CN109580215B - 一种基于深度生成对抗网络的风电传动系统故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于深度生成对抗网络的风电传动系统故障诊断方法，包括以下步骤：收集不同工况、负载下已有的风电机组传动系统振动数据，建立大型风电机组传动系统跨域样本训练集；构建深度生成式对抗网络模型；预训练深度生成式对抗网络模型；采用训练好的模型对大型风电机组传动系统实施在线诊断。本发明根据源领域和目标领域数据之间的相似性与差异性，利用深度生成式对抗网络对两个领域之间的数据进行了融合与修正，多层次的堆栈自编码网络结构能够从跨领域数据中提取出相似性特征，而基于softmax分类器的域鉴别器能够进一步修正源领域和目标领域数据之间的差异性，能够利用源领域的丰富知识实现对目标领域的故障诊断。

Description

一种基于深度生成对抗网络的风电传动系统故障诊断方法

技术领域

本发明涉及风电领域，特别涉及一种基于深度生成对抗网络的风电传动系统故障诊断方法。

背景技术

风电机组传动系统是整个风力涡轮发电机的最重要部位之一，由于长期处于轻—重负载、高—低转速以及恶劣的外部环境，风电机组传动系统容易产生故障，此时，一种稳定、智能的故障诊断方法显得尤为重要。

在物联网和工业4.0时代，轴承健康监测系统收集了大量实时数据，使得人工智能方法能有效挖掘特征和诊断故障，例如支持向量机(SVM)，人工神经网络(ANN)。但是这些方法的有效性需要原始训练数据集和目标数据集服从同一分布，而这在系统实际工作环境中，是难以满足的，因而，基于域自适应的故障诊断方法得到了发展，其主要利用多领域之间的相似性提取出跨领域的公共特征，从而使得能够用源领域数据解决目标领域数据的故障诊断问题，但是传统的域自适应方法也有两个主要的缺点：1)当目标域数据不具有足够的代表性时，域自适应方法对于定义域差异距离可能变得不太有效。2)浅层结构容易忽略多个源共享的有用知识，并且在测试阶段难以使知识适应目标域。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、诊断准确率高、适应范围广的基于深度生成对抗网络的风电传动系统故障诊断方法。

本发明解决上述问题的技术方案是：一种基于深度生成对抗网络的风电传动系统故障诊断方法，包括以下步骤：

步骤一：收集不同工况、负载下已有的风电机组传动系统振动数据，建立大型风电机组传动系统跨域样本训练集，区分出源领域和目标领域；

步骤二：结合堆栈自编码网络和softmax分类器，构建深度生成式对抗网络模型；

采用堆栈自编码网络作为深度生成式对抗网络框架基础，利用堆栈自编码的特征提取特性，作为生成器，从振动数据中自动地提取出代表性故障特征，而后选取两个softmax分类器作为鉴别器，鉴别器包括标签分类器、域分类器，对代表性故障特征进行分类；

步骤三：预训练深度生成式对抗网络模型；

利用源领域数据和目标领域数据预训练深度生成式对抗网络模型，经由堆栈自编码网络，得到两个领域振动数据的代表性故障特征，将源领域的代表性故障特征预训练标签分类器，同时用两个领域的代表性故障特征训练域分类器，结合反向传播和随机梯度下降算法，使得域分类器无法识别出故障特征来自源领域还是目标领域，从而提取出隐含在两个领域中的公共知识；

步骤四：采用训练好的模型对大型风电机组传动系统实施在线诊断；

通过传感器实时采集大型风电机组传动系统振动数据，经由傅里叶变换去除噪声后，输入到已训练好的模型中进行故障诊断，得到故障诊断结果。

上述基于深度生成对抗网络的风电传动系统故障诊断方法，所述步骤一中，将收集的不同工况、负载下已有的风电机组传动系统振动数据通过傅里叶变换去除数据包含的噪声，并选取处理后数据长度的一半，对选取的数据添加标签，其标签包括正常、内圈故障、外圈故障、球体故障四种，同时区分出源领域和目标领域，定义待诊断部位训练集数据为源领域，不同工况、负载下待诊断部位测试集数据为目标领域。

上述基于深度生成对抗网络的风电传动系统故障诊断方法，所述步骤二中，深度生成式对抗网络框架由一个生成器和两个分类器构成，其中生成器负责提取输入样本的代表性特征，由SAE-G_f表示，其任务是提取域不变特征，而域分类器Softmax-G_d，其被训练以区分提取的特征是属于源域

