【技术实现步骤摘要】
本专利技术涉及一种基于多通道并行多尺度空间池化和wasserstein距离相结合的风电机组滚动轴承迁移故障诊断方法，属于诊断。
技术介绍
1、近年来，风能作为一种可再生能源在世界范围内受到越来越多的关注。然而，风电机组的工作环境恶劣，风力不稳定，负载波动范围大，容易发生故障。滚动轴承是旋转机械的关键部件之一，被广泛的应用于风电机组中。据统计，在使用滚动轴承的旋转机械中，大约有30％的机械故障都是由于轴承引起的。近年来，基于深度学习的滚动轴承智能故障诊断方法层出不穷，为监测机械设备安全运行提供了有力的工具。由于风电机组滚动轴承运行的环境通常情况下是时变的，而且故障状况繁杂，导致深度学习模型难以保持良好的性能。
2、申请号为cn202211432198.1、名称为“一种风电主轴轴承故障诊断方法、装置及应用”的中国专利提供了一种技术方案，它在获取轴承故障信号后，根据变分模式提取模型的滤波器结构与-3db截止准则，获取估计带宽；用归一化频率表示估计带宽，获取最优平衡参数；利用谱结构检测器扫描并获取轴承故障信号的谱结构信息，根据谱结构信息，获取差值频率由正值转化为负值时，正值处的中心频率作为目标频率；利用最优平衡参数与目标频率构建变分提取模型；利用变分提取模型对轴承故障信号进行分解得到特征分量，并根据特征分量的相关峭度确定故障分量；对故障分量进行包络解调，识别故障特征频率完成故障诊断。该专利技术通过自适应确定最优平衡参数与目标频率避免了原变分模式提取需要预先设置平衡参数与初始中心频率的局限性。但是，在对提取的模型进行解调时，解
技术实现思路
1、本专利技术的目的在于针对现有技术之弊端，提供一种风电机组滚动轴承迁移故障可解释性诊断方法，以实现对风电机组滚动轴承故障状态的准确识别。
2、本专利技术所述问题是以下述技术方案解决的：
3、一种风电机组滚动轴承迁移故障可解释性诊断方法，所述方法包括以下步骤：
4、a.构建带标签的源域数据集和无标签的目标域数据集：
5、根据迁移学习任务的需求，将风电机组滚动轴承的原始振动信号根据不同工况构建源域数据集和目标域数据集，对不同的轴承健康状况设置不同的标签，对源域数据集中每个样本标记对应的标签；
6、b.构建多通道并行多尺度空间池化和wasserstein距离相结合的风电机组滚动轴承故障诊断模型：
7、①构建多尺度并行特征提取器：
8、在深度学习模型中通过融合多尺度并行机制，提取原始振动信号中的多尺度信息，并借助并行机制缓解深度学习模型的过拟合现象；
9、②构建空间池化模块融合多尺度特征：
10、使用空间池化机制对经过多尺度并行机制卷积神经网络提取后的多尺度特征进行融合；
11、③wasserstein距离缩小源域目标域分布差异：
12、采用wasserstein距离缩小得到的源域和目标域空间池化特征的分布差异，利用交叉熵损失和域适应损失反向传播更新模型参数，得到滚动轴承故障诊断模型；
13、c.将源域数据集输入到搭建好的滚动轴承故障诊断模型，完成对滚动轴承故障诊断模型的训练；
14、d.将目标域数据集输入到训练好的滚动轴承故障诊断模型，识别轴承故障的类型，对滚动轴承故障诊断模型进行验证；
15、e.将待诊断风电机组滚动轴承的振动信号输入到经过验证的滚动轴承故障诊断模型，识别轴承故障的类型。
16、f.格拉姆角场是一种能够将时序特征转换为图像数据的方法，以此观察特征之间的相互关系，从而能够为数据提供可解释性。利用格拉姆角场将模型提取的一维空间池化特征转为二维数据，并对格拉姆角场处理后的数据取对角线数据求取概率分布，从而观察源域和目标域的特征分布规律，了解模型学习迁移特征的过程，赋予模型可解释能力。
17、上述风电机组滚动轴承迁移故障可解释性诊断方法，构建多尺度并行特征提取器的具体实施过程如下：
18、设置三个并行卷积网络分支，三个并行卷积网络分支的输入通道数分别设置为2，4和8，输入时，预先将源域和目标域样本x切割为x/2，x/4，x/8，多尺度并行机制设置为：
19、
20、
21、
22、式中，w表示权重，b表示偏差，σ表示激活函数，yc1，yc2，yc3分别表示三个并行卷积网络分支的输出。
23、上述风电机组滚动轴承迁移故障可解释性诊断方法，使用空间池化机制对经过多尺度并行机制卷积神经网络提取后的多尺度特征进行融合的具体实现过程为：
24、首先设置三个不同尺寸的空间池化箱体，求取空间池化操作的窗和步长的大小，然后利用下式计算融合多尺度空间池化特征：
25、spp[add]＝bin1+bin2+bin3
26、spp[dot]＝bin1*bin2*bin3
27、spp＝spp[dot]+spp[add]
28、式中：spp为融合多尺度空间池化特征，spp[add]和spp[dot]分别表示求和和求内积后的空间池化结果，bin1，bin2，bin3分别表示三个不同尺寸的空间池化箱体对输入特征池化后的结果；
29、上述风电机组滚动轴承迁移故障可解释性诊断方法，对滚动轴承故障诊断模型进行验证时，损失函数设计如下：
30、
31、式中：∏(ps,pt)表示随机变量(x,y)的联合概率分布，ps表示x的概率分布，pt表示y的概率分布，inf表示最大的下界，w(ps,pt)表示两个随机变量之间的wasserstein距离。
32、有益效果
33、本专利技术在深度学习结构中融合多尺度并行机制，利用空间池化机制混合提取后的多尺度特征，利用wasserstein距离缩小源域和目标域特征之间的分布差异，利用格拉姆角场赋予模型可解释性，可缓解深度学习模型的过拟合现象。图4(a)-图4(b)对其识别效果做出了展示，两个领域的数据分布规律相似，证明了模型能够提取迁移特征。本专利技术有效提取原始振动信号中的多尺度信息，提高模型提取有益特征的能力及迁移学习能力，实现了对风电机组滚动轴承故障状态的准确识别。
本文档来自技高网...【技术保护点】
1.一种风电机组滚动轴承迁移故障可解释性诊断方法，其特征是，所述方法包括以下步骤：
2.根据权利要求1所述的一种风电机组滚动轴承迁移故障可解释性诊断方法，其特征是，构建多尺度并行特征提取器的具体实施过程如下：
3.根据权利要求2所述的一种风电机组滚动轴承迁移故障可解释性诊断方法，其特征是，使用空间池化机制对经过多尺度并行机制卷积神经网络提取后的多尺度特征进行融合的具体实现过程为：
4.根据权利要求3所述的一种风电机组滚动轴承迁移故障可解释性诊断方法，其特征是，对滚动轴承故障诊断模型进行验证时，损失函数设计如下：
【技术特征摘要】
1.一种风电机组滚动轴承迁移故障可解释性诊断方法，其特征是，所述方法包括以下步骤：
2.根据权利要求1所述的一种风电机组滚动轴承迁移故障可解释性诊断方法，其特征是，构建多尺度并行特征提取器的具体实施过程如下：
3.根据权利要求2所述的一种风电机组滚动轴...
【专利技术属性】
技术研发人员：向玲，赵晨辉，苏浩，胡爱军，邴汉昆，王宁，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。