CN114548190A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114548190A
CN114548190A CN202210449533.2A CN202210449533A CN114548190A CN 114548190 A CN114548190 A CN 114548190A CN 202210449533 A CN202210449533 A CN 202210449533A CN 114548190 A CN114548190 A CN 114548190A
Authority
CN
China
Prior art keywords
adaptive
data set
neural network
resize
wind turbine
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
Application number
CN202210449533.2A
Other languages
English (en)
Other versions
CN114548190B (zh
Inventor
赵延南
胡俊
冯泳
张伟
庄可佳
余建峰
邹立
支峰
张蔚
张涛
付豫民
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.)
Xi'an Yinuo Jingye Electronic Technology Co ltd
Original Assignee
Xi'an Yinuo Jingye Electronic Technology 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 Xi'an Yinuo Jingye Electronic Technology Co ltd filed Critical Xi'an Yinuo Jingye Electronic Technology Co ltd
Priority to CN202210449533.2A priority Critical patent/CN114548190B/zh
Publication of CN114548190A publication Critical patent/CN114548190A/zh
Application granted granted Critical
Publication of CN114548190B publication Critical patent/CN114548190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06F2218/02—Preprocessing
    • 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了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，涉及风电机组设备故障诊断技术领域。其包括：采用连续小波变换，对原始数据集中每个样本进行时频处理；将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征；将低维抽象特征输入至基于LeNet‑5网络结构搭建的残差网络中，获得联合训练后的自适应resize残差神经网络模型；将风力涡轮机轴承的实际振动数据输入至自适应resize残差神经网络模型中，获得故障分类结果。本发明通过将振动信号转换为时频图，充分发挥了卷积神经网络强大的图像特征学习能力，通过建立自适应resize网络模块，有效降低数据维度，大大提升了模型的训练效率。

Description

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
技术领域
本发明涉及数据处理、数据识别、智能算法以及风电机组设备故障诊断技术领域，特别涉及一种基于自适应resize残差神经网络的风力涡轮机故障诊断方法。
背景技术
随着对环境保护意识的提高，人们开发了一些可持续和实现碳中和的可再生能源，这些能源正在逐步替代石油、煤炭等一些传统的化石原料。由于风力发电效率较低，因此对于提高风能利用率一直是一个热门的研究课题。除了研究风力涡轮机的选择，合理设计风力涡轮机的结构也很有用。同时，风力涡轮机经常处于动态和恶劣的天气条件下，经历多变和恶劣的工作环境，这使得他们比其他普通的机械更容易发生故障。如果风力涡轮机的一个部件在工人不知情的情况下发生损坏，很可能对其它部件造成损坏，甚至导致风机停机，造成巨大的经济损失。因此，及时发现风电机组的故障对降低风电场的维护成本，提高风电场的运行效率具有重要的意义。
目前，对于风力发电机组的故障诊断已经进行了大量的研究。基于数据驱动技术的故障诊断方法已经取得了相当不错的表现。完整的基于数据驱动的故障诊断方法主要包括四个步骤：1）数据采集；2）数据预处理；3）特征提取；4）模式识别。首先采集风电设备信号，通常包括振动信号、温度信号和电信号等，其中对于振动信号的相关研究较为成熟。然后对数据进行预处理，研究表明信号的频域特征比时域特征包含更加丰富的故障信息，因此通过对信号进行时频分析可以取得不错的效果。随后通过机器学习对处理后的数据进行特征提取，深度学习是机器学习中的一种新技术，通过迭代训练可以自主学习信号中的抽象特征。最后，使用训练好的模型对输入数据进行故障分类。近年来，卷积神经网络在故障诊断中取得了巨大成功，但是，大量的研究均使用一维信号作为输入数据，其强大的图像特征学习能力并没有得到有效利用；也有将一维信号转换为二维图像作为网络的输入，但数据维度的增加又会降低模型的训练效率，影响最终的故障诊断效果。
发明内容
