CN112729825A - 基于卷积循环神经网络的轴承故障诊断模型的构建方法 - Google Patents

Abstract

本发明属于风力发电机轴承故障分类诊断技术领域，涉及基于卷积循环神经网络的故障诊断模型的构建，具体为基于卷积循环神经网络的轴承故障诊断模型的构建方法，解决了背景技术中的技术问题，其包括预置轴承故障类型及数量，原始信号采集与分帧处理，建立深度学习网络以及建立深度学习网络。本发明将卷积神经网络做图像特征工程的潜力与长短时记忆网络做序列化识别的潜力进行结合，有效降低了深度学习中网络训练对计算机算力的要求，极大程度加快了模型训练时的收敛速度，而且采用本发明方法构建的模型分类效果好，分类精度高，降低了漏判的隐患，不需要依赖于人工的特征提取和专业知识积累，并提高了模型的分类准确度，模型泛化能力较强。

Description

基于卷积循环神经网络的轴承故障诊断模型的构建方法

技术领域

本发明属于风力发电机轴承故障分类诊断技术领域，涉及基于卷积循环神经网络的故障诊断模型的构建，具体为基于卷积循环神经网络的轴承故障诊断模型的构建方法。

背景技术

能源的平准化成本（LCOE）是用来评估发电成本以及发电项目影响力的重要指标。对风力发电而言，LCOE代表整个风电系统全生命周期的运行费用。风电系统运营费用的主要来源包括风机购置费用、风机安装费用、运维费用、管理费用以及保险费用等。运维费用在整个风机LCOE当中占比约20%-25%。

预测性维护是“工业4.0”提出的关键创新点之一。基于连续的测量和分析，预测性维护能够预测诸如机器零件剩余使用寿命等机关指标。关键的运行参数数据可以辅助决策，判断机器的运行状态、优化机器的维护时机。一个值得注意的发展方向是深度学习在预测性维护方面的应用。这种体系结构通过分层结构中多层信息处理模块的叠加，对数据的高维表示进行建模，并对模式进行分类(预测)。使用它们有很多优点，但是由于它是一个不断发展的研究领域，因此必须研究它在诊断应用中的适用性，以提高维护、修理和大修活动的整体系统弹性或潜在的成本效益。

现代风力发电为了保持竞争力，必须最小化故障风险，降低维护成本以及提高系统的可用性和效能。风力发电机作为风力发电系统的核心部件，我们通过对其运行状态以及轴承或电机的附加传感器信号进行监测，通过对信号的分析、统计和分类来实现对故障的诊断和预测。因此对传感器获取数据的处理和深度学习算法故障识别模型的搭建显得尤为重要。

目前在针对风力发电机轴承的故障信号处理时，一种方法是从时域或频域信号中提取特征，然后使用机器学习算法分析这些特征。风力发电机组的主轴承发生故障时，轴承的振动幅度会大幅增加，同时会产生相对应的冲击信号。峰值指标通常用于检测轴承剥落、裂纹等情况引起的冲击性振动，峭度指标则用于轴承最早期的故障诊断。波形指标则经常用于检测轴承各部件因凹坑、刻痕、剥落和擦伤等离散型缺陷引起的机械故障。在风力发电机主轴承故障诊断过程中，滚动轴承的故障特征通常为调制现象，振动信号时域波形较为复杂，无法直观表达故障信号特征。而振动频率信号具备客观性，能更好的反映振动信号的基本特征。通过傅立叶变换将时域振动信号转变为频域振动信号，频谱能直观反映能量大小、频率组成和振动信号的相位。但是利用上述方法对风电电机轴承或电机加速度传感器数据进行时域或频域特征模型训练时，往往需要加速度传感器三轴信号来进行特征的提取，分类模型提取特征一般仅为线性特征，无法发掘出数据中的隐含非线性特征。而且当算法工程师轴承专业知识比较匮乏、轴承故障类型分类较多，及噪声干扰等情况下，往往模型的分类效果更差，分类精度不高，存在误判及漏判的隐患，而且模型泛化能力较差，很难对不同转速条件的信号特征同时进行响应。

