CN107560849A - 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 - Google Patents

Abstract

本发明涉及一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，包括步骤：使用振动加速度传感器同时采集测试轴承各种状态下驱动端和非驱动端的高频振动加速度信号；对采集到的振动信号应用时频分析技术，得到对应的时频谱；建立深度卷积神经网络诊断模型，将时频谱和轴承状态作为训练样本，训练诊断模型；评价诊断模型，并将其应用于待监测轴承。本发明的方法可以实现自动特征学习，避免特征工程，并且有效利用多通道振动信号，具有良好的通用性和扩展性。

Description

一种多通道深度卷积神经网络的风电机组轴承故障诊断方法

技术领域

本发明属于风电机组状态监测与故障诊断领域，尤其涉及风电机组轴承故障诊断方法。

背景技术

轴承广泛用在风电机组的子系统和其他部件中，例如风轮、主轴、齿轮箱、发电机、变桨系统和偏航系统等。风电机组中最常用的轴承是滚珠球轴承。球轴承故障通常以某些部件的磨损或表面粗糙度增加而出现，然后发展成一些主要的故障模式，例如外圈、内圈、滚球或保持架的疲劳、裂纹或断裂。轴承故障可能导致风电机组子系统中其他部件的灾难性故障。风电机组大多数机械部件的严重故障从轴承故障开始。因此，诊断风电机组轴承早期故障是非常有必要的。

轴承故障诊断通常包含三个环节：信号采集、特征提取以及模式识别。轴承故障通常使用振动信号作为主要的状态监测系统的监测信号。此外，声学信号AE和电信号也逐渐被用于轴承的状态监测与故障诊断技术中。故障特征提取是诊断技术中最关键的问题之一，直接决定着诊断的准确性和可靠性。根据轴承的故障机理分析，轴承故障通常会在信号中激发起新的特征频率，因此通常的做法是采用适当的频域分析方法来提取故障特征频率，以此来设计特征。目前常用的特征提取技术包括时域统计特征值分析方法、频域分析方法以及时频域分析方法。模式识别根据提取出的特征分析轴承状态，若轴承存在故障，进一步分析故障的类型、部位等。目前常用的模式识别方法包括支持向量机、贝叶斯网络以及人工神经网络等。

目前轴承故障诊断技术取得了快速的发展，在信号采集、特征提取以及模式识别方面均有大量的研究。然而，不同于常规机组，风电机组的运行工况往往复杂的多且并且经常运行在极端恶劣的环境中，初期故障轴承的振动信号中通常包含大量的噪声而使其具有非常低的信噪比；现有的诊断方法通常只考虑一个通道的振动数据，而缺乏对多通道数据的支持；风电机组轴承故障诊断需要非常强的先验知识和专家经验，通过尝试不同的特征设计和模型参数选择才能得到令人满意的结果，目前还没有一种方法，能够从低信噪比、复杂多样的风电机组监测数据中智能的学习机组状态特征，诊断机组状态；用于故障诊断的数据集是不平衡数据，故障类样本所占比例远远小于正常类，以总体诊断准确率为学习目标的传统模式识别算法会过多地关注正常类，从而使得故障类样本的诊断性能下降；以特征工程得到的诊断模型往往不具备通用性和推广性，难以适用于机组数量众多、型号各异的风电场，也难以适用于数据量日益增加的运维大数据时代。

针对上述风电机组轴承故障诊断中存在的问题，本发明主要用于解决以下三个问题：1、实现智能化自动化的特征学习过程，避免人工设计特征带来的局限性，实现通用化特征提取技术。2、提出具有可扩展性的高精度故障诊断模型结构，可适用于多通道大数据的应用场景。3、改进诊断模型的评价体系，采用多种类别评价指标和综合评价指标对诊断模型从多角度进行衡量，避免因数据类不平衡而造成的评估不当。

发明内容

针对上述问题，本发明提出一种多通道深度卷积神经网络的风电机组轴承故障诊断方法。

一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，其包括如下步骤：

步骤1：使用振动加速度传感器同时采集测试轴承各种状态下驱动端和非驱动端的高频振动加速度信号；

步骤2：对采集到的振动信号应用时频分析技术，得到对应的时频谱；

步骤3：建立深度卷积神经网络诊断模型，将时频谱和轴承状态作为训练样本，训练诊断模型；

步骤4：评价诊断模型，并将其应用于待监测轴承。

各种状态包括各类故障状态和正常运行状态。在轴承关键部位设置多个采样点，采集轴承多通道的振动数据。相比单通道的振动信号，多通道振动数据采集能够最大限度的降低因噪声而导致的诊断精度降低。

