CN113449473B - 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 - Google Patents
一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 Download PDFInfo
- Publication number
- CN113449473B CN113449473B CN202110731006.6A CN202110731006A CN113449473B CN 113449473 B CN113449473 B CN 113449473B CN 202110731006 A CN202110731006 A CN 202110731006A CN 113449473 B CN113449473 B CN 113449473B
- Authority
- CN
- China
- Prior art keywords
- dfcae
- convolution
- output
- input
- wind power
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 58
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000036541 health Effects 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 12
- 238000010276 construction Methods 0.000 abstract description 9
- 239000000284 extract Substances 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003750 conditioning effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于DFCAE‑BiLSTM的风电轴承退化趋势预测方法、系统及装置,属于风电轴承退化趋势预测技术领域。本发明考虑了多维传感器信号输入情况,利用多维传感器信号采集模块采集风电轴承运行振动信号,利用DFCAE深度特征提取模块提取其深度特征,Hi指标构建与状态监测模块生成健康指标Hi,最后利用BiLSTM网络退化趋势预测模块预测一段时间后的健康指标值,预测其退化趋势。本发明生成的Hi能够综合全面反应风电轴承的退化情况,退化趋势预测结果稳定性较好,工程应用价值较高。
Description
技术领域
本发明涉及风电轴承退化趋势预测技术领域,尤其涉及一种基于深度神经网络的风电轴承退化趋势预测方法、系统及装置。
背景技术
轴承是风电机组的重要组成部分与关键零部件,其发生损坏的概率相较于其他部件较高,而一旦发生故障损坏将会降低机组运行效率、减少机组正常工作时间以及会造成一定的经济损失。轴承退化趋势预测可以在一定程度上对风电轴承的退化状态进行预测,根据提前一段时间的退化趋势预测结果进行运维方案调整,将有利于提高风电机组使用率、减少停机时间以及减少经济损失。
近年来,深度学习模型已经逐渐应用于故障诊断、寿命预测等任务,深度神经网络通常具有较强的发掘信号中隐藏信息的能力,能够自适应的实现信号特征提取以及降维的工作,因此,基于深度学习方法的诊断模型往往可以直接以原始信号作为输入,无需人为的提取、筛选特征,降低对以往经验、专家知识的依赖,真正实现“端到端”的故障诊断与预测任务,将深度神经网络应用于轴承退化趋势预测有利于降低系统对于专家知识的依赖,减少模型构建步骤。
卷积神经网络已经被证明具有较强的空间特征提取能力,而自编码器可以对样本进行无监督训练,将两者结合的卷积自编码器同时具有其各自网络的优点,可以有效提取轴承振动信号的空间特征信息,进行无监督训练学习。LSTM(Long Short-Term Memory)网络是循环神经网络的一种,具有较强的时间特征提取能力,BiLSTM(Bi-directional LongShort-Term Memory)是双向LSTM,可以有效的提取轴承随时间退化的特征信息。
发明内容
本发明提出了一种基于DFCAE-BiLSTM(Densely Connected FullyConvolutional Auto-Encode)(Bi-directional Long Short-Term Memory)风电轴承退化趋势预测方法、系统及装置。
本发明结合DFCAE网络的空间特征提取能力与BiLSTM网络模型的时间特征提取能力,同时DFCAE网络具有无监督训练特性,两者结合可以同时提取风电轴承原始振动信号中的时间和空间特征,形成轴承健康状态退化监测指标,进而利用BiLSTM模型对风电轴承退化趋势进行预测。实现对其健康监测、健康退化趋势预测功能。
