一种基于制造技术

本发明专利技术公开一种基于

【技术实现步骤摘要】
一种基于VMD
‑
TCN
‑
BiLSTM神经网络的一次风机轴承振动故障预警方法


[0001]本专利技术涉及火电机组一次风机故障预警
，具体来讲涉及一种基于
VMD
‑
TCN
‑
BiLSTM
神经网络的一次风机轴承振动故障预警方法
。

技术介绍

[0002]轴承在火电机组生产运行中有着举足轻重的地位，承担着零部件关键的支撑作用
。
但因其多变的工作环境，在运行中收到外界从冲击，十分容易出现磨损
、
裂纹
、
形变等缺陷，轻则导致设备故障，重则发生安全事故，造成不利影响
。
因此，如何对轴承故障精确的诊断一直是研究的热点
。
对于轴承故障来说振动信号的分析是最关键的，轴承具有良好的工作状态是，所产生的振动信号具有一定的随机性和平稳性；轴承出现故障时，轴承的振动现象会变得更加剧烈，同时振动信号将会表现出周期性的冲击特性和一定的非平稳性
。
实际测量的振动信号中含有大量无用信息，对混合振动信号中所蕴含的故障特征进行有效提取，是实现轴承故障预警的关键
。
[0003]故障诊断技术是实现轴承故障预警的关键技术
。
在轴承故障诊断领域内，传统的轴承故障诊断方式主要有时域分析法
、
频域分析法和时频分析法三种
。
此类方法主要是提取振动信号特性，并对其进行降噪和信号分解来进行特征分析和故障分类
。
但这类方法仅适用于少量数据，严重依赖于经验，并且存在许多局限性
。
随着工业信息化的发展，目前主要是通过对海量数据特征进行学习，生成预测模型，从而进行故障分析诊断
。
目前的研究中，主要利用神经网络
、
聚类分析和支持向量机三种方式对轴承振动数据进行特征提取和模式识别
。

技术实现思路

[0004]本专利技术的目的是提供一种基于
VMD
‑
TCN
‑
BiLSTM
神经网络的一次风机轴承振动故障预警方法，可更为精确地预警一次风机轴承故障，降低轴承振动故障对一次风机造成的损害
。
根据一次风机的轴承振动信号数据，对获取的数据进行预处理，采用
VMD
方法对原始轴承振动信号进行模态分解，将分解后的各模态信号进行标准化处理，将标准化处理后的各模态信号作为
TCN
‑
BiLSTM
网络的输入，原始轴承振动信号作为网络的输出
。
采用贝叶斯优化算法对网络的参数进行优化，寻找网络的最佳超参数
。
求出参数寻优后构建的
TCN
‑
BiLSTM
神经网络模型输出与实际轴承振动信号间的误差，利用
EWMA
对误差进行计算，得出误差的上下阈值作为判断是否故障的依据，当误差值超出阈值时认为振动信号开始出现异常，以此对某火电机组一次风机的轴承振动信号进行故障预警，验证该模型的有效性
。
[0005]本专利技术提供一种基于
VMD
‑
TCN
‑
BiLSTM
的一次风机轴承振动故障预警方法，具体按照以下步骤实施：
[0006]获取某火电机组一次风机的轴承振动信号
。
[0007]对获取的轴承振动信号数据进行预处理，预处理的数据通常为缺失数据和异常数
据
。
[0008]采用
VMD
对原始轴承振动信号进行模态分解
。
[0009]VMD
模态分解具体流程：
[0010]初始化
[0011]设定判别精度
e
和分解模态数
K。
[0012]更新
u
k
，公式如下：
[0013][0014]更新
ω
k
，公式如下：
[0015][0016]更新
λ
，公式如下：
[0017][0018]当时终止迭代，否则继续更新
u
k
和
ω
k
。
[0019]将分解后的
K
个模态进行相关性分析，当各模态间的相关性小于
0.1
时，表明模态分解正常；若相关性系数大于
0.2
则认为模态分量出现频谱混叠现象
。
[0020]将分解的
K
组模态数据进行
Z
‑
Score
标准化，公式如下：
[0021][0022]其中
j
为所选
X
矩阵中的一个特征或一列，
μ
j
为特征
j
所有值的均值，
σ
j
为特征
j
的标准差
。
[0023]采用滑动窗口重构标准化后的模态数据作为模型输入
。
[0024]TCN
网络是在卷积网络的基础上引入了膨胀卷积
、
因果卷积和残差块的跳跃连接三种特殊结构而构建的网络模型
。
其在训练时序数据过程中设置了严格的历史因果关系，有效解决了现有故障诊断算法存在的训练时序逻辑性不强的问题
。
[0025]定义输入序列为
x0,x1,
…
,x
t
，输出序列为
y0,y1,
…
,y
t
，膨胀卷积的一般形式为：
[0026][0027]其中
f
为卷积滤波器；
k
为卷积核大小；
d
为扩张因子，表示卷积核的区间数；
s
‑
d
i
为过去时间状态的卷积
。
[0028]在
TCN
内相邻的两级之间采用残差块的跳跃连接
。TCN
有两层扩张的因果卷积和
ReLU
激活函数，其中卷积滤波器采用批处理归一化
。
[0029]跳跃连接可表示为：
[0030]o
＝
Activation(x+F(x))
[0031]此处
Activation
表示激活函数，其中包括
ReLU
和
Sigmoid
，此处设计的
TCN
中使用
ReLU
函数来连接残差块，计算公式如下：
[0032]f
act
(x)
＝
max(0,x)
[0033]BiLSTM
神经网络通过引入第二层来扩展单向
...