时频分析技术是将采集到的信号划分为固定时间间隔的样本，对所述样本应用短时傅里叶变化。所述间隔不应低于驱动轴的旋转周期。

深度卷积神经网络结构诊断模型的网络结构由两个分支组成，分别用于提取所述驱动端和所述非驱动端振动时频谱特征，然后将所述两个分支得到的特征图合并在一起作为新的特征，继续应用卷积和池化操作。这种网络结构不但可以从时频谱中提取特征，避免人工特征设计，更重要的是可以明显提高轴承故障位置的诊断精度。

在步骤4中，对每一类别状态分别进行正确率、精确率、召回率以及F1值的评价，然后根据各类别状态的重要程度，计算加权平均作为模型诊断性能综合评价指标；其中正确率是用来评价整体诊断性能的评价指标，精确率是诊断为某一类样本总数中正确识别的样本所占的比例，召回率是测试集中存在某一类样本总数中正确识别的样本所占的比例，F1值是根据准确率和召回率的调和均值，是两者的综合评价指标。在计算所述加权平均时故障状态类的召回率权重系数高于正常状态类的权重系数。

本发明的特征是采集多通道信号来定位故障位置，采用设计的多通道深度卷积神经网络结构从时频谱中提取故障特征并实现故障诊断，不需要人为的特征工程，避免主观性，模型结构易于扩展，是一种通用的故障诊断架构，尤其适合复杂机械设备的故障诊断。

有益效果

本发明涉及一种多通道深度卷积神经网络结构结合短时傅里叶变化实现风电机组轴承故障诊断，可以实现自动特征学习，避免特征工程，并且有效利用多通道振动信号，具有良好的通用性和扩展性。

本发明还提出采用故障类和正常类的正确率、精确率、召回率和F1值分别以不同的权重加权平均来综合评价诊断模型的方法，避免因故障类样本所占比例远低于正常类而造成评估错误。以凯斯西储大学轴承破坏试验振动数据来验证所提出的方法，并从多角度评估模型的诊断性能。结果显示，在多种工况和不同故障程度的测试数据集上，该方法在定位轴承故障位置的综合精确率、综合召回率和综合F1值均超过99％，各类别的诊断精确率、召回率和F1值均在98％以上，可实现高精度诊断。

附图说明

图1为本发明的多通道深度卷积神经网络的风电机组轴承故障诊断方法的流程图；

图2为振动信号时域波形图；

图3为多通道深度卷积神经网络结构图；

图4为测试集归一化混淆矩阵图。

具体实施方式

下面结合附图，对具体实施方式作详细说明。

一种深度卷积神经网络的风电机组轴承故障诊断方法，该方法包括诊断信号采集，诊断模型建立、模型训练及评估以及模型应用。

一种深度卷积神经网络的风电机组轴承故障诊断方法，如图1所示，包括以下步骤：

步骤1：使用振动加速度传感器同时采集测试轴承各种状态下驱动端和非驱动端的高频振动加速度信号。

步骤2：对采集到的振动信号应用时频分析技术，得到对应的时频谱。

步骤3：建立深度卷积神经网络诊断模型，将时频谱和轴承状态作为训练样本，训练诊断模型。

步骤4：评估诊断模型，并将其应用于待监测轴承。

所述步骤1具体为：

步骤11：分别对应正常状态、滚动体故障、内圈故障、外圈3点方向故障、外圈6点方向故障和外圈12点方向故障状态，同时采集不低于10kHz的轴承驱动端和非驱动端振动加速度信号。

所述步骤2具体为：

步骤21：将测得的多通道振动数据和相应的状态标记以固定的采样时间划分，每一段多通道振动数据作为一个样本得到对应，得到数据集{X_n,y_n}n＝1,2,…N，其中，N为数据集总样本数量，X_n为二维张量，第一维表示样本长度，第二维表示通道数。

步骤22：根据短时傅里叶变换理论，对训练集和测试集中每个通道每个样本计算短时傅里叶变换：

式中，x(t)为每个通道的时域信号样本；w(t-τ)为窗函数：τ为窗函数的中心。变换后得到二维的时频谱STFT(t,f)。可以分别用4维张量2维张量来表示变换后的数据集{X,y}，其中X的第1维表示样本数量，第2维表示样本时域信息，第三维表示样本频域信息，第4维表示通道。

步骤23：随机将数据集{X,y}划分成训练集{X^train,y^train}和测试集{X^test,y^test}。

所述步骤3具体为：

步骤31：按照图3所示的网络结构，建立卷积神经网络模型。

给定输入信号x_ij，1≤i≤M，1≤j≤N和滤波器f_ij，1≤i≤m，1≤j≤n，通常情况下m远小于M，n远小于N。卷积的输出为：

对于卷积层，第l-1层的输出与第l层滤波器进行卷积运算，加上偏置经过激活函数得到这一层的输出。第l层神经元的输出为：

其中，代表卷积运算。从上式中w^(l)对于所有l层所有神经元都是相同的。

对于最大池化层，经过池化区域大小为n×n的池化运算后，特征图上n×n区域以最大值来代替该区域，因此，经过池化层，输出的特征图边长变为原来的1/n，特征图个数不变。

