CN114528869A - 一种风机叶片损伤识别方法 - Google Patents

一种风机叶片损伤识别方法 Download PDF

Info

Publication number
CN114528869A
CN114528869A CN202210007502.1A CN202210007502A CN114528869A CN 114528869 A CN114528869 A CN 114528869A CN 202210007502 A CN202210007502 A CN 202210007502A CN 114528869 A CN114528869 A CN 114528869A
Authority
CN
China
Prior art keywords
sample data
network model
signal
dimensional
dimensional sample
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
CN202210007502.1A
Other languages
English (en)
Inventor
沈君贤
许飞云
胡建中
贾民平
黄鹏
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 CN202210007502.1A priority Critical patent/CN114528869A/zh
Publication of CN114528869A publication Critical patent/CN114528869A/zh
Pending legal-status Critical Current

Links

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • 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
    • 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
    • G01N29/4445—Classification of defects
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Biochemistry (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Acoustics & Sound (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种风机叶片损伤识别方法，包括：采集风机运行过程中的振动信号和声压信号，将振动及声压信号处理成一维样本数据和二维样本数据；建立训练网络模型：采用堆栈去噪自编码器对一维样本数据进行特征提取，采用卷积去噪自编码器对二维样本数据进行特征提取；通过第一层全连接网络将分别将一维样本、二维样本的特征进行融合，得多维融合特征，通过第二层全连接网络将声压信号、振动信号对应的多维融合特征进行二次融合，获得融合特征矩阵，并通过分类器进行分类，获得分类模型；将待检测叶片裂纹的风机的振动信号输入到训练好的网络模型中，根据输出结果判断叶片的裂纹状态。本发明在叶片的损伤识别精度以及模型鲁棒性方面具有优势。

