CN114120974A - 一种基于深度学习的风机叶片故障诊断方法 - Google Patents
一种基于深度学习的风机叶片故障诊断方法 Download PDFInfo
- Publication number
- CN114120974A CN114120974A CN202111405652.XA CN202111405652A CN114120974A CN 114120974 A CN114120974 A CN 114120974A CN 202111405652 A CN202111405652 A CN 202111405652A CN 114120974 A CN114120974 A CN 114120974A
- Authority
- CN
- China
- Prior art keywords
- fan blade
- similarity
- fault diagnosis
- diagnosis method
- deep learning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000005236 sound signal Effects 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000008901 benefit Effects 0.000 claims abstract description 7
- 238000004806 packaging method and process Methods 0.000 claims abstract description 7
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 36
- 238000011176 pooling Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 7
- 239000000306 component Substances 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/04—Segmentation; Word boundary detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/26—Pre-filtering or post-filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于深度学习的风机叶片故障诊断方法,包括数据预处理,需要对采集的声音信号数据进行预处理;特征提取,以预处理封装之后的频谱图为输入,引入卷积神经网络模型进行特征提取;相似度计算,对经过特征提取的图片特征进行相似度计算。本申请结构合理,采集风机的声音信号并进行实时监测,存在故障可立即报警,实时性高,对声音信号进行频谱分析,得到基于短时平稳的特征参数值,保留更多的原始声音特征,同时,减少了时域带来的冗余度,通过深度学习模型进行训练,自动化提取图片特征,采用多种相似度计算比对的方式,从不同维度分析频谱图像的相似度,提高了运维效率,降低了运维成本,为公司带来经济效益。
Description
技术领域
本申请涉及叶片损伤监测领域,尤其是一种基于深度学习的风机叶片故障诊断方法。
背景技术
随着新能源板块的大热,风电市场的成长预期提升,其中,风机成本下降使得风电投资的收益率明显提高,但由其带来的运维成本也在日趋高昂,作为风机核心部件的叶片质量更是与发电效率息息相关。
对于叶片损伤监测,目前常见方法有:一、基于固有时间尺度分解的风机叶片气动音频信号故障诊断,将信号分解成若干旋转分量,计算时域信号能量,构造初步特征向量,再使用主成分分析进行降维,并通过SVM进行故障分类;二、基于深度学习的风机叶片结构损伤识别,通过ANSYS建立风机叶片的有限元模型,进行模态分析来确定结构的频率和振型变化特性,以及建立基于神经网络的风机叶片结构损伤模型,对风机叶片进行诊断。三是基于声纹的高泛化性风机叶片异常检测,依靠单台风机3个叶片声纹之间的参考和对比诊断出该风机叶片是否存在故障。因此,针对上述问题提出一种基于深度学习的风机叶片故障诊断方法。
发明内容
在本实施例中提供了一种基于深度学习的风机叶片故障诊断方法用于解决现有技术中的问题。
根据本申请的一个方面,提供了一种基于深度学习的风机叶片故障诊断方法,故障诊断方法包括以下步骤:
一、数据预处理,需要对采集的声音信号数据进行预处理,首先对数据进行分帧,以5s为风机叶片的旋转周期,进行1s的重复取帧,并对取帧之后的数据进行去躁处理,然后进行频谱计算,获得FBank特征,转换为相应频带的对数功率谱,并对频谱图进行封装,规范模型的输入。
二、特征提取,以预处理封装之后的频谱图为输入,引入卷积神经网络模型进行特征提取,经过一系列卷积和池化操作,捕获图片的边缘信息和纹理信息,并通过Dropout层防止过拟合,若叶片故障,则与正常叶片表现出差异性。
三、相似度计算,对经过特征提取的图片特征进行相似度计算,分别使用结构相似性、余弦距离、欧式距离三种方式进行分析比较,获取不同维度的相似度结果并进行综合分析,取结果较好的方式为最终相似度分析方案。
优选的,所述数据预处理:对风机叶片的声音信号进行故障诊断,需要进行数据预处理步骤,FBank特征保留了更多的原始信息,抑制了部分无法感知的冗余信息。
优选的,风机叶片旋转的声音信号采用分帧的方式对信号进行截取,结合风机叶片旋转规律进行信号分帧,为保证声音特征参数的平滑性,一般采用重叠取帧的方式,相邻帧之间存在重叠部分。
优选的,计算功率谱:将每个滤波频带里边的频谱进行叠加,得到最终的功率谱。
优选的,对功率谱用梅尔滤波器组进行滤波:计算每个滤波器里的能量,梅尔滤波器的长度与功率谱相等,每个滤波器只有对于需要采集的频率范围是非零,其余都是0,对每个滤波器的能量取log对梅尔滤波之后的数据取对数,得到频带相同的对数功率谱,经过频谱计算,也需要将数据进行封装处理,使用数据生成器对数据进行批次处理。
优选的,特征提取:频谱分析之后得到叶片声音信号的频谱图,选用卷积神经网络模型进行特征提取,提取频谱图中的纹理和边界特征,然后进行相似度计算,卷积神经网络模型结构有卷积层、池化层和Dropout层。
优选的,卷积层是定义多个卷积核,配置参数,进行滤波,从而实现稀疏交互和参数共享,获取图片的纹理和边界特征。
优选的,池化层是针对非重叠区域,这里使用均值池化,能够抑制由于领域大小受限造成的估计值方差增大的现象,也使图片具有平移不变性和旋转不变性。
优选的,Dropout层是在深度网络中以一定的概率随机地“丢弃”一部分神经元节点,进而减小神经网络规模,同时可以抑制过拟合,添加在卷积神经网络模型之后,增强泛化能力。
优选的,所述相似度计算是对经过特征提取的图片特征进行相似度计算,分别使用结构相似性、余弦距离、欧式距离三种方式进行分析比较,计算方式如下:
结构相似性是衡量两张图片的相似度指标,取值范围在[-1,1],越接近于1,说明图片越相似。给定两张图片x和y,两张图片的结构相似性计算公式为:
余弦距离是用向量空间中两个向量夹角的余弦值来衡量两张图片的差异,余弦值越接近1,就表明夹角越接近0度,也叫“余弦相似性”,给定两张图片x和y,公式为:
欧氏距离是计算n维空间中两个点之间的直线距离,衡量两张图片在数值上的差异。计算公式为:
用以上三种方式从不同维度分析频谱图像的相似度,找出与其他相似度较低的图片进行故障分析,即故障叶片的频谱与正常叶片的频谱较大差异,进而对风机叶片的健康状态进行监测。
通过本申请上述实施例,采集风机的声音信号并进行实时监测,存在故障可立即报警,实时性高,对声音信号进行频谱分析,得到基于短时平稳的特征参数值,保留更多的原始声音特征,同时,减少了时域带来的冗余度,通过深度学习模型进行训练,自动化提取图片特征,采用多种相似度计算比对的方式,从不同维度分析频谱图像的相似度,提高了运维效率,降低了运维成本,为公司带来经济效益。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请故障诊断方法的流程图。
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方案,下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分的实施例,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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本实施例中的风机叶片故障诊断方法可以适用于风机叶片故障诊断,例如,在本实施例提供了如下一种基于模态分解算法的风机叶片故障分析方法。
该种基于模态分解算法的风机叶片故障分析方法,包括:将实体风机叶片等分为N+1个叶片截面,得到每一个叶片截面的M个轮廓点的空间坐标矩阵;构建风机叶片数字孪生模型,计算每一个模拟叶片截面的M个轮廓点的空间坐标;通过有限元分析软件计算模拟得到处于工作状态下的风机叶片的每一个叶片截面的M个轮廓点的模拟空间坐标矩阵;通过光纤测量得到处于工作状态下的实体风机叶片的每一个叶片截面的M个轮廓点的实时空间坐标矩阵,将所述实时空间坐标矩阵与模拟空间坐标矩阵进行差值得到残差矩阵,若残差矩阵大于一阈值,则判定所述实体风机叶片为故障状态,对风机叶片的工作状态进行完整全面的故障检测。
