System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种风力发电机组轴承故障的诊断方法,属于发电机。
技术介绍
1、风力发电机组状态监测一直是风电机组研究中的一个焦点。风力发电机组由于其巨大的体积和恶劣的运行条件,很容易发生故障,这导致了巨大的维护和运行成本。因此,密切关注风力发电机组的状况并降低风力发电机组的故障率是非常重要的。轴承是风力发电机组的关键部件,被广泛应用于现代大型机械设备中。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。
2、公开号为cn103900816a的专利技术专利公开了一种风力发电机组轴承故障诊断方法,它包括如下步骤:获取轴承的振动信号;采用小波包分析法对振动信号进行三层分解,对各分解的高频系数进行软阈值量化处理,并根据小波分解的最底层低频系数和高频系数进行一维小波重构;对重构的振动信号进行小波包分解,提取第三层各频带的能量,并将各频带的能量构成一个故障特征输入向量作为bp神经网络的故障诊断输入向量,构建三层bp神经网络;获取历史故障数据的特征输入向量样本并将其输入三层bp神经网络进行训练;获取轴承实时运行数据的故障诊断特征向量并将其输入到训练好的bp神经网络;实现对轴承故障类型的智能诊断。该专利技术能够准确诊断轴承故障类型并精确确定故障位置,但其诊断方法需要使用大量的历史故障数据,随着轴承加工精度、材料性能的不断提高,轴承使用寿命不断延长,且当检测到轴承发生损坏时就会被及时更换掉,导致无法获得充足的轴承
3、近年来,深度学习在风力发电机组轴承故障诊断领域获得了巨大的进展,由于其强大的特征学习能力和自适应特征提取能力,有可能使故障诊断更加智能和准确。此外,轴承运行的环境通常情况下是变化的,而且故障状况繁杂,不同的故障位置,不同的故障类型等等,导致提取显性可分的深度特征十分困难,加大了轴承故障智能诊断的难度。因此,有效地利用有限的带标签数据和大量的无标签数据诊断风力发电机组滚动轴承故障具有十分重要的意义。
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,提供一种基于半监督时序学习的风力发电机组轴承故障诊断方法,以降低轴承故障智能诊断的难度,提高轴承故障诊断结果的准确性。
2、本专利技术所述问题是以下述技术方案解决的:
3、一种基于半监督时序学习的风力发电机组轴承故障诊断方法,所述方法包括以下步骤:
4、a.利用风力发电机组轴承原始振动信号构建训练集和测试集:
5、将风力发电机组轴承原始振动信号根据不同工况、不同采样频率、不同故障程度、不同故障类型,划分成训练集和测试集,所述训练集中包含有标签数据和无标签数据,所述测试集中的数据均为有标签数据;
6、b.建立一维卷积神经网络:
7、一维卷积神经网络包括卷积层、池化层和全连接层,所述卷积层由卷积核组成,所述卷积核按以下方式对一维输入数据进行卷积运算:
8、
9、式中:σ表示卷积层的激活函数;w是卷积核的权重;x是输入;是一维卷积运算;b为偏置;c是卷积运算的输出;
10、c.构建半监督学习模型:
11、以建立的一维卷积神经网络作为基础网络,在一维卷积神经网络中引入半监督学习机制,构建半监督学习模型,所述半监督学习机制包括编码器和解码器,所述编码器由四层卷积层和四层池化层组成,对于编码器中的每个卷积层和最大池化层,在解码器中都有一个与之对应的反卷积层和反池化层,反卷积层中反卷积操作的输出被定义为:
12、
13、式中:σ′表示反卷积的激活函数,是输入x的反卷积输出,w′是反卷积层的滤波器;
14、d.采用maml训练半监督学习模型:
15、采用maml对半监督学习模型进行训练,将训练集中的有标签数据和无标签数据输入到半监督学习模型,分别完成故障识别和数据重构任务,在maml的元训练期间,通过内循环和外循环中的一个或多个梯度下降步骤来更新模型的参数;
16、e.将测试集中的有标签数据输入到训练后的半监督学习模型,对半监督学习模型进行测试;
17、f.用已经测试合格的半监督学习模型判断风力发电机组轴承故障的类型。
18、上述基于半监督时序学习的风力发电机组轴承故障诊断方法,在半监督学习模型的每层一维卷积神经网络的并行位置上面添加时序模块,随着一维卷积神经网络在深度上面的延伸,时序模块也逐层延伸,不同层的时序模块通过点乘运算结合在一起。
19、上述基于半监督时序学习的风力发电机组轴承故障诊断方法,采用maml训练半监督学习模型的训练流程如下:
20、首先从训练集每类故障中随机采样一定数量的样本,构成任务集,再从任务集中分多次随机采样样本构成不同的任务,然后完成内循环的更新,单个任务的内循环参数更新过程定义为:
21、
22、式中:α是一个超参数,θ是模型的参数,θ′是θ在内循环中更新一次后的结果,表示当前任务,是对输出f(θ)的损失进行梯度计算;
23、元学习的优化目标是对单个任务参数更新求和的过程,定义如下:
24、
25、式中:表示任务集遵循概率分布p;
26、在内循环任务集构建的过程中,从训练集的内循环任务集之外,随机抽取每类一个样本构成外循环任务集,外循环的元优化描述如下:
27、
28、式中:β表示外循环的梯度更新学习率。
29、有益效果
30、本专利技术采用半监督学习模型判断风力发电机组轴承故障的类型,可以有效地利用有限的带标签数据和大量的无标签数据对模型进行训练,很好地解决了故障数据量不足的问题,降低了轴承故障智能诊断的难度,提高了轴承故障诊断结果的准确性。采用本专利技术的技术方案,可具有以下优点:
31、a.通过整合半监督学习和元学习机制,使典型的1d-cnn能够在有限的数据集下提升信息挖掘和特征学习能力:半监督学习机制使模型能够从大量未标注的数据中提取特征,从而提高故障诊断的准确性;元学习机制可以加强深度学习在有限数据集下的特征学习能力,提高模型的泛化能力,有利于诊断轴承故障。
32、b.本专利技术利用的时序模块可以在训练过程中记忆有用的特征,防止深度学习、在传递过程中微弱时序特征消失现象的发生。
本文档来自技高网...【技术保护点】
1.一种基于半监督时序学习的风力发电机组轴承故障诊断方法,其特征是,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于半监督时序学习的风力发电机组轴承故障诊断方法,其特征是,在半监督学习模型的每层一维卷积神经网络的并行位置上面添加时序模块,随着一维卷积神经网络在深度上面的延伸,时序模块也逐层延伸,不同层的时序模块通过点乘运算结合在一起。
3.根据权利要求1或2所述的一种基于半监督时序学习的风力发电机组轴承故障诊断方法,其特征是,采用MAML训练半监督学习模型的训练流程如下:
【技术特征摘要】
1.一种基于半监督时序学习的风力发电机组轴承故障诊断方法,其特征是,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于半监督时序学习的风力发电机组轴承故障诊断方法,其特征是,在半监督学习模型的每层一维卷积神经网络的并行位置上面添加时序模...
【专利技术属性】
技术研发人员:向玲,金子皓,苏浩,胡爱军,李林春,高鑫,赵晨辉,
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。