CN112629851B - 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 - Google Patents
基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN112629851B CN112629851B CN202011467483.8A CN202011467483A CN112629851B CN 112629851 B CN112629851 B CN 112629851B CN 202011467483 A CN202011467483 A CN 202011467483A CN 112629851 B CN112629851 B CN 112629851B
- Authority
- CN
- China
- Prior art keywords
- network
- spectrogram
- signal
- fault
- input
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法，属于风电机组齿轮箱的故障诊断技术领域，包括：S1：采集获得齿轮箱输出轴轴承径向方向的振动信号；S2：将采集到的原始信号作为输入，经信号截取后做离散傅里叶变换，获得时域振动信号的频谱图；S3：采集各类状态振动信号的频谱图作为输入增强故障样本；S4：通过条件GAN网络增强故障样本，以平衡正常状态与故障状态样本量；S5：将生成的多故障状态频谱图与真实频谱图混合，得到样本平衡的训练集；S6：将训练集作为卷积神经网络模型的输入，训练得到齿轮箱故障诊断模型。
Description
技术领域
本发明属于风电机组齿轮箱的故障诊断技术领域，涉及一种基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法。
背景技术
海上风电场距离陆地较远且所处环境恶劣，风机运维成本高昂，风机的健康状态和可利用率严重影响风电场的可靠性和经济性。为了在不影响风电机组的正常运行，监测风电机组的运行状态，及时检测并诊断风电机组的故障十分有必要。其中，风电机组齿轮箱的故障往往会导致较长的停机时间，危害较大。
传统的齿轮箱故障诊断大多从故障机理出发，从动力学方程出发，或者基于信号处理方法，分析故障振动信号的频率和幅值，再根据传动比确定齿轮箱中齿轮故障位置。但是显然，传统故障诊断方法需要较强的传动知识基础与数学分析能力。随着智能算法的发展，基于智能算法的齿轮箱故障诊断方法快速发展。基于智能算法的齿轮箱故障诊断方法主要有两种，其一为首先通过各种信号处理方法对齿轮箱故障信号进行处理分析并提取有效的故障特征，而后以提取的故障特征为输入，训练多分类模型，获得齿轮箱故障诊断模型；其二为直接以检测信号为诊断模型输入，诊断模型具备提取信号特征与故障信号分类两种功能，此种方法可以免去故障特征人为提取存在的主观性强、所需专业知识深厚、选择错误等问题。目前，上述第一类方法中应用较多的算法主要为反向传播神经网络和支持向量机，由于浅层智能诊断模型的自学习能力弱，且特征提取和模型构建独立进行，导致其故障识别精度低，泛化能力弱。因此，卷积神经网络也逐渐在齿轮箱故障诊断领域广泛应用，此算法属于上述第二类方法，其包含多个隐层的深度学习网络模型，通过逐层的特征传递，能够将低层高维特征转换为高层低维特征，实现特征的有效学习和表达，具有更强的复杂特征学习表达能力。
但是，由于此种方法在齿轮箱故障诊断中，仍存在许多问题待解决。首先，目前齿轮箱的故障诊断主要针对理想实验数据展开，对于测点位置的研究较少，且在实际工况中，机组故障样本远少于正常样本，这都阻碍着风电机组齿轮箱故障诊断模型实际应用的推进。
此外，目前基于卷积神经网络的齿轮箱故障诊断方法主要以时频图为输入，或直接以原始信号为输入，若以时频图为输入，现常用的时频域分析方法会丢失原始信号的部分信息，更重要的是所得时频图往往每一像素中所包含的信息都较为重要，较难统一裁剪或缩放图像，这就导致诊断模型的输入矩阵较大，使得模型训练与计算所需时间较多；若直接以原始信号为输入，不同故障振动信号之间的差异较小，若增加样本增强模型，较难得到理想结果。另一方面，常用的卷积神经网络模型最终以全连接层连接最终的特征图，同样存在模型训练量大、计算量大等问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法。
为达到上述目的，本发明提供如下技术方案：
一种基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法，包括以下步骤：
S1：将加速度传感器置于海上风电机组齿轮箱输出轴轴承处，采集获得齿轮箱输出轴轴承径向方向的振动信号，包括正常状态信号、齿轮断齿状态信号、齿轮磨损状态信号、齿轮点蚀状态信号；
S2：将采集到的原始信号作为输入，经信号截取后做离散傅里叶变换，获得时域振动信号的频谱图；
S3：采用数据增强模型，采集各类状态振动信号的频谱图，减小图片尺寸，基于双线性插值将图像缩放处理，并转为二值图像，作为输入增强故障样本；
