CN115659778A - 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 - Google Patents
风力发电机轴承故障诊断模型在线构建方法及在线更新设备 Download PDFInfo
- Publication number
- CN115659778A CN115659778A CN202211168874.9A CN202211168874A CN115659778A CN 115659778 A CN115659778 A CN 115659778A CN 202211168874 A CN202211168874 A CN 202211168874A CN 115659778 A CN115659778 A CN 115659778A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- bearing
- transmission end
- fault
- 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
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种风力发电机轴承故障诊断模型在线构建方法及在线更新设备,涉及风力发电机的轴承故障诊断领域。该方法根据传动端与非传动端的轴承状态,在9种不同方案下运行风力发电机,进行轴承振动数据采集试验,并对采集数据进行处理:首先进行分类,然后针对传动端与非传动端分别建立模型,构建方法相似,包括确定模型结构、模型训练以及模型性能测试。模型在线更新设备主要包括:振动数据采集模块、核心处理模块、通信模块及其它辅助配套设备,采用该设备进行线更新,包括模型部署、运行数据存储、模型在线更新以及模型性能定期测试。本发明采用软硬件结合实现,可以准确诊断轴承传动端、非传动端故障,提升模型现场应用性能。
Description
技术领域
本发明涉及风力发电机的轴承故障诊断领域,具体为一种风力发电机轴承故障诊断模型在线构建方法及在线更新设备。
背景技术
滚动轴承作为风力发电机组传动系统中的易损件之一,一旦发生故障需要耗费大量的时间和成本进行检修。因此针对故障诊断难点问题,专家学者采用基于振动、电气信号分析和模式识别算法等实现故障的诊断,其中采用深度学习的振动信号处理方法应用尤为广泛。使用多层神经网络架构如卷积神经网络、递归神经网络等分析原始振动数据,发掘出数据中蕴含的有用信息,训练出合适的深度神经网络模型后可实现故障的分析和诊断功能。
在实际应用中,通过对轴承预制不同类型、不同程度故障,分别采集不同运行工况下的轴承振动加速度数据,采用不同网络模型对故障数据进行训练及学习,最终确定性能最优的模型完成算法模块化封装及部署,通过部署的模型对轴承的故障进行诊断。由于试验数据与实际运行数据之间的差异会对模型诊断准确率产生影响,因此应用实际工况的数据进行模型训练会更加准确,然而实际数据尤其是故障数据在获取上存在很大的难度,即使能够获取也存在数量不足甚至无效数据的情况,应用试验数据确定模型的参数、结构,在此基础上引入现场运行数据对模型进行更新优化,结合试验、现场运行数据对轴承故障进行诊断对提升诊断准确率具有重要作用。
现有技术中,专利公开号为CN112729825A的专利在试验室对故障轴承的加速度数据进行采集,提取振动加速度信号作为模型输入,应用深度学习算法建立轴承故障辨识模型,试验测试数据准确率高,但是所存在的缺点是:数据的采集通常在试验室中进行,无法完全真实模拟现场运行工况,因此就会出现在训练中表现特别突出的网络模型实际应用效果泛化能力不强,以该专利的网络模型为例,对于试验数据的识别准确率能达到99%以上,在实际应用中对于实际运行数据的识别却经常出现错报、误报的现象。还有一个专利公开号为CN111458144A 的专利,将一定时间间隔从风电场的数据采集与监视控制系统中获取发电机运行时的轴承振动信号进行变换处理,计算轴承的特征参数确定轴承故障类型,采用随机森林卷积神经网络构建故障诊断模型,该专利所存在的缺陷是采用实际运行数据进行训练,但是由于故障类型的标签是通过特征计算确定的,存在计算不准确甚至错误的情况,最终影响模型性能。在风力发电机运行维护过程中,还存在其它的一些问题,模型在运行周期内需要进行持续优化以提高识别诊断准确率,无法进行算法模型的实时训练及更新,需定期将优化的模型进行部署升级,需要长期的维护成本及维护时间。在风力发电机运行维护过程中,业主往往更加关心轴承是否存在故障、轴承是否需要更换,轴承故障类型的判断可结合运行数据进一步分析确定。因此结合试验数据与实际数据,分别对风力发电机传动端、非传动端轴承进行故障诊断,实现算法模型的在线构建势在必行。
