基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法技术

本发明专利技术公开了一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法，该诊断方法包括首先采用主成分分析对原始风力发电机叶片根部采集到的光纤载荷信号进行降维处理，然后采用多层深度卷积自编码器进行无监督地特征提取，得到具有故障信息的特征向量，之后将特征向量输入到XGBoost中进行特征学习和分类，最终实现风力发电机叶片故障智能监测的目的。本发明专利技术采用机器学习方法自动提取信号特征，实现故障监测，代替了传统的手提取特征信息，大大减轻了相关人员的工作负担，与传统信号处理方法相比，提升了故障监测的精度。

Fault diagnosis method of wind turbine blade based on deep convolution self encoder and xgboost

【技术实现步骤摘要】
基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法
本专利技术属于风力发电机组的故障诊断领域，具体涉及一种基于深度卷积自编码器和XGBoost(eXtremeGradientBoosting，极端梯度提升)的风力发电机叶片故障诊断方法。
技术介绍
风力发电机叶片是风力发电机组的重要组成部分，约占整个风机成本的20％-30％，有很大一部分的风机事故是由风机叶片故障引起。风机叶片的典型两种故障形式分别为覆冰和裂纹。风力发电机常布置在高海拔地区，在这种严寒天气下运行，风机叶片很容易会产生结冰现象。叶片表面覆冰不仅造成了叶片变形、失速，掉落的冰还可能对周围设施造成破坏。叶片出现裂纹故障的情况，一般是受到运行环境和交变载荷长期作用的影响。细小裂纹会改变叶片的气动性能，造成发电量减少、叶片使用寿命降低。如果裂纹深度、广度继续扩散，有可能会使叶片发生断裂，进而导致塔筒受力不均，甚至发生倾覆！可能严重危害人民生命财产安全，因此及时发现风机叶片的故障，具有非常重要的实际意义。风机叶片在运行的过程中充斥着大量噪声，又因其常处于复杂多变的工作环境中，其光栅载荷信号表现出非平稳特征，传统信号处理方法提取故障特征会有相当大的难度和不确定性，且会带来大量的数据处理工作。近年来，深度学习方法被引入到机械故障领域，其利用复杂的非线性神经元组合，通过正、反向传播，学习到信号的故障特征，以此作为故障分类的依据。深度学习方法与传统信号处理方法相比，避免了人工提取特征的繁琐，自动地从高维信号中学习到故障特征，其故障诊断准确率也得到了显著的提升。
技术实现思路
本专利技术的主要目的在于提供一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法，旨在解决既有方法中存在的以上技术问题。为实现上述目的，本专利技术提供一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法，包括以下步骤：S1、获取风力发电机叶片工作时每一种工况下的原始光栅载荷信号；S2、对获取的原始光栅载荷信号进行归一化处理；S3、采用主成分分析方法对步骤S2处理后的叶片光栅载荷信号进行信号降维处理；S4、将步骤S3处理后的信号通过深度卷积自编码器进行特征提取，获取包含风机叶片故障信息的特征向量；S5、将步骤S4获取的特征向量代入XGBoost进行有监督的交叉验证训练，得到最终的分类结果，实现风力发电机叶片智能故障监测。进一步地，所述步骤S2具体采用最大最小值归一化方法对获取的原始光栅载荷信号进行处理，计算公式表示为：其中，X为光栅载荷信号，Xmin为光栅载荷信号的最小值，Xmax为光栅载荷信号的最大值，Xsca为光栅载荷信号归一化处理结果。进一步地，所述步骤S3采用主成分分析方法对步骤S2处理后的叶片光栅载荷信号进行信号降维处理具体包括以下分步骤：S31、根据步骤S2处理后的叶片光栅载荷信号计算样本的协方差矩阵；S32、对计算得到的样本的协方差矩阵进行特征值分解；S33、根据设定阈值选取一定数量的特征值，将选取的特征值所对应的特征向量作为样本降维的投影矩阵；S34、将样本与步骤S33得到的投影矩阵相乘得到降维后的信号。进一步地，所述步骤S33中根据设定阈值选取一定数量的特征值具体表示为：其中，λi为协方差矩阵的第i个特征值，N为设定阈值，d为选取的特征值数量，n为特征值总量。进一步地，所述步骤S4将步骤S3处理后的信号通过深度卷积自编码器进行特征提取过程中，采用均方误差作为损失函数、Adam优化算法作为优化函数，其中深度卷积自编码器的第k层隐含节点的计算公式表示为hk＝σ(x*Wk+bk)其中，hk为第k层隐含层节点，σ为激活函数，x为k-1层隐含层节点，Wk为第k层权重矩阵，bk为第k层偏置矩阵。进一步地，所述步骤S5采用XGBoost对特征向量进行有监督的交叉验证训练过程中，将数据样本按照7：3划分训练集和测试集，并采用十折交叉验证训练结果。本专利技术的有益效果是：本专利技术首先采用主成分分析对原始风力发电机叶片根部采集到的光纤载荷信号进行降维处理，然后采用多层深度卷积自编码器进行无监督地特征提取，得到具有故障信息的特征向量，之后将特征向量输入到XGBoost中进行特征学习和分类，最终实现风力发电机叶片故障智能监测的目的。本专利技术采用机器学习方法自动提取信号特征，实现故障监测，代替了传统的手提取特征信息，大大减轻了相关人员的工作负担，与传统信号处理方法相比，提升了故障监测的精度。附图说明图1是本专利技术的基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法流程图；图2是本专利技术中步骤S3的处理流程图；图3是本专利技术中深度卷积自编码器的训练结果示意图；图4是本专利技术的风力发电机叶片故障诊断方法的准确率曲线示意图；图5是本专利技术的风力发电机叶片故障诊断方法的混淆矩阵示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例的主要解决方案是：如图1所示，一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法，包括以下步骤：S1、获取风力发电机叶片工作时每一种工况下的原始光栅载荷信号。本实施例中，将光栅载荷传感器粘贴在风机叶片根部，采集风机叶片在正常、覆冰、裂纹三种工况下运行时的原始光栅载荷信号。S2、对获取的原始光栅载荷信号进行归一化处理。本实施例中，采用最大最小值归一化方法对获取的原始光栅载荷信号进行处理，计算公式表示为：其中，X为光栅载荷信号，Xmin为光栅载荷信号的最小值，Xmax为光栅载荷信号的最大值，Xsca为光栅载荷信号归一化处理结果。S3、采用主成分分析方法对步骤S2处理后的叶片光栅载荷信号进行信号降维处理。本实施例中，如图2所示，上述步骤S3具体包括以下分步骤：S31、根据步骤S2处理后的叶片光栅载荷信号计算样本的协方差矩阵；S32、对计算得到的样本的协方差矩阵进行特征值分解；S33、根据设定阈值选取一定数量的特征值，将选取的特征值所对应的特征向量作为样本降维的投影矩阵；本实施例中，根据设定阈值选取一定数量的特征值具体表示为：其中，λi为协方差矩阵的第i个特征值，N为设定阈值，d为选取的特征值数量，n为特征值总量。这里设定阈值为95％，即通过上式即可确定包含原始信号95％信息量的最小信号降维维数。S34、将样本与步骤S33得到的投影矩阵相乘得到降维后的信号。S4、将步骤S3处理后的信号通过深度卷积自编码器进行特征提取，获取包含风机叶片故障信息的特征向量。本实施例中，将步骤S3处理后的信号通过深度卷积自编码器进行特征提取过程中，采用均方误差作为损失函数、Adam优化算法作为优化函数，其中深度卷积自编码器的第k层隐含节点的计算公式表示为hk＝σ(x*Wk+bk)其中，hk为第k层隐含层节点，σ为激活函数，x为k-1层隐含层节点，Wk为第k层权重矩阵，bk为第k层偏置矩阵。如图3所示，为损失值的训练结果。S5、将步骤S4获取的特征向量代入XGBoost进行有监督的交叉验证训练，得到最终的分类结果，实现风力发电机叶片智能故障监测。本实施例中，采用XGBoost对特征向量进行有监督的交叉验证训练本文档来自技高网...

