CN109214356A - 一种基于dcnn模型的风机传动系统故障智能诊断方法 - Google Patents

Abstract

本发明公开一种基于深度卷积神经网络(Deep Convolutional Neural Network，DCNN)模型的风机传动系统故障智能诊断方法，首先采集风电机组传动系统正常和故障状态下运行的振动信号，运用Winger‑Ville谱分析算法对采集的振动数据进行处理，提取不同运行状态下的时‑频特征图作为样本集；建立DCNN模型，选择一定数量的特征图作为训练样本，对DCNN模型进行训练；最后将特征图样本集中的剩余样本作为测试样本，对训练好的DCNN模型进行测试，对模型的结构参数和训练参数进行优化改进，选出识别性能最好、稳定性最佳的结构参数和训练参数。此种方法可实现对风机传动系统故障的智能诊断识别，提高对故障识别的准确性和效率。

Description

一种基于DCNN模型的风机传动系统故障智能诊断方法

技术领域

本发明属于智能诊断领域，涉及一种基于DCNN(Deep Convolutional NeuralNetwork，深度卷积神经网络)模型的风机传动系统故障智能诊断方法，特别是涉及风电机组传动链系统的振动故障诊断。

背景技术

作为新兴行业，我国在风电机组故障诊断研究方面起步较晚，和迅猛增加的风电装机容量相比，相关的故障诊断技术显著落后，在风电故障分类和识别方法的研究、机电耦合系统的相关诊断研究、智能诊断和趋势预测技术研究等诸多方面都较薄弱，距离风电行业对故障诊断技术的迫切需求还相差较远。

国外风电机组故障诊断主要针对传动系统和电气系统展开研究。目前故障诊断的方法主要有两种，一种是基于信号处理的故障诊断方法，另一种是基于模型的故障诊断方法，其中大部分的故障诊断分析都是基于振动信号，也有通过油液、噪声、电量等进行分析诊断。随着人工智能的兴起，欧美等国家也开始将人工智能技术引入到风力发电故障诊断中，并且取得了不错的效果。我国对风电机组故障诊断研究起步较晚，现在研究重点主要在传动链上，采用的分析方法也是振动分析为主，同时国内也有部分学者进行了基于时频图的智能故障诊断研究，但是目前应用中特征向量都是在时频图的基础上人为构造的，直接以时频图作为识别依据的研究几乎没有，而且所用的BP神经网络、SVM等浅层网络隐层数量有限，特征学习表达能力有限，训练易陷入局部极值。

发明内容

本发明的目的，在于提供一种基于DCNN模型的风机传动系统故障智能诊断方法，其可实现对风机传动系统故障的智能诊断识别，提高对故障识别的准确性和效率。

为了达成上述目的，本发明的解决方案是：

一种基于DCNN模型的风机传动系统故障智能诊断方法，包括如下步骤：

步骤1，采集风电机组传动系统正常和故障状态下运行的振动信号，运用Winger-Ville谱分析算法对采集的振动信号进行处理，提取不同运行状态下的时-频特征图作为样本集，并分为训练样本和测试样本；

步骤2，建立DCNN模型，利用步骤1的训练样本对DCNN模型进行训练；

步骤3，利用步骤1的测试样本对步骤2训练好的DCNN模型进行测试，对模型的结构参数和训练参数进行优化改进，选出识别性能最好、稳定性最佳的结构参数和训练参数。

上述步骤1中，Winger-Ville谱分析算法具体过程是：首先计算振动信号的瞬时对称相关函数，然后对其进行傅里叶变换，得到能够反映故障特征的时频图。

上述步骤2中，对DCNN模型进行训练的过程是：首先，设定网络的训练参数，初始化网络的权值和偏置，训练样本特征图依次经过卷积层、采样层、全连接层处理后，传输至输出层，每一层的输出为下一层的输入；然后将实际输出与期望输出间的误差逐层反向传播，并将误差分配到各层，对网络的权值和偏置进行调整，直至满足收敛条件。

采用上述方案后，本发明在传统振动信号特征提取的基础上，提出对风机传动系统的振动信号进行Winger-Ville谱分析算法处理，利用WV谱分析算法生成的时频图来反映振动信号的时频特征，准确表征风机传动系统的运行状态；同时利用卷积神经网络对WV谱分析算法生成的时频图进行充分的学习和表达，避免了人为的参与造成特征表达的不足以及识别准确性和效率的不足；最后用训练好的卷积神经网络模型对故障进行识别，从而实现对风电机组传动系统故障的智能诊断。本发明避免了人为参与造成特征表达的不足以及识别准确性和效率不足的问题，与现有识别方法相比，具有更高的准确率和更佳的稳定性。

附图说明

图1是本发明的流程图；

图2是DCNN模型训练流程图；

图3是DCNN模型结构示意图；

图4是DCNN模型结构详图。

具体实施方式

以下将结合附图，对本发明的技术方案及有益效果进行详细说明。

本发明提供了一种基于DCNN模型的风机传动系统故障智能诊断方法，主要步骤介绍如下：

1、振动信号预处理，生成WV谱分析分布时频图

实际应用中风电机组传动链出现故障时，通常产生冲击性振动信号，具有明显的非线性非平稳特征，传统的信号处理手段难以敏感地反应突变和非平稳特征。因此需要一种行之有效的方法来对振动信号进行处理。

本发明通过运用Wigner-Ville谱分析算法对采集的振动信号进行处理，首先计算振动信号的瞬时对称相关函数，然后对其进行傅里叶变换，得到时频图像，然后将图像以灰度形式显示，并将时频图压缩至合适的大小，构造特征图样本集，压缩的目的是为了降低DCNN输入特征图各维的大小，提高网络的训练速度，同时保证时频图中的有用信息不被淹没。所述WV谱分析分布算法的时频带宽积达到了Heisenberg不确定性原理给出的下界，使其具有很高的时频分辨率，不会损失信号的幅值和相位信息，对非线性非平稳信号具有很好的时频表达能力。

2、建立DCNN模型，选择一定数量的特征图作为训练样本，对DCNN进行训练

网络训练参数设定如下：batch＝32，epoch＝80，学习率λ＝0.0002，使用Adam算法的优化器，交叉熵作为误差函数。如图2所示，DCNN模型的训练过程主要包括数据的正向传播和误差的反向传播两个部分，首先，设定网络的训练参数，初始化网络的权值和偏置，将特征图样本集中的时频图分为训练样本和测试样本，将训练样本特征图输入网络，依次经过卷积层、采样层、全连接层处理后，传输至输出层，每一层的输出为下一层的输入；然后，将实际输出与期望输出间的误差逐层反向传播，并将误差分配到各层，对网络的权值和偏置进行调整，直至满足收敛条件，以实现网络的有监督训练。

运用卷积神经网络能够对WV谱分析算法生成的时频图进行充分的学习和表达，DCNN是一种含多个隐层的深度学习网络模型，能通过逐层的特征传递，将低层特征变换到高层特征，以实现特征的学习和表达，同时与BP神经网络、SVM等浅层网络相比，DCNN对复杂特征的学习表达能力更强，运算速度更快，避免了训练陷入局部极值等问题；DCNN能成功将时频图差异较大的同类故障样本识别为一类，体现出其较强的泛化能力和聚类能力；DCNN能成功区分时频图相似的异类故障样本，体现其较强的特征提取和识别能力。

3、对训练好的DCNN模型进行测试

设计网络的10种结构方案，利用特征图样本集分别对其进行测试，为了测试网络性能的稳定性，消除随机因素的影响，每次实验都重复10次，以测试结果的最小值、均值、标准差，以及迭代一次消耗的时间作为评价指标。DCNN结构如图3和图4所示，输入特征图的大小为1024×1024，然后卷积采样层交替出现三次，第一个卷积层采用卷积核64@2×2，第二个卷积层采用卷积核128@2×2，第三个卷积层采用卷积核192@2×2，池化层均采用均值池化大小为2×2。通过测试样本对网络模型结构参数和训练参数进行优化，能有效提高网络对故障的正确识别率及识别性能的稳定性。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (3)

1.一种基于DCNN模型的风机传动系统故障智能诊断方法，其特征在于包括如下步骤：

步骤1，采集风电机组传动系统正常和故障状态下运行的振动信号，运用Winger-Ville谱分析算法对采集的振动信号进行处理，提取不同运行状态下的时-频特征图作为样本集，并分为训练样本和测试样本；

步骤2，建立DCNN模型，利用步骤1的训练样本对DCNN模型进行训练；

步骤3，利用步骤1的测试样本对步骤2训练好的DCNN模型进行测试，对模型的结构参数和训练参数进行优化改进，选出识别性能最好、稳定性最佳的结构参数和训练参数。

2.如权利要求1所述的一种基于DCNN模型的风机传动系统故障智能诊断方法，其特征在于：所述步骤1中，Winger-Ville谱分析算法具体过程是：首先计算振动信号的瞬时对称相关函数，然后对其进行傅里叶变换，得到能够反映故障特征的时频图。

3.如权利要求1所述的一种基于DCNN模型的风机传动系统故障智能诊断方法，其特征在于：所述步骤2中，对DCNN模型进行训练的过程是：首先，设定网络的训练参数，初始化网络的权值和偏置，训练样本特征图依次经过卷积层、采样层、全连接层处理后，传输至输出层，每一层的输出为下一层的输入；然后将实际输出与期望输出间的误差逐层反向传播，并将误差分配到各层，对网络的权值和偏置进行调整，直至满足收敛条件。