在此不再一一赘述,下面对本申请实施例的风机叶片故障诊断方法进行介绍。
请参阅图1所示,一种基于深度学习的风机叶片故障诊断方法,故障诊断方法包括以下步骤:
一、数据预处理,需要对采集的声音信号数据进行预处理,首先对数据进行分帧,以5s为风机叶片的旋转周期,进行1s的重复取帧,并对取帧之后的数据进行去躁处理,然后进行频谱计算,获得FBank特征,转换为相应频带的对数功率谱,并对频谱图进行封装,规范模型的输入。
二、特征提取,以预处理封装之后的频谱图为输入,引入卷积神经网络模型进行特征提取,经过一系列卷积和池化操作,捕获图片的边缘信息和纹理信息,并通过Dropout层防止过拟合,若叶片故障,则与正常叶片表现出差异性。
三、相似度计算,对经过特征提取的图片特征进行相似度计算,分别使用结构相似性、余弦距离、欧式距离三种方式进行分析比较,获取不同维度的相似度结果并进行综合分析,取结果较好的方式为最终相似度分析方案。
进一步地,所述数据预处理:对风机叶片的声音信号进行故障诊断,需要进行数据预处理步骤,FBank特征保留了更多的原始信息,抑制了部分无法感知的冗余信息。
进一步地,风机叶片旋转的声音信号采用分帧的方式对信号进行截取,结合风机叶片旋转规律进行信号分帧,为保证声音特征参数的平滑性,一般采用重叠取帧的方式,相邻帧之间存在重叠部分。
进一步地,计算功率谱:将每个滤波频带里边的频谱进行叠加,得到最终的功率谱。
进一步地,对功率谱用梅尔滤波器组进行滤波:计算每个滤波器里的能量,梅尔滤波器的长度与功率谱相等,每个滤波器只有对于需要采集的频率范围是非零,其余都是0,对每个滤波器的能量取log对梅尔滤波之后的数据取对数,得到频带相同的对数功率谱,经过频谱计算,也需要将数据进行封装处理,使用数据生成器对数据进行批次处理。
进一步地,特征提取:频谱分析之后得到叶片声音信号的频谱图,选用卷积神经网络模型进行特征提取,提取频谱图中的纹理和边界特征,然后进行相似度计算,卷积神经网络模型结构有卷积层、池化层和Dropout层。
进一步地,卷积层是定义多个卷积核,配置参数,进行滤波,从而实现稀疏交互和参数共享,获取图片的纹理和边界特征。
进一步地,池化层是针对非重叠区域,这里使用均值池化,能够抑制由于领域大小受限造成的估计值方差增大的现象,也使图片具有平移不变性和旋转不变性。
进一步地,Dropout层是在深度网络中以一定的概率随机地“丢弃”一部分神经元节点,进而减小神经网络规模,同时可以抑制过拟合,添加在卷积神经网络模型之后,增强泛化能力。
进一步地,所述相似度计算是对经过特征提取的图片特征进行相似度计算,分别使用结构相似性、余弦距离、欧式距离三种方式进行分析比较,计算方式如下:
结构相似性是衡量两张图片的相似度指标,取值范围在[-1,1],越接近于1,说明图片越相似。给定两张图片x和y,两张图片的结构相似性计算公式为:
余弦距离是用向量空间中两个向量夹角的余弦值来衡量两张图片的差异,余弦值越接近1,就表明夹角越接近0度,也叫“余弦相似性”,给定两张图片x和y,公式为:
欧氏距离是计算n维空间中两个点之间的直线距离,衡量两张图片在数值上的差异。计算公式为:
用以上三种方式从不同维度分析频谱图像的相似度,找出与其他相似度较低的图片进行故障分析,即故障叶片的频谱与正常叶片的频谱较大差异,进而对风机叶片的健康状态进行监测。
本申请的有益之处在于:采集风机的声音信号并进行实时监测,存在故障可立即报警,实时性高,对声音信号进行频谱分析,得到基于短时平稳的特征参数值,保留更多的原始声音特征,同时,减少了时域带来的冗余度,通过深度学习模型进行训练,自动化提取图片特征,采用多种相似度计算比对的方式,从不同维度分析频谱图像的相似度,提高了运维效率,降低了运维成本,为公司带来经济效益。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于深度学习的风机叶片故障诊断方法,其特征在于:故障诊断方法包括以下步骤:
一、数据预处理,需要对采集的声音信号数据进行预处理,首先对数据进行分帧,以5s为风机叶片的旋转周期,进行1s的重复取帧,并对取帧之后的数据进行去躁处理,然后进行频谱计算,获得FBank特征,转换为相应频带的对数功率谱,并对频谱图进行封装,规范模型的输入。
二、特征提取,以预处理封装之后的频谱图为输入,引入卷积神经网络模型进行特征提取,经过一系列卷积和池化操作,捕获图片的边缘信息和纹理信息,并通过Dropout层防止过拟合,若叶片故障,则与正常叶片表现出差异性。
三、相似度计算,对经过特征提取的图片特征进行相似度计算,分别使用结构相似性、余弦距离、欧式距离三种方式进行分析比较,获取不同维度的相似度结果并进行综合分析,取结果较好的方式为最终相似度分析方案。
