CN112734001A - 一种基于阶次谱迁移的风电传动链智能故障诊断方法 - Google Patents

一种基于阶次谱迁移的风电传动链智能故障诊断方法 Download PDF

Info

Publication number
CN112734001A
CN112734001A CN202011462137.0A CN202011462137A CN112734001A CN 112734001 A CN112734001 A CN 112734001A CN 202011462137 A CN202011462137 A CN 202011462137A CN 112734001 A CN112734001 A CN 112734001A
Authority
CN
China
Prior art keywords
order
fault
order spectrum
domain
envelope
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
CN202011462137.0A
Other languages
English (en)
Inventor
邓艾东
邓敏强
朱静
史曜炜
卢浙安
马骏驰
冯志刚
刘洋
程强
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202011462137.0A priority Critical patent/CN112734001A/zh
Publication of CN112734001A publication Critical patent/CN112734001A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01M13/023—Power-transmitting endless elements, e.g. belts or chains
    • 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
    • G06N3/08—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (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

本发明提供了一种基于阶次谱迁移的风电传动链智能故障诊断方法。在训练阶段，通过源域数据和目标域正常数据构建智能诊断模型。首先通过傅立叶分解算法分离原始振动信号中的窄带共振分量，然后通过希尔伯特阶次变换计算共振分量的包络阶次谱，最后通过一维卷积神经网络学习故障特征与故障类别之间的映射关系。在测试阶段，采用相同的傅立叶分解算法和希尔伯特阶次解调提取目标域振动信号的包络阶次谱，然后通过阶次谱迁移算法将目标域数据的故障特征迁移至源域，最后通过训练好的模型识别目标域数据的故障类别。具有识别精度高，对目标设备训练样本依赖性小的特点，能有效应用于故障数据缺乏条件下风电传动链的智能故障诊断。

