收稿日期：2021-08-16

基金項(xiàng)目：國家自然科學(xué)基金（51976131；52006148）；上海市“科技創(chuàng)新行動(dòng)計(jì)劃”地方院校能力建設(shè)項(xiàng)目（19060502200）

通信作者：李 春（1963—），男，博士、教授，主要從事動(dòng)力機(jī)械及流體機(jī)械優(yōu)化設(shè)計(jì)、風(fēng)能利用等方面的研究。lichunusst@163.com

DOI：10.19912/j.0254-0096.tynxb.2021-0956 文章編號(hào)：0254-0096（2023）05-0302-08

摘 要：風(fēng)力機(jī)齒輪箱因長期處于多噪聲、高轉(zhuǎn)速工況下運(yùn)行，振動(dòng)信號(hào)呈現(xiàn)非線性特性，致故障信息難以準(zhǔn)確有效提取?；诖?，提出自適應(yīng)白噪聲平均集成經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMDAN）與卷積神經(jīng)網(wǎng)絡(luò)（CNN）聯(lián)合故障辨別與診斷方法。利用CEEMDAN較強(qiáng)的非線性特征分解能力將振動(dòng)信號(hào)分解，多重相關(guān)系數(shù)篩選有效故障特征分量組并剔除冗余分量，再將最佳分量組輸入CNN實(shí)現(xiàn)故障診斷。結(jié)果表明：不同故障狀態(tài)和信噪比下，較EMD-CNN與EEMD-CNN方法，均突顯了所提方法良好的魯棒性與泛化性。

關(guān)鍵詞：風(fēng)電機(jī)組；故障診斷；信噪比；卷積神經(jīng)網(wǎng)絡(luò)；相關(guān)性分析法

中圖分類號(hào)：TK83" " " " " " " " " " "文獻(xiàn)標(biāo)志碼：A

0 引 言

目前，環(huán)境污染問題日益突出，清潔能源逐漸備受重視，風(fēng)能憑借其清潔、高效以及可持續(xù)的優(yōu)勢(shì)快速發(fā)展，而齒輪箱作為風(fēng)力機(jī)調(diào)速的關(guān)鍵部件，其故障率雖低于控制與電氣系統(tǒng)，但極易引發(fā)停機(jī)事故［1］。齒輪箱的健康狀況對(duì)整臺(tái)風(fēng)力機(jī)設(shè)備的長期安全運(yùn)行極為重要，若不及時(shí)排查，一旦發(fā)生故障輕則導(dǎo)致風(fēng)力機(jī)停機(jī)，重則造成特大事故或人員傷亡［2］。因此，及時(shí)準(zhǔn)確地檢測(cè)與診斷齒輪箱故障，在延長風(fēng)力機(jī)壽命、減少運(yùn)行成本，確保風(fēng)力機(jī)穩(wěn)定安全運(yùn)行等方面具有重要研究價(jià)值。

因振動(dòng)信號(hào)易采集、成本低及故障信息豐富，常被用于風(fēng)力機(jī)故障辨識(shí)與診斷。齒輪箱復(fù)雜的內(nèi)部傳動(dòng)結(jié)構(gòu)易造成振動(dòng)信號(hào)呈現(xiàn)紊亂的頻譜特征，而頻、時(shí)域譜單獨(dú)分析難以精準(zhǔn)辨別其故障特征。因此，為提高原始振動(dòng)信號(hào)的平穩(wěn)性，采用時(shí)頻分析方法對(duì)其進(jìn)行預(yù)處理，以獲取有效的特征信息［3］。而常用的時(shí)頻分析方法雖可提取特征信息，但仍存在以下問題：1）小波變換（wavelet transform，WT）方法缺乏自適應(yīng)性，并存在頻帶能量泄露，無法區(qū)分相近頻率等問題［4］；2）經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）雖可自適應(yīng)分解，但仍難避免模態(tài)混疊［5］；3）總體平均經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD）將輔助噪聲加入原始信號(hào)中可較好地避免模態(tài)混疊現(xiàn)象，但易受人為因素的經(jīng)驗(yàn)選擇的干擾［6］。自適應(yīng)白噪聲平均集成經(jīng)驗(yàn)?zāi)B(tài)分解（complete ensemble empirical mode decomposition with adaptive noise， CEEMDAN）是對(duì)EEMD算法的進(jìn)一步改進(jìn)，通過自適應(yīng)添加白噪聲，將振動(dòng)信號(hào)有效分解為系列本征模態(tài)函數(shù)（intrinsic mode function， IMF）分量特征［7］，彌補(bǔ)EEMD分解效率低及分解過程缺失的難題。

