基于深度学习的风机轴承的故障检测方法和系统

998 编辑：管理员来源：上海电机学院

2024-03-12 16:50:29

权利要求书： 1.一种基于深度学习的风机轴承的故障检测方法，其特征在于，包括：采集风机轴承的实时监测信号，所述实时监测信号为时序数据；

构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取，并进行所述深度学习模型训练；

将待检测信号输入至所述深度学习模型，利用分类器对所述风机轴承进行故障识别，并输出故障检测结果。

2.根据权利要求1所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述风机轴承的实时监测信号包括风机轴承振动、轴承温度和旋转速度信息；所述故障识别的结果包括严重故障、一般故障和预警故障，所述故障检测结果包括根据故障等级输出故障诊断建议。

3.根据权利要求2所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述采集风机轴承的实时监测信号包括：获取原始样本数据，其中，所述原始样本数据包含实时监测信号；

对所述原始样本数据进行标签化分类，生成第一数据集、第二数据集和第三数据集，其中，所述第一数据集的监测数据采集成功率不小于90％，所述第二数据集的监测数据采集成功率大于50％小于90％，所述第三数据集的监测数据采集成功率不大于50％；

对标签化分类后的数据集进行筛查复选，得到优化样本数据以提高小样本数据特征提取能力。

4.根据权利要求3所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述对标签化分类后的数据集进行筛查复选，得到优化样本数据包括：采用局部线性回归法对所述第一数据集、第二数据集和第三数据集进行拟合分析，利用高斯函数放大局部信息；

提取拟合优度优度符合条件的样本数据区间，得到所述优化样本数据。

5.根据权利要求4所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取包括：利用所述优化样本数据，采用滑动时间窗口法构建用于进行深度学习的训练集、验证集和测试集，并利用所述训练集随机选取数据对的方式生成支撑集；

构建一维卷积神经网络和长短期记忆人工神经网络，并利用所述一维卷积神经网络和长短期记忆人工神经网络提取所述第一特征和第二特征，进行所述深度学习模型训练。

6.根据权利要求5所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述一维卷积神经网络包括输入层、卷积层和池化层，所述构建一维卷积神经网络和长短期记忆人工神经网络，并利用所述一维卷积神经网络和长短期记忆人工神经网络提取所述第一特征和第二特征，进行所述深度学习模型训练包括：将所述支撑集输入至所述输入层，并经过所述卷积层和池化层处理得到所述第一特征；

将所述第一特征序列数据直接输入至所述长短期记忆人工神经网络得到所述第二特征，利用自适应矩估计法进行训练过程优化，并通过最小化损失函数更新网络参数，将参数固定在所述深度学习模型上；

利用所述验证集对参数进行调整。

7.根据权利要求6所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述将待检测信号输入至所述深度学习模型，利用分类器对所述风机轴承进行故障识别，并输出故障检测结果包括：将所述测试集输入至所述深度学习模型；

利用softmax函数得到故障概率向量，根据所述故障概率向量进行风机故障识别，并根据识别结果输出所述故障诊断建议。

8.根据权利要求7所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述深度学习模型的学习率为0.015，迭代次数为150。

9.一种基于深度学习的风机轴承的故障检测系统，其特征在于，包括：信号采集单元，用于采集风机轴承的实时监测信号，所述实时监测信号为时序数据；

学习训练单元，用于构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取，并进行所述深度学习模型训练；

故障检测单元，用于将待检测信号输入至所述深度学习模型，利用分类器对所述风机轴承进行故障识别，并输出故障检测结果。

说明书：一种基于深度学习的风机轴承的故障检测方法和系统技术领域[0001] 本发明涉及新能源技术领域，尤其涉及一种基于深度学习的风机轴承的故障检测方法和系统。背景技术[0002] 近年来，中国新能源发展迅速，其中风电的发展尤为突出，风电装机容量快速增长，现已成为全球最大的风电市场。[0003] 风机轴承是风力发电机组中重要的组成部分，其质量和性能直接影响风力发电机组的发电效率和运行安全性。由于长期运行和外界环境因素的影响，风机轴承容易出现磨损、腐蚀、裂纹等故障，导致风机轴承的性能下降、寿命缩短，严重时可能导致风机轴承的损坏和整机故障。因此，对风机轴承的故障进行及时、准确的检测和诊断，对于保障风力发电机组的安全运行和提高发电效率具有重要意义。[0004] 目前，对风机轴承的故障检测主要采用振动信号分析、温度信号分析、声音信号分析等方法，通过分析信号的频谱特征、时域特征和幅值特征等，从而判断风机轴承的运行状态和故障情况。传统的声音信号分析方法主要采用傅里叶变换、小波变换、短时傅里叶变换等数学方法进行信号处理和特征提取，然后使用支持向量机、人工神经网络等分类器对特征进行分类识别。虽然这些方法在风机轴承的故障检测领域具有一定的应用价值，但是由于信号处理和特征提取的复杂性和分类器的复杂性，仍存在识别精度低、计算量大、鲁棒性差等问题，难以满足实际应用的需求。[0005] 综上所述，当前现有技术难以实现对风机故障的准确可靠检测。发明内容[0006] 有鉴于此，本发明实施例提出的基于深度学习的风机轴承的故障检测方法和系统，可以有效解决识别精度低、计算量大、鲁棒性差等问题，在小样本学习的条件下也具有较高的识别准确性，具有很强的应用前景。[0007] 本发明的实施例提供了一种基于深度学习的风机轴承的故障检测方法，包括：[0008] 采集风机轴承的实时监测信号，所述实时监测信号为时序数据；[0009] 构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取，并进行所述深度学习模型训练；[0010] 将待检测信号输入至所述深度学习模型，利用分类器对所述风机轴承进行故障识别，并输出故障检测结果。[0011] 示例性地，所述风机轴承的实时监测信号包括风机轴承振动、轴承温度和旋转速度信息；所述故障识别的结果包括严重故障、一般故障和预警故障，所述故障检测结果包括根据故障等级输出故障诊断建议。[0012] 示例性地，所述采集风机轴承的实时监测信号包括：[0013] 获取包含实时监测信号的原始样本数据；[0014] 对所述原始样本数据进行标签化分类，生成第一数据集、第二数据集和第三数据集，其中，所述第一数据集的监测数据采集成功率不小于90％，所述第二数据集的监测数据采集成功率大于50％小于90％，所述第三数据集的监测数据采集成功率不大于50％；[0015] 对标签化分类后的数据集进行筛查复选，得到优化样本数据以提高小样本数据特征提取能力。[0016] 示例性地，所述对标签化分类后的数据集进行筛查复选，得到优化样本数据包括：[0017] 采用局部线性回归法对所述第一数据集、第二数据集和第三数据集进行拟合分析，利用高斯函数放大局部信息；[0018] 提取拟合优度优度符合条件的样本数据区间，得到所述优化样本数据。[0019] 示例性地，所述构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取包括：[0020] 利用所述优化样本数据，采用滑动时间窗口法构建用于进行深度学习的训练集、验证集和测试集，并利用所述训练集随机选取数据对的方式生成支撑集；[0021] 构建一维卷积神经网络和长短期记忆人工神经网络，并利用所述一维卷积神经网络和长短期记忆人工神经网络提取所述第一特征和第二特征，进行所述深度学习模型训练。[0022] 示例性地，所述一维卷积神经网络包括输入层、卷积层和池化层，所述构建一维卷积神经网络和长短期记忆人工神经网络，并利用所述一维卷积神经网络和长短期记忆人工神经网络提取所述第一特征和第二特征，进行所述深度学习模型训练包括：[0023] 将所述支撑集输入至所述输入层，并经过所述卷积层和池化层处理得到所述第一特征；[0024] 将所述第一特征序列数据直接输入至所述长短期记忆人工神经网络得到所述第二特征，利用自适应矩估计法进行训练过程优化，并通过最小化损失函数更新网络参数，将参数固定在所述深度学习模型上；[0025] 利用所述验证集对所述参数进行调整。[0026] 示例性地，所述将待检测信号输入至所述深度学习模型，利用分类器对所述风机轴承进行故障识别，并输出故障检测结果包括：[0027] 将所述测试集输入至所述深度学习模型；[0028] 利用softmax函数得到故障概率向量，根据所述故障概率向量进行风机故障识别，并根据识别结果输出所述故障诊断建议。[0029] 示例性地，所述深度学习模型的学习率为0.015，迭代次数为150。[0030] 本发明的另一实施例提供了一种基于深度学习的风机轴承的故障检测系统，包括：[0031] 信号采集单元，用于采集风机轴承的实时监测信号，所述实时监测信号为时序数据；[0032] 学习训练单元，用于构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取，并进行所述深度学习模型训练；[0033] 故障检测单元，用于将待检测信号输入至所述深度学习模型，利用分类器对所述风机轴承进行故障识别，并输出故障检测结果。[0034] 本发明提供了一种基于深度学习的风机轴承的故障检测方法和系统，包括采集风机轴承的实时监测信号，实时监测信号为时序数据；构建深度学习模型，对实时监测信号进行第一特征提取与第二特征提取，并进行深度学习模型训练；将待检测信号输入至深度学习模型，利用分类器对风机轴承进行故障识别，并输出故障检测结果。相对于现有技术而言，本发明的技术方案可以有效解决识别精度低、计算量大、鲁棒性差等问题，在小样本学习的条件下也具有较高的识别准确性，具有很强的应用前景。附图说明[0035] 为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。[0036] 图1为本发明实施例提供的一种基于深度学习的风机轴承的故障检测方法流程示意图；[0037] 图2为本发明实施例提供的步骤S101方法流程示意图；[0038] 图3为本发明实施例提供的步骤S102方法流程示意图；[0039] 图4为本发明实施例提供的步骤S302方法流程示意图；[0040] 图5为本发明实施例提供的步骤S103方法流程示意图；[0041] 图6为本发明实施例提供的基于深度学习的风机轴承的故障检测系统示意图。[0042] 主要元件符号说明：[0043] 10?信号采集单元；20?学习训练单元；30?故障检测单元。具体实施方式[0044] 下面将结合本发明实施例中附图，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。[0045] 常见的风机发电系统故障中，传动系统的故障发生概率较高，由于传动系统是风电机组产生能量变换的重要部件，因此传统系统故障造成的影响也较大，会导致较长时间的停机和维修，严重降低了风电场的安全可靠性和发电经济性。对此，本发明实施例提供的基于深度学习的风机轴承的故障检测方法和系统，结合深度学习理论实现了深度神经网络故障诊断，能够很好地应用于风电机组传动系统。[0046] 实施例1[0047] 请参照图1，本实施例提出一种基于深度学习的风机轴承的故障检测方法，包括：[0048] 步骤S101，采集风机轴承的实时监测信号，实时监测信号为时序数据；[0049] 具体地，风机轴承的实时监测信号包括风机轴承振动超标、轴承温度过高、动叶卡涩和旋转失速等信息。[0050] 步骤S102，构建深度学习模型，对实时监测信号进行第一特征提取与第二特征提取，并进行深度学习模型训练；[0051] 步骤S103，将待检测信号输入至深度学习模型，利用分类器对风机轴承进行故障识别，并输出故障检测结果；[0052] 具体地，故障识别的结果包括严重故障、一般故障和预警故障，故障检测结果包括根据故障等级的故障诊断建议。[0053] 参照图2，步骤S101包括：[0054] 步骤S201，获取包含实时监测信号的原始样本数据；[0055] 步骤S202，对原始样本数据进行标签化分类，生成第一数据集、第二数据集和第三数据集，其中，第一数据集的监测数据采集成功率不小于90％，第二数据集的监测数据采集成功率大于50％小于90％，第三数据集的监测数据采集成功率不大于50％；[0056] 具体地，由于现场情况变化大，监测数据采集时常存在采集失败的情况，对此，本发明实施例在应用数据前，按照数据采集质量对原始样本数据进行分类，得到第一数据集、第二数据集和第三数据集，三类数据集的数据质量依次递减。在模型训练过程中，为能够更好地进行特征提取，会优先选用第一数据集或第二数据集，并根据数据应用情况选用第三数据集。[0057] 步骤S203，对标签化分类后的数据集进行筛查复选，得到优化样本数据以提高小样本数据特征提取能力。[0058] 具体地，使用第一数据集、第二数据集等高质量数据是较为简单的筛选方式，本发明实施例提供另一种高质量数据筛查复选方法。首先，建立数据质量筛查复选模型，采用局部线性回归法对所述第一数据集、第二数据集和第三数据集进行拟合分析，利用高斯函数放大局部信息，采用高斯函数作为权重值计算函数，对筛选出的高质量数据组进行权重赋值；其次提取拟合优度优度负荷条件的样本数据区间，并进行拼接得到优化样本数据。[0059] 参照图3，步骤S102包括：[0060] 步骤S301，利用优化样本数据，采用滑动时间窗口法构建用于进行深度学习的训练集、验证集和测试集，并利用训练集随机选取数据对的方式生成支撑集；[0061] 步骤S302，构建一维卷积神经网络和长短期记忆人工神经网络，并利用一维卷积神经网络和长短期记忆人工神经网络提取第一特征和第二特征，进行深度学习模型训练。[0062] 具体地，由于实时监测数据属于一维数据，因此本发明实施例采用一维卷积神经网络进行训练，主要包括输入层、卷积层和池化层，在输入层接受一维序列数据(即优化样本数据)作为模型的输入，并使用一系列可训练的卷积核在输入数据上滑动并提取特征，通过这种方式提取出局部特征信息，提取输入序列的局部分布，最后在池化层对卷积层输出的结果进行降维处理，减少计算量，并提高模型的鲁棒性。本发明实施例在训练的过程中，将网络需要设置的超参数进行最优求取，包括卷积核大小、卷积层个数等方面，并进行调优验证。[0063] 参照图4，步骤S302包括：[0064] 步骤S401，将支撑集输入至输入层，并在卷积层和池化层处理得到第一特征；[0065] 步骤S402，将第一特征序列数据直接输入至长短期记忆人工神经网络得到第二特征，利用自适应矩估计法进行训练过程优化，并通过最小化损失函数更新网络参数，将参数固定在深度学习模型上；[0066] 步骤S403，利用验证集对参数进行调整。[0067] 具体地，现有技术对特征的提取往往多停留在局部特征方面，没有有效地考虑到循环神经网络存在的长期依赖问题，可能会使诊断结果产生偏差。本发明实施例在应用一维卷积神经网络提取风电机组的序列数据局部时序特征后，又利用长短期记忆人工神经网络进行第二特征提取，进而形成更为全面的风电机组轴承故障判别结果。[0068] 参照图5，步骤S103包括：[0069] 步骤S501，将测试集输入至深度学习模型；[0070] 步骤S502，利用softmax函数得到故障概率向量，根据故障概率向量进行风机故障识别，并根据识别结果输出故障诊断建议。[0071] 具体地，深度学习模型的学习率为0.015，迭代次数为150。本发明实施例提供的基于深度学习的风机轴承的故障检测方法，可在风机轴承振动超标、轴承温度过高、动叶卡涩和旋转失速信息等问题诊断的基础上，给出故障程度的诊断意见。以轴承振动超标为例，本发明实施例可自动判断轴承振动严重超标、一般超标或是超标预警，进而生成相应的应对措施建议，可有效帮助技术人员做好日常的监控与维修工作。[0072] 本发明提供了一种基于深度学习的风机轴承的故障检测方法，包括采集风机轴承的实时监测信号，实时监测信号为时序数据；构建深度学习模型，对实时监测信号进行第一特征提取与第二特征提取，并进行深度学习模型训练；将待检测信号输入至深度学习模型，利用分类器对风机轴承进行故障识别，并输出故障检测结果。相对于现有技术而言，本发明的技术方案可以有效解决识别精度低、计算量大、鲁棒性差等问题，在小样本学习的条件下也具有较高的识别准确性，具有很强的应用前景。[0073] 实施例2[0074] 参照图6，本实施例还提出一种基于深度学习的风机轴承的故障检测系统，包括：[0075] 信号采集单元10，用于采集风机轴承的实时监测信号，实时监测信号为时序数据；[0076] 学习训练单元20，用于构建深度学习模型，对实时监测信号进行第一特征提取与第二特征提取，并进行深度学习模型训练；[0077] 故障检测单元30，用于将待检测信号输入至深度学习模型，利用分类器对风机轴承进行故障识别，并输出故障检测结果。[0078] 可以理解，上述的一种基于深度学习的风机轴承的故障检测系统对应于实施例1的基于深度学习的风机轴承的故障检测方法。实施例1中的任何可选项也适用于本实施例，这里不再详述。[0079] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。