一种基于深度学习的风机轴承的故障检测方法和系统技术方案

本发明专利技术提供了一种基于深度学习的风机轴承的故障检测方法和系统，包括采集风机轴承的实时监测信号，实时监测信号为时序数据；构建深度学习模型，对实时监测信号进行第一特征提取与第二特征提取，并进行深度学习模型训练；将待检测信号输入至深度学习模型，利用分类器对风机轴承进行故障识别，并输出故障检测结果

【技术实现步骤摘要】
一种基于深度学习的风机轴承的故障检测方法和系统


[0001]本专利技术涉及新能源
，尤其涉及一种基于深度学习的风机轴承的故障检测方法和系统
。

技术介绍

[0002]近年来，中国新能源发展迅速，其中风电的发展尤为突出，风电装机容量快速增长，现已成为全球最大的风电市场
。
[0003]风机轴承是风力发电机组中重要的组成部分，其质量和性能直接影响风力发电机组的发电效率和运行安全性
。
由于长期运行和外界环境因素的影响，风机轴承容易出现磨损
、
腐蚀
、
裂纹等故障，导致风机轴承的性能下降
、
寿命缩短，严重时可能导致风机轴承的损坏和整机故障
。
因此，对风机轴承的故障进行及时
、
准确的检测和诊断，对于保障风力发电机组的安全运行和提高发电效率具有重要意义
。
[0004]目前，对风机轴承的故障检测主要采用振动信号分析
、
温度信号分析
、
声音信号分析等方法，通过分析信号的频谱特征
、
时域特征和幅值特征等，从而判断风机轴承的运行状态和故障情况
。
传统的声音信号分析方法主要采用傅里叶变换
、
小波变换
、
短时傅里叶变换等数学方法进行信号处理和特征提取，然后使用支持向量机
、
人工神经网络等分类器对特征进行分类识别
。
虽然这些方法在风机轴承的故障检测领域具有一定的应用价值，但是由于信号处理和特征提取的复杂性和分类器的复杂性，仍存在识别精度低
、
计算量大
、
鲁棒性差等问题，难以满足实际应用的需求
。
[0005]综上所述，当前现有技术难以实现对风机故障的准确可靠检测
。