Description

一种基于阶次谱迁移的风电传动链智能故障诊断方法
技术领域
本发明涉及智能故障诊断技术领域，特别是一种基于阶次谱迁移的风电传动链智能故障诊断方法。
背景技术
风电已成为全球重要的新能源，近十年来我国风电发展更是迅猛，是继煤电和水电之后的第三大主力电源。风电快速发展的同时，运行故障问题也日益突出，出现了大量齿轮箱损坏、叶片裂纹、电机着火、倒塌等事故，特别是对于运行2-3年以上的兆瓦级风电机组，其故障率高达5％。带增速齿轮箱的兆瓦级风力发电机是目前的主力机型，其传动系统主要由主轴、主轴承、齿轮箱、联轴器等组成。受风能间歇性与波动性的影响，风电机组传动链承受的载荷具有很强的时变性与冲击性，导致传动系统的故障高发。对风电传动链运行状态进行有效评估、及时对故障进行预警、避免重大故障的发生，已成为风电行业面临的紧迫任务。
随着人工智能与大数据技术的发展，基于机器学习算法的智能故障诊断受到了学术界和工程界的普遍关注。然而，传统的智能故障诊断研究需要大量的覆盖各种运行工况和故障类别的有标签训练样本，这在实际的风电传动链故障诊断中难以得到满足。因此，传统的智能故障诊断方法在工业应用中面临了巨大的调整。
发明内容
针对现有技术中存在的问题，本发明提供一种基于阶次谱迁移的风电传动链智能故障诊断方法，采用机理建模和数据驱动相结合的方法，基于源域(如实验室数据)数据和目标域正常数据构建智能诊断模型，能有效降低模型训练对目标设备故障样本的依赖，实现故障样本缺乏条件下风电传动链关键零部件健康状态的自动识别。
本发明采用的技术方案如下：
本发明的基于阶次谱迁移的风电传动链智能故障诊断方法，在训练阶段，通过源域数据和目标域正常数据构建智能诊断模型。首先通过傅立叶分解算法分离原始振动信号中的窄带共振分量，然后通过希尔伯特阶次变换计算共振分量的包络阶次谱，最后通过一维卷积神经网络学习故障特征与故障类别之间的映射关系。在测试阶段，采用相同的傅立叶分解算法和希尔伯特阶次解调提取目标域振动信号的包络阶次谱，然后通过阶次谱迁移算法将目标域数据的故障特征迁移至源域，最后通过训练好的模型识别目标域数据的故障类别。具有识别精度高，对目标设备训练样本依赖性小的特点，因而有效应用于故障数据缺乏条件下风电传动链的智能故障诊断。
具体地，本发明的一种基于阶次谱迁移的风电传动链智能故障诊断方法，包括以下步骤：
第一步：训练阶段，选取源域数据和目标域正常数据训练智能诊断模型；
第二步：训练阶段，通过傅立叶分解算法分离原始振动信号中的窄带共振分量；
第三步：训练阶段，通过希尔伯特阶次变换计算窄带共振分量的包络阶次谱；
第四步：训练阶段，基于特征阶次比和包络阶次谱归一化处理构建故障特征集；
第五步：训练阶段，通过一维卷积神经网络学习故障特征与故障类别之间的映射关系；
第六步：测试阶段，通过傅立叶分解算法和希尔伯特阶次变换提取目标域测试信号的包络阶次谱，并通过特征阶次比和包络阶次谱归一化处理构建目标域故障特征向量；
第七步：测试阶段，通过阶次谱迁移算法将目标域数据的故障特征迁移至源域；
第八步：测试阶段，通过训练好的一维卷积神经网络识别目标域测试数据的故障类别。
进一步地，所述第一步中，源域数据可采集自实验室环境，故障类别齐全，数据量充足；目标域为实际目标设备(如风电传动链)的数据，其仅能收集到正常(无故障)数据用于模型训练，且目标域与源域数据分布存在较大的差异。
进一步地，所述第二步中，傅立叶分解算法包括以下步骤：
S1通过搜索傅立叶谱的极大值点估计自振频率ωi；
S2在频率范围|ω-ωi|≥0.1ωi，i＝1，2，..，N内重复步骤1直至所有的极大值点均被搜索到，其中N为已搜索到的自振频率点；
S3构建共振带带宽最小化问题：
Figure BDA0002826303250000021
其中Xi(ω)为待分离的共振带，其时域信号为xi(t)；F(ω)为原始振动信号f(t)的傅立叶谱。优化问题的解即为共振带Xi(ω)的解析解：
Figure BDA0002826303250000022
S4通过傅立叶逆变换将共振带Xi(ω)转换为时域信号xi(t)；
进一步地，所述第三步中，希尔伯特阶次变换的原理与计算过程为：
假设有一频率调制解析信号y(t)：
Figure BDA0002826303250000026
其包络阶次谱Y(o)的计算式为：
Figure BDA0002826303250000023
其中A为振动幅值；o1为特征阶次；fr(t)为瞬时转频；j为虚数符号；T为信号时间长度；
根据等式：
Figure BDA0002826303250000024
包络阶次谱Y(o)可改写为：
Figure BDA0002826303250000025
即包络阶次谱Y(o)在特征阶次o1处存在突出的谱线，该算法可用以特征阶次的有效识别；
因此，对于任意时域信号x(t)，其包络阶次谱Xe(0)的希尔伯特阶次变换计算式为：
Figure BDA0002826303250000031
其中，t为时间，j为虚数单位，τ为积分时间变量，xe(t)为时域信号x(t)的包络信号，其希尔伯特变换计算式为：
Figure BDA0002826303250000032
进一步地，所述第四步中，选择特征阶次比(COR)最大的共振带分量作为有效分量并通过归一化处理构建故障特征集，特征阶次比反映了共振带与故障的相关程度，其计算式为：
Figure BDA0002826303250000033
其中，Xe为共振带的包络阶次谱，oend为阶次范围。
进一步地，所述第五步中，一维卷积神经网络由1个最大值池化层、1个一维卷积层和1个全连接层组成，其中池化层布置在卷积层前面以降低阶次偏差的影响。
进一步地，所述第六步中，在测试阶段采用与训练阶段相同的傅立叶分解算法和希尔伯特阶次变换构建目标域故障特征向量。
进一步地，所述第七步中，通过阶次谱迁移算法将目标域数据的故障特征迁移至源域，其原理及方法为：
根据风电传动链局部缺陷的振动响应机理，故障信号包络函数的角域模型xE(θ)可写为：
Figure BDA0002826303250000034
其中
Figure BDA0002826303250000035
为旋转角度；M为故障特征阶次的最大倍数；Ak为幅值；co为故障特征阶次；
通过将旋转角度代入角域模型xE(θ)可得包络函数的时域模型xE(t)为：
Figure BDA0002826303250000036
基于希尔伯特阶次变换，故障信号的包络阶次谱可写为：
Figure BDA0002826303250000037
Figure BDA0002826303250000038
其中，Fs(o)和Ft(o)分别为源域和目标域中同一故障类型对应的包络阶次谱。阶次谱迁移算法的优化目标为最小化源域特征与映射后目标域特征的差异，其目标函数可写为：
Figure BDA0002826303250000041
其中Ψ(·)为目标域阶次谱的映射函数；
为便于推导，将映射Ψ(·)特殊化为：1)振幅转换函数φ(·)；2)特征阶次转换函数
Figure BDA0002826303250000042
则目标函数可改写为：
Figure BDA0002826303250000043
由于目标域故障数据的缺失，其幅值
Figure BDA0002826303250000044
难以确定，幅值映射φ(·)也难以优化。本发明采用包络阶次谱幅值归一化处理替代幅值映射φ(·)，则目标函数可进一步简化为：
Figure BDA0002826303250000045
由恒等变形可得：
Figure BDA0002826303250000046
即目标函数等价于：
Figure BDA0002826303250000047
其通解为：
Figure BDA0002826303250000048
为便于计算，本发明采用拉格朗日插值拟合上述优化问题的通解，最终得到的阶次谱迁移算法的映射函数为：
Figure BDA0002826303250000051
Bi，k＝{(m，n)|(m，n)≠(k，i)，m∈[1，M]，n∈[1，N]}
其中o为目标域包络阶次谱的阶次；
Figure BDA0002826303250000052
为迁移至源域后包络阶次谱的阶次。
本发明的有益效果如下：
本发明在模型训练阶段仅需要目标域正常训练样本，即在故障样本缺乏的情况下仅根据目标设备的正常数据即可建立智能诊断模型。
本发明根据故障机理建立阶次谱迁移算法，其迁移过程由设备结构参数确定而不依赖于训练样本，能根据设备的故障特征阶次将目标数据迁移至训练样本充足的源域，从而降低对目标设备样本的依赖。
实施例结果表明，本发明能准确的识别出变工况条件下风电传动链的健康状态。
附图说明
图1是本发明的故障诊断流程图。
图2是本发明的一维卷积神经网络结构示意图。
图3是本发明的阶次谱迁移算法流程示意图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
如图1所示，本实施例的基于阶次谱迁移的风电传动链智能故障诊断方法，包括以下步骤：
第一步：训练阶段，选取源域数据和目标域正常数据训练智能诊断模型；
第二步：训练阶段，通过傅立叶分解算法分离原始振动信号中的窄带共振分量；
第三步：训练阶段，通过希尔伯特阶次变换计算窄带共振分量的包络阶次谱；
第四步：训练阶段，基于特征阶次比和包络阶次谱归一化处理构建故障特征集；
第五步：训练阶段，通过一维卷积神经网络学习故障特征与故障类别之间的映射关系；
第六步：测试阶段，通过傅立叶分解算法和希尔伯特阶次变换提取目标域测试信号的包络阶次谱，并通过特征阶次比和包络阶次谱归一化处理构建目标域故障特征向量；
第七步：测试阶段，通过阶次谱迁移算法将目标域数据的故障特征迁移至源域；
第八步：测试阶段，通过训练好的一维卷积神经网络识别目标域测试数据的故障类别。
具体地步骤如下：
第一步：训练阶段，选取源域数据和目标域正常数据训练智能诊断模型。
源域数据可采集自实验室环境，故障类别齐全，数据量充足；目标域为实际目标设备(如风电传动链)的数据，其仅能收集到正常(无故障)数据用于模型训练，且目标域与源域数据分布存在较大的差异。
第二步：训练阶段，通过傅立叶分解算法分离原始振动信号中的窄带共振分量，具体为：
S1通过搜索傅立叶谱的极大值点估计自振频率ωi；
S2在频率范围|ω-ωi|≥0.1·ωi，i＝1，2，..，N内重复步骤1直至所有的极大值点均被搜索到，其中N为已搜索到的自振频率点；
S3构建共振带带宽最小化问题：
Figure BDA0002826303250000061
其中Xi(ω)为待分离的共振带，其时域信号为xi(t)；F(ω)为原始振动信号f(t)的傅立叶谱。优化问题的解即为共振带Xi(ω)的解析解：
Figure BDA0002826303250000062
S4通过傅立叶逆变换将共振带Xi(ω)转换为时域信号xi(t)。
第三步：训练阶段，通过希尔伯特阶次变换计算窄带共振分量的包络阶次谱，其原理与计算过程为：
假设有一频率调制解析信号y(t)：
Figure BDA0002826303250000063
其包络阶次谱Y(o)的计算式为：
Figure BDA0002826303250000064
其中，A为振动幅值；o1为特征阶次；fr(t)为瞬时转频；T为信号时间长度；j为虚数符号。
根据等式：
Figure BDA0002826303250000065
包络阶次谱Y(o)可改写为：
Figure BDA0002826303250000066
即包络阶次谱Y(o)在特征阶次o1处存在突出的谱线，该算法可用以特征阶次的有效识别。因此，对于任意时域信号x(t)，其包络阶次谱Xe(0)的希尔伯特阶次变换计算式为：
Figure BDA0002826303250000067
其中，t为时间，j为虚数单位，τ为积分时间变量，xe(t)为时域信号x(t)的包络信号，其希尔伯特变换计算式为：
Figure BDA0002826303250000071
第四步：训练阶段，基于特征阶次比和包络阶次谱归一化处理构建故障特征集。
选择特征阶次比(COR)最大的共振带分量作为有效分量并通过归一化处理构建故障特征集，特征阶次比反映了共振带与故障的相关程度，其计算式为：
Figure BDA0002826303250000072
其中，Xe为共振带的包络阶次谱，oend为阶次范围。
第五步：训练阶段，通过一维卷积神经网络学习故障特征与故障类别之间的映射关系。
如图2所示，一维卷积神经网络由1个最大值池化层、1个一维卷积层和1个全连接层组成，其中池化层布置在卷积层前面以降低阶次偏差的影响，网络结构参数如表1所示。
表1
参数 激活函数 步长 输出
输入 / / / 1000×1
最大值池化层 核尺寸：4 / 4 250×1
卷积层 核尺寸：5 ReLU 5 50×1
全连接层 单元数：4 Softmax / 4
第六步：测试阶段，通过傅立叶分解算法和希尔伯特阶次变换提取目标域测试信号的包络阶次谱，并通过特征阶次比和包络阶次谱归一化处理构建目标域故障特征向量。
第七步：测试阶段，通过阶次谱迁移算法将目标域数据的故障特征迁移至源域，其原理及方法为：
根据风电传动链局部缺陷的振动响应机理，故障信号包络函数的角域模型xE(θ)可写为：
Figure BDA0002826303250000073
其中
Figure BDA0002826303250000074
为旋转角度；M为故障特征阶次的最大倍数；Ak为幅值；co为故障特征阶次。通过将旋转角度代入角域模型xE(θ)可得包络函数的时域模型xE(t)为：
Figure BDA0002826303250000075
基于希尔伯特阶次变换，故障信号的包络阶次谱可写为：
Figure BDA0002826303250000076
Figure BDA0002826303250000077
其中，Fs(o)和Ft(o)分别为源域和目标域中同一故障类型对应的包络阶次谱。阶次谱迁移算法的优化目标为最小化源域特征与映射后目标域特征的差异，其目标函数可写为：
Figure BDA0002826303250000081
其中Ψ(·)为目标域阶次谱的映射函数。为便于推导，将映射Ψ(·)特殊化为：1)振幅转换函数φ(·)；2)特征阶次转换函数
Figure BDA0002826303250000082
则目标函数可改写为：
Figure BDA0002826303250000083
由于目标域故障数据的缺失，其幅值
Figure BDA0002826303250000084
难以确定，幅值映射φ(·)也难以优化。本发明采用包络阶次谱幅值归一化处理替代幅值映射φ(·)，则目标函数可进一步简化为：
Figure BDA0002826303250000085
由恒等变形可得：
Figure BDA0002826303250000086
其通解为：
Figure BDA0002826303250000087
为便于计算，本实施例采用拉格朗日插值拟合上述优化问题的通解，最终得到的阶次谱迁移算法的映射函数为：
Figure BDA0002826303250000088
Bi，k＝{(m，n)|(m，n)≠(k，i)，m∈[1，M]，n∈[1，N]}
其中o为目标域包络阶次谱的阶次；
Figure BDA0002826303250000089
为迁移至源域后包络阶次谱的阶次。
阶次谱迁移算法的示意图如图3所示。
第八步：测试阶段，通过训练好的一维卷积神经网络识别目标域测试数据的故障类别。
最后，进行实验数据分析表2给出了实验分析所采用的4个公开数据集，表3给出了滚动轴承的故障特征阶次。
数据集I和数据集II是美国凯斯西储大学轴承数据中心提供的滚动轴承振动加速度数据。数据集I采集自实验台风扇端的6203-2RS JEM SKF型深沟球轴承，数据集II采集自实验台驱动端的6205-2RS JEM SKF型深沟球轴承，信号的采样频率为12000Hz。实验在4种稳定的工况下进行，数据集包含正常(N)，内圈故障(IR)，外圈故障(OR)和滚动体故障(B)四种类别。数据集III是加拿大渥太华大学提供的滚动轴承振动加速度信号，采样频率为200000Hz。测试轴承的型号为ER16K，实验在时变转速的条件下进行，主要包括正常(N)，内圈故障(IR)和外圈故障(OR)三种类别。数据集IV为维斯塔斯3MW风电传动链输出端小齿轮振动信号，采样频率为97656Hz。
数据集包含正常(N)和小齿轮断齿(BT)两种类别，信号采集过程中传动链输出端的转速约为1800转/分钟，其故障特征阶次为1。
表2
Figure BDA0002826303250000091
表3
型号 内圈故障特征阶次 外圈故障特征阶次 滚动体故障
6203-2RS JEM SKF 4.947 3.053 3.987
6205-2RS JEM SKF 5.415 3.585 4.724
ER16K 5.432 3.571 4.712
为验证本实施例的基于阶次谱迁移的风电传动链智能故障诊断方法的有效性和优越性，采用以下8种方法进行实验对比：
方法1：本发明提供的基于阶次谱迁移的故障诊断方法(OSTFD)；
方法2：迁移成分分析，其模型输入为包络阶次谱(TCA-EOS)；
方法3：半监督迁移成分分析，其模型输入为包络阶次谱(SSTCA-EOS)；
方法4：基于局部保持映射的智能故障诊断，其模型输入为包络阶次谱(TLPPIFI-EOS)；
方法5：迁移成分分析，其模型输入为特征参数(TCA-CP)；
方法6：半监督迁移成分分析，其模型输入为特征参数(SSTCA-CP)；
方法7：基于局部保持映射的智能故障诊断，其模型输入为特征参数(TLPPIFI-CP)；
方法8：主成分分析，其模型输入为特征参数(PCA-CP)；
其中，方法5至方法8中的特征参数包括：6个时域特征(均方根、峭度、斜度、波形因子、尖峰因子、标准差)，5个频域特征(中心频率、均方频率、均方根频率、频率方差、频谱散度)和4个时频特征(包络阶次谱中旋转阶次与故障特征阶次处的幅值)。
实验参数设置如表4所示，共设置了2个案例和6个诊断任务。案例1以凯斯西储大学轴承实验台风扇端轴承振动加速度为源域，其余数据集为目标域；案例2以驱动端轴承振动加速度为源域，其余数据集为目标域。实验的测试准确度如表5所示。由表5可知，本发明提供的OSTFD方法能达到93％的平均准确率，远超过对比方法。实验结果验证了本发明在实际故障诊断中的有效性和优越性。
为进一步分析本发明提供的阶次谱迁移算法的特征迁移能力，取特征映射后的相对平均距离为评价指标，其计算结果如表6所示。由表6可知，OSTFD方法的相对平均距离最小，即特征映射后源域与目标域特征分布的差异最小。分析结果验证了本发明在故障特征迁移方面的有效性和优越性。
表4
Figure BDA0002826303250000101
表5
Figure BDA0002826303250000102
Figure BDA0002826303250000111
表6
Figure BDA0002826303250000112

Claims (9)

1.一种基于阶次谱迁移的风电传动链智能故障诊断方法，其特征在于，包括以下步骤：
第一步：训练阶段，选取源域数据和目标域正常数据训练智能诊断模型；
第二步：训练阶段，通过傅立叶分解算法分离原始振动信号中的窄带共振分量；
第三步：训练阶段，通过希尔伯特阶次变换计算窄带共振分量的包络阶次谱；
第四步：训练阶段，基于特征阶次比和包络阶次谱归一化处理构建故障特征集；
第五步：训练阶段，通过一维卷积神经网络学习故障特征与故障类别之间的映射关系；
第六步：测试阶段，通过傅立叶分解算法和希尔伯特阶次变换提取目标域测试信号的包络阶次谱，并通过特征阶次比和包络阶次谱归一化处理构建目标域故障特征向量；
第七步：测试阶段，通过阶次谱迁移算法将目标域数据的故障特征迁移至源域；
第八步：测试阶段，通过训练好的一维卷积神经网络识别目标域测试数据的故障类别。
2.根据权利要求1所述的基于阶次谱迁移的风电传动链智能故障诊断方法，其特征在于，所述第二步中，傅立叶分解算法包括以下步骤：
S1通过搜索傅立叶谱的极大值点估计自振频率ωi；
S2在频率范围|ω-ωi|≥0.1ωi，i＝1，2，..，N内重复步骤S1直至所有的极大值点均被搜索到，其中N为已搜索到的自振频率点；
S3构建共振带带宽最小化问题：
Figure FDA0002826303240000011
Figure FDA0002826303240000012
式中，Xi(ω)为待分离的共振带，其时域信号为xi(t)；F(ω)为原始振动信号f(t)的傅立叶谱；优化问题的解即为共振带Xi(ω)的解析解：
Figure FDA0002826303240000013
S4通过傅立叶逆变换将共振带Xi(ω)转换为时域信号xi(t)。
3.根据权利要求2所述的基于阶次谱迁移的风电传动链智能故障诊断方法，其特征在于，所述第三步中，希尔伯特阶次变换的原理与计算过程为：
假设有一频率调制解析信号y(t)：
Figure FDA0002826303240000014
其包络阶次谱Y(o)的计算式为：
Figure FDA0002826303240000021
式中，A为振动幅值；o1为特征阶次；fr(t)为瞬时转频；T为信号时间长度；j为虚数单位；
根据等式：
Figure FDA0002826303240000022
包络阶次谱Y(o)改写为：
Figure FDA0002826303240000023
即包络阶次谱Y(o)在特征阶次o1处存在突出的、可用以特征阶次、有效识别的谱线，由此，对于任意时域信号x(t)，其包络阶次谱Xe(o)的希尔伯特阶次变换计算式为：
Figure FDA0002826303240000024
其中，t为时间，j为虚数单位，τ为积分时间变量，xe(t)为时域信号x(t)的包络信号，其希尔伯特变换计算式为：
Figure FDA0002826303240000025
4.根据权利要求3所述的基于阶次谱迁移的风电传动链智能故障诊断方法，其特征在于，所述第四步中，选择特征阶次比最大的共振带分量作为有效分量并通过归一化处理构建故障特征集，特征阶次比反映了共振带与故障的相关程度，其计算式为：
Figure FDA0002826303240000026
其中，Xe为共振带的包络阶次谱，oend为阶次范围。
5.根据权利要求4所述的基于阶次谱迁移的风电传动链智能故障诊断方法，其特征在于，所述第六步中，采用与所述第二步中相同的傅立叶分解算法和希尔伯特阶次变换构建目标域故障特征向量。
6.根据权利要求1所述的基于阶次谱迁移的风电传动链智能故障诊断方法，其特征在于，所述第七步中，通过阶次谱迁移算法将目标域数据的故障特征迁移至源域，具体方法为：
根据故障信号包络函数的角域模型xE(θ)，通过将旋转角度代入角域模型xE(θ)可得包络函数的时域模型xE(t)；基于希尔伯特阶次变换，获得故障信号的包络阶次谱，阶次谱迁移算法的优化目标为最小化源域特征与映射后目标域特征的差异，可获得其目标函数，将其中的映射函数特殊化后，改写目标函数，并采用包络阶次谱幅值归一化处理替代幅值映射，即可进一步简化目标函数，等恒变形后可得通解。
7.根据权利要求6所述的基于阶次谱迁移的风电传动链智能故障诊断方法，其特征在于，采用拉格朗日插值拟合上述优化问题的通解，最终得到的阶次谱迁移算法的映射函数。
8.根据权利要求1所述的基于阶次谱迁移的风电传动链智能故障诊断方法，其特征在于，所述第五步中，所述一维卷积神经网络由一个最大值池化层、一个一维卷积层和一个全连接层组成，其中所述池化层布置在所述卷积层前面以降低阶次偏差的影响。
9.根据权利要求1所述的基于阶次谱迁移的风电传动链智能故障诊断方法，其特征在于，所述第一步中，所述源域数据可采集自实验室环境；所述目标域为实际目标设备的数据，其仅能收集到正常数据用于模型训练，且所述目标域与所述源域数据分布存在较大的差异。
CN202011462137.0A 2020-12-09 2020-12-09 一种基于阶次谱迁移的风电传动链智能故障诊断方法 Pending CN112734001A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011462137.0A CN112734001A (zh) 2020-12-09 2020-12-09 一种基于阶次谱迁移的风电传动链智能故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011462137.0A CN112734001A (zh) 2020-12-09 2020-12-09 一种基于阶次谱迁移的风电传动链智能故障诊断方法

Publications (1)

Publication Number Publication Date
CN112734001A true CN112734001A (zh) 2021-04-30

Family

ID=75599621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011462137.0A Pending CN112734001A (zh) 2020-12-09 2020-12-09 一种基于阶次谱迁移的风电传动链智能故障诊断方法

Country Status (1)

Country Link
CN (1) CN112734001A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591792A (zh) * 2021-08-19 2021-11-02 国网吉林省电力有限公司四平供电公司 一种基于自组织竞争神经网络算法的变压器故障辨识方法
CN117345680A (zh) * 2023-12-04 2024-01-05 杭州景业智能科技股份有限公司 通风机检测方法、装置、计算机设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782625A (zh) * 2009-01-16 2010-07-21 复旦大学 一种基于Gradation-Boosting算法的电力电子系统故障诊断方法
CN105628383A (zh) * 2016-02-01 2016-06-01 东南大学 基于改进型lssvm迁移学习的轴承故障诊断方法和系统
CN108398266A (zh) * 2018-01-22 2018-08-14 武汉科技大学 一种基于集成迁移学习的轴承故障诊断方法
CN111881736A (zh) * 2020-06-18 2020-11-03 东南大学 一种基于带宽傅立叶分解的滚动轴承早期故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782625A (zh) * 2009-01-16 2010-07-21 复旦大学 一种基于Gradation-Boosting算法的电力电子系统故障诊断方法
CN105628383A (zh) * 2016-02-01 2016-06-01 东南大学 基于改进型lssvm迁移学习的轴承故障诊断方法和系统
CN108398266A (zh) * 2018-01-22 2018-08-14 武汉科技大学 一种基于集成迁移学习的轴承故障诊断方法
CN111881736A (zh) * 2020-06-18 2020-11-03 东南大学 一种基于带宽傅立叶分解的滚动轴承早期故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MINQIANG DENG等: "Bandwidth Fourier decomposition and its application in incipient fault identification of rolling bearings", 《MEASUREMENT SCIENCE AND TECHNOLOGY》 *
MINQIANG DENG等: "Intelligent fault diagnosis of rotating components in the absence of fault data: A transfer-based approach", 《MEASUREMENT》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591792A (zh) * 2021-08-19 2021-11-02 国网吉林省电力有限公司四平供电公司 一种基于自组织竞争神经网络算法的变压器故障辨识方法
CN113591792B (zh) * 2021-08-19 2023-11-28 国网吉林省电力有限公司四平供电公司 一种基于自组织竞争神经网络算法的变压器故障辨识方法
CN117345680A (zh) * 2023-12-04 2024-01-05 杭州景业智能科技股份有限公司 通风机检测方法、装置、计算机设备以及存储介质
CN117345680B (zh) * 2023-12-04 2024-04-02 杭州景业智能科技股份有限公司 通风机检测方法、装置、计算机设备以及存储介质

Similar Documents

Publication Publication Date Title
Saufi et al. Gearbox fault diagnosis using a deep learning model with limited data sample
Muralidharan et al. Feature extraction using wavelets and classification through decision tree algorithm for fault diagnosis of mono-block centrifugal pump
CN112418013B (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
CN109253882B (zh) 一种基于变分模态分解和灰度共生矩阵的转子裂纹故障诊断方法
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
CN108647786B (zh) 基于深度卷积对抗神经网络的旋转机械在线故障监测方法
CN105930662A (zh) 一种压气机低转速特性外推方法
CN113947017B (zh) 一种滚动轴承剩余使用寿命预测方法
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
Zhang et al. Nonlocal sparse model with adaptive structural clustering for feature extraction of aero-engine bearings
CN112163472A (zh) 一种基于多视角特征融合的滚动轴承诊断方法
CN103048133A (zh) 一种基于贝叶斯网络的滚动轴承故障诊断方法
Wang et al. Intelligent diagnosis method for a centrifugal pump using features of vibration signals
CN110146279B (zh) 一种基于向量证据推理的船舶轴系不平衡故障诊断方法
CN113240022A (zh) 多尺度单分类卷积网络的风电齿轮箱故障检测方法
CN115563553A (zh) 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法
CN114462446A (zh) 基于振动信号的滚动轴承故障诊断方法及电子设备
Chen et al. Fault identification method for planetary gear based on DT-CWT threshold denoising and LE
CN113673442B (zh) 一种基于半监督单分类网络的变工况故障检测方法
CN113269221B (zh) 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法
CN112686279B (zh) 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法
CN114813123A (zh) 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法
Sun et al. A fault mechanism-based model for bearing fault diagnosis under non-stationary conditions without target condition samples
Liu et al. An interpretable multiplication-convolution network for equipment intelligent edge diagnosis
Liu et al. Rolling element bearing fault diagnosis for complex equipment based on MFMD and BP neural network

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: 20210430