CN111458144A - 一种基于卷积神经网络的风力发电机故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的风力发电机故障诊断方法，步骤1以一定时间间隔从风电场的数据采集与监视控制系统中获取发电机运行时的轴承振动信号，将其作为待处理的数据；步骤2对轴承振动信号进行变换处理，得到倒频谱图像，将其作为风电机组发电机故障诊断模型的样本数据；步骤3基于步骤2得到的倒频谱图像计算风力发电机的轴承特征频率、钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率和钢球材质滚动体的固有频率，然后确定风力发电机的故障缺陷类型；步骤4对风力发电机的故障缺陷类型对应的倒频谱图像进行编码，制作标签，作为模型的数据集；步骤5构建基于随机森林的卷积神经网络风电机组发电机故障诊断模型。

Description

一种基于卷积神经网络的风力发电机故障诊断方法

技术领域

本发明涉及一种发电机故障诊断方法，特别涉及一种基于卷积神经网络的风电机组发电机故障诊断方法。

背景技术

目前风力发电机轴承振动信号的获取是通过振动传感器采集的，在发电机驱动端和非驱动端的轴承座位置处安装振动传感器，获取轴承振动加速度信号，或者速度信号，经过数据处理，可以获得轴承运行的特征频率参数，由于不同类型、性质、原因和部位产生的故障所激发的振动具有不同的特征，具体表现为频率成分、幅值、相位差、波形、能量分布状况的差异，据此，人们可以从振动信号中识别故障。

风力发电机械故障诊断的方法主要有四种，1.振动分析、2.温度分析、3油样分析、4.声发射法。目前，旋转机械的检测与诊断分析仪器的系统大多都是基于振动原理制造的，目前的主流方法也是最为成熟的方法是基于振动信号提取特征，利用传感器将运行中的旋转机械的实时振动数据进行采集，从原始信号中挖掘出最具代表性、最有效的可靠特征，然后进行分析，这里主要采用频域分析法。

深度学习神经网络视觉识别方法已经成功应用在人脸识别、智能驾驶、医疗影像检测、工业视觉检测等领域，但深度学习神经网络视觉识别方法在谱分析领域却很少有应用。

谱分析是一种将模态分析结果和已知谱联系起来的计算结构响应的分析方法，由于谱图像(例如倒频谱图像)，是由确定结构对载荷随时间或者频率的动力响应得到的，不存在分辨率差、对比度低、视觉效果模糊的问题，且便于标准化处理，可以作为深度学习神经网络视觉识别的理想数据图像。

现有技术一

目前应用于风力发电机轴承故障诊断最广泛的方法是频域分析方法，该方法将原始信号进行傅里叶变换等，获得其频谱或者倒频谱，当旋转机械某位置发生故障时，运行时其频域信号在某些频率段会有较大振幅，根据频谱图或者倒频谱图中的故障频率段不同，可以确定旋转机械故障位置。

现有技术一的缺点

目前风机机械的检验环节繁琐复杂，需要采用人工识谱的方式需要耗费大量人工成本以及专家经验，往往普通质检员很难全面的从谱图像中全面的提取故障信息。

发明内容

目前风机机械的检验环节繁琐复杂，采用人工识谱的方式需要耗费大量人工成本，且往往在识谱的过程中要求质检员有大量谱分析的相关知识及经验，甚至需要经验丰富的谱分析专家进行诊断，往往普通质检员很难全面地从谱图像中提取故障信息。由于风电机组发电机故障倒频谱图较正常运行时的倒频谱图有着较大特征差异，并且有一定规律性，可以将深度学习神经网络视觉识别方法应用在风电机组发电机故障诊断上，代替繁琐枯燥的人工诊断，解决普通质检员缺乏先验知识的问题，从而大大减少人力成本。为了解决上述技术问题，本发明提出了一种基于卷积神经网络的风电机组发电机故障诊断方法。

为达到以上目的，本发明采取的技术方案是：

一种基于随机森林的卷积神经网络风电机组发电机故障诊断方法，包括以下步骤：

步骤1，获取风力发电机轴承振动信号：以一定时间间隔从风电场的数据采集与监视控制系统中获取发电机运行时的轴承振动信号，轴承振动信号为轴承振动的速度或者加速度信号，从轴承振动信号中删除缺值点和停机点，选出正常功率点，然后将其作为待处理的数据；

