CN108256556A - 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于深度信念网络的风力发电机组齿轮箱故障诊断方法，通过直接构建齿轮箱工作状况的波形图数据库，仅仅只需要采集风力发电机工作中齿轮箱的原始数据，然后以此数据库对深度信念网络进行训练和学习，最后将待测样本输入到训练完成的深度信念网络模型中，即输入的波形图与数据库中分类完成的三种齿轮箱工作状态的波形图进行对比，找出和输入波形图最相似的图片，该最相似的图片所属的齿轮箱工作状态即为要识别的工作状态，以完成对齿轮箱的故障诊断。

Description

基于深度信念网络的风力发电机组齿轮箱故障诊断方法

技术领域

本发明涉及机械故障诊断领域，具体地说，特别涉及到一种基于深度信念网络的风力发电机组齿轮箱故障诊断方法。

背景技术

随着科学技术和生产力的高速发展，故障诊断技术日益获得重视与发展，各种设备的工作强度不断增大，生产效率，自动化程度越来越高，同时设备更加复杂，各部分的关联愈加密切，往往某处微小的故障就能导致整个设备损坏。

目前的诊断技术主要以振动诊断，油样分析，温度监测和无损检测探伤为主，其他技术为辅；主要的诊断方法除了单一参数、单一故障的诊断外，多参量、多故障的综合诊断方法也已经兴起，人工智能的研究成果也为机械故障注入了新的活力。在进行齿轮箱故障诊断过程中，常采用时频分析方法，如快速傅里叶变换(FastFouriertransform，简称FFT)、小波变换、人工智能等。但这几种方法对于处理非线性、非平稳的振动信号都存在一定的缺点和不足，不能充分凸显信号特征。

例如，快速傅里叶变换方法无法同时兼顾信号在时域和频域中的全貌和局部化问题。小波变换时小波基不同，分解结果不同，小波基比较难选择。基于人工智能的故障诊断方法中，目前主要是利用人工神经网络，通过不断的学习和对系统进行信息的反馈，完成对诊断目标的分类；但其缺点是推理过程解释性差，而且当待诊断样本不完备(数据有缺失)时，神经网络不能进行有效的推理工作，无法利用故障的早期特征对齿轮箱进行相应诊断。

发明内容

本发明的目的在于针对现有技术中的不足，提供一种，以解决现有技术中存在的问题。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种基于深度信念网络的风力发电机组齿轮箱故障诊断方法，包括如下步骤：

1)构建用于反映齿轮箱工作状况的波形图数据库

a)针对典型故障情况，采集风力发电机齿轮箱的原始振动信号；在不同工况下，通过加速度传感器采集每种工况下齿轮箱在不同频率工作的振动信号；

b)采用小波去噪对原始数据进行去噪处理，去除干扰噪声，然后对采集到的齿轮箱的原始振动数据进行快速傅里叶变换得到新的齿轮箱振动频谱信号Y；

c)通过线性归一化方法，对齿轮箱振动频谱信号Y进行归一化处理，得到齿轮箱振动频谱信号Yl；对数据进行归一化的公式如下：

其中，x_i、分别为齿轮箱振动频谱信号数据归一化处理前、后的值，x_max、x_min分别表示为幅值最大、最小值；

d)根据归一化处理后的振动信号创建波形图数据库；将归一化处理后的离散数据各相邻点连接起来，得到振动信号的波形图，即构建波形图数据库，所述波形图数据库包括齿轮箱在正常状态和相应故障状态下的波形图；

2)创建深度信念网络模型；

深度信念网络DBN实质上是由多个受限玻尔兹曼机RBM堆叠成的多层感知器神经网络，其低层表示原始数据细节，高层表示数据属性类别或特征，从低层到高层逐层抽象，可以深度挖掘数据本质特征；每个受限玻尔兹曼机RBM由两层网络组成，即可视层v和隐藏层h，可视层v和隐藏层h之间通过权值w连接，具体实现步骤如下：

e)采集训练样本；将经过去噪、归一化处理后的不同工况下振动频谱信号数据的波形图添加工况标签后作为训练样本；

f)采用训练样本对深度信念网络DBN模型进行训练；将训练样本输入深度信念网络DBN模型中，采用非监督贪心逐层训练方法进行逐层训练和调优，得到深度信念网络DBN模型的连接权值和偏置参数；深度信念网络DBN的训练过程包含两部分，由底层到高层的前向堆叠受限玻尔兹曼机RBM学习和由高层到底层的后向微调学习；深度信念网络DBN的训练过程如下：

