【技术实现步骤摘要】
一种风电机组轴承的联合故障诊断系统及故障诊断方法
[0001]本专利技术属于风力发电的故障诊断
,具体涉及一种风电机组轴承的联合故障诊断系统及故障诊断方法。
技术介绍
[0002]轴承是风电机组中极为重要的部件，容易出现点蚀、滚动体剥落、裂纹等缺陷，使风电机组的性能变差。对风电机组的轴承进行快速的故障诊断，可以及时判断出风电机组的运行情况，避免造成更大的经济损失。
[0003]传统的风电机组轴承故障诊断多采用集中式的深度学习方法，将各个风电机组采集到的数据传送到云端，云端使用复杂的深度学习模型对风电机组进行故障诊断。然而集中式的深度学习方法需要庞大且高质量的标签数据才能训练出高性能的模型，并且深度学习模型越复杂，模型训练时间越长，难以实现故障诊断快速性的要求。
[0004]将深度学习模型下放至设备端可以解决故障诊断时间长的问题，但是由于设备端计算资源有限，难以故障诊断的精度难以提高。随着大规模风电场的兴起，快速、高效的故障诊断可以使风电场可靠地运行，最大化的提高经济效益。
技术实现思路
...
【技术保护点】
【技术特征摘要】
1.风电机组轴承的联合故障诊断系统，包括云端和与云端通信的多个设备端，其特征是，所述设备端安装于每个风电机上，包括互相连接的传感器和控制器，传感器负责实时采集风电机组轴承的振动数据并发送至设备端控制器，控制器上存储着卷积神经网络模块，负责进行故障诊断；每个设备端控制器上的卷积神经网络模块经过训练后，将设备端卷积神经网络的参数上传至云端，云端通过加权平均的方法进行参数优化，并将优化后的参数发送至设备端控制器；通过云端和设备端的多轮通信，更新设备端控制器的卷积神经网络参数，当损失函数收敛时停止通信，得到设备端优化的卷积神经网络故障诊断模型。2.如权利要求1所述的风电机组轴承的联合故障诊断系统，其特征是，采集的风电机组轴承的振动数据包括:轴承在正常状态、外圈故障状态、内圈故障状态、滚动体故障状态下的振动数据。3.如权利要求1所述的风电机组轴承的联合故障诊断系统，其特征是，所述设备端的传感器采用加速度传感器，布置在风电机组轴承驱动端，振动数据的值为加速度传感器测得的振动加速度。4.如权利要求2所述的风电机组轴承的联合故障诊断系统，其特征是，每个风电机组设备端参与训练的历史数据均设置为独立同分布，且故障类型齐全，故障状态至少包括：外圈故障、内圈故障、滚动体故障和正常状态，每一种状态的概率相同，每一种状态用一个标签值表示。5.如权利要求4所述的风电机组轴承的联合故障诊断系统，其特征是，根据不同的故障损伤直径，外圈故障、内圈故障和滚动体故障可再细分为不同故障状态，每一种故障状态与正常状态的概率相同，每一种状态用一个标签值表示。6.如权利要求4或5所述的风电机组轴承的联合故障诊断系统，其特征是，每个风电机组的设备端控制器都存储着结构相同的卷积神经网络模块，运行卷积神经网络故障诊断模型，卷积神经网络的结构包括卷积层、池化层、全连接层和softmax输出层。7.如权利要求6所述的风电机组轴承的联合故障诊断系统，其特征是，设备端卷积神经网络的训练过程包括:步骤2.1:数据预处理：首先将采集到的振动数据划分为采样点个数为N的样本；然后采用小波包分解对样本进行处理：假设小波包分解的分解层数为q,则第q层分解树分解后可得到2
q
个节点，每个节点上的小波包系数个数为N/2
q
，每个小波包系数的采样点个数为N/2
q
，得到大小的二维时频图；步骤2.2:前向传播：将时频图输入到卷积神经网络中进行前向传播；设卷积神经网络的输入样本为x，y为样本对应的真实标签，softmax分类器得到的分类标签为预测标签Y，W
k
(k＝1,2,...K)为第k个参与训练的卷积神经网络卷积层和池化层的参数，一共有K个风电机组的设备端参与故障诊断，样本的分类损失L(x,y,W
...
【专利技术属性】
技术研发人员：吴定会，唐丹丹，沈艳霞，潘庭龙，张文峰，
申请(专利权)人：江南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。