一種風機齒輪箱故障智能診斷方法

摘要：風機齒輪箱的故障診斷主要取決于運維工程師的工作經驗和信號分析能力，本文針對該問題提出了一種新的風機齒輪箱故障智能診斷方法。首先，通過格拉姆角場（Gramian Angular Difference Field，GADF）將少量齒輪箱振動信號進行維度變換，得到其二維可視化圖像。其次，搭建并增強深度卷積神經網絡模型，即IConvNeXt模型。最后，將小樣本的齒輪箱可視化圖像數據作為IConvNeXt的輸入進行模型訓練，實現齒輪箱故障特征自適應提取與識別。公開數據集驗證結果表明，本文方法對齒輪箱的故障識別效果顯著。

關鍵詞：風機齒輪箱；故障智能診斷；小樣本；格拉姆角場；深度卷積神經網絡

中圖分類號：TH13""""""""" 文獻標志碼：A

由于風電機組的復雜性越來越高，作為核心部件的齒輪箱會發生點蝕和斷齒等故障，因此對其進行有效的故障診斷至關重要[1]。

隨著深度學習快速發展，以人工智能方法進行故障端到端診斷成為未來的發展趨勢。卷積神經網絡是故障診斷領域眾所周知的模型，逐漸成為故障診斷領域中的研究熱點。趙璐等[2]將齒輪箱的振動信號輸入網絡，但其故障識別準確率較低，而CNN在計算機視覺領域具有不可替代的作用，因此可將振動信號轉成圖像，并充分利用深度學習模型智能識別圖像的優勢。

ConvNeXt模型得益于神經網絡模型Transformer，可利用其中的模型結構等一系列優勢來改進ResNet50。試驗表明，ConvNeXt特征提取能力得到了提升，因此本文利用IConvNeXt模型來診斷齒輪箱故障，提出一種風機齒輪箱故障智能診斷方法，利用GADF將齒輪箱振動信號轉換為圖像，將其圖像數據作為IConvNeXt模型的輸入進行模型訓練，得到預訓練網絡模型，再以此預訓練模型對齒輪箱故障進行智能診斷。

1理論基礎

1.1格拉姆角場

格拉姆角場編碼可將不同齒輪運轉狀態振動信號中的全部信息以可視化的二維圖像形式進行表達，并保留其中的特征信息，非常適合作為深度卷積神經網絡模型的輸入。格拉姆角場編碼的具體計算步驟如下所示。

步驟1，對傳感器采集的齒輪運轉狀態振動信號進行歸一化，如公式（1）所示。

（1）

式中：vi（t）為歸一化后i在t時刻的幅值；vmax和vmin分別為當前時間斷面節點振動信號數據的最大值和最小值。

步驟2，極坐標變換，即使用極坐標系表征歸一化后的振動信號幅值量，如公式（2）所示。

（2）

式中：φi（t）和ri分別為vi（t）在極坐標下對應的角度值和半徑值，其中φi（t）∈[0；τ/2]，i=1，2，...，N。

步驟3，對極坐標系下不同節點的振動幅值數據進行三角變換，如公式（3）所示。

G=[vi（t）·vj（t）]Ni，j=1（3）

式中：G為三角變換值；·為內積運算。

如果采用兩角和的余弦函數計算點的內積，即為GASF，如公式（4）所示。

vi（t）·vj（t）=cos（φi（t）+φj（t））（4）

如果采用兩角差的正弦函數計算點的內積，即為GADF，如公式（5）所示。

vi（t）·vj（t）=sin（φi（t）+φj（t））（5）

通過上述分析，本文采用GADF將一維的齒輪振動信號轉換為二維圖像，以此作為IConvNeXt深度卷積神經網絡的輸入進行模型訓練，得到預訓練模型，進而對齒輪故障進行智能診斷。

1.2卷積神經網絡

CNN由輸入層、卷積層、池化層、全連接層和輸出層組成，卷積層的數學計算過程如公式（6）所示。

x=f（Σi∈Mjxjl-1·klij+bjl）（6）

式中：Mj為特征圖；l為第l層網絡；k為卷積核；b為網絡偏置；x為l層輸出；xjl-1為l層輸入；f（·）為激活函數。

池化層可對卷積層提取的特征進行降維，并壓縮數據量和參數量，在一定程度上減少過擬合，其內部神經元的計算方法如公式（7）所示。

x=f（βdown（xjl-1）+b）（7）

式中：down（·）為子采樣函數；β為網絡乘性偏置。

通過全連接層整合卷積層和池化層提取壓縮的不同故障類別的特征，并輸出到分類器進行分類。

1.3ConvNeXt深度卷積神經網絡

ConvNeXt模型以Transformer模型為基礎并改進了ResNet50模型，使其推理速度更快且準確率更高。改進內容如下所示。1）改進訓練方法。2）更改計算比率。3）更改下采樣模塊。4）采用MobileNet中的深度卷積降低計算量。5）用Transformer中的反向瓶頸設計取了ResNet50網絡模型的瓶頸結構。6）使用GELU激活函數，減少激活函數的數量和歸一化層數，用Transformer中對隱含層做層歸一化的LayerNorm代替加快神經網絡訓練和收斂速度的算法BatchNorm，并分離下采樣層。

