时频特征联合VGG-16的风力发电机齿轮箱故障诊断方法

针对传统风力发电机齿轮箱故障诊断存在效率低、实时性较差、准确率偏低等问题，本文提出了一种时频特征联合深度学习的风力发电机齿轮箱故障诊断方法。通过实时测取的箱体振动信号，利用离散小波转换提取信号的时频特征，并联合改进的VGG-16模型，完成齿轮组不同类型故障的诊断。实验结果表明，所设计诊断方法的Recall和mAP值较高，分别为93.51%、91.85%；断齿、磨损以及根裂故障的诊断准确率均在90%以上，且检测实时性良好，能较好地满足实际应用需求。