迄今，故障辨別常用鄰近算法KNN、支持向量機(jī)SVM及人工神經(jīng)網(wǎng)絡(luò)ANN等算法，傳統(tǒng)智能診斷方法雖在滾動(dòng)軸承故障診斷研究上取得了一定效果，但“淺層學(xué)習(xí)網(wǎng)絡(luò)”存在無法學(xué)習(xí)自身特性、自適應(yīng)提取故障特征及泛化性較差等問題［8］?；诖髷?shù)據(jù)時(shí)代下高維數(shù)據(jù)分析需求，深度學(xué)習(xí)憑借強(qiáng)大的挖掘能力被廣泛應(yīng)用，而卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks， CNN）是深度學(xué)習(xí)的典型代表［9］，已為國內(nèi)外學(xué)者做了大量研究。文獻(xiàn)［10］提出的一維卷積神經(jīng)網(wǎng)絡(luò)與Softmax分類器相結(jié)合的診斷方法，較傳統(tǒng)智能算法可減少訓(xùn)練樣本，增強(qiáng)數(shù)據(jù)選取的廣泛性；夏敏等［11］將多傳感器振動(dòng)信號(hào)融合作為CNN輸入，所提方法不僅可避免海量數(shù)據(jù)導(dǎo)致的“維數(shù)災(zāi)難”，還可增強(qiáng)對(duì)故障的識(shí)別性能。以上研究表明，CNN雖可實(shí)現(xiàn)特征提取與狀態(tài)分類一體化，解決海量、高維數(shù)和非線性數(shù)據(jù)具有自適應(yīng)性與強(qiáng)擬合能力，但仍無法避免噪聲對(duì)故障診斷準(zhǔn)確率的影響。

為解決上述難題，提出一種CEEMDAN相關(guān)系數(shù)-CNN智能故障診斷方法。采用CEEMDAN對(duì)強(qiáng)噪聲信號(hào)降噪分解，多重相關(guān)系數(shù)篩選，獲取最佳特征分量組，并輸入具有強(qiáng)大深度學(xué)習(xí)能力的CNN中實(shí)現(xiàn)故障診斷。通過對(duì)齒輪箱不同故障信號(hào)的分析，驗(yàn)證了CEEMDAN相關(guān)系數(shù)-CNN方法較強(qiáng)的識(shí)別能力和泛化性能，并為風(fēng)力機(jī)齒輪箱故障診斷提供了一種新方法。

1 算法基礎(chǔ)

1.1 CEEMDAN算法

因CEEMD和EEMD算法在分解振動(dòng)信號(hào)時(shí)，均通過添加不同形式的高斯白噪聲以避免EMD分解過程中出現(xiàn)的模態(tài)混疊現(xiàn)象，但其均未分離殘?jiān)?，?dǎo)致白噪聲在高、低頻轉(zhuǎn)換時(shí)無法徹底消除，從而進(jìn)一步影響其分析結(jié)果。而CEEMDAN［12］分解算法將高斯白噪聲加入EMD分解后含輔助噪聲的IMF分量，通過直接計(jì)算一階IMF總體均值方式獲取第一階IMF分量，并對(duì)其余分量采用同樣方式計(jì)算，該方式可較好地消除噪聲在高、低頻轉(zhuǎn)換時(shí)的余噪問題并提升分解過程的效率和完備性。CEEMDAN分解原理與步驟如圖1所示。