Description

一种风机叶片损伤识别方法
技术领域
本发明涉及风机故障诊断技术领域，尤其是一种风机叶片损伤识别方法。
背景技术
在机械领域，航空发动机、风力发电装置、工业生产设备等大型装备正在朝着高速、高精、高效方向发展，建立可靠的健康监测系统是保证这些装备安全运行的必需举措。传统的机械健康监测系统采用简单的时域、频域的指标来描述设备的运行状态。这些特定指标的选取往往来自于专业技术人员以及专家经验，只对特定设备及其故障有着良好的诊断效果，不具有普遍适用性。在复杂的工业测试现场，故障信息复杂多变，往往夹杂着背景噪声和多传感器测量噪声，也可能包含内外激励以及多个故障的耦合，这使得基于这些特征指标的诊断方法存在稳定性差，诊断精度不高的问题。
目前基于深度学习的信号特征融合方法可以为故障特征与故障类别不匹配的问题提供解决方法。目前的深度学习网络和特征融合方法可以自适应的从原始数据或图像中挖掘有价值的叶片损伤信息，摆脱了对专家经验的依赖以及特征普遍适用性差的问题。然而依然存在特征维度单一，传感器获取信号单一的问题。
因此研究如何降低风机叶片运行信号特征冗余，对有效提高叶片损伤诊断能力和鲁棒性具有非常重要的意义。
发明内容
针对现有技术的不足，本发明提供一种风机叶片损伤识别方法，目的是通过提高获取信号的多元性、增加特征维度以提高检测精度。
本发明采用的技术方案如下：
一种风机叶片损伤识别方法，包括以下步骤：
S1、采集风机运行过程中的振动信号和声压信号，将振动及声压信号处理成一维样本数据和二维样本数据；
S2、建立训练网络模型：
采用堆栈去噪自编码器对所述一维样本数据进行特征提取，采用卷积去噪自编码器对所述二维样本数据进行特征提取；
通过第一层全连接网络将分别将一维样本、二维样本的特征进行融合，得多维融合特征，通过第二层全连接网络将声压信号、振动信号对应的所述多维融合特征进行二次融合，获得融合特征矩阵，并通过分类器进行分类，获得分类模型；
S3、将待检测叶片裂纹的风机的振动信号输入到训练好的网络模型中，根据输出结果判断叶片的裂纹状态。
进一步技术方案为：
步骤S2中，所述卷积去噪自编码器以重构信号与原信号的差值最小为目标函数，对网络的权重进行优化迭代，所述卷积去噪自编码器包含两个卷积层和两个反卷积层，所述反卷积层的梯度传递如下：
Figure BDA0003455723680000021
式中，L为目标函数，K为反卷积核，y为反卷积层输出；
其中，
Figure BDA0003455723680000022
x为反卷积层输入，t反卷积层输入信号长度，m为反卷积时的叠加步长。
所述堆栈去噪自编码器包含至少三个去噪自编码器。
步骤S2建立训练网络模型，还包括：将不同工况下的样本数据输入网络模型进行训练，筛选出由某一工况样本数据训练获得的网络模型参数作为最优网络模型参数，对其余工况样本数据训练出的网络模型进行迁移学习，以优化网络模型的参数。
步骤S3包括，将待检测叶片裂纹的风机的振动信号输入到训练好的网络模型中，提取信号的融合特征矩阵以及分类模型，对提取结果进行可视化显示输出，根据输出结果判断风机叶片的裂纹状态。
本发明的有益效果如下：
本发明充分利用了振动和声压信号易于采集且包含故障特征信息的特点，不需要通过人工现场检测判断风机叶片状态，可以实现在风机运行过程中的在线状态监测，从根本上减少了叶片故障发生的概率，并且考虑了多维信息和声振信号的融合，方法在叶片的损伤识别精度以及模型鲁棒性方面具有显著优势，具备以下显著的进步：
本发明通过堆栈去噪自编码器和卷积去噪自编码器可较好的从原始信号的频域以及时频域进行无监督特征提取，并且提取得到的特征样本具有良好的可分性。
建立训练网络模型过程中，通过迁移学习，将高分类精度的工况迁移网络权重参数至弱分类工况的网络模型，可从侧面起到样本扩充并达到提高模型训练精度的效果。
附图说明
图1为本发明实施例的训练网络模型的结构示意图。
图2为本发明实施例的样本数据。
图3为本发明实施例的特征提取的中间过程可视化结构示意图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
本实施例的一种风机叶片损伤识别方法，包括以下步骤：
S1、采集风机运行过程中的振动信号和声压信号，将振动及声压信号处理成一维样本数据和二维样本数据，一维和二维的样本数据分别如图2中(a)、(b)所示，分别为信号的频域和小波时频域数据。
S2、建立训练网络模型：
