一种基于深度学习算法的风机故障分类识别方法与流程

本发明涉及风机故障诊断方法，尤其涉及一种基于深度学习算法的风机故障分类识别方法。

背景技术：

科技的进步极大地刺激了人类对能源的需求，风能作为没有公害的可再生能源受到世界各国广泛关注。风力发电机组一般安装在风力资源丰富但交通不便的沿海岛屿、草原牧场、山区和高原地区。这些地区的自然环境较恶劣，不适宜人类长期居住，而且风向、风速多变，因此设置风机必须重点考虑维护维修问题。轴和轴承是风机核心的传动部件，但也是故障多发部件。这些运行故障主要包括转子不对中故障、轴承不平衡故障、永久性转轴弯曲故障、临时性转轴弯曲故障等。目前风机轴承故障诊断一般是通过对轴承振动数据进行分析实现的。传统方法是通过对振动信号进行时域、频域或时频分析，选取部分时域、频域特征值作为判断是否发生故障的指标。

人工智能方法是风机故障诊断中重要类别，如bp神经网络、支持向量机和最小二乘向量机等。专利201610503720.9公布了一种基于极限学习机的风机故障诊断方法。该方法采用风机轴承振动信号的时域特征参数作为样本特征向量，生成训练集和测试集。在训练集上进行elm分类模型学习，将测试集的样本代入分类器中验证其类别。专利201610374216.3公布了一种基于支持向量机的风机故障诊断方法。该方法用小波包对风电机组齿轮箱振动信号进行特征提取，形成总的训练集和测试集。利用二叉树分类方法将总训练集和总测试集拆分成3个子训练集和3个子测试集，并分别对各子训练集和子验证集中的类别进行标识。最后利用改进pso算法确定模型参数，建立ls-svm算法的故障诊断模型，将测试集代入分类器中，得到各测试集中样本的对应类别。专利201710142440.4公布了一种风机齿轮箱故障诊断模型建立方法及装置，该方法首先将振动信号进行平滑和降噪处理，再对处理后的振动信号进行分解，并提取振动信号的特征向量。然后将提取的特征向量分为训练数据集和测试数据集，并利用果蝇算法对径向基神经网络模型的参数进行优化，最终利用径向基神经网络对风机齿轮箱故障进行诊断。上述人工智能诊断方法一般仅利用了振动信号的时域特征值或频域特征值，而且训练集和测试即数据量有限，因而存在网络训练收敛满、故障识别效率低和准确率低等缺点。

技术实现要素：

为快速准确地诊断风电机组轴承的故障类别，提出了一种基于深度学习算法的风机故障分类识别方法，先对原始振动信号进行了数据量扩充，然后利用人工神经网络对振动信号的时频分析结果进行识别，以尽快准确判定轴承故障类别，及时报警并采取对应维护措施，最终减少停机时间，提高风机运行效率。

本发明的目的是这样实现的：

一种基于深度学习算法的风机故障分类识别方法，包括以下步骤：

步骤a、实时采集风电机组轴承的振动信号；

步骤b、对采集到振动信号数据进行滤波，并截取为指定时长t的片段；

步骤c、对截取的信号片段进行时频分析；

步骤d、对时频分析结果进行归一化处理；

步骤e、利用训练好的深度学习算法网络对归一化后的时频分析结果进行聚类分析；

步骤f、根据聚类分析结果判断风机运行是否正常，若正常，则继续采集振动数据，进入步骤a，若不正常，则输出故障类型并报警；

步骤g、输出维护措施建议，若不需要停机检查，则继续进行步骤a，否则停机检查。

上述基于深度学习算法的风机故障分类识别方法，步骤e中深度学习算法网络的训练步骤包括：

步骤e1、采集风电机组轴承的振动信号并分段，其中的振动信号包括风机运行故障和风机运行正常时的信号，运行故障类型包括转子不对中故障、轴承不平衡故障、永久性转轴弯曲故障、临时性转轴弯曲故障；