基于此，有必要针对上述为了充分利用卷积神经网络强大的图像特征学习能力，以及解决因连续小波变换生成的图像数据维数过高，导致训练效率低的技术问题，提供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。
本发明实施例提供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，包括：
获取风力涡轮机轴承在加速退化过程中的振动数据，将振动数据切分为相同长度样本，并将当前轴承健康状态作为样本标签，生成原始数据集；
采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集；
将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征；
将低维抽象特征输入至基于LeNet-5网络结构搭建的残差网络中，获得联合训练后的自适应resize残差神经网络模型；
将风力涡轮机轴承的实际振动数据输入至自适应resize残差神经网络模型中，获得故障分类结果。
进一步地，本发明实施例提供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，还包括：
使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集。
进一步地，其特征在于，所述原始数据集的确定，包括：
使用加速度传感器采集不同故障类型轴承的加速退化振动信号，每隔1024个采样点对信号进行切分，生成统一尺寸的样本数据；
从每种故障类型的数据样本中选取200个样本，且选择320个样本构成原始数据集；并对原始数据集中每种类型的数据按4：1切分为训练集和测试集；
其中，所述原始数据集D的表达式为：
Figure 71689DEST_PATH_IMAGE001
式中，n为样本总数，xi为第i个样本， R=1024为样本维度，yi∈[1,N]为第i个样本对应的标签，N为轴承健康类型总数。
进一步地，所述采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集，具体包括：
确定子小波函数，其定义公式为：
Figure 242907DEST_PATH_IMAGE002
（1）
式中，ψa,b(t)为小波基函数，a和b分别为伸缩因子和平移因子，当a和b有不同的值时，即生成不同尺度的子小波函数；
对于输入数据x(t)的平方可积特性，使用连续小波变换进行数据处理，该过程表述为：
Figure 870198DEST_PATH_IMAGE003
（2）
此时的a和b为连续变量，x(t)在不同尺度子小波函数作用下生成小波系数矩阵Wx(a,b)，以图像的方式显示即为时频图；
Figure 470550DEST_PATH_IMAGE004
为
Figure 398055DEST_PATH_IMAGE005
的导数。
进一步地，所述使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集
Figure 677857DEST_PATH_IMAGE006
，具体包括：
Figure 792444DEST_PATH_IMAGE007
（3）
式中，HA(D)为图像A的直方图分布，D为像素点的灰度值，
Figure 42160DEST_PATH_IMAGE008
为非线性函数；对于生成的RGB时频图，分别将每个通道的灰度值进行直方图均衡化，然后合成新的RGB图像；DA 为图像A的所有像素点灰度值集合；A0为图像A的像素点个数。
进一步地，所述自适应resize网络，包括：
卷积层：
Figure 948805DEST_PATH_IMAGE009
（4）
式中，Kw,h是卷积核，也称形状尺寸为
Figure 992984DEST_PATH_IMAGE010
的权重矩阵，卷积核与第i个输入数据
Figure 594867DEST_PATH_IMAGE011
进行卷积运算获得卷积层的输出结果；w，h为赋值索引；
Figure 382694DEST_PATH_IMAGE012
为卷积函数；
批次归一化层：
Figure 894578DEST_PATH_IMAGE013
（5）
式中，
Figure 109659DEST_PATH_IMAGE014
和
Figure 464417DEST_PATH_IMAGE015
为输入数据s的均值和方差，为无穷小数；和分别为尺度因子和平移因子；
Figure 790356DEST_PATH_IMAGE016
为批次归一化函数；
ReLu激活层：
Figure 173058DEST_PATH_IMAGE017
（6）
式中，z激活层的输入数据；
Figure 355777DEST_PATH_IMAGE018
为激活函数。
进一步地，所述自适应resize残差神经网络模型，包括：
Figure 869935DEST_PATH_IMAGE019
（7）
式中，
Figure 937248DEST_PATH_IMAGE020
和
Figure 486041DEST_PATH_IMAGE021
分别为自适应resize网络模块与残差网络模块，
Figure 105242DEST_PATH_IMAGE022
和
Figure 106696DEST_PATH_IMAGE023
分别为对应模块的参数；
对于分类任务，所述自适应resize残差神经网络模型使用soft-max函数实现对样本数据的故障预测，预测过程表述为：
Figure 226967DEST_PATH_IMAGE024
（8）
式中，
Figure 630267DEST_PATH_IMAGE025
为输出层参数，t为故障类别总数；
Figure 420368DEST_PATH_IMAGE026
表示soft-max分类层， P为条件概率函数；y为数据x的类别标签；
Figure 909118DEST_PATH_IMAGE027
为对应第j个样本参数。
进一步地，对所述自适应resize残差神经网络模型进行训练时，采用交叉熵作为损失函数
