一种基于SFA和CNN的风机轴承故障诊断方法与流程

本发明涉及故障诊断领域，主要针对风机轴承的故障诊断，可以采用基于慢特征分解(sfa)和卷积神经网络(cnn)的风机轴承故障诊断方法。

背景技术：

随着风电机组的发电规模越来越大，其所面临的检修与维护问题也日益突出，齿轮箱作为风力发电机的重要传动部件，在实际运行中有着很高的故障率，据统计约有20％的停机是由它引起的，而轴承故障是引起齿轮箱失效的主要因素，据统计约有76％的齿轮箱故障发生在轴承部件上，所以研发针对风机轴承的故障诊断方法具有重要的现实意义。

基于模型的方法由于系统的复杂性、故障的多样性、干扰的不确定性而困难重重，难以做到准确诊断。而基于数据驱动的方法只需要利用历史数据和在线运行的数据即可学习对象特征，实现故障诊断，且工业生产过程中储存的大量运行数据满足了实施的基本条件。国内外学者在这一方面做了大量的研究与实践。kankar等人比较了ann和svm在转子轴承系统故障诊断中的性能，在其实验研究的案例中结果表明ann具有比svm更高的分类准确性；phuong和kim提出了一种针对轴承早期故障的多故障诊断方法，首先对基于wpt的谱峭度图提取特征，然后使用lda选择鉴别性特征输入朴素贝叶斯分类器对轴承故障进行分类；liu将声音信号通过stft生成频谱图并进行归一化，然后送到基于sae的双层dnn中进行滚动轴承故障诊断；sohaib等人对时域、频域和时频域这三个领域的特征进行融合然后建立sae-dnn模型实现轴承故障诊断的功能。

基于深度学习的方法是当前的研究热点和焦点。本发明提出了一种基于慢特征分解(sfa)和卷积神经网络(cnn)的风机轴承故障诊断方法。该方法首先利用慢特征分解提取轴承振动信号的最本质的特征数据，然后将特征集扩展为二维图像序列，利用卷积神经网络学习并训练经处理后的数据集，最后采用测试集加以验证。本方法能深入挖掘信号的本质特征，提高故障诊断的准确率。

技术实现要素：

本发明所要解决的技术问题是提供一种基于慢特征分解(sfa)和卷积神经网络(cnn)的风机轴承故障诊断方法，所述方法能深入挖掘数据内部的本质特征，准确性高。具体而言，包括以下步骤：

a、在采集轴承振动信号后，利用sfa提取其中的固有特征信息；

b、将一维的特征信号转变为二维的图像信息；

c、划分训练集和测试集，定义故障类型；

d、构建卷积神经网络框架，初始化网络参数；

e、训练网络并使用测试集检验。

为解决上述技术问题，本发明所采取的技术方案如下。

作为优选，步骤a中，利用sfa提取轴承信号的固有特征信息的步骤包括，

a1、数据标准化

对整个数据集x(t)∈r^m×n，其标准化如下：

其中，表示均值信号，σ表示标准差。

a2、数据白化

对标准化后的数据的协方差矩阵(<·>表示对时间的均值)进行svd分解：

此时白化矩阵可以表示为q＝ω^-1/2u^t，则白化后的数据是

a3、求取慢变特征

求取信号的一阶导数近似对进行svd分解得到：

则，得到特征向量w＝q^tp，继而得到慢特征：s(t)＝z(t)p。

作为优选，步骤b中，一维特征信号转变为二维图像信号的方法如下：

选取最慢的特征信号s1(t)，设置窗口长度为n，则将每一个窗口长度的信号作为一行，构成二维数据集v。

4.根据权利要求1所述的基于慢特征分解(sfa)和卷积神经网络(cnn)的风机轴承故障诊断方法，其特征在于：

步骤c中，将二维数据特征集和与之对应的故障标签作为一个样本对，将全部样本按照设定的比例随机选择一部分作为训练集，剩下的作为测试集。

风机轴承的故障类型主要包括内圈故障、外圈故障和滚动体故障。

作为优选，步骤d中，构建卷积神经网络框架和初始化参数包括以下主要步骤，

卷积神经网络一般由输入层、卷积层、池化层、全连接层、输出层组成。

d1、输入层的输入数据即为步骤c中的二维图像训练集。

d2、卷积层是对图像数据进行卷积运算，从而从图像中提取特征。设置卷积核大小为3×3，即每个3×3方阵与卷积核作乘积然后求和。移动步长设置为1，填补方式设置为无填充。激活函数设置为sigmoid函数：

那么整个卷积层的表达式如下：

a^l＝σ(v^l)＝σ(a^l-1*w^l+b^l)

其中v表示输入，a表示输出，上标代表层数，*表示互相关卷积操作，w表示权重，b表示偏置，σ表示激活函数。

d3、利用池化层缩小模型规模，设置窗口大小为2×2，移动步长为2，填充方式为无填充，池化方式设置为最大池化：

qi＝max{ai(k)}

d4、将池化层提取出来的特征扁平化后连接到一个全连接层，全连接层的表达式如下：

a^l＝σ(v^l)＝σ(w^la^l-1+b^l)

d5、输出层通过softmax函数将全连接层的输出映射为分类结果的置信度，并满足所有置信度之和为1。

附图说明

下面结合附图，对本发明实施例作进一步详述。

图1是本实施例的实验平台

图2是诊断流程图

图3是采集的信号的时域图

图4是二维灰度图

图5是卷积神经网络的基本结构

本发明的实施环节以凯斯西储大学滚动轴承试验台的真实数据为例，如图1所示即为滚动轴承实验平台，试验台左侧是一台2马力电机用来提供动力源，中间部位是一个扭矩传动装置，右侧则是一台负载电机同时作为测功装置。

实验中加速度传感器分别安装在风扇端和驱动端附近的电机外壳上方，部分实验中也在基座上安装了传感器，每秒采样频率为12khz。故障轴承安装在驱动端或风扇端分别进行测试，故障缺陷由电火花加工法制造，且根据故障位置分为内圈、外圈和滚动体故障。

参考图2的诊断流程，具体的步骤如下：

a、在采集轴承振动信号后，利用sfa提取其中的固有特征信息；

b、将一维的特征信号转变为二维的图像信息；

c、划分训练集和测试集，定义故障类型；

d、构建卷积神经网络框架，初始化网络参数；

e、训练网络并使用测试集检验。

阐述具体的操作内容如下：

步骤a中，利用sfa提取轴承信号的固有特征信息的步骤包括，

a1、数据标准化

首先利用传感器采集滚动轴承在设定状态(包括正常和故障)下的振动信号，如图3所示，展示了负载为0时10种状态下的时域波形图，其中n代表正常状态，bf、of、if分别代表滚球故障、外圈故障和内圈故障，07、14、21三个数字则代表了三种故障尺寸。组成数据集x(t)∈r^1×n，将它进行扩展，此处将之扩展为6行，则最终的数据集表示为x(t)＝[x1(t),x2(t+1),x3(t+2),x4(t+3),x5(t+4)]∈r^6×n，其标准化如下：

其中，表示均值信号，σ表示标准差。

a2、数据白化

对标准化后的数据的协方差矩阵(<·>表示对时间的均值)进行svd分解：

此时白化矩阵可以表示为q＝ω^-1/2u^t，则白化后的数据是

a3、求取慢变特征

求取信号的一阶导数近似对进行svd分解得到：

则，得到特征向量w＝q^tp，继而得到慢特征：s(t)＝z(t)p。

步骤b中，一维特征信号转变为二维图像信号的方法如下：

选取最慢的特征信号s1(t)，设置窗口长度为n，则将每一个窗口长度的信号作为一行，构成二维数据集图4即为由一维数据扩展形成的二维灰度图。

步骤c中，将二维数据特征集和与之对应的故障标签作为一个样本对，将全部样本按照设定的比例随机选择一部分作为训练集，剩下的作为测试集。

风机轴承的故障类型主要包括内圈故障、外圈故障和滚动体故障。

步骤d中，构建卷积神经网络框架和初始化参数包括以下主要步骤，

卷积神经网络一般由输入层、卷积层、池化层、全连接层、输出层组成，其基本结构如图5所示。

d1、输入层的输入数据即为步骤c中的二维图像训练集。

d2、卷积层是对图像数据进行卷积运算，从而从图像中提取特征。设置卷积核大小为3×3，即每个3×3方阵与卷积核作乘积然后求和。移动步长设置为1，填补方式设置为无填充。激活函数设置为sigmoid函数：

那么整个卷积层的表达式如下：

a^l＝σ(v^l)＝σ(a^l-1*w^l+b^l)

其中v表示输入，a表示输出，上标代表层数，*表示互相关卷积操作，w表示权重，b表示偏置，σ表示激活函数。

d3、利用池化层缩小模型规模，设置窗口大小为2×2，移动步长为2，填充方式为无填充，池化方式设置为最大池化：

qi＝max{ai(k)}

d4、将池化层提取出来的特征扁平化后连接到一个全连接层，全连接层的表达式如下：

a^l＝σ(v^l)＝σ(w^la^l-1+b^l)

d5、输出层通过softmax函数将全连接层的输出映射为分类结果的置信度，并满足所有置信度之和为1。

步骤e中，将二维灰度图作为训练输入，将标签集作为训练输出，训练卷积神经网络。标签集设置如表1所示。训练好后，输入测试集进行验证。

表1标签集设置

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可推想到的变化或替换，都应涵盖在本发明的保护范围之内。