风力发电机组齿轮箱的故障诊断对于保障风电场的可靠性和安全性至关重要。然而，非平稳工况，如负荷变化或速度调节，可能导致许多现有故障诊断方法的准确性下降。为了克服这个问题，张良伟副教授课题组提出了一种针对风力发电机组齿轮箱故障诊断方法——基于振动信号的近乎端到端的深度学习方法。具体地，先采用经验模态分解（Empirical Mode Decomposition, EMD）将振动信号分解为一系列固有模态函数（Intrinsic Mode Functions, IMFs），然后，将多通道IMFs输入到一维卷积神经网络（Convolutional Neural Network, CNN）中进行自动特征学习和故障分类。由于EMD是一种不需要先验知识的信号处理技术，所以模型结构可以视为近乎端到端的。该方法在一个真实数据集上进行了验证，证明了深度学习模型在表征能力方面相比传统的浅层模型有明显的优势，同时还表明，将EMD作为预处理步骤引入，既提高了深度模型的训练效率，又提高了其泛化能力，从而在变化的工况下提高了故障诊断的效果。
该工作将经验模态分解和一维卷积神经网络相结合，应用于变工况条件下风力发电机组齿轮箱的故障诊断。该研究还对训练后的模型在低层卷积核和高层特征两个方面进行可视化，以期对深度神经网络的“黑箱”学习机制进行初步探究。
论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0952197622007254?via%3Dihub
课题组及负责人简介：
张良伟，博士毕业于瑞典吕勒奥工业大学，副教授，硕导，工业工程系主任，中国系统工程学会系统可靠性专委会委员、中国振动工程学会动态测试专委会委员、美国项目管理协会认证项目管理专家（PMP）、EI收录期刊International Journal of Reliability and Safety编委。主讲课程包括《应用统计学》、《机器学习及其工业应用》等，曾获东莞理工学院青年教师教学技能竞赛一等奖，学生评教多次位列学院前3名。曾在瑞典斯凯孚(SKF中国，轴承行业全球领先企业)公司担任设备可靠性管理咨询师，曾任瑞典吕勒奥工业大学兼职讲师。主要研究方向为机器学习与模式识别、异常检测、e维修。发表高水平论文二十余篇，其中SCI收录十余篇，引用900余次、H-index：13 （Google Scholar）。主持国家自然基金项目1项，广东省科技厅粤莞区域联合基金项目（地区培育项目）1项。
（撰文：张良伟；一审：龙建宇； 二审：尹华勤 ；三审：李长平）