发明内容
本发明为了解决通过试验数据进行算法模型的训练及测试,但存在已验证完成的算法模型在实际应用中泛化能力弱、效果无法满足应用的问题,提供了一种风力发电机轴承故障诊断模型在线构建方法及在线更新设备。
本发明是通过如下技术方案来实现的:首先本发明设计了一种风力发电机轴承故障诊断模型在线构建方法,并在此基础上,设计了一套风力发电机轴承故障诊断模型在线更新设备,在该设备中进行模型的在线更新,具体如下。
一种风力发电机轴承故障诊断模型在线构建方法,包括如下步骤:
一、试验数据获取:
(1)轴承故障预制:
对轴承预制常见故障,故障类型包括:轴承内外圈电腐蚀、轴承内外圈剥离、轴承外圈剥离、轴承内圈剥离,将故障轴承分别安装在风力发电机传动端、非传动端,共计9种运行方案:
方案一:传动端轴承状态为内外圈电蚀,非传动端轴承状态为正常;
方案二:传动端轴承状态为正常,非传动端轴承状态为内外圈电蚀;
方案三:传动端轴承状态为正常,非传动端轴承状态为正常;
方案四:传动端轴承状态为内外圈剥离,非传动端轴承状态为正常;
方案五:传动端轴承状态为正常,非传动端轴承状态为内外圈剥离;
方案六:传动端轴承状态为外圈剥离,非传动端轴承状态为正常;
方案七:传动端轴承状态为正常,非传动端轴承状态为外圈剥离;
方案八:传动端轴承状态为内圈剥离,非传动端轴承状态为正常;
方案九:传动端轴承状态为正常,非传动端轴承状态为内圈剥离;
(2)试验数据采集处理:
将风力发电机倾斜θ°安装在试验台上,转子短接,空载运行,每一种方案在恒定转速n 1、 n 2、 n 3、 …… n m下采集传动端、非传动端单轴振动加速度数据10分钟,共计9* m组原始数据;
将9* m组试验数据分成2类:
①非传动端正常、传动端故障原始数据即方案一、方案三、方案四、方案六、方案八;
②传动端正常、非传动端故障原始数据即方案二、方案三、方案五、方案七、方案九;
考虑正负样本不均衡情况,对故障原始数据进行欠采样,保证正常与故障样本数量相近;将欠采样后的故障原始数据分割成长度为L的时间序列数据共计Y份,正常原始数据同样分割成长度为L的时间序列数据共计X份;对每一个数据序列添加故障标签,形成共计X+Y组带故障标签的时间序列数据构成的原始信号数据集;对长度为L的原始数据序列进行离散傅里叶变换,得到对应长度为L的频域数据,将时域与频域数据进行合并,因此每个时间序列数据从1*L的一维变成2*L的二维数据,且为实现离散傅立叶变换的快速算法FFT,应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率的2.56倍;
二、模型建立:针对传动端与非传动端分别建立模型,构建方法类似,非传动端轴承故障诊断模型类比于传动端的故障诊断模型,采用第二类数据建立,所述传动端的模型建立方法包括如下步骤:
(1)确定模型结构:
第一层为卷积层,输入2*L灰度图像,filters为32,strides=(1, 4),填充边缘,并进行批量标准化、relu激活、最大值池化;第二层为卷积层,输入2*L灰度图像,filters为32,strides=(1, 4),填充边缘,并进行批量标准化、relu激活、最大值池化;第三层为序列转换层,将卷积后的数据转换成LSTM层输入数据格式;第四层为长短期记忆网络层LSTM(Long Short-Term Memory),输出空间维度为256,返回全部序列;第五层:丢弃层,丢弃比率为0.3;第六层:长短期记忆网络层LSTM,输出空间维度为32,返回序列中的最后一个输出;第七层:丢弃层,丢弃比率为0.3;第八层:全连接层,使用 ReLu激活函数和L2正则化;第九层:输出层,采用sigmod分类器进行处理,实现故障数据诊断;
(2)模型训练:
