双向小波卷积长短时记忆网络风力发电机故障诊断方法技术

本发明专利技术公开了一种双向小波卷积长短时记忆网络风力发电机故障诊断方法，包括以下步骤：建立多源故障数据集，给每类故障打上标签，划分训练集与测试集；构建BWCovLSTM网络模型，将多源故障数据集样本分割成若干个时间步长的输入矩阵，作为网络模型的输入；对由输入矩阵和短时记忆状态拼接的数据矩阵做二维离散小波变换，得到近似细节、水平细节、垂直细节、对角细节四个特征矩阵；将得到的四个特征矩阵与权重矩阵卷积作为

【技术实现步骤摘要】
双向小波卷积长短时记忆网络风力发电机故障诊断方法


[0001]本专利技术涉及故障诊断
，更具体的说是涉及一种双向小波卷积长短时记忆网络风力发电机故障诊断方法。

技术介绍

[0002]目前，传统故障诊断方法如专家系统，经验模态分解，支持向量机等依赖人工提取和选择特征，模型泛化能力差。深度学习方法摆脱了对人工提取特征的依赖，在故障诊断领域得到了广泛的应用。例如，Hsueh等采用经验小波变换结合CNN的方法对感应电机故障进行诊断，实验结果表明，该方法优于支持向量机等传统故障诊断方法。祝文颖等针对振动信号具有复杂多分量和调幅
‑
调频的特点，通过经验小波变换通过对信号Fourier频谱的分割构造一组正交滤波器组,能提取具有紧支撑Fourier频谱的单分量成分,再对单分量成分运用Hilbert变换实现信号的解调分析。Zeng等采用一种分层稀疏性策略来改进堆叠稀疏自编码器，并利用粒子群优化算法获得最佳稀疏参数以提高网络性能。与传统故障诊断方法相比，深度学习方法能够自动提取故障特征，达到更好的诊断效果。由于单传感器信号包含的故障信息不全面，采用多传感器信息融合能够形成故障信息互补，使得故障信息更加全面，达到比单信号更好的诊断效果。杨洁等基于多传感器信息融合的轴承故障诊断模型，对航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(1D
‑
CNN)对实验获取的航空发动机的轴承故障振动数据进行特征提取与分类，直接将不同传感器采集的波形信号作为输入，舍弃了传统的基于信号分析故障诊断的繁琐步骤。实验采用4个加速度传感器输入该模型对轴承故障进行分类与识别，取得很好的故障诊断效果。Wang等提出了一种融合多模态传感器信号的方法，利用一维CNN对振动和声学信号进行融合实现了更准确的轴承故障诊断。Peng等提出了一种通过多个转速表的数据来提取它们之间的不平衡相位特征，从而识别行星齿轮故障的诊断方法。由于设备当前运行状态与之前的运行状态有关，因此故障信号在时间维度上也包含着丰富的信息，但是采用CNN等空间特征提取方法并不能提取时序特征。
[0003]因此，提供一种双向小波卷积长短时记忆网络风力发电机故障诊断方法，提取高质量的时间和空间特征的同时实现故障特征互补是本领域技术人员亟需解决的问题。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种双向小波卷积长短时记忆网络风力发电机故障诊断方法，采用BICovLSTM融合多传感器数据，形成特征互补，并在一个时间步内提取时空特征，减少关键故障信息丢失；在BICovLSTM结构中结合小波变换，增强特征；计算相邻时间步输出之间的余弦距离，以达到更好的诊断效果。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种双向小波卷积长短时记忆网络风力发电机故障诊断方法，包括以下步骤：
[0007]S1、建立多源故障数据集，给每类故障打上标签，划分训练集与测试集；
[0008]S2、构建BWCovLSTM网络模型，将多源故障数据集样本分割成若干个时间步长的输入矩阵，作为网络模型的输入；
[0009]S3、对由输入矩阵和短时记忆状态拼接的数据矩阵做二维离散小波变换，得到近似细节、水平细节、垂直细节、对角细节四个特征矩阵；
[0010]S4、将得到的四个特征矩阵与权重矩阵卷积作为
‘
门
’
操作的输入，最终得到当前时间步的输出特征；
[0011]S5、计算相邻时间步输出的余弦距离，最后输入全连接层获得诊断结果，计算交叉熵损失函数，调整模型参数；
[0012]S6、将测试集输入训练好的网络，得到模型的准确率和T
‑
SEN可视化图。
[0013]优选的，所述步骤S2具体包括：
[0014]将长短时记忆网络LSTM单元数据矩阵与权重矩阵的点乘操作替换为卷积，使得网络的输入从一维信号拓展到多维信号，在一个时间步内提取时空特征；