步骤2，绘制轴承振动信号的倒频谱图像：对轴承振动信号进行变换处理，得到倒频谱图像，将其作为风电机组发电机故障诊断模型的样本数据；

步骤3，基于步骤2得到的倒频谱图像计算风力发电机的轴承特征频率、钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率和钢球材质滚动体的固有频率，轴承特征频率包括：球过内环频率BPI、球过外环频率BPO、保持架频率FT和球旋转频率BS，然后基于风力发电机的轴承特征频率、钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率和钢球材质滚动体的固有频率的分布确定风力发电机的故障缺陷类型；

步骤4，构建数据集：基于步骤3对风力发电机的故障缺陷类型对应的倒频谱图像进行编码，制作标签，作为风电机组发电机故障诊断模型的数据集；

步骤5：构建基于随机森林的卷积神经网络风电机组发电机故障诊断模型，选择训练数据和合适的训练迭代次数，对模型进行训练，得到训练好的具有风力发电机故障诊断能力的风电机组发电机故障诊断模型。

在上述方案的基础上，步骤2中对轴承振动信号进行变换的具体步骤为：

步骤201，利用倒频谱变换公式对轴承振动信号进行变化，得到倒频谱图像，倒频谱变换公式如下所示：

其中，C_a(t)为经过倒频谱变换后的信号，f(t)为原轴承振动信号，t代表时间，i为虚数单位，ω为频率单位，F^-1为傅里叶逆变换；

步骤202，将得到的倒频谱图像进行尺寸归一化处理，将尺寸变换为224*224*3。

在上述方案的基础上，步骤3中，计算风力发电机轴承特征频率的公式如下所示：

其中，n为滚动体数量，D为轴承节径，d为滚动体的直径，α为接触角。

在上述方案的基础上，步骤3中钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率的计算公式为：

其中，f_n为钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率，h为内外圈厚度；b为内外圈宽度；N为振动阶数。

在上述方案的基础上，步骤3中钢球材质滚动体的固有频率的计算公式为：

其中，f_b为钢球材质滚动体的固有频率，E为滚动体的弹性模量，钢球材质的弹性模量为210GPa；g为重力加速度＝9.8m/s2；ρ为密度，钢球材质的密度为7.86×10^-6kg/mm³。

在上述方案的基础上，步骤4具体包括以下步骤：

步骤401，确定标签的编码方式：采用独热编码；

步骤402，将正常无缺陷的发电机轴承振动信号对应的倒频谱图像和有故障缺陷类型的发电机轴承振动信号对应的倒频谱图像按照故障缺陷类型制作标签，并按照1：4的数量比例将倒频谱图像分为测试集和训练集，作为风电机组发电机故障诊断模型的数据集。

在上述方案的基础上，步骤5的具体步骤为：

步骤501，将大小为224*224*3的倒频谱图像进行预处理，并将其作为训练数据；

步骤502，构建基于随机森林的卷积神经网络风电机组发电机故障诊断模型，该模型包括：五层卷积层、三层全连接层和一层输出层；输出层使用随机森林分类器；

步骤503，定义学习率为r，设置r为0.01，迭代次数变量为Num，输入步骤501所获得的训练数据，当模型在训练数据上的分类损失函数loss小于0.01或者等于迭代次数变量Num时，保存此时的模型参数，得到训练好的具有风力发电机故障诊断能力的风电机组发电机故障诊断模型。

在上述方案的基础上，步骤502的具体步骤为：

步骤601，第一层：卷积层，输入大小为224*224*3的倒频谱图像，卷积核的数量为96个，采用两片GPU(Graphics Processing Unit，图形处理器)，分别计算48个核，卷积核的大小为11*11*3，步长为stride＝4，不扩充边缘，卷积后的特征图大小为54*54*96，然后进行局部响应归一化操作(LRN)，再进行池化操作，输出大小为27*27*96的特征图；

步骤602，第二层：卷积层，输入第一层输出的特征图，卷积核的数量为256个，每一个GPU计算128个核，卷积核的大小为5*5*96，步长stride＝1，卷积后的特征图大小为24*24*256，然后进行LRN操作和池化操作，输出大小为13*13*256的特征图；

步骤603，第三层：卷积层，输入第二层输出的特征图，卷积核的个数为384个，每一个GPU计算192个核，步长stride＝1，卷积核的大小为3*3*256，没有进行LRN和pooling池化操作，输出大小为13*13*384的特征图；