采用堆栈去噪自编码器(SDAE)对所述一维样本数据进行特征提取，采用卷积去噪自编码器(CDAE)对所述二维样本数据进行特征提取；
通过第一层全连接网络将分别将一维样本、二维样本的特征进行融合，得多维融合特征，通过第二层全连接网络将声压信号、振动信号对应的所述多维融合特征进行二次融合，获得融合特征矩阵，并通过分类器进行分类，获得分类模型；
常见的自编码器都是由全连接网络进行构建，而全连接网络对于一维的信号的特征捕捉更为敏感，对于二维的图像信息的特征提取效果远不如卷积神经网络。本申请采用卷积去噪自编码器，通过对卷积池化后的信号进行反卷积操作，以池化后的特征为权值，对反卷积核进行加权叠加，完成对原始信号的重构。
卷积去噪自编码器(CDAE)的求解以重构信号与原信号的差值最小为目标函数，对网络的权重进行优化迭代，本实施例的卷积去噪自编码器包含两个卷积层和两个反卷积层，反卷积层的梯度传递如下：
Figure BDA0003455723680000031
式中，L为目标函数，K为反卷积核，y为反卷积层输出；
其中，
Figure BDA0003455723680000032
x为反卷积层输入，t输入信号长度，m为反卷积时的叠加步长。
训练网络模型的结构图如图1所示。其中，卷积去噪自编码器包含的两个卷积层的卷积核数量及尺寸分别为6×5×5，12×5×5，反卷积层与卷积层相似。迭代次数为1000，最后输出的特征样本为5000×5×5。
本实施例的堆栈去噪自编码器包含至少三个去噪自编码器。将三个去噪自编码器堆叠便得到堆栈去噪自编码器，在训练模型时，上一个去噪自编码器的输出作为下一个去噪自编码器的输入，直到所有的去噪自编码器训练结束，得到一个堆叠而成的深层网络。经堆叠而成的堆栈去噪自编码器网络在高维度、非线性输入数据特征的提取上具有很强的鲁棒性。
去噪自编码器(denoising auto encoder，DAE)通过加噪使得输入层的数据受损，并对“损坏”的原始数据编码、解码，然后还能恢复真正的原始数据。加噪过程是按照一定的概率将输入层的某些节点赋零，然后将作为自编码器的输入进行训练。从输入层到隐含层的编码公式为：
Figure BDA0003455723680000033
式中：fe()为输入层到隐含层的编码函数；Wxh为编码函数的权重值；σ()为Sigmoid激活函数；bxh为其偏移值，
Figure BDA0003455723680000034
为训练样本。
从隐含层到输出层的解码公式为：
r＝fd(h)＝σ(Whrh+bhr)
式中，fd()为隐藏层到输出层的解码函数；Whr为解码函数的权重值；bhr为其偏移值。
DAE的损失函数为：
Figure BDA0003455723680000035
式中，xi为第i训练样本，ri为第i个训练样本经DAE的重构表示。
具体的，三个去噪自编码器的网络结构(输入、输出神经元数量)分别为2560-200、200-100、100-50，学习率随着网络层数的深入由大变小分别为1、0.5、0.3，迭代次数为200，最后输出5000×50的特征样本集。
在复杂的工业环境中，样本数据易于受到干扰，未处理的声音和振动信号中含有大量的噪声，初始故障的信号特征较弱。因此本申请通过DAE处理去除了信号中的大部分噪声，并从隐藏层数据中提取鲁棒特征。
本实施例的去噪卷积自编码器结合了卷积神经网络的图像信息捕捉性能，同时又兼顾去噪自编码器的无监督能力。
本实施例的第一全连接层、第二全连接层和分类器构成三个全连接层，网络结构为300-50-5，激活函数为“sigm”，学习率为0.1，微调次数100。
训练网络模型过程还包括，将不同工况下的样本数据输入网络模型进行训练，筛选出由某一工况样本数据训练获得的网络模型参数作为最优网络模型参数，对其余工况样本数据训练出的网络模型进行迁移学习，以优化网络模型的参数。
S3、将待检测叶片裂纹的风机的振动信号输入到训练好的网络模型中，提取信号的融合特征矩阵以及分类模型，对提取结果进行可视化显示输出，根据输出结果判断风机叶片的裂纹状态。
具体的，采用t-SNE算法进行可视化输出，如图3所示，为特征提取的中间过程可视化结构示意图。图3中，(a)、(b)、(c)、(d)分别为一维样本数据、采用堆栈去噪自编码器对一维样本数据进行特征提取后的结果、二维样本数据、采用卷积去噪自编码器对二维样本数据进行特征提取后的结果示意图。
本申请充分利用了多传感器、多维度的信息，相比于单维度特征和单模态传感器的诊断方法，具有更高精度的叶片损伤诊断能力和鲁棒性。