1.2 CNN基本原理闡述

CNN不僅是深層結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，還是深度學(xué)習(xí)算法的代表，其“端到端”的數(shù)據(jù)處理方法在實(shí)際應(yīng)用中，可避免人為過多干預(yù)特征提取，增強(qiáng)數(shù)據(jù)特征的自學(xué)習(xí)能力，CNN模型主要由池化層、卷積層及全連接層組成［13］。

1.2.1 卷積層

CNN核心是卷積層中卷積核的卷積運(yùn)算，而卷積核共享參數(shù)學(xué)習(xí)特征的過程，即為特征提取。其數(shù)學(xué)表達(dá)式為：

[uj=f（xi+bj）] （1）

式中：[uj]——輸出信息；[f·]——ReLu函數(shù)；[xi]——輸入信息；[bj]——偏置項(xiàng)。

1.2.2 池化層

輸入數(shù)據(jù)經(jīng)卷積雖增強(qiáng)了特征信息的提取，但卷積后增大了數(shù)據(jù)維度，而池化層可對(duì)卷積后的數(shù)據(jù)進(jìn)行縮放，保留其關(guān)鍵特征，減少模型權(quán)重參數(shù)大小，達(dá)到降維的同時(shí)提高運(yùn)算效率，避免過擬合現(xiàn)象［14］。其計(jì)算公式為：

[uj=f（βj??+bj）] （2）

式中：[βj]——網(wǎng)絡(luò)偏置；[?]——子采樣函數(shù)。

均值池化與最大值池化都是池化。而最大值池化最為常用。

1.2.3 全連接層

輸入數(shù)據(jù)經(jīng)過多個(gè)卷積與池化交替后，將提取的特征通過Softmax分類器對(duì)全連接層結(jié)果進(jìn)行分類輸出［15］。全連接層富含多個(gè)感知機(jī)隱含層，可較好地整合卷積、池化后的數(shù)據(jù)信息，提高模型的泛化性能。

1.2.4 Dropout層

Dropout正則化技術(shù)［16］因密切與神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程相貼合，可將隱藏層的部分單元忽略以防止過擬合現(xiàn)象。

CNN作為一種深度學(xué)習(xí)框架，其采用的梯度下降法與向傳播算法訓(xùn)練網(wǎng)絡(luò)明顯優(yōu)于傳統(tǒng)人工網(wǎng)絡(luò)。且其具備時(shí)間或空間下采樣、稀疏連接及參數(shù)共享優(yōu)勢(shì)，可縮減數(shù)據(jù)維度、降低訓(xùn)練參數(shù)量以及避免算法過擬合［17］。應(yīng)對(duì)當(dāng)前海量、高維度數(shù)據(jù)［18］，CNN可有效對(duì)其處理與學(xué)習(xí)。

2 CEEMDAN相關(guān)系數(shù)-CNN診斷

2.1 CEEMDAN相關(guān)系數(shù)-CNN結(jié)構(gòu)

因風(fēng)力機(jī)齒輪箱長期處于復(fù)雜的工作環(huán)境，難以采集純凈振動(dòng)信號(hào)，造成故障特征難以準(zhǔn)確提取的困境，CNN雖可處理海量數(shù)據(jù)，但直接采用其用于直故障診斷，將無法充分提取故障特征。本文提出CEEMDAN相關(guān)系數(shù)、CNN聯(lián)合故障診斷方法。其結(jié)構(gòu)如圖2所示。

基于原始振動(dòng)的CEEMDAN相關(guān)系數(shù)-CNN故障診斷方法，對(duì)其網(wǎng)絡(luò)結(jié)構(gòu)多次優(yōu)化，獲取最佳網(wǎng)絡(luò)結(jié)構(gòu)，如表1所示。