步骤604，第四层：卷积层，输入第三层输出的特征图，卷积核个数为384个，每一个GPU计算192个核，卷积核的大小为3*3*384，没有进行LRN和池化操作，输出大小为13*13*384的特征图；

步骤605，第五层：卷积层，输入第四层输出的特征图，卷积核个数为256个，每一个GPU计算128个核，卷积核的大小为3*3*384，输出大小为13*13*256的特征图，然后进行池化操作，输出大小为6*6*256的特征图；

步骤606，第六层：全连接层，输入第五层输出的特征图，使用ReLu激活函数和dropout操作进行处理，输出大小为1*1*4096的特征图，神经元个数为4096；

步骤607，第七层：全连接层，输入第六层输出的特征图，使用ReLu激活函数和dropout操作进行处理，输出大小为1*1*4096的特征图，神经元个数为4096；

步骤608，第八层：全连接层，输入第七层输出的特征图，使用ReLu激活函数和dropout操作进行处理，输出大小为1*1*1000的特征图，神经元个数为1000；

步骤609，输出层：采用随机森林分类器进行处理，实现待诊断数据的故障分类。

在上述方案的基础上，池化操作采用重叠池化方式，进行最大池化操作，即局部接受域中值最大的点，并且池化步长比池化核的尺寸小；

dropout操作：将每个层的神经元设置为有0.5的概率输出为0。

在上述方案的基础上，步骤609的具体步骤为：

步骤701，对上述第七层和第八层输出的共5096个特征进行融合，作为创建决策树的输入，并按照步骤702创建若干棵决策树；

步骤702，创建决策树：

(1)从输入的c个样本特征中使用自助法(Bootstrap)随机有放回采样选出k个样本特征，其中k小于c，共进行q次采样，生成q个训练集，在实施中根据c的不同取值，k、q分别取不同的数值；

(2)使用第一个训练集样本，对k个样本特征使用最佳分割点来计算节点；

(3)使用最佳分割将节点分割成子节点；

(4)重复步骤(2)到(3)，直到到达1个节点，生成第1棵决策树；

(5)使用第二个训练集样本，重复步骤(2)到(4)，当训练集q个样本都重复了(2)-(4)后，创建出q棵决策树；

步骤703，对于步骤702创建的q棵决策树，计算基尼指数，并对每一个特征进行特征重要性评估，基尼指数的计算公式为：

其中，GI_m为节点m的基尼指数，k'表示类别，k'＝1,2,…,K'，

表示节点m中类别k'所占的比例；

对于指定特征X_j在节点m的重要性计算公式为：

VIM_jm＝GI_m-λGI_l-(1-λ)GI_r

其中，VIM_jm为指定特征X_j在节点m的重要性，GI_l和GI_r分别是分枝后左、右新节点的基尼指数，λ为左节点分割的样本所占比例；

设包含指定特征X_j的集合为M_j，则X_j在第H棵树的重要性VIM_Hj的计算公式为：

共有q棵树，则指定特征X_j对所有树的重要性VIM_j计算公式为：

归一化处理得到指定特征X_j对所有树的重要性评估值为：

其中，c代表样本特征的数量，i＝1,2,3,…,c，VIM_i表示样本特征i对所有树的重要性；

步骤704，将上述第七层和第八层输出的共5096个特征按照重要性评估值降序排列，筛选出500个重要特征，作为步骤705中创建决策树的输入，按照步骤702重新创建若干棵决策树，创建的决策树的数量设置为1000；

步骤705，进行随机森林的决策：

(1)将步骤704生成的多棵决策树组成随机森林；

(2)使用筛出的500个重要特征作为输入，用随机森林分类器的每个子决策树进行决策分类，计算每个决策结果的投票数；

(3)以多票数的决策结果为分类结果，作为输入样本的故障类型。

附图说明

本发明有如下附图：

图1本发明所述基于随机森林的卷积神经网络风电机组发电机故障诊断方法的流程图；

图2滚动轴承内圈故障倒频谱、外圈故障倒频谱、滚球故障倒频谱、正常振动的倒频谱示意图，图2(a)为滚动轴承内圈故障倒频谱示意图，图2(b)为滚动轴承外圈故障倒频谱示意图，图2(c)为滚动轴承滚球故障倒频谱示意图，图2(d)为滚动轴承正常振动的倒频谱示意图；

