CN111562105B

CN111562105B - 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法

Info

Publication number: CN111562105B
Application number: CN202010216372.3A
Authority: CN
Inventors: 张文安; 黄大建; 郭方洪
Original assignee: Zhejiang University of Technology ZJUT
Current assignee: Zhejiang University of Technology ZJUT
Priority date: 2020-03-25
Filing date: 2020-03-25
Publication date: 2021-11-23
Anticipated expiration: 2040-03-25
Also published as: CN111562105A

Abstract

一种基于小波包分解(WPD)和卷积神经网络(CNN)的风力发电齿轮箱端到端故障诊断方法，包括数据预处理、多尺度振动分解、多尺度特征提取和分类，利用WPD对振动信号进行自适应分解，然后将信号分量输入到层次结构中，利用层级结构的卷积神经网络(CNN)自适应地提取多尺度特征，有效地对故障进行分类。本发明添加的WPD层能合理地处理非线性和非平稳振动数据获取组件在多个尺度自适应特点，允许CNN提取多尺度特性；WPD层直接向分层CNN发送多尺度分量，有效提取丰富的故障信息，避免了手工特征提取导致有用信息的丢失；框架通用性好。

Description

一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法

技术领域

本发明属于故障诊断领域，具体涉及一种基于小波包分解(WPD)和卷积神经网络(CNN)的风电机组故障诊断方法，它考虑了风电场中风机齿轮箱高速轴及非高速轴发生故障的情况，并对故障做实时的诊断，为风电场的运维管理提供可靠的安全信息。

背景技术

根据全球风能理事会(GWEC)的数据，风力发电增长最快，累计装机容量大幅增加，是最可靠的可再生能源之一。许多风力涡轮机(WTs)是建在海上、山上和偏远的地方，以获得丰富的风力资源。这些地方昼夜温差大，天气变化大，对风机造成很大的环境干扰，使得负载不稳定。因此，WTs易发生故障，严重影响WTs的可靠性和安全性，甚至可能造成重大的经济损失。

据统计，我国现有风电场中齿轮箱的破损率高达40％-50％，这说明齿轮箱是破损率最高的机械部件。齿轮箱出现故障后，通常风机仍然能够继续运行，但是随着故障的加重，最终会导致风机意外停机甚至更加严重的结果。因此有必要对风机齿轮箱进行实时故障诊断，尽量在故障轻微时就发现并对风机进行及时维护。

齿轮箱的振动信号具有高频特性并且受到强烈干扰，但不同故障下振动信号都有一定差异，能够反应出齿轮箱的健康状况，通过运用适当的技术来分析振动信号可以实现有效的故障诊断。

小波包分解(WPD)是一种信号处理技术，它可以将信号分解成几个具有相同带宽但不同中心频率的信号分量。非常适合在复杂的工业环境中处理具有高频特性和强背景噪声的非平稳机械振动信号。它的优点是在信号的高频部分提供更高的精度，并且没有信息的冗余或缺失。

卷积神经网络(CNN)是一种深度学习技术，是一种包含卷积计算的特殊神经网络，具有很强的特征提取能力。隐层中卷积核参数的共享和层间连接的稀疏性减少了CNN架构的计算量，使CNN在识别任务中具有更好的泛化能力。

现有故障诊断方法各有优劣，WPD虽然有很强的信号处理能力，但是通常结合浅层机器学习方法进行分类，不是端到端的方法，识别效果有限，CNN框架虽然具有很强的特征学习能力，但缺少学习信号多尺度特征的能力。如何有效的利用智能算法对故障进行分类一直是研究热点。

发明内容

为了有效地诊断风电机组齿轮箱故障，本发明提出了一种基于小波包分解的多尺度卷积神经网络的风机齿轮箱故障诊断方法。该方法提出了一个新的多尺度卷积神经网络框架，即WPD-MSCNN，同时具备了小波包分解可以有效处理非平稳信号的优点和卷积神经网络学习能力强大的优点，结合后使得卷积神经网络能够学习多尺度信号的特征。

