CN113673442A - 一种基于半监督单分类网络的变工况故障检测方法 - Google Patents
一种基于半监督单分类网络的变工况故障检测方法 Download PDFInfo
- Publication number
- CN113673442A CN113673442A CN202110971115.5A CN202110971115A CN113673442A CN 113673442 A CN113673442 A CN 113673442A CN 202110971115 A CN202110971115 A CN 202110971115A CN 113673442 A CN113673442 A CN 113673442A
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional
- wavelet packet
- network
- fault
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000001131 transforming effect Effects 0.000 abstract description 2
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 abstract 1
- 230000036541 health Effects 0.000 description 10
- 230000007547 defect Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及风力发电机组状态检测技术领域,一种基于半监督单分类网络的变工况故障检测方法,利用小波包分解对原始数据进行变换得到多个子频带,用于构建小波包系数矩阵,通过注意力机制赋予不同行小波包系数不同的权重,设计具有不同卷积核大小的卷积网络,以并行方式在多个卷积核尺度下挖掘变工况条件下轴承振动信号的时间特征,利用轴承正常状态下的振动数据和少量故障状态下的振动数据进行建模和训练,只需少量有标记的故障样本参与,通过构建半监督学习模型,有效地避免了故障数据获取难、故障模式不完备、故障标记成本高等问题;与传统的机器学习方法相比,本发明能够提高变工况条件下轴承故障检测的准确性和可靠性。
Description
技术领域
本发明涉及风力发电机组状态检测技术领域,具体涉及一种基于半监督单分类网络的变工况故障检测方法。
背景技术
近年来,风能作为一种取之不尽、发展迅速的清洁可再生能源,受到了世界各国的广泛关注。风电机组作为风力发电的重要发电装备,在陆地和海上风电场得到了广泛的安装。其中轴承是风电机组动力传动系统中的核心部件之一,然而受到运行环境变化,如风速、风向等无规律、不确定的影响,使得风电机组轴承在运行过程中容易出现多种类型的故障,严重时甚至会导致机组停机。这些故障和计划外的停机严重影响了风电场的经济效益和风电行业的健康发展,因此,及时准确的检测到风电机组轴承的故障具有重要的现实意义。
目前,大多数大功率风电机组已安装了振动检测系统,其采集的信号主要为振动信号,这些信号包含着大量的轴承健康状态信息,能够从机理上表征风电机组内部的健康状况,通过对风电机组轴承的振动信号进行有效分析,能了解到轴承的健康运行状况和劣化程度。基于振动信号的风电机组轴承故障检测的方法主要依赖于人工特征设计,对信号处理知识和专家诊断经验要求较高;另一方面,由于风电机组轴承大多数时间运行在健康状态下,故障数据获取较为困难,并且面临着故障模式不完备、标记成本大等问题。
发明内容
针对上述的缺陷,本发明提供一种基于风电机组健康状态数据和少量故障状态数据的建模,有效地检测变工况条件下风电机组轴承故障,解决现有大多风电机组轴承故障检测方法,需满足健康状态下的数据和故障数据样本平衡的条件,才能保证检测性能可靠性的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于半监督单分类网络的变工况故障检测方法,包括如下步骤:
S1:获取风电机组轴承在不同运行状态下的一维振动信号数据,对其进行预处理以获取一维时间序列输入向量;
S2:对一维时间序列输入向量采用离散形式的小波包分解,分解得到小波包系数矩阵M;
S3:将二维小波包系数矩阵M输入到通道注意力模块中,为二维小波包系数矩阵M中的每行小波包系数赋予不同的权重值,从而得到新的二维小波包系数矩阵M';
S4:将二维小波包系数矩阵M'以并行的方式分别输入到P个卷积网络特征提取模块中,进行多尺度时间特征学习,提取不同滤波器尺度下的多尺度时间特征,所述P为整数,且P>1;将获取的多尺度时间特征进行拼接得到一维特征向量;
S5:将S4中获取的一维特征向量输入到全连接层,得到的输出再输入到半监督单分类目标函数,并且通过正常状态数据和少量故障状态数据进行训练得到一个网络模型;其中训练获得的网络模型包括步骤如下:
S51:将风电机组轴承故障检测任务定义为一个变工况下的轴承异常检测任务;
