CN113723592A - 一种基于风电齿轮箱监测系统的故障诊断方法 - Google Patents

一种基于风电齿轮箱监测系统的故障诊断方法 Download PDF

Info

Publication number
CN113723592A
CN113723592A CN202110906508.8A CN202110906508A CN113723592A CN 113723592 A CN113723592 A CN 113723592A CN 202110906508 A CN202110906508 A CN 202110906508A CN 113723592 A CN113723592 A CN 113723592A
Authority
CN
China
Prior art keywords
sample
wind power
data
sensor
fault diagnosis
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
CN202110906508.8A
Other languages
English (en)
Inventor
王金文
乐威
王俊
吴业飞
周建华
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.)
Guoneng Yunnan New Energy Co ltd
Original Assignee
Guoneng Yunnan New Energy Co ltd
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 Guoneng Yunnan New Energy Co ltd filed Critical Guoneng Yunnan New Energy Co ltd
Priority to CN202110906508.8A priority Critical patent/CN113723592A/zh
Publication of CN113723592A publication Critical patent/CN113723592A/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
    • G06N3/045—Combinations of networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于风电齿轮箱监测系统的故障诊断方法。本发明系统包括风电齿轮箱、多个压电式加速度传感器、ARM模块、AD采集模块、光纤环网模块、中控服务器。本发明方法具体为特征提取模块通过连续小波变换对振动信号进行预处理；数据增强模块通过生成对抗网络对故障信号进行数据增强；特征融合模块通过并行卷积神经网络对多个压电式加速度传感器的增强数据进行融合；故障诊断模块根据融合数据通过残差神经网络进行故障分类。本发明实现了风机传动链运行状态的监测、评估，可有效识别风机传动链早期故障，避免继发故障造成的经济损失和不良社会影响。