S4：将所述二值图像作为GAN网络的真实样本，通过条件GAN网络增强故障样本，
以平衡正常状态与故障状态样本量；
S5：将生成的多故障状态频谱图与真实频谱图混合，正常状态的频谱图标记为类别0，每一个频谱图样本加上类别热编码并进行归一化处理后，得到样本平衡的训练集；
S6：将训练集作为卷积神经网络模型的输入，训练得到齿轮箱故障诊断模型。
进一步，所述步骤S2中，具体包括以下步骤：
S21：采集到的原始信号实则为振幅的时间序列，通过时域连续信号与冲击采样序列即狄拉克梳状函数表示，如式(1)所示：
S22：信号长度即为数据点数，信号截取是指截取固定信号长度的原始信号，信号长度常选择为2的幂次方以进行快速傅里叶变换；
S23：而后将截取信号做离散傅里叶变换，利用狄卡拉梳状函数的筛选特性得到变换后的频域信号表达式，如式(2)所示：
S24：根据离散信号特征，只有当t＝nTs时有值时，得到截取信号的频域表达式，如式(3)所示：
S25：根据频域表达式，绘制截取信号的频率-幅值图。
进一步，步骤S4中所述GAN网络中包含生成网络(Generator，G)和判别网络(Discriminator，D)两个模型，生成网络与判别网络交替单独训练，直至达到纳什均衡；生成网络训练时以一组随机生成的一维数组为输入，采用普通的三层反卷积神经网络，输出生成一张频谱图；将生成网络生成的频谱图与真实频谱图输入判别网络，判别网络采用普通的四层卷积神经网络，令判别网络判别频谱图的真假，输出一维条件概率，即判定频谱图为真的概率，由此当达到纳什均衡时，生成网络所生成的频谱图即作为故障训练样本，训练齿轮箱故障诊断模型。
进一步，步骤S4中所述GAN网络的具体原理为：
生成网络的输入为长度为m的列向量，如式(4)所示：
z＝random(m,1) (12)
生成网络所采用的神经网络的损失函数如式(5)所示，其中，
代表交叉熵，G(·)代表生成网络的非线性函数，G(z)为生成网络合成的频谱图，D(G(z))是指判别网络对这一合成频谱图的判别概率(0-1，越接近于1表明判断网络认为此频谱图为真实样本的可能性更高)，因此生成网络的优化目标为使生成器产生的频谱图在判别网络看来越接近于真实样本
判别网络所采用的神经网络的损失函数如式(6)所示，即其优化目标为正确判别真实频谱图与合成的频谱图；
在生成网络与判别网络的输入信号中增加代表标签信息的元素，构建条件GAN网络：将齿轮断齿状态信号、齿轮磨损状态信号、齿轮点蚀状态信号的缩放后频谱图分别记为1、2、3，生成网络与判别网络的输入的最后一个元素均为标签元素(1/2/3)，生成网络的输入更新为式(7)，生成网络和判别网络的优化目标则更新为式(8)；
此外，更新判别网络，判别网络中包含两个二分类网络，一个分类网络和常规GAN网络中的判别网络一样，识别输入图像是否为真实，越真实越接近于1，另一个分类网络识别输入图像与输入条件是否相符，相符为1，不符为0，而判别网络的最终输出为两个网络输出的乘积，仅在条件与图像完全相符且图像为真实时，输出为1。
进一步，步骤S6中所述卷积神经网络模型包括以下特征：
第七层池化层后采用全局平均池化得到输出层，每一特征图输出一维；
不采用淘汰层；
采用三层小卷积核叠加得到合适大小的特征图；
模型训练采用批梯度下降法，一次输入batch-size个样本量。
本发明的有益效果在于：
(1)本方法考虑到了实际应用中故障样本较少的实际情况，并提出了齿轮箱故障样本的增强方法，可平衡正常与故障样本数量，更有利于故障诊断模型的训练；
(2)本方法中GAN网络的判别网络仅由两个网络组成，以条件标签与输入图像相符程度的识别结果与图像真假的识别结果的乘积为输出，使得训练得到的GAN网络可生成3种齿轮箱故障状态的振动信号，且判别网络的结构较常见的条件GAN网络的判别网络结构更为简单；
(3)本方法以原始振动信号的频谱图作为输入，并通过图像缩放减小输入矩阵大小，减小模型训练量，与原始振动信号相比，故障特征更为突出，更易训练得到较佳表现的诊断模型，与时频图相比，输入图像更易在保存有效信息的前提下实现缩放，使得方法模型训练量更小；
(4)本方法采用图像识别的方法实现风电机组齿轮箱故障的智能诊断，自动提取振动图像特征并进行识别，可降低故障诊断工作人员的专业水平要求，减少了因故障特征选择而导致的诊断模型效果不佳的概率，从图像特征入手全面提取合适特征量，提高了故障诊断的智能化水平；
(5)本方法可应用于海上风电的齿轮箱远程故障诊断，有利于海上风电机组齿轮箱故障的及时发现与及时抢修，减少密集巡检所需的大量人力物力。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明所述基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法流程图；
图2为齿轮断齿故障下的频谱图；
图3为数据增强模型输入灰度图；
图4为风电机组齿轮箱故障诊断模型结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，本发明提供一种基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法，具体如下：
将加速度传感器置于本实施例提供的齿轮箱实验装置的输出轴轴承处，采集获得齿轮箱输出轴轴承径向方向的振动信号，包括正常状态信号、齿轮断齿状态信号、齿轮磨损状态信号、齿轮点蚀状态信号，本实施例中采用的齿轮箱实验装置的信号采样频率为5120Hz，在实际运用中可适配真实的海上风电机组的加速度传感器采样率。
将采集到的原始信号XS(t)作为输入，经信号截取后做离散傅里叶变换，获得时域振动信号的频谱图。采集到的原始信号实则为振幅的时间序列，可通过时域连续信号与冲击采样序列即狄拉克梳状函数表示，如式(1)所示。信号长度即为数据点数，信号截取是指截取固定信号长度的原始信号，信号长度常选择为2的幂次方以进行快速傅里叶变换，例如在上述采样频率下取N＝2^10。而后将截取信号做离散傅里叶变换，利用狄卡拉梳状函数的筛选特性得到变换后的频域信号表达式，如式(2)所示。根据离散信号特征，只有当t＝nTs时有值时，可得到截取信号的频域表达式，如式(3)所示。根据频域表达式，可以绘制截取信号的频率-幅值图，如图2所示。
考虑到实际工况中齿轮箱故障样本较少，采用数据增强模型，以采集的各类状态振动信号的频谱图波形为输入增强故障样本。若图片尺寸过大，训练模型计算量就会过大，因此，考虑对频谱图进行裁剪，减小图片尺寸，并将频谱图基于双线性插值将图像缩放处理，使频谱图缩小为不失真的小图(较小矩阵)，并转为二值图像，如图3所示。将上述二值图像作为GAN网络的真实样本x，而后通过条件GAN网络增强故障样本，以平衡正常状态与故障状态样本量。真实样本所采用的频谱图大小如表1(风电机组齿轮箱故障诊断模型参数表)所示。
表1
| 网络模型 | 输入层 | 输出大小 |
| 生成网络模型 | 16(batch-size)×(100；1) | 16(batch-size)×(84,120,1) |
| 判别网络模型 | 16(batch-size)×(84,120,1)与条件标签 | 标量 |
| CNN网络 | 16(batch-size)×(84,120,1) | (4,1) |
GAN网络中包含生成网络(Generator，G)和判别网络(Discriminator，D)两个模型，生成网络与判别网络交替单独训练，直至达到纳什均衡。生成网络训练时以一组随机生成的一维数组为输入，采用普通的三层反卷积神经网络，输出生成一张频谱图；将生成网络生成的频谱图与真实频谱图输入判别网络，判别网络采用普通的四层卷积神经网络，令判别网络判别频谱图的真假，输出一维条件概率，即判定频谱图为真的概率，由此当达到纳什均衡时，生成网络所生成的频谱图就可作为故障训练样本，训练齿轮箱故障诊断模型。
GAN网络的具体原理如下：
生成网络的输入为长度为m的列向量，如式(4)所示。
z＝random(m,1) (20)
生成网络所采用的神经网络的损失函数如式(5)所示，其中，
代表交叉熵，G(·)代表生成网络的非线性函数，G(z)为生成网络合成的频谱图，D(G(z))是指判别网络对这一合成频谱图的判别概率(0-1，越接近于1表明判断网络认为此频谱图为真实样本的可能性更高)，因此生成网络的优化目标为使生成器产生的频谱图在判别网络看来越接近于真实样本。
采用的网络输出与输入如表1所示。
判别网络所采用的神经网络的损失函数如式(6)所示，即其优化目标为正确判别真实频谱图与合成的频谱图。采用的网络输出与输入如表1所示。
由于训练样本中振动信号有3类故障状态，而上述的GAN网络训练完成时仅可合成增强一种故障状态的频谱图，因此在生成网络与判别网络的输入信号中增加代表标签信息的元素，构建条件GAN网络。例如，将齿轮断齿状态信号、齿轮磨损状态信号、齿轮点蚀状态信号的缩放后频谱图分别记为1、2、3，生成网络与判别网络的输入的最后一个元素均为标签元素(1/2/3)，生成网络的输入更新为式(7)，生成网络和判别网络的优化目标则更新为式(8)。此外，还需更新判别网络，判别网络中需包含两个二分类网络，一个分类网络和常规GAN网络中的判别网络一样，识别输入图像是否为真实，越真实越接近于1，另一个分类网络识别输入图像与输入条件是否相符，相符为1，不符为0，而判别网络的最终输出为两个网络输出的乘积，仅在条件与图像完全相符且图像为真实时，输出为1。由此，可通过一个GAN网络实现对多类故障状态频谱图的训练。
将生成的多故障状态频谱图与真实频谱图混合，正常状态的频谱图标记为类别0，那么每一个频谱图样本加上类别热编码并进行归一化处理后，得到样本平衡的训练集。将训练集作为卷积神经网络模型的输入，训练得到齿轮箱故障诊断模型。卷积神经网络模型如图4所示，模型以常见的卷积神经网络模型为基础进行改进，改进点如下：1)第七层池化层后采用全局平均池化得到输出层，每一特征图输出一维，减少了特征图全连接而导致的参数过多、训练速度低、易过拟合等问题；2)因采用了平均池化连接，训练时可不采用淘汰层，简化了模型结构；3)由于输入图像过大，采用三层小卷积核叠加得到合适大小的特征图。此外，模型训练采用批梯度下降法，一次输入batch-size个样本量，减少训练时间，获得较佳的网络权值。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法，其特征在于：包括以下步骤：