S52:将S4中获取的一维特征向量输入到全连接层,得到的输出向量再输入到半监督单分类目标函数,并且通过正常状态数据和少量故障状态数据进行训练得到一个网络模型;其中正常状态数据或故障状态数据中部分含有标签,部分无标签,所述网络模型由正常状态数据和少量故障状态数据进行训练得到,所述半监督单分类目标函数的计算表达式如下:
其中,n表示无标签数据构成的二维小波包系数矩阵的个数,m表示有标签数据构成的二维小波包系数矩阵的个数,zi表示无标签数据预处理后的第i个二维小波包系数矩阵,表示有标签数据预处理后的第j个二维小波包系数矩阵,η表示有标签数据占所有数据的比例,w表示模型的所有网络层参数,λ表示网络模型的超参数,L表示卷积网络层数,wl表示第l层卷积网络的参数,||·||F表示弗罗贝尼乌斯范数,φ(zi;w)和表示网络模型的全连接层输出的多维数据,c表示网络模型的原点,所述原点是通过直接输入第一类数据和少量第二类数据到网络模型而获得;
S6:将包含正常状态数据和故障状态数据的测试样本输入到S5所得的网络模型中得出测试样本的异常分数值,从而获得故障检测结果。
本发明技术方案的进一步改进在于,S1中包括如下步骤:
S11:采用z-score方法对获取的一维振动时间序列数据进行标准化处理,计算表达式如下:
其中,z是标准化处理后的一维时间序列数据,x是原始一维振动时间序列数据,μ和σ分别是原始一维时间序列数据的均值和标准差;
S12:将标准化的一维时间序列数据分割成若干个长度为Q的无重叠片段,得到n个有标签的一维时间序列输入向量和m个无标签的一维时间序列输入向量。
本发明技术方案的进一步改进在于,S2中,一维时间序列输入向量的大小为1×Q,其中Q为采样点数,即每个片段的长度;采用离散形式的小波包分解得到小波包系数矩阵,包括如下步骤:
S21:对S1得到的一维时间序列输入向量采用离散形式的小波包分解,将每段一维时间输入向量分解到N个子频带,每一个子频带都包含有一系列的小波包系数,共得到2N组小波包系数;
S22:将每组小波包系数作为一行,从而构建二维小波包系数矩阵,得到n个无标签数据构成的二维小波包系数矩阵M和m个有标签数据构成的二维小波包系数矩阵M。
本发明技术方案的进一步改进在于,S4中,对二维小波包系数矩阵M'采用三个卷积网络特征提取模块进行多尺度时间特征学习;包括如下步骤:
S41:将S3中得到的二维小波包系数矩阵M'分别并行输入到三个具有不同滤波器尺度的卷积网络特征提取模块,每个卷积网络特征提取模块的滤波器只沿着时间轴方向滑动;
S42:设置每个卷积网络特征提取模块的层数,每个模块分别包括三个卷积层、三个批归一化层、三个正则化层和一个全局平均池化层,其中每个全局平均池化层的滤波器大小相同;
S43:将在不同滤波器尺度下提取的时间特征进行拼接,得到一维特征向量。
本发明技术方案的进一步改进在于,S6中,包括如下步骤:
S61:将测试样本输入到S5所得的网络模型,得出异常分数值;同时将S5中的正常状态数据和少量故障状态数据再经过网络模型得出一组异常分数值,取这一组异常分数值的最大值作为阈值,通过比较阈值与测试样本的异常分数值大小,来检测风电机组轴承是否处于健康状态;其中异常分数值的计算表达式如下所示:
s(y)=||φ(y;ω*)-c||2
其中,φ(y;w*)表示训练所得模型的全连接层网络的输出,w*表示训练所得模型的所有网络层参数。
与现有技术相比,本发明提供一种基于半监督单分类网络的变工况故障检测方法有益效果如下:
1.本发明提供一种基于半监督单分类网络的变工况故障检测方法,该方法利用小波包分解对原始数据进行变换得到多个子频带,用于构建小波包系数矩阵,通过注意力机制赋予不同行小波包系数不同的权重。设计具有不同卷积核结构的卷积网络特征提取模块,以并行的方式在多个滤波器尺度下挖掘变工况条件下轴承振动信号的时间特征,上述技术手段的多尺度特征学习方法,能够提取更为丰富的健康状态信息,与传统的机器学习方法相比,本发明利用风电机组轴承的正常状态数据和少量故障状态数据建模,仅需少量故障数据参与,通过构建半监督学习模型,避免了故障数据获取难、故障模式不完备、标记成本高的问题,同时提高变工况条件下轴承故障检测的准确性和可靠性,为风电机组轴承故障检测提供了新的技术方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于半监督单分类网络的变工况故障检测方法流程图。
图2为图1多尺度时间特征学习流程图。
图3为工况一下不同方法性能对比检测图。
图4为工况二下不同方法性能对比检测图。
具体实施方式
下面将通过具体实施方式对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例结合附图对本发明进行详细说明:
本实施例采用的是轴承故障模拟实验台,该实验台采集的数据包含在时变转速条件下从不同健康状况的轴承收集的振动信号,总共有36个数据集,对于每个数据集,有两个实验设置:轴承健康状况和变化速度条件。其中轴承的健康状况包括:健康,内圈缺陷和外圈缺陷;变化速度条件包括:增加速度,减小速度,先增加后减小速度和先减小后增加速度。本实施例使用变化速度条件是增加速度和减小速度,轴承健康状况为健康,内圈缺陷和外圈缺陷的数据集,共有6组数据集。
如图1所示,本实施例采用的是基于半监督单分类网络的变工况故障检测方法,包括如下步骤:
