基于ResNet-ELM和迁移学习的风机齿轮箱故障诊断方法

作者：孙晔,张泽明,刘晓悦. 日期：2023-09-20/span> 浏览：1219 查看PDF文档

摘要:在变工况以及混合故障情况下,采用传统的方法对风力发电机齿轮箱进行故障诊断时,存在诊断效果不佳、泛化能力差等问题,为此,提出了一种基于深度残差网络(ResNet)-极限学习机(ELM)和迁移学习(TL)的风力发电机齿轮箱故障诊断方法(TLRNELM)。首先,分别介绍了连续小波变换(CWT)、卷神经网络(CNN)、深度残差网络(ResNet)、迁移学习(TL)、极限学习机(ELM)的原理;然后,基于上述原理,建立了TL-RN-ELM的风力发电机齿轮箱故障诊断模型(流程);最后,使用轴承数据集和齿轮箱数据集对上述方法进行了实验验证,即从美国凯斯西储大学(CWRU)轴承数据集和东南大学(SEU)齿轮箱数据集中进行了数据采集和处理,利用CWT将原始一维振动信号转换成了二维小波时频图像,使用CWRU轴承数据集对搭建的ResNet18模型进行了训练,生成了预训练模型;将预训练模型中的数据迁移至SEU齿轮箱数据集,微调了模块,提取了特征,并将其输入到ELM分类器,然后将分类结果与其他3类模型进行了对比分析。实验结果表明:对于从轴承到轴承、轴承到齿轮以及混合故障的小样本迁移故障诊断,TL-RN-ELM的平均准确率可达98.79%;与其他方法相比,该方法的平均准确率提升了4.73%~9.6%。研究结果表明:该方法具有良好的诊断效果和泛化能力。

关键词:齿轮传动;迁移学习;深度残差网络;极限学习机;卷积神经网络;连续小波变换;模型预训练;模型迁移;小波时频图

中图分类号:TH132.41;TM315文献标识码:A文章编号:1001-4551(2023)07-0978-11

本文引用格式:

孙晔,张泽明,刘晓悦.基于ResNet-ELM和迁移学习的风机齿轮箱故障诊断方法［J］.机电工程,2023,40(7):978-987,1078.

SUN Ye, ZHANG Ze-ming, LIU Xiao-yue. Fault diagnosis method of wind turbine gearbox based on ResNet-ELM and transfer learning［J］.Journal of Mechanical & Electrical Engineering, 2023,40(7):978-987,1078.