一种用于解决风机故障检测中标记噪音和标记不足的方法技术

本发明专利技术公开了一种用于解决风机故障检测中标记噪音和标记不足的方法，包括以下具体步骤：（一）、数据收集，通过传感器收集各个监控点的时序特征；（二）、多示例数据构造，通过频谱分析将时序数据变换到频域数据，并通过划分窗口构造多示例数据；（三）、深度多示例学习模型训练，利用深度多示例学习技术建立故障检测模型；（四）、新数据模型训练，相比现有技术，本发明专利技术通过滑动窗口将时序数据划分为多个示例，只要有一个示例具有故障模式便被检测出来；此外，通过对滑动窗口内部频谱值的分布降低噪声的影响。

【技术实现步骤摘要】
一种用于解决风机故障检测中标记噪音和标记不足的方法
本专利技术涉及使用机器学习实现传动机械故障检测的
，具体涉及一种用于解决风机故障检测中标记噪音和标记不足的方法。
技术介绍
由于风力发电具有清洁可再生的优点，受到了来自世界范围内的广泛关注。但是，风机常常工作在恶劣的环境中，并且工作强度极其高。一方面，从风叶、塔架到发电箱，甚至是轴承、齿轮的损坏都会给生产过程带来巨大的安全威胁和经济损失。另一方面，通过故障诊断专家进行人工判断一台风机是否发生故障具有很高的时间和人力成本。这些都是风机故障检测和维修的难点，因此需要一套智能化的解决方案。使用机器学习技术对风机故障进行检测和分析是本专利技术的核心技术。机器学习技术，尤其是深度学习技术，需要大量的数据作为训练支持。一方面，该标记数据必须准确，因为部分机器学习模型，比如深度网络，对噪声不够鲁棒，很难通过带噪声的数据获得很好的模型。另一方面，在故障检测领域，训练数据本身就会带有噪声，比如搜集的信号会带有噪声（比如传感器安装位置不当）；此外，风机故障检测过程中收集到的信号是时序信号，故障模式的显现只在部分频段中出现，因此相比较于有故障的频段而言，没有故障的频段是干扰信号。然而，机械故障诊断过程中很难事先知道哪些频段是有故障的，即很难排除干扰信号的影响。除了风机故障检测，本专利技术还可以被用到其余机械传动故障诊断领域，比如：高精度发动机制造、高安全动车组运行等。
技术实现思路
为解决现有技术的不足，本专利技术的目的在于提供一种有效减少风机故障检测数据中噪声的用于解决风机故障检测中标记噪音和标记不足的方法。为了实现上述目标，本专利技术采用如下的技术方案：一种用于解决风机故障检测中标记噪音和标记不足的方法，包括以下具体步骤：（一）、数据收集，通过传感器收集各个监控点的时序特征；（二）、多示例数据构造，通过频谱分析将时序数据变换到频域数据，并通过划分窗口构造多示例数据；（三）、深度多示例学习模型训练，利用深度多示例学习技术建立故障检测模型；（四）、新数据模型训练。优选地，前述步骤（一）中、数据收集包括以下具体步骤：100、确定传动机械故障监控点；101、部署信号收集传感器；102、采集传动机械转速、加速度时序信号；103、将数据组织成若干组“（时序信号，是否有故障）”的形式。再优选地，前述步骤（二）中、多示例数据构造包括以下具体步骤：200、时域信号变换为频域信号：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1，频谱图F1中点的数目有K个，纵轴范围在[Vl,Vh]之间；201、确定候选窗口大小：确定N个窗口大小W1，W2，…,WN，满足W1<W2<…<WN；202、根据窗口大小划分频域数据窗口：对于每一个窗口大小Wi，依次遍历频谱图中的每一个窗口，即[0,Wi],[Wi,2*Wi],…，[(Si–1)*Wi,Si*Wi]，其中满足(Si–1)*Wi<K,Si*Wi>=K，即满足所有窗口覆盖完整的频谱图；203、统计每个窗口内部的所有频谱值的直方图分布：将[Vl,Vh]离散为L个区间，统计窗口内部所有频谱值在每个区间内的比例，得到一个长度为L的向量；204、获取多示例数据：当窗口大小为Wi时，将频谱图划分为Si个窗口，每个窗口内部得到一个长度为L的向量，共计得到S=S1+S2+…+SN个长度为L的向量，每个长度为L的向量当做一个示例，所有这S个示例构成一个多示例包；205、多示例数据表示：每组“（时序信号，是否有故障）”的数据，转换为“（S个长度为L的示例，是否有故障）”的形式。更优选地，前述步骤（三）中、深度多示例学习模型训练包括以下具体步骤：300、对于每个示例，通过若干层全连接网络处理；301、对所有示例处理得到的表示进行聚合，比如所有示例向量求和、求平均或者求最大值；302、将聚合得到的向量经过若干层全连接网络进行分类；303、优化整个模型得到故障检测模型M进一步优选地，前述步骤（四）中、新数据模型训练包括以下具体步骤：400、收集待预测部件的机械传动时序数据；401、构造多示例数据，如步骤200-205所示；402、利用训练好的模型M进行预测；403、如果预测值小于0.5，则输出无故障；404、如果预测值大于0.5，则输出有故障。本专利技术的有益之处在于：本专利技术通过滑动窗口将时序数据划分为多个示例，只要有一个示例具有故障模式便可以被检测出来；此外，通过对滑动窗口内部频谱值的分布降低噪声的影响，本专利技术通过有噪音、标记不足、标记不完善的时序数据进行故障检测的应用，比如风机故障检测。附图说明图1为本专利技术实施例的数据收集流程图；图2为本专利技术实施例的多示例数据构造流程图；图3为本专利技术实施例的多示例学习模型训练流程图；图4为本专利技术实施例的模型预测流程图。具体实施方式以下结合附图和具体实施例对本专利技术作具体的介绍。一种用于解决风机故障检测中标记噪音和标记不足的方法，包括以下具体步骤：（一）、数据收集，通过传感器收集各个监控点的时序特征；（二）、多示例数据构造，通过频谱分析将时序数据变换到频域数据，并通过划分窗口构造多示例数据；（三）、深度多示例学习模型训练，利用深度多示例学习技术建立故障检测模型；（四）、新数据模型训练。根据附图1，数据收集具体步骤依次为：确定主要测点、部署传感器（步骤100、101）：将轴承处选为主要测量点部署转速传感器，对于低频振动，在水平、垂直、和轴向三个方向进行测量；采集有故障和无故障的风机对应的转速时序信号（步骤102）：每段时序信号采集4~30s；并将数据组织成“（时序信号，是否有故障）”的形式保存（步骤103）。根据附图2，多示例数据构造具体步骤依次为：时域信号变换为频域信号（步骤200）：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1，频谱图F1中点的数目有K个，纵轴范围在[Vl,Vh]之间；确定候选窗口大小（步骤201）：确定N个窗口大小W1，W2，…,WN，满足W1<W2<…<WN；根据窗口大小划分频域数据窗口（步骤202）：对于每一个窗口大小Wi，依次遍历频谱图中的每一个窗口，即[0,Wi],[Wi,2*Wi],…，[(Si–1)*Wi,Si*Wi]，其中满足(Si–1)*Wi<K,Si*Wi>=K，即满足所有窗口覆盖完整的频谱图；统计每个窗口内部的所有频谱值的直方图分布（步骤203）：将[Vl,Vh]离散为L个区间，统计窗口内部所有频谱值在每个区间内的比例，得到一个长度为L的向量；获取多示例数据（步骤204）：当窗口大小为Wi时，将频谱图划分为Si个窗口，每个窗口内部得到一个长度为L的向量，共计得到S=S1+S2+…+SN个长度为L的向量，每个长度为L的向量当做一个示例，所本文档来自技高网...

