[发明专利]一种基于深度联合适配网络的风电机组轴承故障诊断方法

说明书

本发明公开了一种基于深度联合适配网络的风电机组轴承故障诊断方法，包括以下步骤：1）建立多元融合数据库：2）建立深度联合适配模型：3）建立深度联合适配网络的风电机组轴承故障诊断模型：4）构建多GPU集群计算系统。本发明根据不同的实际工况监测中训练数据与目标数据分布差异特性，探索了领域之间不变特征表示和概率分布差异修正机制，提出了基于领域间联合分布适配与共有特征深度学习融合机制的故障目标识别策略，能够利用深度自编码网络的优势，无需人为地选择特征，能自动地提取出更为良好、抽象、高级的特征，并减小分类算法的运算复杂度，尤其适用于多噪声、大数据、结构复杂、动态的系统。

技术领域

本发明涉及风电领域，特别涉及一种基于深度联合适配网络的风电机组轴承故障诊断方法。

背景技术

轴承传动系统在风电系统中扮演着动力输送、变速、调速的角色，是风电系统中动力传输部分最重要的系统之一，同时由于不间断地使用，也导致其极易发生故障，如果没有及时发现处理就会导致整个系统陷入瘫痪，极其影响生产效率。因而，为了及时发现故障，对轴承传动系统进行合理、可靠、快速的故障诊断是很有必要的。

目前常用的故障特征提取方法主要有小波变换、快速傅里叶变换(Fast FourierTransform，简称FFT)、机器学习、深度学习等。小波变换需要人为地设置小波基函数，依赖设计者的经验。FFT无法提取出数据中具有代性的特征，只能对所有数据进行处理，使得特征不具有代表性。机器学习的方法主要是利用神经网络来自动地提取出隐含在数据集下的代表性特征，但神经网络隐含层的层数，以及网络层参数直接影响着特征的好坏。深度学习主要有深度信念网络、卷积神经网络、深度自编码网络等。并且上述所有的故障特征提取方法不仅有其各自的缺点，而且都基于一个假设才能获得良好的诊断效果，即原始训练数据集和目标数据集服从同一分布，而这在系统实际工作环境中，是难以满足的，从而无法利用不同工况下已有的故障特征实现对轴承新故障的诊断。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、诊断准确率高、应用范围广的基于深度联合适配网络的风电机组轴承故障诊断方法。

本发明解决上述问题的技术方案是：一种基于深度联合适配网络的风电机组轴承故障诊断方法，包括以下步骤：

1)建立多元融合数据库：收集不同工况下的风电系统滚动轴承末端加速度数据，同时实时采集风电系统滚动轴承末端加速度数据，对所有数据进行预处理，对处理后的不同工况下的数据添加标签并记为源领域，预处理后的实时采集的数据记为目标领域；

2)建立深度联合适配模型：采用自编码网络逐层堆砌，架构一个深度框架，深度框架中每一层自编码网络结合联合适配，得到深度联合适配模型；

3)建立深度联合适配网络的风电机组轴承故障诊断模型：利用源领域的标签样本对深度联合适配模型进行预训练，并通过优化算法优化损失函数，得到深度联合适配模型的权值与偏置参数，然后分别在源领域和目标领域选取相同数目的四种样本数据作为输入，再一次调整深度联合适配模型的权值与偏置参数，同时得到这些数据相应的特征表示；再将源领域的特征表示用来训练SVM，得到训练好的分类模型，最后把目标领域的特征表示作为SVM的输入，得到每个样本的分类标签，从而得到深度联合适配网络的风电机组轴承故障诊断模型。

上述基于深度联合适配网络的风电机组轴承故障诊断方法，所述步骤1)中，将收集的所有数据归一化处理，再通过傅里叶变换去除数据包含的噪声，并选取处理后数据长度的一半，对预处理后的数据添加标签，其标签包括正常、内圈故障、外圈故障、球体故障四种，并记为源领域。