S1:获取风电机组轴承在不同运行状态下的一维振动信号数据,对其进行预处理以获取一维时间序列输入向量;包括如下步骤:
S11:采用z-score方法对获取的一维振动时间序列数据进行标准化处理,计算表达式如下:
其中,z是标准化处理后的一维时间序列数据,x是原始一维振动时间序列数据,μ和σ分别是原始一维时间序列数据的均值和标准差;
S12:将标准化的一维时间序列数据分割成若干个长度为Q的无重叠片段,得到n个有标签的一维时间序列输入向量和m个无标签的一维时间序列输入向量;
S2:一维时间序列输入向量的大小为1×Q,其中Q为采样点数,即每个片段的长度;采用离散形式的小波包分解得到小波包系数矩阵,具体包括如下步骤:
S21:对S1得到的一维时间序列输入向量采用离散形式的小波包分解,将每段一维时间输入向量分解到N个子频带,每一个子频带都包含有一系列的小波包系数,共得到2N组小波包系数;
S22:将每组小波包系数作为一行,从而构建二维小波包系数矩阵,得到n个无标签数据构成的二维小波包系数矩阵M和m个有标签数据构成的二维小波包系数矩阵M;
S3:将二维小波包系数矩阵M输入到通道注意力模块中,为二维小波包系数矩阵M中的每行小波包系数赋予不同的权重值,从而得到新的二维小波包系数矩阵M';
S4:对二维小波包系数矩阵M'采用三个卷积网络特征提取模块进行多尺度时间特征学习,具体包括如下步骤:
S41:将S3得到的二维小波包系数矩阵M'分别并行输入到三个具有不同滤波器尺度的卷积网络特征提取模块,每个卷积网络特征提取模块的滤波器只沿着时间轴方向滑动;
S42:设置每个卷积网络特征提取模块的层数,每个模块分别包括三个卷积层、三个批归一化层、三个正则化层和一个全局平均池化层,其中每个全局平均池化层的滤波器大小相同;
S43:将在不同滤波器尺度下提取的时间特征进行拼接,得到一维特征向量;
S5:将S4获取的一维特征向量输入到全连接层,得到的输出再输入到半监督单分类目标函数,并且通过正常状态数据和少量故障状态数据进行训练得到一个网络模型;所述训练获得的网络模型的具体步骤如下:
S51:将风电机组轴承故障检测任务定义为一个变工况下的轴承异常检测任务;
S52:将S4获取的一维特征向量输入到全连接层,得到的输出向量再输入到半监督单分类目标函数,并且通过正常状态数据和少量故障状态数据进行训练得到一个网络模型;其中正常状态数据或故障状态数据中部分含有标签,部分无标签,所述网络模型由正常状态数据和少量故障状态数据进行训练得到,所述半监督单分类目标函数的计算表达式如下:
其中,n表示无标签数据构成的二维小波包系数矩阵的个数,m表示有标签数据构成的二维小波包系数矩阵的个数,zi表示无标签数据预处理后的第i个二维小波包系数矩阵,表示有标签数据预处理后的第j个二维小波包系数矩阵,η表示有标签数据占所有数据的比例,w表示模型的所有网络层参数,λ表示网络模型的超参数,L表示卷积网络层数,wl表示第l层卷积网络的参数,||·||F表示弗罗贝尼乌斯范数,φ(zi;w)和表示网络模型的全连接层输出的多维数据,c表示网络模型的原点,所述原点是通过直接输入第一类数据和少量第二类数据到网络模型而获得;
S6:将包含正常状态数据和故障状态数据的测试样本输入到S5所得的网络模型中得出测试样本的异常分数值,从而获得故障检测结果。
S61:将测试样本输入到S5所得的网络模型,得出异常分数值;同时将步骤S5中的正常状态数据和少量故障状态数据再经过网络模型得出一组异常分数值,取这一组异常分数值的最大值作为阈值,通过比较阈值与测试样本的异常分数值大小,来检测风电机组轴承是否处于健康状态;其中异常分数值的计算表达式如下所示:
s(y)=||φ(y;ω*)-c||2
其中,φ(y;w*)表示训练所得模型的全连接层网络的输出,w*表示训练所得模型的所有网络层参数。
在本实施例中,共考虑了风电机组轴承的两种运行工况,工况一是转速不断增加的工况,工况二是转速不断减小的工况,每种运行工况包含一种正常状态和两种种故障状态,两种故障状态分别是轴承内圈缺陷及轴承外圈缺陷。为了对风电轴承故障进行有效检测,本次实验采用十次重复运行的平均结果作为最终的诊断结果。
图3为工况一下不同方法性能对比检测图,图4为工况二下不同方法性能对比检测图;从图中可以看出本发明与传统机器学习方法相比,传统机器学习方法包括局部离群因子算法(Local Outlier Factor,LOF)、单分类支持向量机(One-Class Support VectorMachine,Onc-Class-SVM)、孤立森林(Isolation Forest,IForest),曲线下面积(Areaunder the curve,AUC)值有了明显提高,本发明获得了增强的故障检测性能。
本实施例提出的方法针对变工况条件下风电机组轴承振动数据而进行特征提取和分类从而实现轴承故障检测,其核心是为了获得更好的故障检测性能。通过获取轴承一维振动信号数据,对其进行预处理获得一维时间序列输入向量,利用小波包分解对原始数据进行变换得到多个子频带,用于构建小波包系数矩阵,通过注意力机制赋予不同行小波包系数不同的权重。然后设计具有不同卷积核结构的卷积网络时间特征提取模块,学习轴承振动数据的多尺度时间特征,拼接后,输入到全连接层网络及半监督单分类目标函数中,利用正常状态振动数据和故障状态振动数据的多尺度时间特征不同的特点,能获得不同的异常分数值,通过与阈值比较进而可检测风电机组轴承是否处于健康状态。此结果进一步说明本发明值得应用到实际风电机组轴承的变工况故障检测中。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明装置权利要求书确定的保护范围内。
Claims (5)
1.一种基于半监督单分类网络的变工况故障检测方法,其特征在于,包括如下步骤:
S1:获取风电机组轴承在不同运行状态下的一维振动信号数据,对其进行预处理以获取一维时间序列输入向量;
S2:对一维时间序列输入向量采用离散形式的小波包分解,分解得到小波包系数矩阵M;
S3:将二维小波包系数矩阵M输入到通道注意力模块中,为二维小波包系数矩阵M中的每行小波包系数赋予不同的权重值,从而得到新的二维小波包系数矩阵M';
S4:将二维小波包系数矩阵M'以并行的方式分别输入到P个卷积网络特征提取模块中,进行多尺度时间特征学习,提取不同滤波器尺度下的多尺度时间特征,所述P为整数,且P>1;将获取的多尺度时间特征进行拼接得到一维特征向量;
S5:将S4中获取的一维特征向量输入到全连接层,得到的输出再输入到半监督单分类目标函数,并且通过正常状态数据和少量故障状态数据进行训练得到一个网络模型;其中训练获得的网络模型包括步骤如下:
S51:将风电机组轴承故障检测任务定义为一个变工况下的轴承异常检测任务;
S52:将S4中获取的一维特征向量输入到全连接层,得到的输出向量再输入到半监督单分类目标函数,并且通过正常状态数据和少量故障状态数据进行训练得到一个网络模型;其中正常状态数据或故障状态数据中部分含有标签,部分无标签,所述网络模型由正常状态数据和少量故障状态数据进行训练得到,所述半监督单分类目标函数的计算表达式如下:
其中,n表示无标签数据构成的二维小波包系数矩阵的个数,m表示有标签数据构成的二维小波包系数矩阵的个数,zi表示无标签数据预处理后的第i个二维小波包系数矩阵,表示有标签数据预处理后的第j个二维小波包系数矩阵,η表示有标签数据占所有数据的比例,w表示模型的所有网络层参数,λ表示网络模型的超参数,L表示卷积网络层数,wl表示第l层卷积网络的参数,||·||F表示弗罗贝尼乌斯范数,φ(zi;w)和表示网络模型的全连接层输出的多维数据,c表示网络模型的原点,所述原点是通过直接输入第一类数据和少量第二类数据到网络模型而获得;
S6:将包含正常状态数据和故障状态数据的测试样本输入到S5所得的网络模型中得出测试样本的异常分数值,从而获得故障检测结果。
3.根据权利要求1所述一种基于半监督单分类网络的变工况故障检测方法,其特征在于,S2中,一维时间序列输入向量的大小为1×Q,其中Q为采样点数,即每个片段的长度;采用离散形式的小波包分解得到小波包系数矩阵,包括如下步骤:
S21:对S1得到的一维时间序列输入向量采用离散形式的小波包分解,将每段一维时间输入向量分解到N个子频带,每一个子频带都包含有一系列的小波包系数,共得到2N组小波包系数;
S22:将每组小波包系数作为一行,从而构建二维小波包系数矩阵,得到n个无标签数据构成的二维小波包系数矩阵M和m个有标签数据构成的二维小波包系数矩阵M。
4.根据权利要求1所述一种基于半监督单分类网络的变工况故障检测方法,其特征在于,S4中,对二维小波包系数矩阵M'采用三个卷积网络特征提取模块进行多尺度时间特征学习;包括如下步骤:
S41:将S3中得到的二维小波包系数矩阵M'分别并行输入到三个具有不同滤波器尺度的卷积网络特征提取模块,每个卷积网络特征提取模块的滤波器只沿着时间轴方向滑动;
S42:设置每个卷积网络特征提取模块的层数,每个模块分别包括三个卷积层、三个批归一化层、三个正则化层和一个全局平均池化层,其中每个全局平均池化层的滤波器大小相同;
S43:将在不同滤波器尺度下提取的时间特征进行拼接,得到一维特征向量。
5.根据权利要求1所述一种基于半监督单分类网络的变工况故障检测方法,其特征在于,S6中,包括如下步骤:
S61:将测试样本输入到S5所得的网络模型,得出异常分数值;同时将S5中的正常状态数据和少量故障状态数据再经过网络模型得出一组异常分数值,取这一组异常分数值的最大值作为阈值,通过比较阈值与测试样本的异常分数值大小,来检测风电机组轴承是否处于健康状态;其中异常分数值的计算表达式如下所示:
s(y)=||φ(y;ω*)-c||2
其中,φ(y;w*)表示训练所得模型的全连接层网络的输出,w*表示训练所得模型的所有网络层参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110971115.5A CN113673442B (zh) | 2021-08-24 | 2021-08-24 | 一种基于半监督单分类网络的变工况故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110971115.5A CN113673442B (zh) | 2021-08-24 | 2021-08-24 | 一种基于半监督单分类网络的变工况故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673442A true CN113673442A (zh) | 2021-11-19 |