无论时域故障诊断法还是频域故障诊断法，都有一定的局限性，不能使振动信号的全面性和局部性得到很好的反映，于是既有另一种新的诊断方法产生，就是时频故障诊断法。时频故障诊断法将时域和频域有机结合成时频相平面，得到不同时刻的振动信号频谱图。目前得到广泛应用的时频故障诊断方法主要有Hilbert—Huang变换(HHT)和包络调解法。包络解调法是利用包络检波和对包络信号进行谱分析，再根据解调出的谱峰对故障进行诊断识别。包络解调法尤为适用于高频冲击振动，至今，包络解调法仍是对于高频的冲击振动唯一有效的重要分析手段。包络解调法主要用于对风力发电机组主轴承的高精密故障诊断，不仅能诊断出故障部位，而且还能判断故障类型。但是时频故障诊断方法中使用的包络分析和小波变换等，仍然很大程度上依赖于人工的特征提取和专业知识积累，对故障算法模型的建模提出了更高的要求。而且，当故障分类类别过多，训练数据量较少时，这种模型比较容易出现过拟合现象，使得测试集准确率下降，造成训练模型无法泛化的难题。

发明内容

本发明旨在提供一种不依赖于人工而且能实现故障精确辨识、准确定位的风力发电机轴承故障分类诊断模型的构建方法，该模型利用风力发电机轴承加速度传感器信号进行深度学习网络训练，深度网络采用卷积神经网络与循环神经网络结合的方式，为风力发电机轴承健康监测提供一种高效准确的解决方案。

本发明解决其技术问题采用的技术手段是：基于卷积循环神经网络的轴承故障诊断模型的构建方法，包括以下步骤：

步骤一：预置轴承的A个故障类型；

步骤二：原始信号采集与分帧处理：将发电机安装在试验台上，转子短接，发电机空载运行；使发电机分别在步骤一中的A个故障类型下运行，并在每个轴承故障类型时分别采集发电机传动端轴承的转速为n₁、n₂、n₃、……、n_m下的T时间范围内连续的Z轴方向加速度信号，得到A×m个原始信号，将每个原始信号分割成B份，每份的时间间隔t为T/B，并对每份添加故障类型标签，使每个原始信号形成由B个带故障标签时间序列数据构成的原始信号数据集；信号采样频率为Fs，每个带故障标签时间序列数据包含N个采样点，N＝T/B×Fs；

每个原始信号数据集的每个带故障标签时间序列数据中的N个采样点，经过离散傅立叶变换的快速算法（FFT，Fast Fourier Transform），得到N个采样点的离散傅立叶变换的快速算法结果，使每个带故障标签时间序列数据的每个采样点的时域值，对应一个频域值，将每个时域值和对应的频域值合并，从而使每个带故障标签时间序列数据从时域一维（1×N）变为时域频域二维（2×N）；N个采样点在经过离散傅立叶变换的快速算法计算之前，每个带故障标签时间序列数据属于一维的时间序列，对仅有一个时域维度的信号进行分析是比较难的，往往需要比较深层的网络结构且耗费较多的计算资源才能完成辨识需求，有些信号在时域上是很难看出什么特征的，但是如果变换到频域之后，就很容易看出特征了，每个带故障标签时间序列数据从时域一维（1×N）变为时域频域二维（2×N），是把原始的N点序列，依次分解成一系列的短序列，充分利用离散傅里叶变换计算式中指数因子所具有的对称性质和周期性质，进而求出这些短序列相应的离散傅里叶变换值并进行适当组合，达到删除重复计算，减少乘法运算和简化结构的目的；

