CN112508242A - 一种风力发电机轴承故障定位及分类模型的构建方法 - Google Patents

一种风力发电机轴承故障定位及分类模型的构建方法 Download PDF

Info

Publication number
CN112508242A
CN112508242A CN202011335435.3A CN202011335435A CN112508242A CN 112508242 A CN112508242 A CN 112508242A CN 202011335435 A CN202011335435 A CN 202011335435A CN 112508242 A CN112508242 A CN 112508242A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
training
model
data
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
Application number
CN202011335435.3A
Other languages
English (en)
Inventor
李骁猛
王昭
李娜
贺志学
段志强
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.)
CRRC Yongji Electric Co Ltd
Original Assignee
CRRC Yongji Electric 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 CRRC Yongji Electric Co Ltd filed Critical CRRC Yongji Electric Co Ltd
Priority to CN202011335435.3A priority Critical patent/CN112508242A/zh
Publication of CN112508242A publication Critical patent/CN112508242A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Water Supply & Treatment (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Acoustics & Sound (AREA)

Abstract

本发明涉及风力发电机轴承故障的预测方法，具体为一种风力发电机轴承故障定位及分类模型的构建方法。本发明的目的在于利用音频作为数据源，通过搭建基于卷积神经网络的深度学习模型分析声学特性，提供一种风力发电机轴承的关键性故障定位和分类的方法。本发明以深度学习技术自动提取音频中的有价值特征进行分析，使用多个卷积神经网络组合成神经网络加权集成模型，故障的定位及分类准确率大大提高，可为风力发电机提供全生命周期故障分析解决方案。本发明易于实现现有各型号的风力发电机轴承的不同故障的准确辨识和定位。