还是目标域

为了提取域不变特征，特征提取器中参数的目的是最大化域鉴别器的损失，并最小化标签预测器Softmax-G_y的损失，同时，通过最小化自身的损失来学习域分类器的参数，最后，得到深度生成式对抗网络框架的损失函数为：

其中X_i是训练样本，L_y(,)是标签预测器G_y的损失，L_d(,)是域鉴别器G_d的损失，y_i是X_i的标签；λ是权衡参数，其控制域鉴别器损失在整个损失函数上的比例；θ_f,θ_y,θ_d分别为标签预测器G_y，生成器G_f，域鉴别器G_d的参数。

上述基于深度生成对抗网络的风电传动系统故障诊断方法，所述步骤二中，堆栈自编码网络生成器由两层的自编码器构成，而自编码器包括了编码层和解码层，给定n个输入数据X，X＝{x₁,x₂,x₃,...,x_n}，编码器负责对输入数据进行编码，得到编码后的m个数据Z，Z＝{z₁,z₂,z₃,...,z_m},(m<n)，解码器负责对编码后的数据进行解码操作，得到解码后的数据

与输入数据进行比较，最小化两者之间的误差，最终解码器输出与输入数据一致的数据，从而使得编码后的数据能最大程度地代表输入数据，其中，编码层、解码层对数据进行处理的过程具体表示为：

Z＝f(ω_cX+b_c) (8)

ω_c,b_c为自编码网络中编码层的权值和偏置参数，ω_d,b_d分别为自编码网络中解码层的权值和偏置参数；从而自编码网络的损失函数为：

其中，|| ||_F为Frobenius范式，n为源领域或目标领域输入样本的总个数。

上述基于深度生成对抗网络的风电传动系统故障诊断方法，所述步骤二中，鉴别器由两个softmax分类器构成，softmax分类器分类操作如下：给定输入数据X＝{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，其中输入数据具有k个标签类型y(ⁱ⁾＝{1,2,...,k}，引入参数θ＝(θ₁,θ₂,θ₃,...,θ_k)，对于样本中的属性进行加权，得到θ^Tx，从而概率假设函数为

从而属于每种标签的概率是：

至此得到softmax分类器的损失函数为：

其中符号1{.}是指示函数，定义为1{真实陈述}＝1和1{假陈述}＝0，θ是softmax回归模型的参数向量，λ是权重衰减项的权衡参数,θ_cd是softmax回归模型的参数向量。

上述基于深度生成对抗网络的风电传动系统故障诊断方法，所述步骤三中，反向传播和随机梯度下降算法具体优化目标为θ_f，θ_y，θ_d，其分别为生成器，标签分类器，域分类器的参数，通过反向传播算法，标签分类器和域分类器的误差在深度生成式对抗网络各连接层中逐层向前传递，结合梯度下降法，生成器与鉴别器之间的权值和偏置被不断调整，直到到达迭代次数或者设定的误差最小值，调整停止，最终得到深度生成式对抗网络最适合的权值和偏执参数，迭代过程具体为：

在迭代过程中，参数

传递函数(1)的鞍点如下，参数θ_f，θ_y，θ_d上面的符号表示鞍点：

以下规则用于在整个迭代过程中更新参数：

其中μ是学习速率，

是第i个样本下标签预测器G_y的损失，

是第i个样本下域鉴别器G_d的损失，公式(4)中的-λ因子表示训练过程旨在最大化公式(3)的误差，并且该技巧被称为梯度反转层，由于梯度反转层的存在，重写深度生成式对抗网络框架的损失函数如下：

经过迭代调整后的θ_f，θ_y，θ_d，从振动数据中提取出跨领域的代表性特征，从而使得利用源领域训练的Softmax标签分类器能够用于目标域的分类。

本发明的有益效果在于：

1、本发明根据源领域和目标领域数据之间的相似性与差异性，利用深度生成式对抗网络对两个领域之间的数据进行了融合与修正，多层次的堆栈自编码网络结构能够从跨领域数据中提取出相似性特征，而基于softmax分类器的域鉴别器能够进一步修正源领域和目标领域数据之间的差异性，能够利用源领域的丰富知识实现对目标领域的故障诊断。