技术实现思路

[0006]有鉴于此，本专利技术实施例提出的基于深度学习的风机轴承的故障检测方法和系统，可以有效解决识别精度低
、
计算量大
、
鲁棒性差等问题，在小样本学习的条件下也具有较高的识别准确性，具有很强的应用前景
。
[0007]本专利技术的实施例提供了一种基于深度学习的风机轴承的故障检测方法，包括：
[0008]采集风机轴承的实时监测信号，所述实时监测信号为时序数据；
[0009]构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取，并进行所述深度学习模型训练；
[0010]将待检测信号输入至所述深度学习模型，利用分类器对所述风机轴承进行故障识别，并输出故障检测结果
。
[0011]示例性地，所述风机轴承的实时监测信号包括风机轴承振动
、
轴承温度和旋转速度信息；所述故障识别的结果包括严重故障
、
一般故障和预警故障，所述故障检测结果包括根据故障等级输出故障诊断建议
。
[0012]示例性地，所述采集风机轴承的实时监测信号包括：
[0013]获取包含实时监测信号的原始样本数据；
[0014]对所述原始样本数据进行标签化分类，生成第一数据集
、
第二数据集和第三数据集，其中，所述第一数据集的监测数据采集成功率不小于
90
％，所述第二数据集的监测数据采集成功率大于
50
％小于
90
％，所述第三数据集的监测数据采集成功率不大于
50
％；
[0015]对标签化分类后的数据集进行筛查复选，得到优化样本数据以提高小样本数据特征提取能力
。
[0016]示例性地，所述对标签化分类后的数据集进行筛查复选，得到优化样本数据包括：
[0017]采用局部线性回归法对所述第一数据集
、
第二数据集和第三数据集进行拟合分析，利用高斯函数放大局部信息；
[0018]提取拟合优度优度符合条件的样本数据区间，得到所述优化样本数据
。
[0019]示例性地，所述构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取包括：
[0020]利用所述优化样本数据，采用滑动时间窗口法构建用于进行深度学习的训练集
、
验证集和测试集，并利用所述训练集随机选取数据对的方式生成支撑集；
[0021]构建一维卷积神经网络和长短期记忆人工神经网络，并利用所述一维卷积神经网络和长短期记忆人工神经网络提取所述第一特征和第二特征，进行所述深度学习模型训练
。
[0022]示例性地，所述一维卷积神经网络包括输入层
、
卷积层和池化层，所述构建一维卷积神经网络和长短期记忆人工神经网络，并利用所述一维卷积神经网络和长短期记忆人工神经网络提取所述第一特征和第二特征，进行所述深度学习模型训练包括：
[0023]将所述支撑集输入至所述输入层，并经过所述卷积层和池化层处理得到所述第一特征；
[0024]将所述第一特征序列数据直接输入至所述长短期记忆人工神经网络得到所述第二特征，利用自适应矩估计法进行训练过程优化，并通过最小化损失函数更新网络参数，将参数固定在所述深度学习模型上；
[0025]利用所述验证集对所述参数进行调整
。
[0026]示例性地，所述将待检测信号输入至所述深度学习模型，利用分类器对所述风机轴承进行故障识别，并输出故障检测结果包括：
[0027]将所述测试集输入至所述深度学习模型；
[0028]利用
softmax
函数得到故障概率向量，根据所述故障概率向量进行风机故障识别，并根据识别结果输出所述故障诊断建议
。
[0029]示例性地，所述深度学习模型的学习率为
0.015
，迭代次数为
150。
[0030]本专利技术的另一实施例提供了一种基于深度学习的风机轴承的故障检测系统，包括：
[0031]信号采集单元，用于采集风机轴承的实时监测信号，所述实时监测信号为时序数据；
[0032]学习训练单元，用于构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取，并进行所述深度学习模型训练；
[0033]故障检测单元，用于将待检测信号输入至所述深度学习模型，利用分类器对所述风机轴承进行故障识别，并输出故障检测结果
。
[0034]本专利技术提供了一种基于深度学习的风机轴承的故障检测方法和系统，包括采集风机轴承的实时监测信号，实时监测信号为时序数据；构建深度学习模型，对实时监测信号进行第一特征提取与第二特征提取，并进行深度学习模型训练；将待检测信号输入至深度学习模型，利用分类器对风机轴承进行故障识别，并输出故障检测结果
。
相对于现有技术而言，本专利技术的技术方案可以有效解决识别精度低
、
计算量大
、
鲁棒本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的风机轴承的故障检测方法，其特征在于，包括：采集风机轴承的实时监测信号，所述实时监测信号为时序数据；构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取，并进行所述深度学习模型训练；将待检测信号输入至所述深度学习模型，利用分类器对所述风机轴承进行故障识别，并输出故障检测结果
。2.
根据权利要求1所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述风机轴承的实时监测信号包括风机轴承振动
、
轴承温度和旋转速度信息；所述故障识别的结果包括严重故障
、
一般故障和预警故障，所述故障检测结果包括根据故障等级输出故障诊断建议
。3.
根据权利要求2所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述采集风机轴承的实时监测信号包括：获取原始样本数据，其中，所述原始样本数据包含实时监测信号；对所述原始样本数据进行标签化分类，生成第一数据集
、
第二数据集和第三数据集，其中，所述第一数据集的监测数据采集成功率不小于
90
％，所述第二数据集的监测数据采集成功率大于
50
％小于
90
％，所述第三数据集的监测数据采集成功率不大于
50
％；对标签化分类后的数据集进行筛查复选，得到优化样本数据以提高小样本数据特征提取能力
。4.
根据权利要求3所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述对标签化分类后的数据集进行筛查复选，得到优化样本数据包括：采用局部线性回归法对所述第一数据集
、
第二数据集和第三数据集进行拟合分析，利用高斯函数放大局部信息；提取拟合优度优度符合条件的样本数据区间，得到所述优化样本数据
。5.
根据权利要求4所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取包括：利用所述优化样本数据，采用滑动时间窗口法构建用于...

【专利技术属性】
技术研发人员：张新萌，文传博，严春汪，柯灿阳，洪乐，杨洵，罗诚栋，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：