Description

一种风力发电机轴承故障定位及分类模型的构建方法
技术领域
本发明涉及风力发电机轴承故障的预测方法，具体为一种风力发电机轴承故障定位及分类模型的构建方法。
背景技术
随着风力发电行业的快速发展，风力发电机组故障已成为一个不可忽视的问题。轴承是风力发电机组中应用较为广泛的部件，在实际的运行工作中极易受到变速变载恶劣工况的影响，出现内圈、外圈的磨损和电蚀等故障情况。对风力发电机轴承进行状态监测和故障诊断，及早发现并对故障进行定位，进而采取相应的控制和维修策略，是风电系统稳定运行的重要保证。
旋转机械产生的音频（Acoustic）中含有丰富信息，通过声学特性可以判断出关键零部件的故障种类和发生部位。风力发电机轴承中大部分故障问题都可以通过音频显露出来。深度学习（Deep learning）是人工智能领域一个重要的研究方向，通过模拟人脑的层级抽象结构，使用多层神经网络架构如卷积神经网络（CNN）、递归神经网络（RNN）等分析原始音频数据，发掘出数据中蕴含的有用信息，训练出合适的深度神经网络模型后可实现故障的分析和预测功能。数据驱动的机器健康监测越来越受欢迎，深度学习是处理和分析机械音频数据的一种强有力工具。随着硬件计算能力的不断提高，由多个卷积神经网络组合成的加权集成模型在故障定位及分类的准确性、泛化性、可扩展性方面表现出巨大潜力。
对风力发电机轴承故障的预测有以下三种现有技术：
现有技术一：经专业训练的人员进行专家判断。专家结合风力发电机的音频、振动、电学信号、现场环境、设计和生产记录文件、运行记录文件等，综合判定是否有故障。现有技术一的缺点是：对专业知识和领域专家的经验依赖性较强。并且由于易受到外界噪声等影响，存在误判或漏判的情况。另外通常只能判定几种有限类型的故障，且对故障的定位能力较差。
现有技术二：通过监测系统获取的振动信号进行时域、频域或时频域的分析，采用阈值判定、逻辑推理等方法搭建辨识模型，是一种人工手动特征提取和选择，外加浅层分类器识别方案。现有技术二的缺点：现有技术二需要加装振动传感器。振动传感器的安装位置较为固定，一般只能安装在电机的传动端或非传动端壳上。另外通常只考虑振动信号的均值、方差等，辨识模型也较简单，无法发掘数据中的隐含特征，尤其是对风力发电机轴承的外圈剥离、内圈剥离等故障辨识存在精确度不高的缺点。
现有技术三：通过监测系统获取电机的振动信号，搭建并训练深度学习网络模型进行故障定位及分类，是一种特征自动提取和识别方案。现有技术三的缺点：现有技术三通常只训练一个深度学习网络模型。采用单一的深度学习网络模型的泛化能力有限，在不同运行工况和外界噪声干扰下准确率不高。
发明内容
本发明的目的在于利用音频作为数据源，通过搭建基于卷积神经网络的深度学习模型分析声学特性，提供一种风力发电机轴承的关键性故障定位和分类的方法。本发明以深度学习技术自动提取音频中的有价值特征进行分析，使用多个卷积神经网络组合成神经网络加权集成模型，故障的定位及分类准确率大大提高，可为风力发电机提供全生命周期故障分析解决方案。本发明易于实现现有各型号的风力发电机轴承的不同故障的准确辨识和定位。
本发明是采用如下的技术方案实现的：一种风力发电机轴承故障定位及分类模型的构建方法，包括模型训练和模型推理；
其中模型训练包括以下步骤：
步骤1、轴承故障预置：预置的轴承故障数量为A；
步骤2、音频信号采集及预处理：对于风力发电机轴承不同故障，用音频采集装置采集该类故障T时间范围内的数据；对采集的音频数据进行预处理，预处理后的数据包括训练数据、验证数据和测试数据；
步骤3、创建和配置卷积神经网络：卷积神经网络包括信号输入层、卷积处理层、全连接层、Softmax层和分类层，卷积处理层的数量为n；训练数据输入到卷积神经网络对网络进行训练；