图3随机森林的创建过程示意图；

图4随机森林的决策过程示意图；

图5基于随机森林的卷积神经网络风电机组发电机故障诊断模型图；

图6发电机驱动端正常振动和外圈故障振动的倒频谱图，图6(a)为23号发电机驱动端正常倒频谱图，图6(b)为3号机组发电机驱动端的外圈故障倒频谱图，图6(c)为6号机组发电机驱动端的外圈故障倒频谱图。

具体实施方式

以下结合附图1-6对本发明作进一步详细说明。

本发明的流程图如图1所示，

步骤1，获取风力发电机轴承振动信号：以一定时间间隔从风电场的数据采集与监视控制系统中获取发电机运行时的轴承振动信号，轴承振动信号为轴承振动的速度或者加速度信号，从轴承振动信号中删除缺值点和停机点，选出正常功率点，然后将其作为待处理的数据；

步骤2，绘制轴承振动信号的倒频谱图像：对轴承振动信号进行变换处理，得到倒频谱图像，将其作为风电机组发电机故障诊断模型的样本数据；

步骤3，基于步骤2得到的倒频谱图像计算风力发电机的轴承特征频率、钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率和钢球材质滚动体的固有频率，轴承特征频率包括：球过内环频率BPI、球过外环频率BPO、保持架频率FT和球旋转频率BS，然后基于风力发电机的轴承特征频率、钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率和钢球材质滚动体的固有频率的分布确定风力发电机的故障缺陷类型，图2中(a)、(b)、(c)、(d)分别为内圈故障倒频谱、外圈故障倒频谱、滚球故障倒频谱、正常振动的倒频谱图像样例；

步骤4，构建数据集：基于步骤3对风力发电机的故障缺陷类型对应的倒频谱图像进行编码，制作标签，作为模型的数据集；

步骤5：构建基于随机森林的卷积神经网络风电机组发电机故障诊断模型，选择训练数据和合适的训练迭代次数，对模型进行训练，得到训练好的具有风力发电机故障诊断能力的风电机组发电机故障诊断模型，基于随机森林的卷积神经网络发电机故障诊断模型结果如图5所示。

在上述方案的基础上，步骤2中对轴承振动信号进行变换的具体步骤为：

步骤201，利用倒频谱变换公式对轴承振动信号进行变化，得到倒频谱图像，倒频谱变换公式如下所示：

其中，C_a(t)为经过倒频谱变换后的信号，f(t)为原轴承振动信号，t代表时间，i为虚数单位，ω为频率单位，F^-1为傅里叶逆变换；

步骤202，将得到的倒频谱图像进行尺寸归一化处理，将尺寸变换为224*224*3。

在上述方案的基础上，步骤3中，计算风力发电机轴承特征频率的公式如下所示：

其中，n为滚动体数量，D为轴承节径，d为滚动体的直径，α为接触角。

在上述方案的基础上，步骤3中钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率的计算公式为：

其中，f_n为钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率，h为内外圈厚度；b为内外圈宽度；N为振动阶数。

在上述方案的基础上，步骤3中钢球材质滚动体的固有频率的计算公式为：

其中，f_b为钢球材质滚动体的固有频率，E为滚动体的弹性模量，钢球材质的弹性模量为210GPa；g为重力加速度＝9.8m/s2；ρ为密度，钢球材质的密度为7.86×10^-6kg/mm³。

通过监测发电机轴承运行时的振动信号，利用传感器采集其振动加速度信号，并对振动数据进行解析，将某部分振动数据解析获得对应的频域或者时频响应图像，并与正常状态下的图谱进行对比分析，得出频谱图中与轴承各结构件特征频率相匹配的异常状态频率，并结合其时域的振动变化趋势进行分析，以判定故障发生的轴承缺陷位置。

在上述方案的基础上，步骤4具体包括以下步骤：

步骤401，确定标签的编码方式：采用独热编码；

步骤402，将正常无缺陷的发电机轴承振动信号对应的倒频谱图像和有故障缺陷类型的发电机轴承振动信号对应的倒频谱图像按照故障缺陷类型制作标签，并按照1：4的数量比例将倒频谱图像分为测试集和训练集，作为风电机组发电机故障诊断模型的数据集。

