风电发电机组机械故障音频识别和故障诊断方法技术

本发明专利技术属于风电发电机故障诊断技术领域，具体为风电发电机组机械故障音频识别和故障诊断方法，包括有故障信号检测和卷积神经网络，其特征在于，所述故障信号检测包括有振动信号检测、声发射信号检测、应变力信号检测、温度信号检测、油液参数检测和电信号检测。本发明专利技术通过对智能轴承故障诊断提出了一套基于振动故障信号监测和卷积神经网络模型的方法流程，振动信号由加速度传感器获得，历史数据经过合理的采样和1D

【技术实现步骤摘要】
风电发电机组机械故障音频识别和故障诊断方法


[0001]本专利技术涉及风电发电机故障诊断
，具体为风电发电机组机械故障音频识别和故障诊断方法。

技术介绍

[0002]随着科学技术的不断进步与经济发展的持续增长，人民生活水平得到了前所未有的提高，加之工业制造与产品生产的日新月异，能源供给正面临空前的挑战，在能源短缺的背景下，清洁可再生能源的发展越来越受到重视，其中，风能作为一种安全的清洁可再生能源，具有非常大的发展潜力，是传统化石燃料的重要替代能源，随着风电技术的不断发展和成熟，风力发电进入了高速发展时期，风能已经受到我国乃至全球范围内的高度青睐。
[0003]在风力发电规模不断扩大的同时，风电机组的运行维护问题也日益突出，特别是由于故障和检修导致运维成本居高不下，维护费用甚至占用了总投入的 10
‑
25％之多，由于受到风能资源所处地理位置的制约，现有的大型风电场一般建在我国西北部、高原和沿海等偏远地区，风电机组运行环境较为恶劣，且交通运输条件不便，为风电机组的运维带来了诸多困难，风电机组可能会遭受强降雨降雪、暴风闪电等极端恶劣天气的影响，随着运行时间的增加，风机叶片、齿轮箱、发电机以及其他部件极易发生各种各样的异常和故障，导致机组不正常运行甚至停机，其中，齿轮箱作为风力发电机中的重要传动部件，在实际运行中显示出较高的故障率，据统计约有20％的停机时间都是齿轮箱故障造成的，大部分的故障又发生在轴承上，因此轴承故障是造成风机齿轮箱失效的主要因素。
[0004]健康状况监测对于保障风电机组能够安全稳定运行是不可或缺的，有效的故障诊断技术可以在早期及时检测到风电机组的故障，由于风电装机规模的不断扩大，传统的定期检修方法已经越来越无法满足风场的实际运维需求，之后出现了状态监测技术，通过采用传感器获取风电机组实时运行数据达到在线监测和故障诊断的目的，但这样却依赖于专家知识和工作经验，且需要花费的大量的人力物力和时间成本，再加上系统复杂性的增加、故障多样性的增加、数据量的增加以及在线诊断的需求，依靠传统方法进行有效的故障诊断也变得愈发困难，急需更为有效的智能诊断技术来解决这些问题，因此我们提出了风电发电机组机械故障音频识别和故障诊断方法。