2、本发明能利用深度学习的优势能够从复杂、多元领域数据中提取出更多的相似知识，而基于深度生成式对抗网络的思想，使得能够在目标领域数据很少，甚至几乎没有时，也能实现领域之间的域自适应，且端对端的网络结构减少了模型的复杂度，提高了模型的实用性。

附图说明

图1为本发明的流程图。

图2为风电机组传动系统的结构十一图。

图3为深度生成式对抗网络结构示意图。

图4为堆栈自编码网络的模型示意图。

图5为softmax结构示意图。

图6为风电机组传动系统智能故障诊断装置图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1所示，一种基于深度生成对抗网络的风电传动系统故障诊断方法，包括以下步骤：

步骤一：风电机组传动系统结构如图2所示，图2中1为风轮，2为主轴前轴承，3为低速轴，4为主轴后轴承，5为多级变速箱，6为制动器，7为高速轴，8为发电机，9为底板，10为底座，通过传感器收集不同工况、负载下已有的风电机组传动系统(包括轴承、齿轮箱等)振动数据，通过快速傅里叶变换去除数据包含的噪声，并选取处理后数据长度的一半，对选取的数据添加标签，其标签包括正常、内圈故障、外圈故障、球体故障四种，同时区分出源领域和目标领域，定义待诊断部位训练集数据为源领域，不同工况、负载下待诊断部位测试集数据为目标领域。

步骤二：构建深度生成式对抗网络模型。

如图3所示，深度生成式对抗网络框架由一个生成器和两个分类器构成，其中生成器负责提取输入样本的代表性特征，由SAE-G_f表示，其任务是提取域不变特征，而域分类器Softmax-G_d，其被训练以区分提取的特征是属于源域

还是目标域

为了提取域不变特征，特征提取器中参数的主要目的是最大化域鉴别器的损失，并最小化标签预测器Softmax-G_y的损失，同时，通过最小化自身的损失来学习域分类器的参数，最后，得到深度生成式对抗网络框架的损失函数为：

其中X_i是训练样本，L_y(,)是标签预测器G_y的损失，L_d(,)是域鉴别器G_d的损失，y_i是X_i的标签；λ是权衡参数，其控制域鉴别器损失在整个损失函数上的比例。θ_f,θ_y,θ_d分别为标签预测器G_y，生成器G_f，域鉴别器G_d的参数。其中，采用堆栈自编码网络作为深度生成式对抗网络框架基础，利用堆栈自编码的特征提取特性，作为生成器，从复杂、多噪声的振动数据中自动地提取出代表性故障特征，堆栈自编码基本框架如图4所示，堆栈自编码网络生成器由两层的自编码器构成，而自编码器包括了编码层和解码层，给定n个输入数据X，X＝{x₁,x₂,x₃,...,x_n}，编码器负责对输入数据进行编码，得到m个编码后的数据Z，Z＝{z₁,z₂,z₃,...,z_m},(m<n)，实现用少量的信息表示出输入数据的全部特征，解码器负责对编码后的数据进行解码操作，得到解码后的数据

与输入数据进行比较，最小化两者之间的误差，最终解码器输出与输入数据一致的数据，从而使得编码后的数据能最大程度地代表输入数据，其中，编码层、解码层对数据进行处理的过程具体表示为：

Z＝f(ω_cX+b_c) (8)

ω_c,b_c为自编码网络中编码层的权值和偏置参数，ω_d,b_d分别为自编码网络中解码层的权值和偏置参数；从而自编码网络的损失函数为：

其中，|| ||_F为Frobenius范式，n为源领域或目标领域输入样本的总个数。

而后选取两个softmax分类器作为鉴别器——标签分类器和域分类器，对代表性故障特征进行分类，softmax分类器基本框架如图5所示。鉴别器由两个softmax分类器构成，softmax分类器分类操作如下：给定输入数据X＝{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，其中输入数据具有k个标签类型y⁽ⁱ⁾＝{1,2,...,k}，引入参数θ＝(θ₁,θ₂,θ₃,...,θ_k)，对于样本中的属性进行加权，得到θ^Tx，从而概率假设函数为

属于每种标签的概率是：

至此得到softmax分类器的损失函数为：

其中符号1{.}是指示函数，定义为1{真实陈述}＝1和1{假陈述}＝0，θ是softmax回归模型的参数向量，λ是权重衰减项的权衡参数，θ_cd是softmax回归模型的参数向量。