为了解决上述技术问题本发明提供如下的技术方案：

一种基于小波包分解和多尺度卷积神经网络的风机齿轮箱故障诊断方法，包括以下步骤：

步骤1)数据预处理，过程如下：

对采集到的振动信号进行预处理，要求所有振动信号的采样频率一致，同时将振动信号处理为相同长度，每个类别的样本数量尽量相同，训练数据和测试数据需要打上标签；

步骤2)多尺度振动分解，过程如下：

通过将小波包分解引入到分层的卷积神经网络中，在数据传递到输入层之前，自适应地将非平稳振动信号分解成不同尺度的信号分量，对于原始信号s(t)∈L²(R)，小波包分解可以表示为原始信号s(t)在小波包基{W_n,l,k(t)}_{n∈z/z-,l∈z,k∈z}上的投影系数：

其中{p_s(n,l,k)}_k∈z表示原始信号s(t)在小波包空间

中的WPD序列，l为尺度坐标(层数)，n是震荡次数，n＝0,...,2^l，k是位置坐标；

步骤3)多尺度特征提取，过程如下：

使用多对卷积层和池化层，通过并行的方式从不同尺度的信号中学习高层且有用的故障特征，从而提取到原始振动信号中的多尺度信息。对每个信号使用相同的滤波器大小，由于每个信号的长度相同，但频率(尺度)不同，因此输出特征映射以不同的标度捕获每个信号，最后，将这些互补特征结合起来，进入分类阶段；

步骤4)分类，过程如下：

该步骤的目的是根据获得的特征表示来识别出故障类型，从而达到最终的故障诊断目的。具体来说，是将特征表示通过1个全连接层。然后，使用softmax函数计算出每个类的条件概率：

其中，θ是模型参数，

c是类别个数。

根据概率大小得到最终分类结果：

进一步，所述步骤2)中，WPD过程相当于原始信号通过一系列中心频率不同但带宽相同的滤波器，可以分解出低频和高频部分的信号，适用于处理具有高频扰动和强背景噪声的非平稳振动信号，振动信号经过分解之后，得到不同尺度(频段)的振动信号分量，各个分量包含了不同尺度的信息，比原始信号包含更充足的信息量，不同的故障类型具有不同的故障频率，因此，当不同类型的故障发生时，不同频段的信号也会发生相应的变化，与从原始信号中提取故障特征相比，在不同频段能从信号分量中提取更有效的故障特征，对于WPD，滤波信号是根据频率从原始信号中分离出来的，因此结果是互补的。

再进一步，所述步骤3)的操作如下：

步骤3.1)卷积，过程如下：

对每个输入信号都进行如下卷积计算

y_i＝f(w^Tx_i:i+m-1+b) (2)

其中，

是滤波器权值向量，b是偏置项，x是长度N的输入信号，x_i:i+m-1是从i开始的长度m的子信号，m＜N，f(·)是非线性激活函数，采用修正线性单元ReLU；

在经过以上滤波器处理之后，第j个滤波器的特征映射如下：

y_j＝[y₁,y₂,...,y_N-m+1]. (3)

步骤3.2)池化，过程如下：

池化层中的最大池化操作定义为：

池化层是对上层数据进行缩放和映射，提取最重要的特征，防止过拟合；

其中p为用来计算特征映射局部最大值的池化长度，第k个池化的特征映射是：

h_k＝[h₁,h₂,...,h_(N-m)/p+1]. (5)

步骤3.3)并置，过程如下：

假设在最后一对中使用了k₂个滤波器，那么就有了k₂个新特征图，对于每个信号分量

(n＝2^l)，其合并的特征映射表示为：

最后，我们简单地连接每个信号分量的特征表示:

H＝[H⁽¹⁾,H⁽²⁾,...,H⁽ⁿ⁾]. (7)

这里的n是输入信号分量的个数，经过以上步骤，H包含了原始信号的多尺度特征表示，由于每个信号分量是互补的，所以不存在重叠信息，因此，该方法能够提取出互补的、更丰富的故障特征。

本方法是通用且灵活的，它可以具有不同的尺度和不同的深度(即，卷积层和池化层对)。具体来说，该方法利用具有多对卷积层和池化层的分层学习结构，在不同的尺度上捕获互补的、丰富的诊断信息，可以有效地学习高层次的故障特征。多尺度、多层的CNN模型可以从更多的尺度中学习到更健壮、更抽象的故障特征，从而提高诊断性能。理论上，对于除振动信号以外的其它非平稳信号，本方法也具有一定的可行性。

