(jià)經(jīng)過連續(xù)5次迭代都不下降或沒有明顯改善時(shí),模型即停止訓(xùn)練。

筆者在一臺(tái)配置酷睿i5-10400處理器和英偉達(dá)GeForce GTX1660顯卡的計(jì)算機(jī)上對(duì)所有實(shí)驗(yàn)進(jìn)行操作。筆者使用的計(jì)算機(jī)為64位Windows10操作系統(tǒng),其使用基于Python3.8的PyTorch深度學(xué)習(xí)框架。此外,筆者還使用了NumPy科學(xué)計(jì)算庫以及PIL等圖像處理庫。

3.3 實(shí)驗(yàn)結(jié)果與分析

在語義分割方法中,圖像中每個(gè)像素點(diǎn)都分配了一個(gè)標(biāo)簽。在該節(jié)中,時(shí)頻圖中的特征區(qū)域以灰度255突出顯示,其他部分的灰度則被設(shè)置為0。實(shí)驗(yàn)數(shù)據(jù)按4:1比例被分割為不重疊的兩個(gè)部分,分別作為訓(xùn)練集和測(cè)試集使用。

U-net模型對(duì)測(cè)試集中部分?jǐn)?shù)據(jù)的分析結(jié)果如圖8所示。

圖8 U-net對(duì)4種健康狀態(tài)下時(shí)頻譜的分析結(jié)果

從圖8中可以看到:總體而言,對(duì)于4種健康狀態(tài)的樣本,U-net都能準(zhǔn)確地標(biāo)記出故障特征區(qū)域,揭示時(shí)頻圖中包含的嚙合或沖擊現(xiàn)象。另一方面,齒面點(diǎn)蝕故障和點(diǎn)蝕-不對(duì)中并發(fā)故障是處理效果相對(duì)較差的2種故障,網(wǎng)絡(luò)輸出中有少量的噪點(diǎn)和錯(cuò)誤邊界。這是因?yàn)榘邏K狀特征區(qū)域容易與強(qiáng)背景噪聲相混淆。

為了更具體地展示U-net的分析性能和不同類型樣本分析結(jié)果間的差異性,實(shí)驗(yàn)中詳細(xì)的性能指標(biāo)如表1所示。

表1 U-net方法的性能指標(biāo)

從表1中可以發(fā)現(xiàn):U-net方法的精度、召回率、F1分?jǐn)?shù)3項(xiàng)指標(biāo)都是令人滿意的。其中,F1分?jǐn)?shù)達(dá)到了94.2%。齒面點(diǎn)蝕故障和點(diǎn)蝕-不對(duì)中并發(fā)2種故障的分析結(jié)果相對(duì)稍差,這與圖8中顯示的現(xiàn)象一致。

為了進(jìn)一步驗(yàn)證U-net模型的性能,在使用相同數(shù)據(jù)集的情況下,筆者將其與OTSU方法和傅立葉濾波2種分析方法進(jìn)行了對(duì)比,實(shí)驗(yàn)結(jié)果如圖9所示。

圖9 不同算法的性能和時(shí)間消耗比較

圖9中還給出了算法處理每個(gè)樣本所消耗的時(shí)間。

由圖9可知:得益于其強(qiáng)大的學(xué)習(xí)能力和上下文信息處理能力,U-net展現(xiàn)出比其他2種對(duì)比方法更優(yōu)秀的綜合性能;OTSU方法雖然給出了最高的計(jì)算效率,但是它的精度和召回率之間明顯失調(diào),即分割結(jié)果中包含過多的假陽性像素點(diǎn);傅立葉濾波方法表現(xiàn)出比OTSU方法更好的性能,F1分?jǐn)?shù)達(dá)到了84.5%,但是因?yàn)樵趫D像處理過程中需要優(yōu)化濾波器中掩膜的尺寸,所以其在計(jì)算效率方面表現(xiàn)不佳;U-net作為一種深度學(xué)習(xí)方法,其能夠通過跳躍連接自動(dòng)捕捉多尺度區(qū)域信息,無需手動(dòng)調(diào)整模型參數(shù),同時(shí),也能夠快速處理數(shù)據(jù)樣本,滿足實(shí)際工程應(yīng)用中的實(shí)時(shí)性要求。