【技术保护点】

【技术特征摘要】
1.
一种基于
VMD
‑
TCN
‑
BiLSTM
神经网络的一次风机轴承振动故障预警方法，利用经贝叶斯算法优化得到的
BiLSTM
网络建立故障预警模型，其特征在于，按照以下步骤实施：步骤1：获取某火电机组一次风机轴承振动信号数据
。
步骤2：对获取的一次风机轴承振动信号数据进行预处理
。
步骤3：采用
VMD
对原始轴承振动数据信号进行模态分解
。
步骤4：将各模态数据归一化处理并采用滑动窗口重构分解后的模态数据，并划分训练集
、
验证集和测试集
。
步骤5：选用贝叶斯优化算法对
TCN
‑
BiLSTM
的参数进行优化，构建
TCN
‑
BiLSTM
网络拓扑结构
。
步骤6：使用完成的
TCN
‑
BiLSTM
神经网络对某火电机组一次风机振动信号进行故障预警
。2.
根据权利要求1所述中的一种基于
VMD
‑
TCN
‑
BiLSTM
神经网络的一次风机轴承振动故障预警方法，其特征在于，所属步骤1中具体为，获取某一次风机的轴承振动信号数据
。3.
根据权利要求1所述中的一种基于
VMD
‑
TCN
‑
BiLSTM
神经网络的一次风机轴承振动故障预警方法，其特征在于，所述步骤2中具体为，对获取的一次风机轴承振动信号数据进行预处理
。
具体过程如下：步骤
3.1、
预处理的数据通常为缺失数据和异常数据
。
步骤
3.2、
对于异常数据和缺失数据均使用均值插补法进行补全
。
步骤
3.3、
均值插补法如下：其中
x
i
'
作为
t
时刻的期望平抑目标
。
其中，
x
i
‑1为需处理数据的前一个数据点，
x
i+1
为需处理数据的后一个数据点，取需要处理数据的前后两个数据点求取均值进行插补
。4.
根据权利要求1所述中的一种基于
VMD
‑
TCN
‑
BiLSTM
神经网络的一次风机轴承振动故障预警方法，其特征在于，所述步骤3中具体为，采用
VMD
对原始轴承振动数据信号进行模态分解
。
具体过程如下：步骤
4.1、
初始化步骤
4.2、
设定判别精度
e
和分解模态数
K。
步骤
4.3、
更新
u
k
、
ω
k
和
λ
。
步骤
4.4、
当时终止迭代，否则继续更新
u
k
和
ω
k
。5.
根据权利要求1所述中的一种基于
VMD
‑
TCN
‑
BiLSTM
神经网络的一次风机轴承振动故障预警方法，其特征在于，所述步骤4中具体为，将各模态数据归一化处理并采用滑动窗口重构分解后的模态数据，并划分训练集
、
验证集和测试集
。
具体过程如下：步骤
5.1、
将分解的
K
个模态数据进行
Z
‑
Score
标准化，公式如下：其中
j
为所选
X
矩阵中的一个特征或一列，
μ
j
为特征
j
所有值的均值，
σ
j
为特征
j
的标准差
。
步骤
5.2、
采用滑动窗口将标准化后的模态数据重构为
(batch_size,timesteps,input_dim)
的形状
。
步骤
5.3、
将数据集按照
6:1:3
的比例划分为训练集
、
验证集和测试集
。6.
根据权利要求1所述中的一种基于
VMD
‑
TCN
‑
BiLSTM
神经网络的一次风机轴承振动故障预警方法，其特征在于，所述步骤5中具体为，选用贝叶斯优化算法对
TCN
‑
BiLSTM
的参数进行优化，构建
TCN
‑
BiLSTM
网络拓扑结构
。
具体过程如下：步骤
6.1、TCN
模块是在卷积网络的基础上引入了膨胀卷积
、
因果卷积和残差块的跳跃连接三种特殊结构而构建的网络...

【专利技术属性】
技术研发人员：黄从智，何佳璇，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：