基于深度置信网络诊断模型构建及在风电齿轮传动系统状态识别的应用研究

Wind turbine gearbox is composed of planetary gear and ordinary gear. Due to frequently operate under extreme loading conditions and state information coupling serious, the technology for traditional gearbox fault diagnosis fail to solve the difficulty of complex input and complex classification. For deep learning algorithm can effectively deal with complex function and complex classification problems, wind turbine gearbox condition recognition based on deep learning is proposed in this project. The deep belief networks(DBN) diagnosis technology for wind turbine gearbox is builded. The specific contents are as follow: Puts forward the optimal design of new DBN model of wind turbine gearbox by manifold learning and glowworm swarm optimization; Signal decoupling technology based on DBN; In order to eliminate varying operating conditions interfering, this project construct compound DBN model by order analysis and denoising technology. DBN diagnosis technology sharing of wind turbine gearbox is realized by parameter-transfer of transfer learning. Finally, condition recognition, fault source location, and information sharing technology of wind turbine gearbox are realized, which provide the new methods for fault diagnosis and condition monitoring of complex mechanical system as frequently operate under extreme loading conditions and state information coupling serious.

风电复合式传动系统由行星齿轮系+定轴齿轮系组成，系统结构复杂，状态信息耦合严重，且长期处于恶劣工况，传统智能诊断方法难解复杂输入及复杂分类问题。针对该问题，本项目利用深度学习算法能有效处理复杂函数表示及复杂分类问题的优点，通过对深度置信网络算法进行改进，建立风电齿轮传动系统的深度置信网络诊断技术。具体内容包括：利用流形学习及萤火虫寻优方法，提出基于流形学习的深度置信网络诊断模型及参数优化方法，确定与风电齿轮传动系状态样本相匹配的优化模型；利用互相关信息构建基于深度置信网络的信号解耦技术；结合阶次分析及降噪技术，提出基于深度置信网络的复合诊断模型，消除交变工况对识别效果的干扰；融合模型参数的迁移学习方法，构建集成参数迁移学习与深度置信网络的诊断信息共享技术。最终实现风电齿轮传动系统状态判定、故障定位、诊断信息共享等功能，为恶劣环境条件下服役的复杂机械系统故障诊断及状态监测提供新的手段和方法。

机械传动系统结构复杂，状态信息耦合严重，且长期处于恶劣工况，传统智能诊断方法难解复杂输入及复杂分类问题。针对该问题，本项目利用深度学习算法能有效处理复杂函数表示及复杂分类问题的优点，通过对深度置信网络算法进行改进，建立机械传动系统的深度学习网络诊断技术。具体内容包括：利用流形学习及萤火虫寻优方法，提出基于流形学习的深度置信网络诊断模型及参数优化方法，确定与风电齿轮传动系状态样本相匹配的优化模型；利用互相关信息构建基于深度置信网络的信号解耦技术；融合迁移学习方法，构建集成迁移学习与支持向量机的诊断信息技术。通过分析制造装备的精密传动机构，构建稀疏储备池自编码模型；构建深度混合状态网络提高智能故障诊断精度，提高制造装备的状态识别精度；为提升网络结构的深度学习效率与诊断精度，构建基于特征强化的深度储备池网络；本论文这些方法理论可以为机械装备和其他同类传动系统的健康监测提供新的方法和手段，可以促进先进智能诊断技术在精密传动装备和其他同类高精密制造系统的发展，为这些装备的维护提供新的方法和手段，具有重要的学术意义和应用价值。搭建风电传动系统实验平台，验证所提方法的有效性。研究成果发表国际国内学术论文 26 篇，其中 SCI 检索（含SCI 和 EI 双检索） 17 篇，EI 检索 6 篇。发表的论文中，有 14 篇论文由项目负责人作为第一作者/通讯作者。2 篇论文入选 ESI高被引论文。申请发明专利 8 项，其中 1 项发明专利已授权。其中 1 项授权发明专利已转让给相关科技生产企业进行成果转化。