Description

一种基于风电齿轮箱监测系统的故障诊断方法
技术领域
本发明涉及风电齿轮箱故障诊断技术领域，尤其涉及一种基于风电齿轮箱监测系统的故障诊断方法。
背景技术
近年来，我国风电技术不断发展，装机规模持续增长，风电产业在我国国民经济发展中起到重要作用。齿轮箱作为风电装备的关键部件，其安全、可靠运行对提升风电装备的服役性能有重要意义。
风电齿轮箱长期在复杂交变载荷作用下运行，不可避免地会出现故障，因此在早期发现风电齿轮箱的微弱故障，识别故障类型，判断故障程度，进行剩余寿命预测，合理制定运维方案，可有效避免继发故障出现，减小齿轮箱重大故障及因故障引起的损失。
传统的单一传感器信息处理技术在实际操作过程中常常受到复杂易变的外界因素影响，无法诊断出一些微弱故障，与单传感器信号相比，多传感器信号具有更丰富的特征，可以实现系统更高的可靠性。
随着人工智能研究的发展，基于数据驱动的故障诊断方法应用越来越广泛。深度学习以其强大的特征学习能力，逐渐成为了故障诊断的一种有效方法。深度学习可以从高维特征空间内提取高维特征，其精度高于传统方法。但传统单一的网络模型对早期故障识别效果不理想，也无法实现齿轮箱的寿命预测，这些都是亟待解决的问题。
发明内容
本发明提出一种基于风电齿轮箱监测系统的故障诊断方法。其目的是基于多特征融合和深度学习方法，针对风电齿轮箱可能发生的微弱故障进行故障诊断。
为实现上述目的，本发明的技术方案为一种基于风电齿轮箱监测系统的故障诊断方法，具体如下：
所示风电齿轮箱监测系统，包括：风电齿轮箱、多个压电式加速度传感器、ARM模块、AD采集模块、光纤环网模块、中控服务器；
所述ARM模块与所述多个压电式加速度传感器依次连接；
所述的ARM模块、AD采集模块、光纤环网模块、中控服务器依次连接；
所述压电式加速度传感器通过磁吸附的方式固定在所述风电齿轮箱的特定位置处；
所述压电式加速度传感器用于实时采集振动信号，并传输至所述AD采集模块；
所述AD采集模块用于多路信号转换和调理，并传输至所述ARM模块；
所述ARM模块将实时采集的振动信号通过所述光纤环网模块传输至所述中控服务器；
所述中控服务器根据实时采集的振动信号通过所述故障诊断方法进行诊断，得到风电齿轮箱的故障类型；
所述故障诊断方法，包括以下步骤：
步骤1：定义实时采集的振动信号；
步骤2，对实时采集的振动信号进行连续小波变换得到每个传感器的小波变换系数集，对每个传感器的小波变换系数集进行标准化、灰度化处理得到每个传感器的对应的原始灰度图样本集；
步骤3，在所述原始灰度图样本集中随机抽取多个样本构建原始样本输入集Ai`，结合所述原始样本输入集中灰度图样本的数量生成多个高斯随机噪声构建高斯随机噪声数据集Zi，将所述高斯随机噪声数据集中每个高斯随机噪声输入生成器G中生成对应的高斯随机噪声灰度图样本，以构建生成样本输入集Bi；
步骤4，将步骤3所述原始样本输入集Ai`与步骤3所述生成样本输入集Bi同时输入判别器进行判断，当判别器误差L(D)达到最大时，固定训练好的所述判别器参数，通过随机梯度来最小化生成器的损失函数；
步骤5，重复步骤3-4，直至所述生成器和所述判别器的结果达到平衡，结束训练过程，输出增强样本集；
步骤6，将K个所述振动信号处理得到的所述增强样本集中在同一时间段的数据样本第i个传感器的输出增强样本集在第j个时间段的生成样本图C1,j,C2,j，…，CK,j并列放置，卷积核为一个数字矩阵，相当于一个滤波器组，与卷积核进行卷积运算，用ReLU激活函数对每次卷积的逻辑输出值进行非线性变换，经过池化层，得到第j个时间段生成样本图的融合数据样本
Figure BDA0003201760190000021
Figure BDA0003201760190000022
多次迭代后构建融合数据样本集X＝{X1,X2,X3,…XJ}，其中，J为时间样本长度；使用Batc hNormalization对所述融合数据样本集进行批量归一化，以加快模型的训练时间，并使用Dropout防止过拟合；
步骤7，将所述融合数据样本集X中对应的H类不同故障对应的所述融合数据样本分别贴上标签Yh，构成深度残差网络训练集；
步骤8，将所述深度残差网络训练集每个样本依次输入残差神经网络，预测得到深度残差网络训练集每个样本对应的预测故障类别，将深度残差网络训练集每个样本对应的预测故障类别结合步骤7中所述的每个样本对应的标签构建均方误差损失函数，通过梯度下降算法训练得到训练后残差神经网络；
作为优选，步骤1所述定义实时采集的振动信号，具体为：
ai(t)，i∈[1,K]
其中，ai(t)表示第i个传感器在t时刻采集得到的振动信号；K为压电式加速度传感器的数量；
作为优选，步骤2所述构建每个传感器的小波变换系数集为：
{Wi,1，Wi,2，Wi,3，…Wi,m}，i∈[1,K]
其中，K为压电式加速度传感器的数量，m表示时间序列，Wi,j表示第i个传感器在第j个时间段采集的信号变换的小波变换系数，j∈[1,m]；
步骤2所述每个传感器的对应的原始灰度图样本集为：
{Ai,1，Ai,2，Ai,3，…Ai,m}，i∈[1,K]
其中，K为压电式加速度传感器的数量，m表示时间序列，Ai,j表示第i个传感器在第j个时间段的小波变换系数对应的原始灰度图样本数据，j∈[1,m]；
作为优选，步骤3所述原始样本输入集为：
Ai`＝{Ai,k+1，Ai,k+2，…Ai,k+n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，n表示每次抽取的样本个数，Ai,j表示第i个传感器在第j个时间段的所述原始灰度图样本，j∈[1,n]；
步骤3所述高斯随机噪声数据集为：