步骤4、训练卷积神经网络：训练卷积神经网络前需要选择训练参数；训练参数包括指定求解器、最大训练迭代数、最小批训练大小、学习速率和选择实现卷积神经网络训练的处理器硬件；
步骤5、检查卷积神经网络准确率并调整：利用验证数据对训练好的卷积神经网络模型进行准确率评估，在训练卷积神经网络时，网络模型经历若干次迭代后准确率常会不再提高，此时准确率已经达到平台期，需要返回到步骤3或步骤4，尝试调整卷积神经网络的配置或训练参数，当网络准确率达到预期值时，可以停止训练，导出卷积神经网络模型；
模型推理包括以下步骤：上述导出的卷积神经网络模型以预期的准确率实现对风力发电机轴承故障定位和分类。
上述的一种风力发电机轴承故障定位及分类模型的构建方法，音频数据进行预处理的过程为：一方面需要将原始数据进行切割，形成B份一定长度的数据，每份的时间长度t等于T/B；另一方面需要对数据进行标记，将数据和轴承故障类型对应。
上述的一种风力发电机轴承故障定位及分类模型的构建方法，卷积处理层的层数n=3~6。
上述的一种风力发电机轴承故障定位及分类模型的构建方法，所述求解器是指训练网络的求解器，为随机梯度下降法求解器或自适应矩估计求解器。
上述的一种风力发电机轴承故障定位及分类模型的构建方法，训练处理器硬件为中央处理器、现场可编程门阵列或者图形处理器。
上述的一种风力发电机轴承故障定位及分类模型的构建方法，为了提高模型的准确率和泛化性，使用不同的卷积神经网络组合成神经网络加权集成模型，每个卷积神经网络由模型训练步骤获得；根据各个卷积神经网络的测试数据准确率和混淆矩阵，对不同的卷积神经网络分配权重，各个卷积神经网络的权重之和为1；利用音频采集装置采集新的音频数据，将采集到的音频数据导入到经过训练的卷积神经网络中；经过训练的卷积神经网络组成的神经网络混合模型以预期的准确率实现对风力发电机轴承故障定位和分类。
上述的一种风力发电机轴承故障定位及分类模型的构建方法，神经网络模型可以部署在边缘端嵌入式设备中或者云端。
上述的一种风力发电机轴承故障定位及分类模型的构建方法，卷积处理层包括卷积层、批归一化层、Relu层和最大池化层。
本发明带来的有益效果如下：
（1）常用振动传感器采集的振动信号作为数据源，但振动传感器对位置的布置要求较为苛刻，常需布置于电机的传动端或非传动端。本发明利用音频采集装置提取音频信号中的有价值特征进行分析，音频采集装置的布置较为灵活，工程实用性较强。
（2）相比于目前的人工方法和信号处理方法对风力发电机轴承故障的辨识，本发明技术方案可以大大提高故障辨识的准确性，降低因误报或漏报导致的维护成本。
（3）本发明采用多个卷积神经网络组合成神经网络加权集成模型对轴承关键故障进行定位和分类，其准确率大大提高，可为风力发电机提供全生命周期故障分析解决方案。
（4）本发明的通用性较强，若需要新增待辨识的轴承故障类型，只需采集相应故障类型的音频数据并训练模型，实现风力发电机轴承新故障类型的定位和分类。
附图说明
图1 为模型训练和模型推理流程图。
图2 为卷积神经网络结构示意图。
图3 为卷积处理层结构示意图。
图4为每种待辨识数据单份数据的时域波形图。
图5为神经网络加权集成模型图。
图6为一个卷积神经网络的测试混淆矩阵图。
具体实施方式
一种风力发电机轴承故障定位及分类模型的构建方法，包括以下步骤：
（1） 模型训练
用于风力发电机轴承故障定位和分类的卷积神经网络模型训练一般包括以下5个步骤：
步骤1、轴承故障预置
预置的轴承故障数量为A。
步骤2、音频信号采集及预处理
用于训练卷积神经网络模型的数据为音频采集装置采集的音频数据。根据具体情况，音频采集装置可以布置于风力发电机周边的任意位置，一般为了保证采集的音频信号质量，距离不宜太远。对风力发电机轴承不同故障的辨识，需要采集相应类型故障的T时间范围内数据。
