基于卷积双通道多层感知机混合器和加权投票机制的风电机组齿轮箱故障诊断

doi:10.3969/j.issn.1006-2475.2025.12.003

计算机与现代化 ›› 2025, Vol. 0 ›› Issue (12): 19-25.doi: 10.3969/j.issn.1006-2475.2025.12.003

基于卷积双通道多层感知机混合器和加权投票机制的风电机组齿轮箱故障诊断

（1.国能锦界能源有限责任公司，陕西榆林 719319； 2.中国电建集团华东勘测设计研究院有限公司，浙江杭州 311122；
3.三峡大学电气与新能源学院，湖北宜昌 443002）

出版日期:2025-12-18 发布日期:2025-12-18
作者简介: 作者简介：王望龙（1981—），男，陕西澄城人，工程师，学士，研究方向:新能源发电系统运行维护与管理，E-mail: wwlong1981@126.com；徐军杨（1986—），男，浙江丽水人，高级工程师，学士，研究方向:新能源发电系统运行维护与管理，E-mail: xu_jy3@hdec.com；苏鹏（1983—），男，陕西神木人，工程师，学士，研究方向:新能源发电系统运行维护与管理，E-mail: 16149832@ceic.com；通信作者：付文龙（1988—），男，湖北仙桃人，副教授，博士，研究方向:发电设备健康管理，人工智能应用，E-mail: ctgu_fuwenlong@126.com。
基金资助:
基金项目：国家自然科学基金资助项目（51741907）

Fault Diagnosis of Wind Turbine Gearbox Based on Convolutional Dual Channel Multilayer Perceptron Mixer and Weighted Voting Mechanism

（1. Guoneng Jinjie Energy Co.， Ltd.， Yulin 719319， China； 2. Power China Huadong Engineering Co.， Ltd.， Hangzhou 311122， China； 3. College of Electrical Engineering and New Energy， China Three Gorges University， Yichang 443002， China）

Online:2025-12-18 Published:2025-12-18

摘要/Abstract

摘要：
摘要：齿轮箱是风电机组中关键且易损的部件之一，其健康状况的故障诊断对减少运营和维护成本以及提高成本效益具有重要意义。为此，本文提出一种基于卷积双通道多层感知机混合器和加权投票机制的风电机组齿轮箱故障诊断方法。首先，将原始振动信号通过连续小波变换转化为二维时频图像；然后，通过二维卷积网络提取二维时频图像的局部特征，同时将时频图像数据划分为不重叠的补丁，构建双通道多层感知机混合器网络以提取全局特征；最后，将提取到的2个全局特征向量加权，得到最终的特征表示，并通过全连接层分类得到最终的故障诊断结果。通过在康涅狄格大学齿轮箱数据集上进行实验，结果表明所提方法相较于其他传统方法具有更好的诊断性能，取得了最高诊断准确率100%。

关键词: 关键词：风电机组齿轮箱, 故障诊断, 卷积网络, 双通道多层感知机混合器, 加权投票机制

Abstract: Abstract: The gearbox is one of the key and vulnerable components in wind turbines， and the fault diagnosis of its health condition is of great significance to reduce operation and maintenance costs and improve cost efficiency. Therefore， a fault diagnosis method of wind turbine gearbox based on convolutional double-channel multi-layer perceptron mixer and weighted voting mechanism is proposed. Firstly， the original vibration signal is transformed into two-dimensional time-frequency image by continuous wavelet transform. Then， the local features of 2D time-frequency images are extracted by using a two-dimensional convolutional network， and the time-frequency image data is divided into non-overlapping patches. A two-channel multi-layer perceptron mixer network is constructed to extract the global features. Finally， the extracted two global feature vectors are weighted to get the final feature representation， and the final fault diagnosis result is obtained through the full connection layer classification. The test results of UConn gearbox dataset show that the proposed method has higher diagnostic performance than other traditional methods， and achieves the highest diagnostic accuracy of 100%.

Key words: Key words： wind turbine gearbox, fault diagnosis, convolutional network, dual channel multi-layer perceptron mixer, weighted voting mechanism

中图分类号:

中图分类号：TP202

王望龙1, 徐军杨2, 苏鹏1, 付文龙3. 基于卷积双通道多层感知机混合器和加权投票机制的风电机组齿轮箱故障诊断[J]. 计算机与现代化, 2025, 0(12): 19-25.