Zi＝{Zi,k+1，Zi,k+2，…Zi,k+n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，n表示每次抽取的样本个数，Zi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本，j∈[1,n]；
步骤3所述生成样本输入集为：
Bi＝{Bi,k+1，Bi,k+2，…Bi,k+n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，n表示每次抽取的样本个数，Bi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本，j∈[1,n]；
步骤3所述的对应灰度图样本Bi,k＝G(Zi,k)
作为优选，步骤4所述判别器的损失函数为：
Figure BDA0003201760190000041
其中，D(p)表示输出该数据是真实数据的概率，其中，p＝Ai,j，Bi,j，Ai,j表示第i个传感器在第j个时间段的所述原始灰度图样本，Bi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本。
步骤4所述的生成器损失函数为：
Figure BDA0003201760190000042
其中，D(p)表示输出该数据是真实数据的概率，其中，p＝Bi,j，Bi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本。
作为优选，步骤5所述增强样本集为
Ci＝{Ci,1,Ci,2,Ci,3,…Ci,n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，Ci表示第i个传感器的输出增强样本集，Ci,j第i个传感器的输出增强样本集在第j个时间段的生成样本图。
作为优选，步骤6所述ReLU激活函数为：
Figure BDA0003201760190000043
其中，
Figure BDA0003201760190000044
为卷积运算的输出值，
Figure BDA0003201760190000045
为
Figure BDA0003201760190000046
的激活值；
步骤6所述池化层采用最大池化技术，取区域内最大值作为输出值，最大池化为：
Figure BDA0003201760190000047
其中，
Figure BDA0003201760190000048
表示第l层第i个特征中第t个神经元的值，W表示池化区域的宽度，
Figure BDA0003201760190000049
表示第l+1层神经元的值。
作为优选，步骤7所述深度残差网络训练集为：
D＝[(X1,Y1),(X2,Y2),…,(Xh,Yh)，…(XH,YH)]1≤h≤H
作为优选，步骤8所述均方误差损失函数为：
Figure BDA0003201760190000051
其中，fi为神经网络的输出，Yi为训练数据的标签值，n表示数据的维度。
本发明通过采集风电齿轮箱运行过程中的振动信号，经光纤环网传输至中控室的服务器，并采用基于多特征融合和深度学习算法，对所述振动信号进行特征提取、数据增强、多特征融合、故障诊断和寿命预测，并将结果通过所述可视化模块进行显示，实现了风机传动链运行状态的监测、评估，可有效识别风机传动链早期故障，避免继发故障造成的经济损失和不良社会影响。
附图说明
图1：为本发明系统模块框图；
图2：为本发明风机传动链测点布置图；
图3：为本发明的数据分析模块中诊断系统流程图；
图4：为本发明中提出的诊断模型结构；
图5：为并行卷积神经网络图解；
图6：为本发明方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面结合本发明实施例中的附图对本发明进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
下面结合图1至图6介绍本发明的具体实施方式为一种基于风电齿轮箱监测系统的故障诊断方法，具体如下：
所示风电齿轮箱监测系统，包括：风电齿轮箱、多个压电式加速度传感器、ARM模块、AD采集模块、光纤环网模块、中控服务器；
所述ARM模块与所述多个压电式加速度传感器依次连接；
所述的ARM模块、AD采集模块、光纤环网模块、中控服务器依次连接；
所述压电式加速度传感器选型为BK-S100加速度传感器，通过磁吸附的方式固定在所述风电齿轮箱的特定位置处；
所述压电式加速度传感器选型为BK-S100加速度传感器，用于实时采集振动信号，并传输至所述AD采集模块；
所述AD采集模块选型为阿尔泰DAM391C，用于多路信号转换和调理，并传输至所述ARM模块；
所述ARM模块选型为STM32F103，实时采集的振动信号通过所述光纤环网模块传输至所述中控服务器；
所述中控服务器选型为惠威IP-9800网络中控服务器，根据实时采集的振动信号通过所述故障诊断方法进行诊断，得到风电齿轮箱的故障类型；
所述故障诊断方法，包括以下步骤：
步骤1，定义实时采集的振动信号；
步骤1所述定义实时采集的振动信号，具体为：
ai(t)，i∈[1,K]
其中，ai(t)表示第i个传感器在t时刻采集得到的振动信号；K＝5为压电式加速度传感器的数量；
步骤2，对实时采集的振动信号进行连续小波变换得到每个传感器的小波变换系数集，对每个传感器的小波变换系数集进行标准化、灰度化处理得到每个传感器的对应的原始灰度图样本集；
步骤2所述构建每个传感器的小波变换系数集为：
{Wi,1，Wi,2，Wi,3，…Wi,m}，i∈[1,K]
其中，K为压电式加速度传感器的数量，m表示时间序列，Wi,j表示第i个传感器在第j个时间段采集的信号变换的小波变换系数，j∈[1,m]；