模型训练就是在定了模型的框架结构以后,给模型输入数据进行训练,训练完成后得到最终的算法模型,用来对轴承的状态进行判断,模型结构的确定跟训练是一个相互的过程,步骤(1)中列出的结构是经过训练后对比出来的最优结构;将试验得到的第一类原始数据按一定比例分成训练集、验证集及测试集、训练卷积网络,设置优化器及目标函数,使训练过程中损失率收敛,在模型训练时,为了提高训练效率,降低训练时间,调用GPU对训练进行加速,训练完成后生成故障诊断模型;
(3)模型性能测试:
将测试集数据导入生成的故障诊断模型,得到测试集数据的诊断结果,并计算结果的总体准确率。
在此方法的基础上,将用试验数据训练得到的模型直接用于现场运行的风力发电机轴承故障诊断,由于模型的泛化性能差,输出结果准确率低,存在错报误报甚至无法正常使用的问题,因此需要对模型进行处理并定期进行更新提高诊断结果准确性。模型的更新是一个长期的过程,随着现场运行数据的不断积累,模型性能逐渐增加完善。一种风力发电机轴承故障诊断模型在线更新设备,所述模型在线更新设备主要包括振动信号采集模块、核心处理模块、通信模块及辅助配套设备,所述辅助配套设备包括供电设备及连接线等;所述振动信号采集模块包括振动传感器,所述振动传感器安装在风力发电机传动端、非传动端传感器座上,所述振动传感器的数据采集模块实现振动数据采集,并将采集数据通过以太网或其它无线通信方式发送至核心处理模块,所述核心处理模块包括CPU与GPU,为边缘计算模块或地面服务器平台,通过部署的软件程序实现振动数据的预处理及分析,同时对故障诊断模型进行更新;所述通信模块实现振动信号采集模块与核心处理模块的数据交互及核心处理模块与外部系统的数据交互。
优选的,所述振动传感器的数据采集模块的最低采样频率不小于信号最大频率的2.56倍。
上述一种风力发电机轴承故障诊断模型在线构更新设备的模型在线更新方法,并采用前述的故障诊断模型在线构建方法,具体包括如下步骤:传动端与非传动端故障诊断模型更新采用相同的方法,传动端的诊断模型更新方法包括如下步骤:
①模型部署:将传动端轴承故障诊断模型部署于核心处理模块进行轴承故障诊断,实时接收振动信号采集模块的现场传动端振动数据,采用与故障诊断模型在线构建方法的步骤(2)相同的方法,将数据处理成2*L的数据序列输入至模型,即可实现传动端轴承实时故障诊断功能,但是由于准确率低、误报等原因需要进一步处理更新;
②运行数据存储:在核心处理模块中增加轴承正常和故障状态下的振动数据文件;正常数据文件内存储电机现场正常运行数据;故障数据为电机现场故障运行数据,随着电机现场运行时间的延长逐渐积累,故障运行数据可以根据不同的故障类型再进行二次划分;为防止出现文件系统存储占用过大的情况,文件存储采用定数据量、定周期存储。
③模型在线更新:由于故障运行数据具有滞后性,存在现场运行故障数据较少甚至没有的问题,因此依据现场运行故障数据的有无模型在线更新按照不同方法进行:
a.当仅有正常运行数据或除正常运行数据外有少量故障运行数据时,仅对电机现场正常运行数据进行特征提取,将一段时间内电机现场正常运行数据处理成2*L的数据序列输入至模型进行特征提取,数据处理方法采用与故障诊断模型在线构建方法的步骤(2)相同的方法,在提取时对模型的全连接层输出进行统计分析,确定轴承正常状态下电机现场运行数据的全连接层输出范围R,将R作为评价现场运行轴承状态正常与故障的指标,超出R即认为轴承状态异常;因此模型无须再次进行训练,仅需去掉模型最后的分类层,依据全连接层的输出对轴承状态进行诊断,此时第一次模型在线更新完成,此时模型能够实现轴承状态正常、故障的诊断;
b.随着运行时间的延长,轴承故障状态下电机运行样本数据逐渐增多,轴承不同故障类型的运行数据量能够满足模型训练的要求,将文件系统存储的现场运行数据同样处理成2*L的时间序列并制作标签,按照一定比例分为训练集、验证集、测试集,对故障诊断模型在线构建方法中的网络模型重新进行训练,当准确率满足设定要求或训练时长达到设定条件后停止训练,采用此模型对原模型进行替换,由于训练时采用了正常和不同故障类型、不同故障部位的数据,此时模型不仅能够判断轴承状态同时还能够对故障类型进行诊断,同时能够确定故障部位,随着运行数据的不断积累模型的功能不断增加完善;
④模型性能定期测试:定期调用文件存储数据并处理成2*L的时间序列作为测试数据对轴承故障诊断模型准确率、误报率进行测试,并根据准确率、误报率确定模型是否需要更新;当电机故障诊断准确率及误报率超出设定范围,启动模型更新功能。
上述在线更新的整个过程可采用软件进行实现,无须人为干预。