在上述方案的基础上，步骤5的具体步骤为：

步骤501，将大小为224*224*3的倒频谱图像作为训练数据；

步骤502，构建基于随机森林的卷积神经网络风电机组发电机故障诊断模型，该模型包括：五层卷积层、三层全连接层和一层输出层；输出层使用随机森林分类器，采用双GPU设计模式，规定GPU只能在特定层面进行通信交流，即每个GPU负责处理一半的运算；

步骤503，定义学习率为r，设置r为0.01，迭代次数变量为Num，输入步骤501所获得的训练数据，当模型在训练数据上的分类损失函数loss小于0.01或者等于迭代次数变量Num时，保存此时的模型参数，得到训练好的具有风力发电机故障诊断能力的风电机组发电机故障诊断模型。

在上述方案的基础上，步骤502的具体步骤为：

步骤601，第一层：卷积层，输入大小为224*224*3的倒频谱图像，卷积核的数量为96个，采用两片GPU(Graphics Processing Unit，图形处理器)，分别计算48个核，卷积核的大小为11*11*3，步长为stride＝4，不扩充边缘，卷积后的特征图大小为54*54*96，然后进行局部响应归一化操作(LRN)，再进行池化操作，输出大小为27*27*96的特征图；

步骤602，第二层：卷积层，输入第一层输出的特征图，卷积核的数量为256个，每一个GPU计算128个核，卷积核的大小为5*5*96，步长stride＝1，卷积后的特征图大小为24*24*256，然后进行LRN操作和池化操作，输出大小为13*13*256的特征图，

步骤603，第三层：卷积层，输入第二层输出的特征图，卷积核的个数为384个，每一个GPU计算192个核，步长stride＝1，卷积核的大小为3*3*256，没有进行LRN和pooling池化操作，输出大小为13*13*384的特征图；

步骤604，第四层：卷积层，输入第三层输出的特征图，卷积核个数为384个，每一个GPU计算192个核，卷积核的大小为3*3*384，没有进行LRN和池化操作，输出大小为13*13*384的特征图；

步骤605，第五层：卷积层，输入第四层输出的特征图，卷积核个数为256个，每一个GPU计算128个核，卷积核的大小为3*3*384，输出大小为13*13*256的特征图，然后进行池化操作，输出大小为6*6*256的特征图；

步骤606，第六层：全连接层，输入第五层输出的特征图，使用ReLu激活函数和dropout操作进行处理，输出大小为1*1*4096的特征图，神经元个数为4096；

步骤607，第七层：全连接层，输入第六层输出的特征图，使用ReLu激活函数和dropout操作进行处理，输出大小为1*1*4096的特征图，神经元个数为4096；

步骤608，第八层：全连接层，输入第七层输出的特征图，使用ReLu激活函数和dropout操作进行处理，输出大小为1*1*1000的特征图，神经元个数为1000；

步骤609，输出层：采用随机森林分类器进行处理，实现待诊断数据的故障分类。

在上述方案的基础上，卷积运算是对两个矩阵进行的，在一个卷积层上，上层的特征矩阵与卷积核进行点积运算，卷积操作的目的是提取图像的特征；

池化操作采用重叠池化方式，进行最大池化操作，即局部接受域中值最大的点，并且池化步长比池化核的尺寸小，这样池化层的输出之间会有重叠和覆盖，提升了特征的丰富性，同时一定程度上可以减缓或者一定程度上避免过拟合；

局部响应归一化：原理是仿造生物学上活跃的神经元对相邻神经元的抑制现象，对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，从一定程度上抑制了过拟合和现象；

dropout操作：将每个层的神经元设置为有0.5的概率输出为0，所以每次提供一个输入，网络就尝试一个不同的结构，但是所有这些结构之间共享权重，这种方法降低了神经元之间的耦合关系，使得每个神经元不能依赖其他神经元而存在，从而网络会学习更具有鲁棒性的特征，极大降低了过拟合现象。

在上述方案的基础上，步骤609的具体步骤为：

步骤701，对上述第七层和第八层输出的共5096个特征进行融合，作为创建决策树的输入，并按照步骤702创建若干棵决策树；

步骤702，创建决策树：

(1)从输入的c个样本特征中使用自助法(Bootstrap)随机有放回采样选出k个样本特征，其中k小于c，共进行q次采样，生成q个训练集，在实施中根据输入c的不同取值，k、q分别取不同的数值；

