CN109519340A - 一种风电机组传动系统故障诊断方法 - Google Patents
一种风电机组传动系统故障诊断方法 Download PDFInfo
- Publication number
- CN109519340A CN109519340A CN201811612356.5A CN201811612356A CN109519340A CN 109519340 A CN109519340 A CN 109519340A CN 201811612356 A CN201811612356 A CN 201811612356A CN 109519340 A CN109519340 A CN 109519340A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- drive system
- turbine generator
- generator drive
- frequency domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组传动系统故障诊断方法,属于电力设备技术领域。它的步骤为:A、提取振动信号的时域、频域、时频域信息构建多域特征集;B、采用深度置信网络对多域特征集进行特征再学习;C、在特征输出后添加softmax多分类器,利用反向传播算法逐层微调深度置信网络的权值使其结构达到最优并生成合适的分类器;D、输出诊断结果。它可以解决风电机组传动系统故障诊断多域特征集中特征冲突、冗余的问题,同时也解决特征融合与模式识别方法不匹配的问题,进而提高了风电机组传动系统故障诊断的可靠性与诊断率。
Description
技术领域
本发明涉及电力设备技术领域,尤其涉及一种风电机组传动系统故障诊断方法。
背景技术
传动系统作为风力发电机组的核心部件,其运行的可靠性直接影响机组的稳定性,所以对其进行故障诊断有着重要的意义。目前,对于传动系统的故障诊断,通常利用不同的信号处理技术提取特征构建故障特征集,再应用不同的模式识别算法进行识别实现自动诊断。在特征提取方面,Chen等人提取多维时频域特征,通过线性局部切空间排列算法进行维数约简和特征融合;齐俊德等人对信号进行小波包分解,并提取其能量作为故障特征;Xiong等人对信号进行EMD分解,提取本证模函数作为特征向量;宋涛等人提取振动信号多域信息熵作为滚动轴承的故障特征集。以上特征都能在一定程度上反映机械的故障情况,但在结构复杂、工况多变的情况下,提取不同的故障特征集却有着截然不同的诊断结果,特征集反映故障的有效性难以判断。无论提取的单个特征或单域特征都不能全面描述机械的状态特性,需要多域特征融合才能提高故障诊断的鲁棒性与精度。但是,多域特征集中经常存在特征冗余、冲突的现象。因此,需要对多域特征进行特征融合,以消除冗余信息并进行特征互补,最终提高诊断精度。
在模式识别方面,最常用的方法有最近邻域分类器(KNNC)、B-P神经网络、支持向量机(SVM)以及softmax多分类器等。以上方法在一定程度上取得了较好的效果,但这些模式识别方法与特征融合都是分步进行,难以评价两者间的匹配程度,且人为因素对诊断结果影响较大。
深度置信网络(Deep Belief Network,DBN)通过多层网络对特征集进行再学习,形成更加抽象的高层数据结构,高层数据特征既能表示数据的低层属性又能有效去除数据间的冗余、冲突信息。同时,在特征输出后添加softmax多分类器,利用反向传播(BackPropagation,BP)算法逐层微调深度置信网络的权值使其结构达到最优并生成合适的分类器,把故障诊断中的特征融合与故障模式识别有机的融为一体,减少人为因素对诊断结果的影响。
发明内容
1.发明要解决的技术问题
为了克服上述技术问题,本发明提供了一种风电机组传动系统故障诊断方法。它可以解决风电机组传动系统故障诊断多域特征集中特征冲突、冗余的问题,同时也解决特征融合与模式识别方法不匹配的问题,进而提高了风电机组传动系统故障诊断的可靠性与诊断率。
2.技术方案
为解决上述问题,本发明提供的技术方案为:
一种风电机组传动系统故障诊断方法,其步骤为:
A、提取振动信号的时域、频域、时频域信息构建多域特征集;
B、采用深度置信网络对多域特征集进行特征再学习;
C、在特征输出后添加softmax多分类器,利用反向传播算法逐层微调深度置信网络的权值使其结构达到最优并生成合适的分类器;
D、输出诊断结果。
优选地,所述振动信号的时域特征是指,从时域特征统计的角度,提取反映振动信号幅值、能量大小以及幅值分布的16个时域特征。
优选地,所述振动信号的频域特征是指,从频域特征统计的角度,提取反映谱能量分布、中心频带位置变化的14个频域特征。
优选地,步骤A还包括从信息不确定性的角度,提取13个信息熵包括:幅值谱熵、功率谱熵、倒谱熵,奇异值谱熵、自相关谱熵、8个小波包能量熵,以反映信号组分概率分布情况。
优选地,所述振动信号的时频域特征是指,从时频域特征的角度,提取小波包分解后的8个能量系数,以反映信号频段分布和能量大小。