[0015]f
t
、i
t
、o
t
分别表示遗忘门，输入门和输出门。将上一时间步的输出h
t
‑1信息和当前的输入信号x
t
拼接成[h
t
‑1,x
t
]作为卷积长短时记忆网络CovLSTM单元的输入与对应权重W相乘，然后经过小波变换和卷积操作，分别经sigmoid或tanh激活函数处理作为“门”操作的输入；遗忘门根据当前输入控制丢弃多少上一个时间步长时记忆状态c
t
‑1中的信息，如式(1)所示；
[0016]f
t
＝sigmoid(cov(W
f
，[h
t
‑1，x
t
])+b
f
)
ꢀꢀ
(1)
[0017]输入门根据当前输入控制向当前时间步长时记忆状态c
t
中添加多少信息，如式(2)(3)(4)所示：
[0018]i
t
＝sigmoid(cov(W
i
，[h
t
‑1，x
t
])+b
i
)
ꢀꢀ
(2)
[0019]o
t
＝sigmoid(cov(W
o
，[h
t
‑1，x
t
])+b
o
)
ꢀꢀ
(3)
[0020]c
t
＝f
t
*c
t
‑1+i
t
*tanh(cov(WT(W
c
，[h
t
‑1，x
t
]))+b
c
)
ꢀꢀ
(4)
[0021]输出门根据当前输入控制当前长时记忆状态选择哪些信息作为当前时间步的输出h
t
，如式(5)所示：
[0022]h
t
＝o
t
*tanh(c
t
)
ꢀꢀ
(5)
[0023]优选的，所述步骤S3具体包括：
[0024]获取haar小波的分解滤波器值，即dec_lo，dec_ho，求内积，如式(6)
‑
(9)所示：
[0025]ll＝dec_lo
·
dec_lo
ꢀꢀ
(6)
[0026]lh＝dec_ho
·
dec_lo
ꢀꢀ
(7)
[0027]lh＝dec_lo
·
dec_ho
ꢀꢀ
(8)
[0028]hh＝dec_ho
·
dec_ho
ꢀꢀ
(9)
[0029]其中，ll、lh、lh、hh分别表示近似、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双向小波卷积长短时记忆网络风力发电机故障诊断方法，其特征在于，包括以下步骤：S1、建立多源故障数据集，给每类故障打上标签，划分训练集与测试集；S2、构建BWCovLSTM网络模型，将多源故障数据集样本分割成若干个时间步长的输入矩阵，作为网络模型的输入；S3、对由输入矩阵和短时记忆状态拼接的数据矩阵做二维离散小波变换，得到近似细节、水平细节、垂直细节、对角细节四个特征矩阵；S4、将得到的四个特征矩阵与权重矩阵卷积作为
‘
门
’
操作的输入，最终得到当前时间步的输出特征；S5、计算相邻时间步输出的余弦距离，最后输入全连接层获得诊断结果，计算交叉熵损失函数，调整模型参数；S6、将测试集输入训练好的网络，得到模型的准确率和T
‑
SEN可视化图。2.根据权利要求1所述的一种双向小波卷积长短时记忆网络风力发电机故障诊断方法，其特征在于，所述步骤S2具体包括：将长短时记忆网络LSTM单元数据矩阵与权重矩阵的点乘操作替换为卷积，使得网络的输入从一维信号拓展到多维信号，在一个时间步内提取时空特征；f
t
、i
t
、o
t
分别表示遗忘门，输入门和输出门。将上一时间步的输出h
t
‑1信息和当前的输入信号x
t
拼接成[h
t
‑1,x
t
]作为卷积长短时记忆网络CovLSTM单元的输入与对应权重W相乘，然后经过小波变换和卷积操作，分别经sigmoid或tanh激活函数处理作为“门”操作的输入；遗忘门根据当前输入控制丢弃多少上一个时间步长时记忆状态c
t
‑1中的信息，如式(1)所示；f
t
＝sigmoid(cov(W
f
，[h
t
‑1，x
t
])+b
f
)
ꢀꢀꢀꢀ
(1)输入门根据当前输入控制向当前时间步长时记忆状态c
t
中添加多少信息，如式(2)(3)(4)所示：i
t
＝sigmoid(cov(W
i
，[h
t
‑1，x
t
])+b
i
)
ꢀꢀꢀ
(2)o
t
＝sigmoid(cov(W
o
，[h
t
‑1，x
t
])+b
o
)
ꢀꢀꢀ
(3)c
t
＝f
t
*c
t
‑1+i
t
*tanh(cov(WT(W
c
，[h
t
‑1，x
t
]))+b
c
)
ꢀꢀꢀꢀꢀ
(4)输出门根据...

【专利技术属性】
技术研发人员：王进花，王少鹏，曹洁，安永胜，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：