WANG Wanglong1, XU Junyang2, SU Peng1, FU Wenlong3. Fault Diagnosis of Wind Turbine Gearbox Based on Convolutional Dual Channel Multilayer Perceptron Mixer and Weighted Voting Mechanism[J]. Computer and Modernization, 2025, 0(12): 19-25.

参考文献

［1］ LEBRANCHU A， CHARBONNIER S， BÉRENGUER C， et al. A combined mono-and multi-turbine approach for fault indicator synthesis and wind turbine monitoring using SCADA data［J］. ISA Transactions， 2019，87:272-281.
［2］ ZHU Y C， ZHU C C， TAN J J， et al. Operational state assessment of wind turbine gearbox based on long short-term memory networks and fuzzy synthesis［J］. Renewable Energy， 2022，181:1167-1176.
［3］ XU Z， LI C， YANG Y. Fault diagnosis of rolling bearings using an improved multi-scale convolutional neural network with feature attention mechanism［J］. ISA Transactions， 2021，110:379-393.
［4］ WANG L， CAI G G， WANG J， et al. Dual-enhanced sparse decomposition for wind turbine gearbox fault diagnosis［J］. IEEE Transactions on Instrumentation and Measurement， 2018，68（2）:450-461.
［5］ WEI Y， YANG Y T， XU M Q， et al. Intelligent fault diagnosis of planetary gearbox based on refined composite hierarchical fuzzy entropy and random forest［J］. ISA Transactions， 2021，109:340-351.
［6］蔡昌春，何捷，承敏钢，等. 基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断［J］. 山东电力技术， 2024，51（2）:67-78.
［7］ FENG Z P， QIN S F， LIANG M. Time–frequency analysis based on Vold-Kalman filter and higher order energy separation for fault diagnosis of wind turbine planetary gearbox under nonstationary conditions［J］. Renewable Energy， 2016，85:45-56.
［8］闫君杰，苏晨. 基于人工神经网络的煤矿机械齿轮故障诊断研究［J］. 煤炭技术， 2017，36 （9）:266-268.
［9］王璞，孙洁，张怡. 基于LSTM-SVM的风电机组齿轮箱故障诊断［J］. 机床与液压， 2023，51（16）:211-214.
［10］林永君，张世成，杨凯，等. 基于时钟循环神经网络的光伏故障诊断［J］. 山东电力技术， 2024，51（1）: 52-58.
［11］钱荣荣，谭涛. 基于改进卷积深度信念网络的风电机组行星齿轮箱故障诊断方法［J］. 电力需求侧管理， 2022，24（2）:27-33.
［12］杨欢，刘德洋，彭利平. DTCWT多尺度联合熵和CNN的行星齿轮故障诊断方法［J］. 机械设计与制造， 2022（12）:127-130.
［13］姚立，孙见君，马晨波. 基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法［J］. 轴承， 2022（2）:61-67.
［14］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2016:770-778.
［15］ SZEGEDY C， VANHOUCKE V， IOFFE S， et al. Rethinking the inception architecture for computer vision［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2016:2818-2826.
［16］ HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017:4700-4708.
［17］ TOLSTIKHIN I O， HOULSBY N， KOLESNIKOV A， et al. MLP-Mixer: An all-MLP architecture for vision［C］// Proceedings of the 35th Conference on Neural Information Processing Systems. NeurIPS， 2021:24261-24272.
［18］ LIU R Y， LI Y H， TAO L M， et al. Are we ready for a new paradigm shift? A survey on visual deep MLP［J］. Patterns， 2022，3（7）. DOI: 10.1016/j.patter.2022.100520.
［19］ LUO J M， TANG Y Z， WANG J， et al. USMLP: U-shaped Sparse-MLP network for mass segmentation in mammograms［J］. Image and Vision Computing， 2023，137. DOI: 10.1016/j.imavis.2023.104761.
［20］ GUO J Y， TANG Y H， HAN K， et al. Hire-MLP: Vision MLP via hierarchical rearrangement［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2022:826-836.
［21］卓识，战利伟，白晓峰，等. 基于CWT-AT-CNN的航空滚动轴承故障诊断方法［J/OL］. 轴承， 1-9［2024-09-30］. https://link.cnki.net/urlid/41.1148.TH.20231219.1640.006.
［22］陈代俊，陈里里，董绍江. 基于VMD-CWT-CNN的滚动轴承故障诊断［J］. 机械强度， 2023，45 （6）:1280-1285.
［23］江蕾，唐建，杨超越，等. 基于CWGAN-GP与CNN的轴承故障诊断方法［J］. 计算机与现代化， 2023（7）:1-6.
［24］卢一相，钱冬生，竺德，等. 基于多尺度小波包启发卷积网络的旋转机械故障诊断［J］. 振动与冲击， 2024，43（17）:203-213.
［25］窦唯，赵东方，张宏利，等. 基于Hessian局部线性嵌入和MLP-Mixer的液体火箭发动机涡轮泵轻量化故障诊断框架［J］. 振动与冲击， 2024，43 （2）:156-165.
［26］吴俊洁，王佳阳，朱萍，等. 基于MLP和多头自注意力特征融合的双模态情感计算模型［J］. 计算机应用， 2024，44（S1）:39-43.
［27］郑震，严迎建，刘燕江. 基于SVD和MLP的多分类能量信息泄漏评估方法［J］. 华中科技大学学报（自然科学版）， 2025，53（5）:52-57.
［28］ CAO P， ZHANG S L， TANG J. Preprocessing-free gear fault diagnosis using small datasets with deep convolutional neural network-based transfer learning［J］. IEEE Access， 2018，6:26241-26253.

