基于ResNet-ELM和迁移学习的风机齿轮箱故障诊断方法

作者：孙晔; 张泽明; 刘晓悦^*

来源：机电工程, 2023, 40(07): 978-1078.

• 齿轮传动
• 迁移学习
• 深度残差网络
• 极限学习机
• 卷积神经网络
• 连续小波变换
• 模型预训练
• 模型迁移
• 小波时频图

在变工况以及混合故障情况下，采用传统的方法对风力发电机齿轮箱进行故障诊断时，存在诊断效果不佳、泛化能力差等问题，为此，提出了一种基于深度残差网络(ResNet)-极限学习机(ELM)和迁移学习(TL)的风力发电机齿轮箱故障诊断方法(TL-RN-ELM)。首先，分别介绍了连续小波变换(CWT)、卷神经网络(CNN)、深度残差网络(ResNet)、迁移学习(TL)、极限学习机(ELM)的原理；然后，基于上述原理，建立了TL-RN-ELM的风力发电机齿轮箱故障诊断模型(流程);最后，使用轴承数据集和齿轮箱数据集对上述方法进行了实验验证，即从美国凯斯西储大学(CWRU)轴承数据集和东南大学(SEU)齿轮箱数据集中进行了数据采集和处理，利用CWT将原始一维振动信号转换成了二维小波时频图像，使用CWRU轴承数据集对搭建的ResNet18模型进行了训练，生成了预训练模型；将预训练模型中的数据迁移至SEU齿轮箱数据集，微调了模块，提取了特征，并将其输入到ELM分类器，然后将分类结果与其他3类模型进行了对比分析。实验结果表明：对于从轴承到轴承、轴承到齿轮以及混合故障的小样本迁移故障诊断，TL-RN-ELM的平均准确率可达98.79%;与其他方法相比，该方法的平均准确率提升了4.73%～9.6%。研究结果表明：该方法具有良好的诊断效果和泛化能力。

• 单位
  中国信息通信研究院; 华北理工大学