基于深度迁移学习算法的风浪协同发电系统的跨域故障诊断方法

本发明涉及风浪协同发电，具体涉及一种基于深度迁移算法的风浪协同发电系统的跨域故障诊断方法。

背景技术：

1、风浪协同发电系统能充分利用海上风能资源和波浪能资源借助发电系统转化为电能，对环境几乎没有污染排放，促进了可再生能源的持续发展，顺应了绿色低碳新能源的时代主题。因此，积极发展和推进风浪协同发电系统具有重要意义。然而，风浪协同发电系统长期处于复杂多变的恶劣海洋环境下，容易受到极端风载荷和波浪载荷的持续作用，这些外部载荷长期联合作用极易引起系统关键零部件的疲劳损伤，严重的会导致结构破坏，缩短机组使用寿命。现阶段我国风电场主要采用事后检修和定期检修两种检修模式，这两种模式会造成机组长时间停机和打乱正常生产计划，维修过剩或维修不足等问题，导致维修成本、难度较大。因此，选择有效的在线故障检测技术降低成本、提高可靠性和缩短机组停机时间是十分必要的。

2、相较基于信号的故障诊断方法和基于传统机器学习的故障诊断方法，基于深度学习的故障诊断方法避免了人工特征提取、分离与选择所带来的不确定因素，以数据驱动的方式消除了对专家知识的依赖，实现精确的故障分类与诊断，在风浪协同发电系统的故障诊断中具有重要意义。卷积神经网络可对不同维度的原始数据进行处理和运算，卷积运算具有局部连接性等特点，且能对高维输入数据进行降维处理，并提取深层次特性，是实现可靠故障诊断的有效方法。进一步地，考虑到风浪协同发电系统不同的运行环境，不同的运作模式以及不同的传感器布置都可以称为域的变化，有效识别不同域之间的故障问题有助于该协同发电按系统的长期稳定运行。因此，对风浪协同发电系统的跨域故障诊断，以提高风浪协同发电系统的可靠性和利用率是非常必要的。

技术实现思路

1、本发明的目的是提供一种基于深度迁移算法的风浪协同发电系统的跨域故障诊断方法，以解决由于复杂工况下风浪协同发电系统关键部件发生故障影响设备的生产效率，甚至导致整个机组停机维修而带来的巨大经济损失。

2、为了实现上述目的，本发明提供了一种基于深度迁移算法的风浪协同发电系统的跨域故障诊断方法，所述方法包括以下步骤：

3、采集风浪协同发电系统的目标工况下的目标部件的原始振动信号；

4、对所述目标工况下目标部件的原始振信号进行前处理，所述前处理包括切片和标准化；

5、提取所述前处理后的时序信号的时域、频域的统计特征，所述特征包括峰值因子、均方根、峭度、均方根频率和频率方差；

6、利用格拉姆角度场方法对所述数据集时序信号进行转化，得到图像信号；

7、建立预设深度迁移网络，构建风浪协同发电系统故障诊断模型；

8、将所述目标工况下的所述统计特征和所述图像信号输入至风浪协同发电系统故障诊断模型，以确定所述目标部件的诊断结果；

9、本发明的进一步改进在于：

10、可选地，对所述目标工况下目标部件的原始振信号进行前处理，还包括：

11、首先，将所述目标工况下目标部件的原始振信号分割为多个等长且有一定重复片段的数据；

12、其次，采用最大最小归一化方法将所有数据标准化，标准化后的数据处于区间[0,1]中；

13、可选地，提取所述前处理后的时序信号的时域、频域的统计特征，所述特征包括峰值因子、均方根、峭度、均方根频率和频率方差，还包括：

14、首先，提取所述前处理后的时序信号的峰值因子、均方根、峭度；

15、其次，采用傅里叶变换，将所述前处理后的时序信号转化为频域信号；

16、最后，提取所述前处理后的频域信号的均方根频率和频率方差。

17、可选地，利用格拉姆角度场方法对所述数据集时序信号进行转化，得到图像信号，还包括：

18、首先，采用分段聚合近似算法将所述时序信号降维，得到短序列数据，具体为：

19、将所述时序序列分割为个连续的子区间，每个子区间长度为；

20、对每个子区间，计算第个子区间的时序序列平均值，表示第个子区间的序列集合，为元素的数量：

21、       (1)

22、采用计算出的平均值来构建简化后的时间序列。

23、其次，将所述短时间序列转化为极坐标下的数据，：

24、       (2)

25、然后，计算所述极坐标转化后的任意两个时序点之间的自定义内积，并构建格拉姆矩阵：

26、       (3)

27、最后，基于格拉姆矩阵将所述格拉姆矩阵映射为伪彩色图像，得到所述目标工况下的图像信号；

28、可选地，建立预设深度迁移网络，构建风浪协同发电系统故障诊断模型，还包括：

29、第一步，采集所述风浪协同发电系统中目标部件多工况下的多状态原始振动信号，其中，所述多工况下的多状态原始振动信号包括特定工况、所述目标工况下的正常状态的原始振动信号和多种故障状态的原始振动信号；

30、第二步，对所述多工况下的多状态原始振信号进行前处理，并制作所述特定工况、目标工况下的实验数据训练集和测试集；

31、第三步，提取所述特定工况、目标工况下的训练集时序信号的时域、频域的故障统计特征；

32、第四步，利用格拉姆角度场方法对所述特定工况、目标工况下的训练集时序信号进行转化，得到图像信号；

33、第五步，将所述特定工况、目标工况下训练集图像信号输入深度迁移网络的特征提取层，提取所述图像信号的特征；

34、第六步，将所述特定工况、目标工况下的所述训练集故障统计特征和图像信号的特征融合，分别得到特定工况、目标工况下的融合特征；

35、第七步，将所述训练集融合特征输入到深度迁移网络的自注意力层和分类层中训练，得到训练结果，以生成预设深度迁移网络。

36、第八步，将所述目标工况下测试集输入预设深度迁移网络，检验预设深度迁移网络的准确率。

37、可选地，对所述多工况下的多状态原始振信号进行前处理，并制作所述特定工况、目标工况下的实验数据集，还包括：

38、第一步，将所述多工况下的多状态原始振信号分割为多个等长且有一定重复片段的数据；

39、第二步，采用最大最小归一化方法将所有数据标准化，标准化后的数据处于区间[0,1]中；

40、第三步，基于信号的状态信息，将所述前处理后的特定工况，目标工况下的信号分类，将信号的状态信息作为信号的标签。

41、第四步，将特定工况下的带标签数据作为模型的训练集，将目标工况下的带标签数据按一定比列划分为训练集和测试集。

42、可选地，所述深度迁移网络的特征提取层的构建具体为：

43、第一步，以alexnet中5个卷积层、激活层，最大池化层，归一化层逐步连接构建深度迁移网络的特征提取层；

44、第二步，引入自注意力机制，构建多头自注意力层；

45、第三步，以softmax函数形式的输出作为预测值，构建诊断分类层，

46、可选地，将所述特定工况、目标工况下的所述训练集故障统计特征和图像信号的特征融合，分别得到特定工况、目标工况下的融合特征，还包括：

47、第一步，将所述图像信号提取的特征展平为维数为的向量；

48、第二步，采用特征连接的方式将展平的向量与所述统计特征拼接得到融合特征；

49、可选地，将所述融合特征输入到深度迁移网络的自注意力层和分类层中训练，得到训练结果，还包括：

50、第一步，计算所述特定工况、目标工况下的融合特征之间的最大均值差异，其中，最大均值差异衡量了所述特定工况、目标工况之间的距离，计算公式为：

51、       (4)

52、第二步，将所述特定工况下的融合特征输入到深度迁移网络的自注意力层，提取融合特征不同部分之间的相关性；

53、第三步，再次计算所述特定工况和目标工况下自注意力层后的特征之间的最大均值差异；

54、第四步，将所述自注意力层后的数据输入深度迁移网络的分类层，预测所述特定工况下的状态；

55、第五步，将所述预测的特定工况下的状态与所述实际的状态标签进行对比，计算交叉熵分类损失差异；

56、第六步，计算自定义训练损失函数，并进行训练，得到训练结果，其中，训练损失函数由交叉熵分类损失函数与最大均值差异组成。

57、与现有技术相比，本发明具有以下有益效果：利用格拉姆角场将时序信号转换为图像信号以便于提取信号中的故障特征，采用统计特征与图像特征融合能多维度提取故障特征，采用自注意机制深入提取能有效深入提取故障特征并提高故障诊断的准确性和及时性，使风浪协同发电系统处于故障早期状态阶段时进行维修，降低成本。