由圖2與表1可知，分別將4種故障原始信號(hào)采用CEEMDAN分解并計(jì)算各IMF分量和各分量組相關(guān)系數(shù)，將相關(guān)系數(shù)最大分量組重構(gòu)作為最佳分量，對(duì)其隨機(jī)篩選2048個(gè)數(shù)據(jù)，導(dǎo)入CNN進(jìn)行故障診斷。為提高故障識(shí)別率與避免出現(xiàn)過擬合，多次在卷積與池化層間套用歸一化（batch normalization，BN）并將DR添加在全連接層前。

2.2 CEEMDAN與深度學(xué)習(xí)診斷流程

基于CNN處理含噪信號(hào)存在的不足，提出CEEMDAN與深度學(xué)習(xí)聯(lián)合的故障辨識(shí)與診斷方法，采用其對(duì)原始信號(hào)預(yù)處理，可提高其泛化性與識(shí)別能力。具體診斷流程如圖3所示。

3 仿真與分析

3.1 仿真信號(hào)

為更好地驗(yàn)證上述思路的準(zhǔn)確性，基于齒輪箱故障信號(hào)特征構(gòu)建仿真信號(hào)[x（t）]，如式（3）所示。

[x（t）=x1（t）+x2（t）+x3（t）+x4（t）x1（t）=8e-50t1sin（2π100t）x2（t）=1.5sin（2π50t）x3（t）=2cos（2π5t），" 0≤t≤0.52cos（2π15t），" 0.5lt;t≤1x4（t）=0.2rand（1，501）] （3）

式中：[x1（t）]——故障中的沖擊信號(hào)；[x2（t）]——正弦分量；[x3（t）]——變頻信號(hào)；[x4（t）]——隨機(jī)噪聲信號(hào)。

為更清晰地展現(xiàn)仿真信號(hào)，對(duì)式（3）進(jìn)行圖像繪制，如圖4所示。

仿真信號(hào)分別進(jìn)行EMD、EEMD及CEEMDAN分解，其時(shí)域圖如圖5所示。

由圖5可知，僅從時(shí)域圖很難篩選出最佳分量或分量組，因此，需進(jìn)一步求取不同分解方法分量組的相關(guān)系數(shù)，其結(jié)果如圖6所示。由圖6可知，較EMD、EEMD分解方法，CEEMDAN前4個(gè)IMF分量組均具有較高的相關(guān)系數(shù)且末尾冗余分量對(duì)最佳特征分量組篩選影響更小。因此，經(jīng)分量組相關(guān)系數(shù)可更好地篩選故障特征，剔除冗余分量，提高故障診斷識(shí)別性能。

3.2 實(shí)例數(shù)據(jù)處理

本文使用美國國家可再生能源實(shí)驗(yàn)室的NREL·GRC項(xiàng)目采集的數(shù)據(jù)集［19］。傳動(dòng)系統(tǒng)如圖7所示。

表2為齒輪箱具體參數(shù)。

NREL實(shí)驗(yàn)風(fēng)場(chǎng)中測(cè)試的齒輪箱，主要故障為運(yùn)行時(shí)出現(xiàn)了油損。為更好地對(duì)比分析，通過對(duì)其進(jìn)行實(shí)驗(yàn)并由8個(gè)加速度傳感器采集故障與正常狀態(tài)下振動(dòng)信號(hào)，傳感器分布如圖8所示。表3為各振動(dòng)傳感器測(cè)試得到的齒輪箱實(shí)際損壞類型。

由圖8可知，若獲取最貼合高速齒輪的運(yùn)行數(shù)據(jù)，AN8傳感器采集的數(shù)據(jù)最佳，不僅因其緊靠高速齒輪，還挨著損壞齒輪。相比其他位置，AN8采集數(shù)據(jù)振動(dòng)較大，蘊(yùn)含大量的特征信息，因此，本文選其采樣頻率為40 kHz的AN8傳感器獲取的數(shù)據(jù)集。

