CN114778112A - 风电发电机组机械故障音频识别和故障诊断方法 - Google Patents

Abstract

本发明属于风电发电机故障诊断技术领域，具体为风电发电机组机械故障音频识别和故障诊断方法，包括有故障信号检测和卷积神经网络，其特征在于，所述故障信号检测包括有振动信号检测、声发射信号检测、应变力信号检测、温度信号检测、油液参数检测和电信号检测。本发明通过对智能轴承故障诊断提出了一套基于振动故障信号监测和卷积神经网络模型的方法流程，振动信号由加速度传感器获得，历史数据经过合理的采样和1D‑2D信号处理变换后，将各种故障状态下的轴承信号样本合理划分为训练集和测试集，训练集送入建立的深度卷积神经网络进行模型学习，待模型学习完成后用测试集验证模型的泛化能力，即测试准确率。

Description

风电发电机组机械故障音频识别和故障诊断方法

技术领域

本发明涉及风电发电机故障诊断技术领域，具体为风电发电机组机械故障音频识别和故障诊断方法。

背景技术

随着科学技术的不断进步与经济发展的持续增长，人民生活水平得到了前所未有的提高，加之工业制造与产品生产的日新月异，能源供给正面临空前的挑战，在能源短缺的背景下，清洁可再生能源的发展越来越受到重视，其中，风能作为一种安全的清洁可再生能源，具有非常大的发展潜力，是传统化石燃料的重要替代能源，随着风电技术的不断发展和成熟，风力发电进入了高速发展时期，风能已经受到我国乃至全球范围内的高度青睐。

在风力发电规模不断扩大的同时，风电机组的运行维护问题也日益突出，特别是由于故障和检修导致运维成本居高不下，维护费用甚至占用了总投入的 10-25％之多，由于受到风能资源所处地理位置的制约，现有的大型风电场一般建在我国西北部、高原和沿海等偏远地区，风电机组运行环境较为恶劣，且交通运输条件不便，为风电机组的运维带来了诸多困难，风电机组可能会遭受强降雨降雪、暴风闪电等极端恶劣天气的影响，随着运行时间的增加，风机叶片、齿轮箱、发电机以及其他部件极易发生各种各样的异常和故障，导致机组不正常运行甚至停机，其中，齿轮箱作为风力发电机中的重要传动部件，在实际运行中显示出较高的故障率，据统计约有20％的停机时间都是齿轮箱故障造成的，大部分的故障又发生在轴承上，因此轴承故障是造成风机齿轮箱失效的主要因素。

健康状况监测对于保障风电机组能够安全稳定运行是不可或缺的，有效的故障诊断技术可以在早期及时检测到风电机组的故障，由于风电装机规模的不断扩大，传统的定期检修方法已经越来越无法满足风场的实际运维需求，之后出现了状态监测技术，通过采用传感器获取风电机组实时运行数据达到在线监测和故障诊断的目的，但这样却依赖于专家知识和工作经验，且需要花费的大量的人力物力和时间成本，再加上系统复杂性的增加、故障多样性的增加、数据量的增加以及在线诊断的需求，依靠传统方法进行有效的故障诊断也变得愈发困难，急需更为有效的智能诊断技术来解决这些问题，因此我们提出了风电发电机组机械故障音频识别和故障诊断方法。

发明内容

(一)发明目的

为解决背景技术中存在的技术问题，本发明提出风电发电机组机械故障音频识别和故障诊断方法，具有智能检测的特点。

(二)技术方案

为解决上述技术问题，本发明提供了风电发电机组机械故障音频识别和故障诊断方法，包括有故障信号检测和卷积神经网络，其特征在于，所述故障信号检测包括有振动信号检测、声发射信号检测、应变力信号检测、温度信号检测、油液参数检测和电信号检测，基于卷积神经网络对轴承故障进行检测的智能诊断包括有数据获取、特征提取和特征分类，借助深度学习模型在特征自动提取方面的功能，将故障诊断问题转换为类似图像识别分类任务进行处理，进行信号数据预处理，之后建立模型结构进行训练优化，进行重叠采样，通过振动数据的二维表示，以诊断轴承状态是否健康。

用于建立模型结构的模型设计为3个卷积-池化对和2个全连接层的网络结构，且训练优化在获取样本并进行预处理之后，二维图像和与之对应的健康状态标签作为一个样本对，将全部样本集合的按给定比例随机选取一部分作为训练集，剩下的样本作为测试集，其中训练集用于模型训练，带有健康状态类别标签进行监督学习，待模型训练完成之后，将不带标签的测试集数据属于送入模型进行测试，得到分类预测结果，与真实结果进行比较之后可以评估模型的泛化能力，减少实验结果的偶然性。

所述轴承故障包括有内圈故障、外圈故障、滚动体故障和保持架故障，故障产生的损伤点与其他元件表面反复碰撞产生周期性故障冲击，为低频振动信号，故障程度越大冲击幅度越大，滚动轴承各部位的故障特征频率的计算公式如下所示：

内圈故障频率：

外圈故障频率：

滚动体故障频率：

保持架故障频率：

以上各式中，N为滚动体数量，D为轴承直径，d_b为滚动体直径，α为接触角，f_r是轴的转动频率。

所述卷积神经网络学习模块由输入层、卷积层、池化层、全连接层、输出层组成，且卷积神经网络学习模块具有的反向传播是神经网络参数优化的关键步骤，各个权值参数和偏置参数通过对目标函数求偏导后再根据优化算法进行更新，通过反向传播后用优化算法进行权值优化更新。

所述故障信号检测还包括有综合性复合故障诊断，复合故障视作同属于多个单一故障，即需要同时被识别为多种故障模式，此时模型成为了单输入多输出模型，需要将既定复合故障分别识别为相应的单一故障模式，在模式识别问题中可将此种问题成为多标签分类。