步骤e2、将故障信号进行人工分类并标记故障类型信息；

步骤e3、对标记后的故障信号进行扩充，增加训练网络的数据量；

步骤e4、整理原始故障信号和扩充后的故障信号，建立故障信号数据库；

步骤e5、从故障信号数据库中提取样本集；

步骤e6、利用提取的样本集训练深度学习算法网络；

步骤e7、保存训练好的网络模型参数。

步骤e3对标记后的故障信号进行扩充的步骤包括：

步骤e3-1、提取k组标记好的振动信号，其中的振动信号包括风机运行故障和风机运行正常时的信号，运行故障类型包括转子不对中故障、轴承不平衡故障、永久性转轴弯曲故障、临时性转轴弯曲故障；

步骤e3-2、将k组振动信号分别加入n组白噪声，扩充为k*n组振动信号，其中n组白噪声的功率谱密度序列为指定的等差序列；

步骤e3-3、将k组振动信号分别加入m组高斯白噪声，扩充为k*m组振动信号，其中m组高斯白噪声的均值和标准差为指定值；

步骤e3-4、对扩充后的k*n+k*m组振动信号加上故障类型标记和噪声标记；

步骤e3-5、整理扩充并标记的k*n+k*m组振动信号，建立信号数据库并保存。

上述基于深度学习算法的风机故障分类识别方法，所述的步骤c中的时频分析方法为短时傅里叶变换或小波变换或魏格纳威利分布方法。

上述基于深度学习算法的风机故障分类识别方法，所述的步骤e中的深度学习算法网络为卷积神经网络或深度信念网络。

一种面向风机故障分类识别方法的深度学习算法网络训练方法，包括：

步骤e1、采集风电机组轴承的振动信号并分段，其中的振动信号包括风机运行故障和风机运行正常时的信号，运行故障类型包括转子不对中故障、轴承不平衡故障、永久性转轴弯曲故障、临时性转轴弯曲故障；

步骤e2、将故障信号进行人工分类并标记故障类型信息；

步骤e3、对标记后的故障信号进行扩充，增加训练网络的数据量；

步骤e4、整理原始故障信号和扩充后的故障信号，建立故障信号数据库；

步骤e5、从故障信号数据库中提取样本集；

步骤e6、利用提取的样本集训练深度学习算法网络；

步骤e7、保存训练好的网络模型参数。

一种面向风机故障分类识别方法的故障信号进行扩充方法，包括：

步骤e3-1、提取k组标记好的振动信号，其中的振动信号包括风机运行故障和风机运行正常时的信号，运行故障类型包括转子不对中故障、轴承不平衡故障、永久性转轴弯曲故障、临时性转轴弯曲故障；

步骤e3-2、将k组振动信号分别加入n组白噪声，扩充为k*n组振动信号，其中n组白噪声的功率谱密度序列为指定的等差序列；

步骤e3-3、将k组振动信号分别加入m组高斯白噪声，扩充为k*m组振动信号，其中m组高斯白噪声的均值和标准差为指定值；

步骤e3-4、对扩充后的k*n+k*m组振动信号加上故障类型标记和噪声标记；

步骤e3-5、整理扩充并标记的k*n+k*m组振动信号，建立信号数据库并保存。

与现有技术相比较，与本发明的有益效果在于：

第一、本发明用深度学习算法对振动信号的时频分析结果进行分类识别，包含了振动信号的时域和频域信息，信息更全面，识别度高；

第二、本发明对初始振动信号进行了扩充，在原始信号中加入白噪声和高斯白噪声不影响因故障产生的振动信号的频率和幅值，但增加了网络训练的数据量，提高了网络训练的性能和速度，有利于提高故障振动类型识别的准确度和速度。

