基于改进卷积深度信念网络的风电机组行星齿轮箱故障诊断方法

摘要

风力发电机组行星齿轮箱振动信号是一种非线性非平稳的复杂信号,传统的故障诊断方法面对此类信号时,能够很好地处理的范围有限。建立了卷积深度信念网络用于行星齿轮箱故障诊断,为了防止超参数选择有误造成识别的准确率不够,引入粒子群算法对网络的超参数进行优化,对粒子进行混沌初始化提高了粒子的全局搜索能力。首先将原始信号进行变分模态分解提取出冲击信息比较集中的本征模态函数作为网络的输入数据。然后利用训练集进行训练,将混沌粒子群算法根据适应度函数最小确定网络的超参数,利用逐层贪婪算法不断向前更新网络参数。最后将提取的故障特征经过分类器进行分类。经过验证,此方法具有较高的齿轮箱故障识别能力。