优选的，所述池化层为关键图片识别能力，具备稀疏连接和权值共享，所述输入层为图像输入，包括单通道的灰度图与三通道的彩色图输入形式，所述输出层为Softmax分类器，用以输出图像分类识别结果，对于目标检测或图像分割领域则有特殊的输出层结构，所述卷积层用于特征学习，池化层用于特征选择，分类器则利用学习到的深层特征进行分类输出，各个层的网络参数在训练中同时优化。

优选的，所述数据预处理将一维信号的采样值按顺序重新排布成二维矩阵，视作振动灰度图，并且在构造样本时按一定长度进行重叠采样以增加样本数。

优选的，所述故障信号检测通过传感器设置在待检测部位上进行数据采集和监测控制。

优选的，所述卷积神经网络通过仿真信号和测试台信号进行验证有效性。

优选的，所述故障信号检测在噪音干扰下进行基于卷积神经网络的模拟训练，增加模型的抗噪声能力。

优选的，所述模型结构建设完成后进行目标函数设计和模型训练。

优选的，所述振动信号监测和卷积神经网络模型用于对不同故障类型和不同故障程度的识别，到噪声干扰下的故障信号检测，以及复合故障的有效识别。

本发明的上述技术方案具有如下有益的技术效果：

1.本发明通过对智能轴承故障诊断提出了一套基于振动故障信号监测和卷积神经网络模型的方法流程，振动信号由加速度传感器获得，历史数据经过合理的采样和1D-2D信号处理变换后，将各种故障状态下的轴承信号样本合理划分为训练集和测试集，训练集送入建立的深度卷积神经网络进行模型学习，待模型学习完成后用测试集验证模型的泛化能力，即测试准确率，通过测试的卷积神经网络模型即可进一步部署于风电机组监测控制系统，实现在线实时状态监测和故障诊断。

2.本发明通过仿真信号和测试台信号验证基于卷积神经网络的故障诊断方法的有效性，仿真是对轴承振动的简化数学建模，对问题进行了一定的简化，有助于快速验证方法的有效性，测试台数据集是真实故障轴承运行中采集得到的数据，利用多种故障类型和故障严重程度的数据进行测试，有助于全面分析评估智能诊断算法的有效性和优越性。

3.本发明通过实验证明在复合故障样本可获取的前提下，不论是将复合故障单独作为一类还是采用多标签方法进行模型训练，均能取得满意的故障识别准确率。接着，区别于以往将复合故障样本加入模型训练的方法，本文研究了缺乏真实复合故障数据的前提下，利用单故障信号经验模态分解所得的本征模函数构造了伪复合故障信号样本并加入模型训练的方法，使多标签分类卷积神经网络模型初步具备了真实复合故障的诊断识别能力，相比只经过单故障样本训练的模型，能将复合故障同时识别为包含多种单故障成分的准确率大大提升。

附图说明

图1为本发明轴承结构示意图；

图2为本发明调整移动步长后卷积操作示意图；

图3为本发明增加填充后卷积操作示意图；

图4为本发明三维卷积操作示意图；

图5为本发明常用激活函数曲线图；

图6为本发明最大池化和平均池化操作示意图；

图7为本发明全连接层与输出层示意图；

图8为本发明基于CNN的轴承故障诊断流程图；

图9为本发明信号预处理重叠采样示意图；

图10为本发明信号预处理振动数据的二维表示示意图；

图11为本发明卷积神经网络结构示意图；

图12为本发明两种故障信号的时域波形图；

图13为本发明正常与故障状态的仿真信号图；

图14为本发明仿真测试结果t-SNE特征可视化图；

图15为本发明仿真测试结果混淆矩阵示意图；

图16为本发明含噪声干扰的振动信号波形图；

图17为本发明含噪声干扰信号的诊断测试结果图；

图18为本发明故障分类单标签示意图；

图19为本发明故障分类多标签图；

图20为本发明伪复合故障信号构造过程图。

图21仿真测试结果：(a)t-SNE特征可视化；(b)测试结果混淆矩阵

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

如图1所示，本发明提出的风电发电机组机械故障音频识别和故障诊断方法，包括有故障信号检测和卷积神经网络，所述故障信号检测包括有振动信号检测、声发射信号检测、应变力信号检测、温度信号检测、油液参数检测和电信号检测，基于卷积神经网络对轴承故障进行检测的智能诊断包括有数据获取、特征提取和特征分类，借助深度学习模型在特征自动提取方面的功能，将故障诊断问题转换为类似图像识别分类任务进行处理，进行信号数据预处理，之后建立模型结构进行训练优化，进行重叠采样，通过振动数据的二维表示，以诊断轴承状态是否健康。

所述轴承故障包括有内圈故障、外圈故障、滚动体故障和保持架故障，故障产生的损伤点与其他元件表面反复碰撞产生周期性故障冲击，为低频振动信号，故障程度越大冲击幅度越大，滚动轴承各部位的故障特征频率的计算公式如下所示：

内圈故障频率：

外圈故障频率：

滚动体故障频率：

保持架故障频率：

以上各式中，N为滚动体数量，D为轴承直径，d_b为滚动体直径，α为接触角，f_r是轴的转动频率。

当某类故障发生时，相应的故障频率的谱峰就会出现在轴承振动频谱中，考虑到生产加工与安装的误差、受到载荷作用产生的弹性变形以及信号噪声的干扰等因素，实际观测到的故障频率成分可能与公式计算所得并不完全吻合，但基本在理论计算值附近，理想情况下可以据此进行故障类型的初步判断。

此外受到故障冲击后，冲击脉冲还会引起轴承的高频振动，其振动频率为轴承的固有振动频率，通常轴承内外圈固有频率可达数千赫兹，而滚动体固有频率更高可达数百千赫，固有振动中内外圈的振动表现最为明显，内外圈的固有频率如下所示：

其中，n为振动阶数(变形系数)，E为材料的弹性模量，单位为kg/m²，I 为套圈横截面的惯性矩，D为中性轴的直径，M为单位长度的质量。对于钢质滚珠，其固有频率可由式(2-6)表示，d代表滚珠直径，ρ为材料密度。