S1：将加速度传感器置于海上风电机组齿轮箱输出轴轴承处，采集获得齿轮箱输出轴轴承径向方向的振动信号，包括正常状态信号、齿轮断齿状态信号、齿轮磨损状态信号、齿轮点蚀状态信号；
S2：将采集到的原始信号作为输入，经信号截取后做离散傅里叶变换，获得时域振动信号的频谱图；
S3：采用数据增强模型，采集各类状态振动信号的频谱图，减小频谱图尺寸，基于双线性插值将频谱图缩放处理，并转为二值频谱图，作为输入增强故障样本；
S4：将所述二值频谱图作为GAN网络的真实样本，通过条件GAN网络增强故障样本，以平衡正常状态与故障状态样本量；
S5：将生成的多故障状态频谱图与真实频谱图混合，正常状态的频谱图标记为类别0，每一个频谱图样本加上类别热编码并进行归一化处理后，得到样本平衡的训练集；
S6：将训练集作为卷积神经网络模型的输入，训练得到齿轮箱故障诊断模型；
所述步骤S2中，具体包括以下步骤：
S21：采集到的原始信号实则为振幅的时间序列，通过时域连续信号与冲击采样序列即狄拉克梳状函数表示，如式(1)所示：
S22：信号长度即为数据点数，信号截取是指截取固定信号长度的原始信号，信号长度常选择为2的幂次方以进行快速傅里叶变换；
S23：而后将截取信号做离散傅里叶变换，利用狄拉克梳状函数的筛选特性得到变换后的频域信号表达式，如式(2)所示：
S24：根据离散信号特征，只有当t＝nTs时有值时，得到截取信号的频域表达式，如式(3)所示：
S25：根据频域表达式，绘制截取信号的频谱图。
2.权利要求1所述的基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法，其特征在于：步骤S4中所述GAN网络中包含生成网络和判别网络两个模型，生成网络与判别网络交替单独训练，直至达到纳什均衡；生成网络训练时以一组随机生成的一维数组为输入，采用普通的三层反卷积神经网络，输出生成一张频谱图；将生成网络生成的频谱图与真实频谱图输入判别网络，判别网络采用普通的四层卷积神经网络，令判别网络判别频谱图的真假，输出一维条件概率，即判定频谱图为真的概率，由此当达到纳什均衡时，生成网络所生成的频谱图即作为故障训练样本，训练齿轮箱故障诊断模型。
3.根据权利要求2述的基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法，其特征在于：步骤S4中所述GAN网络的具体原理为：
生成网络的输入为长度为m的列向量，如式(4)所示：
z＝random(m,1) (4)
生成网络所采用的神经网络的损失函数如式(5)所示，其中，
代表交叉熵，G(·)代表生成网络的非线性函数，G(z)为生成网络合成的频谱图，D(G(z))是指判别网络对这一合成频谱图的判别概率，所述判别概率的范围为0-1，越接近于1表明判断网络认为此频谱图为真实样本的可能性更高，因此生成网络的优化目标为使生成器产生的频谱图在判别网络看来越接近于真实样本
判别网络所采用的神经网络的损失函数如式(6)所示，即其优化目标为正确判别真实频谱图与合成的频谱图；
在生成网络与判别网络的输入信号中增加代表标签信息的元素，构建条件GAN网络：将齿轮断齿状态信号、齿轮磨损状态信号、齿轮点蚀状态信号的缩放后频谱图分别记为1、2、3，生成网络与判别网络的输入的最后一个元素均为标签元素(1/2/3)，生成网络的输入更新为式(7)，生成网络和判别网络的优化目标则更新为式(8)；
此外，更新判别网络，判别网络中包含两个二分类网络，一个分类网络和常规GAN网络中的判别网络一样，识别输入频谱图是否为真实，越真实越接近于1，另一个分类网络识别输入频谱图与输入条件是否相符，相符为1，不符为0，而判别网络的最终输出为两个网络输出的乘积，仅在条件与频谱图完全相符且频谱图为真实时，输出为1。
4.据权利要求1所述的基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法，其特征在于：步骤S6中所述卷积神经网络模型包括以下特征：
第七层池化层后采用全局平均池化得到输出层，每一特征图输出一维；
不采用淘汰层；
采用三层小卷积核叠加得到合适大小的特征图；
模型训练采用批梯度下降法，一次输入batch-size个样本量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011467483.8A CN112629851B (zh) | 2020-12-11 | 2020-12-11 | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011467483.8A CN112629851B (zh) | 2020-12-11 | 2020-12-11 | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112629851A CN112629851A (zh) | 2021-04-09 |
| CN112629851B true CN112629851B (zh) | 2022-10-25 |
Family