CN113673442B CN113673442B (zh) | 2024-05-24 |
Family
ID=78545223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110971115.5A Active CN113673442B (zh) | 2021-08-24 | 2021-08-24 | 一种基于半监督单分类网络的变工况故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673442B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062553A (zh) * | 2022-08-17 | 2022-09-16 | 浪潮通用软件有限公司 | 基于多模型融合的水泵工况劣化检测方法、设备及介质 |
CN115836868A (zh) * | 2022-11-25 | 2023-03-24 | 燕山大学 | 基于多尺度卷积核尺寸cnn的驾驶员疲劳状态识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234767A (zh) * | 2013-04-21 | 2013-08-07 | 蒋全胜 | 基于半监督流形学习的非线性故障检测方法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
US20190042952A1 (en) * | 2017-08-03 | 2019-02-07 | Beijing University Of Technology | Multi-task Semi-Supervised Online Sequential Extreme Learning Method for Emotion Judgment of User |
CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
CN113240022A (zh) * | 2021-05-19 | 2021-08-10 | 燕山大学 | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 |
US20210256312A1 (en) * | 2018-05-18 | 2021-08-19 | Nec Corporation | Anomaly detection apparatus, method, and program |
-
2021
- 2021-08-24 CN CN202110971115.5A patent/CN113673442B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234767A (zh) * | 2013-04-21 | 2013-08-07 | 蒋全胜 | 基于半监督流形学习的非线性故障检测方法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
US20190042952A1 (en) * | 2017-08-03 | 2019-02-07 | Beijing University Of Technology | Multi-task Semi-Supervised Online Sequential Extreme Learning Method for Emotion Judgment of User |
US20210256312A1 (en) * | 2018-05-18 | 2021-08-19 | Nec Corporation | Anomaly detection apparatus, method, and program |
CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
CN113240022A (zh) * | 2021-05-19 | 2021-08-10 | 燕山大学 | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 |
Non-Patent Citations (4)
Title |
---|
何群;尹飞飞;武鑫;谢平;江国乾: "基于长短期记忆网络的风电机组齿轮箱故障预测", 《计量学报》, 26 October 2020 (2020-10-26) * |
吴定海;任国全;王怀光;张云强;: "基于卷积神经网络的机械故障诊断方法综述", 机械强度, no. 05, 30 September 2020 (2020-09-30) * |
杜小磊: "基于深度学习的滚动轴承故障诊断方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 31 July 2019 (2019-07-31), pages 029 - 118 * |
邓飞跃;唐贵基;: "基于多小波包排列熵和流形学习的故障特征提取方法", 石家庄铁道大学学报(自然科学版), no. 02, 25 June 2017 (2017-06-25) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062553A (zh) * | 2022-08-17 | 2022-09-16 | 浪潮通用软件有限公司 | 基于多模型融合的水泵工况劣化检测方法、设备及介质 |
CN115062553B (zh) * | 2022-08-17 | 2022-11-25 | 浪潮通用软件有限公司 | 基于多模型融合的水泵工况劣化检测方法、设备及介质 |
CN115836868A (zh) * | 2022-11-25 | 2023-03-24 | 燕山大学 | 基于多尺度卷积核尺寸cnn的驾驶员疲劳状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113673442B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Multiscale local features learning based on BP neural network for rolling bearing intelligent fault diagnosis | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
Saufi et al. | Gearbox fault diagnosis using a deep learning model with limited data sample | |
Wu et al. | A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery | |
Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
Haidong et al. | Intelligent fault diagnosis of rolling bearing using deep wavelet auto-encoder with extreme learning machine | |
CN109086793B (zh) | 一种风力发电机的异常识别方法 | |
Han et al. | Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification | |
CN111426950B (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
US20230358638A1 (en) | Aero-engine bearing fault diagnosis method based on variational mode decomposition and residual network | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
CN112396109A (zh) | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 | |
CN113673442B (zh) | 一种基于半监督单分类网络的变工况故障检测方法 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN114548190B (zh) | 一种基于自适应残差神经网络的风力涡轮机故障诊断方法及装置 | |
CN109655266A (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
CN113203566A (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
Li et al. | Multiple manifolds analysis and its application to fault diagnosis | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN111562105A (zh) | 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
Zare et al. | Convolutional neural networks for wind turbine gearbox health monitoring. | |
CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
Jia et al. | Bearing fault diagnosis method based on CNN-LightGBM | |
CN112464708B (zh) | 双馈异步风机电能质量异常故障诊断方法 |
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 |