Figure 583813DEST_PATH_IMAGE028
，相应的公式为：
Figure 841619DEST_PATH_IMAGE029
（9）
式中，T为标签类别数，
Figure 802622DEST_PATH_IMAGE030
和
Figure 778668DEST_PATH_IMAGE031
分别为真实标签和预测标签。
本发明实施例还提供一种基于自适应残差神经网络的风力涡轮机故障诊断装置，包括：
数据集生成模块，用于获取风力涡轮机轴承在加速退化过程中的振动数据，将振动数据切分为相同长度样本，并将当前轴承健康状态作为样本标签，生成原始数据集；
时频处理模块，用于采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集；
直方图均衡化模块，用于使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集；
降维处理模块，用于将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征；
训练模型构建模块，用于将低维抽象特征输入至基于LeNet-5网络结构搭建的残差网络中，获得联合训练后的自适应resize残差神经网络模型；
故障分类模块，用于将风力涡轮机轴承的实际振动数据输入至自适应resize残差神经网络模型中，获得故障分类结果。
本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取风力涡轮机轴承在加速退化过程中的振动数据，将振动数据切分为相同长度样本，并将当前轴承健康状态作为样本标签，生成原始数据集；
采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集；
使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集；
将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征；
将低维抽象特征输入至基于LeNet-5网络结构搭建的残差网络中，获得联合训练后的自适应resize残差神经网络模型；
将风力涡轮机轴承的实际振动数据输入至自适应resize残差神经网络模型中，获得故障分类结果。
本发明实施例提供的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，与现有技术相比，其有益效果如下：
本发明公开了一种自适应resize残差神经网络故障诊断模型，用于风电机组中的旋转部件健康状态检测；通过将振动信号转换为时频图，充分发挥了卷积神经网络强大的图像特征学习能力，通过建立自适应resize网络模块，有效降低数据维度，大大提升了模型的训练效率。并且通过实验分析表明，本发明能够准确实现对风力涡轮机轴承的故障诊断。
附图说明
图1为一个实施例中提供的自适应resize网络模型；
图2为一个实施例中提供的基于LeNet-5结构的残差网络模型；
图3为一个实施例中提供的自适应resize残差神经网络结构图；
图4为一个实施例中提供的基于自适应残差神经网络的风力涡轮机故障诊断方法的整体流程框图；
图5为一个实施例中提供的不同健康类型的轴承振动信号时域和频域波形图；
图6为一个实施例中提供的经过CWT和HE处理后生成的时频图；
图7为一个实施例中提供的所提模型与对比方法在训练过程中的学习曲线；
图8为一个实施例中提供的模型实验结果的混淆矩阵；
图9为一个实施例中提供的不同方法五次实验结果。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
为了充分利用卷积神经网络强大的图像特征学习能力，以及解决因连续小波变换生成的图像数据维数过高，导致训练效率低的问题，本发明提出了一种自适应resize残差神经网络的风电涡轮机故障诊断方法。整体流程框图如图4所示。其具体流程步骤为：
1）采集轴承在加速退化过程中的振动数据，将数据切分为相同长度样本，并把当前轴承健康状态作为样本标签，生成原始数据集
Figure 473699DEST_PATH_IMAGE032
。其中n为样本总数，xi为第i个样本， R=1024为样本维度，yi∈[1,N]为第i个样本对应的标签，N为轴承健康类型总数。取数据集中每类故障80%的样本作为训练集，剩余20%的样本作为测试集。
2）使用连续小波变换（Continuous Wavelet Transform, CWT）对原始数据集D中每个样本进行时频处理，生成二维时频图数据集
Figure 648328DEST_PATH_IMAGE033
。其中
Figure 983494DEST_PATH_IMAGE034
分别为时频图的长和宽。
3）使用直方图均衡化（Histogram Equalization, HE）算法增强时频图数据集中的图像对比度，并生成新的数据集
Figure 118941DEST_PATH_IMAGE035
。
4）设定卷积层的卷积核数，卷积核尺寸以及尺寸收缩因子，构建自适应resize网络模型。该模型通过卷积层提取输入数据的抽象特征，通过双向线性插值算法降低输入数据维度，从而获得有利于神经网络模型的低维特征。
5）基于LeNet-5的网络结构搭建残差网络模块，再将自适应resize模块输出的低维特征输入到残差模块中实现故障分类。
6）将测试数据集进行步骤2）和步骤3）中的CWT和HE处理，并生成图像数据。然后分别经过步骤4）生成抽象的低维特征和步骤5）提取故障特征并实现故障分类。
上述步骤1）~6）的具体分析如下：
步骤1）具体为：
1.1 使用加速度传感器采集不同故障类型轴承的加速退化振动信号，每隔1024个采样点对信号进行切分，生成统一尺寸的样本数据。
1.2 每种故障类型的数据样本中选取200个样本作为实验数据。由于正常轴承数据非常丰富，选择320个样本作为实验数据。对数据集中每种类型的数据按4：1切分为训练集和测试集。