由轴承局部故障撞击时发出的短时脉冲冲击所引起的固有频率振动，可由传感器测量得到并且表现为按指数衰减的正弦振动，固有频率和衰减指数越大，振动存在的时间也越短，而每一次故障所产生的冲击，都会引起这样的高频振荡，若不考虑不同频率成分及其谐波的互相调制效应，轴承故障反映在时域振动信号上就是以故障特征频率出现的连续低频脉冲，而每个脉冲则以高频振荡的形式衰减。

所述卷积神经网络学习模块由输入层、卷积层、池化层、全连接层、输出层组成，且卷积神经网络学习模块具有的反向传播是神经网络参数优化的关键步骤，各个权值参数和偏置参数通过对目标函数求偏导后再根据优化算法进行更新，通过反向传播后用优化算法进行权值优化更新，其中，卷积层，对计算机而言，一张图片本质上就是一个由像素值组成的矩阵(像素值在0-255之间)，在输入神经网络前往往会做最大最小归一化处理。而卷积层就是对输入的图像像素值矩阵进行卷积运算，目的是从图像中提取特征，输出特征图，对于有多层卷积层的网络，后续卷积层则是对前一层得到的特征图继续做卷积以提取更加深层的特征，卷积层由一系列卷积核(或称滤波器)组成，典型的卷积核大小有3×3、5×5卷积核等，卷积核大小除了长宽也有深度或者称通道数，等于输入的通道数，卷积核的长宽越大，单次卷积操作覆盖的图像区域也越大，卷积操作保留了像素间的空间关系，且一个卷积层中每一个卷积核的大小尺寸是一致的，卷积核的数量则决定了输出特征映射的通道数。

卷积层还有两个需要设置的超参数：移动步长和填补方式，移动步长是指每次卷积核移动的长度，例如步长为1则意味着卷积核沿着一个方向逐个像素滑动，而步长为2则意味着每次滑动都平移2个像素单元，如下图所示，移动步长越大，每次卷积操作所涉及的区域重叠性越少，这可以减少冗余计算量但也可能导致提取特征不充分，实际应用中多为Stride＝1或Stride＝2，很少有更大的移动步长。若用n表示输入的边长，f表示卷积核的边长，s表示移动步长，则输出大小由式(2-1)给出：

上式中floor代表取整函数，由于f和s的取值至少为1，因此输出大小总是小于等于输入大小，若希望维持输入和输出的维度一致，则需要增加填补操作。另外，由于原输出的边缘参与卷积计算的次数比中间区域少，为了减少边缘特征提取不足的影响，也需要在输入矩阵的四周进行填补操作。Padding常见的术语包括：(1)Valid，即无填充，卷积核完全覆盖图像像素时才进行运算； (2)Same，通过四周填充空格使得卷积核中心与图像像素重合时即进行运算，移动步长为1时可以实现卷积后特征映射边长保持不变，如式(2-2)所示。若用p表示填补的大小，则Stride和Padding操作后的输出大小由式(2-3)给出：

通过步长s与填补p的配合，可以使得卷积操作之后的特征图维度大小保持不变，以上均以长宽一致的方阵输入为例，对于长宽不等的输入原理类似，调整移动步长后卷积操作示意图如图2所示，增加填充后卷积操作如图3所示。

当输入图像有多个通道时，例如彩色图有RGB三个颜色通道，卷积核需要拥有相同的通道数，每个卷积核的通道与输入层对应的通道进行卷积,卷积操作的做法与流程与上述一致，最后再将每个通道的卷积结果按位相加得到最终的特征图，如图4所示为三通道输入时的三维卷积操作示意图。

此外，卷积层在进行卷积操作之后，往往还需要进行非线性映射，即经过一个激活层，由于实际应用卷积神经网络所希望解决的问题往往是非线性问题，而卷及操作是线性运算，因此引入激活层的目的就是引入非线性因素，所谓激活层就是指对于卷积运算结果做一次激活函数运算，常用的激活函数有Sigmoid 函数，双曲正切函数(Tanh)和线性修正单元(Relu)等，这三种激活函数在实际应用中表现都非常不错也最为常用，其中线性修正单位是大多数模型的默认选择，三种激活函数的表达式和函数图像分别如下图5所示。

relu(z)＝max{0,z} (2-6)

由上述图5可以看出，Sigmoid函数和Tanh函数存在一个比较明显的缺点就是易饱和，当输入值比较大或比较小的时候函数值的变化不明显，在神经网络比较深的时候较难训练，容易导致梯度消失的问题。而ReLU激活函数在输入大于0时导数恒为1，输入小于0时导数恒为0，在利用反向传播算法训练时能取得较好的效果。

综上所述，卷积层的前向传播可由以下式子表示，其中上标代表层数，*表示互相关卷积操作，W表示权重，b表示偏置，σ表示激活函数。

a^l＝σ(z^l)＝σ(a^l-1*W^l+b^l) (2-7)

另外，在单层或多层卷积层之后，通常会添加池化层，目的是进行维度降低以减少网络参数和计算量，因此也称降采样层，池化层不能能够缩减模型大小和缩短训练时间，还能增强所提取特征的鲁棒性，有助于防止模型过拟合，池化方式一般分为最大池化和平均池化，其计算方法由式(2-8)和式(2-9) 给出，最大池化取窗口内的最大值作为输出，平均池化是取窗口内所有值的均值作为输出，图6是两种池化操作的效果图，实际应用中以最大池化为主。

池化层和卷积层类似，有采样窗大小、移动步长和填充这几个超参数需要设置，令输入特征图的大小为n_H×n_W×n_c，分别表示宽度、高度和通道数，窗口大小和移动步长采样和卷积层相同的符号约定，池化层的输出大小由式(2-10) 给出，此处表达式省略了向下取值函数和Padding参数，因为实际应用中大部分模型采用的是2×2大小的最大池化采样窗和Stride＝2的移动步长，一般也不使用Padding，而特征图边长一般也为偶数，经过这样的池化操作可使特征图的长宽维度各缩小一半，有效降低模型大小和提高计算速度，值得注意的是，在模型训练中池化层没有参数需要学习。