附图说明

图1为本发明一种基于深度学习算法的风机故障分类识别方法的流程图。

图2为深度神经网络训练方法的流程图。

图3为故障信号数据量扩充方法的流程图。

具体实施方式

下面将结合附图和具体实施例对本发明进行进一步详细说明。

具体实施例一

本实施例是基于深度学习算法的风机故障分类识别方法实施例。

本实施例的基于深度学习算法的风机故障分类识别方法，如图1所示，包括以下步骤：

步骤a、实时采集风电机组轴承的振动信号；

步骤b、对采集到振动信号数据进行滤波，并截取为指定时长t的片段；

步骤c、对截取的信号片段进行时频分析；

步骤d、对时频分析结果进行归一化处理；

步骤e、利用训练好的深度学习算法网络对归一化后的时频分析结果进行聚类分析；

步骤f、根据聚类分析结果判断风机运行是否正常，若正常，则继续采集振动数据，进入步骤a，若不正常，则输出故障类型并报警；

步骤g、输出维护措施建议，若不需要停机检查，则继续进行步骤a，否则停机检查。

具体实施例二

本实施例是基于深度学习算法的风机故障分类识别方法实施例。

本实施例的基于深度学习算法的风机故障分类识别方法，在具体实施例一的基础上，进一步限定步骤e中深度学习算法网络的训练步骤，如图2所示，包括：

步骤e1、采集风电机组轴承的振动信号并分段，其中的振动信号包括风机运行故障和风机运行正常时的信号，运行故障类型包括转子不对中故障、轴承不平衡故障、永久性转轴弯曲故障、临时性转轴弯曲故障；

步骤e2、将故障信号进行人工分类并标记故障类型信息；

步骤e3、对标记后的故障信号进行扩充，增加训练网络的数据量；

步骤e4、整理原始故障信号和扩充后的故障信号，建立故障信号数据库；

步骤e5、从故障信号数据库中提取样本集；

步骤e6、利用提取的样本集训练深度学习算法网络；

步骤e7、保存训练好的网络模型参数。

步骤e3对标记后的故障信号进行扩充的步骤包括：

具体实施例三

本实施例是基于深度学习算法的风机故障分类识别方法实施例。

本实施例的基于深度学习算法的风机故障分类识别方法，在具体实施例二的基础上，进一步限定步骤e3，如图3所示，包括：

步骤e3-1、提取k组标记好的振动信号，其中的振动信号包括风机运行故障和风机运行正常时的信号，运行故障类型包括转子不对中故障、轴承不平衡故障、永久性转轴弯曲故障、临时性转轴弯曲故障；

步骤e3-2、将k组振动信号分别加入n组白噪声，扩充为k*n组振动信号，其中n组白噪声的功率谱密度序列为指定的等差序列；

步骤e3-3、将k组振动信号分别加入m组高斯白噪声，扩充为k*m组振动信号，其中m组高斯白噪声的均值和标准差为指定值；

步骤e3-4、对扩充后的k*n+k*m组振动信号加上故障类型标记和噪声标记；

步骤e3-5、整理扩充并标记的k*n+k*m组振动信号，建立信号数据库并保存。

具体实施例四

本实施例是基于深度学习算法的风机故障分类识别方法实施例。

本实施例的基于深度学习算法的风机故障分类识别方法，在具体实施例一的基础上，进一步限定步骤c中的时频分析方法为短时傅里叶变换或小波变换或魏格纳威利分布方法。

具体实施例五

本实施例是基于深度学习算法的风机故障分类识别方法实施例。

本实施例的基于深度学习算法的风机故障分类识别方法，在具体实施例一的基础上，进一步限定步骤e中的深度学习算法网络为卷积神经网络或深度信念网络。

具体实施例六

本实施例是面向风机故障分类识别方法的深度学习算法网络训练方法实施例。

本实施例的面向风机故障分类识别方法的深度学习算法网络训练方法，包括：

步骤e1、采集风电机组轴承的振动信号并分段，其中的振动信号包括风机运行故障和风机运行正常时的信号，运行故障类型包括转子不对中故障、轴承不平衡故障、永久性转轴弯曲故障、临时性转轴弯曲故障；

步骤e2、将故障信号进行人工分类并标记故障类型信息；

步骤e3、对标记后的故障信号进行扩充，增加训练网络的数据量；

步骤e4、整理原始故障信号和扩充后的故障信号，建立故障信号数据库；

步骤e5、从故障信号数据库中提取样本集；

步骤e6、利用提取的样本集训练深度学习算法网络；

步骤e7、保存训练好的网络模型参数。

具体实施例七

本实施例是面向风机故障分类识别方法的故障信号进行扩充方法实施例。

本实施例的面向风机故障分类识别方法的故障信号进行扩充方法，包括：

步骤e3-1、提取k组标记好的振动信号，其中的振动信号包括风机运行故障和风机运行正常时的信号，运行故障类型包括转子不对中故障、轴承不平衡故障、永久性转轴弯曲故障、临时性转轴弯曲故障；

步骤e3-2、将k组振动信号分别加入n组白噪声，扩充为k*n组振动信号，其中n组白噪声的功率谱密度序列为指定的等差序列；

步骤e3-3、将k组振动信号分别加入m组高斯白噪声，扩充为k*m组振动信号，其中m组高斯白噪声的均值和标准差为指定值；

步骤e3-4、对扩充后的k*n+k*m组振动信号加上故障类型标记和噪声标记；

步骤e3-5、整理扩充并标记的k*n+k*m组振动信号，建立信号数据库并保存。

具体实施例八

本实施例是基于深度学习算法的风机故障分类识别方法实施例。

本实施例的基于深度学习算法的风机故障分类识别方法，具体步骤流程如图1所示，首先对轴承振动信号进行实时采集并截取。风机轴承振动信号的能量集中在1000hz-6000hz之间，因此采样频率定为20480hz，截取时长为0.2s。然后对每个获取的振动信号片段进行时频分析，并对时频分析结果即4096×4096的矩阵进行归一化处理。最后利用深度学习算法网络对归一化后的矩阵进行聚类分析，并根据分析结果判断风机运行是否正常。若运行正常，则继续采集振动数据，若发现运行故障，则输出故障类型并发出警告信息。根据故障类型输出维护措施建议，根据建议判断是否需要停机检查，如果有必要则停机检查，否则继续采集振动数据。

在本实施方案中，深度学习算法网络的训练步骤包括：

第一步，采集风电机组轴承的振动信号并分段，采样频率为20480hz，分段时长为0.2s。采集的振动信号包括风机运行故障和风机运行正常时的信号，而且运行故障类型包括转子不对中故障、轴承不平衡故障、永久性转轴弯曲故障和临时性转轴弯曲故障；

第二步，将故障信号进行人工分类并标记故障类型信息，同样将运行正常时的振动信号标记为正常；

第三步，对第二步标记后的故障信号进行扩充，增加训练网络的数据量；

第四步，整理原始故障信号和扩充后的故障信号，建立故障信号数据库；

第五步，从故障信号数据库中提取样本集，一般取全部数据，如果仅需诊断部分类型的故障，可只提取标记对应故障类型的数据；

第六步，利用提取的样本集训练深度学习算法网络；

第七步，保存训练好的网络模型参数。

在本实施方案中，对标记后的故障信号进行扩充的步骤包括：

第一步，提取k组标记好的振动信号，其中的振动信号包括风机运行故障和风机运行正常时的信号，运行故障类型包括转子不对中故障、轴承不平衡故障、永久性转轴弯曲故障、临时性转轴弯曲故障，k组信号中各类信号按比例分配，运行正常振动信号数量占50％，转子不对中故障振动信号数量占12.5％，轴承不平衡故障振动信号数量占12.5％，永久性转轴弯曲故障振动信号数量占12.5％，临时性转轴完全故障振动信号数量占12.5％，k取值大于200；

第二步，将k组振动信号分别加入n组白噪声，扩充为k*n组振动信号，其中n组白噪声的功率谱密度序列为指定的等差序列，最大白噪声的功率谱密度取值不超过信号功率谱密度最大值，即白噪声不能完全淹没信号，n取值大于10；

第三步，将k组振动信号分别加入m组高斯白噪声，扩充为k*m组振动信号，其中m组高斯白噪声的均值和标准差为指定值，m取值大于10；

第四步，对扩充后的k*n+k*m组振动信号加上故障类型标记和噪声标记；

第五步，整理扩充并标记的k*n+k*m组振动信号，建立信号数据库并保存。

在本实施方案中，时频分析方法为短时傅里叶变换或小波变换或魏格纳威利分布方法。

在本实施方案中，深度学习算法网络为卷积神经网络或深度信念网络。

以上所述仅为本发明的优选实施例而已，凡在本发明的精神和原则之内，所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。