与现有技术相比本发明具有以下有益效果:本发明所提供的一种风力发电机轴承故障诊断模型在线构建方法及在线更新设备:(1)将试验数据与现场运行数据统筹考虑,通过试验数据确定模型结构参数,运用现场运行数据完成模型的在线优化及更新,解决电机轴承故障诊断模型试验数据准确率较高,而实际部署后准确率低甚至无法正常使用的问题;(2)准确诊断轴承传动端、非传动端故障,可通过发电机保养,处理废油脂、处理积碳、更换过滤棉等维护方式减少轴承故障;(3)轴承故障情况下,使维修人员按照轴承故障状态进行状态修及预防修,减少计划修及过度修,节省维修成本及维修时间,提高维修效率。(4)模型的功能从最开始诊断轴承正常、故障两种状态逐渐完善,随着现场运行数据的持续积累能够实现故障类型的判定与故障的定位,整个在线更新过程采用软件实现,避免人员耗费更加经济、智能。
附图说明
图1为传动端、非传动端试验数据采集的部分数据原始信号波形图,此时转速为n 1。
图2为本申请风力发电机轴承故障诊断模型在线构建方法所构建的模型结构图。
图3为本申请训练过程中准确率与损失率进化曲线图。
图4为模型性能测试后的测试集诊断结果图。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
一种风力发电机轴承故障诊断模型在线构建方法,包括如下步骤:
一、试验数据获取:
(1)轴承故障预制:
对轴承预制常见故障,故障类型包括:轴承内外圈电腐蚀、轴承内外圈剥离、轴承外圈剥离、轴承内圈剥离,将故障轴承分别安装在风力发电机传动端、非传动端,共计9种运行方案:
方案一:传动端轴承状态为内外圈电蚀,非传动端轴承状态为正常;
方案二:传动端轴承状态为正常,非传动端轴承状态为内外圈电蚀;
方案三:传动端轴承状态为正常,非传动端轴承状态为正常;
方案四:传动端轴承状态为内外圈剥离,非传动端轴承状态为正常;
方案五:传动端轴承状态为正常,非传动端轴承状态为内外圈剥离;
方案六:传动端轴承状态为外圈剥离,非传动端轴承状态为正常;
方案七:传动端轴承状态为正常,非传动端轴承状态为外圈剥离;
方案八:传动端轴承状态为内圈剥离,非传动端轴承状态为正常;
方案九:传动端轴承状态为正常,非传动端轴承状态为内圈剥离;
(2)试验数据采集处理:
将风力发电机倾斜θ°安装在试验台上,转子短接,空载运行,每一种方案在恒定转速n 1、 n 2、 n 3、 …… n m下采集传动端、非传动端单轴振动加速度数据10分钟,共计9*m组原始数据;部分数据如图1所示。
将9*m组试验数据分成2类:
①非传动端正常、传动端故障原始数据即方案一、方案三、方案四、方案六、方案八;
②传动端正常、非传动端故障原始数据即方案二、方案三、方案五、方案七、方案九;
考虑正负样本不均衡情况,对故障原始数据进行欠采样,保证正常与故障样本数量相近;将欠采样后的故障原始数据分割成长度为L的时间序列数据共计Y份,正常原始数据同样分割成长度为L的时间序列数据共计X份;对每一个数据序列添加故障标签,形成共计X+Y组带故障标签的时间序列数据构成的原始信号数据集;对长度为L的原始数据序列进行离散傅里叶变换,得到对应长度为L的频域数据,将时域与频域数据进行合并,因此每个时间序列数据从1*L的一维变成2*L的二维数据,且为实现离散傅立叶变换的快速算法FFT,应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率的2.56倍;
二、模型建立:针对传动端与非传动端分别建立模型,构建方法类似,非传动端轴承故障诊断模型类比于传动端的故障诊断模型,采用第二类数据建立,所述传动端的模型建立方法包括如下步骤:
(1)确定模型结构:
第一层为卷积层,输入2*L灰度图像,filters为32,strides=(1, 4),填充边缘,并进行批量标准化、relu激活、最大值池化;第二层为卷积层,输入2*L灰度图像,filters为32,strides=(1, 4),填充边缘,并进行批量标准化、relu激活、最大值池化;第三层为序列转换层,将卷积后的数据转换成LSTM层输入数据格式;第四层为长短期记忆网络层LSTM(Long Short-Term Memory),输出空间维度为256,返回全部序列;第五层:丢弃层,丢弃比率为0.3;第六层:长短期记忆网络层LSTM,输出空间维度为32,返回序列中的最后一个输出;第七层:丢弃层,丢弃比率为0.3;第八层:全连接层,使用 ReLu激活函数和L2正则化;第九层:输出层,采用sigmod分类器进行处理,实现故障数据诊断;整体网络模型如图2所示。