綜上所述,在筆者提出的兩階段框架中,U-net能夠勝任風(fēng)電齒輪箱時(shí)頻分析任務(wù)。

筆者開發(fā)這種高精度的時(shí)頻分析方法的最終目的是為了對(duì)風(fēng)電機(jī)組齒輪箱故障進(jìn)行快速分類。

為了消除二值時(shí)頻圖中的冗余信息,筆者使用3個(gè)形狀特征來提取標(biāo)記后圖像中的有價(jià)值特征。3個(gè)形狀特征分別為:圖像質(zhì)量M00和兩個(gè)方向的慣性矩M20、M02。其中,前者用于區(qū)分特征斑塊與特征條帶,后兩者則對(duì)其相對(duì)位置做出判斷。經(jīng)過區(qū)域形狀特征提取后,診斷階段的輸入信息總量從二維512×512=262 144壓縮為一維1×3=3,實(shí)現(xiàn)了極大幅度的壓縮目的。

被大幅壓縮的特征空間使得使用簡(jiǎn)單的分類器成為可能。在兩階段框架中,筆者選擇了隨機(jī)森林算法來對(duì)4種齒輪箱健康狀態(tài)進(jìn)行快速分類。

隨機(jī)森林算法在測(cè)試數(shù)據(jù)集上的分類混淆矩陣如圖10所示。

圖10 故障分類混淆矩陣

由圖10可知:總體而言,診斷的平均精度達(dá)到了97.4%,有限的數(shù)據(jù)量和壓縮后的特征空間都沒有對(duì)診斷結(jié)果產(chǎn)生不利影響;具體而言,行星輪嚙合不對(duì)中故障和點(diǎn)蝕-不對(duì)中并發(fā)故障是容易相互混淆的兩類故障,因?yàn)樗鼈兌季哂卸秶Ш项l帶能量偏高的特征;齒面點(diǎn)蝕故障是診斷精度最低的一類故障,根據(jù)上一小節(jié)中的觀察,這是因?yàn)樗菀资艿皆肼曃廴尽?/p>

綜上所述,形狀特征提取搭配隨機(jī)森林算法能夠有效地提取時(shí)頻圖像中的故障特征,并對(duì)風(fēng)電機(jī)組齒輪箱的健康狀態(tài)做出準(zhǔn)確分類。

4 結(jié)束語

采用時(shí)頻分析方法對(duì)風(fēng)力發(fā)電機(jī)齒輪箱進(jìn)行分析時(shí),存在智能化程度低、故障診斷結(jié)論缺乏多域支撐、時(shí)頻分析與故障診斷有功能鴻溝等問題,為此,筆者提出了一種用于風(fēng)電齒輪箱振動(dòng)時(shí)頻分析和故障分類的兩階段框架,包含作為第一階段的深度神經(jīng)網(wǎng)絡(luò)時(shí)頻譜分析方法,和作為第二階段的隨機(jī)森林故障分類方法。

研究結(jié)論如下:

1)基于U-net模型的風(fēng)電機(jī)組齒輪箱時(shí)頻分析方法能夠精準(zhǔn)地標(biāo)記振動(dòng)時(shí)頻圖中的故障特征區(qū)域,解決了傳統(tǒng)方法受背景噪聲影響大、計(jì)算效率低、需要設(shè)置經(jīng)驗(yàn)參數(shù)等問題。U-net模型通過對(duì)時(shí)頻數(shù)據(jù)進(jìn)行了對(duì)稱壓縮和擴(kuò)張,捕捉了圖像中的空間關(guān)聯(lián)信息,實(shí)現(xiàn)了對(duì)故障特征斑塊或條帶的精準(zhǔn)分割目的;

2)針對(duì)分析后的時(shí)頻圖像中存在數(shù)據(jù)冗余的問題,筆者采用形狀特征法對(duì)二值圖像中的形狀信息和位置信息進(jìn)行了提取,大幅度壓縮了數(shù)據(jù)總量,減輕了第二階段故障診斷系統(tǒng)的計(jì)算壓力,同時(shí)為故障診斷結(jié)論提供了額外的支撐信息;

3)使用在役風(fēng)力發(fā)電機(jī)行星齒輪箱振動(dòng)數(shù)據(jù)對(duì)兩階段框架進(jìn)行了實(shí)驗(yàn)驗(yàn)證,結(jié)果發(fā)現(xiàn)該兩階段框架達(dá)到了97.4%的平均診斷精度和0.942的時(shí)頻分析F1分?jǐn)?shù)。通過對(duì)比其他2種方法,證明了該兩階段框架的先進(jìn)性,對(duì)實(shí)際工程中的風(fēng)電機(jī)組齒輪箱時(shí)頻分析和故障診斷具有一定的參考價(jià)值。

在后續(xù)的研究中,筆者將繼續(xù)研究新型全卷積神經(jīng)網(wǎng)絡(luò)在時(shí)頻分析領(lǐng)域的應(yīng)用,并探索此類框架端到端的模型構(gòu)建。