谢东东,沈艳霞

(江南大学物联网工程学院,无锡 214122)

0 引言

由于能源需求的日益增长,化石燃料的消耗与碳排放总量的上升。风力发电及其相关技术越来越多地受到了国内外的关注。但是风电设备所安装的区域总是环境恶劣,作为整个风电机组的核心设备,齿轮箱中的核心组件滚动轴承对整个系统的运作效率影响巨大,一旦发生故障,会导致整个系统的长时间停机。而其故障特征微弱、提取困难,因此研究风电机组滚动轴承的故障诊断方法具有重要的实际意义[1]。

故障检测和诊断方法主要分为3大类:基于模型、基于知识推理和基于数据驱动[2]。传统方法如机器学习等由于表达能力单一,泛用性差,等缺点,在进行数据驱动类型的故障诊断时表现平平,已经无法适应新工业“大数据”特性的需求。

深度学习由于其强大的学习能力,能够通过分析大量的数据来发现数据之间的联系,从大量的非标签数据中自动提取相应的特征表达分类,非常适用于解决故障诊断的难题[3]。深度置信网络(deep belief networks,DBN)作为深度学习的一种新兴方法,能够更好地表征振动信号和故障状态之间的映射关系,减少了传统方法的不确定性,适合复杂数据下多故障位置、多损伤程度的轴承故障诊断需求。

GOU等[4]将DBN采用主/从属模式进行训练提出了一种并行计算优化故障诊断方法;GOU等[5]提出了一种基于双稀疏字典和DBN的滚动轴承故障诊断方法;唐刚等[6]提出了一种基于优……