[发明专利]一种基于半监督单分类网络的变工况故障检测方法

权利要求书

1.一种基于半监督单分类网络的变工况故障检测方法，其特征在于，包括如下步骤：

S1：获取风电机组轴承在不同运行状态下的一维振动信号数据，对其进行预处理以获取一维时间序列输入向量；

S2：对一维时间序列输入向量采用离散形式的小波包分解，分解得到小波包系数矩阵M；

S3：将二维小波包系数矩阵M输入到通道注意力模块中，为二维小波包系数矩阵M中的每行小波包系数赋予不同的权重值，从而得到新的二维小波包系数矩阵M'；

S4：将二维小波包系数矩阵M'以并行的方式分别输入到P个卷积网络特征提取模块中，进行多尺度时间特征学习，提取不同滤波器尺度下的多尺度时间特征，所述P为整数，且P1；将获取的多尺度时间特征进行拼接得到一维特征向量；

S5：将S4中获取的一维特征向量输入到全连接层，得到的输出再输入到半监督单分类目标函数，并且通过正常状态数据和少量故障状态数据进行训练得到一个网络模型；其中训练获得的网络模型包括步骤如下：

S51：将风电机组轴承故障检测任务定义为一个变工况下的轴承异常检测任务；

S52：将S4中获取的一维特征向量输入到全连接层，得到的输出向量再输入到半监督单分类目标函数，并且通过正常状态数据和少量故障状态数据进行训练得到一个网络模型；其中正常状态数据或故障状态数据中部分含有标签，部分无标签，所述网络模型由正常状态数据和少量故障状态数据进行训练得到，所述半监督单分类目标函数的计算表达式如下：

其中，n表示无标签数据构成的二维小波包系数矩阵的个数，m表示有标签数据构成的二维小波包系数矩阵的个数，z_i表示无标签数据预处理后的第i个二维小波包系数矩阵，表示有标签数据预处理后的第j个二维小波包系数矩阵，η表示有标签数据占所有数据的比例，w表示模型的所有网络层参数，λ表示网络模型的超参数，L表示卷积网络层数，w^l表示第l层卷积网络的参数，||·||_F表示弗罗贝尼乌斯范数，φ(z_i；w)和表示网络模型的全连接层输出的多维数据，c表示网络模型的原点，所述原点是通过直接输入第一类数据和少量第二类数据到网络模型而获得；

S6：将包含正常状态数据和故障状态数据的测试样本输入到S5所得的网络模型中得出测试样本的异常分数值，从而获得故障检测结果。

2.根据权利要求1所述一种基于半监督单分类网络的变工况故障检测方法，其特征在于，S1中包括如下步骤：

S11：采用z-score方法对获取的一维振动时间序列数据进行标准化处理，计算表达式如下：

其中，z是标准化处理后的一维时间序列数据，x是原始一维振动时间序列数据，μ和σ分别是原始一维时间序列数据的均值和标准差；

S12：将标准化的一维时间序列数据分割成若干个长度为Q的无重叠片段，得到n个有标签的一维时间序列输入向量和m个无标签的一维时间序列输入向量。

3.根据权利要求1所述一种基于半监督单分类网络的变工况故障检测方法，其特征在于，S2中，一维时间序列输入向量的大小为1×Q，其中Q为采样点数，即每个片段的长度；采用离散形式的小波包分解得到小波包系数矩阵，包括如下步骤：

S21：对S1得到的一维时间序列输入向量采用离散形式的小波包分解，将每段一维时间输入向量分解到N个子频带，每一个子频带都包含有一系列的小波包系数，共得到2^N组小波包系数；

S22：将每组小波包系数作为一行，从而构建二维小波包系数矩阵，得到n个无标签数据构成的二维小波包系数矩阵M和m个有标签数据构成的二维小波包系数矩阵M。