步骤1：前向堆叠RBM学习；

采用逐层训练的方式对DBN模型各层中的受限玻尔兹曼机进行训练，低一层RBM1的隐含层输出作为上一层的RBM2的可见层输入，直至得到深度信念网络模型最后一层隐含层的输出；具体如下：

假设一个RBM中有n个可见单元和m个隐藏单元，用v表示所有可见单元，h表示所有隐藏单元，给定模型参数θ，则可见单元和隐藏单元的联合概率分布函数p(v,h；θ)用能量函数E(v,h；θ)表示为：

其中，为配分函数；θ＝{w_ij,b_i,a_j}为模型参数；

模型关于可见单元v的边缘分布为：

能量函数：

式中，w_ij表示深度信念网络的可见层第i个节点v_i与隐含层第.j个节点h_j之间的连接权值，b_i和a_j表偏置参数,I和J是可见单元和隐藏单元的数目；相应的，当给定可见层或隐藏层节点时，对应下一层的条件概率为：

其中为sigmoid函数；

采用Hinton提出的对比散度算法来对深度信念网络模型参数进行调整和更新，模型参数θ＝{w_ij,b_i,a_j}的更新准则为：

Δw＝ε(＜v_ih_j＞_p(h|v)-＜v_ih_j＞_recon)； (7)

Δb_i＝ε(＜v_i＞_p(h|v)-＜v_i＞_recon)； (8)

Δa_j＝ε(＜h_j＞_p(h|v)-＜h_j＞_recon)； (9)

式中ε为学习率；＜·＞_p(hv)表示训练数据在p(h|v)分布下的期望；＜·＞_recon表示更新后网络模型输出的分布下的期望；

步骤2：后向微调学习；经过上述逐层训练后得到深度信念网络模型最后一层隐含层的输出，对该输出进行反向传播网络的训练，并将训练预测输出的结果与训练样本的实际结果进行比较得到分类误差，该误差被逐层向后回传，从而对深度信念网络模型各层的连接权值进行调优，在后向传播过程中通过计算每一层的误差值来修正深度信念网络模型各层的连接权值；

步骤3：通过对各种工况下训练样本的深度学习，最终确定整个深度信念网络模型的连接权值和偏置参数；将与齿轮箱的各种工况下振动信号相对应的波形图作为训练样本，输入到确定连接权值和偏置参数的深度信念网络模型，对该训练样本进行深度学习，采用确定连接权值和偏置参数的深度信念网络模型分别对各种工况下训练样本进行重构，得到每种工况下的训练样本对应的训练样本重构信号，即输出该齿轮箱的工作状态；

3)对当前输入的齿轮箱对应的波形图进行状态识别

首先，通过在构建的振动信号的波形图数据库中采集待测的振动信号数据的波形图，作为测试样本；

然后，将测试样本作为确定连接权值和偏置参数的深度信念网络模型的输入，对测试样本进行深度学习，即首先将输入的波形图与数据库中分类完成的三种齿轮箱工作状态的波形图进行对比，找出和输入波形图最相似的图片，该最相似的图片所属的齿轮箱工作状态即为要识别的工作状态，以完成对齿轮箱的故障诊断。

与现有技术相比，本发明的有益效果在于：

主要利用深度信念网络(Deep BeliefNetwork，DBN)，通过对齿轮箱内轴承和齿轮间啮合的频率的幅值变化和振动分析，建立一个齿轮箱工作故障状态分析数据库，该数据库可以提供DBN训练和学习的有效数据，经过数据库训练后的深度信念网络，可以准确找出风机上齿轮箱的故障点，为齿轮箱修复发现问题及解决问题提供了判断依据，减少了修理周期，相应提高了设备可用率。

附图说明

图1是本发明的基于深度信念网络的齿轮箱故障诊断方法的方法流程图。

图2是本发明的构建数据库齿轮箱在正常状态下的原始振动频谱分布图。

图3是本发明的构建数据库齿轮箱在点蚀状态下的原始振动频谱分布图。

图4是本发明的构建数据库齿轮箱在断齿状态下的原始振动频谱分布图。

图5是本发明的受限玻尔兹曼机模型的结构示意图。

图6是本发明的深度信念网络模型的结构示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参见图1到图6，本发明所述的一种基于深度信念网络的风力发电机组齿轮箱故障诊断方法，包括如下步骤：