为了防止出现严重的过拟合问题，模型中加入Dropout层。Dropout层通过在训练中随机丢弃一部分神经元(同时丢弃其对应的连接边)来避免过拟合。

步骤32：损失函数由交叉熵加上L2正则化项构成。函数表达如下所示：

其中，y_n为第n个样本的实际状态，是模型预测状态，θ为模型训练参数，λ为正则化系数。

步骤33：网络采用Mini-Batch随机梯度下降方法进行训练。Mini-Batch随机梯度下降是随机梯度下降(SGD)和批量梯度下降(BGD)的折中，在大数据集上具有较快的收敛速度快且不会占用较多的存储空间的优势。每次迭代选取m(1≤m≤N)个样本按照式(5)进行参数更新：

式中l(θ_t；x⁽ⁱ⁾,y⁽ⁱ⁾)是网络损失函数，x⁽ⁱ⁾,y⁽ⁱ⁾为样本，θ为参数。

步骤34：采用提前终止来防止模型过拟合。

将训练集内随机划分出一部分样本作为验证集，其余数据作为训练数据，在训练数据上更新模型参数，在验证集上测试模型泛化性能，即计算模型在验证集上的诊断精度，若训练过程中在给定的迭代次数上验证集上的诊断精度没有改进，则停止训练。

所述步骤4具体为：

步骤41：计算综合诊断评估指标。

评估指标包括正确率、精确率、召回率和F1值。其计算公式如式(6)-式(12)所示。

正确率是用来评价整体诊断性能的评价指标，其计算方法为：

精确率是诊断为某一类样本总数中正确识别的样本所占的比例。对于类别k，精确率的计算式为：

召回率是测试集中存在某一类样本总数中正确识别的样本所占的比例，对于类别k，召回率的计算式为：

F1值是根据准确率和召回率的调和均值，是两者的综合的评价指标，具对于类别k，F1值的计算式为：

为了得到在整个测试集上的总体精确率、召回率和F1值，可以根据每一类故障不同的重要程度计算加权平均值：

式中，I(·)为指示函数，y⁽ⁱ⁾为真实故障标签，为预测故障标签，其中，α_k和β_k为准确率和召回率的每类权重系数。

故障状态诊断为正常状态造成的损失要高于将正常状态诊断为故障状态，因此，故障类的召回率权重系数应该高于正常类。这里选择α_k为等权重系数，β_k中故障类权重是正常类的2倍，故障类之间的权重相等。

根据式(6)计算得到综合诊断准确度，根据式(10)计算综合诊断精确度，根据式(11)计算综合召回率，根据式(12)计算综合F1值。

步骤42：检查训练集和验证集的误差与综合诊断准确度。

在训练完成的模型上，检查训练集和验证集上的诊断准确度和误差。若训练集上的准确度较高而验证集上的准确度较低，则模型处于过拟合状态，需要适当提高正则化系数和Dropout概率，加大对模型复杂度的限制或者增加训练样本，以减少过拟合；若训练集和验证集上的准确度都比较低，则需要重新调整模型结构，增加模型的复杂度以提高模型的拟合能力；若在验证集上的诊断准确度达到预先设定的值，且训练集和测试集的结果接近，则代入测试集评估模型的泛化效果。

步骤43：对监测轴承采集和步骤1中相同位置和参数的振动信号，应用步骤2中的时频分析技术得到时频图谱，输入步骤3中训练完成的卷积神经网络诊断模型，即可得到轴承诊断结果。

下面以美国凯斯西储大学电气工程实验室轴承破坏试验公开的振动数据集进行验证本发明的诊断方法的有效性。

实验平台包括一个2马力的电机，一个转矩传感器，一个功率计和电子控制设备。被测试轴承支承电机轴。使用电火花加工技术在轴承上布置了单点故障，以损伤直径大小来模拟故障的严重程度，故障直径分别为0.007、0.014、0.021、0.028、0.040英寸。其中前三种故障直径的采用SKF深沟球轴承作为测试轴承，后两种故障直径的采用与之等效的NTN深沟球轴承。故障位置为内圈故障、滚动体故障、外圈故障。其中，轴承外圈的损伤点在时钟3点钟、6点钟、12点钟3个不同位置进行设置。轴承在不同功率的电动机带动下转动，转速分别为1797、1772、1750和1730转每分，不同的转速表示不同的运行工况。实验中使用加速度传感器采集振动信号，加速度传感器通过使用磁性底座分别安装在电机壳体的驱动端和风扇端12点钟的位置，同时采集故障轴承的振动加速度信号。振动信号由16通道数据记录仪采集得到，采样频率为12kHz。

