黎阳羊， 胡金磊， 赖俊驹， 王伟， 赵阳， 杨帆

(1. 广东电网有限责任公司 清远供电局，广东 清远 511500；2. 上海电力大学 电气工程学院，上海 200090)

0 引 言

随着新能源地位的不断提升，风能已经成为当今世界重要的能源，而行星齿轮箱是风电机组转动系统的重要装置[1]。但运行环境恶劣，长期运行易发生故障[2]，如果处理不及时，将可能导致风电机组停机，引起重大损失。因此，在电力设备的保护中，行星齿轮箱故障诊断的研究有重要意义。

针对行星齿轮箱，国内外学者展开了很多关于其故障诊断的研究[3]，其中人工神经网络被广泛应用于相关故障诊断领域[4]。本文针对行星齿轮箱故障信号易受到较强干扰，导致其故障特征难以通过浅层网络表达的问题，结合SANC对周期信号的分离能力，CNN的空间特征提取能力和LSTM的时序特征提取能力，提出了一种基于SANC和一维混合神经网络(1D-CNN-LSTM)的行星齿轮箱故障诊断方法。经验证，该方法故障诊断准确程度有明显提高。

1 自参考自适应噪声消除技术

SANC通过对原始信号设置延迟生成参考信号，然后对该信号进行自相关分析，从而提取出周期信号成分，实现原始信号中周期成分与随机成分的分离。行星齿轮箱故障特征以周期信号的形式出现，SANC的工作原理如图1所示。

图1 SANC工作原理

SANC算法实现的关键是使用合适的自适应滤波器。本文使用最小均方算法(LMS)，其实现过程如下[5]：

(1)

J=E[e2(n)]

(2)

W(n+1)=W(n)+η(-∇J)

(3)

2 1D-CNN-LSTM混合模型

2.1 一维卷积神经网络(1D-CNN)

卷积神经网络拥有多个卷积核，对信号进行特征提取，网络具有较强的鲁棒性[6]。……