采集的原始音频数据一般不直接用于卷积神经网络模型训练，需要先进行预处理。数据的预处理一方面需要将原始数据进行切割，形成B份一定长度的数据，每份的时间长度t等于T/B；另一方面需要对数据进行标记，将数据和轴承故障类型对应起来。最后将带标签的数据分为三部分：选取其中的一部分数据A×B×a%作为积神经网络模型的训练数据，一部分数据A×B×b%作为积神经网络模型的验证数据，最后一部分数据A×B×（1-a-b）%作为卷积神经网络模型的测试数据。
步骤3、创建和配置卷积神经网络
创建卷积神经网络时，采用一些常用的网络层简单组合的形式，可降低网络模型的复杂度，使网络调试更方便。实际中可根据具体情况添加或修改一些层来配置网络，以达到所需要的准确率。常用的网络层包括：信号输入层，将音频训练数据输入至网络中；卷积处理层，可以学习数据的特征信息，根据所需辨识的故障数量和难易程度，卷积处理层可以采用多层堆叠，一般层数越多，网络越复杂，可学习的参数越多，网络的训练时间越长，一般层数n=3~6较为合适；全连接层，用来综合前边网络提取到的特征；Softmax层，对输出结果进行归一化；分类层，将网络处理后的数据输出为分离发电机轴承定位及分类结果。卷积神经网络的结构如图2所示。
卷积处理层的结构如图3所示。其中，每个卷积处理层一般包括：卷积层：用于学习和存储数据的特征信息；批归一化层：用于将卷积层的输出结果进行归一化，提高卷积神经网络的训练速度；Relu层：通过阈值函数实现数据的非线性处理；最大池化层：实现数据的向下采样。
步骤4、训练卷积神经网络
训练卷积神经网络前需要选择训练参数。主要包括指定求解器、最大训练迭代数（Epoch）、最小批训练大小 (Mini-batch size)、学习速率和选择实现卷积神经网络训练的处理器硬件。
所述求解器是指训练网络的求解器，一般包括随机梯度下降法求解器（SGDM）和自适应矩估计求解器（ADAM）；一次迭代是指训练算法完全通过整个训练数据集，最大训练迭代数为一次迭代的数量；所述最小批训练，是指同时在处理器上处理的训练数据集的子集；学习速率是控制训练速度快慢的主要参数。一般情况下学习速率越低，训练结果准确率越高，但网络训练时间会更长。训练处理器硬件一般包括中央处理器（CPU）、现场可编程门阵列（FPGA）和图形处理器（GPU）。指定好网络的训练参数后，运行网络训练并监控其进度。
步骤5、检查卷积神经网络准确率并调整
在训练卷积神经网络时，网络模型经历若干次迭代后准确率常会不再提高，这意味着网络无法在一个解决方案上收敛，再也不能改进。此时准确率已经达到平台期，需要返回到步骤3或步骤4，尝试调整卷积神经网络的配置或训练参数，例如尝试使用改变网络层的配置、改变求解器等方法重新对卷积神经网络进行迭代训练。当网络准确率达到预期值时，可以停止训练，导出卷积神经网络模型。
（2） 模型推理
为了提高模型的准确率和泛化性，可以使用不同的卷积神经网络组合成神经网络加权集成模型，每个卷积神经网络由上述（1）步骤获得。根据各个卷积神经网络的测试数据准确率和混淆矩阵，对不同的卷积神经网络分配权重，各个卷积神经网络的权重之和为1。网络模型可以部署在边缘端嵌入式设备中或者云端。在模型推理阶段利用音频采集装置采集新的音频数据，将采集到的音频数据导入到经过训练的卷积神经网络中。经过训练的卷积神经网络组成的神经网络混合模型以预期的准确率实现对风力发电机轴承故障定位和分类。
具体实施例
本实施例将实现一款双馈型风力发电机轴承中常见的关键故障定位及分类，由以下步骤实现。
（1） 模型训练
步骤1、预置轴承故障类型及数量
类型一：传动端轴承状态为正常，非传动端轴承状态为正常；
