一种基于深度迁移学习的风机轴承端到端故障诊断方法技术

本发明专利技术公开了一种基于深度迁移学习的风机轴承端到端故障诊断方法，其特点是，包括风电机组轴承振动信号采集、改进CNN和残差块模型构建、模型预训练、通过迁移的方式微调深度学习模型的网络参数和基于深度迁移学习的风机轴承端到端故障诊断等步骤；与传统方法相比较，新方法在非平衡小样本场景下滚动轴承多状态分类中打破了传统机器学习依赖大量历史数据、冷启动和需要数据预处理的局限，大大降低了诊断成本和处理时间，显著提高了故障诊断精确度。其科学合理，适应性强，实用价值高，可为后续新建风电场运行维护、风机研发等相关人员提供参考。提供参考。提供参考。

【技术实现步骤摘要】
一种基于深度迁移学习的风机轴承端到端故障诊断方法


[0001]本专利技术属于风机轴承故障诊断
，具体涉及一种基于深度迁移学习的风机轴承端到端故障诊断方法。

技术介绍

[0002]以新能源为主的新型电力系统不断推进电力设备的健康管理和运维模式向数字化和智能化转型。风能是最重要的清洁新能源之一，风机主轴承是风力发电机组传动系统的重要组成部件，主要起到支撑和传动的作用。风电机组主轴承一旦发生运行故障将会致使机械传动系统乃至整个机组都不能运行，造成严重的经济损失。然而在新建风电场中数据不足、如果通过实际操作破坏风机主轴承发生相应的故障会付出巨大的成本代价，因此，研究风机主轴承的智能化故障诊断具有重要的意义。
[0003]目前大多数用于分类的传统机器算法必须满足三个前提条件才能表现良好：(1)训练集为大量平衡数据集；(2)训练集和测试集满足相同的数据分布。(3)数据需要进行预处理，无法实现原始数据直接端到端诊断。然而上述条件在实际生产中很难满足。在实际生产运行中，大部分数据是在正常情况下获得的，因此故障数据很难获得，生产的损失是无法弥补的；其次，如果生产条件发生变化，训练集和测试集不满足相同的数据分布，模型诊断精确度将会大幅下降，导致在前一阶段训练的模型无法用于当前阶段，重新训练模型的成本将会大大增加；同时，传统故障分析及定位方法依赖数据预处理、特征提取、浅层机器学习模型等多个环节，每个环节的误差容易累积，使得最终的诊断判别结果准确率不高。
[0004]综合考虑上述问题可知，现有针对滚动轴承的故障诊断方法大多采用“信号处理技术+机器学习”传统诊断方法，或者通过浅层的深度神经网络实现滚动轴承的状态监测和故障诊断，存在新建风电场数据不足、故障诊断精确度低等问题。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种科学合理、适应性强、实用价值高，能够在投入运行时间较短、样本数据不足的新建风电场场景下，具有较好故障识别准确率一种基于深度迁移学习的风机轴承端到端故障诊断方法。
[0006]本专利技术的目的是通过以下技术手段实现的：一种基于深度迁移学习的风机轴承端到端故障诊断方法，其特征是，它包括以下步骤：
[0007]步骤1：采集深度迁移学习的源域和目标域；
[0008]步骤11：选取领域内经典的凯斯西储大学(case western reserve university，CWRU)轴承数据中心数据集作为源域。根据主轴承故障发生的位置可将其分为四种状态：正常状态(0)、内圈故障(1)、外圈故障(2)、滚动体故障(3)。选取CWRU数据集中在12kHz采样频率下驱动端的主轴承类型为6205
‑
2RS JEM SKF，四种工况分别为0hp(1797r/min)、1hp(1772r/min)、2hp(1750r/min)、3hp(1730r/min)；
[0009]步骤12：通过加速度传感器采集新建风电场中风电机组主轴承的一维原始振动信
号：正常状态信号(0)、内圈故障振动信号(1)、外圈故障信号(2)和滚动体故障振动信号(3)，信号采样频率为12kHz，将其作为目标域；
[0010]步骤2：改进CNN_ResNetBlock_TL模型的构建；
[0011]卷积神经网络(Convolutional Neural Network，CNN)是一种基于神经网络的深度学习模型，主要用于图像识别、目标检测、语音识别等领域。CNN模型中主要包括卷积层、池化层、全连接层等。卷积层是CNN模型的核心，通过卷积操作提取数据的特征。池化层通过降采样的方式减少参数，提高模型的鲁棒性。全连接层用于将卷积和池化提取的特征向量映射到特定类别，进行分类或者回归。
[0012]卷积层数学表达式为：
[0013]u
j
＝f(x
i
+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0014]式(1)中：uj为输出；f为Relu函数；xi为输入；bi为偏置项。
[0015]池化层运算表示式为：
[0016]u
j
＝f(β
i
·
θ+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0017]式(2)中：βi为网络偏置，θ为子采样函数。