1)构建用于反映齿轮箱工作状况的波形图数据库

a)针对典型故障情况，采集风力发电机齿轮箱的原始振动信号；在不同工况下，通过加速度传感器采集每种工况下齿轮箱在不同频率工作的振动信号；

b)采用小波去噪对原始数据进行去噪处理，去除干扰噪声，然后对采集到的齿轮箱的原始振动数据进行快速傅里叶变换得到新的齿轮箱振动频谱信号Y；

c)通过线性归一化方法，对齿轮箱振动频谱信号Y进行归一化处理，得到齿轮箱振动频谱信号Yl；对数据进行归一化的公式如下：

其中，x_i、分别为齿轮箱振动频谱信号数据归一化处理前、后的值，x_max、x_min分别表示为幅值最大、最小值；

d)根据归一化处理后的振动信号创建波形图数据库；将归一化处理后的离散数据各相邻点连接起来，得到振动信号的波形图，即构建波形图数据库，所述波形图数据库包括齿轮箱在正常状态和相应故障状态下的波形图；

2)创建深度信念网络模型；

深度信念网络DBN实质上是由多个受限玻尔兹曼机RBM堆叠成的多层感知器神经网络，其低层表示原始数据细节，高层表示数据属性类别或特征，从低层到高层逐层抽象，可以深度挖掘数据本质特征；每个受限玻尔兹曼机RBM由两层网络组成，即可视层v和隐藏层h，可视层v和隐藏层h之间通过权值w连接，具体实现步骤如下：

e)采集训练样本；将经过去噪、归一化处理后的不同工况下振动频谱信号数据的波形图添加工况标签后作为训练样本；

f)采用训练样本对深度信念网络DBN模型进行训练；将训练样本输入深度信念网络DBN模型中，采用非监督贪心逐层训练方法进行逐层训练和调优，得到深度信念网络DBN模型的连接权值和偏置参数；深度信念网络DBN的训练过程包含两部分，由底层到高层的前向堆叠受限玻尔兹曼机RBM学习和由高层到底层的后向微调学习；深度信念网络DBN的训练过程如下：

步骤1：前向堆叠RBM学习；

采用逐层训练的方式对DBN模型各层中的受限玻尔兹曼机进行训练，低一层RBM1的隐含层输出作为上一层的RBM2的可见层输入，直至得到深度信念网络模型最后一层隐含层的输出；具体如下：

假设一个RBM中有n个可见单元和m个隐藏单元，用v表示所有可见单元，h表示所有隐藏单元，给定模型参数θ，则可见单元和隐藏单元的联合概率分布函数p(v,h；θ)用能量函数E(v,h；θ)表示为：

其中，为配分函数；θ＝{w_ij,b_i,a_j}为模型参数；

模型关于可见单元v的边缘分布为：

能量函数：

式中，w_ij表示深度信念网络的可见层第i个节点v_i与隐含层第.j个节点h_j之间的连接权值，b_i和a_j表偏置参数,I和J是可见单元和隐藏单元的数目；相应的，当给定可见层或隐藏层节点时，对应下一层的条件概率为：

其中为sigmoid函数；

采用Hinton提出的对比散度算法来对深度信念网络模型参数进行调整和更新，模型参数θ＝{w_ij,b_i,a_j}的更新准则为：

Δw＝ε(＜v_ih_j＞_p(h|v)-＜v_ih_j＞_recon)； (7)

Δb_i＝ε(＜v_i＞_p(h|v)-＜v_i＞_recon)； (8)

Δa_j＝ε(＜h_j＞_p(h|v)-＜h_j＞_recon)； (9)

式中ε为学习率；＜·＞_p(h|v)表示训练数据在p(h|v)分布下的期望；＜·＞_recon表示更新后网络模型输出的分布下的期望；

步骤2：后向微调学习；经过上述逐层训练后得到深度信念网络模型最后一层隐含层的输出，对该输出进行反向传播网络的训练，并将训练预测输出的结果与训练样本的实际结果进行比较得到分类误差，该误差被逐层向后回传，从而对深度信念网络模型各层的连接权值进行调优，在后向传播过程中通过计算每一层的误差值来修正深度信念网络模型各层的连接权值；

步骤3：通过对各种工况下训练样本的深度学习，最终确定整个深度信念网络模型的连接权值和偏置参数；将与齿轮箱的各种工况下振动信号相对应的波形图作为训练样本，输入到确定连接权值和偏置参数的深度信念网络模型，对该训练样本进行深度学习，采用确定连接权值和偏置参数的深度信念网络模型分别对各种工况下训练样本进行重构，得到每种工况下的训练样本对应的训练样本重构信号，即输出该齿轮箱的工作状态；

3)对当前输入的齿轮箱对应的波形图进行状态识别

首先，通过在构建的振动信号的波形图数据库中采集待测的振动信号数据的波形图，作为测试样本；

然后，将测试样本作为确定连接权值和偏置参数的深度信念网络模型的输入，对测试样本进行深度学习，即首先将输入的波形图与数据库中分类完成的三种齿轮箱工作状态的波形图进行对比，找出和输入波形图最相似的图片，该最相似的图片所属的齿轮箱工作状态即为要识别的工作状态，以完成对齿轮箱的故障诊断。

实验结果分析

本次实验一共选用了5个测点位置，为减少故障信号传递衰减，尽量获取信号的真实信息，测点位置即加速度传感器安装位置应尽可能靠近齿轮箱故障位置。实验分析了齿轮箱的三种工作状态，即齿轮正常(状态1)、齿轮断齿故障(状态2)和齿轮点蚀故障(状态3)，为这三种状态共提取600个训练样本和600个测试样本，由600个训练样本训练DBN模型，再将600个测试样本输入己训练好的DBN模型中，经计算后测试样本的分类识别结果如表1所示，表中分类正确率是指最高分类正确率，平均分类正确率指所有类别正确分类率的加权平均值，由表可知，五个测点的平均最高分类正确率均很高，说明DBN通过对数据库中样本训练后具有很强的信息挖掘能力，且五个测试点均能对故障进行较准确的分类识别，虽然，相对而言远离故障齿轮位置的测点1和测点4分类识别效果较差，测点2,3和5的效果较好，但不同的测点对不同故障状态的分类识别具有一定差异性，说明利用振动信号对复杂故障进行诊断时，测试点位置的选取对诊断结果也具有一定影响。所以针对齿轮箱在此三种状态下的故障诊断，通过构建用于反映齿轮箱工作状况的波形图数据库，利用深度信念网络的训练和微调，能够有效提高故障诊断的识别度，使得分类准确率达到94％以上。

表1故障分类识别结果

由以上可知，传统的故障诊断一般对特征信号加以处理，提取有用的信息，才能判断设备是否故障，如果直接从特征信号来判断设备是否有故障，通常是比较困难的。而本发明专利通过直接构建齿轮箱工作状况的波形图数据库，仅仅只需要采集风力发电机工作中齿轮箱的原始数据，然后以此数据库对深度信念网络进行训练和学习，最后将待测样本输入到训练完成的深度信念网络模型中，即输入的波形图与数据库中分类完成的三种齿轮箱工作状态的波形图进行对比，找出和输入波形图最相似的图片，该最相似的图片所属的齿轮箱工作状态即为要识别的工作状态，以完成对齿轮箱的故障诊断。相比传统的故障诊断，本技术方法有效的简化DBN训练及学习的过程，使得DBN的诊断时间缩短，故障识别率也比较高，故障诊断结果也更接近于实际情况。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种基于深度信念网络的风力发电机组齿轮箱故障诊断方法，其特征在于，包括如下步骤：

1)构建用于反映齿轮箱工作状况的波形图数据库

a)针对典型故障情况，采集风力发电机齿轮箱的原始振动信号；在不同工况下，通过加速度传感器采集每种工况下齿轮箱在不同频率工作的振动信号；

b)采用小波去噪对原始数据进行去噪处理，去除干扰噪声，然后对采集到的齿轮箱的原始振动数据进行快速傅里叶变换得到新的齿轮箱振动频谱信号Y；

c)通过线性归一化方法，对齿轮箱振动频谱信号Y进行归一化处理，得到齿轮箱振动频谱信号Yl；对数据进行归一化的公式如下：

其中，x_i、分别为齿轮箱振动频谱信号数据归一化处理前、后的值，x_max、x_min分别表示为幅值最大、最小值；

d)根据归一化处理后的振动信号创建波形图数据库；将归一化处理后的离散数据各相邻点连接起来，得到振动信号的波形图，即构建波形图数据库，所述波形图数据库包括齿轮箱在正常状态和相应故障状态下的波形图；

2)创建深度信念网络模型；

深度信念网络DBN实质上是由多个受限玻尔兹曼机RBM堆叠成的多层感知器神经网络，其低层表示原始数据细节，高层表示数据属性类别或特征，从低层到高层逐层抽象，可以深度挖掘数据本质特征；每个受限玻尔兹曼机RBM由两层网络组成，即可视层v和隐藏层h，可视层v和隐藏层h之间通过权值w连接，具体实现步骤如下：

e)采集训练样本；将经过去噪、归一化处理后的不同工况下振动频谱信号数据的波形图添加工况标签后作为训练样本；

f)采用训练样本对深度信念网络DBN模型进行训练；将训练样本输入深度信念网络DBN模型中，采用非监督贪心逐层训练方法进行逐层训练和调优，得到深度信念网络DBN模型的连接权值和偏置参数；深度信念网络DBN的训练过程包含两部分，由底层到高层的前向堆叠受限玻尔兹曼机RBM学习和由高层到底层的后向微调学习；深度信念网络DBN的训练过程如下：

步骤1：前向堆叠RBM学习；

采用逐层训练的方式对DBN模型各层中的受限玻尔兹曼机进行训练，低一层RBM1的隐含层输出作为上一层的RBM2的可见层输入，直至得到深度信念网络模型最后一层隐含层的输出；具体如下：

假设一个RBM中有n个可见单元和m个隐藏单元，用v表示所有可见单元，h表示所有隐藏单元，给定模型参数θ，则可见单元和隐藏单元的联合概率分布函数p(v,h；θ)用能量函数E(v,h；θ)表示为：

其中，为配分函数；θ＝{w_ij,b_i,a_j}为模型参数；

模型关于可见单元v的边缘分布为：

能量函数：

式中，w_ij表示深度信念网络的可见层第i个节点v_i与隐含层第.j个节点h_j之间的连接权值，b_i和a_j表偏置参数,I和J是可见单元和隐藏单元的数目；相应的，当给定可见层或隐藏层节点时，对应下一层的条件概率为：

其中为sigmoid函数；

采用Hinton提出的对比散度算法来对深度信念网络模型参数进行调整和更新，模型参数θ＝{w_ij,b_i,a_j}的更新准则为：

Δw＝ε(＜v_ih_j＞_p(h|v)-＜v_ih_j＞_recon)； (7)

Δb_i＝ε(＜v_i＞_p(h|v)-＜v_i＞_recon)； (8)

Δa_j＝ε(＜h_j＞_p(h|v)-＜h_j＞_recon)； (9)

式中ε为学习率；＜·＞_p(h|v)表示训练数据在p(h|v)分布下的期望；＜·＞_recon表示更新后网络模型输出的分布下的期望；

步骤2：后向微调学习；经过上述逐层训练后得到深度信念网络模型最后一层隐含层的输出，对该输出进行反向传播网络的训练，并将训练预测输出的结果与训练样本的实际结果进行比较得到分类误差，该误差被逐层向后回传，从而对深度信念网络模型各层的连接权值进行调优，在后向传播过程中通过计算每一层的误差值来修正深度信念网络模型各层的连接权值；

步骤3：通过对各种工况下训练样本的深度学习，最终确定整个深度信念网络模型的连接权值和偏置参数；将与齿轮箱的各种工况下振动信号相对应的波形图作为训练样本，输入到确定连接权值和偏置参数的深度信念网络模型，对该训练样本进行深度学习，采用确定连接权值和偏置参数的深度信念网络模型分别对各种工况下训练样本进行重构，得到每种工况下的训练样本对应的训练样本重构信号，即输出该齿轮箱的工作状态；

3)对当前输入的齿轮箱对应的波形图进行状态识别

首先，通过在构建的振动信号的波形图数据库中采集待测的振动信号数据的波形图，作为测试样本；

然后，将测试样本作为确定连接权值和偏置参数的深度信念网络模型的输入，对测试样本进行深度学习，即首先将输入的波形图与数据库中分类完成的三种齿轮箱工作状态的波形图进行对比，找出和输入波形图最相似的图片，该最相似的图片所属的齿轮箱工作状态即为要识别的工作状态，以完成对齿轮箱的故障诊断。