Claims (5)

1.一种风机叶片损伤识别方法，其特征在于，包括以下步骤：
S1、采集风机运行过程中的振动信号和声压信号，将振动及声压信号处理成一维样本数据和二维样本数据；
S2、建立训练网络模型：
采用堆栈去噪自编码器对所述一维样本数据进行特征提取，采用卷积去噪自编码器对所述二维样本数据进行特征提取；
通过第一层全连接网络将分别将一维样本、二维样本的特征进行融合，得多维融合特征，通过第二层全连接网络将声压信号、振动信号对应的所述多维融合特征进行二次融合，获得融合特征矩阵，并通过分类器进行分类，获得分类模型；
S3、将待检测叶片裂纹的风机的振动信号输入到训练好的网络模型中，根据输出结果判断叶片的裂纹状态。
2.根据权利要求1所述的风机叶片损伤识别方法，其特征在于，步骤S2中，所述卷积去噪自编码器以重构信号与原信号的差值最小为目标函数，对网络的权重进行优化迭代，所述卷积去噪自编码器包含两个卷积层和两个反卷积层，所述反卷积层的梯度传递如下：
Figure FDA0003455723670000011
式中，L为目标函数，K为反卷积核，y为反卷积层输出；
其中，
Figure FDA0003455723670000012
x为反卷积层输入，t反卷积层输入信号长度，m为反卷积时的叠加步长。
3.根据权利要求1所述的风机叶片损伤识别方法，其特征在于，所述堆栈去噪自编码器包含至少三个去噪自编码器。
4.根据权利要求1所述的风机叶片损伤识别方法，其特征在于，步骤S2建立训练网络模型，还包括：将不同工况下的样本数据输入网络模型进行训练，筛选出由某一工况样本数据训练获得的网络模型参数作为最优网络模型参数，对其余工况样本数据训练出的网络模型进行迁移学习，以优化网络模型的参数。
5.根据权利要求1所述的风机叶片损伤识别方法，其特征在于，步骤S3包括，将待检测叶片裂纹的风机的振动信号输入到训练好的网络模型中，提取信号的融合特征矩阵以及分类模型，对提取结果进行可视化显示输出，根据输出结果判断风机叶片的裂纹状态。
CN202210007502.1A 2022-01-05 2022-01-05 一种风机叶片损伤识别方法 Pending CN114528869A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210007502.1A CN114528869A (zh) 2022-01-05 2022-01-05 一种风机叶片损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210007502.1A CN114528869A (zh) 2022-01-05 2022-01-05 一种风机叶片损伤识别方法

Publications (1)

Publication Number Publication Date
CN114528869A true CN114528869A (zh) 2022-05-24

Family

ID=81621260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210007502.1A Pending CN114528869A (zh) 2022-01-05 2022-01-05 一种风机叶片损伤识别方法

Country Status (1)

Country Link
CN (1) CN114528869A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116243683A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于转矩和多头自编码器的推进系统故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116243683A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于转矩和多头自编码器的推进系统故障诊断方法
CN116243683B (zh) * 2023-03-15 2024-02-13 青岛澎湃海洋探索技术有限公司 基于转矩和多头自编码器的推进系统故障诊断方法

Similar Documents

Publication Publication Date Title
CN108830127B (zh) 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN109858352B (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN116358871B (zh) 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法
CN113076920B (zh) 一种基于非对称域对抗自适应模型的智能故障诊断方法
CN114062511B (zh) 一种基于单传感器的航空发动机早期损伤声发射智能识别方法
CN113158722A (zh) 基于多尺度深度神经网络的旋转机械故障诊断方法
CN115824519A (zh) 基于多传感器信息融合的阀门泄露故障综合诊断方法
CN113191429A (zh) 一种电力变压器套管故障诊断方法及装置
CN113391207A (zh) 一种电机故障的检测方法、介质及系统
CN113537152A (zh) 一种基于深度神经网络的流场状态故障检测方法
CN112926728A (zh) 一种永磁同步电机小样本匝间短路故障诊断方法
CN113449618A (zh) 一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法
CN114548153B (zh) 基于残差-胶囊网络的行星齿轮箱故障诊断方法
CN113506239A (zh) 一种基于跨阶段局部网络的带钢表面缺陷检测方法
CN114722886A (zh) 基于知识蒸馏的曲轴内部缺陷检测方法及检测设备
CN115791174A (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN114528869A (zh) 一种风机叶片损伤识别方法
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
Dong et al. Transfer learning rolling bearing fault diagnosis model based on deep feature decomposition and class-level alignment
Li et al. Knowledge features enhanced intelligent fault detection with progressive adaptive sparse attention learning for high-power diesel engine
Cui et al. Multi-layer adaptive convolutional neural network unsupervised domain adaptive bearing fault diagnosis method
CN115356599B (zh) 一种多模态城市电网故障诊断方法及系统
CN116993322A (zh) 一种基于卷积网络的故障诊断方法及系统
CN112149804A (zh) 一种新型卷积神经网络模型及应用
CN114415018A (zh) 用于电机故障预警的自学习式光栅干涉频谱分析技术

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