其中，全连接层，上述卷积层(包括激活部分)与池化层可以看作是卷积神经网络的特征提取层，提取出的特征最终用于图像分类或目标检测。全连接层和传统的前馈神经网络层是一致的，可以看作是特征分类层，此处不再进行赘述，所有提取出的特征进行扁平化后连接到一个或多个全连接层进行模型的学习。全连接层可以看作是特征图和输出层之间的一个缓冲，如图7所示，相当于与传统神经网络的隐含层，能够加强模型对所提取出的图像特征的识别能力，全连接层的表达式如下所示：

a^l＝σ(z^l)＝σ(W^la^l-1+b^l) (2-11)

其中，输出层，卷积神经网络的输出层根据模型用途的不同也有所区别，在图像分类任务中输出层一般为Softmax分类器。设分类任务共有k类，则 Softmax函数的输出可表示为下式：

式中zi表示最后一层神经网络各个神经元未经过激活的输出值，值得注意的是，上式成立的前提是最后一层神经网络的神经元个数与分类类别总数相一致，有些参考资料会将最后一层神经网络归为Softmax分类器，本质也是一个全连接层，只不过该层的激活函数为Softmax函数，本文只将进过Softmax函数操作的输出结果定义为输出层。仔细观察上式可以发现满足各项和为1，因此通过Softmax函数可以将全连接层输出的多个标量映射为一个归一化概率分布，输出分类结果的置信度。每一项输出可以看作是属于各个类别的概率，即神经元的输出越大，该神经元对应的类别是真实类别的可能性越大，取概率最大的一项作为最终的分类预测值。

其中，模型训练，卷积神经网络模型搭建好后，网络的深度和卷积核的大小数量就已经确定了，分类对象也是已知的，但具体的网络参数(包括权值和偏置)是需要经过训练优化的，同时学习率等训练参数的设定也非常重要，训练参数设置不合理可能导致模型训练过拟合或欠拟合，使模型泛化能力不足，本节主要介绍基本的目标函数设计和模型训练手段。

其中，目标函数，卷积神经网络的训练可以看作是一个优化问题，需要设计一个目标函数进行最大化或最小化作为优化目标，在深度学习任务中，往往用代价函数辅以必要的正则化项作为目标函数，代价函数是分类预测结果与实际真值之间误差的一个度量方式，分类任务中常用的代价函数是各个样本交叉熵损失函数的平均值，交叉熵是度量两个概率分布相似度的手段，将目标分布表示为p(x)，将预测估计得到的分布表示为q(x)，它们之间的交叉熵定义如下：

H(p,q)＝-∑_xp(x)logq(x) (2-14)

假如将标签值用one-hot向量表示，即对于k类别分类的标签值表示为长度为k的目标向量：[p¹,...,p^j,...,p^k]，假如目标类别为y_i＝c，则令p^c＝1，其他各项均为0，则最终目标函数可表示为式(2-15)，其中表达式1{c＝yi}表示括号中条件成立则取1否则为0。

其中,反向传播，反向传播是神经网络参数优化的关键步骤，各个权值参数和偏置参数都是通过对目标函数求偏导后再根据优化算法进行更新的，根据前文所述可知目标函数是误差的一种度量，因此反向传播实质上传递的是输出值与目标值之间的误差，更准确地说是误差相对网络参数的灵敏度，与普通的深度神经网络的反向传播不同的是，池化层和卷积层的误差传播是需要特殊处理的，且池化层没有需要学习的参数，全连接层的反向传播和传统BP算法基本一致。为方便起见，本节后续表达式中均以单个神经元或单个滤波器的单个通道为例进行符号表示。

为了便于误差传递的计算，定义δ^l为目标函数J关于z^l的灵敏度，又称误差，由式(2-16)所示的偏导数形式给出。其中z^l根据当前层是全连接层、卷积层还是池化层，在表达式上有所不同，如式(2-17)所示，所有符号上角标都是表示神经网络的第l层。

当已知全连接层的偏差为δ^l时，回顾BP算法后易知上一隐层的δ^l-1和目标函数对权值与偏置的灵敏度如式(2-18)-(2-20)所示。

当已知池化层的偏差为δ^l推导上一隐层的δ^l-1时，由于池化层在前向传播时一般用最大池化或平均池化进行降采样缩减，反向传播时需要进行一次上采样还原较大的区域，首先将所有δ^l子矩阵大小还原成池化前大小，对于最大池化而言将δ^l各个值放置在前向传播时对应池化区域中最大值的位置，对于平均池化而言则取平均后放置在还原后的对应池化区域，用upsample来表示池化误差矩阵放大与误差重新分配的过程，池化层由于没有参数所以不用考虑权值与偏置的误差。

假如δ^l是卷积层的偏差，则推导δ^l-1的表达式有所不同，结合上述，此时的上一隐层的偏差将由(2-22)给出，其中rot180(·)表示矩阵翻转180度，即上下左右各翻转一次，这是在反向传播推导中得到的结果，此外，反向传播过程中的卷积操作需要进行填补以对齐维度。

其中，优化算法，计算出反向传播之后，就需要用优化算法进行权值优化更新，神经网络优化中最常用的优化算法是梯度下降法，梯度下降法的基本思想就是在优化目标函数的时候，沿着变量负梯度方向去减小函数值，以此达到优化目标，根据单次计算的样本数又可分为随机梯度下降法、批量梯度下降法和小批量梯度下降法，其区别在于每一次训练迭代时用于参数更新所用的样本数，随机梯度下降是每次迭代使用一个样本来对参数进行更新，优点是更新速度快，但不利于并行处理并容易收敛到局部最优解。批量梯度下降则使用全部训练集样本，能够代表总体样本分布并能够实现并行运算，缺点是当训练集比较大时由于每次迭代都需对所有样本进行操作，训练过程会很慢，小批量则是两者的折中，需要设定每次迭代所用的样本数量即批大小，实现较好的运算效率和参数更新速度。对于神经网络模型，借助于BP算法可以高效地计算梯度，这非常利于采用梯度下降算法对神经网络进行训练，下表展示了小批量梯度下降法进行网络优化的算法流程。

