【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 ...
【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:
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。