关键词:
故障诊断
齿轮箱
迁移学习
知识蒸馏
时变转速
摘要:
随着风电产业的飞速发展,对风电装备在工程上的安全性和稳定性方面的要求也日益提升,风力发电机的正常运转直接关系到企业的经济收益。齿轮箱作为风力发电装备中的关键部件,其运行健康状态是风电机组高可靠性的重要保障。但在实际风电机组的运行中,转速会随时间发生瞬态变化,导致采集到的监测数据在时间尺度上存在巨大的分布差异,使得基于深度学习的故障诊断模型泛化能力下降。另一方面,工程中真正可以用于模型训练的故障数据十分匮乏,难以采集到大量不同工况的故障信息。国内外针对变工况下风电齿轮箱故障诊断方法开展了广泛的研究,然而这类研究中很少考虑时变转速对深度学习模型性能的影响,同时在模型的轻量化设计与故障知识的精细化表示方面缺乏研究。
为解决上述这些问题,本文构建了基于迁移学习(Transfer learning,TL)和残差部分卷积(Res PConv)的模型来减少时变转速工况下齿轮箱负载变化对于故障诊断模型性能的负面影响,利用部分卷积提升运算效率,实现对故障的高效识别,通过引入了局部最大均值差异(Local maximum mean discrepancy,LMMD),通过度量期望分布与近似分布的差异,实现了同一类别下相关子域概率分布的紧密对齐,通过降低了时变转速下不同工况样本分布不一致对模型诊断性能的干扰问题,提升模型在不同工况下的泛化性。在时变转速工况下实验结果故障诊断平均精度达到了86.8%,平均FLOPs为9.5G,鲁棒性很好。
针对复杂模型不利于实际工程运用,结合知识蒸馏(Knowledge distillation,KD)的思想构建了基于迁移学习和知识蒸馏的轻量化齿轮箱故障诊断模型。该模型使用第三章训练的TL-Res PConv模型作为教师模型,用教师模型的输出结果替代原始数据标签进行知识蒸馏,并构造通道信息损失计算学生网络和教师网络中间层的蒸馏损失。然后,在时变转速下的实验中验证了不同蒸馏温度和参数对蒸馏效果的影响,学生模型的准确率约为85.2%以上,浮点运算次数FLOPs为2.64G。实现了诊断模型从大模型向小模型的知识迁移,同时保证了模型的性能和精度,使模型在轻量化和高诊断准确率之间达到平衡。
基于上述研究方法,开发了基于深度学习的齿轮箱故障诊断系统。实现了数据浏览、可视化、故障诊断等功能,满足了齿轮箱故障诊断任务的基本需求。