[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

说明书

本发明涉及风力发电机组状态检测技术领域，一种基于半监督单分类网络的变工况故障检测方法，利用小波包分解对原始数据进行变换得到多个子频带，用于构建小波包系数矩阵，通过注意力机制赋予不同行小波包系数不同的权重，设计具有不同卷积核大小的卷积网络，以并行方式在多个卷积核尺度下挖掘变工况条件下轴承振动信号的时间特征，利用轴承正常状态下的振动数据和少量故障状态下的振动数据进行建模和训练，只需少量有标记的故障样本参与，通过构建半监督学习模型，有效地避免了故障数据获取难、故障模式不完备、故障标记成本高等问题；与传统的机器学习方法相比，本发明能够提高变工况条件下轴承故障检测的准确性和可靠性。

技术领域

本发明涉及风力发电机组状态检测技术领域，具体涉及一种基于半监督单分类网络的变工况故障检测方法。

背景技术

近年来，风能作为一种取之不尽、发展迅速的清洁可再生能源，受到了世界各国的广泛关注。风电机组作为风力发电的重要发电装备，在陆地和海上风电场得到了广泛的安装。其中轴承是风电机组动力传动系统中的核心部件之一，然而受到运行环境变化，如风速、风向等无规律、不确定的影响，使得风电机组轴承在运行过程中容易出现多种类型的故障，严重时甚至会导致机组停机。这些故障和计划外的停机严重影响了风电场的经济效益和风电行业的健康发展，因此，及时准确的检测到风电机组轴承的故障具有重要的现实意义。

目前，大多数大功率风电机组已安装了振动检测系统，其采集的信号主要为振动信号，这些信号包含着大量的轴承健康状态信息，能够从机理上表征风电机组内部的健康状况，通过对风电机组轴承的振动信号进行有效分析，能了解到轴承的健康运行状况和劣化程度。基于振动信号的风电机组轴承故障检测的方法主要依赖于人工特征设计，对信号处理知识和专家诊断经验要求较高；另一方面，由于风电机组轴承大多数时间运行在健康状态下，故障数据获取较为困难，并且面临着故障模式不完备、标记成本大等问题。

发明内容

针对上述的缺陷，本发明提供一种基于风电机组健康状态数据和少量故障状态数据的建模，有效地检测变工况条件下风电机组轴承故障，解决现有大多风电机组轴承故障检测方法，需满足健康状态下的数据和故障数据样本平衡的条件，才能保证检测性能可靠性的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于半监督单分类网络的变工况故障检测方法，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：