2.根据权利要求1所述的一种基于深度学习的风机叶片故障诊断方法,其特征在于:所述数据预处理:对风机叶片的声音信号进行故障诊断,需要进行数据预处理步骤,FBank特征保留了更多的原始信息,抑制了部分无法感知的冗余信息。
3.根据权利要求2所述的一种基于深度学习的风机叶片故障诊断方法,其特征在于:风机叶片旋转的声音信号采用分帧的方式对信号进行截取,结合风机叶片旋转规律进行信号分帧,为保证声音特征参数的平滑性,一般采用重叠取帧的方式,相邻帧之间存在重叠部分。
4.根据权利要求1所述的一种基于深度学习的风机叶片故障诊断方法,其特征在于:计算功率谱:将每个滤波频带里边的频谱进行叠加,得到最终的功率谱。
5.根据权利要求4所述的一种基于深度学习的风机叶片故障诊断方法,其特征在于:对功率谱用梅尔滤波器组进行滤波:计算每个滤波器里的能量,梅尔滤波器的长度与功率谱相等,每个滤波器只有对于需要采集的频率范围是非零,其余都是0,对每个滤波器的能量取log对梅尔滤波之后的数据取对数,得到频带相同的对数功率谱,经过频谱计算,也需要将数据进行封装处理,使用数据生成器对数据进行批次处理。
6.根据权利要求1所述的一种基于深度学习的风机叶片故障诊断方法,其特征在于:特征提取:频谱分析之后得到叶片声音信号的频谱图,选用卷积神经网络模型进行特征提取,提取频谱图中的纹理和边界特征,然后进行相似度计算,卷积神经网络模型结构有卷积层、池化层和Dropout层。
7.根据权利要求6所述的一种基于深度学习的风机叶片故障诊断方法,其特征在于:卷积层是定义多个卷积核,配置参数,进行滤波,从而实现稀疏交互和参数共享,获取图片的纹理和边界特征。
8.根据权利要求6所述的一种基于深度学习的风机叶片故障诊断方法,其特征在于:池化层是针对非重叠区域,这里使用均值池化,能够抑制由于领域大小受限造成的估计值方差增大的现象,也使图片具有平移不变性和旋转不变性。
9.根据权利要求1所述的一种基于深度学习的风机叶片故障诊断方法,其特征在于:Dropout层是在深度网络中以一定的概率随机地“丢弃”一部分神经元节点,进而减小神经网络规模,同时可以抑制过拟合,添加在卷积神经网络模型之后,增强泛化能力。
10.根据权利要求1所述的一种基于深度学习的风机叶片故障诊断方法,其特征在于:所述相似度计算是对经过特征提取的图片特征进行相似度计算,分别使用结构相似性、余弦距离、欧式距离三种方式进行分析比较,计算方式如下:
结构相似性是衡量两张图片的相似度指标,取值范围在[-1,1],越接近于1,说明图片越相似。给定两张图片x和y,两张图片的结构相似性计算公式为:
余弦距离是用向量空间中两个向量夹角的余弦值来衡量两张图片的差异,余弦值越接近1,就表明夹角越接近0度,也叫“余弦相似性”,给定两张图片x和y,公式为:
欧氏距离是计算n维空间中两个点之间的直线距离,衡量两张图片在数值上的差异。计算公式为:
用以上三种方式从不同维度分析频谱图像的相似度,找出与其他相似度较低的图片进行故障分析,即故障叶片的频谱与正常叶片的频谱较大差异,进而对风机叶片的健康状态进行监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405652.XA CN114120974A (zh) | 2021-11-24 | 2021-11-24 | 一种基于深度学习的风机叶片故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405652.XA CN114120974A (zh) | 2021-11-24 | 2021-11-24 | 一种基于深度学习的风机叶片故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114120974A true CN114120974A (zh) | 2022-03-01 |
Family
ID=80372226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111405652.XA Pending CN114120974A (zh) | 2021-11-24 | 2021-11-24 | 一种基于深度学习的风机叶片故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120974A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762558A (zh) * | 2022-11-18 | 2023-03-07 | 沃克斯迅达电梯有限公司 | 自动扶梯生产用性能检测系统及其方法 |