结合堆栈自编码网络和softmax分类器，提出深度生成式对抗网络框架，其次，在自编码网络和域分类器连接层中提出了梯度反转层的概念，能保证在最小化标签分类器误差的同时，最大化域分类器的误差。

步骤三：预训练深度生成式对抗网络模型。利用源领域数据和目标领域数据预训练深度生成式对抗网络模型，经由堆栈自编码网络，得到两个领域振动数据的代表性故障特征，将源领域的代表性故障特征预训练标签分类器，同时用两个领域的代表性故障特征训练域分类器，由于梯度反转层的存在，能保证在最小化标签分类器误差的同时，最大化域分类器的误差。结合反向传播和随机梯度下降算法，使得域分类器无法识别出故障特征来自源领域还是目标领域，从而提取出隐含在两个领域中的公共知识，能够利用源领域的知识对待诊断的目标领域数据实施故障诊断。

其中，反向传播和随机梯度下降算法具体优化目标为θ_f，θ_y，θ_d，其分别为生成器，标签分类器，域分类器的参数，通过反向传播算法，标签分类器和域分类器的误差在深度生成式对抗网络各连接层中逐层向前传递，结合梯度下降法，生成器与鉴别器之间的权值和偏置被不断调整，直到到达迭代次数或者设定的误差最小值，调整停止，最终得到深度生成式对抗网络最适合的权值和偏执参数，迭代过程具体为：

在迭代过程中，参数

传递函数(1)的鞍点如下，参数θ_f，θ_y，θ_d上面的符号表示鞍点：

以下规则用于在整个迭代过程中更新参数：

其中μ是学习速率，

是第i个样本下标签预测器G_y的损失，

是第i个样本下域鉴别器G_d的损失，公式(4)中的-λ因子表示训练过程旨在最大化公式(3)的误差，并且该技巧被称为梯度反转层，由于梯度反转层的存在，重写深度生成式对抗网络框架的损失函数如下：

经过迭代调整后的θ_f，θ_y，θ_d，能够从复杂、多领域的从振动数据中提取出跨领域的代表性特征，从而使得利用源领域训练的Softmax标签分类器能够用于目标域的分类。

步骤四：采用训练好的模型对大型风电机组传动系统实施在线诊断；

如图6所示，通过传感器实时采集大型风电机组传动系统振动数据，经由快速傅里叶变换去除噪声后，输入到已训练好的模型中进行故障诊断，得到故障诊断结果。

Claims (4)

1.一种基于深度生成对抗网络的风电传动系统故障诊断方法，包括以下步骤：

步骤一：收集不同工况、负载下已有的风电机组传动系统振动数据，建立大型风电机组传动系统跨域样本训练集，区分出源领域和目标领域；

步骤一中，将收集的不同工况、负载下已有的风电机组传动系统振动数据通过傅里叶变换去除数据包含的噪声，并选取处理后数据长度的一半，对选取的数据添加标签，其标签包括正常、内圈故障、外圈故障、球体故障四种，同时区分出源领域和目标领域，定义待诊断部位训练集数据为源领域，不同工况、负载下待诊断部位测试集数据为目标领域；

步骤二：结合堆栈自编码网络和softmax分类器，构建深度生成式对抗网络模型；

采用堆栈自编码网络作为深度生成式对抗网络框架基础，利用堆栈自编码的特征提取特性，作为生成器，从振动数据中自动地提取出代表性故障特征，而后选取两个softmax分类器作为鉴别器，鉴别器包括标签分类器、域分类器，对代表性故障特征进行分类；

步骤二中，深度生成式对抗网络框架由一个生成器和两个分类器构成，其中生成器负责提取输入样本的代表性特征，由SAE-G_f表示，其任务是提取域不变特征，而域分类器Softmax-G_d，其被训练以区分提取的特征是属于源域

还是目标域

为了提取域不变特征，特征提取器中参数的目的是最大化域鉴别器的损失，并最小化标签预测器Softmax-G_y的损失，同时，通过最小化自身的损失来学习域分类器的参数，最后，得到深度生成式对抗网络框架的损失函数为：

其中X_i是训练样本，L_y(,)是标签预测器G_y的损失，L_d(,)是域鉴别器G_d的损失，y_i是X_i的标签；λ是权衡参数，其控制域鉴别器损失在整个损失函数上的比例；θ_f,θ_y,θ_d分别为标签预测器G_y，生成器G_f，域鉴别器G_d的参数；