AN8傳感器采集齒輪正常和故障狀態(tài)下的加速度振動(dòng)信號(hào)如圖9a、圖9b所示。由圖9可知，不同工況下振動(dòng)信號(hào)時(shí)域圖紊亂且無序，難以直接辨別其運(yùn)行狀態(tài)。

分別對(duì)正常及故障信號(hào)進(jìn)行EMD、EEMD及CEEMDAN分解，限于篇幅，僅展示齒輪箱故障信號(hào)分解的時(shí)域圖，其結(jié)果如圖10所示。

由圖10可知，齒輪箱故障信號(hào)分解降噪時(shí)無法避免產(chǎn)生冗余分量，可故障信息大多集中在前幾分量，而目前較多的學(xué)者通過特定指標(biāo)篩選出較好的IMF分量，難以真實(shí)地反應(yīng)故障特征，易降低后期故障診斷準(zhǔn)度，因此，文中通過計(jì)算不同分量組的皮爾森相關(guān)系數(shù)，可有效篩選故障信息并剔除冗余分量，其結(jié)果如圖11所示。

由圖11可知，皮爾森相關(guān)系數(shù)越大，與原始信號(hào)相似度越高，越有利于突顯故障特征。因此，有效的特征分量均集中在前幾分量，3種分解方法針對(duì)齒輪箱故障雖均可有效提取故障信息，但其所求分量組個(gè)數(shù)差異較大。CEEMDAN在第7分量組已停止疊加，而EMD、EEMD分別在第10、12分量組才達(dá)到最優(yōu)。CEEMDAN與皮爾森相關(guān)系數(shù)結(jié)合不僅可更早地分解出富含故障信息分量，還能較好地剔除冗余分量。為進(jìn)一步驗(yàn)證分量組篩選的有效性，將其輸入深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷識(shí)別與分類。

3.3 故障診斷識(shí)別與分類

為探究CEEMDAN相關(guān)系數(shù)-CNN方法對(duì)故障的識(shí)別性能，對(duì)原始信號(hào)各故障按4∶1∶1分為訓(xùn)練、測(cè)試及驗(yàn)證集并采用重采樣增加樣本數(shù)量提高其準(zhǔn)確度。原始信號(hào)驗(yàn)證集準(zhǔn)確率及損失如圖12所示。由圖12可知，采用CEEMDAN相關(guān)系數(shù)-CNN方法對(duì)齒輪箱的故障識(shí)別率雖為100%，但實(shí)際工況需考慮混雜噪聲對(duì)故障診斷準(zhǔn)確率的干擾。

鑒于實(shí)際運(yùn)行環(huán)境，將不同信噪比白噪聲加入振動(dòng)信號(hào)以還原其真實(shí)工作環(huán)境，為驗(yàn)證其較好的泛化性及識(shí)別性能，分別通過EMD-CNN、EEMD-CNN與CEEMDAN-CNN方法計(jì)算各信噪比下最優(yōu)分量組的準(zhǔn)確率，其結(jié)果如表4所示。

由表4可知，對(duì)原始信號(hào)添加信噪比為-6～6 dB，信噪比大小可直接影響各算法的故障診斷準(zhǔn)確率，同時(shí)，也可較真實(shí)地還原風(fēng)力機(jī)齒輪箱實(shí)際運(yùn)行環(huán)境。本文所提方法準(zhǔn)確率最高可達(dá)100%，而在信噪比為-6 dB時(shí)，準(zhǔn)確率仍高達(dá)99.17%，較EMD-CNN與EEMD-CNN分別高36.90%和27.69%。因EMD分解算法欠佳，易出現(xiàn)模態(tài)混疊；EEMD分解雖可在一定程度上抑制模態(tài)混疊，但易產(chǎn)生虛假模態(tài)分量，無法消除白噪聲傳遞問題；而CEEMDAN方法可較好地消除白噪聲傳遞對(duì)分解結(jié)果的影響，濾除噪聲的同時(shí)突顯其故障特征，提高故障診斷識(shí)別能力，相比EMD-CNN與EEMD-CNN方法在不同信噪比下具有較大優(yōu)越性，進(jìn)一步驗(yàn)證了CEEMDAN相關(guān)系數(shù)-CNN智能故障診斷方法良好的泛化性。