CN115951002A (zh) * | 2023-03-10 | 2023-04-11 | 山东省计量科学研究院 | 一种气质联用仪故障检测装置 |
CN116230015A (zh) * | 2023-03-14 | 2023-06-06 | 哈尔滨工程大学 | 一种基于音频时序信息加权的频域特征表示异音检测方法 |
-
2021
- 2021-11-24 CN CN202111405652.XA patent/CN114120974A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762558A (zh) * | 2022-11-18 | 2023-03-07 | 沃克斯迅达电梯有限公司 | 自动扶梯生产用性能检测系统及其方法 |
CN115951002A (zh) * | 2023-03-10 | 2023-04-11 | 山东省计量科学研究院 | 一种气质联用仪故障检测装置 |
CN116230015A (zh) * | 2023-03-14 | 2023-06-06 | 哈尔滨工程大学 | 一种基于音频时序信息加权的频域特征表示异音检测方法 |
CN116230015B (zh) * | 2023-03-14 | 2023-08-08 | 哈尔滨工程大学 | 一种基于音频时序信息加权的频域特征表示异音检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114120974A (zh) | 一种基于深度学习的风机叶片故障诊断方法 | |
Zhang et al. | Intelligent acoustic-based fault diagnosis of roller bearings using a deep graph convolutional network | |
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN110718235B (zh) | 异常声音检测的方法、电子设备及存储介质 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN110398647B (zh) | 变压器状态监测方法 | |
CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
CN114155879B (zh) | 一种利用时频融合补偿异常感知及稳定性的异音检测方法 | |
CN109886937B (zh) | 基于超像素分割图像识别的绝缘子缺陷检测方法 | |
CN112526606A (zh) | 一种基于异构多分类模型的震源类型预测方法和系统 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
CN106846170B (zh) | 一种发电机组跳闸监测方法及其监测装置 | |
CN115526847A (zh) | 一种基于半监督学习的主板表面缺陷检测方法 | |
CN114707577A (zh) | 一种基于自对抗变分自编码器的异常检测方法及系统 | |
CN113792597A (zh) | 一种基于自监督特征提取的机械设备异常声音检测方法 | |
CN112151067B (zh) | 一种基于卷积神经网络的数字音频篡改被动检测方法 | |
CN111428772A (zh) | 基于k-近邻自适应投票的光伏系统深度异常检测方法 | |
CN116155581A (zh) | 一种基于图神经网络的网络入侵检测方法与装置 | |
CN116318925A (zh) | 一种多cnn融合入侵检测方法、系统、介质、设备及终端 | |
Rashedul Islam et al. | Maximum class separability-based discriminant feature selection using a GA for reliable fault diagnosis of induction motors | |
CN115564709A (zh) | 一种对抗场景下电力算法模型鲁棒性的评估方法和系统 | |
CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
CN115278752A (zh) | 一种5g通信系统异常日志ai检测方法 | |
CN114462617A (zh) | 一种基于蒸馏机制的数据异常检测方法 | |
CN111677674A (zh) | 一种故障检测方法及装置 |
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 |