步骤2所述每个传感器的对应的原始灰度图样本集为：
{Ai,1，Ai,2，Ai,3，…Ai,m}，i∈[1,K]
其中，K为压电式加速度传感器的数量，m表示时间序列，Ai,j表示第i个传感器在第j个时间段的小波变换系数对应的原始灰度图样本数据，j∈[1,m]；
步骤3，在所述原始灰度图样本集中随机抽取多个样本构建原始样本输入集Ai`，结合所述原始样本输入集中灰度图样本的数量生成多个高斯随机噪声构建高斯随机噪声数据集Zi，将所述高斯随机噪声数据集中每个高斯随机噪声输入生成器G中生成对应的高斯随机噪声灰度图样本，以构建生成样本输入集Bi；
步骤3所述原始样本输入集为：
Ai`＝{Ai,k+1，Ai,k+2，…Ai,k+n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，n表示每次抽取的样本个数，Ai,j表示第i个传感器在第j个时间段的所述原始灰度图样本，j∈[1,n]；
步骤3所述高斯随机噪声数据集为：
Zi＝{Zi,k+1，Zi,k+2，…Zi,k+n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，n表示每次抽取的样本个数，Zi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本，j∈[1,n]；
步骤3所述生成样本输入集为：
Bi＝{Bi,k+1，Bi,k+2，…Bi,k+n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，n表示每次抽取的样本个数，Bi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本，j∈[1,n]；
步骤3所述的对应灰度图样本Bi,k＝G(Zi,k)
步骤4，将步骤3所述原始样本输入集Ai`与步骤3所述生成样本输入集Bi同时输入判别器进行判断，当判别器误差L(D)达到最大时，固定训练好的所述判别器参数，通过随机梯度来最小化生成器的损失函数；
步骤4所述判别器的损失函数为：
Figure BDA0003201760190000071
其中，D(p)表示输出该数据是真实数据的概率，其中，p＝Ai,j，Bi,j，Ai,j表示第i个传感器在第j个时间段的所述原始灰度图样本，Bi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本。
步骤4所述的生成器损失函数为：
Figure BDA0003201760190000072
其中，D(p)表示输出该数据是真实数据的概率，其中，p＝Bi,j，Bi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本。
步骤5，重复步骤3-4，直至所述生成器和所述判别器的结果达到平衡，结束训练过程，输出增强样本集，记为：
Ci＝{Ci,1,Ci,2,Ci,3,…Ci,n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，Ci表示第i个传感器的输出增强样本集，Ci,j第i个传感器的输出增强样本集在第j个时间段的生成样本图。
步骤6，将K个所述振动信号处理得到的所述增强样本集中在同一时间段的数据样本第i个传感器的输出增强样本集在第j个时间段的生成样本图C1,j,C2,j，…，CK,j并列放置，卷积核为一个数字矩阵，相当于一个滤波器组，与卷积核进行卷积运算，用ReLU激活函数对每次卷积的逻辑输出值进行非线性变换，经过池化层，得到第j个时间段生成样本图的融合数据样本
Figure BDA0003201760190000081
Figure BDA0003201760190000082
多次迭代后构建融合数据样本集X＝{X1,X2,X3,…XJ}，其中，J为时间样本长度；
使用Batch Normalization对所述融合数据样本集进行批量归一化，以加快模型的训练时间，并使用Dropout防止过拟合；
步骤6所述ReLU激活函数为：
Figure BDA0003201760190000083
其中，
Figure BDA0003201760190000084
为卷积运算的输出值，
Figure BDA0003201760190000085
为
Figure BDA0003201760190000086
的激活值；
步骤6所述池化层采用最大池化技术，取区域内最大值作为输出值，最大池化为：
Figure BDA0003201760190000087
其中，
Figure BDA0003201760190000088
表示第l层第i个特征中第t个神经元的值，W表示池化区域的宽度，
Figure BDA0003201760190000089
表示第l+1层神经元的值。
步骤7，将所述融合数据样本集X中对应的H类不同故障对应的所述融合数据样本分别贴上标签Yh，构成深度残差网络训练集；
步骤7所述深度残差网络训练集为：
D＝[(X1,Y1),(X2,Y2),…,(Xh,Yh)，…(XH,YH)]1≤h≤H
步骤8，将所述深度残差网络训练集每个样本依次输入残差神经网络，预测得到深度残差网络训练集每个样本对应的预测故障类别，将深度残差网络训练集每个样本对应的预测故障类别结合步骤7中所述的每个样本对应的标签构建均方误差损失函数，通过梯度下降算法训练得到训练后残差神经网络；
步骤8所述均方误差损失函数为：
Figure BDA0003201760190000091
其中，fi为神经网络的输出，Yi为训练数据的标签值，n表示数据的维度。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (9)