从每个原始信号数据集中随机抽出B×a%个数据，共计得到A×m×B×a%个数据作为训练样本，其余的A×m×B×（1－a%）个数据作为验证样本；

步骤三：建立深度学习网络：使用步骤二中得到的A×m×B×a%个训练样本训练卷积循环神经网络模型（CRNN），卷积循环神经网络模型训练过程是以训练样本的部分转速数据作为训练集，训练样本的剩余转速数据作为验证集对网络的识别准确率和泛化能力进行验证，所述卷积循环神经网络模型由卷积神经网络和长短时间记忆网络融合而成，指定卷积循环神经网络模型的训练参数，最终卷积循环神经网络模型输出故障的类别；卷积神经网络（CNN）通常包括卷积层、ReLU激活层和池化层等几个关键层级；长短时记忆网络（LSTM）是循环神经网络（RNN）中最经典的结构，非常适合涉及序列数据的分类任务，CRNN算法优势在于把CNN做图像特征工程的潜力与LSTM做序列化识别的潜力进行结合；

步骤四：验证卷积循环神经网络模型的分类结果：将步骤二中A×m×B×（1－a%）个验证样本导入步骤三中的卷积循环神经网络模型中，得到全部故障类型的分类结果，并得到分类结果的总体准确率；若分类总体准确率不满足指标要求，则返回步骤三中，对卷积神经网络和长短时间记忆网络的深度或层数进行调整，并对训练参数进行修改，直至分类总体准确率满足指标要求。验证样本作为验证数据对网络的识别准确率和泛化能力进行验证，并达到所需准确率，保存此时刻卷积循环神经网络模型。

本发明的有益效果是：将卷积神经网络做图像特征工程的潜力与长短时记忆网络做序列化识别的潜力进行结合，利用卷积神经网络自动学习采样数据中的有用特征，有效降低了深度学习中网络训练对计算机算力的要求，极大程度加快了模型训练时的收敛速度，而且采用本发明方法构建的模型分类效果好，分类精度高，降低了漏判的隐患，不需要依赖于人工的特征提取和专业知识积累，并提高了模型的分类准确度，模型泛化能力较强，能够对不同转速条件的信号特征同时进行响应；通过本发明方法构建的模型能实现风力发电机轴承故障的精确辨识和准确定位，实现风力发电机轴承实时正常状态监测和故障检测分类决策。

附图说明

图1为本发明所述具体实施例中故障类型一的时域波形图。

图2为本发明所述具体实施例中故障类型二的时域波形图。

图3为本发明所述具体实施例中故障类型三的时域波形图。

图4为本发明所述具体实施例中故障类型四的时域波形图。

图5为本发明所述具体实施例中故障类型五的时域波形图。

图6为本发明所述基于卷积循环神经网络的轴承故障诊断模型的构建方法的故障识别过程示意图。

图7为本发明所述基于卷积循环神经网络的轴承故障诊断模型的构建方法的卷积循环神经网络的训练过程示意图。

图8为本发明所述具体实施例中使用的卷积循环神经网络的结构示意图。

图9为本发明所述具体实施例中网络训练时训练样本和验证样本的准确率函数曲线图。

图10为本发明所述具体实施例中网络训练时训练样本和验证样本的损失函数曲线图。

图11为本发明所述具体实施例中验证样本分类混淆矩阵示意图。

具体实施方式

参照图1-图11，对本发明所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法进行详细说明。

实施例1：基于卷积循环神经网络的轴承故障诊断模型的构建方法，包括以下步骤：

步骤一：预置轴承的A个故障类型，A=5；其中故障类型一为传动端轴承状态为内外圈电蚀，非传动端轴承状态为正常，故障类型一的时域波形图如图1所示；故障类型二为传动端轴承状态为正常，非传动端轴承状态为内外圈电蚀，故障类型二的时域波形图如图2所示；故障类型三为传动端轴承状态为正常，非传动端轴承状态为正常，故障类型三的时域波形图如图3所示；故障类型四为传动端轴承状态为内外圈剥离，非传动端轴承状态为正常，故障类型四的时域波形图如图4所示；故障类型五为传动端轴承状态为正常，非传动端轴承状态为内外圈剥离，故障类型五的时域波形图如图5所示；

步骤二：原始信号采集与分帧处理：将发电机安装在试验台上，转子短接，发电机空载运行；利用单轴加速度传感器采集传动端轴承的Z轴方向加速度信号，这可以有效降低数据采集的硬件成本，带来可观的经济效益，使发电机分别在步骤一中的5个故障类型下运行，并在每个轴承故障类型时分别采集发电机传动端轴承的转速为1000 rpm、1370 rpm、1750 rpm、1870 rpm和2000 rpm下的5分钟范围内连续的Z轴方向加速度信号，得到5×5=25个原始信号，将每个原始信号分割成3000份，每份的时间间隔t为T/B即0.1s，并对每份添加故障类型标签，使每个原始信号形成由3000个带故障标签时间序列数据构成的原始信号数据集；单轴加速度传感器的信号采样频率为20kHz，每个带故障标签时间序列数据包含2000个采样点，N＝T/B×Fs=2000；

每个原始信号数据集的每个带故障标签时间序列数据中的2000个采样点，经过离散傅立叶变换的快速算法（FFT，Fast Fourier Transform），得到2000个采样点的离散傅立叶变换的快速算法结果，使每个带故障标签时间序列数据的每个采样点的时域值，对应一个频域值，将每个时域值和对应的频域值合并，从而使每个带故障标签时间序列数据从时域一维（1×2000）变为时域频域二维（2×2000），且为实现离散傅立叶变换的快速算法FFT，应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率即风力发电机最大转速（转/秒）的2倍，以满足香农采样定理；

从每个原始信号数据集中随机抽出2100（3000×70%）个数据，共计得到52500（5×5×3000×70%）个数据作为训练样本，其余的22500（5×5×3000×30%）个数据作为验证样本；

步骤三：建立深度学习网络：其中故障识别过程如图6所示，使用步骤二中得到的52500个训练样本训练卷积循环神经网络模型，卷积循环神经网络模型的训练过程如图7所示，卷积循环神经网络模型主要由17层组成，卷积循环神经网络模型的结构如图8所示，所述卷积循环神经网络模型由卷积神经网络和长短时间记忆网络融合而成，指定卷积循环神经网络模型的训练参数，最终卷积循环神经网络模型输出故障的类别，具体的，将步骤二的52500个训练样本中转速为1000 rpm、1750 rpm和2000 rpm的数据输入网络进行训练，并指定网络的训练参数如下：序列输入层的特征参数为[2×2000×1]；序列折叠层；卷积网络层中使用了两个卷积层，卷积的核大小均为[1×8]，两个最大值池化层，最大值池化的核大小均为[1×2]，两个ReLU激活层和两个批归一化层；序列展开层；扁平层；长短期记忆层包含16个隐层单元；丢弃层的丢弃概率0.5；全连接层、分类函数层和分类层将网络的输出定义为五种故障类型；将步骤二的52500个训练样本中转速为1370 rpm和1870 rpm的数据作为验证数据对网络的识别准确率和泛化能力进行验证，准确率达到99%以上，保存此时刻卷积循环神经网络模型，设置此时刻验证样本准确率作为网络收敛条件，如图9和图10所示，网络训练时训练样本和验证样本损失函数一直在降低，同时准确率一直在上升，而且训练效率比较单独使用LSTM网络时有了极大的提升，训练时间和周期大幅度缩短；其中序列输入层将序列数据输入网络；序列折叠层将二维序列数据转换成图像序列；使用序列折叠层后接卷积层，利用卷积网络层提取特征，即将卷积运算独立地应用于每一帧图像；然后是序列展开层在序列折叠后恢复输入数据的序列结构；随后使用扁平层将输入的空间维度折叠到向量序列维度中；使用长短期记忆层从向量序列中学习时间步和序列数据之间的长期依赖关系；最后使用分类输出层对输出全连接的特征进行加权和分类计算并输出为故障的类别；

步骤四：验证卷积循环神经网络模型的分类结果：将步骤二中22500个验证样本导入步骤三中的卷积循环神经网络模型中，得到全部故障类型的分类结果，并得到分类结果的总体准确率；最终对五种分类的结果进行验证，如图11所示，验证的总体准确率超过99.5%，正常状态的误报率小于0.1%。

以上具体结构是对本发明的较佳实施例进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或者替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，包括以下步骤：

步骤一：预置轴承的A个故障类型；

步骤二：原始信号采集与分帧处理：将发电机安装在试验台上，转子短接，发电机空载运行；使发电机分别在步骤一中的A个故障类型下运行，并在每个轴承故障类型时分别采集发电机传动端轴承的转速为n₁、n₂、n₃、……、n_m下的T时间范围内连续的Z轴方向加速度信号，得到A×m个原始信号，将每个原始信号分割成B份，每份的时间间隔t为T/B，并对每份添加故障类型标签，使每个原始信号形成由B个带故障标签时间序列数据构成的原始信号数据集；信号采样频率为Fs，每个带故障标签时间序列数据包含N个采样点，N＝T/B×Fs；

每个原始信号数据集的每个带故障标签时间序列数据中的N个采样点，经过离散傅立叶变换的快速算法，得到N个采样点的离散傅立叶变换的快速算法结果，使每个带故障标签时间序列数据的每个采样点的时域值，对应一个频域值，将每个时域值和对应的频域值合并，从而使每个带故障标签时间序列数据从时域一维（1×N）变为时域频域二维（2×N）；

从每个原始信号数据集中随机抽出B×a%个数据，共计得到A×m×B×a%个数据作为训练样本，其余的A×m×B×（1－a%）个数据作为验证样本；

步骤三：建立深度学习网络：使用步骤二中得到的A×m×B×a%个训练样本训练卷积循环神经网络模型，卷积循环神经网络模型训练过程是以训练样本的部分转速数据作为训练集，训练样本的剩余转速数据作为验证集对网络的识别准确率和泛化能力进行验证，所述卷积循环神经网络模型由卷积神经网络和长短时间记忆网络融合而成，指定卷积循环神经网络模型的训练参数，最终卷积循环神经网络模型输出故障的类别；

步骤四：验证卷积循环神经网络模型的分类结果：将步骤二中A×m×B×（1－a%）个验证样本导入步骤三中的卷积循环神经网络模型中，得到全部故障类型的分类结果，并得到分类结果的总体准确率；若分类总体准确率不满足指标要求，则返回步骤三中，对卷积神经网络和长短时间记忆网络的深度或层数进行调整，并对训练参数进行修改，直至分类总体准确率满足指标要求，保存此时刻卷积循环神经网络模型。

2.根据权利要求1所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，步骤三中卷积循环神经网络模型依次包括序列输入层、序列折叠层、卷积网络层、序列展开层、扁平层、长短时记忆层和分类输出层。

3.根据权利要求2所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，步骤三中卷积循环神经网络模型中的长短时记忆层和分类输出层之间还包括丢弃层。

4.根据权利要求3所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，丢弃层的丢弃概率为0.5。

5.根据权利要求3所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，步骤三中卷积循环神经网络模型中的卷积网络层依次包括卷积层、批归一化层、ReLU激活层、最大值池化层、卷积层、批归一化层、ReLU激活层和最大值池化层。

6.根据权利要求5所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，卷积网络层中两个卷积层的卷积核大小均为[1×8]，卷积网络层中两个最大值池化层的池化核大小均为[1×2]。

7.根据权利要求3所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，步骤三中卷积循环神经网络模型中的分类输出层依次包括全连接层、分类函数层和分类层。

8.根据权利要求7所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，通过全连接层、分类函数层和分类层将网络的输出定义为步骤一中的A个故障类型。

9.根据权利要求1所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，信号采样频率Fs大于发电机最大转速的二倍，以满足离散傅立叶变换的快速算法。

10.根据权利要求1-9所述的任一种基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，步骤一中，采用单抽加速度传感器采集加速度信号。

Images