CN112177865A - 一种用于解决风机故障检测中标记噪音和标记不足的方法 - Google Patents

一种用于解决风机故障检测中标记噪音和标记不足的方法 Download PDF

Info

Publication number
CN112177865A
CN112177865A CN202011389709.7A CN202011389709A CN112177865A CN 112177865 A CN112177865 A CN 112177865A CN 202011389709 A CN202011389709 A CN 202011389709A CN 112177865 A CN112177865 A CN 112177865A
Authority
CN
China
Prior art keywords
data
fault detection
time sequence
window
noise
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.)
Granted
Application number
CN202011389709.7A
Other languages
English (en)
Other versions
CN112177865B (zh
Inventor
詹德川
王魏
李新春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Zhigu Artificial Intelligence Research Institute Co ltd
Nanjing University
Original Assignee
Nanjing Zhigu Artificial Intelligence Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Zhigu Artificial Intelligence Research Institute Co ltd filed Critical Nanjing Zhigu Artificial Intelligence Research Institute Co ltd
Priority to CN202011389709.7A priority Critical patent/CN112177865B/zh
Publication of CN112177865A publication Critical patent/CN112177865A/zh
Application granted granted Critical
Publication of CN112177865B publication Critical patent/CN112177865B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

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)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种用于解决风机故障检测中标记噪音和标记不足的方法，包括以下具体步骤：（一）、数据收集，通过传感器收集各个监控点的时序特征；（二）、多示例数据构造，通过频谱分析将时序数据变换到频域数据，并通过划分窗口构造多示例数据；（三）、深度多示例学习模型训练，利用深度多示例学习技术建立故障检测模型；（四）、新数据模型训练，相比现有技术，本发明通过滑动窗口将时序数据划分为多个示例，只要有一个示例具有故障模式便被检测出来；此外，通过对滑动窗口内部频谱值的分布降低噪声的影响。

Description

一种用于解决风机故障检测中标记噪音和标记不足的方法
技术领域
本发明涉及使用机器学习实现传动机械故障检测的技术领域，具体涉及一种用于解决风机故障检测中标记噪音和标记不足的方法。
背景技术
由于风力发电具有清洁可再生的优点，受到了来自世界范围内的广泛关注。但是，风机常常工作在恶劣的环境中，并且工作强度极其高。一方面，从风叶、塔架到发电箱，甚至是轴承、齿轮的损坏都会给生产过程带来巨大的安全威胁和经济损失。另一方面，通过故障诊断专家进行人工判断一台风机是否发生故障具有很高的时间和人力成本。这些都是风机故障检测和维修的难点，因此需要一套智能化的解决方案。使用机器学习技术对风机故障进行检测和分析是本发明的核心技术。
机器学习技术，尤其是深度学习技术，需要大量的数据作为训练支持。一方面，该标记数据必须准确，因为部分机器学习模型，比如深度网络，对噪声不够鲁棒，很难通过带噪声的数据获得很好的模型。另一方面，在故障检测领域，训练数据本身就会带有噪声，比如搜集的信号会带有噪声（比如传感器安装位置不当）；此外，风机故障检测过程中收集到的信号是时序信号，故障模式的显现只在部分频段中出现，因此相比较于有故障的频段而言，没有故障的频段是干扰信号。然而，机械故障诊断过程中很难事先知道哪些频段是有故障的，即很难排除干扰信号的影响。
除了风机故障检测，本发明还可以被用到其余机械传动故障诊断领域，比如：高精度发动机制造、高安全动车组运行等。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种有效减少风机故障检测数据中噪声的用于解决风机故障检测中标记噪音和标记不足的方法。
为了实现上述目标，本发明采用如下的技术方案：
一种用于解决风机故障检测中标记噪音和标记不足的方法，包括以下具体步骤：（一）、数据收集，通过传感器收集各个监控点的时序特征；（二）、多示例数据构造，通过频谱分析将时序数据变换到频域数据，并通过划分窗口构造多示例数据；（三）、深度多示例学习模型训练，利用深度多示例学习技术建立故障检测模型；（四）、新数据模型训练。
优选地，前述步骤（一）中、数据收集包括以下具体步骤：
100、确定传动机械故障监控点；
101、部署信号收集传感器；
102、采集传动机械转速、加速度时序信号；
103、将数据组织成若干组“（时序信号，是否有故障）”的形式。
再优选地，前述步骤（二）中、多示例数据构造包括以下具体步骤：
200、时域信号变换为频域信号：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1，频谱图F1中点的数目有K个，纵轴范围在[Vl, Vh]之间；201、确定候选窗口大小：确定N个窗口大小W1，W2，…, WN，满足W1 < W2 <…< WN；
202、根据窗口大小划分频域数据窗口：对于每一个窗口大小Wi，依次遍历频谱图中的每一个窗口，即[0, Wi], [Wi, 2 * Wi], …，[(Si – 1) * Wi, Si * Wi]，其中满足(Si –1) * Wi < K, Si * Wi >= K，即满足所有窗口覆盖完整的频谱图；
203、统计每个窗口内部的所有频谱值的直方图分布：将[Vl, Vh]离散为L个区间，统计窗口内部所有频谱值在每个区间内的比例，得到一个长度为L的向量；
204、获取多示例数据：当窗口大小为Wi时，将频谱图划分为Si个窗口，每个窗口内部得到一个长度为L的向量，共计得到S=S1 + S2 + …+ SN个长度为L的向量，每个长度为L的向量当做一个示例，所有这S个示例构成一个多示例包；
205、多示例数据表示：每组“（时序信号，是否有故障）”的数据，转换为“（S个长度为L的示例，是否有故障）”的形式。
更优选地，前述步骤（三）中、深度多示例学习模型训练包括以下具体步骤：
300、对于每个示例，通过若干层全连接网络处理；
301、对所有示例处理得到的表示进行聚合，比如所有示例向量求和、求平均或者求最大值；
302、将聚合得到的向量经过若干层全连接网络进行分类；303、优化整个模型得到故障检测模型M
进一步优选地，前述步骤（四）中、新数据模型训练包括以下具体步骤：
400、收集待预测部件的机械传动时序数据；
401、构造多示例数据，如步骤200-205所示；
402、利用训练好的模型M进行预测；
403、如果预测值小于0.5，则输出无故障；
404、如果预测值大于0.5，则输出有故障。
本发明的有益之处在于：本发明通过滑动窗口将时序数据划分为多个示例，只要有一个示例具有故障模式便可以被检测出来；此外，通过对滑动窗口内部频谱值的分布降低噪声的影响，本发明通过有噪音、标记不足、标记不完善的时序数据进行故障检测的应用，比如风机故障检测。
附图说明
图1为本发明实施例的数据收集流程图；
图2为本发明实施例的多示例数据构造流程图；
图3为本发明实施例的多示例学习模型训练流程图；
图4为本发明实施例的模型预测流程图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
一种用于解决风机故障检测中标记噪音和标记不足的方法，包括以下具体步骤：（一）、数据收集，通过传感器收集各个监控点的时序特征；（二）、多示例数据构造，通过频谱分析将时序数据变换到频域数据，并通过划分窗口构造多示例数据；（三）、深度多示例学习模型训练，利用深度多示例学习技术建立故障检测模型；（四）、新数据模型训练。
根据附图1，数据收集具体步骤依次为：确定主要测点、部署传感器（步骤100、101）：将轴承处选为主要测量点部署转速传感器，对于低频振动，在水平、垂直、和轴向三个方向进行测量；采集有故障和无故障的风机对应的转速时序信号（步骤102）：每段时序信号采集4~30s；并将数据组织成“（时序信号，是否有故障）”的形式保存（步骤103）。
根据附图2，多示例数据构造具体步骤依次为：时域信号变换为频域信号（步骤200）：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1，频谱图F1中点的数目有K个，纵轴范围在[Vl, Vh]之间；确定候选窗口大小（步骤201）：确定N个窗口大小W1，W2，…, WN，满足W1 < W2 <…< WN；根据窗口大小划分频域数据窗口（步骤202）：对于每一个窗口大小Wi，依次遍历频谱图中的每一个窗口，即[0, Wi], [Wi, 2* Wi], …，[(Si – 1) * Wi, Si * Wi]，其中满足(Si – 1) * Wi < K, Si * Wi >= K，即满足所有窗口覆盖完整的频谱图；统计每个窗口内部的所有频谱值的直方图分布（步骤203）：将[Vl, Vh]离散为L个区间，统计窗口内部所有频谱值在每个区间内的比例，得到一个长度为L的向量；获取多示例数据（步骤204）：当窗口大小为Wi时，将频谱图划分为Si个窗口，每个窗口内部得到一个长度为L的向量，共计得到S=S1 + S2 + … + SN个长度为L的向量，每个长度为L的向量当做一个示例，所有这S个示例构成一个多示例包；多示例数据表示（步骤205）：每组“（时序信号，是否有故障）”的数据，转换为“（S个长度为L的示例，是否有故障）”的形式。
根据附图3，深度多示例学习模型训练具体步骤依次为：对于每个示例，通过若干层全连接网络处理（步骤300）；对所有示例处理得到的表示进行聚合（步骤301）：比如所有示例向量求和、求平均或者求最大值；使用分类器预测是否有故障（步骤302）；优化整个模型M（步骤303）：整个模型包括处理示例的若干层全连接网络以及分类器参数，使用梯度优化方法端到端进行优化。
根据附图4，新数据模型训练具体步骤依次为：收集待预测部件的机械传动时序数据（步骤400）；构造多示例数据（步骤401）；利用训练好的模型M进行预测（步骤402）；如果预测值小于0.5，输出无故障（步骤403）；否则输出有故障（步骤404）。
本发明的有益之处在于：本发明通过滑动窗口将时序数据划分为多个示例，只要有一个示例具有故障模式便可以被检测出来；此外，通过对滑动窗口内部频谱值的分布可以降低噪声的影响，本发明通过有噪音、标记不足、标记不完善的时序数据进行故障检测的应用，比如风机故障检测。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (5)