4 結(jié) 論

本文所提的CEEMDAN相關(guān)系數(shù)-CNN聯(lián)合的故障診斷方法，對(duì)原始振動(dòng)信號(hào)采用CEEMDAN分解，多重相關(guān)系數(shù)篩選最佳分量組，最終通過CNN對(duì)其訓(xùn)練、測(cè)試及驗(yàn)證，獲取不同信噪比下的準(zhǔn)確率，實(shí)現(xiàn)故障診斷。主要結(jié)論如下：

1）CEEMDAN相關(guān)系數(shù)-CNN方法，濾除噪聲干擾的同時(shí)可更好地提取原始信號(hào)中的故障特征，提高故障分類準(zhǔn)確率。

2）皮爾森相關(guān)系數(shù)篩選最佳分量組，可有效提取故障信息，剔除冗余分量，提高CNN故障診斷的識(shí)別性能。

3）采用EMD-CNN、EEMD-CNN方法進(jìn)行對(duì)比，其結(jié)果更好地驗(yàn)證了不同信噪比下的識(shí)別與泛化性能，突顯了所提方法的優(yōu)越性。

［參考文獻(xiàn)］

［1］ MARUGáN A P， MARQUEZ F P G. Advanced analytics for detection and diagnosis of 1 alarms and faults： a real case study［J］. Wind energy， 2019， 22（11）： 1622-1635.

［2］ HU Z X， WANG Y， GE M F， et al. Data-driven fault diagnosis method based on compressed sensing and improved" "multiscale" network［J］." IEEE" transactions on industrial electronics， 2020， 67（4）： 3216-3225.

［3］ WANG L， LIU Z W， MIAO Q， et al. Time-frequency analysis based on ensemble local mean decomposition and fast kurtogram" "for" "rotating" "machinery" "fault" "diagnosis［J］. Mechanical systems and signal processing， 2018， 103： 60-75.

［4］ WANG D， ZHAO Y， YI C， et al. Sparsity guided empirical wavelet transform for fault diagnosis of rolling element" "bearings［J］." "Mechanical" "systems" "and" "signal processing， 2018， 101： 292-308.

［5］ LEI Y G， HE Z J， ZI Y Y. Application of the EEMD method to rotor fault diagnosis of rotating machinery［J］. Mechanical systems and signal processing， 2009， 23（4）： 1327-1338.

［6］ LI S P， QIN N， HUANG D R， et al. Damage localization of" stacker’s track" based" on" EEMD-EMD" and" DBSCAN cluster algorithms［J］. IEEE transactions on instrumentation and measurement， 2020， 69（5）： 1981-1992.

［7］ DING F， LI X， QU J X. Fault diagnosis of rolling bearing based on improved CEEMDAN and distance evaluation technique［J］. Journal of vibroengineering， 2017， 19（1）： 260-275.

［8］ WANG F A， JIANG H K， SHAO H D， et al. An adaptive deep convolutional neural network for rolling bearing fault diagnosis［J］." "Measurement" " science" " and" "technology， 2017， 28（9）： 095005.

［9］ LIU X L， TIAN Y， LEI X H， et al. Deep forest based intelligent fault diagnosis of hydraulic turbine［J］. Journal of mechanical science and technology， 2019， 33（5）： 2049-2058.

