一种基于自适应残差神经网络的风力涡轮机故障诊断方法技术

本发明专利技术公开了一种基于自适应残差神经网络的风力涡轮机故障诊断方法，涉及风电机组设备故障诊断技术领域。其包括：采用连续小波变换，对原始数据集中每个样本进行时频处理；将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征；将低维抽象特征输入至基于LeNet

【技术实现步骤摘要】
一种基于自适应残差神经网络的风力涡轮机故障诊断方法


[0001]本专利技术涉及数据处理、数据识别、智能算法以及风电机组设备故障诊断
，特别涉及一种基于自适应resize残差神经网络的风力涡轮机故障诊断方法。

技术介绍

[0002]随着对环境保护意识的提高，人们开发了一些可持续和实现碳中和的可再生能源，这些能源正在逐步替代石油、煤炭等一些传统的化石原料。由于风力发电效率较低，因此对于提高风能利用率一直是一个热门的研究课题。除了研究风力涡轮机的选择，合理设计风力涡轮机的结构也很有用。同时，风力涡轮机经常处于动态和恶劣的天气条件下，经历多变和恶劣的工作环境，这使得他们比其他普通的机械更容易发生故障。如果风力涡轮机的一个部件在工人不知情的情况下发生损坏，很可能对其它部件造成损坏，甚至导致风机停机，造成巨大的经济损失。因此，及时发现风电机组的故障对降低风电场的维护成本，提高风电场的运行效率具有重要的意义。
[0003]目前，对于风力发电机组的故障诊断已经进行了大量的研究。基于数据驱动技术的故障诊断方法已经取得了相当不错的表现。完整的基于数据驱动的故障诊断方法主要包括四个步骤：1）数据采集；2）数据预处理；3）特征提取；4）模式识别。首先采集风电设备信号，通常包括振动信号、温度信号和电信号等，其中对于振动信号的相关研究较为成熟。然后对数据进行预处理，研究表明信号的频域特征比时域特征包含更加丰富的故障信息，因此通过对信号进行时频分析可以取得不错的效果。随后通过机器学习对处理后的数据进行特征提取，深度学习是机器学习中的一种新技术，通过迭代训练可以自主学习信号中的抽象特征。最后，使用训练好的模型对输入数据进行故障分类。近年来，卷积神经网络在故障诊断中取得了巨大成功，但是，大量的研究均使用一维信号作为输入数据，其强大的图像特征学习能力并没有得到有效利用；也有将一维信号转换为二维图像作为网络的输入，但数据维度的增加又会降低模型的训练效率，影响最终的故障诊断效果。

