摘要
齿轮箱作为风电机组传动系统中最重要的部件之一，其平稳、安全的运行是整个风电机组正常运行并实现动能转换的前提，因此齿轮箱的可靠性和安全性成为了风电机组平稳可靠运行的关键。现有的基于单一传感器信号的故障诊断方法无法全面且可靠的描述齿轮箱的运行状况与健康状态，从而无法实现高精度、高效率的故障诊断。同时，现有的基于多传感器信号融合的方法缺乏有效的模态表征机制，难以实现不同信号的特征融合，因此不能充分的利用多传感器信号中的关键信息。本文以风电齿轮箱为对象，引入多模态学习与多任务学习策略，利用风电机组中的机电耦合特性，结合振动信号与发电机定子电流信号两种模态进行分析，研究基于多模态信号融合的风电齿轮箱故障诊断方法，对振动和电流信号两种模态建立有效的模态融合机制，充分利用两种模态信号之间的时空相关性，结合多任务学习策略，提升故障诊断模型的精度的同时，实现高效的齿轮箱故障分类识别。本文主要内容如下： （1）分析了风电机组齿轮箱中齿轮与轴承的主要故障类型及其内在故障机理，对齿轮箱的故障原理进行了总结。同时对基于振动和电流信号的齿轮箱故障诊断方法原理进行了分析总结。设计了齿轮箱故障模拟实验，分别对齿轮和轴承在不同健康状况下的产生的信号进行模拟实验，建立齿轮箱故障诊断多模态故障分类数据集。 （2）针对现有基于多传感器信号融合的齿轮箱故障诊断方法缺乏有效的信号表征及融合机制的问题，提出了一种基于多模态多任务加权融合模型（MTAFN），使用连续小波变换（CWT）将振动及电流信号转化为同时具有时频特征的小波尺度谱，并将其作为特征提取网络的输入。根据每个模态中包含的有效特征比重进行动态加权融合，得到具有动态权重的融合特征后输入到所设计的带有多任务分类模块，同时结合单一模态网络与融合模态网络的参数信息进行故障分类。通过公开数据集与自建试验台数据集验证了所提出方法的有效性，并与基于单一模态信号的故障诊断方法进行了比较。 （3）针对原始信号中的故障特征较难提取，现有模型缺乏有效的深层特征学习机制的问题，引入深度度量学习策略，提出一种多任务多模态信号融合（M2FN）故障诊断模型，旨在更好的学习到模态的相似性特征及不同故障类型的差异性特征。该方法使用多分支的卷积神经网络对不同模态的信号进行特征提取，利用所设计的具有深度度量学习策略的多任务模块对融合特征进行深层特征学习，共享分类任务与度量任务的参数，同时学习模态之间的相似性特征与互异性特征，增强样本的类间可分性和类内聚集性，实现了不同种类任务之间的协同增强，提升了故障诊断精度。将所提方法分别与单一模态信号方法，以及最新的故障诊断方法进行比较，验证了所提方法的有效性。
NETL