步骤2）具体为：
2.1 通过连续小波变换将时域振动信号转换为时频图像，首先需要确定子小波函数，其定义公式为：
Figure 197755DEST_PATH_IMAGE036
（1）
式中，ψa,b(t)为小波基函数，a和b分别为伸缩因子和平移因子，当a和b有不同的值时，即生成不同尺度的子小波函数。
2.2 对于平方可积信号x(t)，连续小波变换可以表述为：
Figure 226891DEST_PATH_IMAGE037
（2）
此时的a和b为连续变量，输入信号x(t)在不同尺度子小波函数作用下可生成小波系数矩阵Wx(a,b)，以图像的方式显示即为时频图，图像尺寸为328x436。
步骤3）具体为：
对步骤2）生成的时频图进行直方图均衡化处理，可以增强图像特征的对比度。直方图均衡化的具体原理为：
Figure 732959DEST_PATH_IMAGE038
（3）
式中HA(D)为图像A的直方图分布，D为像素点的灰度值，
Figure 604969DEST_PATH_IMAGE008
为非线性函数。对于生成的RGB时频图，分别将每个通道的灰度值进行直方图均衡化，然后合成新的RGB图像。结果表明直方图均衡化处理后的图像特征具有更强的对比度。
步骤4）具体为：
将直方图均衡化处理后的图像数据输入到自适应resize网络模块中进行降维处理。图1所示为提出的自适应resize网络有两个主要模块：（1）残差块，（2）直接映射部分。前者使用卷积运算特性对输入的原始分辨率图像进行处理。每个卷积层的输出特征与输入数据具有相同的尺寸。网络中的双线性插值层用于实现尺寸调整。此外，直接映射部分还可以通过自学习来降低输入图像的维数。直接映射部分可以提取输入数据的特征，并根据比例因子调整其大小。然后，将调整后的图像直接输入分类模型进行模式识别。
模型的各层实现原理为：
1）卷积层：
Figure 221895DEST_PATH_IMAGE039
（4）
式中，Kw,h是卷积核，也称形状为
Figure 371116DEST_PATH_IMAGE010
的权重矩阵。卷积核与第i个输入数据
Figure 48085DEST_PATH_IMAGE011
进行卷积运算获得卷积层的输出结果。
2）批次归一化层：
Figure 892545DEST_PATH_IMAGE013
（5）
式中，
Figure 375479DEST_PATH_IMAGE040
和
Figure 316890DEST_PATH_IMAGE041
为输入数据s的均值和方差，ε为无穷小数；γ和β分别为尺度因子和平移因子。在模型的训练过程中，经常使用最小批次的方式提高模型的拟合效果，但因此也会造成训练速度减慢。通过批次归一化可以有效解决上述问题。
3）ReLu激活层：
Figure 853176DEST_PATH_IMAGE017
（6）
激活层通过使用非线性函数可以提高输出特征的表达效果。
步骤5）具体为：
由于深度神经网络容易出现退化现象，于是提出了基于经典的LeNet-5模型结构的残差网络用于故障分类。步骤4）中的自适应resize网络模块与该残差模块结合为所提的自适应resize残差神经网络，提出的残差模块是基于经典的LeNet-5模型结构的改进而来，主要解决深度神经网络容易出现的退化现象，如图2所示。自适应resize网络模块和残差模块通过联合训练实现对风电机组的故障诊断。由自适应resize网络模块与该残差模块结合的自适应resize残差神经网络结构如图3所示。
所提模型的实现过程可以表述为：
Figure 512827DEST_PATH_IMAGE019
（7）
式中，
Figure 533873DEST_PATH_IMAGE020
和
Figure 595370DEST_PATH_IMAGE021
分别为自适应resize网络模块与残差网络模块，
Figure 286245DEST_PATH_IMAGE022
和
Figure 229930DEST_PATH_IMAGE023
分别为对应模块的参数。
对于分类任务，提出的自适应resize残差神经网络使用soft-max函数实现对样本数据的故障预测。预测过程可以表述为：
Figure 992350DEST_PATH_IMAGE024
（8）
式中
Figure 95304DEST_PATH_IMAGE025
为输出层参数，t为故障类别总数。
在网络的训练过程中，将自适应resize网络模块与残差模块结合进行联合训练。使用交叉熵作为该网络模型的损失函数，相应的公式为：
Figure 284977DEST_PATH_IMAGE029
（9）
式中，T为标签类别数，
Figure 715958DEST_PATH_IMAGE030
和
Figure 16490DEST_PATH_IMAGE031
分别为真实标签和预测标签。
实例分析
1.实验数据
实验数据来自西安交通大学滚动轴承加速退化实验数据集。轴承加速磨损产生五种故障类型，包括单一故障（例如内圈磨损（IR）、外圈磨损（OR）和保持架断裂（Ca））和复合故障类型（例如内圈磨损+外圈磨损（IR+OR）、内圈磨损+滚珠磨损+保持架断裂+外圈磨损（IR+Ba+Ca+OR））。水平载荷由液压加载系统加载到测试轴承上。在实验中，采样频率设置为25.6khz，采样时间为每分钟1.28s。在被测轴承的整个寿命周期内，故障数据是从早期异常阶段获取的。
2.故障诊断实验结果
对于收集的数据，第一步是将它们分割成统一格式的样本。在本发明中，根据经验，每个样本包含1024个点。每种故障类型包含250个样本，五种故障类型共包含250x5=1250个样本。考虑到正常类型（No）数据丰富，在启动运行阶段采集400个样本。每种类型数据中取80%的样本作为训练集，20%的样本作为测试集。不同类型振动信号的时域和频域波形图如图5所示。根据图5中的频率图谱，不同类型的故障频率主要集中在低于1100Hz的频段内（图中线条左边），而超过1100Hz的频段差异并不明显。根据这一发现，选择低于1100Hz频段的频率特征确定信号的时频谱。分别通过CWT和HE对一维振动信号进行处理，生成特征分布差异显著的时频图，不同类型信号的时频图如图6所示。
