CN115828466A - 一种基于宽核卷积的风机主轴部件故障预测方法 - Google Patents

Abstract

本发明公开一种基于宽核卷积的风机主轴部件故障预测方法，该预测方法首先使用皮尔逊系数对原始数据进行筛选，提取目标数据的强相关数据，并将当前时刻的强相关数据与目标数据的当前时刻数据以及上一时刻点的数据融合，作为WCNN‑LSTM神经网络模型的输入；本发明预测方法中的神经网络模型中引入了变量的时间属性，以及对传统卷积核进行了改进，能够解决由于数据复杂产生的预处理困难以及模型精度不足问题，最后使用滑动窗口进行残差计算，减少故障的误检率，实现了对主轴故障更加高效的预测。

Description

一种基于宽核卷积的风机主轴部件故障预测方法

技术领域

本发明涉及风机故障检测技术领域，具体说是一种基于宽核卷积的风机主轴部件故障预测方法。

背景技术

风能作为一种清洁能源，自21世纪以来就得到了广泛关注，然而由于环境恶劣和机械结构复杂等因素，导致了风机故障的频频发生，从而提升了维护的成本。因此，针对风机的故障诊断进行研究，对于减少损耗和降低成本有着重要。

国内外目前针对风机的主流故障诊断方法还是对振动信号进行分析研究，主要方法包括通过构建自适应变分模态分解、支持向量机、卷积神经网络和隔离森林结合来对轴承的振动信号进行分解，从而提取出数据中的故障特征。这些方法对采集设备精度要求较高，且大多只能诊断已发生的故障，没有对故障预警的能力。

风电机组的监控与采集系统(Supervisory Control and Data Acquisition，SCADA)作为主流的监控技术手段，获取了海量的运行数据，相较于传统的振动信号有着易采集、高可视化和数据全面等优点，因此利用SCADA数据对风机进行故障预警成为风机研究的重要方向，目前的主流方法有在对SCADA数据进行预处理后，针对温度数据构建如多元线性回归模型，通过检验方法评估稳定性来判断故障的发生。或将SCADA数据图形化，使用径向基(Radial Basis Function，RBF)等神经网络模型进行故障的预测。或通过孤立森林等多种算法选取输入参数，使用梯度框架(Light Gradient Boosting Machine，LightGBM)进行温度的预测，利用残差阈值进行风机进行故障的检测。上述方法对目前的SCADA数据进行了不同方向的研究，但在实际应用中，由于数据量过于巨大，同时所采集到的数据大多呈现出剧烈波动的特征，同时由于风电机组的定期检修策略，会存在一段时间的数据空缺，导致缺失值的出现，数据预处理结果并不理想，面临着预测精度不足的问题。

通过对深度学习在故障预测中的应用研究，发现了由Ling Xiang使用的CNN-LSTM(Convolutional Neural Networks-Long Short Term Memory)模型对故障预测方面有着优异表现，通过对数据的时空属性进行研究分析，相较于其他方法具备更高的精度，但同时也需要数据预处理来提高精度，因此如何选择一种无须数据预处理，同时达到更高的精度，这个问题尚需解决。

发明内容

本发明为解决风电机组的SCADA数据因异常值及缺失值过多而导致风机故障检出率较低的问题，提出一种基于宽核卷积的风机主轴部件故障预测方法，本发明预测方法将改进后的卷积神经网络模型与LSTM相结合，构建了基于宽核卷积的风机故障预警模型，即宽核卷积神经网络与长短时记忆网络相结合的模型(Wide Convolutional NeuralNetworks-Long Short Term Memory，WCNN-LSTM)。本发明方法通过在神经网络模型中引入了变量的时间属性以及对卷积核进行了改进，能够解决由于数据复杂产生的预处理困难以及模型精度不足问题，实现了对主轴故障更加高效的预测。

本发明解决所述技术问题的技术方案为：设计一种基于宽核卷积的风机主轴部件故障预测方法，其特征在于，该预测方法的具体实施步骤如下：

步骤一：在风机内部的主轴部件区域的多个节点安装温度传感器，按照一定时间间隔采集数据点，得到主轴部件区域各节点的历史温度时间序列数据，该历史温度时间序列数据的时间长度不少于一年；

