基于迁移学习的风力发电机轴承故障诊断模型构建方法技术

本发明专利技术涉及风力发电机设备状态检测及故障诊断方法，具体为基于迁移学习的风力发电机轴承故障诊断模型构建方法，包括以下步骤：（1）获取训练原始数据；（2）选取预训练模型；（3）应用模型迁移方法对预训练模型进行训练；（4）对模型进行加权集成确定最终算法网络模型。本发明专利技术技术方案带来的有益效果如下：（1）采用性能优异的模型进行迁移学习，省去大量模型参数设置、超参自学习，提高风力发电机故障诊断模型的开发效率；（2）准确诊断轴承传动端、非传动端早期故障；（3）轴承故障情况下，使维修人员按照轴承故障状态进行状态修及预防修，减少计划修及过度修，节省维修成本及维修时间，提高维修效率。效率。效率。

【技术实现步骤摘要】
基于迁移学习的风力发电机轴承故障诊断模型构建方法


[0001]本专利技术涉及风力发电机设备状态检测及故障诊断方法，具体为基于迁移学习的风力发电机轴承故障诊断模型构建方法。

技术介绍

[0002]由于风力发电机设备、备件的故障间隔离散性较大，定期维修会造成较高的维修成本和较多的停机检修时间，因此做到状态维修及预防维修能有效降低维修成本，降低事故停机率，具有很高的投资收益比。状态监测是一种感知设备健康的技术，使潜在的问题能够在其发展的早期被检测和诊断，并在问题变得严重之前通过适当的恢复措施进行校正。
[0003]现有一种基于特征分析、机器学习的故障诊断识别方案，对运行中的轴承振动信号进行采集，将采集数据进行时域分析，运用阈值判定、逻辑推理等方法搭建辨识模型，需要专家知识进行人工特征提取和选择，外加浅层分类器。但该识别方案仅对振动或者音频的时域信号进行数据分析，存在特征提取不完整影响模型性能、轴承故障识别率低的问题。
[0004]还有一种深度学习方案，是一种机器自动进行特征提取及故障识别的方案，通过监测系统获取电机的振动信号，搭建并训练深度学习网络模型进行故障定位及分类，但模型的建立需要设计卷积层、池化层等大量模型参数，由于专业人员的知识差别，存在模型训练需要大量时间及较高配置资源结果却不理想的情况。
[0005]在实际工业系统中，当风力发电机工作状态发生改变往往会引起声音信号结构的变化、出现不同的声音信号特征，可以通过设备声音信号特征的变化判断出设备的运行状态。迁移学习是一种解决域适应问题的方法，对带大量标签数据及可用参数设置的源域，通过迁移已学习的知识，处理带少量标签的目标域在迁移学习中，只需微调训练后的模型并使用少量标记数据对其进行训练，即可将其应用于不同的工作。因此利用现有性能优异的模型进行迁移学习能够节省模型训练时间、提高开发效率。