(2)使用第一个训练集样本，对k个样本特征使用最佳分割点来计算节点；

(3)使用最佳分割将节点分割成子节点；

(4)重复步骤(2)到(3)，直到到达1个节点，生成第1棵决策树；

(5)使用第二个训练集样本，重复步骤(2)到(4)，当训练集q个样本都重复了(2)-(4)后，创建出q棵决策树，决策树的创建过程如图3所示；

步骤703，对于步骤702创建的q棵决策树，计算基尼指数，并对每一个特征进行特征重要性评估，基尼指数的计算公式为：

其中，GI_m为节点m的基尼指数，k'表示类别，k'＝1,2,…,K'，

表示节点m中类别k'所占的比例；

对于指定特征X_j在节点m的重要性计算公式为：

VIM_jm＝GI_m-λGI_l-(1-λ)GI_r

其中，VIM_jm为指定特征X_j在节点m的重要性，GI_l和GI_r分别是分枝后左、右新节点的基尼指数，λ为左节点分割的样本所占比例；

设包含指定特征X_j的集合为M_j，则X_j在第H棵树的重要性VIM_Hj的计算公式为：

共有q棵树，则指定特征X_j对所有树的重要性VIM_j计算公式为：

归一化处理得到指定特征X_j对所有树的重要性评估值为：

其中，c代表样本特征的数量，i＝1,2,3,…,c，VIM_i表示样本特征i对所有树的重要性。

步骤704，将上述第七层和第八层输出的共5096个特征按照重要性评估值降序排列，筛选出500个重要特征，作为步骤705中创建决策树的输入，按照步骤702重新创建若干棵决策树，创建的决策树的数量设置为1000；

步骤705，进行随机森林的决策：

(1)将步骤704生成的多棵决策树组成随机森林；

(2)使用筛出的500个重要特征作为输入，用随机森林分类器的每个子决策树进行决策分类，计算每个决策结果的投票数；

(3)以多票数的决策结果为分类结果，作为输入样本的故障类型，随机森林的决策过程如图4所示。

结合案例分析

本实验轴承振动数据来自内蒙某风场3号机组、6号机组和23号机组的风力发电机驱动端轴承，其3号、6号机组发电机驱动端轴承存在外圈故障，23号机组轴承正常。数据采集系统的采样频率128k，采样间隔10分钟/组。

以单一的外圈故障为例，将测得的振动加速度信号进行处理，得到倒频谱图像，训练集包括40张正常图片，100张外圈故障图片，测试集包括20张正常图片，60张故障图片，输入图片的大小为224*224*3。

附图6中(a)为23号发电机驱动端正常倒频谱图，(b)、(c)分别为3号和6号机组发电机驱动端的外圈故障倒频谱图。

我们引入准确率(accuracy)作为衡量分类任务是否正确分类的统计指标，即测试样本总数中正确分类的样本数所占比例。

实验结果准确率可达100％，表明基于随机森林的卷积神经网络风电机组发电机故障诊断模型具有令人满意的分类效果。为了验证其它传统网络模型是否具有故障诊断能力，我们用传统BP神经网络进行对比实验，我们将传统的BP神经网络在相同条件下做了重复实验，并且和基于随机森林的卷积神经网络风电机组发电机故障诊断模型作对比，在BP神经网络上的准确率为91.25％，可以看出基于随机森林的卷积神经网络风电机组发电机故障诊断模型的准确率相比于传统BP神经网络有明显提高。

本发明的有益效果：

从实验结果可以看出，基于随机森林的卷积神经网络风电机组发电机故障诊断模型对于分类任务的分类效果均较为理想，在实际应用中可实现代替人工检测故障，大大减少人工成本，提高风力发电运行的整体效益。

本发明的技术关键点和保护点主要有三点：

1.将深度学习神经网络视觉识别方法应用于倒频谱识别

2.基于随机森林的卷积神经网络诊断模型。

3.将该模型应用对象定位于风力机组发电机。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于随机森林的卷积神经网络风电机组发电机故障诊断方法，其特征在于，包括以下步骤：

步骤1，获取风力发电机轴承振动信号：以一定时间间隔从风电场的数据采集与监视控制系统中获取发电机运行时的轴承振动信号，轴承振动信号为轴承振动的速度或者加速度信号，从轴承振动信号中删除缺值点和停机点，选出正常功率点，然后将其作为待处理的数据；

