【技术实现步骤摘要】
本专利技术涉及故障诊断，具体涉及一种基于迁移学习的风力发电机故障诊断方法。
技术介绍
1、风力发电机是一种基于风能原理来驱动发电机从而转换为电能的装置，它是清洁能源领域的一个重要组成部分。然而，由于发电机轴承受到长期的高速旋转和振动，再加上不同的极端天气条件、颗粒物冲击、负载变化、疲劳等原因，使得风力发电机常常发生故障。风力发电机发生故障后可能对人员和环境造成安全风险和导致经济的巨大损失。因此，对风力发电机进行准确故障诊断，可以提高设备的安全性和可靠性，降低维护成本。
2、传统的基于信号处理的故障诊断方法由于需要丰富的专家知识，限制了其在实际生产过程中的应用。目前，基于深度学习的机械故障诊断方法可以实现振动信号的自动特征提取和端到端的故障诊断，但是该方法需要大量的带有已知标签的训练数据来训练模型。面对不同场景的风力发电机，所收集的数据存在巨大差异，因此需要重复训练。深度学习模型的重复训练消耗了大量的时间和计算成本，精度也很难得到保证，不易于在工业场景中应用。
技术实现思路
1、本专利技术的目的在于提供一种基于迁移学习的风力发电机故障诊断方法，该方法有利于准确、高效地诊断出风力发电机故障。
2、为了实现上述目的，本专利技术采用的技术方案是：一种基于迁移学习的风力发电机故障诊断方法，包括以下步骤：
3、s1、利用加速度传感器采集在不同工况下的正常与故障状态下的振动加速度信号，构建源域和目标域数据集；
4、s2、将源域和目标域的样本分为训练
5、s3、将已对齐的样本送入改进深度残差网络，通过双阶段早期停止优化迁移学习策略进行训练、提取特征和故障分类，通过梯度反转层进行域对抗训练以减小源域和目标域的样本差异并获取域不变特征，在源域测试集上验证诊断性能；然后将测试好的预训练模型的部分特征提取器冻结，用单独的目标域训练集数据微调预训练模型的分类器，从而获得目标域的目标模型；
6、s4、将目标域测试集输入训练好的目标域的目标模型中，得到故障诊断结果，并验证目标模型的特征提取能力和诊断性能。
7、进一步地，步骤s1中，所述振动加速度信号为传动轴径向振动加速度信号。
8、进一步地，步骤s2中，所述分批次随机抽取目标域的无标签样本为从数量有限的目标域样本中随机抽取一个训练批次大小的数据集。
9、进一步地，步骤s3中，所述双阶段早期停止优化迁移学习策略实现基于早期停止的模型训练，以避免模型过拟合并提高模型效率；早期停止通过在验证集上监测模型性能，当模型在验证集上的性能开始下降时停止训练，从而避免过拟合；在每次迭代过程中，当验证子集的损失函数减小时，模型即被保存；早期停止的表达式为：
10、
11、其中，t为迭代次数，lobt(t)为得到的验证子集损失函数，lva(t')为t'时刻对应的验证子集损失函数。
12、进一步地，步骤s3中，所述双阶段早期停止优化迁移学习策略的实现方法包括：
13、(1)预训练模型阶段：源域数据对基于resnet的预训练模型进行全局参数优化，采用早期停止优化防止过拟合，以使预训练模型充分掌握具有判别性和迁移性的故障特征；
14、(2)微调阶段：通过目标域数据针对预训练模型中的分类器进行基于早期停止优化微调更新以拟合分布并优化性能，以实现知识迁移故障诊断；由于域间故障类型维度可能不相等，采用以下解决方案：一是当领域之间故障类型维度相等时，固定大部分预训练模型中特征提取器参数，仅对残差网络的最后一层和分类器参数进行微调；二是当领域之间的故障类型维度不相等时，在残差网络的最后一层微调的基础上初始化并微调新分类器的参数。
15、进一步地，所述预训练模型阶段及微调阶段的表达式为：
16、ρs,f,ρs,c＝arg min l(γs)
17、ρs,f＝ρt,f
18、ρs,c＝ρt,c
19、ρ't,f＝arg min l(γs,ρt,f)
20、式中，ρs,f,ρt,f分别为源任务和目标任务特征提取器的参数，ρs,c,ρt,c分别为源任务和目标任务分类器的参数；l(γs)为总损失，其表示为：
21、l(γs)＝ly+lds+ldt
22、式中，l(·)表示交叉熵损失函数，ly表示源域的标签损失，lds和ldt为源域和目标域样本的分类损失。
23、进一步地，步骤s3中，所述改进深度残差网络的实现方法为：
24、给定源域数据集和目标域无标签数据集将预处理后的源域和目标域样本xis和目标域样本xit送入特征提取器中，经过四个残差块提取高维特征，再通过平均池化和展平操作，最后由全连接层进行样本预测和梯度反转层与域分类层进行领域预测；
25、所述梯度反转层在域自适应学习中减少领域间的差异，以使模型更好地适应目标域的数据；在前向传播时，输出等于输入；但是在反向传播时：
26、output＝-grad_output×α
27、式中，-grad_output表示域损失函数对该层输入的负梯度，α为调整参数。
28、进一步地，步骤s3中采用自适应矩估计的随机梯度下降算法adam作为优化器，根据模型的学习状况动态调整梯度下降的方向和步长；通过自适应修正学习率的动量项，adam算法能够修正梯度下降方向，从而加快模型损失函数的收敛过程；adam算法的实现方法包括：
29、1)给定模型学习率α与参数θ；
30、2)设置衰减率ρ1和ρ2，将初始一阶矩估计n和二阶矩估计m设置为0；
31、3)在小批次样本中进行训练，其中t时刻的模型迭代表达式为：
32、
33、nt＝ρ1nt-1+(1-ρ1)gt
34、mt＝ρ2mt-1+(1-ρ1)gt⊙gt
35、nt'＝nt/(1-ρ1)
36、mt'＝mt/(1-ρ2)
37、
38、其中，nt'和mt'分别表示经过偏差修正后的一阶和二阶矩估计结果；
39、4)在t+1时刻重复步骤3)，直到满足训练终止条件，输出模型参数θ'。
40、与现有技术相比，本专利技术具有以下有益效果：本专利技术提供了一种基于迁移学习的风力发电机故障诊断方法，该方法利用源域数据训练出深度学习诊断模型，通过双阶段早期停止优化迁移学习策略来节省模型的训练时间和预防模型的泛化能力退化，提高模型的诊断效率，并引入梯度反转层和域分类层进行域对抗训练以获得域不变特征，减少域损失并提高目标域的诊断精度。本方法能够准确、高效地识别出目标域各故障类型，具有很强的实用性和广阔的应用前景。
本文档来自技高网...【技术保护点】
1.一种基于迁移学习的风力发电机故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于迁移学习的风力发电机故障诊断方法，其特征在于，步骤S1中，所述振动加速度信号为传动轴径向振动加速度信号。
3.根据权利要求1所述的一种基于迁移学习的风力发电机故障诊断方法，其特征在于，步骤S2中，所述分批次随机抽取目标域的无标签样本为从数量有限的目标域样本中随机抽取一个训练批次大小的数据集。
4.根据权利要求1所述的一种基于迁移学习的风力发电机故障诊断方法，其特征在于，步骤S3中，所述双阶段早期停止优化迁移学习策略实现基于早期停止的模型训练，以避免模型过拟合并提高模型效率；早期停止通过在验证集上监测模型性能，当模型在验证集上的性能开始下降时停止训练，从而避免过拟合；在每次迭代过程中，当验证子集的损失函数减小时，模型即被保存；早期停止的表达式为：
5.根据权利要求1所述的一种基于迁移学习的风力发电机故障诊断方法，其特征在于，步骤S3中，所述双阶段早期停止优化迁移学习策略的实现方法包括：
6.根据权利要求5所述的一种基于
7.根据权利要求1所述的一种基于迁移学习的风力发电机故障诊断方法，其特征在于，步骤S3中，所述改进深度残差网络的实现方法为：
8.根据权利要求1所述的一种基于迁移学习的风力发电机故障诊断方法，其特征在于，步骤S3中采用自适应矩估计的随机梯度下降算法Adam作为优化器，根据模型的学习状况动态调整梯度下降的方向和步长；通过自适应修正学习率的动量项，Adam算法能够修正梯度下降方向，从而加快模型损失函数的收敛过程；Adam算法的实现方法包括：
...【技术特征摘要】
1.一种基于迁移学习的风力发电机故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于迁移学习的风力发电机故障诊断方法，其特征在于，步骤s1中，所述振动加速度信号为传动轴径向振动加速度信号。
3.根据权利要求1所述的一种基于迁移学习的风力发电机故障诊断方法，其特征在于，步骤s2中，所述分批次随机抽取目标域的无标签样本为从数量有限的目标域样本中随机抽取一个训练批次大小的数据集。
4.根据权利要求1所述的一种基于迁移学习的风力发电机故障诊断方法，其特征在于，步骤s3中，所述双阶段早期停止优化迁移学习策略实现基于早期停止的模型训练，以避免模型过拟合并提高模型效率；早期停止通过在验证集上监测模型性能，当模型在验证集上的性能开始下降时停止训练，从而避免过拟合；在每次迭代过程中，当验证子集的损失函数减小时，模型即被保存；...
【专利技术属性】
技术研发人员：姚立纲，罗标林，蔡宇翔，王振亚，陈扬鑫，
申请(专利权)人：福州大学，
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。