基于1D-CNN-LSTM混合神经网络模型的风电机组行星齿轮箱故障诊断

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,能够很好处理的范围有限.为提高在强外界干扰条件下故障智能识别的准确率,提出了一种基于一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)混合模型的故障智能诊断方法.首先利用自参考自适应噪声消除技术(SANC)将齿轮箱振动信号分离为周期性信号分量成分和随机信号分量成分,再对包含齿轮箱故障特征的周期性信号成分进行智能特征提取和识别.经验证,所提方法较其他不同方法有明显优势,故障识别率达到99.85％,说明能有效抑制干扰信号,提高故障识别的准确率.

关键词：行星齿轮箱;自参考自适应噪声消除技术;一维卷积神经网络;长短期记忆网络;故障诊断

所属期刊栏目：43

分类号：TM315(电机)

资助基金：广东电网有限责任公司科技项目资助031800KK52170056

在线出版日期：2021-12-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：20-22,26