[1]	仇新宇1, 陈霄1, 陈铭明2, 高辉3, 孟子悦3. 基于视觉Transformer的充电桩故障诊断方法[J]. 计算机与现代化, 2025, 0(11): 97-105.
[2]	徐波1, 魏艺君1, 曾晗2, 康福填3, 黄颖1, 邓芳明2. 基于多源数据融合和优化深度置信网络的变压器故障诊断方法 [J]. 计算机与现代化, 2025, 0(11): 106-111.
[3]	邓超1, 2, 杨凤坤1, 2, 李珺3, 陈良亮1, 2, 郭志冲4. 融合Bi-LSTM残差网络的充电设施复杂故障诊断方法[J]. 计算机与现代化, 2025, 0(07): 90-96.
[4]	李明, 石超山, 文贵豪, 罗勇航, 谭云飞. 基于TCN与轻量Autoformer的电力负荷预测[J]. 计算机与现代化, 2025, 0(04): 6-11.
[5]	张金松, 袁一博, 马玉鑫. 基于图注意力与图卷积网络的交通事故预测方法[J]. 计算机与现代化, 2025, 0(04): 12-18.
[6]	李桃迎, 李蒙, 武梦乔. 基于异构时空图卷积网络的出租车客流预测[J]. 计算机与现代化, 2024, 0(11): 13-18.
[7]	候聪颖, 杨文清, 王召, 程聪. 基于时频自注意力残差时序卷积网络的语音增强[J]. 计算机与现代化, 2024, 0(09): 20-24.
[8]	杨绍祖1, 2, 王海程1, 2, 吴金雅1, 2, 马纪颖1, 2. 基于STAGCN-Informer时空组合模型的风电功率预测方法[J]. 计算机与现代化, 2024, 0(07): 13-20.
[9]	吴甜甜, 李延恺, 刘阳. 基于多尺度频率注意力的多阶段去雨算法[J]. 计算机与现代化, 2024, 0(02): 50-55.
[10]	刘付琪, 张达, 宋建华, 王海东. 基于CNN-BiLSTM的液压系统故障诊断[J]. 计算机与现代化, 2023, 0(09): 10-19.
[11]	江蕾, 唐建, 杨超越, 吕婷婷. 基于CWGAN-GP与CNN的轴承故障诊断方法[J]. 计算机与现代化, 2023, 0(07): 1-6.
[12]	谢仕斌, 刘梦赤, 唐诗琪, 周瑞平, . 基于多特征提取的时间卷积知识追踪模型[J]. 计算机与现代化, 2023, 0(07): 25-29.
[13]	刘付琪, 张达. 基于PSO-DBN的液压系统冷却器故障诊断[J]. 计算机与现代化, 2023, 0(06): 7-14.
[14]	王磊, 张晓东, 戴欢. 基于1D-CNN-LSTM注意力网络的抽油机井故障诊断[J]. 计算机与现代化, 2023, 0(04): 1-6.
[15]	赵婧华, 杨秋翔. 基于AU-GCN与注意力机制的微表情识别[J]. 计算机与现代化, 2023, 0(03): 48-53.

基于卷积双通道多层感知机混合器和加权投票机制的风电机组齿轮箱故障诊断

Fault Diagnosis of Wind Turbine Gearbox Based on Convolutional Dual Channel Multilayer Perceptron Mixer and Weighted Voting Mechanism

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价