【技术保护点】
1.一种用于解决风机故障检测中标记噪音和标记不足的方法，其特征在于，包括以下具体步骤：（一）、数据收集，通过传感器收集各个监控点的时序特征；（二）、多示例数据构造，通过频谱分析将时序数据变换到频域数据，并通过划分窗口构造多示例数据；（三）、深度多示例学习模型训练，利用深度多示例学习技术建立故障检测模型；（四）、新数据模型训练。/n

【技术特征摘要】
1.一种用于解决风机故障检测中标记噪音和标记不足的方法，其特征在于，包括以下具体步骤：（一）、数据收集，通过传感器收集各个监控点的时序特征；（二）、多示例数据构造，通过频谱分析将时序数据变换到频域数据，并通过划分窗口构造多示例数据；（三）、深度多示例学习模型训练，利用深度多示例学习技术建立故障检测模型；（四）、新数据模型训练。


2.根据权利要求1所述的一种用于解决风机故障检测中标记噪音和标记不足的方法，其特征在于，所述步骤（一）中、数据收集包括以下具体步骤：
100、确定传动机械故障监控点；
101、部署信号收集传感器；
102、采集传动机械转速、加速度时序信号；103、将数据组织成若干组“（时序信号，是否有故障）”的形式。


3.根据权利要求1所述的一种用于解决风机故障检测中标记噪音和标记不足的方法，其特征在于，所述步骤（二）中、多示例数据构造包括以下具体步骤：
200、时域信号变换为频域信号：将原生传动机械转速时序信号T变换为频域数据F0，提取固定频域范围内的频谱图F1，频谱图F1中点的数目有K个，纵轴范围在[Vl,Vh]之间；
201、确定候选窗口大小：确定N个窗口大小W1，W2，…,WN，满足W1<W2<…<WN；
202、根据窗口大小划分频域数据窗口：对于每一个窗口大小Wi，依次遍历频谱图中的每一个窗口，即[0,Wi],[Wi,2*Wi],…，[(Si–1)*Wi,Si*Wi]，其中满足(Si–1)*Wi<K,Si*Wi>=K，即满足所有...

【专利技术属性】
技术研发人员：詹德川，王魏，李新春，
申请(专利权)人：南京智谷人工智能研究院有限公司，
类型：发明
国别省市：江苏;32