1.一种基于风电齿轮箱监测系统的故障诊断方法，其特征在于，
所示风电齿轮箱监测系统，包括：风电齿轮箱、多个压电式加速度传感器、ARM模块、AD采集模块、光纤环网模块、中控服务器；
所述ARM模块与所述多个压电式加速度传感器依次连接；
所述的ARM模块、AD采集模块、光纤环网模块、中控服务器依次连接；
所述压电式加速度传感器通过磁吸附的方式固定在所述风电齿轮箱的特定位置处；
所述压电式加速度传感器用于实时采集振动信号，并传输至所述AD采集模块；
所述AD采集模块用于多路信号转换和调理，并传输至所述ARM模块；
所述ARM模块将实时采集的振动信号通过所述光纤环网模块传输至所述中控服务器；
所述中控服务器根据实时采集的振动信号通过所述故障诊断方法进行诊断，得到风电齿轮箱的故障类型；
所述故障诊断方法，包括以下步骤：
步骤1：定义实时采集的振动信号；
步骤2，对实时采集的振动信号进行连续小波变换得到每个传感器的小波变换系数集，对每个传感器的小波变换系数集进行标准化、灰度化处理得到每个传感器的对应的原始灰度图样本集；
步骤3，在所述原始灰度图样本集中随机抽取多个样本构建原始样本输入集Ai`，结合所述原始样本输入集中灰度图样本的数量生成多个高斯随机噪声构建高斯随机噪声数据集Zi，将所述高斯随机噪声数据集中每个高斯随机噪声输入生成器G中生成对应的高斯随机噪声灰度图样本，以构建生成样本输入集Bi；
步骤4，将步骤3所述原始样本输入集Ai`与步骤3所述生成样本输入集Bi同时输入判别器进行判断，当判别器误差L(D)达到最大时，固定训练好的所述判别器参数，通过随机梯度来最小化生成器的损失函数；
步骤5，重复步骤3-4，直至所述生成器和所述判别器的结果达到平衡，结束训练过程，输出增强样本集；
步骤6，将K个所述振动信号处理得到的所述增强样本集中在同一时间段的数据样本第i个传感器的输出增强样本集在第j个时间段的生成样本图C1,j,C2,j，…，CK,j并列放置，卷积核为一个数字矩阵，相当于一个滤波器组，与卷积核进行卷积运算，用ReLU激活函数对每次卷积的逻辑输出值进行非线性变换，经过池化层，得到第j个时间段生成样本图的融合数据样本
Figure FDA0003201760180000021
Figure FDA0003201760180000022
多次迭代后构建融合数据样本集X＝{X1,X2,X3,…XJ}，其中，J为时间样本长度；使用Batch Normalization对所述融合数据样本集进行批量归一化，以加快模型的训练时间，并使用Dropout防止过拟合；
步骤7，将所述融合数据样本集X中对应的H类不同故障对应的所述融合数据样本分别贴上标签Yh，构成深度残差网络训练集；
步骤8，将所述深度残差网络训练集每个样本依次输入残差神经网络，预测得到深度残差网络训练集每个样本对应的预测故障类别，将深度残差网络训练集每个样本对应的预测故障类别结合步骤7中所述的每个样本对应的标签构建均方误差损失函数，通过梯度下降算法训练得到训练后残差神经网络。
2.根据权利要求1所述的基于风电齿轮箱监测系统的故障诊断方法，其特征在于，
步骤1所述定义实时采集的振动信号，具体为：
ai(t)，i∈[1,K]
其中，ai(t)表示第i个传感器在t时刻采集得到的振动信号；K为压电式加速度传感器的数量。
3.根据权利要求1所述的基于风电齿轮箱监测系统的故障诊断方法，其特征在于，
步骤2所述构建每个传感器的小波变换系数集为：
{Wi,1，Wi,2，Wi,3，…Wi,m}，i∈[1,K]
其中，K为压电式加速度传感器的数量，m表示时间序列，Wi,j表示第i个传感器在第j个时间段采集的信号变换的小波变换系数，j∈[1,m]；
步骤2所述每个传感器的对应的原始灰度图样本集为：
{Ai,1，Ai,2，Ai,3，…Ai,m}，i∈[1,K]
其中，K为压电式加速度传感器的数量，m表示时间序列，Ai,j表示第i个传感器在第j个时间段的小波变换系数对应的原始灰度图样本数据，j∈[1,m]。
4.根据权利要求1所述的基于风电齿轮箱监测系统的故障诊断方法，其特征在于，
步骤3所述原始样本输入集为：
Ai`＝{Ai,k+1，Ai,k+2，…Ai,k+n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，n表示每次抽取的样本个数，Ai,j表示第i个传感器在第j个时间段的所述原始灰度图样本，j∈[1,n]；