[0018]残差块(Residual block)是残差网络(ResNets)的重要组成部分。ResNets的专利技术者是何凯明等，他们发现使用残差块能够训练更深的神经网络,不仅解决了梯度消失和梯度爆炸问题，还可以保证训练更深网络的同时减少训练错误。一个残差块可以表示为：
[0019]x
l+1
＝x
l
+F(x
l
,W
l
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0020]残差块分成两部分直接映射部分和残差部分。h(x
l
)是直接映射，F(x
l
,W
l
)是残差部分，一般由两个或者三个卷积操作构成。
[0021]传统的机器学习方法是对每一个任务都从头开始学习，并为这些不同的任务分别构造单独的模型，而迁移学习主要是利用源域数据训练好的深度学习模型，作为源域模型，并将源域的模型结构和训练好的参数选择性迁移到目标域模型中，充分挖掘了源域中历史数据，为目标域提供了有价值的信息。下式中D
s
和D
t
分别表示源域数据和目标域数据；X
s
和X
t
分别表示源域样本和目标域样本；T
s
和T
t
是其相应的标签；Y
s
和Y
t
分别表示源域任务和目标域任务。
[0022][0023][0024]所提出的改进CNN_ResNetBlock_TL模型的神经网络架构如下所述：输入为一维原始振动信号，模型首先经过两层卷积神经网络提取更深层的特征，接着嵌入五层连续的优化之后的残差块，接着再次进行一次深度卷积神经网络，接着进行一次最大平均池化，预训练模型就用dense和dropout防止过拟合，迁移学习则在预训练模型的基础上，更新最后一层的权重。
[0025]步骤3：利用训练后的所述CNN_ResNetBlock_TL诊断模型实现端到端在线故障诊断。
[0026]步骤31：将步骤1中CWRU公开数据集中SKF6205型主轴承不同工况下的平衡数据集
作为源域数据，构造源域模型结构并对其进行训练调试，得出最佳的源域故障诊断模型，保存源域模型相应的结构和参数；
[0027]步骤32：载入保存的源域模型结构，将步骤31中得到的源域模型的权重参数迁移作为目标域模型运行的初始值，固定前n
‑
1层参数，将新建风电场中风机主轴承SKF6205实际运行产生的非平本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度迁移学习的风机轴承端到端故障诊断方法，其特征在于，包括以下步骤：步骤1：采集深度迁移学习的源域和目标域；步骤2：改进CNN_ResNetBlock_TL模型的构建；步骤3：利用训练后的所述CNN_ResNetBlock_TL诊断模型实现端到端在线故障诊断。2.根据权利要求1所述的一种基于深度迁移学习的风机轴承端到端故障诊断方法，其特征在于，所述步骤1具体包括：步骤11：选取领域内经典的凯斯西储大学(case western reserve university，CWRU)轴承数据中心数据集作为源域。根据主轴承故障发生的位置可将其分为四种状态：正常状态(0)、内圈故障(1)、外圈故障(2)、滚动体故障(3)。选取CWRU数据集中在12kHz采样频率下驱动端的主轴承类型为6205
‑
2RS JEM SKF，四种工况分别为0hp(1797r/min)、1hp(1772r/min)、2hp(1750r/min)、3hp(1730r/min)；步骤12：通过加速度传感器采集新建风电场中风电机组主轴承的一维原始振动信号：正常状态信号(0)、内圈故障振动信号(1)、外圈故障信号(2)和滚动体故障振动信号(3)，信号采样频率为12kHz，将其作为目标域。3.根据权利要求1所述的一种基于深度迁移学习的风机轴承端到端故障诊断方法，其特征在于，所述步骤2具体包括：卷积神经网络(Convolutional Neural Network，CNN)是一种基于神经网络的深度学习模型，主要用于图像识别、目标检测、语音识别等领域。CNN模型中主要包括卷积层、池化层、全连接层等。卷积层是CNN模型的核心，通过卷积操作提取数据的特征。池化层通过降采样的方式减少参数，提高模型的鲁棒性。全连接层用于将卷积和池化提取的特征向量映射到特定类别，进行分类或者回归。卷积层数学表达式为：u
j
＝f(x
i
+b
i
)
ꢀꢀꢀꢀ
(1)式(1)中：uj为输出；f为Relu函数；xi为输入；bi为偏置项。池化层运算表示式为：u
j
＝f(β
i
·
θ+b
i
)
ꢀꢀꢀꢀ
(2)式(2)中：βi为网络偏置，θ为子采样函数。残差块(Residual block)是残差网络(ResNets)的重要组成部分。ResNets的发明者是何凯...

【专利技术属性】
技术研发人员：徐茹枝，蒋亚丹，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：