ID=75312884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011467483.8A Active CN112629851B (zh) | 2020-12-11 | 2020-12-11 | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112629851B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191240B (zh) * | 2021-04-23 | 2022-04-08 | 石家庄铁道大学 | 轴承故障诊断的多任务深度神经网络方法及装置 |
| CN113283299A (zh) * | 2021-04-27 | 2021-08-20 | 国网山东省电力公司烟台供电公司 | 基于cgan网络增强局部放电信号prpd图谱数据的方法 |
| CN113723592A (zh) * | 2021-08-09 | 2021-11-30 | 国能云南新能源有限公司 | 一种基于风电齿轮箱监测系统的故障诊断方法 |
| CN113537247B (zh) * | 2021-08-13 | 2023-05-16 | 重庆大学 | 一种针对换流变压器振动信号的数据增强方法 |
| CN113639993B (zh) * | 2021-08-17 | 2022-06-07 | 燕山大学 | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 |
| CN113688919A (zh) * | 2021-08-30 | 2021-11-23 | 华北电力大学（保定） | 一种基于SeqGAN模型的风电机组健康状态评估数据集构建方法 |
| CN114061948A (zh) * | 2021-11-16 | 2022-02-18 | 西安热工研究院有限公司 | 一种风力发电机组齿轮箱的故障诊断方法 |
| CN114609493B (zh) * | 2022-05-09 | 2022-08-12 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
| CN115270326B (zh) * | 2022-07-15 | 2024-11-01 | 华能国际电力股份有限公司河北清洁能源分公司 | 一种风电机组主增速齿轮箱延长使用寿命的系统及方法 |
| CN116703642A (zh) * | 2023-08-09 | 2023-09-05 | 杭州电子科技大学信息工程学院 | 基于数字孪生技术的产品制造生产线智能管理系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
| CN109785270A (zh) * | 2019-01-18 | 2019-05-21 | 四川长虹电器股份有限公司 | 一种基于gan的图像超分辨率方法 |
| CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
| WO2020191389A1 (en) * | 2019-03-21 | 2020-09-24 | Illumina, Inc. | Training data generation for artificial intelligence-based sequencing |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
| CN111337243B (zh) * | 2020-02-27 | 2022-04-01 | 上海电力大学 | 基于acgan的风电机组行星轮齿轮箱故障诊断方法 |
-
2020
- 2020-12-11 CN CN202011467483.8A patent/CN112629851B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
| CN109785270A (zh) * | 2019-01-18 | 2019-05-21 | 四川长虹电器股份有限公司 | 一种基于gan的图像超分辨率方法 |
| WO2020191389A1 (en) * | 2019-03-21 | 2020-09-24 | Illumina, Inc. | Training data generation for artificial intelligence-based sequencing |
| WO2020191387A1 (en) * | 2019-03-21 | 2020-09-24 | Illumina, Inc. | Artificial intelligence-based base calling |
| CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的旋转机械故障诊断研究综述;沈涛 等;《计算机测量与控制》;20200930;第28卷(第09期);第1-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112629851A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112629851B (zh) | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 | |
| Hasan et al. | Acoustic spectral imaging and transfer learning for reliable bearing fault diagnosis under variable speed conditions | |
| CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
| CN110334764B (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
| CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
| CN110210381B (zh) | 一种域分离自适应一维卷积神经网络智能故障诊断方法 | |
| CN111275024B (zh) | 含噪声标签有限数据驱动的变工况风机滚动轴承故障诊断方法 | |
| CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
| CN112418013A (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
| CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
| CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
| CN115374820B (zh) | 一种基于多源子域适应网络的旋转机械跨域故障诊断方法 | |
| CN114358123B (zh) | 一种基于深度对抗迁移网络的广义开放集故障诊断方法 | |
| CN113505664B (zh) | 一种风电机组行星齿轮箱故障诊断方法 | |
| CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
| CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
| CN109029989A (zh) | 一种基于红外热成像的齿轮箱故障诊断方法 | |
| CN111458144A (zh) | 一种基于卷积神经网络的风力发电机故障诊断方法 | |
| CN114139598B (zh) | 基于深度代价敏感卷积网络的故障诊断方法及诊断框架 | |
| CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
| CN112860183A (zh) | 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法 | |
| Kong et al. | Untrained compound fault diagnosis for planetary gearbox based on adaptive learning VMD and DSSECNN | |
| Zhang et al. | Feature-level consistency regularized semi-supervised scheme with data augmentation for intelligent fault diagnosis under small samples | |
| CN112734001A (zh) | 一种基于阶次谱迁移的风电传动链智能故障诊断方法 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Weibin Inventor after: Liu Lin Inventor after: Zhang Bin Inventor after: Zhu Chunsheng Inventor after: Tan Zhihui Inventor after: Li Weidong Inventor after: Chen Junsheng Inventor before: Zhang Bin Inventor before: Su Rong Inventor before: Liu Lin Inventor before: Zhu Chunsheng Inventor before: Li Weidong Inventor before: Yi Wei Inventor before: Chen Junsheng |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |