[发明专利]多通道深度卷积神经网络的风电机组轴承故障诊断方法

说明书

本发明涉及一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，包括步骤：使用振动加速度传感器同时采集测试轴承各种状态下驱动端和非驱动端的高频振动加速度信号；对采集到的振动信号应用时频分析技术，得到对应的时频谱；建立深度卷积神经网络诊断模型，将时频谱和轴承状态作为训练样本，训练诊断模型；评价诊断模型，并将其应用于待监测轴承。本发明的方法可以实现自动特征学习，避免特征工程，并且有效利用多通道振动信号，具有良好的通用性和扩展性。

技术领域

本发明属于风电机组状态监测与故障诊断领域，尤其涉及风电机组轴承故障诊断方法。

背景技术

轴承广泛用在风电机组的子系统和其他部件中，例如风轮、主轴、齿轮箱、发电机、变桨系统和偏航系统等。风电机组中最常用的轴承是滚珠球轴承。球轴承故障通常以某些部件的磨损或表面粗糙度增加而出现，然后发展成一些主要的故障模式，例如外圈、内圈、滚球或保持架的疲劳、裂纹或断裂。轴承故障可能导致风电机组子系统中其他部件的灾难性故障。风电机组大多数机械部件的严重故障从轴承故障开始。因此，诊断风电机组轴承早期故障是非常有必要的。

轴承故障诊断通常包含三个环节：信号采集、特征提取以及模式识别。轴承故障通常使用振动信号作为主要的状态监测系统的监测信号。此外，声学信号AE和电信号也逐渐被用于轴承的状态监测与故障诊断技术中。故障特征提取是诊断技术中最关键的问题之一，直接决定着诊断的准确性和可靠性。根据轴承的故障机理分析，轴承故障通常会在信号中激发起新的特征频率，因此通常的做法是采用适当的频域分析方法来提取故障特征频率，以此来设计特征。目前常用的特征提取技术包括时域统计特征值分析方法、频域分析方法以及时频域分析方法。模式识别根据提取出的特征分析轴承状态，若轴承存在故障，进一步分析故障的类型、部位等。目前常用的模式识别方法包括支持向量机、贝叶斯网络以及人工神经网络等。

目前轴承故障诊断技术取得了快速的发展，在信号采集、特征提取以及模式识别方面均有大量的研究。然而，不同于常规机组，风电机组的运行工况往往复杂的多且并且经常运行在极端恶劣的环境中，初期故障轴承的振动信号中通常包含大量的噪声而使其具有非常低的信噪比；现有的诊断方法通常只考虑一个通道的振动数据，而缺乏对多通道数据的支持；风电机组轴承故障诊断需要非常强的先验知识和专家经验，通过尝试不同的特征设计和模型参数选择才能得到令人满意的结果，目前还没有一种方法，能够从低信噪比、复杂多样的风电机组监测数据中智能的学习机组状态特征，诊断机组状态；用于故障诊断的数据集是不平衡数据，故障类样本所占比例远远小于正常类，以总体诊断准确率为学习目标的传统模式识别算法会过多地关注正常类，从而使得故障类样本的诊断性能下降；以特征工程得到的诊断模型往往不具备通用性和推广性，难以适用于机组数量众多、型号各异的风电场，也难以适用于数据量日益增加的运维大数据时代。

针对上述风电机组轴承故障诊断中存在的问题，本发明主要用于解决以下三个问题：1、实现智能化自动化的特征学习过程，避免人工设计特征带来的局限性，实现通用化特征提取技术。2、提出具有可扩展性的高精度故障诊断模型结构，可适用于多通道大数据的应用场景。3、改进诊断模型的评价体系，采用多种类别评价指标和综合评价指标对诊断模型从多角度进行衡量，避免因数据类不平衡而造成的评估不当。

发明内容

针对上述问题，本发明提出一种多通道深度卷积神经网络的风电机组轴承故障诊断方法。

一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，其包括如下步骤：

步骤1：使用振动加速度传感器同时采集测试轴承各种状态下驱动端和非驱动端的高频振动加速度信号；

步骤2：对采集到的振动信号应用时频分析技术，得到对应的时频谱，具体为：