1.一种用于解决风机故障检测中标记噪音和标记不足的方法，其特征在于，包括以下具体步骤：（一）、数据收集，通过传感器收集各个监控点的时序特征；（二）、多示例数据构造，通过频谱分析将时序数据变换到频域数据，并通过划分窗口构造多示例数据；（三）、深度多示例学习模型训练，利用深度多示例学习技术建立故障检测模型；（四）、新数据模型训练。
2.根据权利要求1所述的一种用于解决风机故障检测中标记噪音和标记不足的方法，其特征在于，所述步骤（一）中、数据收集包括以下具体步骤：
100、确定传动机械故障监控点；
101、部署信号收集传感器；
102、采集传动机械转速、加速度时序信号；103、将数据组织成若干组“（时序信号，是否有故障）”的形式。
3.根据权利要求1所述的一种用于解决风机故障检测中标记噪音和标记不足的方法，其特征在于，所述步骤（二）中、多示例数据构造包括以下具体步骤：
200、时域信号变换为频域信号：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1，频谱图F1中点的数目有K个，纵轴范围在[Vl, Vh]之间；
201、确定候选窗口大小：确定N个窗口大小W1，W2，…, WN，满足W1 < W2 <…< WN；
202、根据窗口大小划分频域数据窗口：对于每一个窗口大小Wi，依次遍历频谱图中的每一个窗口，即[0, Wi], [Wi, 2 * Wi], …，[(Si – 1) * Wi, Si * Wi]，其中满足(Si –1) * Wi < K, Si * Wi >= K，即满足所有窗口覆盖完整的频谱图；
203、统计每个窗口内部的所有频谱值的直方图分布：将[Vl, Vh]离散为L个区间，统计窗口内部所有频谱值在每个区间内的比例，得到一个长度为L的向量；
204、获取多示例数据：当窗口大小为Wi时，将频谱图划分为Si个窗口，每个窗口内部得到一个长度为L的向量，共计得到S=S1 + S2 + …+ SN个长度为L的向量，每个长度为L的向量当做一个示例，所有这S个示例构成一个多示例包；
205、多示例数据表示：每组“（时序信号，是否有故障）”的数据，转换为“（S个长度为L的示例，是否有故障）”的形式。
4.根据权利要求1所述的一种用于解决风机故障检测中标记噪音和标记不足的方法，其特征在于，所述步骤（三）中、深度多示例学习模型训练包括以下具体步骤：
300、对于每个示例，通过若干层全连接网络处理；
301、对所有示例处理得到的表示进行聚合，比如所有示例向量求和、求平均或者求最大值；
302、将聚合得到的向量经过若干层全连接网络进行分类；
303、优化整个模型得到故障检测模型M。
5.根据权利要求1所述的一种用于解决风机故障检测中标记噪音和标记不足的方法，其特征在于，所述步骤（四）中、新数据模型训练包括以下具体步骤：
400、收集待预测部件的机械传动时序数据；
401、构造多示例数据，如步骤200-205所示；
402、利用训练好的模型M进行预测；
403、如果预测值小于0.5，则输出无故障；
404、如果预测值大于0.5，则输出有故障。
CN202011389709.7A 2020-12-02 2020-12-02 一种用于解决风机故障检测中标记噪音和标记不足的方法 Active CN112177865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011389709.7A CN112177865B (zh) 2020-12-02 2020-12-02 一种用于解决风机故障检测中标记噪音和标记不足的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011389709.7A CN112177865B (zh) 2020-12-02 2020-12-02 一种用于解决风机故障检测中标记噪音和标记不足的方法

Publications (2)

Publication Number Publication Date
CN112177865A true CN112177865A (zh) 2021-01-05
CN112177865B CN112177865B (zh) 2021-02-26