本发明的有益效果主要表现在：1)添加的WPD层能合理地处理非线性和非平稳振动数据，自适应获取多个尺度的分量，允许CNN提取多尺度特性；2)WPD层直接向分层CNN发送多尺度分量，有效提取丰富的故障信息，避免了手工特征提取导致有用信息丢失的问题；3)通用性好。

附图说明

图1是本发明方法的框架流程图；

图2是三层小波包分解的示意图；

图3是小波包分解结果及其对应的傅里叶变换结果。

具体实施方式

为了使本发明的技术方案、设计思路能更加清晰，我们结合附图进行详尽的描述。

图1是本发明方法的框架流程图，实施过程分为训练过程和实时故障诊断过程。其中，WPD l ayer为小波包分解层，该层对数据进行小波包分解，对应步骤2；C1 layer为第一层卷积层，P1 lay er为第一层池化层，C2 layer为第二层卷积层，P2 layer为第二层池化层，这几层负责卷积池化步骤，对应步骤3；FC layer是全连接层，S layer是Softmax层，负责分类结果，对应步骤4。

训练需要对数据贴上标签，并需要一定的深度学习调参技巧，实时故障诊断前需要先恢复训练所得模型。我们以三层小波包分解为例来解释具体实施过程。

步骤1)数据预处理，过程如下：

对采集到的振动信号进行预处理。要求所有振动信号的采样频率一致，同时将振动信号处理为相同长度(一般为2048左右)，每个类别的样本数量尽量相同，训练数据和测试数据需要打上标签。在训练数据较少时可以考虑数据增强；

步骤2)多尺度振动分解，过程如下：

获得多尺度的振动信号分量，通过将小波包分解引入到分层的卷积神经网络中，在数据传递到输入层之前，自适应地将非平稳振动信号分解成不同尺度的信号分量，对于原始信号s(t)∈L²(R)，小波包分解表示为原始信号s(t)在小波包基{W_n,l,k(t)}_{n∈z/z-,l∈z,k∈z}上的投影系数：

其中{p_s(n,l,k)}_k∈z表示原始信号s(t)在小波包空间

如图2所示是小波包分解示意图，WPD过程相当于原始信号通过一系列中心频率不同但带宽相同的滤波器。以三层为例，经过分解会得到8个不同尺度的振动信号分量，如图3所示是小波包分解结果及其傅里叶变换。从图中可以看出振动信号经过分解之后，得到不同尺度(频段)的振动信号分量，各个分量对应不同的尺度，即各个分量包含了不同尺度的信息，比原始信号包含更充足的信息量；

步骤3)多尺度特征提取，过程如下：

使用多对卷积层和池化层，通过并行的方式从不同尺度的信号中学习高层且有用的故障特征，从而提取到原始振动信号中的多尺度信息，具体是使用两个卷积层和池化层来学习每个信号的故障特征，分别为C1，C2，P1，P2。对每个信号使用相同的滤波器大小，由于每个信号的长度相同，但频率(尺度)不同，因此输出特征映射以不同的标度捕获每个信号，最后，将这些互补特征结合起来，进入分类阶段，经过小波包三层分解后有8个信号分量作为输入，操作如下：

步骤3.1)卷积，过程如下：

对8个输入信号都进行如下卷积计算

y_i＝f(w^Tx_i:i+m-1+b) (2)

其中，

是滤波器权值向量，b是偏置项，x是长度N的输入信号，x_i:i+m-1是从i开始的长度m的子信号，m＜N，f(·)是修正线性单元ReLU；

在经过以上滤波器处理之后，第j个滤波器的特征映射如下：

y_j＝[y₁,y₂,...,y_N-m+1]. (3)

第一个卷积层C1的滤波器数量设置为16，第二个卷积层C2的滤波器数量设置为32。滤波器长度设置为100，步长为2。Padding选择‘SAME’模式；

步骤3.2)池化，过程如下：

池化层中的最大池化操作定义为：

其中p为用来计算特征映射局部最大值的池化长度。第k个池化的特征映射是：

h_k＝[h₁,h₂,...,h_(N-m)/p+1]. (5)

池化层P1，P2的长度设置为2；

步骤3.3)并置，过程如下：

假设在最后一对中使用了k₂＝32个滤波器，那么就有了32个新特征图。对于每个信号分量

(n＝2^l)，其合并的特征映射表示为：

最后，我们简单地连接每个信号分量的特征表示：

H＝[H⁽¹⁾,H⁽²⁾,...,H⁽ⁿ⁾] (7)

这里的n＝8是输入信号分量的个数，经过以上步骤，H包含了原始信号的多尺度特征表示，由于每个信号分量是互补的，所以不存在重叠信息，因此，该方法能够提取出互补的、更丰富的故障特征；

步骤4)分类，过程如下：

根据获得的特征表示来识别出故障类型，从而达到最终的故障诊断目的，具体来说，是将特征表示通过1个全连接层，然后，使用softmax函数计算出每个类的条件概率：

其中，θ是模型参数，

c是类别个数；

根据概率大小得到最终分类结果：

全连接层的神经元个数为1024个，整个模型输出个数为标签的类别数。

其他参数：除此之外，小波包分解时选择dmey小波，模型训练时mini-batch设为50个样本，优化器为Adam梯度下降优化算法，epochs设为50，学习率为0.0001，dropout率设置为0.5，训练时可采用交叉验证方法，批归一化数据等方法。

Claims

1.一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法，其特征在于，包括如下步骤：

步骤1)数据预处理，过程如下：

步骤2)多尺度振动分解，过程如下：

获得多尺度的振动信号分量，通过将小波包分解引入到分层的卷积神经网络中，在数据传递到输入层之前，自适应地将非平稳振动信号分解成不同尺度的信号分量，对于原始信号s(t)∈L²(R)，小波包分解表示为原始信号s(t)在小波包基

上的投影系数：

其中{p_s(n,l,k)}_k∈z表示原始信号s(t)在小波包空间

中的WPD序列，l为尺度坐标，即层数，n是震荡次数，n＝0,...,2^l，k是位置坐标；

步骤3)多尺度特征提取，过程如下：

提取到原始振动信号中的多尺度信息，使用两个卷积层和两个池化层来学习每个信号的故障特征：

对每个输入信号都进行如下卷积计算

y_i＝f(w^Tx_i:i+m-1+b) (2)

其中，

在经过以上滤波器处理之后，第j个滤波器的特征映射如下：

y_j＝[y₁,y₂,...,y_N-m+1] (3)

每个池化层中的最大池化操作定义为：

h_k＝[h₁,h₂,...,h_(N-m)/p+1] (5)

对每个信号使用相同的滤波器大小，由于每个信号的长度相同，但频率不同，因此输出特征映射以不同的标度捕获每个信号；并合并特征：假设在最后一对中使用了k₂个滤波器，那么就有了k₂个新特征图，对于每个信号分量

其合并的特征映射表示为：

最后，简单地连接每个信号分量的特征表示：

H＝[H⁽¹⁾,H⁽²⁾,...,H⁽ⁿ⁾] (7)

这里的n是输入信号分量的个数，经过以上步骤，H包含了原始信号的多尺度特征表示，由于每个信号分量是互补的，所以不存在重叠信息；

步骤4)分类，过程如下：

根据获得的特征表示来识别出故障类型，从而达到最终的故障诊断目的，将特征表示通过1个全连接层，然后，使用softmax函数计算出每个类的条件概率：

其中，θ是模型参数，

c是类别个数；

根据概率大小得到最终分类结果：

2.如权利要求1所述的基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法，其特征在于，所述步骤2)中，振动信号经过分解之后，得到不同尺度的振动信号分量，各个分量包含了不同尺度的信息，比原始信号包含更充足的信息量，不同的故障类型具有不同的故障频率，因此，当不同类型的故障发生时，不同频段的信号也会发生相应的变化，与从原始信号中提取故障特征相比，在不同频段能从信号分量中提取更有效的故障特征；对于WPD，滤波信号是根据频率从原始信号中分离出来的，因此结果是互补的。