类型二：传动端轴承状态为正常，非传动端轴承状态为内外圈剥离故障；
类型三：传动端轴承状态为外圈剥离故障，非传动端轴承状态为正常；
类型四：传动端轴承状态为正常，非传动端轴承状态为外圈剥离故障；
类型五：传动端轴承状态为内圈剥离故障，非传动端轴承状态为正常；
类型六：传动端轴承状态为正常，非传动端轴承状态为内圈剥离故障；
步骤2：音频数据采集及预处理
将风力发电机安装在试验台上，将转子短接，发电机在转速为2000 rpm下空载运行。音频采集装置布置于距风力发电机传动端1米处位置，音频采集装置的采样率为48kHz，每种故障类型各采集300秒音频数据。
每种故障类型数据时长为300秒，等长切割成3000份，每份数据长度为0.1秒，并对每份数据添加对应的类型标注。每种故障类型数据单份数据的时域波形如图4所示。六种故障类型数据一共形成18000份带标注的数据集作为卷积神经网络的数据。选取其中的4800份数据（每种待辨识类型各800份）作为网络的训练数据，另外的2400份数据（每种待辨识类型各400份）作为网络的验证数据。剩下的12000数据（每种待辨识类型各2000份）作为网络的测试数据。
步骤3：创建和配置卷积神经网络
卷积神经网络由八个不同的层组成。其中第一层为输入层，用于将音频信号训练数据输入到网络中，定本层的输入参数为（1×4800×1），由于只使用音频的时域信号，因此只在第二个维度上参数非1，值为音频采集装置的采样率和每份数据长度相乘计算。第二层为卷积处理层络层1，用于辨识不同故障类型的特征，设定本层的卷积核大小为16，池化大小为2。第三层为卷积处理层络层2，用于辨识不同故障类型的特征，设定本层的卷积核大小为24，池化大小为2。第四层为卷积处理层络层3，用于辨识不同故障类型的特征，设定本层的卷积核大小为32，池化大小为2。第五层为卷积处理层络层4，用于辨识不同故障类型的特征，设定本层的滤波器大小为48，池化大小为2。第六~八层为一个全连接层、一个softmax函数层和一个分类层，用于将网络输出为六种待辨识类型。
步骤4：训练卷积神经网络
指定网络的求解器为自适应矩估计求解器（ADAM）；设置最大训练迭代数为48；指定最小批训练大小为64；设置初始学习率为0.02，每经过10次训练迭代学习率下降10%；指定训练处理器硬件为图形处理器（GPU）。将训练数据导入网络中并进行训练。随着网络训练的进行，卷积神经网络的准确率（Accuracy）不断提高，损失函数（Loss）不断降低，表明卷积神经网络的故障定位及分类能力越来越强。
步骤5：检查网络准确率并调整
本例中设定准确率需达到99%以上。若准确率未达到要求，则可通过修改步骤3中的网络参数或修改步骤4中的训练参数来调整网络，继续迭代训练；若准确率达到要求，则停止训练，导出卷积网络模型。
（2） 模型推理
使用三个卷积神经网络组合成神经网络加权集成模型，如图5所示。每一个卷积神经网络均重复上述（1）节模型训练中的步骤2~步骤5的方法得到。由于每个卷积神经网络采用各自的音频数据进行训练，训练后的网络参数也不一样，因此，三个卷积神经网络可以看作互相独立的预测模型。
图6所示为一个卷积神经网络的混淆矩阵，矩阵的对角线上数据为各种类型正确辨识的数量，其他的为误判情况。该网络的测试数据准确率为99.95%。
依据各个卷积神经网络的准确率和混淆矩阵设定不同卷积神经网络模型的权值：
对于故障类型1，三个卷积神经网络模型的权值分别为0.30、0.35、0.35；
对于故障类型2，三个卷积神经网络模型的权值分别为0.30、0.35、0.35；
对于故障类型3，三个卷积神经网络模型的权值分别为0.30、0.35、0.35；
对于故障类型4，三个卷积神经网络模型的权值分别为0.35、0.35、0.30；
对于故障类型5，三个卷积神经网络模型的权值分别为0.33、0.33、0.34；
对于故障类型6，三个卷积神经网络模型的权值分别为0.35、0.35、0.30；
加权集成网络模型汇总各个卷积神经网络对输入音频信号的故障定位及分类结果并加权集成，得到总的故障定位及分类结果。加权集成网络模型可以部署在边缘端嵌入式ARM处理器中，以预期的准确率实现对风力发电机轴承故障定位和分类。
三个卷积神经网络模型可能出现的结果有以下三类，现分别介绍。
类型1 三个卷积神经网络模型预测出三个相同的结果
举例1：三个卷积神经网络模型的判断结果分别为1 1 1，那么，加权集成模型为故障类型1的计算结果为0.30（故障类型1的第1个模型权值）+0.35（故障类型1的第2个模型权值）+0.35（故障类型1的第3个模型权值）=1，加权集成模型计算结果为故障类型2,3,4,5,6均为0，加权集成结果为故障类型1。
类型2 三个卷积神经网络模型预测出2个相同的结果
举例1：三个卷积神经网络模型的判断结果分别为1 1 6，那么，加权集成模型计算结果为故障类型1：0.30（故障类型1的第1个模型权值）+0.35（故障类型1的第2个模型权值）=0.65；加权集成结果认为是故障类型6的计算结果为：0.3（故障类型6的第3个模型权值）；加权集成结果认为是故障类型2,3,4,5的计算结果均为0；综合比较输出最大的计算结果为0.65，加权集成结果为故障类型1。
举例2：三个卷积神经网络模型的判断结果分别为1 5 5，那么，加权集成结果认为是故障类型1的计算结果为：0.30（故障类型1的第1个模型权值），加权集成结果认为是故障类型5的计算结果为：0.33（故障类型5的第2个模型权值）+0.34（故障类型5的第3个模型权值）=0.67；加权集成结果认为是故障类型2,3,4,6的计算结果均为0；综合比较输出最大的计算结果为0.67，加权集成结果为故障类型5。
类型3 三个卷积神经网络模型预测出3个不同的结果
举例1：三个卷积神经网络模型的判断结果分别为1 4 5，那么，加权集成结果认为是故障类型1的计算结果：0.30（故障类型1的第1个模型权值）；加权集成结果认为是故障类型4的计算结果：0.35（故障类型4的第2个模型权值）；加权集成结果认为是故障类型5的计算结果：0.34（故障类型5的第3个模型权值），加权集成结果认为是故障类型2,3,6的计算结果均为0；综合比较输出最大的计算结果为0.35，加权集成结果为故障类型4。
当然，在实施例中的权值分配情况下，可能会出现2个甚至3个待辨识类型计算结果相等的情况，如：
举例2：三个卷积神经网络模型的判断结果分别为1 2 3，那么，加权集成结果认为是故障类型1的计算结果：0.30（故障类型1的第1个模型权值）；加权集成结果认为是故障类型2的计算结果：0.35（故障类型2的第2个模型权值）；加权集成结果认为是故障类型3的计算结果：0.35（故障类型3的第3个模型权值）; 加权集成结果认为是故障类型4,5,6的计算结果均为0，这样，综合比较计算最大结果出现了两个相同的0.35，此时可以认为模型预测的结果不可信，不给出预测结果，要求重新采集进行判断。
举例3：三个卷积神经网络模型的判断结果分别为4 1 2，那么，加权集成结果认为是故障类型4的计算结果：0.35（故障类型4的第1个模型权值）；加权集成结果认为是故障类型1的计算结果：0.35（故障类型1的第2个模型权值）；加权集成结果认为是故障类型2的计算结果：0.35（故障类型2的第3个模型权值）; 加权集成结果认为是故障类型3,5,6的计算结果均为0；这样，综合比较计算结果出现了3个相同的0.35，此时可以认为模型预测的结果不可信，不给出预测结果，要求重新采集进行判断。

Claims (8)

1.一种风力发电机轴承故障定位及分类模型的构建方法，其特征在于：包括模型训练和模型推理；
其中模型训练包括以下步骤：
步骤1、轴承故障预置：预置的轴承故障数量为A；
步骤2、音频信号采集及预处理：对于风力发电机轴承不同故障，用音频采集装置采集该类故障T时间范围内的数据；对采集的音频数据进行预处理，预处理后的数据包括训练数据、验证数据和测试数据；
步骤3、创建和配置卷积神经网络：卷积神经网络包括信号输入层、卷积处理层、全连接层、Softmax层和分类层，卷积处理层的数量为n；训练数据输入到卷积神经网络对网络进行训练；
步骤4、训练卷积神经网络：训练卷积神经网络前需要选择训练参数；训练参数包括指定求解器、最大训练迭代数、最小批训练大小、学习速率和选择实现卷积神经网络训练的处理器硬件；
步骤5、检查卷积神经网络准确率并调整：利用验证数据对训练好的卷积神经网络模型进行准确率评估，在训练卷积神经网络时，网络模型经历若干次迭代后准确率常会不再提高，此时准确率已经达到平台期，需要返回到步骤3或步骤4，尝试调整卷积神经网络的配置或训练参数，当网络准确率达到预期值时，可以停止训练，导出卷积神经网络模型；
模型推理包括以下步骤：上述导出的卷积神经网络模型以预期的准确率实现对风力发电机轴承故障定位和分类。
2.根据权利要求1所述的一种风力发电机轴承故障定位及分类模型的构建方法，其特征在于：音频数据进行预处理的过程为：一方面需要将原始数据进行切割，形成B份一定长度的数据，每份的时间长度t等于T/B；另一方面需要对数据进行标记，将数据和轴承故障类型对应。
3.根据权利要求1或2所述的一种风力发电机轴承故障定位及分类模型的构建方法，其特征在于：卷积处理层的层数n=3~6。
4.根据权利要求1或2所述的一种风力发电机轴承故障定位及分类模型的构建方法，其特征在于：所述求解器是指训练网络的求解器，为随机梯度下降法求解器或自适应矩估计求解器。
5.根据权利要求1或2所述的一种风力发电机轴承故障定位及分类模型的构建方法，其特征在于：训练处理器硬件为中央处理器、现场可编程门阵列或者图形处理器。
6.根据权利要求1或2所述的一种风力发电机轴承故障定位及分类模型的构建方法，其特征在于：为了提高模型的准确率和泛化性，使用不同的卷积神经网络组合成神经网络加权集成模型，每个卷积神经网络由模型训练步骤获得；根据各个卷积神经网络的测试数据准确率和混淆矩阵，对不同的卷积神经网络分配权重，各个卷积神经网络的权重之和为1；利用音频采集装置采集新的音频数据，将采集到的音频数据导入到经过训练的卷积神经网络中；经过训练的卷积神经网络组成的神经网络混合模型以预期的准确率实现对风力发电机轴承故障定位和分类。
7.根据权利要求1或2所述的一种风力发电机轴承故障定位及分类模型的构建方法，其特征在于：神经网络模型可以部署在边缘端嵌入式设备中或者云端。
8.根据权利要求1或2所述的一种风力发电机轴承故障定位及分类模型的构建方法，其特征在于：卷积处理层包括卷积层、批归一化层、Relu层和最大池化层。
CN202011335435.3A 2020-11-25 2020-11-25 一种风力发电机轴承故障定位及分类模型的构建方法 Pending CN112508242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011335435.3A CN112508242A (zh) 2020-11-25 2020-11-25 一种风力发电机轴承故障定位及分类模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011335435.3A CN112508242A (zh) 2020-11-25 2020-11-25 一种风力发电机轴承故障定位及分类模型的构建方法