Family

ID=73918368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011389709.7A Active CN112177865B (zh) 2020-12-02 2020-12-02 一种用于解决风机故障检测中标记噪音和标记不足的方法

Country Status (1)

Country Link
CN (1) CN112177865B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113791727A (zh) * 2021-08-10 2021-12-14 广东省科学院智能制造研究所 一种应用于工业声学智能感知的边端采集设备
CN113791728A (zh) * 2021-08-10 2021-12-14 广东省科学院智能制造研究所 一种工业声学智能感知系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102620807A (zh) * 2012-03-22 2012-08-01 内蒙古科技大学 风力发电机状态监测系统及方法
CN108593282A (zh) * 2018-07-05 2018-09-28 国网安徽省电力有限公司培训中心 一种断路器在线监测和故障诊断装置及其工作方法
CN109325526A (zh) * 2018-09-05 2019-02-12 福州大学 一种采用卷积深度置信网络的配电网故障分类方法
CN109800861A (zh) * 2018-12-28 2019-05-24 上海联影智能医疗科技有限公司 一种设备故障识别方法、装置、设备及计算机系统
CN111707260A (zh) * 2020-06-24 2020-09-25 电子科技大学 一种基于频域分析及卷积神经网络的定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102620807A (zh) * 2012-03-22 2012-08-01 内蒙古科技大学 风力发电机状态监测系统及方法
CN108593282A (zh) * 2018-07-05 2018-09-28 国网安徽省电力有限公司培训中心 一种断路器在线监测和故障诊断装置及其工作方法
CN109325526A (zh) * 2018-09-05 2019-02-12 福州大学 一种采用卷积深度置信网络的配电网故障分类方法
CN109800861A (zh) * 2018-12-28 2019-05-24 上海联影智能医疗科技有限公司 一种设备故障识别方法、装置、设备及计算机系统
CN111707260A (zh) * 2020-06-24 2020-09-25 电子科技大学 一种基于频域分析及卷积神经网络的定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113791727A (zh) * 2021-08-10 2021-12-14 广东省科学院智能制造研究所 一种应用于工业声学智能感知的边端采集设备
CN113791728A (zh) * 2021-08-10 2021-12-14 广东省科学院智能制造研究所 一种工业声学智能感知系统

Also Published As

Publication number Publication date
CN112177865B (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN111947928B (zh) 一种多源信息融合的轴承故障预测系统及方法
CN112665852B (zh) 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置
CN112177865B (zh) 一种用于解决风机故障检测中标记噪音和标记不足的方法
CN110375987B (zh) 一种基于深度森林机械轴承故障检测方法
CN110018322B (zh) 一种基于深度学习的转速检测方法及系统
CN109255333B (zh) 一种大型风电机组滚动轴承故障混合诊断方法
CN106934126A (zh) 基于循环神经网络融合的机械零部件健康指标构造方法
CN114742111B (zh) 基于参数自适应特征模态分解故障诊断方法和系统
CN103940611A (zh) 一种风电机组变工况下滚动轴承自适应异常检测方法
CN111209934A (zh) 风机故障预报警方法及系统
CN114295368B (zh) 一种多通道融合的风电行星齿轮箱故障诊断方法
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN116358871A (zh) 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法
CN112347944B (zh) 一种基于零值比例频谱特征的机械传动故障检测方法
CN113008559A (zh) 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
CN113776818B (zh) 基于Park变换的海上风电机组齿轮系统故障诊断方法
CN113092044B (zh) 一种基于加权水平可见图的旋转机械故障诊断方法
CN212363649U (zh) 一种实现齿轮箱故障诊断方法的系统
CN116839909A (zh) 一种基于增量学习和规则推理的风机轴承故障诊断方法
CN116205631A (zh) 基于蜻蜓算法的vmd-ceemd风电机组齿轮箱振动故障解析方法
CN113447267B (zh) 一种基于振动信号分析的齿轮箱整机状态评估方法和系统
CN112364762B (zh) 一种基于阶梯误差频谱特征的机械传动故障检测方法
CN111947927B (zh) 一种基于色度理论的滚动轴承故障检测方法
CN115376302A (zh) 一种风机叶片故障预警方法、系统、设备及介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221125

Address after: 210023 163 Xianlin Road, Qixia District, Nanjing, Jiangsu

Patentee after: NANJING University

Patentee after: Nanjing Zhigu Artificial Intelligence Research Institute Co.,Ltd.

Address before: 210000 building C4, Hongfeng Science Park, Nanjing Economic and Technological Development Zone, Jiangsu Province

Patentee before: Nanjing Zhigu Artificial Intelligence Research Institute Co.,Ltd.