技术实现思路

[0004]基于此，有必要针对上述为了充分利用卷积神经网络强大的图像特征学习能力，以及解决因连续小波变换生成的图像数据维数过高，导致训练效率低的技术问题，提供一种基于自适应残差神经网络的风力涡轮机故障诊断方法。
[0005]本专利技术实施例提供一种基于自适应残差神经网络的风力涡轮机故障诊断方法，包括：获取风力涡轮机轴承在加速退化过程中的振动数据，将振动数据切分为相同长度样本，并将当前轴承健康状态作为样本标签，生成原始数据集；采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集；将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征；
将低维抽象特征输入至基于LeNet
‑
5网络结构搭建的残差网络中，获得联合训练后的自适应resize残差神经网络模型；将风力涡轮机轴承的实际振动数据输入至自适应resize残差神经网络模型中，获得故障分类结果。
[0006]进一步地，本专利技术实施例提供一种基于自适应残差神经网络的风力涡轮机故障诊断方法，还包括：使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集。
[0007]进一步地，其特征在于，所述原始数据集的确定，包括：使用加速度传感器采集不同故障类型轴承的加速退化振动信号，每隔1024个采样点对信号进行切分，生成统一尺寸的样本数据；从每种故障类型的数据样本中选取200个样本，且选择320个样本构成原始数据集；并对原始数据集中每种类型的数据按4：1切分为训练集和测试集；其中，所述原始数据集D的表达式为：式中，n为样本总数，x
i
为第i个样本， R=1024为样本维度，y
i
∈[1,N]为第i个样本对应的标签，N为轴承健康类型总数。
[0008]进一步地，所述采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集，具体包括：确定子小波函数，其定义公式为：（1）式中，ψ
a,b
(t)为小波基函数，a和b分别为伸缩因子和平移因子，当a和b有不同的值时，即生成不同尺度的子小波函数；对于输入数据x(t)的平方可积特性，使用连续小波变换进行数据处理，该过程表述为：（2）此时的a和b为连续变量，x(t)在不同尺度子小波函数作用下生成小波系数矩阵W
x
(a,b)，以图像的方式显示即为时频图；为的导数。
[0009]进一步地，所述使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集，具体包括：（3）式中，H
A
(D)为图像A的直方图分布，D为像素点的灰度值，为非线性函数；对于生成的RGB时频图，分别将每个通道的灰度值进行直方图均衡化，然后合成新的RGB图像；D
A 为图像A的所有像素点灰度值集合；A0为图像A的像素点个数。
[0010]进一步地，所述自适应resize网络，包括：卷积层：
ꢀꢀ
（4）式中，K
w,h
是卷积核，也称形状尺寸为 的权重矩阵，卷积核与第i个输入数据 进行卷积运算获得卷积层的输出结果；w，h为赋值索引；为卷积函数；批次归一化层：（5）式中， 和 为输入数据s的均值和方差，为无穷小数；和分别为尺度因子和平移因子； 为批次归一化函数；ReLu激活层：（6）式中，z激活层的输入数据；为激活函数。
[0011]进一步地，所述自适应resize残差神经网络模型，包括：（7）式中，和分别为自适应resize网络模块与残差网络模块，和分别为对应模块的参数；对于分类任务，所述自适应resize残差神经网络模型使用soft
‑
max函数实现对样本数据的故障预测，预测过程表述为：（8）式中，为输出层参数，t为故障类别总数；表示soft
‑
max分类层， P为条件概率函数；y为数据x的类别标签；为对应第j个样本参数。
[0012]进一步地，对所述自适应resize残差神经网络模型进行训练时，采用交叉熵作为损失函数，相应的公式为： （9）式中，T为标签类别数，和分别为真实标签和预测标签。
[0013]本专利技术实施例还提供一种基于自适应残差神经网络的风力涡轮机故障诊断装置，包括：数据集生成模块，用于获取风力涡轮机轴承在加速退化过程中的振动数据，将振动数据切分为相同长度样本，并将当前轴承健康状态作为样本标签，生成原始数据集；时频处理模块，用于采用连续小波变换，对原始数据集中每个样本进行时频处理，
生成二维时频图数据集；直方图均衡化模块，用于使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集；降维处理模块，用于将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征；训练模型构建模块，用于将低维抽象特征输入至基于LeNet
‑
5网络结构搭建的残差网络中，获得联合训练后的自适应resize残差神经网络模型；故障分类模块，用于将风力涡轮机轴承本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，包括：获取风力涡轮机轴承在加速退化过程中的振动数据，将振动数据切分为相同长度样本，并将当前轴承健康状态作为样本标签，生成原始数据集；采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集；将二维时频图数据集输入至自适应resize网络中，获得低维抽象特征；将低维抽象特征输入至基于LeNet
‑
5网络结构搭建的残差网络中，获得联合训练后的自适应resize残差神经网络模型；将风力涡轮机轴承的实际振动数据输入至自适应resize残差神经网络模型中，获得故障分类结果。2.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，还包括：使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频图数据集。3.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，所述原始数据集的确定，包括：使用加速度传感器采集不同故障类型轴承的加速退化振动信号，每隔1024个采样点对信号进行切分，生成统一尺寸的样本数据；从每种故障类型的数据样本中选取200个样本，且选择320个样本构成原始数据集；并对原始数据集中每种类型的数据按4：1切分为训练集和测试集；其中，所述原始数据集D的表达式为：式中，n为样本总数，x
i
为第i个样本， R=1024为样本维度，y
i
∈[1,N]为第i个样本对应的标签，N为轴承健康类型总数。4.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，所述采用连续小波变换，对原始数据集中每个样本进行时频处理，生成二维时频图数据集，具体包括：确定子小波函数，其定义公式为：（1）式中，ψ
a,b
(t)为小波基函数，a和b分别为伸缩因子和平移因子，当a和b有不同的值时，即生成不同尺度的子小波函数；对于输入数据x(t)的平方可积特性，使用连续小波变换进行数据处理，该过程表述为：（2）此时的a和b为连续变量，x(t)在不同尺度子小波函数作用下生成小波系数矩阵W
x
(a,b)，以图像的方式显示即为时频图；为的导数。5.如权利要求2所述的基于自适应残差神经网络的风力涡轮机故障诊断方法，其特征在于，所述使用直方图均衡化算法，增强时频图数据集中的图像对比度，获得新的二维时频
图数据集，具体包括：（3）式中，H
A
(D)为图像A的直方图分布，D为像素点的灰度值，为非线性函数；对于生成的RGB时频图，分别将每个通道的灰度值进行直方图均衡化，然后...

【专利技术属性】
技术研发人员：赵延南，胡俊，冯泳，张伟，庄可佳，余建峰，邹立，支峰，张蔚，张涛，付豫民，
申请(专利权)人：西安易诺敬业电子科技有限责任公司，
类型：发明
国别省市：