优选地,设置网络结构参数构造出深度置信网络,所述的网络结构参数包括RBM的层数N、每个RBM可见层与隐藏层神经元个数。
优选地,所述深度置信网络的训练方法为:输入训练样本,逐层训练N个RBM,即将每个RBM的输出作为下一个RBM的输入,直到完成N个RBM的预训练。
3.有益效果
采用本发明提供的技术方案,与现有技术相比,具有如下有益效果:
(1)传统的故障诊断方法仅将某种故障特征集与某种模式识别算法进行结合只能从单一的角度寻求故障分类方法,势必存在片面性从而影响到诊断结果的可靠性;本发明提取振动信号的时域、频域、时频域信息构建多域特征集,以从不同角度尽可能全面反映风电机组传动系统故障状态特性。
(2)本发明采用深度置信网络对多域特征进行融合,有效消除了多域特征间的冲突、冗余信息,实现高维特征向量的低维表示。
(3)本发明在整个网络的输出后添加了softmax多分类器,利用反向传播(BackPropagation,BP)算法逐层微调网络的权值使其结构达到最优并生成合适的分类器。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为基于深度置信网络特征融合的风电机组传动系统故障诊断流程;
图2为深度置信网络网络结构。
具体实施方式
为进一步了解本发明的内容,下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在故障特征不冲突的情况下,本申请中的实施例及实施例中的特征也可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
一种风电机组传动系统故障诊断方法,其步骤为:
A、提取振动信号的时域、频域、时频域信息构建多域特征集;提取旋转机械振动信号的时域、频域以及时频域特征构建多域特征集以对旋转机械状态特性进行全面反映;所述振动信号的时域特征是指,从时域特征统计的角度,提取反映振动信号幅值、能量大小以及幅值分布的16个时域特征;所述振动信号的频域特征是指,从频域特征统计的角度,提取反映谱能量分布、中心频带位置变化的14个频域特征;还包括从信息不确定性的角度,提取13个信息熵包括:幅值谱熵、功率谱熵、倒谱熵,奇异值谱熵、自相关谱熵、8个小波包能量熵,以反映信号组分概率分布情况;所述振动信号的时频域特征是指,从时频域特征的角度,提取小波包分解后的8个能量系数,以反映信号频段分布和能量大小。
B、采用深度置信网络对多域特征集进行特征再学习;设置网络结构参数构造出深度置信网络,所述的网络结构参数包括RBM的层数N、每个RBM可见层与隐藏层神经元个数。所述深度置信网络的训练方法为:输入训练样本,逐层训练N个RBM,即将每个RBM的输出作为下一个RBM的输入,直到完成N个RBM的预训练。利用深度置信网络对多域特征集进行特征融合,挖掘数据的分布式特征,同时去除数据间的冗余、冲突信息。
C、在特征输出后添加softmax多分类器,利用反向传播算法逐层微调深度置信网络的权值使其结构达到最优并生成合适的分类器;采用softmax分类器对再学习后的本质特征进行识别实现故障诊断。
D、输出诊断结果。
实施例2
如图1所示,基于深度置信网络特征融合的风电机组传动系统故障诊断方法是指:首先,提取时域、频域及时频域等特征构建出多域特征集,以从不同角度全面反映旋转机械状态特性;其次,采用深度置信网络(Deep Belief Network,DBN)对多域特征集进行特征再学习,充分挖掘数据间的本质特征,实现特征融合并消除冗余、冲突信息;最后在特征输出后添加softmax多分类器,利用反向传播(Back Propagation,BP)算法逐层微调深度置信网络的权值使其结构达到最优并生成合适的分类器,从而实现机械故障诊断。诊断流程如图1所示。
(1)提取振动信号的时域、频域、时频域信息构建多域特征集,以从不同角度尽可能全面反映旋转机械状态特性:(a)从时域特征统计的角度,提取反映振动信号幅值、能量大小以及幅值分布的16个时域特征;(b)从频域特征统计的角度,提取反映谱能量分布、中心频带位置变化的14个频域特征;(c)从信息不确定性的角度,提取13个信息熵包括:幅值谱熵、功率谱熵、倒谱熵,奇异值谱熵、自相关谱熵、8个小波包能量熵,以反映信号组分概率分布情况;(d)从时频域特征的角度,提取小波包分解后的8个能量系数,以反映信号频段分布和能量大小。
(2)深度置信网络预训练。设置网络结构参数(包括RBM的层数N、每个RBM可见层与隐藏层神经元个数)构造出深度置信网络。输入训练样本,逐层训练N个RBM,即将每个RBM的输出作为下一个RBM的输入,直到完成N个RBM的预训练,深度置信网络的结构如图2所示。
(3)有监督微调。在特征输出后添加softmax多分类器,利用反向传播(BackPropagation,BP)算法逐层微调深度置信网络的权值使其结构达到最优并生成合适的分类器。
(4)输出诊断结果。输入测试样本,输出故障诊断结果。