【技术保护点】
1.一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法，其特征在于，包括以下步骤：S1、获取风力发电机叶片工作时每一种工况下的原始光栅载荷信号；S2、对获取的原始光栅载荷信号进行归一化处理；S3、采用主成分分析方法对步骤S2处理后的叶片光栅载荷信号进行信号降维处理；S4、将步骤S3处理后的信号通过深度卷积自编码器进行特征提取，获取包含风机叶片故障信息的特征向量；S5、将步骤S4获取的特征向量代入XGBoost进行有监督的交叉验证训练，得到最终的分类结果，实现风力发电机叶片智能故障监测。

【技术特征摘要】
1.一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法，其特征在于，包括以下步骤：S1、获取风力发电机叶片工作时每一种工况下的原始光栅载荷信号；S2、对获取的原始光栅载荷信号进行归一化处理；S3、采用主成分分析方法对步骤S2处理后的叶片光栅载荷信号进行信号降维处理；S4、将步骤S3处理后的信号通过深度卷积自编码器进行特征提取，获取包含风机叶片故障信息的特征向量；S5、将步骤S4获取的特征向量代入XGBoost进行有监督的交叉验证训练，得到最终的分类结果，实现风力发电机叶片智能故障监测。2.如权利要求1所述的基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法，其特征在于，所述步骤S2具体采用最大最小值归一化方法对获取的原始光栅载荷信号进行处理，计算公式表示为：其中，X为光栅载荷信号，Xmin为光栅载荷信号的最小值，Xmax为光栅载荷信号的最大值，Xsca为光栅载荷信号归一化处理结果。3.如权利要求1所述的基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法，其特征在于，所述步骤S3采用主成分分析方法对步骤S2处理后的叶片光栅载荷信号进行信号降维处理具体包括以下分步骤：S31、根据步骤S2处理后的叶片光栅载荷信号计算样本的协方差矩阵；S32、对计算...

【专利技术属性】
技术研发人员：崔昊，王科盛，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51