小批量随机梯度下降法优化流程

在实际深度学习的训练过程中，往往是多种技巧结合使用以求到达最快最好的效果，但这个过程往往需要反复多次尝试才能最终找到最好的策略，一般的经验法则是，在送入每一层卷积层或全连接层之前先进行批量归一化，然后在全连接层之后使用随机失活，这样可以大大减少模型的过拟合可能性，而在学习率设置方面往往从0.001甚至更小开始按十倍或五倍增大逐步上调，从而找到最为合适的学习率超参数。

图8显示了从样本获取到数据预处理、再到模型训练的诊断流程。模型一旦经过训练优化后就可以用于未知状态样本的分类识别，以诊断轴承状态是否健康。

如图9-10，所述故障信号检测还包括有综合性复合故障诊断，复合故障视作同属于多个单一故障，即需要同时被识别为多种故障模式，此时模型成为了单输入多输出模型，需要将既定复合故障分别识别为相应的单一故障模式，在模式识别问题中可将此种问题成为多标签分类。

需要说明的是，所述池化层为关键图片识别能力，具备稀疏连接和权值共享，所述输入层为图像输入，包括单通道的灰度图与三通道的彩色图输入形式，所述输出层为Softmax分类器，用以输出图像分类识别结果，对于目标检测或图像分割领域则有特殊的输出层结构，所述卷积层用于特征学习，池化层用于特征选择，分类器则利用学习到的深层特征进行分类输出，各个层的网络参数在训练中同时优化。

进一步的，所述数据预处理将一维信号的采样值按顺序重新排布成二维矩阵，视作振动灰度图，并且在构造样本时按一定长度进行重叠采样以增加样本数，在本系统中默认采用这种方式进行信号采样和样本构造，实际可根据采样频率和系统旋转频率等调整单个信号样本的长度(即单个样本所包含的采样点数)，为了方便卷积神经网络的处理输入图像的边长往往为偶数，特别是边长为以2为底的指数幂时有助于简化网络结构参数设计，常用的样本长度有400＝ 20×20，1024＝32×32，4096＝64×64等，已经有许多文献采用这种信号处理方式取得了一定研究成果，因此也将直接使用这种方式作为信号预处理手段之一，相关诊断测试结果可以作为比较基准值，此外，本发明也对短时傅里叶变换(STFT)和连续小波变换(CWT)作为信号处理方式的对比，用以综合评估算法系统的可行性和高效性。

需要说明的是，所述故障信号检测通过传感器设置在待检测部位上进行数据采集和监测控制，不同的信号适用于不同的部件监测，例如振动信号特别适合于齿轮箱、叶片、传动轴等；温度的高低可以反映设备是否出现劣化、运行情况是否异常，适合于齿轮、发电机、变流器等的监测；电信号的幅值、谐波成分直接反映出电气故障，特别适合于发电机、传感器等，此外风电机组是一个强机电耦合系统，机械故障也会引起电气信号的异常；油液成分含量的监测则适合用于分析经过润滑油润滑的机械组件是否出现损坏；应当注意到，实际系统中会在不同位置同时安装多个传感器甚至同时监测多种信号，利用数据融合技术共同进行故障诊断，而不同信号的处理方法和分析难易度也不尽相同；其中，振动信号是最为广泛应用的监测信号，在轴承、齿轮、叶片、传动轴等部件的故障诊断中发挥着重要作用，由于振动信号中往往包含了内在故障特性，反映了风机运行状态，大量实践表明，通过多种信号处理技术能够从振动信号中提取出大量特征信息，并能根据这些特征信息准确有效地识别出故障种类、故障位置、故障严重程度等；值得提出的是，包括振动信号在内的多种信号传感器都是侵入式的，需要内嵌到设备内部，增加了设备复杂性和故障可能性，非侵入式的声音信号检测在故障诊断中也非常有应用前景。

进一步的，所述卷积神经网络通过仿真信号和测试台信号进行验证有效性，仿真是对轴承振动的简化数学建模，对问题进行了一定的简化，有助于快速验证方法的有效性，测试台数据集是真实故障轴承运行中采集得到的数据，利用多种故障类型和故障严重程度的数据进行测试，有助于全面分析评估智能诊断算法的有效性和优越性。

需要说明的是，所述模型结构建设完成后进行目标函数设计和模型训练，一个有3个卷积-池化对和2个全连接层的网络结构如图11所示。

值得一提的是，当故障诊断任务变化时，例如故障种类增加，可以直接增加输出层的神经元个数而保持前面特征提取层的结构不变，使得该网络结构具有一定的适用性。本文中卷积层采用Same填充方式保持输入输出尺寸不变，池化层采用Valid填充方式即不填充，实现降采样。表3.1显示了所设计的卷积神经网络模型的结构细节，其中32×32@16的意思是指有16个通道而每个通道的尺寸大小为32×32，其他各项意思类似。除了表格所示以外，还有一些实验中用于训练的细节和技巧，主要有前文中提到的批量归一化(BatchNormalization)和随机失活(Dropout)，其中批量归一化用在卷积层和全连接层中用以加速训练，而随机失活正则化法用于全连接层中用于防止模型过拟合，提高模型的泛化能力，随机失活的比率采用推荐值0.5作为本文实验中的选择。

卷积神经网络网络结构设计如下：

通过仿真信号和测试台信号验证基于CNN的故障诊断方法的有效性，仿真是对轴承振动的简化数学建模，对问题进行了一定的简化，有助于快速验证方法的有效性。测试台数据集是真实故障轴承运行中采集得到的数据，利用多种故障类型和故障严重程度的数据进行测试，有助于全面分析评估智能诊断算法的有效性和优越性。

通过数值模拟进行振动信号仿真，滚动轴承的故障信号主要由三部分组成，故障缺陷点所激起的脉冲冲击，轴承不平衡或齿轮箱中齿轮啮合产生的振动谐波，以及测量中引入的高斯白噪声，如下式所示。

其中：A_i是由故障激发的第i个脉冲的幅度，T_i是脉冲发生的时间；B_k和φ_k是轴承不平衡或齿轮箱中齿轮啮合引起的第k次谐波的振幅和初始相位；n(t)是高斯白噪声。

在这里考虑两种情况下的振动信号，即正常情况和故障情况。在正常情况下产生两个振动谐波，简化的数学表达式在(3-2)和(3-3)给出：

s₁＝0.5sin(2πf₁t) (3-2)

s₂＝0.3sin(2πf₂t) (3-3)

其中f₁＝200Hz和f₂＝400Hz代表两个振动谐波频率，t代表时间并满足 t＝n/f_s，n为采样点，f_s＝10kHz为采样频率，考虑到正常情况振动很小，故上述仿真信号幅值较低，此外两种故障信号仿真表达式如下，式(3-4)代表外圈故障引起的振动，式(3-5)代表内圈故障引起的振动，多了一个信号调制成分，下列式子中，f_ro＝2000Hz，f_ri＝3000Hz，f_o＝30Hz，f_i＝150Hz，分别代表外圈和内圈的共振频率和故障特征频率。f₀＝20Hz则表示中性轴的旋转频率。图12显示了两种故障信号的时域波形图。

由图12可知理性情况下外圈故障引起冲击信号，各个脉冲最大幅值是相等的，其间隔为故障特征频率的倒数，每个脉冲以共振频率进行衰减振荡，图(b) 则显示了典型的内圈故障信号，由于振动加速度传感器与内圈故障点的相对位置会随轴的转动而变化，因而每次撞击缺陷产生的冲击幅值受到转速频率的调制，使得信号包络线呈现出“波浪式”的变化。

基于上述振动源产生的信号，叠加信噪比为20dB的高斯白噪声后，根据式 3-1可以构造出多种轴承健康状态的仿真信号，分别为健康状态、外圈故障、内圈故障，和内外圈同时故障的复合故障，如图13所示。

在实验中以1024个点为采样长度和30％的重叠率进行样本采集，每种状态下获取250个样本则共计得到1000个样本，其中随机划分出60％用作训练集，剩余40％用作测试集。首先将训练集的数据归一化并重排后按32×32的二维灰度图送入CNN进行训练，当训练精度不再明显提升时表示训练已经完成。将测试集数据用相同的方式送入已训练好的模型既可以得到测试精度，用于评价模型的识别精度和泛化能力。由于仿真数据较为理想化，故障特征较为明显，实验中非常顺利地达到了100％的测试准确率，验证了本章基于二维灰度图和CNN 算法模型的可行性和有效性。由于神经网络模型是黑箱模型，可解释性不强，这里借助特征可视化进一步帮助理解模型能够区分识别各个故障类型和健康状态的原因。如图14是利用t-SNE方法得到的各样本所提取出的高维特征在降维后的特征空间中的可视化分布图。从图中可以看出，在送入分类器之前，各个类别的信号已经在特征空间中互相分开了，且各个簇相隔越远表明各类别的特征差异越显著，越有利于分类识别。说明卷积神经网络有非常良好的特征学习能力，能够从原始输入信号中学习到鉴别性特征用于分类，图15则是测试结果的混淆矩阵，混淆矩阵可以用于查看各个类别各自的预测结果与真实结果之间的关系，从而判断模型是否在某些类别的识别上还存在不足或者哪些类别之间容易混淆，从图中可以看出在此仿真信号的诊断结果中各个类别的预测准确率均达到了100％。应当指出的是，上述理想结果也是建立在故障类别比较少，信号数据质量比较理想的情况下所得到的，真实环境中的轴承测试数据往往不能达到如此完美的诊断结果，因此有必要利用实际测试数据进行进一步的分析研究。

仿真测试结果如图21：(a)t-SNE特征可视化；(b)测试结果混淆矩阵

进一步的，所述振动信号监测和卷积神经网络模型用于对不同故障类型和不同故障程度的识别，到噪声干扰下的故障信号检测，以及复合故障的有效识别。

轴承振动信号叠加噪声之后的信号形式，可以用加性高斯白噪声进行模拟，定义信噪比，如式(4-1)，表示信号能量与噪声能量比值的对数，单位为分贝 (dB)，例如当信噪比为10dB时表示信号能量是噪声能量的10倍，而信噪比为0dB则表示此时信号能量与噪声能量相当，这时候噪声的影响已经比较显著。图16展示了0.007inch大小的滚动体故障情况下，在加入信噪比为0dB的高斯白噪声前后的时域波形图，从图中可以看出叠加了噪声之后的信号波形已经较难区分出故障冲击成分。

为了提高模型的泛化能力，以改进后的代价函数作为优化目标进行模型训练，同时为了提高模型对样本的特征学习能力，训练过程中对部分训练样本进行加噪干扰(Sample Interrupt，SI)，和原始信号样本随机混合后一起送入模型进行训练。由于部分样本受到了噪声干扰，对这部分样本的特征学习过程也在一定程度上加强了模型的抗噪声干扰能力。具体实验实施细节如下表所示，其中训练集增加了三种信噪比干扰下的信号样本。

训练集构造与参数设置

此外也用不添加干扰样本只进行代价函数改进和不改进代价函数只添加干扰样本的方法进行了模型训练，实验参数设置不变，并结合前文常规的卷积神经网络模型，对这四种模型的测试结果进行对比分析。所有的实验中，振动信号都不经过复杂的时频分析处理，只按采样点顺序重排为二维振动灰度图，以检验改进代价函数所带来的噪声干扰下测试准确率的提升。实验中当模型训练完成后，与前文实验测试范围一致，分别将原始信号按信噪比-4dB至6dB添加高斯白噪声，再送入已训练好的模型进行测试，得到各种噪声干扰条件下的准确率结果，绘制成相关曲线如图17所示。