步骤二：筛选与处理数据

令主轴部件区域某节点的历史温度时间序列数据为σ，则由步骤一得到主轴部件区域全部节点的历史温度的数据集τ_σ＝(σ₁，σ₂·…σ_h)，其中h为数据采集的维度，表示在采集过程中设置的节点的个数，其中σ_x代表主轴齿轮箱侧油的历史温度时间序列数据，主轴齿轮箱侧油的温度为目标数据；使用相关系数分析方法选取与σ_x相关系数大于0.8的节点数据作为强相关数据，获得q条强相关数据，其时间尺度为T，将每一条强相关数据以时间尺度T按7∶3的比例切割成两段连续时间序列数据，对应的，前一部分的时间尺度为T₁，后一部分的时间尺度为T₂，即T₁∶T₂＝7∶3；

将前T₁个时间尺度的q条强相关数据及对应的前T₁个时间尺度的主轴齿轮箱侧油的历史温度数据进行处理，得到训练数据集Q_σ，具体为：Q_σ的第一时刻点对应的一条数据为

σ_x1为第一时刻点的主轴齿轮箱侧油的历史温度数据，由于第一时刻点的σ_x1没有上一时刻，所以这里选择σ_x1作为它的上一时刻点的数据，

分别为q条强相关数据的第一时刻点下的数据值；

Q_σ的第二时刻点对应的一条数据为

这里σ_x2的上一时刻点数据为σ_x1，因此直接作为数据的值，Q_σ的第t时刻点对应的一条数据为

将后T₂个时间尺度的q条强相关数据及对应的后T₂个时间尺度的主轴齿轮箱侧油的历史温度数据进行相同的处理，得到测试数据集；

步骤三：建立WCNN-LSTM神经网络模型

所述WCNN-LSTM神经网络模型包括WCNN神经网络模块和LSTM神经网络模块，将WCNN神经网络模块的输出融合注意力机制之后得到的结果作为LSTM神经网络模块的输入，LSTM神经网络模块的输出即为WCNN-LSTM神经网络模型的输出；所述WCNN神经网络模块包括一个宽核卷积层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一BN层，该六个部分依次顺接，上一个部分的输出作为下一个部分输入，第一BN层的输出作为WCNN神经网络模块的输出；LSTM神经网络模块包括第一LSTM层、第二LSTM层、F1atten层、第一Dense层、第二BN层、第二Dense层、Output层，该七个部分依次顺接，上一个部分的输出作为下一个部分输入，WCNN神经网络模块的输出融合注意力机制之后得到的结果作为第一LSTM层的输入，Output层的输入为LSTM神经网络模块的输出，即为WCNN-LSTM神经网络模型的输出；WCNN神经网络模块的宽核卷积层的卷积操作过程为：使用W_i ^k和

来表示第k层的第i个卷积操作的权重和偏差，并使用x^k(j)表示第k层的第j个局部区域，过程描述如下：

其中，*为计算内核和布局区域的内积，

代表卷积后的结果，宽卷积核的大小选择100*100，依次按时间方向向后卷积，步长设置为3，将经过卷积后的结果使用批量归一化处理，使用β代表卷积后的结果作为输入数据，批量归一化处理过程为：

其中参数γ和d均为在训练过程中学习所得，再使用整流线性单元进行激活，使用x代表输入数据，y为输出结果，则激活过程为：

将激活后的y重新按照顺序组合为

即为宽核卷积层的输出；

步骤四：利用训练数据集训练WCNN-LSTM神经网络模型

4.1训练参数设置

设置神经网络模型的固定参数值，将待学习的权重参数的初始值均设置为1，偏置参数的初始值均设置为0，将训练次数设置为100，Batch的大小设置为40，优化器设置为AdaMod；

4.2训练神经网络模型

将步骤二中的训练数据集Q_σ作为神经网络模型的输入，依次将训练数据集Q_σ中的每一条数据输入神经网络模型进行训练，由Q_σt得到神经网络模型输出的t时刻主轴齿轮箱侧油温的参考值，根据训练数据集Q_σ依次得到T₁个时间尺度的主轴齿轮箱侧油温的参考值，使用均值平方误差MSE来计算本轮训练得到主轴齿轮箱侧油温的参考值与历史真实数据之间的loss值：

其中n为总体，此处为时间尺度T₁，Y_i为历史真实数据，f(Y_i)是网络模型输出的参考值；

根据loss值利用AdaMod优化器对不同的权重和偏置参数进行反向传播更新一次，完成一次迭代训练；将更新一次后的神经网络模型参数作为初始参数，再次将训练数据集Q_σ中的数据依次输入到神经网络模型中，进行下一次的迭代训练；当训练次数达到预设值后，保存最后一次更新的权重和偏差参数，得到训练好的神经网络模型；

4.3测试神经网络模型

将步骤二中测试数据集中的数据依次输入到训练好的神经网络模型中，依次得到后T₂个时间尺度的主轴齿轮箱侧油温的参考值，当主轴齿轮箱侧油温的参考值与历史真实数据之间的拟合程度R²的值大于0.9时，即验证该训练好的神经网络模型为有效模型；

