[发明专利]基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法

说明书

一种基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法，结合双向长短时神经网络采用滑动窗口的方式分割样本，捕获多维时序数据中的时间依赖关系，通过学习大量正常样本，将多维非线性时序数据重构映射到低维空间，在此基础上通过对比分析重构样本和原始样本差异，实现风电齿轮箱状态监测和故障诊断。本发明提出的方法可以有效处理高维度时序数据，能够较好的应用于风电齿轮箱变工况运行环境。

技术领域

本发明涉及一种基于双向长短时神经网络自动编码机的风电齿轮箱状态监测方法。

背景技术

随着信息融合技术的快速发展，现代机电系统通过安装多类型传感器、智能仪表等设备，可以实现了对运行状态、过程的实时监测和健康评估。随着机器学习和深度学习技术的快速发展，数据驱动模型成为机电设备尤其是风电齿轮箱故障检测的有效方法。考虑到风电齿轮箱运行过程中采集的数据是多维时序数据，因此基于多维时序数据对风电齿轮箱进行状态监测和故障诊断变得十分重要。然而，多维时序数据的处理和分析是存在较大难度：首先，数据的不同维度之间存在潜在关联和相互影响，导致风电齿轮箱故障检测和辨识。其次，风电齿轮箱时刻处于变转速变转矩的非平稳运行工况，其数据体量大、多源异构且动态性强等，导致大数据处理更加困难。

发明内容

针对上述问题，本发明提出了一种基于双向长短时神经网络自动编码机的风电齿轮箱状态监测模型，结合双向长短时神经网络采用滑动窗口的方式分割样本，捕获多维时序数据中的时间依赖关系，通过学习大量正常样本，将多维非线性时序数据重构映射到低维空间，在此基础上通过对比分析重构样本和原始样本差异，实现风电齿轮箱状态监测和故障诊断。与其他方法相比，本发明提出的方法可以有效处理高维度时序数据，能够较好的应用于风电齿轮箱变工况运行环境。

本发明解决其技术问题所采用的技术方案是：

一种基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法，包括以下步骤：

步骤1)对于风电齿轮箱原始高维时序数据D＝{N*F}，其中，N 是样本数量，F是样本维度；采用滑动窗口对样本进行划分，得到I 个新样本，其中窗口宽度设定为L，窗口滑动步长设定为s，得到分割后的数据集D’＝{I*N*F}；

其中，对于基于滑动窗口的时序数据样本划分方法，窗口宽度设定值L至关重要，窗口宽度较大时，可以较好挖掘数据集样本内在的时序依赖关系，但是与此同时会降低自编码器模型对异常故障的敏感性；窗口宽度较小时，异常故障可以被有效分离，但是会破坏原始样本中时序数据的依赖关系，从而导致自编码器模型难以有效学习到风电齿轮箱健康工况的数据特征和运行状态；

步骤2)考虑到风电齿轮箱多信息融合传感器的量化尺度存在较大差异，采用线性变换对数据进行标准化处理，得到归一化后的高维时序数据，基于min-max归一化方法进行处理，如式(1)所示：

其中，Y’为归一化后的数据集，Y为原始数据集，是数据集的平均值，max(Y)是数据集的最大值，min(Y)是数据集的最小值；

步骤3)引入双向长短时神经网络自动编码机对样本进行特征提取和样本重构，针对风电齿轮箱多信息传感数据的时序特性，自动编码机采用LSTM作为编码器和解码器，在得到归一化的样本数据集后，采用自编码器将模型的学习目标设置为数据集样本自身，同时将原始样本集合重映射到低维样本特征空间从而学习原始样本的关键特征，以此实现数据样本的降维、特征提取与筛选，其中，选取将原始数据样本映射到低维特征空间的模块作为模型的编码器，选取提取筛选后的特征重构样本的模块作为模型的解码器；

该神经网络包括编码器和解码器两部分，其中，编码器和解码器均融合了双向长短时神经网络，RepeatVector层和Dense全连接层是为了使重建样本与原样本具有同样的维度，其中，RepeatVector层的原理是将输入重复若干次后输出；