Publications (1)

Publication Number Publication Date
CN112508242A true CN112508242A (zh) 2021-03-16

Family

ID=74958467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011335435.3A Pending CN112508242A (zh) 2020-11-25 2020-11-25 一种风力发电机轴承故障定位及分类模型的构建方法

Country Status (1)

Country Link
CN (1) CN112508242A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469266A (zh) * 2021-07-14 2021-10-01 广西电网有限责任公司 一种基于改进深度卷积神经网络的窃电行为检测方法
CN114330413A (zh) * 2021-11-25 2022-04-12 中车永济电机有限公司 牵引电机轴承的故障类型辨识及定位方法
CN116698411A (zh) * 2023-06-29 2023-09-05 重庆邮电大学空间通信研究院 一种基于卷积神经网络的滚动轴承健康状态预警方法及装置
CN117649860A (zh) * 2024-01-30 2024-03-05 中密控股股份有限公司 一种往复压缩机关键部位摩擦磨损状态识别方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778358A (zh) * 2012-06-04 2012-11-14 上海东锐风电技术有限公司 故障预测模型建立方法及系统、风机监测预警系统及方法
CN111538947A (zh) * 2020-05-18 2020-08-14 中车永济电机有限公司 风力发电机轴承故障分类模型的构建方法
CN111597996A (zh) * 2020-05-18 2020-08-28 中车永济电机有限公司 基于深度学习的风力发电机轴承故障辨识模型的构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778358A (zh) * 2012-06-04 2012-11-14 上海东锐风电技术有限公司 故障预测模型建立方法及系统、风机监测预警系统及方法
CN111538947A (zh) * 2020-05-18 2020-08-14 中车永济电机有限公司 风力发电机轴承故障分类模型的构建方法
CN111597996A (zh) * 2020-05-18 2020-08-28 中车永济电机有限公司 基于深度学习的风力发电机轴承故障辨识模型的构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周宴宇: "基于音频信号的滚动轴承智能故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
肖健华: "《智能模式识别方法》", 31 January 2006, 华南理工大学出版社 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469266A (zh) * 2021-07-14 2021-10-01 广西电网有限责任公司 一种基于改进深度卷积神经网络的窃电行为检测方法
CN113469266B (zh) * 2021-07-14 2022-08-23 广西电网有限责任公司 一种基于改进深度卷积神经网络的窃电行为检测方法
CN114330413A (zh) * 2021-11-25 2022-04-12 中车永济电机有限公司 牵引电机轴承的故障类型辨识及定位方法
CN116698411A (zh) * 2023-06-29 2023-09-05 重庆邮电大学空间通信研究院 一种基于卷积神经网络的滚动轴承健康状态预警方法及装置
CN116698411B (zh) * 2023-06-29 2024-03-08 重庆邮电大学空间通信研究院 一种基于卷积神经网络的滚动轴承健康状态预警方法及装置
CN117649860A (zh) * 2024-01-30 2024-03-05 中密控股股份有限公司 一种往复压缩机关键部位摩擦磨损状态识别方法及装置

Similar Documents

Publication Publication Date Title
CN112508242A (zh) 一种风力发电机轴承故障定位及分类模型的构建方法
Zhang et al. Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network
CN106124212B (zh) 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
Pandhare et al. Convolutional neural network based rolling-element bearing fault diagnosis for naturally occurring and progressing defects using time-frequency domain features
CN107657250B (zh) 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
CN111538947B (zh) 风力发电机轴承故障分类模型的构建方法
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN108960077A (zh) 一种基于循环神经网络的智能故障诊断方法
CN111914883A (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN111597996B (zh) 基于深度学习的风力发电机轴承故障辨识模型的构建方法
Chen et al. Deep residual network for identifying bearing fault location and fault severity concurrently
Gai et al. A parameter-optimized DBN using GOA and its application in fault diagnosis of gearbox
KR102321607B1 (ko) 기계의 결함 검출 장치 및 방법
Kim et al. Deep learning-based explainable fault diagnosis model with an individually grouped 1-D convolution for three-axis vibration signals
Saeki et al. Visual explanation of neural network based rotation machinery anomaly detection system
CN113094978A (zh) 一种基于深度学习的电机轴承剩余寿命的模型的构建方法
Han et al. Data-enhanced stacked autoencoders for insufficient fault classification of machinery and its understanding via visualization
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
Patel et al. Fault diagnostics of rolling bearing based on improve time and frequency domain features using artificial neural networks
Liang et al. Multibranch and multiscale dynamic convolutional network for small sample fault diagnosis of rotating machinery
KR102306244B1 (ko) 디바이스의 결함 검출 모델 생성 방법 및 장치
CN111539381B (zh) 风力发电机轴承故障分类诊断模型的构建方法
Minervini et al. Transfer learning technique for automatic bearing fault diagnosis in induction motors
Wang Research on the fault diagnosis of mechanical equipment vibration system based on expert system
CN114330413A (zh) 牵引电机轴承的故障类型辨识及定位方法

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: 20210316