图7分别展示了所提模型与单一的残差神经网络在200个迭代周期内的精度曲线和损失曲线。从图中的四条精度曲线可以看出，在10次迭代左右均能快速的收敛并且保持稳定状态。局部放大图表明所提模型的训练曲线和验证曲线具有一致的收敛趋势，在稳定状态能够保持100%的准确度。与此同时，残差神经网络的训练集精度曲线在稳定状态准确度为100%，但是验证集精度曲线只有90%左右。因此在训练精度曲线方面，所提模型具有更好的学习效果。从两种方法的四条损失曲线中可知，所提模型的训练集损失曲线比残差神经网络损失曲线收敛速度更快。对于验证集损失曲线，所提方法在稳定状态比残差神经网络具有更低的损失值。通过上述分析，所提方法通过加入的自适应resize网络模块可以实现更好的训练效果。
图8展示的是所提方法一次实验结果的混淆矩阵。混淆矩阵中最右下角的网格表示此次实验结果的准确度为99.1%。位于对角线处的网格为所在列对应类别的预测准确度，结果显示每类的识别精度基本均为100%，其中类别为2的样本中有一个被预测为类别3，类别为4的样本中有两个被预测为类别5，其余均被正确分类。结果表明所提方法具有非常好的故障诊断效果。
为了进一步验证所提方法的故障诊断效果，选择六种不同的方法分别进行对比试验。对比方法包括：稀疏自编码（Sparse Auto-Encoder, SAE），深度神经网络（Deep NeuralNetwork, DNN），一维卷积神经网络（One Dimensional Convolutional Neural Network,1D-CNN），二维卷积神经网络（Two Dimensional Convolutional Neural Network, 2D-CNN），深度残差神经网络（Deep Residual Network, DRN）。对于2D-CNN分别使用两种不同的输入数据，即直接将一维振动信号调整为二维矩阵（2D-CNN（raw））,和通过CWT处理后生成的二维时频图（2D-CNN（CWT）。图9为不同方法5次实验结果。可以看出，SAE和DNN实验结果最差，而DRN的故障诊断精度接近90%，其余四种方法实验效果较好。其中本发明所提方法在五次实验中有三次实验精度为100%，表现效果最好。由此可知，所提方法可以实现有效的故障诊断效果。
本发明一个实施例中，还提供一种基于自适应残差神经网络的风力涡轮机故障诊断装置，该装置包括：
数据集生成模块，用于获取风力涡轮机轴承在加速退化过程中的振动数据，将振动数据切分为相同长度样本，并将当前轴承健康状态作为样本标签，生成原始数据集。
时频处理模块，用于采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集。
直方图均衡化模块，用于使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集。
降维处理模块，用于将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征。
训练模型构建模块，用于将低维抽象特征输入至基于LeNet-5网络结构搭建的残差网络中，获得联合训练后的自适应resize残差神经网络模型。
故障分类模块，用于将风力涡轮机轴承的实际振动数据输入至自适应resize残差神经网络模型中，获得故障分类结果。
关于装置的具体限定可以参见上文中对于方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明一个实施例中，还提供的一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取风力涡轮机轴承在加速退化过程中的振动数据，将振动数据切分为相同长度样本，并将当前轴承健康状态作为样本标签，生成原始数据集；
采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集；
将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征；
将低维抽象特征输入至基于LeNet-5网络结构搭建的残差网络中，获得联合训练后的自适应resize残差神经网络模型；
将风力涡轮机轴承的实际振动数据输入至自适应resize残差神经网络模型中，获得故障分类结果。
本领域普通技术人员可理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件来完成，所述计算机程序可存储于一非易失性计算机可读取存储介质中，计算机程序在执行时，可包括如上述各方法实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（RandomAccess Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。还有，以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，包括：
获取风力涡轮机轴承在加速退化过程中的振动数据，将振动数据切分为相同长度样本，并将当前轴承健康状态作为样本标签，生成原始数据集；
采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集；
将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征；
将低维抽象特征输入至基于LeNet-5网络结构搭建的残差网络中，获得联合训练后的自适应resize残差神经网络模型；
将风力涡轮机轴承的实际振动数据输入至自适应resize残差神经网络模型中，获得故障分类结果。
2.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，还包括：
使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集。
3.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，所述原始数据集的确定，包括：
使用加速度传感器采集不同故障类型轴承的加速退化振动信号，每隔1024个采样点对信号进行切分，生成统一尺寸的样本数据；
从每种故障类型的数据样本中选取200个样本，且选择320个样本构成原始数据集；并对原始数据集中每种类型的数据按4：1切分为训练集和测试集；
其中，所述原始数据集D的表达式为：
Figure 394150DEST_PATH_IMAGE001
式中，n为样本总数，xi为第i个样本， R=1024为样本维度，yi∈[1,N]为第i个样本对应的标签，N为轴承健康类型总数。
4.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，所述采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集，具体包括：
确定子小波函数，其定义公式为：
Figure 529597DEST_PATH_IMAGE002
（1）
式中，ψa,b(t)为小波基函数，a和b分别为伸缩因子和平移因子，当a和b有不同的值时，即生成不同尺度的子小波函数；
对于输入数据x(t)的平方可积特性，使用连续小波变换进行数据处理，该过程表述为：
Figure 608411DEST_PATH_IMAGE003
（2）
此时的a和b为连续变量，x(t)在不同尺度子小波函数作用下生成小波系数矩阵Wx(a,b)，以图像的方式显示即为时频图；
Figure 903126DEST_PATH_IMAGE004
为
Figure 143615DEST_PATH_IMAGE005
的导数。
5.如权利要求2所述的基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，所述使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集
Figure 281204DEST_PATH_IMAGE006
，具体包括：
Figure 898130DEST_PATH_IMAGE007
（3）
式中，HA(D)为图像A的直方图分布，D为像素点的灰度值，
Figure 781772DEST_PATH_IMAGE008
为非线性函数；对于生成的RGB时频图，分别将每个通道的灰度值进行直方图均衡化，然后合成新的RGB图像；DA 为图像A的所有像素点灰度值集合；A0为图像A的像素点个数。
6.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，所述自适应resize网络，包括：
卷积层：
Figure 130845DEST_PATH_IMAGE009
（4）
式中，Kw,h是卷积核，也称形状尺寸为
Figure 303201DEST_PATH_IMAGE010
的权重矩阵，卷积核与第i个输入数据
Figure 786134DEST_PATH_IMAGE011
进行卷积运算获得卷积层的输出结果；w，h为赋值索引；
Figure 727546DEST_PATH_IMAGE012
为卷积函数；
批次归一化层：
Figure 263831DEST_PATH_IMAGE013
（5）
式中，
Figure 720221DEST_PATH_IMAGE014
和
Figure 944529DEST_PATH_IMAGE015
为输入数据s的均值和方差，ε为无穷小数；γ和β分别为尺度因子和平移因子；
Figure 678129DEST_PATH_IMAGE016
为批次归一化函数；
ReLu激活层：
Figure 696901DEST_PATH_IMAGE017
（6）
式中，z为激活层的输入数据；
Figure 640586DEST_PATH_IMAGE018
为激活函数。
7.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，所述自适应resize残差神经网络模型，包括：
Figure 403006DEST_PATH_IMAGE019
（7）
式中，
Figure 505960DEST_PATH_IMAGE020
和
Figure 695633DEST_PATH_IMAGE021
分别为自适应resize网络模块与残差网络模块，
Figure 392193DEST_PATH_IMAGE022
和
Figure 692725DEST_PATH_IMAGE023
分别为对应模块的参数；
对于分类任务，所述自适应resize残差神经网络模型使用soft-max函数实现对样本数据的故障预测，预测过程表述为：
Figure 400918DEST_PATH_IMAGE024
（8）
式中，
Figure 558230DEST_PATH_IMAGE025
为输出层参数，t为故障类别总数；
Figure 414190DEST_PATH_IMAGE026
表示soft-max分类层， P为条件概率函数；y为数据x的类别标签；
Figure 203898DEST_PATH_IMAGE027
为对应第j个样本参数。
8.如权利要求7所述的基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，对所述自适应resize残差神经网络模型进行训练时，采用交叉熵作为损失函数
Figure 94494DEST_PATH_IMAGE028
，相应的公式为：
Figure 688286DEST_PATH_IMAGE029
（9）
式中，T为标签类别数，
Figure 31543DEST_PATH_IMAGE030
和
Figure 611560DEST_PATH_IMAGE031