步骤2，绘制轴承振动信号的倒频谱图像：对轴承振动信号进行变换处理，得到倒频谱图像，将其作为风电机组发电机故障诊断模型的样本数据；

步骤3，基于步骤2得到的倒频谱图像计算风力发电机的轴承特征频率、钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率和钢球材质滚动体的固有频率，轴承特征频率包括：球过内环频率BPI、球过外环频率BPO、保持架频率FT和球旋转频率BS，然后基于风力发电机的轴承特征频率、钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率和钢球材质滚动体的固有频率的分布确定风力发电机的故障缺陷类型；

步骤4，构建数据集：基于步骤3对风力发电机的故障缺陷类型对应的倒频谱图像进行编码，制作标签，作为风电机组发电机故障诊断模型的数据集；

步骤5：构建基于随机森林的卷积神经网络风电机组发电机故障诊断模型，选择训练数据和合适的训练迭代次数，对模型进行训练，得到训练好的具有风力发电机故障诊断能力的风电机组发电机故障诊断模型。

2.如权利要求1所述的基于随机森林的卷积神经网络风电机组发电机故障诊断方法，其特征在于，步骤2中对轴承振动信号进行变换的具体步骤为：

步骤201，利用倒频谱变换公式对轴承振动信号进行变化，得到倒频谱图像，倒频谱变换公式如下所示：

其中，C_a(t)为经过倒频谱变换后的信号，f(t)为原轴承振动信号，t代表时间，i为虚数单位，ω为频率单位，F^-1为傅里叶逆变换；

步骤202，将得到的倒频谱图像进行尺寸归一化处理，将尺寸变换为224*224*3。

3.如权利要求1所述的基于随机森林的卷积神经网络风电机组发电机故障诊断方法，其特征在于，步骤3中，计算风力发电机轴承特征频率的公式如下所示：

其中，n为滚动体数量，D为轴承节径，d为滚动体的直径，α为接触角。

4.如权利要求1所述的基于随机森林的卷积神经网络风电机组发电机故障诊断方法，其特征在于，步骤3中钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率的计算公式为：

其中，f_n为钢材质的轴承圈在自由状态下的径向弯曲振动的固有频率，h为内外圈厚度；b为内外圈宽度；N为振动阶数。

5.如权利要求1所述的基于随机森林的卷积神经网络风电机组发电机故障诊断方法，其特征在于，步骤3中钢球材质滚动体的固有频率的计算公式为：

其中，f_b为钢球材质滚动体的固有频率，E为滚动体的弹性模量，钢球材质的弹性模量为210GPa；g为重力加速度＝9.8m/s²；ρ为密度，钢球材质的密度为7.86×10^-6kg/mm³。

6.如权利要求1所述的基于随机森林的卷积神经网络风电机组发电机故障诊断方法，其特征在于，步骤4具体包括以下步骤：

步骤401，确定标签的编码方式：采用独热编码；

步骤402，将正常无缺陷的发电机轴承振动信号对应的倒频谱图像和有故障缺陷类型的发电机轴承振动信号对应的倒频谱图像按照故障缺陷类型制作标签，并按照1：4的数量比例将倒频谱图像分为测试集和训练集，作为风电机组发电机故障诊断模型的数据集。

7.如权利要求2所述的基于随机森林的卷积神经网络风电机组发电机故障诊断方法，其特征在于，步骤5的具体步骤为：

步骤501，将大小为224*224*3的倒频谱图像作为训练数据；

步骤502，构建基于随机森林的卷积神经网络风电机组发电机故障诊断模型，该模型包括：五层卷积层、三层全连接层和一层输出层；输出层使用随机森林分类器；

步骤503，定义学习率为r，设置r为0.01，迭代次数变量为Num，输入步骤501所获得的训练数据，当模型在训练数据上的分类损失函数loss小于0.01或者等于迭代次数变量Num时，保存此时的模型参数，得到训练好的具有风力发电机故障诊断能力的风电机组发电机故障诊断模型。

8.如权利要求7所述的基于随机森林的卷积神经网络风电机组发电机故障诊断方法，其特征在于，步骤502的具体步骤为：

步骤601，第一层：卷积层，输入大小为224*224*3的倒频谱图像，卷积核的数量为96个，采用两片GPU，分别计算48个核，卷积核的大小为11*11*3，步长为stride＝4，不扩充边缘，卷积后的特征图大小为54*54*96，然后进行局部响应归一化操作，再进行池化操作，输出大小为27*27*96的特征图；

