[发明专利]NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法

说明书

NMS‑RLM改进黏菌算法优化CNN‑BiLSTM的风电机组振动特征预测方法。现有的深度学习神经网络模型应用与风电机组振动特征预测中，时间序列数据中的局部特征潜在关系不能很好表征的问题。本发明的方法包括如下步骤：步骤1，收集风机历史振动信号样本数据，用来构建样本数据库，分出训练集与测试集；步骤2，对训练集原子进行傅里叶变化在频域使用1D CNN提取振动特征参量；步骤3，将训练集特征参量输入BiLSTM模型进行建模；步骤4，用NMS‑RLM改进黏菌算法寻找最优参数。判断模型是否达到最佳适应度，若未达到，则重复寻找最优参数进行迭代，直至获得最优超参数模型；步骤5，将测试集原子输入最优超参数模型，对风电机组进行状态趋势预测。本发明用于风电机组状态预测方法。

技术领域：

本发明涉及风电机组振动特征预测技术领域，具体涉及一种NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法。

背景技术：

基于振动信号对风电机组进行状态趋势预测，实现由定期维修向不定期预知性维修转变，对于风机安全运行、避免事故发生具有重大意义，风机振动预测技术是通过对振动信号的处理分析得到反映故障的特征信息，进而根据故障特征信息对故障类型、部位、程度及其发展趋势做出诊断、预测；其中对应故障类型包括转子不平衡、轴线不对中、转子失稳及零件松动、机座不牢固或刚度不够、滚动轴承疲劳或磨损腐蚀、润滑系统不正常等。

随着传感器技术和人工智能的发展，深度学习方法越来越多的用于风电机组振动特征预测，其具有以下优点：1)预测准确率高；2)预测效果稳定；3)预测结果明确，不会产生模糊的预测结果；但深度学习模型需要大量的样本进行训练，但在实际的场景中获取足够的故障样本并不容易；对此有EP-CNN(Encoding Position-Convolutional NeuralNetwork)，DCGAN网络(Deep Convolutional Generative Adversarial Networks)生成综合故障样本去训练CNN等方法被提出并取得了一定效果；

现有技术的深度学习神经网络模型虽然能够学习到数据长期的历史依赖性，但对于时间序列数据中的局部特征潜在关系不能很好的表征，因此通过NMS-RLM改进黏菌算法优化CNN-BiLSTM的隐含层神经元个数，学习率等超参数，避免了超参数选取的盲目性。

发明内容：

本发明的目的是提供一种NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法，该方法以NMS-RLM改进黏菌算法优化CNNBiLSTM为基础，根据风电机组振动数据对风电机组进行状态趋势预测，实现由定期维修向不定期预知性维修转变，对于风机安全运行、避免事故发生具有重大意义。

上述的目的通过以下的技术方案实现：

一种NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法，该方法包括如下步骤：

步骤1，收集风机历史振动信号样本数据，用来构建样本数据库，分出训练集与测试集；

步骤2，对训练集原子进行傅里叶变化在频域使用1D CNN提取振动特征参量；

步骤3，将训练集特征参量输入BiLSTM模型进行建模；

步骤4，用NMS-RLM改进黏菌算法寻找最优参数。判断模型是否达到最佳适应度，若未达到，则重复寻找最优参数进行迭代，直至获得最优超参数模型。

步骤5，将测试集原子输入最优超参数模型，对风电机组进行状态趋势预测。

所述的NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法，所述步骤1中的样本数据来源于实际工程中风机振动信号，将信号分为训练集与测试集两部分，训练集用来训练模型，测试集用来特征预测。