分别为真实标签和预测标签。
9.一种基于自适应残差神经网络的风力涡轮机故障诊断装置，其特征在于，包括：
数据集生成模块，用于获取风力涡轮机轴承在加速退化过程中的振动数据，将振动数据切分为相同长度样本，并将当前轴承健康状态作为样本标签，生成原始数据集；
时频处理模块，用于采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集；
直方图均衡化模块，用于使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集；
降维处理模块，用于将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征；
训练模型构建模块，用于将低维抽象特征输入至基于LeNet-5网络结构搭建的残差网络中，获得联合训练后的自适应resize残差神经网络模型；
故障分类模块，用于将风力涡轮机轴承的实际振动数据输入至自适应resize残差神经网络模型中，获得故障分类结果。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1~8中任一项所述的方法的步骤。
CN202210449533.2A 2022-04-27 2022-04-27 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 Active CN114548190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210449533.2A CN114548190B (zh) 2022-04-27 2022-04-27 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210449533.2A CN114548190B (zh) 2022-04-27 2022-04-27 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

Publications (2)

Publication Number Publication Date
CN114548190A true CN114548190A (zh) 2022-05-27
CN114548190B CN114548190B (zh) 2022-08-30

Family

ID=81666615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210449533.2A Active CN114548190B (zh) 2022-04-27 2022-04-27 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

Country Status (1)

Country Link
CN (1) CN114548190B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099273A (zh) * 2022-06-22 2022-09-23 中国科学院沈阳自动化研究所 一种基于深度学习的压力仪表引压管智能故障诊断方法
CN115760826A (zh) * 2022-11-29 2023-03-07 江苏满锐精密工具有限公司 一种基于图像处理的轴承磨损状况诊断方法
CN116740619A (zh) * 2023-08-10 2023-09-12 中国海洋大学 基于数字图像处理的海上风力机角速度测量方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190244394A1 (en) * 2018-02-08 2019-08-08 Uber Technologies, Inc. Leveraging jpeg discrete cosine transform coefficients in neural networks
CN111351665A (zh) * 2018-12-24 2020-06-30 中国科学院沈阳计算技术研究所有限公司 基于emd和残差神经网络的滚动轴承故障诊断方法
CN113269224A (zh) * 2021-03-24 2021-08-17 华南理工大学 一种场景图像分类方法、系统及存储介质
CN113432874A (zh) * 2021-05-31 2021-09-24 西安理工大学 一种基于2dpca-cwt与cnn的滚动轴承故障诊断方法
CN113670610A (zh) * 2021-06-09 2021-11-19 广州大学 基于小波变换与神经网络的故障检测方法、系统及介质
CN113705407A (zh) * 2021-08-20 2021-11-26 南京航空航天大学 基于时频残差神经网络的变转速下轴裂纹的故障诊断方法
CN114067313A (zh) * 2021-11-19 2022-02-18 云南农业大学 一种双线性残差网络模型的农作物叶部病害识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190244394A1 (en) * 2018-02-08 2019-08-08 Uber Technologies, Inc. Leveraging jpeg discrete cosine transform coefficients in neural networks
CN111351665A (zh) * 2018-12-24 2020-06-30 中国科学院沈阳计算技术研究所有限公司 基于emd和残差神经网络的滚动轴承故障诊断方法
CN113269224A (zh) * 2021-03-24 2021-08-17 华南理工大学 一种场景图像分类方法、系统及存储介质
CN113432874A (zh) * 2021-05-31 2021-09-24 西安理工大学 一种基于2dpca-cwt与cnn的滚动轴承故障诊断方法
CN113670610A (zh) * 2021-06-09 2021-11-19 广州大学 基于小波变换与神经网络的故障检测方法、系统及介质
CN113705407A (zh) * 2021-08-20 2021-11-26 南京航空航天大学 基于时频残差神经网络的变转速下轴裂纹的故障诊断方法
CN114067313A (zh) * 2021-11-19 2022-02-18 云南农业大学 一种双线性残差网络模型的农作物叶部病害识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HOSSEIN TALEBI ET AL.: ""Learning to Resize Images for Computer Vision Tasks"", 《ARXIV》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099273A (zh) * 2022-06-22 2022-09-23 中国科学院沈阳自动化研究所 一种基于深度学习的压力仪表引压管智能故障诊断方法
CN115760826A (zh) * 2022-11-29 2023-03-07 江苏满锐精密工具有限公司 一种基于图像处理的轴承磨损状况诊断方法
CN115760826B (zh) * 2022-11-29 2023-08-11 江苏满锐精密工具有限公司 一种基于图像处理的轴承磨损状况诊断方法
CN116740619A (zh) * 2023-08-10 2023-09-12 中国海洋大学 基于数字图像处理的海上风力机角速度测量方法
CN116740619B (zh) * 2023-08-10 2023-10-17 中国海洋大学 基于数字图像处理的海上风力机角速度测量方法

Also Published As

Publication number Publication date
CN114548190B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
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
Xu et al. Online fault diagnosis method based on transfer convolutional neural networks
CN111709292B (zh) 基于递归图和深度卷积网络的压气机振动故障检测法
CN110595780B (zh) 基于振动灰度图像和卷积神经网络的轴承故障识别方法
CN112883994B (zh) 一种均衡分布适配的旋转机械变工况故障诊断方法
Gao et al. Bearing fault diagnosis based on adaptive convolutional neural network with Nesterov momentum
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
Lu et al. A novel feature extraction method using deep neural network for rolling bearing fault diagnosis
CN110147760B (zh) 一种高效电能质量扰动图像特征提取与识别新方法
CN111626312A (zh) 基于快速多分离字典学习的风力机轴承故障诊断方法
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
CN117290800B (zh) 一种基于超图注意力网络的时序异常检测方法及系统
CN113420837B (zh) 基于多源压缩感知的故障诊断方法
CN116010900A (zh) 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法
Lv et al. Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis
CN114169377A (zh) 基于g-mscnn的有噪环境中滚动轴承故障诊断方法
CN114462446A (zh) 基于振动信号的滚动轴承故障诊断方法及电子设备
CN116071352A (zh) 一种电力安全工器具表面缺陷图像的生成方法
CN113673442B (zh) 一种基于半监督单分类网络的变工况故障检测方法
CN112633362B (zh) 一种旋转机械自适应故障诊断方法、装置、设备及介质
CN117592543A (zh) 一种基于自监督学习的航空发动机滚动轴承故障诊断方法
Wang et al. First-order differential filtering spectrum division method and information fusion multi-scale network for fault diagnosis of bearings under different loads
Jia et al. Bearing fault diagnosis method based on CNN-LightGBM
CN114941890B (zh) 一种基于图像和深度模糊的中央空调故障诊断方法及系统
CN108459585B (zh) 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法

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
GR01 Patent grant