(2)模型训练:
模型训练就是在定了模型的框架结构以后,给模型输入数据进行训练,训练完成后得到最终的算法模型,用来对轴承的状态进行判断,模型结构的确定跟训练是一个相互的过程,步骤(1)中列出的结构是经过训练后对比出来的最优结构;将试验得到的第一类原始数据按一定比例分成训练集、验证集及测试集、训练卷积网络,设置优化器及目标函数,使训练过程中损失率收敛,在模型训练时,为了提高训练效率,降低训练时间,调用GPU对训练进行加速,训练完成后生成故障诊断模型;训练过程中准确率与损失率进化曲线如图3所示。
(3)模型性能测试:
将测试集数据导入生成的故障诊断模型,得到测试集数据的诊断结果,并计算结果的总体准确率,如图4所示总体准确率超过97%。
在上述方法的基础上,将用试验数据训练得到的模型直接用于现场运行的风力发电机轴承故障诊断,由于模型的泛化性能差,输出结果准确率低,存在错报误报甚至无法正常使用的问题,因此需要对模型进行处理并定期进行更新提高诊断结果准确性。模型的更新是一个长期的过程,随着现场运行数据的不断积累,模型性能逐渐增加完善。一种风力发电机轴承故障诊断模型在线更新设备,所述模型在线更新设备主要包括振动信号采集模块、核心处理模块、通信模块及辅助配套设备,所述辅助配套设备包括供电设备及连接线等;所述振动信号采集模块包括振动传感器,所述振动传感器安装在风力发电机传动端、非传动端传感器座上,所述振动传感器的数据采集模块实现振动数据采集,并将采集数据通过以太网或其它无线通信方式发送至核心处理模块,振动传感器的数据采集模块的最低采样频率不小于信号最大频率的2.56倍;所述核心处理模块包括CPU与GPU,为边缘计算模块或地面服务器平台,通过部署的软件程序实现振动数据的预处理及分析,同时对故障诊断模型进行更新;所述通信模块实现振动信号采集模块与核心处理模块的数据交互及核心处理模块与外部系统的数据交互。
上述一种风力发电机轴承故障诊断模型在线构更新设备的模型在线更新方法,并采用前述的故障诊断模型在线构建方法,具体包括如下步骤:传动端与非传动端故障诊断模型更新采用相同的方法,传动端的诊断模型更新方法包括如下步骤:
①模型部署:将传动端轴承故障诊断模型部署于核心处理模块进行轴承故障诊断,实时接收振动信号采集模块的现场传动端振动数据,采用与故障诊断模型在线构建方法的步骤(2)相同的方法,将数据处理成2*L的数据序列输入至模型,即可实现传动端轴承实时故障诊断功能,但是由于准确率低、误报等原因需要进一步处理更新;
②运行数据存储:在核心处理模块中增加轴承正常和故障状态下的振动数据文件;正常数据文件内存储电机现场正常运行数据;故障数据为电机现场故障运行数据,随着电机现场运行时间的延长逐渐积累,故障运行数据可以根据不同的故障类型再进行二次划分;为防止出现文件系统存储占用过大的情况,文件存储采用定数据量、定周期存储。
③模型在线更新:由于故障运行数据具有滞后性,存在现场运行故障数据较少甚至没有的问题,因此依据现场运行故障数据的有无模型在线更新按照不同方法进行:
a.当仅有正常运行数据或除正常运行数据外有少量故障运行数据时,仅对电机现场正常运行数据进行特征提取,将一段时间内电机现场正常运行数据处理成2*L的数据序列输入至模型进行特征提取,数据处理方法采用与故障诊断模型在线构建方法的步骤(2)相同的方法,在提取时对模型的全连接层输出进行统计分析,确定轴承正常状态下电机现场运行数据的全连接层输出范围R,将R作为评价现场运行轴承状态正常与故障的指标,超出R即认为轴承状态异常;因此模型无须再次进行训练,仅需去掉模型最后的分类层,依据全连接层的输出对轴承状态进行诊断,此时第一次模型在线更新完成,此时模型能够实现轴承状态正常、故障的诊断;
b.随着运行时间的延长,轴承故障状态下电机运行样本数据逐渐增多,轴承不同故障类型的运行数据量能够满足模型训练的要求,将文件系统存储的现场运行数据同样处理成2*L的时间序列并制作标签,按照一定比例分为训练集、验证集、测试集,对故障诊断模型在线构建方法中的网络模型重新进行训练,当准确率满足设定要求或训练时长达到设定条件后停止训练,采用此模型对原模型进行替换,由于训练时采用了正常和不同故障类型、不同故障部位的数据,此时模型不仅能够判断轴承状态同时还能够对故障类型进行诊断,同时能够确定故障部位,随着运行数据的不断积累模型的功能不断增加完善;
④模型性能定期测试:定期调用文件存储数据并处理成2*L的时间序列作为测试数据对轴承故障诊断模型准确率、误报率进行测试,并根据准确率、误报率确定模型是否需要更新;当电机故障诊断准确率及误报率超出设定范围,启动模型更新功能。
上述在线更新的整个过程可采用软件进行实现,无须人为干预。
本发明要求保护的范围不限于以上具体实施方式,而且对于本领域技术人员而言,本发明可以有多种变形和更改,凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。
Claims (5)
1.一种风力发电机轴承故障诊断模型在线构建方法,其特征在于:包括如下步骤:
一、试验数据获取:
(1)轴承故障预制:
对轴承预制常见故障,故障类型包括:轴承内外圈电腐蚀、轴承内外圈剥离、轴承外圈剥离、轴承内圈剥离,将故障轴承分别安装在风力发电机传动端、非传动端,共计9种运行方案:
方案一:传动端轴承状态为内外圈电蚀,非传动端轴承状态为正常;
方案二:传动端轴承状态为正常,非传动端轴承状态为内外圈电蚀;
方案三:传动端轴承状态为正常,非传动端轴承状态为正常;
方案四:传动端轴承状态为内外圈剥离,非传动端轴承状态为正常;
方案五:传动端轴承状态为正常,非传动端轴承状态为内外圈剥离;
方案六:传动端轴承状态为外圈剥离,非传动端轴承状态为正常;
方案七:传动端轴承状态为正常,非传动端轴承状态为外圈剥离;
方案八:传动端轴承状态为内圈剥离,非传动端轴承状态为正常;
方案九:传动端轴承状态为正常,非传动端轴承状态为内圈剥离;
(2)试验数据采集处理:
将风力发电机倾斜θ°安装在试验台上,转子短接,空载运行,每一种方案在恒定转速n 1、n 2、 n 3、 …… n m下采集传动端、非传动端单轴振动加速度数据10分钟,共计9* m组原始数据;
将9* m组试验数据分成2类:
①非传动端正常、传动端故障原始数据即方案一、方案三、方案四、方案六、方案八;
②传动端正常、非传动端故障原始数据即方案二、方案三、方案五、方案七、方案九;
考虑正负样本不均衡情况,对故障原始数据进行欠采样,保证正常与故障样本数量相近;将欠采样后的故障原始数据分割成长度为L的时间序列数据共计Y份,正常原始数据同样分割成长度为L的时间序列数据共计X份;对每一个数据序列添加故障标签,形成共计X+Y组带故障标签的时间序列数据构成的原始信号数据集;对长度为L的原始数据序列进行离散傅里叶变换,得到对应长度为L的频域数据,将时域与频域数据进行合并,因此每个时间序列数据从1*L的一维变成2*L的二维数据,且为实现离散傅立叶变换的快速算法FFT,应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率的2.56倍;
二、模型建立:针对传动端与非传动端分别建立模型,构建方法类似,所述传动端的模型建立方法包括如下步骤:
(1)确定模型结构:
第一层为卷积层,输入2*L灰度图像,filters为32,strides=(1, 4),填充边缘,并进行批量标准化、relu激活、最大值池化;第二层为卷积层,输入2*L灰度图像,filters为32,strides=(1, 4),填充边缘,并进行批量标准化、relu激活、最大值池化;第三层为序列转换层,将卷积后的数据转换成LSTM层输入数据格式;第四层为长短期记忆网络层LSTM,输出空间维度为256,返回全部序列;第五层:丢弃层,丢弃比率为0.3;第六层:长短期记忆网络层LSTM,输出空间维度为32,返回序列中的最后一个输出;第七层:丢弃层,丢弃比率为0.3;第八层:全连接层,使用 ReLu激活函数和L2正则化;第九层:输出层,采用sigmod分类器进行处理,实现故障数据诊断;
(2)模型训练:
模型训练就是在定了模型的框架结构以后,给模型输入数据进行训练,训练完成后得到最终的算法模型,用来对轴承的状态进行判断;将试验得到的第一类原始数据按一定比例分成训练集、验证集及测试集、训练卷积网络,设置优化器及目标函数,使训练过程中损失率收敛,在模型训练时,为了提高训练效率,降低训练时间,调用GPU对训练进行加速,训练完成后生成故障诊断模型;
(3)模型性能测试:
将测试集数据导入生成的故障诊断模型,得到测试集数据的诊断结果,并计算结果的总体准确率;
所述非传动端轴承故障诊断模型类比于传动端的故障诊断模型,采用第二类数据建立。
2.一种风力发电机轴承故障诊断模型在线更新设备,其特征在于:所述在线更新设备包括振动信号采集模块、核心处理模块、通信模块及辅助配套设备,所述辅助配套设备包括供电设备及连接线;所述振动信号采集模块包括振动传感器,所述振动传感器安装在风力发电机传动端、非传动端传感器座上,所述振动传感器的数据采集模块实现振动数据采集,并将采集数据通过以太网或无线通信方式发送至核心处理模块,所述核心处理模块包括CPU与GPU,为边缘计算模块或地面服务器平台,通过部署的软件程序实现振动数据的预处理及分析,同时对故障诊断模型进行更新;所述通信模块实现振动信号采集模块与核心处理模块的数据交互及核心处理模块与外部系统的数据交互。
3.根据权利要求2所述的一种风力发电机轴承故障诊断模型在线更新设备,其特征在于:所述振动传感器的数据采集模块的最低采样频率不小于信号最大频率的2.56倍。
4.一种风力发电机轴承故障诊断模型在线构更新设备的模型在线更新方法,其特征在于:在权利要求2所述的风力发电机轴承故障诊断模型在线更新设备中实现,并采用权利要求1中的故障诊断模型在线构建方法,具体包括如下步骤:传动端与非传动端故障诊断模型更新采用相同的方法,传动端的诊断模型更新方法包括如下步骤:
①模型部署:将传动端轴承故障诊断模型部署于核心处理模块进行轴承故障诊断,实时接收振动信号采集模块的现场传动端振动数据,采用与故障诊断模型在线构建方法的步骤(2)相同的方法,将数据处理成2*L的数据序列输入至模型,即可实现传动端轴承实时故障诊断功能,等待进一步处理更新;
②运行数据存储:在核心处理模块中增加轴承正常和故障状态下的振动数据文件;正常数据文件内存储电机现场正常运行数据;故障数据为电机现场故障运行数据,随着电机现场运行时间的延长逐渐积累,故障运行数据可以根据不同的故障类型再进行二次划分;
③模型在线更新:依据现场运行故障数据的有无模型在线更新按照不同方法进行:
a.当仅有正常运行数据或除正常运行数据外有少量故障运行数据时,仅对电机现场正常运行数据进行特征提取,将一段时间内电机现场正常运行数据处理成2*L的数据序列输入至模型进行特征提取,数据处理方法采用与故障诊断模型在线构建方法的步骤(2)相同的方法,在提取时对模型的全连接层输出进行统计分析,确定轴承正常状态下电机现场运行数据的全连接层输出范围R,将R作为评价现场运行轴承状态正常与故障的指标,超出R即认为轴承状态异常;因此模型无须再次进行训练,仅需去掉模型最后的分类层,依据全连接层的输出对轴承状态进行诊断,此时第一次模型在线更新完成,此时模型能够实现轴承状态正常、故障的诊断;
b.随着运行时间的延长,轴承故障状态下电机运行样本数据逐渐增多,轴承不同故障类型的运行数据量能够满足模型训练的要求,将文件系统存储的现场运行数据同样处理成2*L的时间序列并制作标签,按照一定比例分为训练集、验证集、测试集,对故障诊断模型在线构建方法中的网络模型重新进行训练,当准确率满足设定要求或训练时长达到设定条件后停止训练,采用此模型对原模型进行替换,由于训练时采用了正常和不同故障类型、不同故障部位的数据,此时模型不仅能够判断轴承状态同时还能够对故障类型进行诊断,同时能够确定故障部位,随着运行数据的不断积累模型的功能不断增加完善;
④模型性能定期测试:定期调用文件存储数据并处理成2*L的时间序列作为测试数据对轴承故障诊断模型准确率、误报率进行测试,并根据准确率、误报率确定模型是否需要更新;当电机故障诊断准确率及误报率超出设定范围,启动模型更新功能。
5.根据权利要求4所述的一种风力发电机轴承故障诊断模型在线更新设备的模型在线更新方法,其特征在于:步骤②中,为防止出现文件系统存储占用过大的情况,文件存储采用定数据量、定周期存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211168874.9A CN115659778A (zh) | 2022-09-25 | 2022-09-25 | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211168874.9A CN115659778A (zh) | 2022-09-25 | 2022-09-25 | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115659778A true CN115659778A (zh) | 2023-01-31 |
Family
ID=84984927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211168874.9A Pending CN115659778A (zh) | 2022-09-25 | 2022-09-25 | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659778A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312965A (zh) * | 2023-11-30 | 2023-12-29 | 国网辽宁省电力有限公司 | 一种gis高压隔离开关未知故障自学习方法 |
-
2022
- 2022-09-25 CN CN202211168874.9A patent/CN115659778A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312965A (zh) * | 2023-11-30 | 2023-12-29 | 国网辽宁省电力有限公司 | 一种gis高压隔离开关未知故障自学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220469B (zh) | 一种风机状态估计的方法及系统 | |
CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN111538947B (zh) | 风力发电机轴承故障分类模型的构建方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN112067294A (zh) | 基于深度学习的滚动轴承智能故障诊断方法 | |
CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN110455530B (zh) | 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法 | |
CN104564542B (zh) | 一种基于大数据技术的故障诊断系统及其诊断方法 | |
CN111597996A (zh) | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 | |
CN111141517A (zh) | 风机故障诊断方法及系统 | |
CN110060368A (zh) | 基于潜在特征编码的机械异常检测方法 | |
CN115659778A (zh) | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 | |
CN112766200A (zh) | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 | |
CN113094978A (zh) | 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 | |
CN114330096B (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN114626625A (zh) | 基于多模块U-BiLSTM网络的轴承寿命预测方法 | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
CN111539381B (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
CN115165364A (zh) | 基于迁移学习的风力发电机轴承故障诊断模型构建方法 | |
CN114330413A (zh) | 牵引电机轴承的故障类型辨识及定位方法 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 |
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 |