步骤602，第二层：卷积层，输入第一层输出的特征图，卷积核的数量为256个，每一个GPU计算128个核，卷积核的大小为5*5*96，步长stride＝1，卷积后的特征图大小为24*24*256，然后进行LRN操作和池化操作，输出大小为13*13*256的特征图，

步骤603，第三层：卷积层，输入第二层输出的特征图，卷积核的个数为384个，每一个GPU计算192个核，步长stride＝1，卷积核的大小为3*3*256，没有进行LRN和pooling池化操作，输出大小为13*13*384的特征图；

步骤604，第四层：卷积层，输入第三层输出的特征图，卷积*核个数为384个，每一个GPU计算192个核，卷积核的大小为3*3*384，没有进行LRN和池化操作，输出大小为13*13*384的特征图；

步骤605，第五层：卷积层，输入第四层输出的特征图，卷积核个数为256个，每一个GPU计算128个核，卷积核的大小为3*3*384，输出大小为13*13*256的特征图，然后进行池化操作，输出大小为6*6*256的特征图；

步骤606，第六层：全连接层，输入第五层输出的特征图，使用ReLu激活函数和dropout操作进行处理，输出大小为1*1*4096的特征图，神经元个数为4096；

步骤607，第七层：全连接层，输入第六层输出的特征图，使用ReLu激活函数和dropout操作进行处理，输出大小为1*1*4096的特征图，神经元个数为4096；

步骤608，第八层：全连接层，输入第七层输出的特征图，使用ReLu激活函数和dropout操作进行处理，输出大小为1*1*1000的特征图，神经元个数为1000；

步骤609，输出层：采用随机森林分类器进行处理，实现待诊断数据的故障分类。

9.如权利要求8所述的基于随机森林的卷积神经网络风电机组发电机故障诊断方法，其特征在于，池化操作采用重叠池化方式，进行最大池化操作，并且池化步长比池化核的尺寸小；

dropout操作：将每个层的神经元设置为有0.5的概率输出为0。

10.如权利要求8所述的基于随机森林的卷积神经网络风电机组发电机故障诊断方法，其特征在于，步骤609的具体步骤为：

步骤701，对上述第七层和第八层输出的共5096个特征进行融合，作为创建决策树的输入，并按照步骤702创建若干棵决策树；

步骤702，创建决策树：

(1)从输入的c个样本特征中使用自助法随机有放回采样选出k个样本特征，其中k小于c，共进行q次采样，生成q个训练集，在实施中根据c的不同取值，k、q分别取不同的数值；

(2)使用第一个训练集样本，对k个样本特征使用最佳分割点来计算节点；

(3)使用最佳分割将节点分割成子节点；

(4)重复步骤(2)到(3)，直到到达1个节点，生成第1棵决策树；

(5)使用第二个训练集样本，重复步骤(2)到(4)，当训练集q个样本都重复了(2)-(4)后，创建出q棵决策树；

步骤703，对于步骤702创建的q棵决策树，计算基尼指数，并对每一个特征进行特征重要性评估，基尼指数的计算公式为：

其中，GI_m为节点m的基尼指数，k'表示类别，k'＝1,2,…,K'，

表示节点m中类别k'所占的比例；

对于指定特征X_j在节点m的重要性计算公式为：

VIM_jm＝GI_m-λGI_l-(1-λ)GI_r

其中，VIM_jm为指定特征X_j在节点m的重要性，GI_l和GI_r分别是分枝后左、右新节点的基尼指数，λ为左节点分割的样本所占比例；

设包含指定特征X_j的集合为M_j，则X_j在第H棵树的重要性VIM_Hj的计算公式为：

共有q棵树，则指定特征X_j对所有树的重要性VIM_j计算公式为：

归一化处理得到指定特征X_j对所有树的重要性评估值为：

其中，c代表样本特征的数量，i＝1,2,3,…,c，VIM_i表示样本特征i对所有树的重要性；

步骤704，将上述第七层和第八层输出的共5096个特征按照重要性评估值降序排列，筛选出500个重要特征，作为步骤705中创建决策树的输入，按照步骤702重新创建若干棵决策树，创建的决策树的数量设置为1000；

步骤705，进行随机森林的决策：

(1)将步骤704生成的多棵决策树组成随机森林；

(2)使用筛出的500个重要特征作为输入，用随机森林分类器的每个子决策树进行决策分类，计算每个决策结果的投票数；

(3)以多票数的决策结果为分类结果，作为输入样本的故障类型。

Images