步骤三：预训练深度生成式对抗网络模型；

利用源领域数据和目标领域数据预训练深度生成式对抗网络模型，经由堆栈自编码网络，得到两个领域振动数据的代表性故障特征，将源领域的代表性故障特征预训练标签分类器，同时用两个领域的代表性故障特征训练域分类器，结合反向传播和随机梯度下降算法，使得域分类器无法识别出故障特征来自源领域还是目标领域，从而提取出隐含在两个领域中的公共知识；

步骤四：采用训练好的模型对大型风电机组传动系统实施在线诊断；

通过传感器实时采集大型风电机组传动系统振动数据，经由傅里叶变换去除噪声后，输入到已训练好的模型中进行故障诊断，得到故障诊断结果。

2.根据权利要求1所述的基于深度生成对抗网络的风电传动系统故障诊断方法，其特征在于：所述步骤二中，堆栈自编码网络生成器由两层的自编码器构成，而自编码器包括了编码层和解码层，给定n个输入数据X，X＝{x₁,x₂,x₃,...,x_n}，编码器负责对输入数据进行编码，得到编码后的m个数据Z，Z＝{z₁,z₂,z₃,...,z_m},(m<n)，解码器负责对编码后的数据进行解码操作，得到解码后的数据

与输入数据进行比较，最小化两者之间的误差，最终解码器输出与输入数据一致的数据，从而使得编码后的数据能最大程度地代表输入数据，其中，编码层、解码层对数据进行处理的过程具体表示为：

Z＝f(ω_cX+b_c) (8)

ω_c,b_c为自编码网络中编码层的权值和偏置参数，ω_d,b_d分别为自编码网络中解码层的权值和偏置参数；从而自编码网络的损失函数为：

其中，|| ||_F为Frobenius范式，n为源领域或目标领域输入样本的总个数。

3.根据权利要求2所述的基于深度生成对抗网络的风电传动系统故障诊断方法，其特征在于：所述步骤二中，鉴别器由两个softmax分类器构成，softmax分类器分类操作如下：给定输入数据X＝{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，其中输入数据具有k个标签类型y⁽ⁱ⁾＝{1,2,...,k}，引入参数θ＝(θ₁,θ₂,θ₃,...,θ_k)，对于样本中的属性进行加权，得到θ^Tx，从而概率假设函数为

从而属于每种标签的概率是：

至此得到softmax分类器的损失函数为：

其中符号1{.}是指示函数，定义为1{真实陈述}＝1和1{假陈述}＝0，θ是softmax回归模型的参数向量，λ是权重衰减项的权衡参数,θ_cd是softmax回归模型的参数向量。

4.根据权利要求3所述的基于深度生成对抗网络的风电传动系统故障诊断方法，其特征在于：所述步骤三中，反向传播和随机梯度下降算法具体优化目标为θ_f，θ_y，θ_d，其分别为生成器，标签分类器，域分类器的参数，通过反向传播算法，标签分类器和域分类器的误差在深度生成式对抗网络各连接层中逐层向前传递，结合梯度下降法，生成器与鉴别器之间的权值和偏置被不断调整，直到到达迭代次数或者设定的误差最小值，调整停止，最终得到深度生成式对抗网络最适合的权值和偏执参数，迭代过程具体为：

在迭代过程中，参数

传递函数(1)的鞍点如下，参数θ_f，θ_y，θ_d上面的符号表示鞍点：

以下规则用于在整个迭代过程中更新参数：

其中μ是学习速率，

是第i个样本下标签预测器G_y的损失，

是第i个样本下域鉴别器G_d的损失，公式(4)中的-λ因子表示训练过程旨在最大化公式(3)的误差，同时最小化公式(2)中生成器和标签分类器的损失，通过添加-λ因子使得域分类器梯度反转，从而能让最大化，最小化能同时进行，因而在生成器与鉴别器之间的连接层为梯度反转层，由于梯度反转层的存在，重写深度生成式对抗网络框架的损失函数如下：

经过迭代调整后的θ_f，θ_y，θ_d，从振动数据中提取出跨领域的代表性特征，从而使得利用源领域训练的Softmax标签分类器能够用于目标域的分类。

Images