基于DFCAE-BiLSTM的风电轴承退化趋势预测方法实现过程为:
一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置,其特征在于,包括以下步骤:
步骤1:利用M个固定位置的加速度传感器同时采集风电轴承从正常到损坏期间等间隔时间的振动信号,第m个传感器第k个采样时间点采集的信号为Xm(k)(m=1,2,…,M;k=1,2,…,K);
步骤2:去除异常数据,每个采样时间点每个通道截取固定长度信号;
步骤3:建立M个独立的紧密连接的一维全卷积自编码网络(Densely ConnectedFully Convolutional Auto-Encode),简称DFCAE网络,提取风电轴承原始振动信号的深度特征,将前10%采样时间点的样本数据作为训练集输入DFCAE网络进行训练,其中第m个传感器采集的信号输入第m个独立的DFCAE网络进行训练(m=1,2,…,M);
步骤4:将所有的样本数据依次输入训练好的DFCAE网络,其中第m个传感器采集的信号输入第m个独立的DFCAE网络(m=1,2,…,M);每个DFCAE网络包含编码和解码两部分,编码的最后一层输出结果作为输出特征矩阵,输出特征矩阵大小为N×L,其中N为特征维度,L为每维度特征长度,将K个输出特征矩阵的第n(n=1,2,…,N)维特征排列组合成K行L列特征矩阵Hm(n)(为第n维特征n=1,2,…,N,m为第m个DFCAE网络,m=1,2,…,M);
步骤5:提取所有特征矩阵Hm(n)(n=1,2,…,N;m=1,2,…,M)行数K的前10%作为训练样本,组合成训练样本矩阵,矩阵行数为M×N,列数为L,输入隐马尔科夫模型进行训练,得到训练好的模型参数λ。将所有特征矩阵Hm(n)(n=1,2,…,N;m=1,2,…,M)的第k(k=1,2,…,K)行数据排列组合成k(k=1,2,…,K)个观察矩阵Ok,将Ok输入训练好的HMM模型,计算似然概率值P(Ok|λ)并求均值得到Hi(k)(k=1,2,…,K)为第k个健康指标,对Hi进行滑动平均后得到能反应风电轴承退化情况的健康状态监测指标Hi,滑动长度<K×1%;
步骤6:求风电轴承正常运行期间Hi的均值μ和标准差σ,设置阈值μ±4σ,当连续5个健康指标Hi超过设定阈值范围,其中连续五个Hi中的最后一个点判定为早期故障点k1,此时系统报警,并触发退化趋势预测功能;
步骤7:将早期故障点k1之前的健康指标作为训练样本输入BiLSTM,Bi-directional Long Short-Term Memory网络模型进行训练,网络训练输入维度为L1,输出维度为1,训练时输入连续的L1个Hi指标,预测下一个指标值;
步骤8:将早期故障点之后的健康指标作为测试集以及标签,网络测试输入维度为L1,输出维度为1,根据实际需要设定待预测长度d;
步骤9:输入测试集健康指标[Hi(k1+1),Hi(k1+2),…,Hi(k1+L1)],预测第k1+L1+1个Hi值P(k1+L1+1),将预测值迭代进输入[Hi(k1+2),Hi(k1+3),…,P(k1+L1+1)],预测第k1+L1+2个健康指标值P(k1+L1+2),依次迭代直到计算出P(k1+L1+d)作为Hi(k1+L1+d)的预测值;
步骤10:按照所述步骤9流程依次计算出:
Hi(k1+L1+d+1),Hi(k1+L1+d+2),…,Hi(K)的预测值P(k1+L1+d+1),P(k1+L1+d+2),…,P(K),将预测值与实际Hi值结果比对计算误差,调整网络超参数,重复以上步骤,直至预测误差低于设定阈值。
所述步骤3中,所述DFCAE网络为一维全卷积自编码网络,输入为原始振动数据,无需归一化等预处理步骤,不使用激活函数,padding=’same’,使用Adam优化器,使用均方误差损失函数;
所述DFCAE网络结构为:
多尺度卷积层1,4种卷积核大小分别为128、16、4、1,卷积核个数分别为32、16、8、8,输入数据为原始输入数据,步长为2;
卷积层2,卷积核大小为4,卷积核个数为64,输入数据为卷积层1输出,步长为2;
卷积层3,卷积核大小为16,卷积核个数为16,输入数据为原始输入数据,步长为4,输出数据与卷积层2的输出在特征层维度上叠加后输出;
卷积层4,卷积核大小为2,卷积核个数为64,输入数据为卷积层3输出,步长为2;
卷积层5,卷积核大小为32,卷积核个数为8,输入数据为原始输入数据,步长为8,输出数据与卷积层4的输出在特征层维度上叠加后输出;
卷积层6,卷积核大小为2,卷积核个数为64,输入数据为卷积层5输出,步长为2,输出数据为中间特征层;
转置卷积层7,卷积核大小为2,卷积核个数为64,步长为2,输入上为一层输出;
转置卷积层8,卷积核大小为4,卷积核个数为64,步长为2,输入上为一层输出;
转置卷积层9,卷积核大小为128,卷积核个数为1,步长为4,输入上为一层输出;
所述步骤7中,所述BiLSTM网络模型包括:两个双向长短时记忆网络层,参数为500;三个全连接层,参数分别为50、20、1;步骤9中,所述通过迭代法将健康指标预测值迭代进训练好的BiLSTM模型,预测出后d个健康指标值,预测范围可以根据实际需求设定。
一种基于DFCAE-BiLSTM的风电轴承退化趋势预测系统,其特征在于,包括以下几个功能模块:多维传感器信号采集模块、DFCAE深度特征提取模块、Hi指标构建与状态监测模块、BiLSTM网络退化趋势预测模块、历史数据数据保存与调用模块;
所述多维传感器信号采集模块:利用多个加速度传感器提取风电轴承运行过程振动信号,将信号处理成符合各模块所需的数据格式。
所述DFCAE深度特征提取模块:去除原始信号中的异常值,构建信号样本,提取多维振动信号样本的时频域特征以及调用DFCAE算法模块计算深度特征矩阵,提取原始信号的深度特征。
所述Hi指标构建与状态监测模块:调用HMM模型模块计算多维信号深度融合健康指标Hi,实时显示特征曲线、健康状态监测指标Hi曲线,对于连续5个健康指标Hi超过设定阈值范围,触发报警。
所述BiLSTM网络退化趋势预测模块:当Hi指标监测触发报警后,调用BiLSTM算法对健康指标Hi进行预测,提前预测未来一段时间内的退化趋势,为后期运维做准备。
所述历史数据数据保存与调用模块:利用存储器保存原始振动信号与系统数据到历史数据库中,数据库中的数据可以随时调用分析。
一种基于DFCAE-BiLSTM的风电轴承退化趋势预测装置,其特征在于,包括多个振动加速度传感器、信号调理电路、数据采集卡、处理器、存储器、输入输出设备、总线、网络接入设备以及能够调用的计算机算法模块。
与现有技术相比,本发明主要有以下优点:
本发明直接采用风电轴承原始振动信号作为网络输入,实现从端到端的退化趋势预测任务,避免了将原始数据处理成二维信号等繁琐步骤。其次无需降噪与特征降维等工作,模型构建效率高。
本发明融合多传感器信息,形成风电轴承健康退化监测融合指标,更加全面反应轴承健康状态退化情况。所形成的的健康指标既能对轴承进行实时监测,也能利用模型预测其变化趋势以预测风电轴承未来一段时间内的退化情况,避免风电机组计划外停机带来的经济损失、提高后期运维效率。
附图说明
图1为本发明DFCAE-BiLSTM退化趋势预测功能模块图;
图2为本发明DFCAE-BiLSTM退化趋势预测方法流程图;
图3为本发明多尺度卷积层示意图;
图4为本发明DFCAE网络结构图;
图5为本发明传感器安装位置;
图6为本发明试验轴承加速度时域图;
图7为本发明方法与系统所构建的健康指标Hi;
图8为本实施例健康指标Hi预测结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明,所描述实施例为本发明的部分实施例,本领域技术人员在未进行创造性劳动的情况下获得的所有实施例都应属于本发明保护范围。
一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法实现过程为,参考图2:
包括以下步骤:
1)利用M个固定位置的加速度传感器同时采集风电轴承从正常到损坏期间等间隔时间的振动信号,第m个传感器第k个采样时间点采集的信号为Xm(k)(m=1,2,…,M;k=1,2,…,K)。
2)去除异常数据,每个采样时间点每个通道截取固定长度信号;
3)建立M个独立的紧密连接的一维全卷积自编码网络(Densely Connected FullyConvolutional Auto-Encode),简称DFCAE网络,提取风电轴承原始振动信号的深度特征,将前10%采样时间点的样本数据作为训练集输入DFCAE网络进行训练,其中第m个传感器采集的信号输入第m个独立的DFCAE网络进行训练(m=1,2,…,M)。
4)将所有的样本数据依次输入训练好的DFCAE网络,其中第m个传感器采集的信号输入第m个独立的DFCAE网络(m=1,2,…,M)。每个DFCAE网络包含编码和解码两部分,编码的最后一层输出结果作为输出特征矩阵,输出特征矩阵大小为N×L(N为特征维度,L为每维度特征长度),将K个输出特征矩阵的第n(n=1,2,…,N)维特征排列组合成K行L列特征矩阵Hm(n)(为第n维特征n=1,2,…,N,m为第m个DFCAE网络,m=1,2,…,M)。
5)提取所有特征矩阵Hm(n)(n=1,2,…,N;m=1,2,…,M)行数K前10%作为训练样本,组合成训练样本矩阵(矩阵行数为M×N,列数为L),输入隐马尔科夫模型进行训练,得到训练好的模型参数λ。
将所有特征矩阵Hm(n)(n=1,2,…,N;m=1,2,…,M)的第k(k=1,2,…,K)行数据排列组合成k(k=1,2,…,K)个观察矩阵Ok(矩阵行数为M×N,列数为L),将Ok输入训练好的HMM模型,计算似然概率值P(Ok|λ)并求均值得到Hi(k)(k=1,2,…,K)为第k个健康指标,对Hi进行滑动平均(滑动长度<K×1%)后得到能反应风电轴承退化情况的健康状态监测指标Hi。
6)求风电轴承正常运行期间Hi的均值μ和标准差σ,设置阈值μ±4σ,当连续5个健康指标Hi超过设定阈值范围,其中连续五个Hi中的最后一个点判定为早期故障点k1,此时系统报警,并触发退化趋势预测功能。
7)将早期故障点k1之前的健康指标作为训练样本输入BiLSTM(Bi-directionalLong Short-Term Memory)网络模型进行训练,网络训练输入维度为L1,输出维度为1,训练时输入连续的L1个Hi指标,预测下一个指标值。
8)将早期故障点之后的健康指标作为测试集以及标签,网络测试输入维度为L1,输出维度为1,根据实际需要设定待预测长度d。
9)输入测试集健康指标[Hi(k1+1),Hi(k1+2),…,Hi(k1+L1)],预测第k1+L1+1个Hi值P(k1+L1+1),将预测值迭代进输入[Hi(k1+2),Hi(k1+3),…,P(k1+L1+1)],预测第k1+L1+2个健康指标值P(k1+L1+2),依次迭代直到计算出P(k1+L1+d)作为Hi(k1+L1+d)的预测值。
10)按照步骤9)流程依次计算出Hi(k1+L1+d+1),Hi(k1+L1+d+2),…,Hi(K)的预测值P(k1+L1+d+1),P(k1+L1+d+2),…,P(K),将预测值与实际Hi值结果比对计算误差,调整网络超参数,重复以上步骤,直至预测误差低于设定阈值。
基于DFCAE-BiLSTM的风电轴承退化趋势预测系统其装置主要包括多个振动加速度传感器、信号调理电路、数据采集卡、处理器、存储器、输入输出设备、总线、网络接入设备以及能够调用的计算机算法模块,如图1所示系统主要包括以下几个功能模块:多维传感器信号采集模块、DFCAE深度特征提取模块、Hi指标构建与状态监测模块、BiLSTM网络退化趋势预测模块、历史数据数据保存与调用模块。
多维传感器信号采集模块:利用多个加速度传感器提取风电轴承运行过程振动信号,将信号处理成符合各模块所需的数据格式。
DFCAE深度特征提取模块:去除原始信号中的异常值,构建信号样本,提取多维振动信号样本的时频域特征以及调用DFCAE算法模块计算深度特征矩阵,提取原始信号的深度特征。
Hi指标构建与状态监测模块:调用HMM模型模块计算多维信号深度融合健康指标Hi,实时显示特征曲线、健康状态监测指标Hi曲线,对于连续5个健康指标Hi超过设定阈值范围,触发报警。
BiLSTM网络退化趋势预测模块:当Hi指标监测触发报警后,调用BiLSTM算法对健康指标Hi进行预测,提前预测未来一段时间内的退化趋势,为后期运维做准备。
历史数据数据保存与调用模块:利用存储器保存原始振动信号与系统数据到历史数据库中,数据库中的数据可以随时调用分析。
实施例1
本实施例采用基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置,具体实施方式包括:
安装四个加速度传感器,位置如图5所示,图中,Fa为试验台施加于轴承的轴向力,M1为试验台施加于轴承的倾覆力矩,连接信号调理电路与数据采集卡,搭建数据采集装置,采集试验轴承多通道全寿命振动数据。该试验以额定转速4r/min进行加速寿命试验,连续运行了11天,第7天左右出现明显故障现象,直至第11天出现卡死现象。
在试验轴承上安装有四个加速度传感器,每个传感器以2048Hz的采样频率固定间隔时间记录振动加速度信号,每次记录时长为1秒钟。
利用DFCAE深度特征提取模块,对四个加速度传感器数据进行异常数据剔除,每个样本点信号长度为2048,4个传感器每个时间点采集的信号为一组,将前600组样本作为训练集输入DFCAE网络进行无监督训练,再将600组之后的数据样本输入4个训练好的DFCAE网络,获得中间特征矩。
利用Hi指标构建与状态监测模块,将前600组样本数据在DFCAE网络中输出的中间特征矩输入HMM模型进行训练,获得训练好的HMM模型,再将600组之后的数据样本数据输入训练好的HMM模型获得健康指标Hi,如图7所示,利用Hi健康指标对回转支承进行状态监测,实时计算运行期间所有历史Hi的均值μ和标准差σ,设置阈值μ±4σ,判断Hi指标是否超过阈值,系统在第7天时出现报警,与出现异响时间基本吻合。
根据Hi指标构建与状态监测模块早期故障判断标准获得最早出现异常的数据点为k1,将k1之前的Hi输入BiLSTM网络退化趋势预测模块进行训练,获得退化趋势预测模型,设定预测长度d为1,将异常数据点之后的Hi指标输入训练好的BiLSTM网络,实时获得退化趋势预测结果,如图8所示。
Hi指标对比分析与评价:
为了衡量不同指标的优劣性,选择时间关联性、单调性、离散性和鲁棒性作为健康指标Hi的评价指标,计算公式如下:
时间关联性:
单调性:
离散性:
鲁棒性:
公式中,x=(1,2,3,…,X)为第x个待评价指标,X为待评价指标个数,K为样本点总数,k=(1,2,3,…,K)代表第k个样本点,Hk与lk分别为为样本点k时刻的Hi值和样本编号,为Hi的均值,/>为所有样本编号的均值,在公式(2)中No.of d/dH>0表示Hk+1与Hk的差值大于0的Hi个数,No.of d/dH<0表示Hk+1与Hk的差值小于0的Hi的个数,/>表示Hi指标滑动平均后Hi指标在样本点k时刻的值。为综合全面的评价各健康指标,计算每个健康指标的百分比得分总和,计算公式为:
式中x=(1,2,3,…,X)为第x个待评价指标,X为待评价指标个数。
为评判该方法所构建健康指标的优劣,选择常见的健康指标RMS、时频域特征结合KPCA的T2指标和HMM融合时频域指标作为对比健康指标,对四个加速度传感器采集的振动信号进行计算,加速度信号时域图如图6所示,各Hi指标平滑前与平滑后的评价结果:
退化趋势预测结果对比分析:
将BiLSTM网络退化趋势预测结果与SVR、LSTM、GRU网络进行对比,分别计算各网络预测结果与实际指标的均方误差MSE、均方根误差RMSE和平均绝对误差MAE,对比结果如下:
通过以上实施例的分析对比结果可以发现,基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置所构建的Hi健康指标具有很好的单调性,综合评价结果相较于其他指标较好。
在退化趋势预测方面,基于BiLSTM的退化趋势预测模型预测结果各项误差均较低,预测效果较好。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为发明的优选例,并不用来限制本发明,在不脱离本发明新型精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法,其特征在于,包括以下步骤:
步骤1:利用M个固定位置的加速度传感器同时采集风电轴承从正常到损坏期间等间隔时间的振动信号,第m个传感器的第k个采样时间点采集的信号为Xm(k),m=1,2,…,M;k=1,2,…,K;
步骤2:去除异常数据,每个采样时间点每个通道截取固定长度信号;
步骤3:建立M个独立的紧密连接的一维全卷积自编码网络,Densely Connected FullyConvolutional Auto-Encode,简称DFCAE网络,提取风电轴承原始振动信号的深度特征,将前10%采样时间点的样本数据作为训练集输入DFCAE网络进行训练,其中第m个传感器采集的信号输入第m个独立的DFCAE网络进行训练,m=1,2,…,M;
步骤4:将所有的样本数据依次输入训练好的DFCAE网络,其中第m个传感器采集的信号输入第m个独立的DFCAE网络,m=1,2,…,M;每个DFCAE网络包含编码和解码两部分,编码的最后一层输出结果作为输出特征矩阵,输出特征矩阵大小为N×L,其中N为特征维度,L为每维度特征长度,将K个输出特征矩阵的第n,n=1,2,…,N维特征排列组合成K行L列特征矩阵Hm(n),为第n维特征n=1,2,…,N,m为第m个DFCAE网络,m=1,2,…,M;
步骤5:提取所有特征矩阵Hm(n),n=1,2,…,N;m=1,2,…,M行数K的前10%作为训练样本,组合成训练样本矩阵,矩阵行数为M×N,列数为L,输入隐马尔科夫模型进行训练,得到训练好的模型参数λ;将所有特征矩阵Hm(n),n=1,2,…,N;m=1,2,…,M的第k,k=1,2,…,K行数据排列组合成k,k=1,2,…,K个观察矩阵Ok,将Ok输入训练好的HMM模型,计算似然概率值P(Ok|λ)并求均值得到第k个健康指标:Hi(k),k=1,2,…,K,对Hi进行滑动平均后得到能反应风电轴承退化情况的健康状态监测指标Hi,滑动长度<K×1%;
步骤6:求风电轴承正常运行期间Hi的均值μ和标准差σ,设置阈值μ±4σ,当连续5个健康指标Hi超过设定阈值范围,其中连续五个Hi中的最后一个点判定为早期故障点k1,此时系统报警,并触发退化趋势预测功能;
步骤7:将早期故障点k1之前的健康指标作为训练样本输入BiLSTM,即Bi-directionalLong Short-Term Memory网络模型进行训练,网络训练输入维度为L1,输出维度为1,训练时输入连续的L1个Hi指标,预测下一个指标值;
步骤8:将早期故障点之后的健康指标作为测试集以及标签,网络测试输入维度为L1,输出维度为1,根据实际需要设定待预测长度d;
步骤9:输入测试集健康指标[Hi(k1+1),Hi(k1+2),…,Hi(k1+L1)],预测第k1+L1+1个Hi值P(k1+L1+1),将预测值迭代进输入[Hi(k1+2),Hi(k1+3),…,P(k1+L1+1)],预测第k1+L1+2个健康指标值P(k1+L1+2),依次迭代直到计算出P(k1+L1+d)作为Hi(k1+L1+d)的预测值;
步骤10:按照所述步骤9流程依次计算出:
Hi(k1+L1+d+1),Hi(k1+L1+d+2),…,Hi(K)的预测值P(k1+L1+d+1),P(k1+L1+d+2),…,P(K),将预测值与实际Hi值结果比对计算误差,调整网络超参数,重复以上步骤,直至预测误差低于设定阈值。
2.根据权利要求1所述的基于DFCAE-BiLSTM的风电轴承退化趋势预测方法,其特征在于:所述步骤3中,所述DFCAE网络为一维全卷积自编码网络,输入为原始振动数据,无需归一化的预处理步骤,不使用激活函数,padding=’same’,使用Adam优化器,使用均方误差损失函数;
3.根据权利要求1所述的基于DFCAE-BiLSTM的风电轴承退化趋势预测方法,其特征在于:所述DFCAE网络结构为:
多尺度卷积层1,4种卷积核大小分别为128、16、4、1,卷积核个数分别为32、16、8、8,输入数据为原始输入数据,步长为2;
卷积层2,卷积核大小为4,卷积核个数为64,输入数据为卷积层1输出,步长为2;
卷积层3,卷积核大小为16,卷积核个数为16,输入数据为原始输入数据,步长为4,输出数据与卷积层2的输出在特征层维度上叠加后输出;
卷积层4,卷积核大小为2,卷积核个数为64,输入数据为卷积层3输出,步长为2;
卷积层5,卷积核大小为32,卷积核个数为8,输入数据为原始输入数据,步长为8,输出数据与卷积层4的输出在特征层维度上叠加后输出;
卷积层6,卷积核大小为2,卷积核个数为64,输入数据为卷积层5输出,步长为2,输出数据为中间特征层;
转置卷积层7,卷积核大小为2,卷积核个数为64,步长为2,输入上为一层输出;
转置卷积层8,卷积核大小为4,卷积核个数为64,步长为2,输入上为一层输出;
转置卷积层9,卷积核大小为128,卷积核个数为1,步长为4,输入上为一层输出;
4.根据权利要求1所述基于DFCAE-BiLSTM的风电轴承退化趋势预测方法,其特征在于:所述步骤7中,所述BiLSTM网络模型包括:两个双向长短时记忆网络层,参数为500;三个全连接层,参数分别为50、20、1;所述步骤9中,通过迭代法将健康指标预测值迭代进训练好的BiLSTM模型,预测出后d个健康指标值,预测范围根据实际需求设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110731006.6A CN113449473B (zh) | 2021-06-29 | 2021-06-29 | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110731006.6A CN113449473B (zh) | 2021-06-29 | 2021-06-29 | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449473A CN113449473A (zh) | 2021-09-28 |
CN113449473B true CN113449473B (zh) | 2023-09-15 |
Family
ID=77814195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110731006.6A Active CN113449473B (zh) | 2021-06-29 | 2021-06-29 | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449473B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114278397B (zh) * | 2021-12-24 | 2022-08-19 | 江阴信和电力仪表有限公司 | 一种基于物联网的旋转机械健康监测系统及方法 |
CN114638280B (zh) * | 2022-01-30 | 2023-04-11 | 江苏东佳电气有限公司 | 基于本地设备网络的防爆电机轴承温度异常监测系统 |
CN114779731B (zh) * | 2022-06-22 | 2022-09-23 | 江苏翔晟信息技术股份有限公司 | 一种面向智能制造的生产数据动态监测分析系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222290A (zh) * | 2020-01-13 | 2020-06-02 | 浙江工业大学 | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 |
CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
CN112966400A (zh) * | 2021-04-23 | 2021-06-15 | 重庆大学 | 一种基于多源信息融合的离心风机趋势预测方法 |
-
2021
- 2021-06-29 CN CN202110731006.6A patent/CN113449473B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222290A (zh) * | 2020-01-13 | 2020-06-02 | 浙江工业大学 | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 |
CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
CN112966400A (zh) * | 2021-04-23 | 2021-06-15 | 重庆大学 | 一种基于多源信息融合的离心风机趋势预测方法 |
Non-Patent Citations (3)
Title |
---|
Adaptive Remaining Useful Life Prediction Algorithm for Bearings;B. Ayhan 等;IEEE;第1-8页 * |
An automated health indicator construction methodology for prognostics based on multi-criteria optimization;K.T.P. Nguyen and K. Medjaher;ISA Transactions;第81-96页 * |
Stacked Convolutional Auto-Encoders for Hierarchical Feature Extraction;J. Masci 等;Berlin Heidelberg:Springer;第52-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113449473A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449473B (zh) | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 | |
Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN111914883B (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 | |
Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN111967486A (zh) | 一种基于多传感器融合的复杂装备故障诊断方法 | |
CN111931625B (zh) | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 | |
CN111523081B (zh) | 一种基于增强门控循环神经网络的航空发动机故障诊断方法 | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN116150901A (zh) | 一种基于注意力增强时频Transformer的滚动轴承剩余寿命预测方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN115046766A (zh) | 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法 | |
CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
CN116974268B (zh) | 一种控制系统电路智能化监测预警方法 | |
KR102383675B1 (ko) | 시계열 데이터 이상 진단 시스템 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及系统 | |
CN116776284A (zh) | 用于机电设备的故障诊断方法、计算机设备及存储介质 | |
CN116861343A (zh) | 一种轴承故障诊断方法 | |
Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
CN113705405B (zh) | 一种核管道故障诊断方法 | |
CN116522993A (zh) | 一种基于对抗自编码网络的化工过程故障检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |