一种风电机组齿轮箱故障的迁移诊断方法技术

本发明专利技术属于风电机组状态监测与故障诊断技术领域，尤其涉及一种风电机组齿轮箱故障的迁移诊断方法，包括：建立四个神经网络结构，分别为源域特征提取器、目标域特征提取器、域分类器和域判别器；用带标注的源域数据通过前向传播计算得到预测标签值，根据预测标签和实际标签计算得到网络训练损失函数，采用反向传播算法对源域特征提取器和域分类器进行预训练；用源域数据和目标域数据通过前向传播依次计算得到源域特征、目标域特征和域判别器的损失函数，用反向传播算法分别依次对域判别器和目标域特征提取器进行训练；将新获取的目标域数据输入目标域特征提取器，计算得到特征，将特征输入得到的域分类器得出该新数据的预测标签。

【技术实现步骤摘要】
一种风电机组齿轮箱故障的迁移诊断方法
本专利技术属于风电机组状态监测与故障诊断
，尤其涉及一种风电机组齿轮箱故障的迁移诊断方法。
技术介绍
风电机组长期运行在室外恶劣自然环境下，故障率比常规发电机组高。与此同时，风电机组地处偏远，机舱安装在近百米高的位置，这给机组的维护检修造成了极大的不便，是其维护成本高昂的重要原因。据不完全统计，按照风电机组20年全寿命周期运行成本计算，故障导致的停机时间已占其额定发电时间的25.6％，维护费用高达风电场总收入的20-25％。齿轮箱是风电机组中连接传动系统和发电系统的关键设备，在复杂载荷的作用下，齿轮箱常常会发生断齿或齿面磨损等故障。与其他风电机组的零部件相比，齿轮箱的故障率不是最高的，但齿轮箱一旦发生问题维修非常不便，其所造成的停机时间和经济损失一直排在所有部件的首位。风电机组齿轮箱属于高可靠性复杂专用旋转机械设备，常规的故障诊断技术不能很好的适应这种长寿命，高可靠性的复杂系统。通常情况下在风电机组上监测一台齿轮箱若干年，采集数万小时的监测数据，可能只有一两次失效记录，甚至还会出现没有一个失效的情况，由于现场数据中提供的失效信息太少，很难甚至无法建立实际可用的齿轮箱故障诊断系统。风电机组齿轮箱的失效或故障是由性能退化导致的，属于退化型失效，其性能在失效前是在逐渐发生退化的，性能退化到一定程度就判定为失效或故障。假如机组都在相同条件和相同的环境下制造和使用，失效水平也相同，那么风电机组齿轮箱的退化轨道和失效状态也应该是相同的。可是实际情况不是这样，即使是同一风电场内同一批次的机组，也不是工作在相同的条件和环境下的。由于风电场内地形以及机组间尾流的影响，不同机位处的机组的风速、风向以及湍流强度均不相同，有时差异很大，齿轮箱所承受的载荷也不相同，因此，齿轮箱的退化过程总是受到各种各样波动的干扰，最终导致失效判定具有模糊性，难以用明确的规则给出风电机组齿轮箱的失效或故障状态的判据。风电机组齿轮箱的故障诊断是具有挑战性的问题。目前，国内外学者在相关方向上均开展了大量工作，取得了一些有意义的成果。按照诊断方法分类，风电机组齿轮箱的故障诊断方法主要分为：基于物理模型/解析模型的方法和数据驱动的方法。目前数据驱动的风电机组故障诊断和健康评估方法已经成为该领域内的研究热点。按照故障诊断所采用的信号分类，包括：振动信号、声学信号、电信号、温度以及油液成分。振动分析是旋转机械设备最常用的状态监测技术，也是风电机组传动链故障诊断最为有效的方法。时域分析、频域分析和时频域分析是传统振动分析技术的主要方法。虽然，目前在风电机组齿轮箱故障诊断方面取得了一定的成果，然而大部分方法仍然需要依赖专家经验，这些经验是主观的，很难通过形式化的方式描述清楚，这意味着在机组数量众多、型号与工况各异的风电场内，这些方法将不具备通用性和推广性。除此之外，风电机组大部件的故障数据十分稀缺，特别是带有故障标注的数据更是非常稀少，这使得基于监督学习的状态识别算法由于缺少故障样本而无法真正应用。另外，随着机组齿轮箱的老化，其性能逐渐降低，表征齿轮箱状态的信号也会随之发生分布上的改变，若模型不具备自适应调整的能力，这将严重影响诊断模型的泛化能力。
技术实现思路
针对上述问题，本专利技术提出了一种风电机组齿轮箱故障的迁移诊断方法，其包括以下步骤：步骤1：建立四个神经网络结构，分别为源域特征提取器、目标域特征提取器、域分类器和域判别器；步骤2：用带标注的源域数据通过前向传播计算得到预测标签值，根据预测标签和实际标签计算得到网络训练损失函数，采用反向传播算法对源域特征提取器和域分类器进行预训练；步骤3：用源域数据和目标域数据通过前向传播依次计算得到源域特征、目标域特征和域判别器的损失函数，用反向传播算法分别依次对域判别器和目标域特征提取器进行训练；步骤4：将新获取的目标域数据输入目标域特征提取器，计算得到特征，将特征输入步骤2中得到的域分类器得出该新数据的预测标签。所述源域是在实验室控制条件下获得的风电机组齿轮箱故障模拟数据集，含有大量标注数据；所述目标域是真实风电机组齿轮箱故障数据集，含有少量标注数据或不包含标注数据。所述源域特征提取器和目标域特征提取器网络结构一致，用于把相应领域的数据分别映射到特征分布空间；所述域判别器对输入特征的分布差异进行评估从而判断输入的特征来源于源域还是目标域；所述域分类器用以执行最终的分类任务。所述步骤2具体包括：步骤21：随机初始化源域特征提取器和域分类器；步骤22：将源域数据输入源域特征提取器，经过前向传播过程，得到源域特征，再将源域特征输入域分类器，经过域分类器的前向传播过程，计算得到预测标签值，根据预测标签和实际标签计算得到网络训练损失函数；步骤23：采用反向传播算法分别计算预训练网络损失函数对域分类器和源域特征提取器的网络参数的偏导数，采用梯度下降算法更新上述两个预训练网络的参数；步骤24：重复步骤22到步骤23，直到预训练网络收敛。所述步骤3具体包括：步骤31：用经过预训练的源域特征提取器的参数初始化目标域特征提取器，随机初始化域判别器；步骤32：分别将源域和目标域的数据输入各自的特征提取器，经过特征提取器的前向传播过程，计算得到源域和目标域特征；将源域和目标域特征一起输入域判别器网络，经过域判别器的前向传播过程，计算出域判别器的损失函数；步骤33：保持源域和目标域特征提取器网络参数不变，用反向传播算法求域判别器的损失函数对域判别器网络参数的偏导数，并用梯度上升算法更新域判别器网络参数；步骤34：保持源域特征提取器和域判别器网络参数不变，用反向传播算法求域判别器的损失函数对目标域特征提取器网络参数的偏导数，并用梯度下降算法更新目标域特征提取器的网络参数；步骤35：重复步骤32到步骤34的过程，直到收敛。所述网络训练损失函数是用来评估域分类器在特征识别分类上的评价标准，选择交叉熵作为网络训练损失函数。所述域判别器的损失函数是用来对源域特征和目标域特征的分别差异进行评价，选择为J-S散度作为域判别器的损失函数。本专利技术的有益效果：1、本专利技术实现了从振动数据中自动搜索更好的故障表征的过程，避免人工设计特征带来的局限性，实现通用化特征提取技术。2、本专利技术能够充分利用迁移学习技术，采用与风电机组实际故障数据(目标域)相似的实验室模拟故障数据(源域)进行故障诊断模型的预训练，从试验数据中搜索故障表征，并成功外推到真实的风电机组齿轮箱数据上，在一定程度上降低了故障诊断模型的训练过程对风电机组实际故障数据的需求量。3、本专利技术成功把试验数据(源域)上训练的模型外推到实际风电机组齿轮箱上的数据(目标域)中，实现了在相似领域之间的故障特征迁移，并在目标域上实现了无监督模式下的迁移，具备适用于机组齿轮箱监测数据分布发生小幅变化时的自调整能力，提高了故障诊断系统的泛化性能和自调节能力。附图说明图1为本专利技术的故障迁移诊断方法网络结构图。图2为本专利技术的网络预训练过程前向传播和反向传播过程示意图。图3为本专利技术的域判别器前向传播和反向传播过程示意图。图4为本专利技术的目标特征提取器前向传播和反向传播过程示意图。图5为本专利技术的诊断模型推理过程示意图。图6为本专利技术的故障迁移诊断模型训练流程图。图7为本专利技术的实施例混淆矩本文档来自技高网...

【技术保护点】
1.一种风电机组齿轮箱故障的迁移诊断方法，其特征在于，包括以下步骤：步骤1：建立四个神经网络结构，分别为源域特征提取器、目标域特征提取器、域分类器和域判别器；步骤2：用带标注的源域数据通过前向传播计算得到预测标签值，根据预测标签和实际标签计算得到网络训练损失函数，采用反向传播算法对源域特征提取器和域分类器进行预训练；步骤3：用源域数据和目标域数据通过前向传播依次计算得到源域特征、目标域特征和域判别器的损失函数，用反向传播算法分别依次对域判别器和目标域特征提取器进行训练；步骤4：将新获取的目标域数据输入目标域特征提取器，计算得到特征，将特征输入步骤2中得到的域分类器得出该新数据的预测标签。

【技术特征摘要】
1.一种风电机组齿轮箱故障的迁移诊断方法，其特征在于，包括以下步骤：步骤1：建立四个神经网络结构，分别为源域特征提取器、目标域特征提取器、域分类器和域判别器；步骤2：用带标注的源域数据通过前向传播计算得到预测标签值，根据预测标签和实际标签计算得到网络训练损失函数，采用反向传播算法对源域特征提取器和域分类器进行预训练；步骤3：用源域数据和目标域数据通过前向传播依次计算得到源域特征、目标域特征和域判别器的损失函数，用反向传播算法分别依次对域判别器和目标域特征提取器进行训练；步骤4：将新获取的目标域数据输入目标域特征提取器，计算得到特征，将特征输入步骤2中得到的域分类器得出该新数据的预测标签。2.根据权利要求1所述方法，其特征在于，所述源域是在实验室控制条件下获得的风电机组齿轮箱故障模拟数据集，含有大量标注数据；所述目标域是真实风电机组齿轮箱故障数据集，含有少量标注数据或不包含标注数据。3.根据权利要求1或2所述方法，其特征在于，所述源域特征提取器和目标域特征提取器网络结构一致，用于把相应领域的数据分别映射到特征分布空间；所述域判别器对输入特征的分布差异进行评估从而判断输入的特征来源于源域还是目标域；所述域分类器用以执行最终的分类任务。4.根据权利要求1或2所述方法，其特征在于，所述步骤2具体包括：步骤21：随机初始化源域特征提取器和域分类器；步骤22：将源域数据输入源域特征提取器，经过前向传播过程，得到源域特征，再将源域特征输入域分类器，经过域分类器的前向传播过程，计算得到预测标签值，根据预测标签和实际标签计算得到网络训练损失函数；步骤23：采用反向传播算法分别计算预训练网络损失函数对域分类器和源域特征提取器的网络参数的偏导数，采用梯度下降算法更新上述两个预训练网络的参数；步骤24：重复步骤22到步骤23，直到预训练网络收敛。5.根据权利要求3所述方法，其特征在于，所述步骤2具体包括：步骤21：随机初始化源域特征提取器和域分类器；步骤22：将源域数据输入...

【专利技术属性】
技术研发人员：马远驰，刘永前，程鸣，杨志凌，韩爽，李莉，张路娜，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11