1.4IConvNeXt深度卷積神經網絡

1.4.1數據增強模塊

試驗過程中ConvNeXt深度卷積神經網絡存在不穩定和識別準確率低等問題，本文結合齒輪振動信號格拉姆角場二維圖像的特點，并針對ConvNeXt深度卷積神經網絡模型中的學習率衰減策略和數據增強模塊中所使用的數據增強方法進行如下操作。1）圖像按比例融合（Mixup）。2）隨機刪除二維圖像的一個矩形區域，并通過另一張圖像的同一位置像素值進行填充，標簽根據像素所占比例進行分配（Cutmix）。3）自動數據增強（RandAugment）和隨機擦除增強（Random Erasing）的方法并不適用于齒輪振動信號的二維圖像。

經試驗后，本文提出適合齒輪不同運轉狀態振動信號格拉姆角場編碼圖像的數據增強方法。1）對訓練集進行圖像的隨機裁剪、隨機水平翻轉、張量化（ToTensor）和標準化（Normalize）。2）對測試集進行尺寸調整、中心裁剪、張量化和標準化。通過這些方法來提高深度卷積神經網絡ConvNeXt在訓練和測試過程中的數據集數量和質量，達到提高模型泛化能力和魯棒性的目的。

1.4.2學習率衰減策略

將ConvNeXt網絡中使用的預熱學習率策略和余弦衰變策略（cosine decaying）做小幅更改，即取消余弦衰變策略，只使用預熱學習率策略，以預熱的小學習率在訓練的初始階段進行模型訓練，使模型慢慢趨于穩定，再選擇預先設置的大學習率進行訓練，以此提高模型的收斂速度，提升模型的最終效果。

2齒輪箱故障智能診斷方法

本文所提齒輪箱故障智能診斷方法結合了格拉姆角場轉換的圖像，可以充分避免丟失故障信號中的微弱故障信息，發揮ConvNeXt深度卷積神經網絡在ImageNet數據集中強大的自適應提取圖像數據特征的優勢，具體方法流程如下。

1）采用公式Y=M-N/D+1，將采集的齒輪箱實驗臺數據通過滑動窗口截取構造樣本，其中M為原數據序列數據點個數，N為樣本長度，D為采樣步長[3]。2）將一維的齒輪箱實驗臺數據通過GADF轉換為二維圖像。3）劃分數據集，將齒輪箱實驗臺數據的GADF二維圖像以8∶2比例劃分訓練集和測試集。4）通過IConvNeXt模型對輸入的小樣本訓練集和測試集進行故障特征提取，從而得到預訓練模型。5）通過齒輪箱實驗臺數據訓練模型對齒輪箱故障進行智能診斷。

3案例研究與試驗

本節將對齒輪箱數據進行故障診斷試驗。試驗運行的軟件環境為Windows2019操作系統，硬件環境為TeslaV100-32顯卡，運行內存為32G。在pycharm平臺上使用pytorch搭建深度卷積神經網絡ConvNeXt框架。對齒輪箱實驗臺數據進行訓練和測試，得到預訓練模型。

本文采用東南大學動力傳動模擬實驗臺采集的齒輪箱數據集，其齒輪狀態類型包括正常、缺齒、斷齒、根部故障和表面故障。

本文只選取轉速-負載配置為20Hz-0V工況下，樣本長度為65536的5類齒輪箱實驗臺采集的不同齒輪故障數據，由窗口大小為1024、采樣步長為512的滑動窗口截取相同的數據片段，經GADF轉換成圖像大小為（224×224）ppi的5類齒輪振動信號二維圖像，共635張，如圖1所示。不同顏色的像素點完整地體現了齒輪不同運轉狀態振動信號的所有信息（包括信號中的噪聲干擾），減少了齒輪振動信號去噪的預處理過程。將這635張二維圖像以約4∶1的比例劃分訓練集和測試集，見表1。

將表1中的齒輪箱二維GADF圖像數據作為ConvNeXt深度卷積神經網絡的輸入，訓練結果如圖2所示。500張二維圖像訓練模型迭代次數達到268次后，其訓練和測試準確率已經穩定在100%，損失也已經降至0.0035以下，進而Loss和準確率趨于穩定，最終模型準確率達到99.8%～100%的穩定收斂狀態，表明本文所提模型在小樣本和短時間訓練情況下，對齒輪不同狀態振動信號中的故障特征進行了有效學習。

通過將測試集數量增至每類63個來驗證該模型的識別準確率，并通過網絡提取測試集特征，由T-SNE降維算法對其進行二維可視化，結果如圖3所示。齒輪正常、斷齒、缺齒、根部故障以及表面故障這5類狀態分類明顯且沒有重疊區域，各故障間距離較遠，表明本文所提方法在小樣本齒輪箱實驗臺數據訓練中得到了較好的預訓練模型。

4結論

本文使用GADF將齒輪箱振動信號轉換二維圖像，并利用搭建的IConvNeXt模型對齒輪箱GADF圖像的強大特征提取能力，對齒輪箱故障進行智能診斷。本文提出的風機齒輪箱故障智能診斷方法在一定程度上解決了深度學習模型診斷齒輪箱故障需要大量故障標簽樣本訓練的問題。

參考文獻

[1]辛紅偉，安偉倫，武英杰，等. 風電齒輪箱兩級齒圈故障下振動信號幅值耦合調制建模[J]. 振動與沖擊，2021，40（22）：221-233.

[2]趙璐，馬野. 基于一維卷積神經網絡的齒輪箱故障診斷研究[J]. 測試技術學報，2019，33（4）：302-306.

[3]唐貴基，田寅初，田甜. 基于AlexNet-Adaboost的多工況滾動軸承故障識別方法[J]. 振動與沖擊，2022，41（2）：20-25.