CN114357663B 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 （中国长江三峡集团有限公司）

本发明公开了一种训练齿轮箱故障诊断模据电流信号计算表征其复杂与突变程度的特征额外传感器，克服了现有技术中增加硬件的缺将机组运行时获取的电流信号输入生成的深度2根据所述电流信号计算表征电流信号复杂程获取的电流信号为电流时域信号，基于傅里叶根据所述电流时域信号和电流频域信号分别计算表征突变程度的时域特征值和频域将包括所述时域特征值和频域特征值的样本数据进行抽样根据所述随机森林训练数据集和所述随机森林袋外数据集，利用所述随机森林算法，所述根据所述随机森林训练数据集和所述随机森林袋外所述根据所述样本数据集对深度强化学习网络模型进行训根据训练数据集中抽取的样本对所述深度强化学习网络模型进行训练，得到训练结根据训练数据集中抽取的样本对所述深度强化学习网将测试数据集输入所述齿轮箱故障诊断模型，得到测根据所述测试结果的准确率确定所述齿轮箱故障诊断模型是否为可用齿轮箱故障诊3中抽取训练数据集对深度强化学习网络模型进行训练，直至得到可用齿轮箱故障诊断模将所述电流信号的时间序列输入到如权利要求1所述的训练齿轮箱故障诊断模型方法特征计算模块，用于根据所述电流信号计算表征电流模型生成模块，用于根据所述样本数据集对深度强化学习所述根据所述电流信号计算表征电流信号复杂程度和突变程所述根据所述随机森林训练数据集和所述随机森林袋外所述根据所述样本数据集对深度强化学习网络模型进行训轮箱故障诊断模型方法和/或权利要求3所述的齿轮4处理器执行时实现如权利要求1或2所述的训练齿轮箱故障诊断模型方法和/或权利要求35[0001]本发明涉及风力发电设备技术领域，具体涉及一种训练齿轮箱故障诊断模型方结果受传感器安放位置的影响较大，许多传统的方法难以满足高可靠性及高准确性的要[0006]可选地，所述根据所述电流信号计算表征电流信号复杂程度和突变程度的特征域信号和电流频域信号分别计算表征突变程度的时6按照预设的随机森林算法参数构建决策树；将所述随机森林袋外数据集输入所述决策树，一方面及第一方面任一可选实施方式所述的训练齿轮箱故障诊断模型方法生成的齿轮箱面及第一方面任一可选实施方式所述的训练齿轮箱故障诊断模型方法和/或第二方面所述7所述计算机程序被处理器执行时实现如第一方面及第一方面任一可选实施方式所述的训练齿轮箱故障诊断模型方法和/或第二方面所述的齿轮箱8[0037]式中，为维度数量，f为电流互感器的采样频率，t为电流互感器的采样时[0045]具体地，深度强化学习网络模型是将强化学习网络与深度神经网络结合建立9[0062]进一步地，根据模糊隶属函数公式计算此时相空间中两个窗口向量x(i)[0064]式中表示窗口向量x(i)和之间的绝对距离。频域信号的过程可使用现有技术中的傅里叶变换算法、傅里叶级数算法等多种方法实现，将被选中过的数据生成随机森林训练数据集，未被选中的数据则生成随机森林袋外数据定了抽样次数，假设决策树数量为u，则进行u次抽样，生成u组随机森林训练数据集也可以使用现有技术中抽取随机值替换原特征的方法或将原有样本的特征值打乱分布等[0128]步骤S141，根据训练数据集中抽取的样本对所述深度强化学习网络模型进行训数从训练数据集中抽取对应数量的样本，并将抽取出的样本输入深度强化学习网络模型，望值，分析最后一轮次计算出的奖励值期望与上一轮次计算出的奖励值期望之间的波动，确率即为测试结果正确的数量与测试结果数量的比值。当准确率大于预设的准确率阈值取样的方式生成训练数据集，并从中抽取64个样本对所述深度强化学习网络模型进行训[0163]步骤S22，将所述电流信号的时间序列输入如上述实施例所述的训练齿轮箱故障[0172]根据上述对比结果，可以得出本发明方法在4种不同的运行条件下均有比较稳定[0175]特征计算模块102，用于根据所述电流信号计算表征电流信号复杂程度和突变程[0181]故障诊断模块202，用于将所述电流信号的时间序列输入到如本发明实施例中任（ApplicationSpecificIntegratedCircuit，ASIC）、现场可编程门阵列（Field-暂态计算机可执行程序以及模块，如本发明实施例中的训练齿轮箱故障诊断模型方法和/或齿轮箱故障诊断方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的述方法实施例中的训练齿轮箱故障诊断模型方法和[0186]存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系