从上述曲线可以直观地看出，经过代价函数改进之后，卷积神经网络模型在噪声干扰环境中能够取得更好的故障识别准确率，特别是增加了样本干扰之后，使得模型的泛化能力进一步增强。在信噪比SNR＝-4dB的条件下，原本的 CNN模型只能达到81％左右的故障识别准确率，而经过本章改进之后的LDCNN+SI 模型可以达到大约94％的准确率，得到了非常大的提升，主要得益于代价函数的改进和干扰样本的扩增。同时对比添加样本干扰前后的模型测试结果可知，算法的改进和数据样本的扩增都非常重要，对于基于数据驱动的人工智能算法而言，数据越多其模型的特征学习将会更加全面，模型的泛化能力更强。样本扩增相比算法改进而言相对容易实现，因此实际应用中应当非常重视这一环节。

此外，当信噪比较高的情况下，不论是原本模型还是改进后的模型均能取得满意的分类结果。值得一提的是，尽管改进后的模型相比经过小波变换信号处理之后的识别率还是有所不及，但其价值在于只需经过简单的代价函数改进而不需要进行复杂的信号处理步骤，依然能得到较大的模型准确率提升。因此当在信噪比SNR＝0dB附近时，改进模型已经达到了令人满意的99.71％的故障诊断准确率，可以认为是具有实际意义和有效性改进的结果。

例如对轴承故障诊断而言，除了健康状态之外已知的单一故障有内圈、外圈故障和滚动体故障3种，复合故障为内外圈同时存在故障，对于单标签分类而言共有5个独立的类别，对于多标签分类而言则共有3个故障类别，复合故障同属内圈、外圈故障这两个类别，正常状态不属于其中任一类别。相关的故障诊断流程如图18和19所示。对于多标签分类，样本构造的时候需要特别注意标签的设置方法，即不同于普通的one-hot编码，对于多标签样本的标签而言标签向量中有多个元素为1，而正常状态的标签所有元素均为0，即任意单故障都不存在，此外损失函数的设置和准确率的评估方法也将有所不同。本文中使用多个二分类器实现多标签分类，类似于多分类支持向量机中的one-vs-rest 分类策略，为方便起见对每个标签类别都采用Sigmoid激活函数的逻辑回归二分类器，理论上也可以采用支持向量机等其他机器学习分类器。经过CNN模型提取出的特征经过逻辑回归分类器的Sigmoid函数激活后，可以映射到0-1的概率输出，实践中常用阈值θ＝0.5作为输出正负类别的判断标准。相应的交叉熵代价函数调整为式(5-1)所示，其中

为第i个样本在第c个分类器的激活函数输出值，代表该标签类别预测类别为正的概率，k为二分类器总数，亦即单故障类别总数。而准确率既可以定义为各个标签的平均准确率，即复合故障被识别出单一故障也可认为对总体准确率有贡献，也可定义为各个类别的平均准确率，即只有当复合故障的各个标签类别都被完全准确识别的时候才认为对总体准确率有贡献，本文使用后者作为评价指标，作为绝对准确率。

由前文的叙述可知，复合故障与单一故障之间紧密相关，可认为是多个单一故障的非线性耦合，即使生成机理复杂难以解释，但不妨认为构成单一故障的故障频率成分在复合故障中仍然存在，传统基于信号解耦和故障频率成分分析的诊断方法也是从这个原理出发的。因此可以认为构造包含多个单一故障频率成分的“伪复合故障”数据加入训练样本当中，将有助于帮助模型获得更强大的信号解耦分析能力。本文主要从时域信号叠加进行了尝试。其中时域信号的叠加方法为，对多个单一故障信号进行经验模态分解(EMD)，并将挑选后的本征模函数(IMF)进行线性叠加，此外考虑到不同单一故障在时域中的发生顺序和故障冲击间隔是不确定的，因此按照样本长度进行了多种采样点交错比例的线性叠加，表5.1是EMD算法流程，图20显示了“伪复合故障”信号构造过程。

表1经验模态分解算法流程

通过以上EMD分解方法可以从单一故障的信号中分解得到可以表征故障信息的本征模函数，将不同故障类型的信号的本征模函数进行叠加，则可以近似描述复合故障的信号特性，因此本文中将以此获得的近似信号称为“伪复合故障”信号，用于辅助深度学习模型对单一故障和复合故障的特征学习和模式识别能力。且这种方法无需设置参数，不仅可以用于两种故障共存的分析，还能扩展到更多种故障同时存在的情形，具有一定的通用性。

通过提出了利用单故障数据EMD分解结果构造伪复合故障样本的方法，并利用多标签分类方法训练得到卷积神经网络特征提取器和多个二分类器，并由此初步实现了真实复合故障样本的正确诊断，证明了本章所提出的方法具有实践可行性。在没有提高信号处理和模型构造的复杂度和困难性的前提下，使卷积神经网络模型能够在缺乏复合故障样本的条件下实现多种单一故障共存时的有效诊断。

总的来说，首先本发明针对智能轴承故障诊断提出了一套基于振动信号监测和卷积神经网络模型的方法流程，振动信号由加速度传感器获得，历史数据经过合理的采样和1D-2D信号处理变换后，将各种故障状态下的轴承信号样本合理划分为训练集和测试集，训练集送入建立的深度卷积神经网络进行模型学习，待模型学习完成后用测试集验证模型的泛化能力，即测试准确率，通过测试的卷积神经网络模型即可进一步部署于风电机组监测控制系统，实现在线实时状态监测和故障诊断。

而后，由于采用二维输入的卷积神经网络，因此一维时域振动信号需要经过特殊的处理转换为二维形式，借助于深度卷积神经网络强大的图像识别能力，采样任意一种二维图像形式均可实现较为理想的故障诊断准确率，其中基于信号采样点重排的振动灰度图由于实现简单无需复杂变换具有独特优势。

再通过结构尽可能简单、训练尽可能高效、预测尽可能准确的原则，对卷积池化层数、滤波器数量等进行了对比分析，并得出最适合本文研究任务的深度卷积神经网络模型，在训练成本和预测准确率方面达到了一个较好的平衡。

随后，考虑到实际工业生产环境中噪声干扰的普遍性，本发明研究了卷积神经网络模型对强噪声干扰下的故障信号的识别能力。通过实验可知基于振动灰度图的识别方法在信噪比不太低的时候仍有非常好的故障识别准确率，但当信噪比降低至0dB以下时识别准确率下降较大，而基于连续小波变换的时频图识别由于小波变换具有降噪功能仍具有非常高的故障识别准确率。基于此提出了基于聚类代价函数和训练样本干扰的改进策略，提高了基于振动灰度图的方法在低信噪比条件下的故障信号识别准确率。

最后，本发明首先通过实验证明在复合故障样本可获取的前提下，不论是将复合故障单独作为一类还是采用多标签方法进行模型训练，均能取得满意的故障识别准确率。接着，区别于以往将复合故障样本加入模型训练的方法，本文研究了缺乏真实复合故障数据的前提下，利用单故障信号经验模态分解所得的本征模函数构造了伪复合故障信号样本并加入模型训练的方法，使多标签分类卷积神经网络模型初步具备了真实复合故障的诊断识别能力，相比只经过单故障样本训练的模型，能将复合故障同时识别为包含多种单故障成分的准确率大大提升。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (8)

1.风电发电机组机械故障音频识别和故障诊断方法，包括有故障信号检测和卷积神经网络，其特征在于，所述故障信号检测包括有振动信号检测、声发射信号检测、应变力信号检测、温度信号检测、油液参数检测和电信号检测，基于卷积神经网络对轴承故障进行检测的智能诊断包括有数据获取、特征提取和特征分类，借助深度学习模型在特征自动提取方面的功能，将故障诊断问题转换为类似图像识别分类任务进行处理，进行信号数据预处理，之后建立模型结构进行训练优化，进行重叠采样，通过振动数据的二维表示，以诊断轴承状态是否健康；

用于建立模型结构的模型设计为3个卷积-池化对和2个全连接层的网络结构，且训练优化在获取样本并进行预处理之后，二维图像和与之对应的健康状态标签作为一个样本对，将全部样本集合的按给定比例随机选取一部分作为训练集，剩下的样本作为测试集，其中训练集用于模型训练，带有健康状态类别标签进行监督学习，待模型训练完成之后，将不带标签的测试集数据属于送入模型进行测试，得到分类预测结果，与真实结果进行比较之后可以评估模型的泛化能力，减少实验结果的偶然性；

所述轴承故障包括有内圈故障、外圈故障、滚动体故障和保持架故障，故障产生的损伤点与其他元件表面反复碰撞产生周期性故障冲击，为低频振动信号，故障程度越大冲击幅度越大，滚动轴承各部位的故障特征频率的计算公式如下所示：

内圈故障频率：

外圈故障频率：

滚动体故障频率：

保持架故障频率：

以上各式中，N为滚动体数量，D为轴承直径，d_b为滚动体直径，α为接触角，f_r是轴的转动频率；

所述卷积神经网络学习模块由输入层、卷积层、池化层、全连接层、输出层组成，且卷积神经网络学习模块具有的反向传播是神经网络参数优化的关键步骤，各个权值参数和偏置参数通过对目标函数求偏导后再根据优化算法进行更新，通过反向传播后用优化算法进行权值优化更新；

所述故障信号检测还包括有综合性复合故障诊断，复合故障视作同属于多个单一故障，即需要同时被识别为多种故障模式，此时模型成为了单输入多输出模型，需要将既定复合故障分别识别为相应的单一故障模式，在模式识别问题中可将此种问题成为多标签分类。

2.根据权利要求1所述的风电发电机组机械故障音频识别和故障诊断方法，其特征在于，所述池化层为关键图片识别能力，具备稀疏连接和权值共享，所述输入层为图像输入，包括单通道的灰度图与三通道的彩色图输入形式，所述输出层为Softmax分类器，用以输出图像分类识别结果，对于目标检测或图像分割领域则有特殊的输出层结构，所述卷积层用于特征学习，池化层用于特征选择，分类器则利用学习到的深层特征进行分类输出，各个层的网络参数在训练中同时优化。

3.根据权利要求1所述的风电发电机组机械故障音频识别和故障诊断方法，其特征在于，所述数据预处理将一维信号的采样值按顺序重新排布成二维矩阵，视作振动灰度图，并且在构造样本时按一定长度进行重叠采样以增加样本数。

4.根据权利要求1所述的风电发电机组机械故障音频识别和故障诊断方法，其特征在于，所述故障信号检测通过传感器设置在待检测部位上进行数据采集和监测控制。

5.根据权利要求1所述的风电发电机组机械故障音频识别和故障诊断方法，其特征在于，所述卷积神经网络通过仿真信号和测试台信号进行验证有效性。

6.根据权利要求1所述的风电发电机组机械故障音频识别和故障诊断方法，其特征在于，所述故障信号检测在噪音干扰下进行基于卷积神经网络的模拟训练，增加模型的抗噪声能力。

7.根据权利要求1所述的风电发电机组机械故障音频识别和故障诊断方法，其特征在于，所述模型结构建设完成后进行目标函数设计和模型训练。

8.根据权利要求1所述的风电发电机组机械故障音频识别和故障诊断方法，其特征在于，所述振动信号监测和卷积神经网络模型用于对不同故障类型和不同故障程度的识别，到噪声干扰下的故障信号检测，以及复合故障的有效识别。

Images