应用本发明建立故障诊断模型，包括以下步骤：

步骤1：建立数据集

以0.12s的间隔划分原始数据，得到维度为1000的原始样本集。利用所提出的模型对滚动轴承不同故障位置进行诊断。为了模拟风电机组复杂的运行工况和恶劣运行环境，将试验轴承不同工况下的数据以及不同损伤程度下的样本混合在一起，仅按照故障位置来标记样本集，可得到各类故障样本数量和所占百分比如表1所示。各类别的振动信号在时域中的图形如图2所示。

表1各类故障样本数量及所占百分比

步骤2：对数据集集进行时频变换。

对样本集中的每个样本应用短时傅里叶变化，得到每个样本的时频图谱。采用海明窗函数，傅里叶变换长度为100个点，每段重叠样本数为64，采样频率为12kHz计算振动信号的振幅谱。图4所示为各类故障信号的短时傅立叶变换后得到的振幅谱。横轴代表时域，纵轴代表频域。每个样本的频谱维度是51×26。

步骤3：建立卷积神经网络诊断模型，用步骤2中得到的时频谱训练卷积神经网络。

进一步，所述步骤3包括：

步骤31：按照图4所示的网络结构，建立卷积神经网络诊断模型，模型的输入为驱动端和非驱动端振动信号时频谱；模型的输出为在当前样本下各类状态的条件概率。

步骤32：以式(4)所示的带有L2正则项的损失函数作为优化目标，优化变量为网络结构中各层中的权值。

步骤33：模型的训练过程主要采用式(5)所示的梯度下降算法来实现。当确定网络结构和损失函数以后即可通过计算梯度来更新训练模型。算例实施的软件环境为Ubuntu16.04，Python3.5，Keras2.0.0，Tensorflwo1.1.0，硬件环境为两颗英特尔至强E5-2680v4@2.4GHz处理器，128GB内存，两颗英伟达GTX-1080。

步骤4：评估模型

按照式(6)-式(12)，在测试集上计算模型正确率、精确率、召回率和F1值。各类状态的精确率、召回率和F1值如表2所示，综合诊断指标如表3所示。

表2各类故障的诊断精确率、召回率和F1值

表3正确率、综合精确率、综合召回率和综合F1值

对于样本分布不均匀的测试集还可以用混淆矩阵综合评价诊断方法在各类故障中的好坏。混淆矩阵可以直观反映测试样本的分布情况。该实施例测试集上归一化的混淆矩阵如图4所示。

该实施例验证了该故障诊断方法的有效性，从测试集上的综合准确率、综合精确率、综合召回率和综合F1值四个评价指标的评估下，可以看出该方法在多工况运行，一定的噪声干扰下仍然具有较好的故障定位表现。因此，该方法适合风电机组轴承故障诊断的应用。

上述实施方式或实施例仅为本发明较佳的具体实施方式或实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，其包括如下步骤：

步骤1：使用振动加速度传感器同时采集测试轴承各种状态下驱动端和非驱动端的高频振动加速度信号；

步骤2：对采集到的振动信号应用时频分析技术，得到对应的时频谱；

步骤3：建立深度卷积神经网络诊断模型，将时频谱和轴承状态作为训练样本，训练诊断模型；

步骤4：评价诊断模型，并将其应用于待监测轴承。

2.根据权利要求1所述的一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，其特征在于：所述各种状态包括各类故障状态和正常运行状态。

3.根据权利要求2所述的一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，其特征在于：所述步骤1是在轴承关键部位设置多个采样点，采集轴承多通道的振动数据。

4.根据权利要求2所述的一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，其特征在于：所述步骤2中的所述时频分析技术是将采集到的信号划分为固定时间间隔的样本，对所述样本应用短时傅里叶变化。

5.根据权利要求4所述的一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，其特征在于：所述间隔不应低于驱动轴的旋转周期。

6.根据权利要求2所述的一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，其特征在于：所述步骤3中的所述深度卷积神经网络结构诊断模型的网络结构由两个分支组成，分别用于提取所述驱动端和所述非驱动端振动时频谱特征，然后将所述两个分支得到的特征图合并在一起作为新的特征，继续应用卷积和池化操作。

7.根据权利要求2所述的一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，其特征在于：所述步骤4中，对每一类别状态分别进行正确率、精确率、召回率以及F1值的评价，然后根据各类别状态的重要程度，计算加权平均作为模型诊断性能综合评价指标；其中正确率是用来评价整体诊断性能的评价指标，精确率是诊断为某一类样本总数中正确识别的样本所占的比例，召回率是测试集中存在某一类样本总数中正确识别的样本所占的比例，F1值是根据准确率和召回率的调和均值，是两者的综合评价指标。

8.根据权利要求7所述的一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，其特征在于：在计算所述加权平均时故障状态类的召回率权重系数高于正常状态类的权重系数。