［10］ 李東東， 王浩， 楊帆， 等. 基于一維卷積神經(jīng)網(wǎng)絡(luò)和Soft-Max分類器的風(fēng)電機(jī)組行星齒輪箱故障檢測(cè)［J］. 電機(jī)與控制應(yīng)用， 2018， 45（6）： 80-87， 108.

LI D D， WANG H， YANG F， et al. Fault detection of wind turbine planetary gear box using 1D convolution neural" "networks" "and" "Soft-Max" "classifier［J］." Electric" machines amp; control application， 2018， 45（6）： 80-87， 108.

［11］ XIA M， LI T， XU L， et al. Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks［J］. IEEE/ASME transactions on mechatronics， 2018， 23（1）： 101-110.

［12］ TORRES M E， COLOMINAS M A， SCHLOTTHAUER G， et al. A complete ensemble empirical mode decomposition" with" adaptive" noise［C］//Proceedings of 2011 IEEE International Conference on Acoustics， Speech and" " Signal" " Processing（ICASSP），" " Prague，" " Czech Republic， 2011.

［13］ 李彥冬， 郝宗波， 雷航. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述［J］. 計(jì)算機(jī)應(yīng)用， 2016， 36（9）： 2508-2515， 2565.

LI Y D， HAO Z B， LEI H. Survey of convolutional neural network［J］. Jouraal of computer applications， 2016， 36（9）： 2508-2515， 2565.

［14］ ZHAO B， ZHANG X M， ZHAN Z H， et al. A robust construction of normalized CNN for online intelligent condition monitoring of rolling bearings considering variable working conditions and sources［J］. Measurement， 2021， 174： 108973.

［15］ KUO C C J. Understanding convolutional neural networks with" " a" " mathematical" " model［J］." "Journal" " of" " visual communication and image representation， 2016， 41： 406-413.

［16］ KRIZHEVSKY A， SUTSKEVE I， HINTON G E. ImagNet classification with deep convolutional neural networks［J］.Communications of the ACM， 2017， 60（6）： 84-90.

［17］ TANG S， YE M， ZHU C， et al. Adaptive pedestrian detection using convolutional neural network with dynamically" adjusted" classifier［J］. Journal" of" electronic imaging， 2017， 26（1）： 013012.

［18］ JIN K H， MCCANN M T， FROUSTEY E， et al. Deep convolutional neural network for inverse problems in imaging［J］." IEEE" transactions" on" image" processing， 2017， 26（9）： 4509-4522.

［19］ SHENG S W. Wind turbine gearbox vibration condition monitoring benchmarking datasets［R］. National Renewable Energy Laboratory， Colorado， USA， 2012.

FAULT DIAGNOSIS OF WIND TURBINE GEARBOX BASED ON

DEEP LEARNING

Xiao Junqing1，Jin Jiangtao1，Li Chun1，2，Xu Zifei1，Luo Shuai1

（1. Energy and Power Engineering Institute， University of Shanghai for Science and Technology， Shanghai 200093， China；

2. Shanghai Key Laboratory of Multiphase Flow and Heat Transfer in Power Engineering， Shanghai 200093， China）

Abstract：The gearbox of wind turbine runs in multi-noise and high speed for a long time， the vibration signal presents nonlinear characteristics， which makes it difficult to extract the fault information accurately and effectively. Based on this， a fault diagnosis method based on the fusion of complete ensemble empirical mode decomposition with adaptive noise（CEEMDAN）， and convolutional neural network is proposed. CEEMDAN’s strong nonlinear feature decomposition ability is used to decompose vibration signals， and multiple correlation coefficients are used to screen effective fault feature components and eliminate redundant components， and then the optimal component group is input into CNN to realize fault diagnosis. The results show that comparing with EMD-CNN and EEMD-CNN， the proposed method has better robustness and generalization under different fault states and SNR.

Keywords：wind turbines； fault diagnosis； signal to noise ration； CNN； correlation analysis methods