步骤五：主轴故障预测

将前T₁个时间尺度的主轴齿轮箱侧油温的历史数据与根据训练数据集Q_σ经训练好的神经网络模型处理后依次得到的前T₁个时间尺度的主轴齿轮箱侧油温的参考值做差，得到残差序列，使用一定时间尺度的滑动窗口计算残差序列均值，并将其设定为标准差μ；

将当前第m个时刻点的主轴齿轮箱侧油的当前实际温度、对应的强相关数据和主轴齿轮箱侧油的上一时刻点实际温度，输入到步骤三中训练好的神经网络模型中，得到第m个时刻点的主轴齿轮箱侧油温的参考值；依次计算后续时刻点的主轴齿轮箱侧油温的参考值，并利用上述一定时间尺度的滑动窗口计算实际温度序列片段与参考值序列片段的残差序列片段的均值，当某一滑动窗口所对应的残差序列片段的均值ω_M超出阈值3μ时，即可判断该主轴可能会发生故障。

与现有技术相比，本发明有益效果在于：本发明预测方法首先使用皮尔逊系数对原始数据进行筛选，提取目标数据的强相关数据，并将当前时刻的强相关数据与目标数据的当前时刻数据以及上一时刻点的数据融合，作为WCNN-LSTM神经网络模型的输入；本发明预测方法中的神经网络模型中引入了变量的时间属性，以及对传统卷积核进行了改进，能够解决由于数据复杂产生的预处理困难以及模型精度不足问题，最后使用滑动窗口进行残差计算，减少故障的误检率，实现了对主轴故障更加高效的预测。

附图说明

图1为本发明一种基于宽核卷积的风机主轴部件故障预测方法一种实施例的WCNN-LSTM神经网络模型的原理示意图。

图2为本发明一种基于宽核卷积的风机主轴部件故障预测方法一种实施例的WCNN-LSTM神经网络模型与LightGBM神经网络模型、BiLSTM神经网络模型、CNN-LSTM神经网络模型在无缺失数据下未添加LMG的输出数据对比图。

图3为本发明一种基于宽核卷积的风机主轴部件故障预测方法一种实施例的WCNN-LSTM神经网络模型与LightGBM神经网络模型、BiLSTM神经网络模型、CNN-LSTM神经网络模型在无缺失数据下添加LMG的输出数据对比图。

图4为本发明一种基于宽核卷积的风机主轴部件故障预测方法一种实施例的WCNN-LSTM神经网络模型与LightGBM神经网络模型、BiLSTM神经网络模型、CNN-LSTM神经网络模型在缺失数据下未添加LMG的输出数据对比图。

图5为本发明一种基于宽核卷积的风机主轴部件故障预测方法一种实施例的WCNN-LSTM神经网络模型与LightGBM神经网络模型、BiLSTM神经网络模型、CNN-LSTM神经网络模型在缺失数据下添加LMG的输出数据对比图。

图6为对一台故障频发的风机利用本发明一种基于宽核卷积的风机主轴部件故障预测方法得到的主轴齿轮箱侧油温的参考值和其真实值的曲线图。

具体实施内容

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。

本发明提供一种基于宽核卷积的风机主轴部件故障预测方法(简称预测方法)，其特征在于，省略对原始数据的预处理过程，采用宽核卷积减少缺失数据与波动异常数据对模型预测的影响，同时采用滑动窗口来计算残差均值以减少预测误判，该预测方法的具体实施步骤如下：

步骤一：在风机内部的主轴部件区域的多个节点安装温度传感器，按照一定时间间隔采集数据点，得到主轴部件区域各节点的历史温度时间序列数据，该历史温度时间序列数据的时间长度不少于一年。

本实施例选取华北某风场的并网双馈2WM风电机组，选择2021年3月-2022年6月的SCADA系统(即数据采集与监视控制系统)监测数据作为风电机组的状态参数，选择主轴齿轮箱侧油温作为目标参数，对主轴的状态进行检测分析。该监测数据涵盖：机舱X、Y轴振动值；风速；风向；叶轮转速；齿轮箱输入、输出轴油温；齿轮箱入口油温；齿轮箱侧油温；发电机定子绕组多处的温度；环境温度；发电机空冷温度等。可以从该监测数据中直接获取所需要的温度数据。

