买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：成都天奥集团有限公司

摘要：本申请揭示了一种风机齿轮箱健康监测方法、装置、存储介质及设备，所述方法包括：获取待测风机齿轮箱的特征数据并预处理；构建风机齿轮箱健康监测模型，并对所构建的模型进行训练；将预处理后的特征数据输入训练好的风机齿轮箱健康监测模型中，以识别所述待测风机齿轮箱的主故障类别；基于预设的解释模型对所述特征数据对于主故障类别的贡献度进行分析，以获得关键特征数据；对所述关键特征数据的贡献度进行聚类分析，并基于聚类结果以识别所述待测风机齿轮箱的子故障类别。本申请通过对存在主故障类别的齿轮箱数据进行贡献度和聚类分析，能够进一步识别出齿轮箱的子故障类别，从而提高齿轮箱的故障识别精度。

主权项：1.一种风机齿轮箱健康监测方法，其特征在于，所述方法包括：获取待测风机齿轮箱的特征数据，并对所述特征数据进行预处理；构建风机齿轮箱健康监测模型，并对所构建的模型进行训练；所述风机齿轮箱健康监测模型包括：第一数据捕捉模块，用于捕捉待测风机齿轮箱特征数据中的长期依赖信息；指针模块，用于对由第一数据捕捉模块捕捉到的长期依赖信息进行加权；第二数据捕捉模块，用于捕捉待测风机齿轮箱特征数据中的短期依赖信息；优化输出模块，用于对由指针模块加权后的长期依赖信息以及由第二数据捕捉模块捕捉到的短期依赖信息优化融合并输出；所述第一数据捕捉模块和所述第二数据捕捉模块结构相同，均由多个依次串联的LSTM单元组成，其中，每个LSTM单元的结构相同，所述LSTM单元包括输入门、遗忘门和输出门，输入和前一隐藏状态线性组合后经过sigmoid函数变换分别获得输入门值、遗忘门值和输出门值，以及经过双曲正切激活函数激活后获得中间记忆单元，遗忘门值和时刻的记忆单元相乘，输入门值和中间记忆单元相乘，且与遗忘门值和记忆单元相乘后的结果叠加，以获得LSTM的长期依赖信息，长期依赖信息经双曲正切激活函数激活后与输出门值相乘获得LSTM单元的短期依赖信息，长期依赖信息和短期依赖信息共同作为指针模块的输入；每个LSTM单元的计算过程通过下式表示： 其中，是LSTM的输入门值；和是输入门的权重矩阵和偏置向量；是LSTM的遗忘门值；和是遗忘门的权重矩阵和偏置向量；是LSTM的中间记忆单元；和是中间记忆单元的权重矩阵和偏置向量；是LSTM的长期依赖信息，由遗忘门、上一时刻的中间记忆、输入门、中间记忆单元共同计算而得；是LSTM的输出门值；和是输出门的权重矩阵和偏置向量；是短期依赖信息；和分别为激活函数；所述指针模块包括权重分配层和输出层，其中，所述权重分配层基于由第一数据捕捉模块输出的长期依赖信息和短期依赖信息计算指针系数，以用于对由第一数据捕捉模块捕捉到的长期依赖信息动态分配权重；具体的，所述权重分配层包括多个权重单元，每个权重单元负责接收第一数据捕捉模块中每个相应LSTM单元输出的输入数据中的长期依赖信息以及短期依赖信息，并基于短期依赖信息和长期依赖信息计算指针系数对长期依赖信息进行加权，所述输出层则用于输出加权后的长期依赖信息；所述指针模块对由第一数据捕捉模块捕捉到的长期依赖信息的处理过程如下所示： 其中，表示指针系数，由第一数据捕捉模块输出的短期依赖信息和长期依赖信息计算而得，和分别表示短期依赖信息和长期依赖信息的权重矩阵，表示系数的偏置向量，表示指针模块的输出，由滑窗内的长期记忆向量加权平均而得，加权系数为；优化输出模块采用XGBoost模型，具体处理过程如下： 其中，表示预测结果，表示XGBoost树的数量，表示分类树；所述风机齿轮箱健康监测模型通过以下方法进行训练：采集带有故障类型标签的风机齿轮箱数据，并按8：2的比例划分为训练集和测试集；获取最优训练参数，并利用训练集对模型进行训练，直至训练达到最大迭代次数；该步骤中，采用网络搜索获取最优训练参数，具体获取方法包括：定义参数空间：明确超参数的经验取值范围，学习率的取值区间为[0.001,0.01]，步长为0.001；初始化与评估：在定义好的参数空间中随机选择一组参数值作为初始参数点，并使用该组参数值对模型进行配置，并基于准确率指标评估模型；该步骤中，如果当前参数配置下的模型性能优于之前的最优解，则更新最优解为当前参数；迭代执行初始化与评估步骤，继续在参数空间中随机选择新的参数点，并重复评估过程，同时设定停止准则，当训练集准确率达到90%时，迭代停止，此时获取的参数配置即为模型的最优训练参数；利用测试集对训练后的模型进行测试，基于准确率对模型性能进行评估，在测试过程中，若测试集准确率达到预设值，则模型测试通过；否则扩大训练集样本或者调整超参数搜索方法重新对模型进行训练，直至模型测试通过；将预处理后的特征数据输入训练好的风机齿轮箱健康监测模型中，以识别所述待测风机齿轮箱的主故障类别；对所述特征数据对于主故障类别的贡献度进行分析，以识别所述特征数据中的关键特征数据；所述贡献度分析包括：构建包括所有特征数据的集合N；在所构建的集合上加载风机齿轮箱健康监测模型：在集合N上，对风机齿轮箱健康监测模型进行加载，用以计算任意子集S的贡献度；计算每个特征的边际贡献：对于每一个特征i，估算其在各个潜在集合中的边际贡献，其中，边际贡献是指特征加入特定集合后，带来的集合总收益的增量；对每个特征的边际贡献加权求和：通过权重系数对所有含特征i的边际贡献进行加权求和，以获得每个特征i的贡献度；上述针对所述特征数据对于待测风机齿轮箱主故障类别的贡献度分析基于以下公式实现： 其中，是特征对样本的贡献度值，是所有特征集合，是特征数量，是不含特征的特征子集，是原始模型，是特征对特征的边际贡献，则是特征对样本的贡献超过平均预测基准的部分；对所述关键特征数据的贡献度进行聚类分析，以识别所述待测风机齿轮箱的子故障类别；对所述关键特征数据的贡献度进行聚类分析，包括：对特征数据的贡献度进行加载；对加载后的贡献度进行预处理，以获得预处理后的贡献度；初始化聚类模型；基于初始化后的聚类模型对预处理后的贡献度进行聚类；对聚类结果可视化。

全文数据：

权利要求：

百度查询： 成都天奥集团有限公司 一种风机齿轮箱健康监测方法、装置、存储介质及设备