[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

摘要

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。

主权项

1.一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；所述步骤2)中，自编码网络包含编码层和解码层，编码层部分负责提取输入数据的特征表示，解码层则将提取出的特征表示重构成输入数据，具体为，假设给定一个输入数据集X＝{x₁，x₂，x₃，......x_n}，其通过自编码网络后的输出特征表示为则通过编码层的过程定义为：h＝f(Z_C)，Z_C＝θ，同理通过解码层的过程定义为：Z_d＝θ'，其中，参数θ和θ’为：θ＝ω_CX+b_Cθ'＝ω_dh+b_d分别为自编码网络编码层与解码层的输出，ω_d、ω_C、b_d、b_C为自编码网络中的权值和偏置参数；从而自编码网络的损失函数为：s.t.Z_C＝θ,h＝f(Z_C),Z_d＝θ',其中，|| ||_F为Frobenius范式，ω_d、ω_C、b_d、b_C包含了自编码网络中所有的权值和偏置参数；m为源领域或目标领域输入样本的总个数；所述步骤2)中，联合适配包括边缘分布的适配和条件分布的适配，其中，边缘分布的适配利用数据之间边缘分布的不一致性，具体方法为：J_M表示边缘分布适配，X_S,X_T表示来自源领域和目标领域的特征表示，φ(x)＝f(ω_Cx+b_C)，n₁，m₁和分别为源领域和目标领域特征表示的总个数，有：n₁＝m₁；条件分布的适配则考虑数据之间条件分布的差异性，具体方法为：J_C表示条件分布适配，_K表示故障的种类，n₂和m₂分别为每一类故障中源领域和目标领域特征表示的总个数；二者相加便为深度联合适配的基础——联合适配，联合适配是与深度自编码网络的每一层都结合，在每一层的自编码网络提取出特征之后，便通过联合适配来拉近两个领域之间的距离；从而最终预训练中每一层优化的目标函数为：s.t.Z_C＝θ,h＝f(Z_C),Z_d＝θ',其中，J_M+J_C表示联合适配，λ为其正则化参数，|| ||_F为Frobenius范数；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。