如何诊断风力发电机行星齿轮箱故障？基于增强型卷积神经网络的诊断方法是否可行？
1前言
行星齿轮箱作为风力发电机的关键部件，会经常出现各种故障，为了解决此问题，本文提出一种新的行星齿轮箱智能故障诊断方法。
2 IDCNN的智能诊断方法
卷积神经网络是深度学习方法中重要的算法之一，由于其强大的特征提取能力，在模式识别应用中表现突出。
本文选用将一维时域信号转化为二维矩阵的方法来对测试数据进行预处理，并作为CNN网络的输入。
假设要生成的二维矩阵大小为N×N，则要在振动时域信号中选取N2个采样点，并把N2个采样点分成N份，每一份的纵坐标作为数据点，并取数据点的数据作为二维矩阵里的一行。
本文在一维振动信号中选取4096个采样点，并将每64个采样点作为二维矩阵中的一行，生成大小为64×64的二维矩阵，这样可使采样样本在适应计算机能力的同时包含更多的特征信息。
由于结构复杂，工作条件恶劣，原始振动信号中的弱耦合故障特征经常被背景噪声或其他干扰所淹没，CNN很难直接从原始振动信号中提取判别性故障特征。
为解决这个问题，本文提出一种具有扩大感受野的行星齿轮箱故障诊断研究方法IDCNN。
IDCNN模型由输入层、初始膨胀卷积层、最大池化层、全连接层和输出层所构成，与传统CNN相比，IDCNN方法放大了感受野，增强了有效性和鲁棒性，并提高了CNN模型的特征学习能力。
开发的IDCNN模型将预处理后的二维矩阵作为网络的输入，将输入矩阵通过初始膨胀卷积层、池化层和全连接层的堆栈提取故障特征。
然后，所有特征在分类阶段都被输入到softmax分类器中，计算真实概率和估计概率的交叉熵，使用梯度下降法更新IDCNN的权重，并通过多次反向传播获得最优参数。
3实验验证
为了验证所提算法的优越性，本文对某公司搭建的风力发电机实验台上的行星齿轮箱进行数据采集。
在本次实验中，采集了传动系统中行星齿轮箱和轴承的8种不同工况下的振动故障信号，获得的9种故障数据类型。
行星轮的故障有2类，分别为齿根裂纹故障和齿面点蚀故障，分别用PRC和PPS表示；
行星轴承故障分为轴承的内圈故障、轴承的外圈故障和轴承上的滚动体故障，分别用IF、OF和BF表示，所有故障采用线切割和机械破坏形式制造。
根据试验台行星齿轮箱的轮系原理图可知，试验台行星齿轮箱主要由齿圈、行星架、太阳齿轮、行星齿轮、行星轴承和销轴组成。
传感器编号11的测点位置分别水平和竖直放置，实验中采用加速度传感器用于振动信号的采集，传感器的采样频率为16384Hz。
在获得的振动测试数据中，每类数据被分成500组，每组数据长度为4096，共计4500个数据样本，应用本文所提出的IDCNN方法对振动数据进行训练和测试。
本文对于所提网络的超参数选取细节如下：IDCNN由1个输入层、5个初始膨胀卷积层、5个最大池化层、1个全连接层和1个输出层组成。
为保证模型已收敛，迭代次数设置为200，Adam优化器是在训练过程中选择，学习率设置为0.002，可让模型快速收敛，batch_size设置为100。
卷积层数在深度学习方法中起到重要作用，本文将所提模型的初始膨胀卷积层设置为5层，为提供更具说服力和更全面的结果，本研究选用3层、4层和5层初始膨胀卷积层进行对比。
根据对比结果可知，试验中使用3层初始膨胀卷积层时，平均测试精确度为98.89%，第二方案中使用4层初始膨胀卷积层时，平均测试精确度较3层初始膨胀卷积增加到98.91%。
而另一个方案中使用5层初始膨胀卷积层时，平均测试精确度提高到99.1%，这是因为随着初始膨胀卷积的堆叠，膨胀卷积的卷积核带有空洞而导致丢失少部分特征的缺点得到改正，并使网络更深。
因此，使用5层的初始膨胀卷积更加有效。
4结论
为了增强CNN学习特征的能力，本文提出IDCNN行星齿轮箱故障诊断研究方法，这种新方法的通过分支的方式增加网络的宽度与深度，能更好地提高网络性能，避免过拟合。
在行星齿轮箱实验台的实验振动数据上验证了所提算法的有效性，与CNN、OCRNN、MDCNN和ICNN的10次比较，所提IDCNN的平均测试精确度达到99.1%，对行星齿轮箱的故障诊断更为有效。
参考文献
[1]李宇恒，蒋章雷，梁好，等.基于HEI量化故障信息的行星齿轮箱故障诊断方法研究[J].机电工程，2021，38：836-842.
[2]胡瑞杰，庞学博，佘彩青，等.基于最优窗函数Gabor变换的变工况行星齿轮箱故障诊断[J].风机技术，2021，63(2)：79-90
[3]李东东，刘宇航，赵阳，等.基于改进生成对抗网络的风机行星齿轮箱故障诊断方法[J].中国电机工程学报，2021，41(21)：7496-7506.