步骤3所述高斯随机噪声数据集为：
Zi＝{Zi,k+1，Zi,k+2，…Zi,k+n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，n表示每次抽取的样本个数，Zi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本，j∈[1,n]；
步骤3所述生成样本输入集为：
Bi＝{Bi,k+1，Bi,k+2，…Bi,k+n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，n表示每次抽取的样本个数，Bi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本，j∈[1,n]；
步骤3所述的对应灰度图样本Bi,k＝G(Zi,k)。
5.根据权利要求1所述的基于风电齿轮箱监测系统的故障诊断方法，其特征在于，
步骤4所述判别器的损失函数为：
Figure FDA0003201760180000031
其中，D(p)表示输出该数据是真实数据的概率，其中，p＝Ai,j，Bi,j，Ai,j表示第i个传感器在第j个时间段的所述原始灰度图样本，Bi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本；
步骤4所述的生成器损失函数为：
Figure FDA0003201760180000032
其中，D(p)表示输出该数据是真实数据的概率，其中，p＝Bi,j，Bi,j表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本。
6.根据权利要求1所述的基于风电齿轮箱监测系统的故障诊断方法，其特征在于，
步骤5所述增强样本集为
Ci＝{Ci,1,Ci,2,Ci,3,…Ci,n}，i∈[1,K]
其中，K为压电式加速度传感器的数量，Ci表示第i个传感器的输出增强样本集，Ci,j第i个传感器的输出增强样本集在第j个时间段的生成样本图。
7.根据权利要求1所述的基于风电齿轮箱监测系统的故障诊断方法，其特征在于，
步骤6所述ReLU激活函数为：
Figure FDA0003201760180000041
其中，
Figure FDA0003201760180000042
为卷积运算的输出值，
Figure FDA0003201760180000043
为
Figure FDA0003201760180000044
的激活值；
步骤6所述池化层采用最大池化技术，取区域内最大值作为输出值，最大池化为：
Figure FDA0003201760180000045
(j-1)W+1≤t≤j
其中，
Figure FDA0003201760180000046
表示第l层第i个特征中第t个神经元的值，W表示池化区域的宽度，
Figure FDA0003201760180000047
表示第l+1层神经元的值。
8.根据权利要求1所述的基于风电齿轮箱监测系统的故障诊断方法，其特征在于，
步骤7所述深度残差网络训练集为：
D＝[(X1,Y1),(X2,Y2),…,(Xh,Yh)，…(XH,YH)]1≤h≤H。
9.根据权利要求1所述的基于风电齿轮箱监测系统的故障诊断方法，其特征在于，
步骤8所述均方误差损失函数为：
Figure FDA0003201760180000048
其中，fi为神经网络的输出，Yi为训练数据的标签值，n表示数据的维度。
CN202110906508.8A 2021-08-09 2021-08-09 一种基于风电齿轮箱监测系统的故障诊断方法 Pending CN113723592A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110906508.8A CN113723592A (zh) 2021-08-09 2021-08-09 一种基于风电齿轮箱监测系统的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110906508.8A CN113723592A (zh) 2021-08-09 2021-08-09 一种基于风电齿轮箱监测系统的故障诊断方法