技术实现思路

[0006]本专利技术基于迁移学习的风力发电机轴承故障诊断模型构建方法，解决了以下问题：(1)采用音频信号构建轴承故障诊断模型，实现轴承的故障辨识；(2)利用迁移学习方法将现有网络模型应用在风力发电机轴承故障辨识系统中，提高模型的开发效率；(3)针对音频信号不易识别的问题，将音频信号转换为二维信息，采用加权集成方法对迁移学习模型进行加权集成，提升轴承故障识别准确率。
[0007]本专利技术是采用如下的技术方案实现的：基于迁移学习的风力发电机轴承故障诊断模型构建方法，包括以下步骤：
[0008](1)获取训练原始数据集；
[0009](2)选取AlexNet网络、InceptionV3网络和VGG
‑
16网络作为预训练模型；
[0010](3)应用模型迁移方法对预训练模型进行训练，得到AlexNet迁移模型、InceptionV3迁移模型和VGG
‑
16迁移模型，分别记为模型1、模型2、模型3；
[0011](4)对模型进行加权集成确定最终集成算法模型，针对模型1、模型2、模型3对不同故障的识别准确率与整体识别准确率，权重分配公式如下：其中Z
ij
表示第i个模型对第j类故障的识别权重，A
ij
表示第i个模型对第j类故障的识别准确率，A
i
为第i个模型的整体识别准确率；集成算法模型将模型1、模型2、模型3的对故障定位及分类信息进行加权，得到最终的故障诊断结果。
[0012]上述的基于迁移学习的风力发电机轴承故障诊断模型构建方法，根据轴承外圈剥离、轴承内圈剥离两种故障情况，将轴承分别安装在风力发电机传动端、非传动端，设计5种运行方案：方案一：传动端轴承状态为正常，非传动端轴承状态为正常；方案二：传动端轴承状态为外圈剥离，非传动端轴承状态为正常；方案三：传动端轴承状态为正常，非传动端轴承状态为外圈剥离；方案四：传动端轴承状态为内圈剥离，非传动端轴承状态为正常；方案五：传动端轴承状态为正常，非传动端轴承状态为内圈剥离；每一种运行方案作为一种故障类型。
[0013]上述的基于迁移学习的风力发电机轴承故障诊断模型构建方法，原始数据集的采集过程为：将风力发电机倾斜θ
°
安装在实验台上带载运行，每一种运行方案在M种转速下采集音频信号数据5分钟，共计5*M组试验数据；
[0014]将每种方案的M组音频原始数据均分割成长度为L的时间序列N份，共计5*M*N份，分别对长度为L的时间序列进行傅里叶变换，因此1*L的原始数据序列变成2*L的二维数据序列，对每一份二维数据序列添加标签，最终形成5*M*N组2*L长度带标签的原始数据集。
[0015]上述的基于迁移学习的风力发电机轴承故障诊断模型构建方法，将原始数据集按一定比例分成训练集、验证集、测试集，对预训练模型进行训练。
[0016]上述的基于迁移学习的风力发电机轴承故障诊断模型构建方法，对AlexNet网络进行训练的过程为：保留其卷积层、池化层的结构和参数，将最后的全连接层和输出层采用新的参数随机初始化，即切掉最后的softmax层，然后接上一个新的参数随机初始化后的softmax层，使用训练集对新构造的网络进行训练，最后使用测试集样本对网络进行测试。
[0017]本专利技术技术方案带来的有益效果如下：
[0018](1)采用性能优异的模型进行迁移学习，省去大量模型参数设置、超参自学习，提高风力发电机故障诊断模型的开发效率；
[0019](2)准确诊断轴承传动端、非传动端早期故障，在日常维护期间通过发电机保养、处理废油脂、处理积碳、更换过滤棉等维护方式避免轴承严重故障，导致风电机组停机，影响发电量；
[0020](3)轴承故障情况下，使维修人员按照轴承故障状态进行状态修及预防修，减少计划修及过度修，节省维修成本及维修时间，提高维修效率。
附图说明
[0021]图1为采集信号波形图。
[0022]图2为模型迁移流程图。
[0023]图3为AlexNet迁移模型混淆矩阵图。
具体实施方式
[0024]基于迁移学习的风力发电机轴承故障诊断模型构建方法，包括以下步骤：(1)获取训练原始数据；(2)选取预训练模型；(3)应用模型迁移方法对预训练模型进行训练；(4)对模型进行加权集成确定最终算法网络模型。
[0025]获取训练原始数据
[0026](1)轴承故障预制：
[0027]对轴承预制常见故障，故障类型包括：轴承外圈剥离、轴承内圈剥离，将轴承分别安装在风力发电机传动端、非传动端，共计5种运行方案：
[0028]方案一：传动端轴承状态为正常，非传动端轴承状态为正常；
[0029]方案二：传动端轴承状态为外圈剥离，非传动端轴承状态为正常；
[0030]方案三：传动端轴承状态为正常，非传动端轴承状态为外圈剥离；
[0031]方案四：传动端轴承状态为内圈剥离，非传动端轴承状态为正常；
[0032]方案五：传动端轴承状态为正常，非传动端轴承状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于迁移学习的风力发电机轴承故障诊断模型构建方法，其特征在于：包括以下步骤：(1)获取训练原始数据集；(2)选取AlexNet网络、InceptionV3网络和VGG
‑
16网络作为预训练模型；(3)应用模型迁移方法对预训练模型进行训练，得到AlexNet迁移模型、InceptionV3迁移模型和VGG
‑
16迁移模型，分别记为模型1、模型2、模型3；(4)对模型进行加权集成确定最终集成算法模型，针对模型1、模型2、模型3对不同故障的识别准确率与整体识别准确率，权重分配公式如下：其中Z
ij
表示第i个模型对第j类故障的识别权重，A
ij
表示第i个模型对第j类故障的识别准确率，A
i
为第i个模型的整体识别准确率；集成算法模型将模型1、模型2、模型3的对故障定位及分类信息进行加权集成，得到最终的故障诊断结果。2.根据权利要求1所述的基于迁移学习的风力发电机轴承故障诊断模型构建方法，其特征在于：根据轴承外圈剥离、轴承内圈剥离两种故障情况，将轴承分别安装在风力发电机传动端、非传动端，设计5种运行方案：方案一：传动端轴承状态为正常，非传动端轴承状态为正常；方案二：传动端轴承状态为外圈剥离，非传动端轴承状态为正常；方案三：传动端轴承状态为正常，非传动端轴承...

【专利技术属性】
技术研发人员：李娜，侯晓军，曹丽明，王帆，王瑞山，
申请(专利权)人：中车永济电机有限公司，
类型：发明
国别省市：