技术实现思路

[0005](一)专利技术目的
[0006]为解决
技术介绍
中存在的技术问题，本专利技术提出风电发电机组机械故障音频识别和故障诊断方法，具有智能检测的特点。
[0007](二)技术方案
[0008]为解决上述技术问题，本专利技术提供了风电发电机组机械故障音频识别和故障诊断方法，包括有故障信号检测和卷积神经网络，其特征在于，所述故障信号检测包括有振动信号检测、声发射信号检测、应变力信号检测、温度信号检测、油液参数检测和电信号检测，基
于卷积神经网络对轴承故障进行检测的智能诊断包括有数据获取、特征提取和特征分类，借助深度学习模型在特征自动提取方面的功能，将故障诊断问题转换为类似图像识别分类任务进行处理，进行信号数据预处理，之后建立模型结构进行训练优化，进行重叠采样，通过振动数据的二维表示，以诊断轴承状态是否健康。
[0009]用于建立模型结构的模型设计为3个卷积
‑
池化对和2个全连接层的网络结构，且训练优化在获取样本并进行预处理之后，二维图像和与之对应的健康状态标签作为一个样本对，将全部样本集合的按给定比例随机选取一部分作为训练集，剩下的样本作为测试集，其中训练集用于模型训练，带有健康状态类别标签进行监督学习，待模型训练完成之后，将不带标签的测试集数据属于送入模型进行测试，得到分类预测结果，与真实结果进行比较之后可以评估模型的泛化能力，减少实验结果的偶然性。
[0010]所述轴承故障包括有内圈故障、外圈故障、滚动体故障和保持架故障，故障产生的损伤点与其他元件表面反复碰撞产生周期性故障冲击，为低频振动信号，故障程度越大冲击幅度越大，滚动轴承各部位的故障特征频率的计算公式如下所示：
[0011]内圈故障频率：
[0012]外圈故障频率：
[0013]滚动体故障频率：
[0014]保持架故障频率：
[0015]以上各式中，N为滚动体数量，D为轴承直径，d
b
为滚动体直径，α为接触角，f
r
是轴的转动频率。
[0016]所述卷积神经网络学习模块由输入层、卷积层、池化层、全连接层、输出层组成，且卷积神经网络学习模块具有的反向传播是神经网络参数优化的关键步骤，各个权值参数和偏置参数通过对目标函数求偏导后再根据优化算法进行更新，通过反向传播后用优化算法进行权值优化更新。
[0017]所述故障信号检测还包括有综合性复合故障诊断，复合故障视作同属于多个单一故障，即需要同时被识别为多种故障模式，此时模型成为了单输入多输出模型，需要将既定复合故障分别识别为相应的单一故障模式，在模式识别问题中可将此种问题成为多标签分类。
[0018]优选的，所述池化层为关键图片识别能力，具备稀疏连接和权值共享，所述输入层为图像输入，包括单通道的灰度图与三通道的彩色图输入形式，所述输出层为Softmax分类器，用以输出图像分类识别结果，对于目标检测或图像分割领域则有特殊的输出层结构，所述卷积层用于特征学习，池化层用于特征选择，分类器则利用学习到的深层特征进行分类输出，各个层的网络参数在训练中同时优化。
[0019]优选的，所述数据预处理将一维信号的采样值按顺序重新排布成二维矩阵，视作振动灰度图，并且在构造样本时按一定长度进行重叠采样以增加样本数。
[0020]优选的，所述故障信号检测通过传感器设置在待检测部位上进行数据采集和监测控制。
[0021]优选的，所述卷积神经网络通过仿真信号和测试台信号进行验证有效性。
[0022]优选的，所述故障信号检测在噪音干扰下进行基于卷积神经网络的模拟训练，增加模型的抗噪声能力。
[0023]优选的，所述模型结构建设完成后进行目标函数设计和模型训练。
[0024]优选的，所述振动信号监测和卷积神经网络模型用于对不同故障类型和不同故障程度的识别，到噪声干扰下的故障信号检测，以及复合故障的有效识别。
[0025]本专利技术的上述技术方案具有如下有益的技术效果：
[0026]1.本专利技术通过对智能轴承故障诊断提出了一套基于振动故障信号监测和卷积神经网络模型的方法流程，振动信号由加速度传感器获得，历史数据经过合理的采样和1D
‑
2D信号处理变换后，将各种故障状态下的轴承信号样本合理划分为训练集和测试集，训练集送入建立的深度卷积神经网络进行模型学习，待模型学习完成后用测试集验证模型的泛化能力，即测试准确率，通过测试的卷积神经网络模型即可进一步部署于风电机组监测控制系统，实现在线实时状态监测和故障诊断。
[0027]2.本专利技术通过仿真信号和测试台信号验证基于卷积神经网络的故障诊断方法的有效性，仿真是对轴承振动的简化数学建模，对问题进行了一定的简化，有助于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.风电发电机组机械故障音频识别和故障诊断方法，包括有故障信号检测和卷积神经网络，其特征在于，所述故障信号检测包括有振动信号检测、声发射信号检测、应变力信号检测、温度信号检测、油液参数检测和电信号检测，基于卷积神经网络对轴承故障进行检测的智能诊断包括有数据获取、特征提取和特征分类，借助深度学习模型在特征自动提取方面的功能，将故障诊断问题转换为类似图像识别分类任务进行处理，进行信号数据预处理，之后建立模型结构进行训练优化，进行重叠采样，通过振动数据的二维表示，以诊断轴承状态是否健康；用于建立模型结构的模型设计为3个卷积
‑
池化对和2个全连接层的网络结构，且训练优化在获取样本并进行预处理之后，二维图像和与之对应的健康状态标签作为一个样本对，将全部样本集合的按给定比例随机选取一部分作为训练集，剩下的样本作为测试集，其中训练集用于模型训练，带有健康状态类别标签进行监督学习，待模型训练完成之后，将不带标签的测试集数据属于送入模型进行测试，得到分类预测结果，与真实结果进行比较之后可以评估模型的泛化能力，减少实验结果的偶然性；所述轴承故障包括有内圈故障、外圈故障、滚动体故障和保持架故障，故障产生的损伤点与其他元件表面反复碰撞产生周期性故障冲击，为低频振动信号，故障程度越大冲击幅度越大，滚动轴承各部位的故障特征频率的计算公式如下所示：内圈故障频率：外圈故障频率：滚动体故障频率：保持架故障频率：以上各式中，N为滚动体数量，D为轴承直径，d
b
为滚动体直径，α为接触角，f
r
是轴的转动频率；所述卷积神经网络学习模块由输入层、卷积层、池化层、全连接层、输出层组成，且卷积神经网络学习模块具有的反向传播是神经网络参数优化的关键步骤，各个权值参数和偏置参数通过对目标函数求偏导后再根据优化算法进行更新，通过反向传播后用优化算法进行权值优化更新；所述故障信号检测还包括有综合...

【专利技术属性】
技术研发人员：徐春，岳永军，丛智慧，马亮，于萍，
申请(专利权)人：中科诺维北京科技有限公司，
类型：发明
国别省市：