本实施例是一种风电机组传动系统故障诊断方法:本方法包含多域特征集的构建、深度置信网络的训练以及诊断结果的输出三个步骤。多域特征集的构建是指:提取振动信号的时域、频域、时频域信息构建多域特征集,以从不同角度尽可能全面反映风电机组传动系统故障状态特性。深度置信网络的训练是指:设置网络结构参数(包括RBM的层数N、每个RBM可见层与隐藏层神经元个数)构造出深度置信网络;输入训练样本,逐层训练N个RBM,即将每个RBM的输出作为下一个RBM的输入,直到完成N个RBM的预训练,同时,在整个网络的输出后添加softmax多分类器,利用反向传播(Back Propagation,BP)算法逐层微调网络的权值使其结构达到最优并生成合适的分类器。诊断结果的输出是指:将测试样本输入已训练好的深度置信网络中,得出最终的诊断结果。
本实施例解决了风电机组传动系统故障诊断多域特征集中特征冲突、冗余的问题,同时也解决特征融合与模式识别方法不匹配的问题,进而提高了发电机组传动系统故障诊断的可靠性与诊断率。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离本申请构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种风电机组传动系统故障诊断方法,其特征在于:
A、提取振动信号的时域、频域、时频域信息构建多域特征集;
B、采用深度置信网络对多域特征集进行特征再学习;
C、在特征输出后添加softmax多分类器,利用反向传播算法逐层微调深度置信网络的权值使其结构达到最优并生成合适的分类器;
D、输出诊断结果。
2.根据权利要求1所述的一种风电机组传动系统故障诊断方法,其特征在于,所述振动信号的时域特征是指,从时域特征统计的角度,提取反映振动信号幅值、能量大小以及幅值分布的16个时域特征。
3.根据权利要求1所述的一种风电机组传动系统故障诊断方法,其特征在于,所述振动信号的频域特征是指,从频域特征统计的角度,提取反映谱能量分布、中心频带位置变化的14个频域特征。
4.根据权利要求1所述的一种风电机组传动系统故障诊断方法,其特征在于,步骤A还包括从信息不确定性的角度,提取13个信息熵包括:幅值谱熵、功率谱熵、倒谱熵,奇异值谱熵、自相关谱熵、8个小波包能量熵,以反映信号组分概率分布情况。
5.根据权利要求1所述的一种风电机组传动系统故障诊断方法,其特征在于,所述振动信号的时频域特征是指,从时频域特征的角度,提取小波包分解后的8个能量系数,以反映信号频段分布和能量大小。
6.根据权利要求4所述的一种风电机组传动系统故障诊断方法,其特征在于,设置网络结构参数构造出深度置信网络,所述的网络结构参数包括RBM的层数N、每个RBM可见层与隐藏层神经元个数。
7.根据权利要求6所述的一种风电机组传动系统故障诊断方法,其特征在于,所述深度置信网络的训练方法为:输入训练样本,逐层训练N个RBM,即将每个RBM的输出作为下一个RBM的输入,直到完成N个RBM的预训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811612356.5A CN109519340A (zh) | 2018-12-27 | 2018-12-27 | 一种风电机组传动系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811612356.5A CN109519340A (zh) | 2018-12-27 | 2018-12-27 | 一种风电机组传动系统故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109519340A true CN109519340A (zh) | 2019-03-26 |
Family
ID=65797151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811612356.5A Pending CN109519340A (zh) | 2018-12-27 | 2018-12-27 | 一种风电机组传动系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109519340A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146282A (zh) * | 2019-06-06 | 2019-08-20 | 南京航空航天大学 | 基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法 |
CN110988511A (zh) * | 2019-07-22 | 2020-04-10 | 华南理工大学 | 基于多重熵值特征提取的电力电子变换器非线性识别方法 |
CN111523509A (zh) * | 2020-05-08 | 2020-08-11 | 江苏迪赛司自动化工程有限公司 | 融合物理和深度表达特征的设备故障诊断及健康监测方法 |