Publications (1)

Publication Number Publication Date
CN113723592A true CN113723592A (zh) 2021-11-30

Family

ID=78675177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110906508.8A Pending CN113723592A (zh) 2021-08-09 2021-08-09 一种基于风电齿轮箱监测系统的故障诊断方法

Country Status (1)

Country Link
CN (1) CN113723592A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114544205A (zh) * 2022-01-05 2022-05-27 北京交通大学 机车轮驱跑合试验故障自动诊断系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107870892A (zh) * 2017-07-01 2018-04-03 南京理工大学 一种城轨列车滚动轴承故障诊断方法
CN208254802U (zh) * 2018-06-28 2018-12-18 山东大学 基于多特征融合的风电齿轮增速箱故障诊断试验平台
CN112257528A (zh) * 2020-10-12 2021-01-22 南京工业大学 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion
CN112629851A (zh) * 2020-12-11 2021-04-09 南方海上风电联合开发有限公司 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107870892A (zh) * 2017-07-01 2018-04-03 南京理工大学 一种城轨列车滚动轴承故障诊断方法
CN208254802U (zh) * 2018-06-28 2018-12-18 山东大学 基于多特征融合的风电齿轮增速箱故障诊断试验平台
CN112257528A (zh) * 2020-10-12 2021-01-22 南京工业大学 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion
CN112629851A (zh) * 2020-12-11 2021-04-09 南方海上风电联合开发有限公司 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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HUITAO C ET AL.: "Fault diagnosis of wind turbine gearbox based on wavelet neural network", JOURNAL OF LOW FREQUENCY NOISE, VIBRATION AND ACTIVE CONTROL, vol. 37, no. 4, 1 December 2018 (2018-12-01), pages 977 - 986 *
WADE A ET AL.: "Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study", MECHANICAL SYSTEMS AND SIGNAL PROCESSING, vol. 64, 11 May 2015 (2015-05-11), pages 100 - 131 *
XINGWEI XU 等: "Intelligent monitoring and diagnostics using a novel integrated model based on deep learning and multi-sensor feature fusion", 《MEASUREMENT》, vol. 165, 12 June 2020 (2020-06-12), pages 3, XP086260297, DOI: 10.1016/j.measurement.2020.108086 *
刘雄: "基于BP神经网络的风电齿轮箱故障诊断仪的研发", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 03, 17 March 2017 (2017-03-17), pages 029 - 143 *
刘雄: "基于BP神经网络的风电齿轮箱故障诊断仪的研发", 15 March 2017, 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages: 029 - 143 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114544205A (zh) * 2022-01-05 2022-05-27 北京交通大学 机车轮驱跑合试验故障自动诊断系统

Similar Documents

Publication Publication Date Title
CN112161784B (zh) 基于多传感器信息融合迁移网络的机械故障诊断方法
CN112417954B (zh) 一种面向小样本数据集的轴承故障模式诊断方法及系统
Li et al. Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network
CN106895975B (zh) 基于Stacked SAE深度神经网络的轴承故障诊断方法
Wang et al. A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion
Pandhare et al. Convolutional neural network based rolling-element bearing fault diagnosis for naturally occurring and progressing defects using time-frequency domain features
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
CN112906644B (zh) 基于深度迁移学习的机械故障智能诊断方法
CN111340238A (zh) 一种工业系统的故障诊断方法、装置、设备及存储介质
Li et al. Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data
CN111397902B (zh) 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法
CN113505655A (zh) 面向数字孪生系统的轴承故障智能诊断方法
CN112257862B (zh) 一种基于关系网络标记样本扩充的半监督辨识方法
CN111459144A (zh) 一种基于深度循环神经网络的飞机飞控系统故障预测方法
CN113505664B (zh) 一种风电机组行星齿轮箱故障诊断方法
CN111860446A (zh) 一种卫星遥测时序数据未知模式的检测系统与方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
Chou et al. SHM data anomaly classification using machine learning strategies: A comparative study
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN113723592A (zh) 一种基于风电齿轮箱监测系统的故障诊断方法
CN116756225B (zh) 一种基于计算机网络安全的态势数据信息处理方法
CN116644273A (zh) 基于可释性乘法卷积网络的故障诊断方法及系统
Zhang et al. A flexible monitoring framework via dynamic-multilayer graph convolution 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