步骤二：筛选与处理数据

令主轴部件区域某节点的历史温度时间序列数据为σ，则由步骤一得到主轴部件区域全部节点的历史温度的数据集τ_σ＝(σ₁，σ₂·…σ_h)，其中h为数据采集的维度，表示在采集过程中设置的节点的个数，其中σ_x代表主轴齿轮箱侧油的历史温度时间序列数据，主轴齿轮箱侧油的温度为目标数据。使用相关系数分析方法选取与σ_x相关系数大于0.8的节点数据作为强相关数据，获得q条强相关数据，其时间尺度为T，将每一条强相关数据以时间尺度T按7∶3的比例切割成两段连续时间序列数据，对应的，前一部分的时间尺度为T₁，后一部分的时间尺度为T₂，即T₁∶T₂＝7∶3。

将前T₁个时间尺度的q条强相关数据及对应的前T₁个时间尺度的主轴齿轮箱侧油的历史温度数据进行处理，得到训练数据集Q_σ，具体为：Q_σ的第一时刻点对应的一条数据为

σ_x1为第一时刻点的主轴齿轮箱侧油的历史温度数据，由于第一时刻点的σ_x1没有上一时刻，所以这里选择σ_x1作为它的上一时刻点的数据，

分别为q条强相关数据的第一时刻点下的数据值。

Q_σ的第二时刻点对应的一条数据为

这里σ_x2的上一时刻点数据为σ_x1，因此直接作为数据的值，Q_σ的第t时刻点对应的一条数据为

将后T₂个时间尺度的q条强相关数据及对应的后T₂个时间尺度的主轴齿轮箱侧油的历史温度数据进行相同的处理，得到测试数据集。

作为一种实施例，经相关系数分析方法选取出了8种强相关数据，该8种数据如表1。

表1强相关数据

步骤三:建立WCNN-LSTM神经网络模型

所述WCNN-LSTM神经网络模型包括WCNN神经网络模块和LSTM神经网络模块，将WCNN神经网络模块的输出融合注意力机制之后得到的结果作为LSTM神经网络模块的输入，LSTM神经网络模块的输出即为WCNN-LSTM神经网络模型的输出。所述WCNN神经网络模块包括一个宽核卷积层(WConv)、第一卷积层(Conv)、第一最大池化层(MaxPooling)、第二卷积层(Conv)、第二最大池化层(MaxPooling)、第一BN层，该六个部分依次顺接，上一个部分的输出作为下一个部分输入，第一BN层的输出作为WCNN神经网络模块的输出；LSTM神经网络模块包括第一LSTM层、第二LSTM层、Flatten层、第一Dense层、第二BN层、第二Dense层、Output层，该七个部分依次顺接，上一个部分的输出作为下一个部分输入，WCNN神经网络模块的输出融合注意力机制(Attention)之后得到的结果作为第一LSTM层的输入，Output层的输入为LSTM神经网络模块的输出，即为WCNN-LSTM神经网络模型的输出。

WCNN神经网络模块的宽核卷积层(WConv)的卷积操作过程为：使用W_i ^k和

来表示第k层的第i个卷积操作的权重和偏差，并使用x^k(j)表示第k层的第j个局部区域，过程描述如下：

其中，*为计算内核和布局区域的内积，

代表卷积后的结果，宽卷积核的大小选择100*100，依次按时间方向向后卷积，步长设置为3，将经过卷积后的结果使用批量归一化(BN)处理，加快训练速度以及提高精度，使用β代表卷积后的结果作为输入数据，批量归一化处理过程为：

其中参数γ和d均为在训练过程中学习所得，再使用整流线性单元(即ReLU函数)进行激活，使用x代表输入数据，y为输出结果，则激活过程为：

将激活后的y重新按照顺序组合为

即为宽核卷积层的输出。

宽核卷积层的输出输入到第一卷积层(Conv)中，第一卷积层(Conv)的卷积操作与宽核卷积层(WConv)的卷积操作过程一致，但卷积核选择为9*9大小，同样使用ReLU函数进行激活，并将激活后的结果输入至最大池化层，选择池化区域为

结果为P_k，池化过程为：

其中池化区域选择为3*3的大小，按时间顺序向后池化，步长设置为3，将池化后的结果定义为

并输入至后续第二卷积层(Conv)中，第二卷积层(Conv)的卷积操作过程同第一卷积层(Conv)，但卷积核大小设置为3*3，步长为1；第二卷积层(Conv)的输出输入到第二最大池化层(MaxPooling)中，池化区域也选择3*3，步长为3，第二最大池化层(MaxPooling)输出输入到第一BN层，将Q_β作为第一BN层的输出，将Q_β融合注意力机制提高特征的重要性，融合注意力机制的过程为：对于Q_β，为每一个值Q_βn设置一个值θ_βn，θ_β作为每一个值的注意力分布，根据不同值对模型的输出结果进行注意力分布的训练，数学公式为：