CN111950442A (zh) * | 2020-08-10 | 2020-11-17 | 江苏聚力智能机械股份有限公司 | 一种使用dbn多域特征提取的立体车库电机故障诊断方法 |
CN113378678A (zh) * | 2021-06-01 | 2021-09-10 | 华中科技大学 | 一种用于机械运动系统的多域故障特征提取方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102797671A (zh) * | 2011-05-25 | 2012-11-28 | 中国石油大学(北京) | 一种往复压缩机的故障检测方法与装置 |
CN206480004U (zh) * | 2017-01-17 | 2017-09-08 | 苏州大学 | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断装置 |
CN107657250A (zh) * | 2017-10-30 | 2018-02-02 | 四川理工学院 | 轴承故障检测及定位方法及检测定位模型实现系统和方法 |
WO2018026995A1 (en) * | 2016-08-03 | 2018-02-08 | Schlumberger Technology Corporation | Multi-scale deep network for fault detection |
CN108520301A (zh) * | 2018-04-17 | 2018-09-11 | 重庆大学 | 一种基于深度置信网络的电路间歇故障诊断方法 |
CN108932499A (zh) * | 2018-07-09 | 2018-12-04 | 武汉科技大学 | 一种基于局部二值模式和深度置信网络的滚动轴承预测方法和系统 |
CN109002847A (zh) * | 2018-07-04 | 2018-12-14 | 温州大学 | 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法 |
-
2018
- 2018-12-27 CN CN201811612356.5A patent/CN109519340A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102797671A (zh) * | 2011-05-25 | 2012-11-28 | 中国石油大学(北京) | 一种往复压缩机的故障检测方法与装置 |
WO2018026995A1 (en) * | 2016-08-03 | 2018-02-08 | Schlumberger Technology Corporation | Multi-scale deep network for fault detection |
CN206480004U (zh) * | 2017-01-17 | 2017-09-08 | 苏州大学 | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断装置 |
CN107657250A (zh) * | 2017-10-30 | 2018-02-02 | 四川理工学院 | 轴承故障检测及定位方法及检测定位模型实现系统和方法 |
CN108520301A (zh) * | 2018-04-17 | 2018-09-11 | 重庆大学 | 一种基于深度置信网络的电路间歇故障诊断方法 |
CN109002847A (zh) * | 2018-07-04 | 2018-12-14 | 温州大学 | 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法 |
CN108932499A (zh) * | 2018-07-09 | 2018-12-04 | 武汉科技大学 | 一种基于局部二值模式和深度置信网络的滚动轴承预测方法和系统 |
Non-Patent Citations (1)
Title |
---|
葛强强: "基于深度置信网络的数据驱动故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146282A (zh) * | 2019-06-06 | 2019-08-20 | 南京航空航天大学 | 基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法 |
CN110988511A (zh) * | 2019-07-22 | 2020-04-10 | 华南理工大学 | 基于多重熵值特征提取的电力电子变换器非线性识别方法 |
CN111523509A (zh) * | 2020-05-08 | 2020-08-11 | 江苏迪赛司自动化工程有限公司 | 融合物理和深度表达特征的设备故障诊断及健康监测方法 |