其中，q为查询向量，此处为目标数据的真实值，N为输入值的总数，V、W、U均为可学习的网络参数。

第一BN层的输出与注意力机制融合得到输出Q_γ。

输出Q_γ作为LSTM神经网络模块的第一LSTM层的输入，第一LSTM层对当前数据的时间特征进行分析，第一LSTM层由F个LSTM单元构成，LSTM单元主要由输入门、输出门和遗忘门组成，遗忘门f_t公式描述如下：

f_t＝∈(W_f[h_t-1，X_t]+b_f)

式中h_t-1为前一个LSTM单元的输出结果，x_t为当前单元的输入，∈是双曲正切激活函数，W和b为权重矩阵和偏置矩阵。它的输入门主要由以下两部门组成：i_t决定了哪些信息被更新，而

为更新信息，这里选择ReLU作为激活函数，公式描述如下：

i_t＝∈(W_i[h_t-1，X_t]+b_i)

输出门主要由长期保存信息C_t、输出门层o_t和输出结果h_t组成，公式描述如下：

o_t＝∈(W_o[h_t-1，X_t]+b_o)

h_t＝o_t*ReLU(C_t)

其中单元数一般设置为128。

Q_γ经过第一LSTM层处理后，得到的结果再输入到第二LSTM层；第二LSTM层的单元数一般设置为64，此时的输出结果为

将

使用Flatten层进行降维，将降维后的结果输入至第一Dense层，对特征进行降维，此时的维度参数设置为64层；第一Dense层的输出输入至第二BN层，第二BN层的输出输入至第二Dense层，第二Dense层的维度参数设置为1，将最终结果降为1维的Q_δ，Q_δ即为Output层的输入，也为WCNN-LSTM神经网络模型输出的目标数据的参考值。

WCNN神经网络模块首先使用宽核卷积层对数据进行特征提取，卷积层会按卷积核大小对输入的数据矩阵进行加权运算，并按步长进行依次卷积，从而通过调整权重和偏差来提取相关特征，但这往往需要通过数据清洗才能得到较为平稳全面的数据，因此设置较大的卷积核以及较长的步长防止数据的缺失以及剧烈变化对特征提取造成影响，在宽核卷积层进行提取特征完毕后，将提取出的特征输入至正常大小的卷积层中再次进行特征提取，再将特征输入至最大池化层中进行特征压缩，最大池化层与卷积层类似，通过对池化区域选取最大值，在保留特征的同时，降低数据量，再次将结果输入至卷积层-最大池化层进行训练，同时输入至BN层来加快训练速度，BN层主要通过归一化，同时设置自己的学习参数进行模型的精度提升和速度加快，最终得到训练后的特征矩阵。

将特征矩阵与注意力机制相结合输入至LSTM神经网络模块中，LSTM层会对矩阵的不同位置设置权重，提高关键特征的重要性，LSTM通过对特征的前后关系进行分析，寻找时间序列中的潜在关系，在训练后再次输入至LSTM层中进行特征的学习，此时的数据仍然为数据矩阵。

将数据矩阵输入至Flatten层中进行数据降维，将数据降为1维，再将数据输入至Dense层中提取特征变量的关联，dense经过非线性变化，提取这些特征之间的关联，最后映射到输出空间上，再输入至BN层进行模型训练的加速，最终再次输入至Dense层进行模型的降维，最终得估计的参考值。

步骤四:利用训练数据集训练WCNN-LSTM神经网络模型

4.1训练参数设置

设置神经网络模型的固定参数值，将待学习的权重参数的初始值均设置为1，偏置参数的初始值均设置为0，将训练次数设置为100次，Batch的大小设置为40，优化器设置为AdaMod。

表2神经网络模型的固定参数设置

4.2训练神经网络模型

将步骤二中的训练数据集Q_σ作为神经网络模型的输入，依次将训练数据集Q_σ中的每一条数据输入神经网络模型进行训练，由Q_σt得到神经网络模型输出的t时刻主轴齿轮箱侧油温的参考值，根据训练数据集Q_σ依次得到T₁个时间尺度的主轴齿轮箱侧油温的参考值，使用均值平方误差MSE来计算本轮训练得到主轴齿轮箱侧油温的参考值与历史真实数据之间的loss值：

其中n为总体，此处为时间尺度T₁，Y_i为历史真实数据，f(Y_i)是网络模型输出的参考值。

根据loss值利用AdaMod优化器对不同的权重和偏置参数进行反向传播更新一次，完成一次迭代训练；将更新一次后的神经网络模型参数作为初始参数，再次将训练数据集Q_σ中的数据依次输入到神经网络模型中，进行下一次的迭代训练；当训练次数达到预设值后，保存最后一次更新的权重和偏差参数，得到训练好的神经网络模型。

4.3测试神经网络模型

将步骤二中测试数据集中的数据依次输入到训练好的神经网络模型中，依次得到后T₂个时间尺度的主轴齿轮箱侧油温的参考值，当主轴齿轮箱侧油温的参考值与历史真实数据之间的拟合程度R²的值大于0.9时，即验证该训练好的神经网络模型为有效模型。

为了更详细的检测该神经网络模型输出参考值的精度，本实施例共设置四种不同测试条件，均与算法LightGBM、BiLSTM、CNN-LSTM的输出进行比较，四种测试条件分别为：无缺失数据下未添加目标数据的上一时刻(LMG)变量(即无缺失数据下未添加LMG变量)、无缺失数据下添加LMG变量、缺失数据下未添加LMG变量和缺失数据下添加LMG变量，分别利用前T₁个时间尺度的q条强相关数据及对应的前T₁个时间尺度的主轴齿轮箱侧油的历史温度数据进行模型训练，损失采用均值平方误差MSE来计算，然后分别利用后T₂个时间尺度的q条强相关数据及对应的后T₂个时间尺度的主轴齿轮箱侧油的历史温度数据进行模型测试，各神经网络模型在不同测试条件下输出的参考值与真实值的数据如图2-5。各神经网络模型在同组训练与测试时的相关配置相同。

为了更直观的展示不同神经网络模型的对比结果，本实施例引入了均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE以及拟合程度R²四个指标来对不同神经网络模型进行评价，公式如下：

其中n为总体，此处为时间尺度T₂，Y_i为历史真实数据，

为历史真实数据平均值，f(Y_i)是网络模型输出的参考值。四种不同测试条件下不同的神经网络模型输出参考值的精度对比见表3-6。

表3无缺失数据下未添加LMG变量

表4无缺失数据下添加LMG变量

表5缺失数据下未添加LMG变量

表6缺失数据下添加LMG变量

通过上述几组对比测试可以看出，本发明设计的WCNN-LSTM神经网络模型具有更好的精度以及更广泛的适用性。

步骤五：主轴故障预测

将前T₁个时间尺度的主轴齿轮箱侧油温的历史数据与根据训练数据集Q_σ经训练好的神经网络模型处理后依次得到的前T₁个时间尺度的主轴齿轮箱侧油温的参考值做差，得到残差序列，使用一定时间尺度的滑动窗口计算残差序列均值，并将其设定为标准差μ。

将当前第m个时刻点的主轴齿轮箱侧油的当前实际温度、对应的强相关数据和主轴齿轮箱侧油的上一时刻点实际温度，输入到步骤三中训练好的神经网络模型中，得到第m个时刻点的主轴齿轮箱侧油温的参考值。依次计算后续时刻点的主轴齿轮箱侧油温的参考值，并利用上述一定时间尺度的滑动窗口计算实际温度序列片段与参考值序列片段的残差序列片段的均值，当某一滑动窗口所对应的残差序列片段的均值ω_M超出阈值3μ时，即可判断该主轴可能发生会故障，以下为正常状态下的残差：

|ω_M|≤3μ

为验证本发明方法的故障识别能力，对一台具有缺失数据的且频繁产生故障的风机进行数据采集，并利用数据进行模型训练与故障诊断，得到的主轴齿轮箱侧油温的参考值和其真实值的曲线图如图6，从图中可以看到，利用本发明方法提前至少16个小时(图中的x轴为时刻点标号，两个相邻时刻点之间间隔为10分钟，在x轴左侧第100个时刻点附近即预测到故障可能发生，在第200个时刻点左侧附近故障真实发生)预测到故障发生。

本文通过具体的例子来说明本发明的原理和实现，上述实施例的说明仅用于帮助理解本发明的方法和核心思想；同时，根据本发明的思想，对于本领域普通技术人员来说，在具体实现和应用范围上会有一些变化。总之，本说明书的内容不应被解释为限制本发明。

本发明未述及之处适用于现有技术。

Claims (4)

1.一种基于宽核卷积的风机主轴部件故障预测方法，其特征在于，该预测方法的具体实施步骤如下：

步骤一：在风机内部的主轴部件区域的多个节点安装温度传感器，按照一定时间间隔采集数据点，得到主轴部件区域各节点的历史温度时间序列数据，该历史温度时间序列数据的时间长度不少于一年；

步骤二：筛选与处理数据

令主轴部件区域某节点的历史温度时间序列数据为σ，则由步骤一得到主轴部件区域全部节点的历史温度的数据集τ_σ＝(σ₁，σ₂·…σ_h)，其中h为数据采集的维度，表示在采集过程中设置的节点的个数，其中σ_x代表主轴齿轮箱侧油的历史温度时间序列数据，主轴齿轮箱侧油的温度为目标数据；使用相关系数分析方法选取与σ_x相关系数大于0.8的节点数据作为强相关数据，获得q条强相关数据，其时间尺度为T，将每一条强相关数据以时间尺度T按7∶3的比例切割成两段连续时间序列数据，对应的，前一部分的时间尺度为T₁，后一部分的时间尺度为T₂，即T₁∶T₂＝7∶3；

将前T₁个时间尺度的q条强相关数据及对应的前T₁个时间尺度的主轴齿轮箱侧油的历史温度数据进行处理，得到训练数据集Q_σ，具体为：Q_σ的第一时刻点对应的一条数据为

σ_x1为第一时刻点的主轴齿轮箱侧油的历史温度数据，由于第一时刻点的σ_x1没有上一时刻，所以这里选择σ_x1作为它的上一时刻点的数据，

分别为q条强相关数据的第一时刻点下的数据值；

Q_σ的第二时刻点对应的一条数据为

这里σ_x2的上一时刻点数据为σ_x1，因此直接作为数据的值，Q_σ的第t时刻点对应的一条数据为

将后T₂个时间尺度的q条强相关数据及对应的后T₂个时间尺度的主轴齿轮箱侧油的历史温度数据进行相同的处理，得到测试数据集；

步骤三：建立WCNN-LSTM神经网络模型

所述WCNN-LSTM神经网络模型包括WCNN神经网络模块和LSTM神经网络模块，将WCNN神经网络模块的输出融合注意力机制之后得到的结果作为LSTM神经网络模块的输入，LSTM神经网络模块的输出即为WCNN-LSTM神经网络模型的输出；所述WCNN神经网络模块包括一个宽核卷积层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一BN层，该六个部分依次顺接，上一个部分的输出作为下一个部分输入，第一BN层的输出作为WCNN神经网络模块的输出；LSTM神经网络模块包括第一LSTM层、第二LSTM层、F1atten层、第一Dense层、第二BN层、第二Dense层、Output层，该七个部分依次顺接，上一个部分的输出作为下一个部分输入，WCNN神经网络模块的输出融合注意力机制之后得到的结果作为第一LSTM层的输入，Output层的输入为LSTM神经网络模块的输出，即为WCNN-LSTM神经网络模型的输出；WCNN神经网络模块的宽核卷积层的卷积操作过程为：使用W_i ^k和

来表示第k层的第i个卷积操作的权重和偏差，并使用x^k(j)表示第k层的第j个局部区域，过程描述如下：

其中，*为计算内核和布局区域的内积，

代表卷积后的结果，宽卷积核的大小选择100*100，依次按时间方向向后卷积，步长设置为3，将经过卷积后的结果使用批量归一化处理，使用β代表卷积后的结果作为输入数据，批量归一化处理过程为：

其中参数γ和d均为在训练过程中学习所得，再使用整流线性单元进行激活，使用x代表输入数据，y为输出结果，则激活过程为：

将激活后的y重新按照顺序组合为

即为宽核卷积层的输出；

步骤四：利用训练数据集训练WCNN-LSTM神经网络模型

4.1训练参数设置

设置神经网络模型的固定参数值，将待学习的权重参数的初始值均设置为1，偏置参数的初始值均设置为0，将训练次数设置为100，Batch的大小设置为40，优化器设置为AdaMod；

4.2训练神经网络模型

将步骤二中的训练数据集Q_σ作为神经网络模型的输入，依次将训练数据集Q_σ中的每一条数据输入神经网络模型进行训练，由Q_σt得到神经网络模型输出的t时刻主轴齿轮箱侧油温的参考值，根据训练数据集Q_σ依次得到T₁个时间尺度的主轴齿轮箱侧油温的参考值，使用均值平方误差MSE来计算本轮训练得到主轴齿轮箱侧油温的参考值与历史真实数据之间的loss值：

其中n为总体，此处为时间尺度T₁，Y_i为历史真实数据，f(Y_i)是网络模型输出的参考值；

根据loss值利用AdaMod优化器对不同的权重和偏置参数进行反向传播更新一次，完成一次迭代训练；将更新一次后的神经网络模型参数作为初始参数，再次将训练数据集Q_σ中的数据依次输入到神经网络模型中，进行下一次的迭代训练；当训练次数达到预设值后，保存最后一次更新的权重和偏差参数，得到训练好的神经网络模型；

4.3测试神经网络模型

将步骤二中测试数据集中的数据依次输入到训练好的神经网络模型中，依次得到后T₂个时间尺度的主轴齿轮箱侧油温的参考值，当主轴齿轮箱侧油温的参考值与历史真实数据之间的拟合程度R²的值大于0.9时，即验证该训练好的神经网络模型为有效模型；

步骤五：主轴故障预测

将前T₁个时间尺度的主轴齿轮箱侧油温的历史数据与根据训练数据集Q_σ经训练好的神经网络模型处理后依次得到的前T₁个时间尺度的主轴齿轮箱侧油温的参考值做差，得到残差序列，使用一定时间尺度的滑动窗口计算残差序列均值，并将其设定为标准差μ；

将当前第m个时刻点的主轴齿轮箱侧油的当前实际温度、对应的强相关数据和主轴齿轮箱侧油的上一时刻点实际温度，输入到步骤三中训练好的神经网络模型中，得到第m个时刻点的主轴齿轮箱侧油温的参考值；依次计算后续时刻点的主轴齿轮箱侧油温的参考值，并利用上述一定时间尺度的滑动窗口计算实际温度序列片段与参考值序列片段的残差序列片段的均值，当某一滑动窗口所对应的残差序列片段的均值ω_M超出阈值3μ时，即可判断该主轴可能会发生故障。

2.根据权利要求1所述的一种基于宽核卷积的风机主轴部件故障预测方法，其特征在于，宽核卷积层的输出输入到第一卷积层中，第一卷积层的卷积操作与宽核卷积层的卷积操作过程一致，但卷积核选择为9*9大小，同样使用ReLU函数进行激活，并将激活后的结果输入至最大池化层，选择池化区域为

结果为P_k，池化过程为：

其中池化区域选择为3*3的大小，按时间顺序向后池化，步长设置为3，将池化后的结果定义为

并输入至后续第二卷积层中，第二卷积层的卷积操作过程同第一卷积层，但卷积核大小设置为3*3，步长为1；第二卷积层的输出输入到第二最大池化层中，池化区域也选择3*3，步长为3，第二最大池化层输出输入到第一BN层。

3.根据权利要求1所述的一种基于宽核卷积的风机主轴部件故障预测方法，其特征在于，将Q_β作为第一BN层的输出，将Q_β融合注意力机制的过程为：对于Q_β，为每一个值Q_βn设置一个值θ_βn，θ_β作为每一个值的注意力分布，根据不同值对模型的输出结果进行注意力分布的训练，数学公式为：

其中，q为查询向量，此处为目标数据的真实值，N为输入值的总数，V、W、U均为可学习的网络参数。

4.根据权利要求1所述的一种基于宽核卷积的风机主轴部件故障预测方法，其特征在于，第一BN层的输出与注意力机制融合得到的输出Q_γ为LSTM神经网络模块的第一LSTM层的输入，第一LSTM层对当前数据的时间特征进行分析，第一LSTM层由128个LSTM单元构成，LSTM单元主要由输入门、输出门和遗忘门组成，遗忘门f_t公式描述如下：

f_t＝∈(W_f[h_t-1，X_t]+b_f)

式中h_t-1为前一个LSTM单元的输出结果，X_t为当前单元的输入，∈是双曲正切激活函数，W和b为权重矩阵和偏置矩阵；它的输入门主要由以下两部门组成：i_t决定了哪些信息被更新，而

为更新信息，这里选择ReLU作为激活函数，公式描述如下：

i_t＝∈(W_i[h_t-1，X_t]+b_i)

输出门主要由长期保存信息C_t、输出门层o_t和输出结果h_t组成，公式描述如下：

o_t＝∈(W_o[h_t-1，X_t]+b_o)

h_t＝o_t*ReLU(C_t)

Q_γ经过第一LSTM层处理后，得到的结果再输入到第二LSTM层；第二LSTM层的单元数设置为64，此时的输出结果为

将

使用Flatten层进行降维，将降维后的结果输入至第一Dense层，对特征进行降维，此时的维度参数设置为64层；第一Dense层的输出输入至第二BN层，第二BN层的输出输入至第二Dense层，第二Dense层的维度参数设置为1，将最终结果降为1维的Q_δ，Q_δ即为Output层的输入，也为WCNN-LSTM神经网络模型输出的目标数据的参考值。

Images