CN111523509B (zh) * | 2020-05-08 | 2023-08-29 | 江苏迪赛司自动化工程有限公司 | 融合物理和深度表达特征的设备故障诊断及健康监测方法 |
CN111950442A (zh) * | 2020-08-10 | 2020-11-17 | 江苏聚力智能机械股份有限公司 | 一种使用dbn多域特征提取的立体车库电机故障诊断方法 |
CN113378678A (zh) * | 2021-06-01 | 2021-09-10 | 华中科技大学 | 一种用于机械运动系统的多域故障特征提取方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109519340A (zh) | 一种风电机组传动系统故障诊断方法 | |
Chang et al. | Learning representations of emotional speech with deep convolutional generative adversarial networks | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
Cao et al. | Deep learning-based recognition of underwater target | |
CN109977920A (zh) | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 | |
CN110132598A (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN110276303A (zh) | 基于vmd和dbn的转子不对中定量识别方法 | |
CN102156871B (zh) | 基于类别相关的码本和分类器投票策略的图像分类方法 | |
CN106529428A (zh) | 基于深度学习的水下目标识别方法 | |
CN105488466B (zh) | 一种深层神经网络和水声目标声纹特征提取方法 | |
CN104819846A (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
Zhong et al. | Multi-fault rapid diagnosis for wind turbine gearbox using sparse Bayesian extreme learning machine | |
CN101221554A (zh) | 基于小波变换和bp神经网络的脑电特征提取方法 | |
CN106197999A (zh) | 一种行星齿轮故障诊断方法 | |
Zhang et al. | A multi-module generative adversarial network augmented with adaptive decoupling strategy for intelligent fault diagnosis of machines with small sample | |
CN110243590A (zh) | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 | |
CN108478216A (zh) | 一种基于卷积神经网络的癫痫病发作前期智能预测方法 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN104091602A (zh) | 一种基于模糊支持向量机的语音情感识别方法 | |
CN109214356A (zh) | 一种基于dcnn模型的风机传动系统故障智能诊断方法 | |
CN109141884A (zh) | 基于eemd-ar模型和dbn的轴承故障诊断方法 | |
Bie et al. | An integrated approach based on improved CEEMDAN and LSTM deep learning neural network for fault diagnosis of reciprocating pump | |
Xi et al. | Speaker to emotion: Domain adaptation for speech emotion recognition with residual adapters | |
Han et al. | Data-enhanced stacked autoencoders for insufficient fault classification of machinery and its understanding via visualization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |