一种基于风电齿轮箱监测系统的故障诊断方法与流程

1.本发明涉及风电齿轮箱故障诊断技术领域，尤其涉及一种基于风电齿轮箱监测系统的故障诊断方法。


背景技术：

2.近年来，我国风电技术不断发展，装机规模持续增长，风电产业在我国国民经济发展中起到重要作用。齿轮箱作为风电装备的关键部件，其安全、可靠运行对提升风电装备的服役性能有重要意义。
3.风电齿轮箱长期在复杂交变载荷作用下运行，不可避免地会出现故障，因此在早期发现风电齿轮箱的微弱故障，识别故障类型，判断故障程度，进行剩余寿命预测，合理制定运维方案，可有效避免继发故障出现，减小齿轮箱重大故障及因故障引起的损失。
4.传统的单一传感器信息处理技术在实际操作过程中常常受到复杂易变的外界因素影响，无法诊断出一些微弱故障，与单传感器信号相比，多传感器信号具有更丰富的特征，可以实现系统更高的可靠性。
5.随着人工智能研究的发展，基于数据驱动的故障诊断方法应用越来越广泛。深度学习以其强大的特征学习能力，逐渐成为了故障诊断的一种有效方法。深度学习可以从高维特征空间内提取高维特征，其精度高于传统方法。但传统单一的网络模型对早期故障识别效果不理想，也无法实现齿轮箱的寿命预测，这些都是亟待解决的问题。


技术实现要素：

6.本发明提出一种基于风电齿轮箱监测系统的故障诊断方法。其目的是基于多特征融合和深度学习方法，针对风电齿轮箱可能发生的微弱故障进行故障诊断。
7.为实现上述目的，本发明的技术方案为一种基于风电齿轮箱监测系统的故障诊断方法，具体如下：
8.所示风电齿轮箱监测系统，包括：风电齿轮箱、多个压电式加速度传感器、arm模块、ad采集模块、光纤环网模块、中控服务器；
9.所述arm模块与所述多个压电式加速度传感器依次连接；
10.所述的arm模块、ad采集模块、光纤环网模块、中控服务器依次连接；
11.所述压电式加速度传感器通过磁吸附的方式固定在所述风电齿轮箱的特定位置处；
12.所述压电式加速度传感器用于实时采集振动信号，并传输至所述ad采集模块；
13.所述ad采集模块用于多路信号转换和调理，并传输至所述arm模块；
14.所述arm模块将实时采集的振动信号通过所述光纤环网模块传输至所述中控服务器；
15.所述中控服务器根据实时采集的振动信号通过所述故障诊断方法进行诊断，得到风电齿轮箱的故障类型；
16.所述故障诊断方法，包括以下步骤：
17.步骤1：定义实时采集的振动信号；
18.步骤2，对实时采集的振动信号进行连续小波变换得到每个传感器的小波变换系数集，对每个传感器的小波变换系数集进行标准化、灰度化处理得到每个传感器的对应的原始灰度图样本集；
19.步骤3，在所述原始灰度图样本集中随机抽取多个样本构建原始样本输入集a
i
`，结合所述原始样本输入集中灰度图样本的数量生成多个高斯随机噪声构建高斯随机噪声数据集z
i
，将所述高斯随机噪声数据集中每个高斯随机噪声输入生成器g中生成对应的高斯随机噪声灰度图样本，以构建生成样本输入集b
i
；
20.步骤4，将步骤3所述原始样本输入集a
i
`与步骤3所述生成样本输入集b
i
同时输入判别器进行判断，当判别器误差l(d)达到最大时，固定训练好的所述判别器参数，通过随机梯度来最小化生成器的损失函数；
21.步骤5，重复步骤3
‑
4，直至所述生成器和所述判别器的结果达到平衡，结束训练过程，输出增强样本集；
22.步骤6，将k个所述振动信号处理得到的所述增强样本集中在同一时间段的数据样本第i个传感器的输出增强样本集在第j个时间段的生成样本图c
1,j
,c
2,j
，
…
，c
k,j
并列放置，卷积核为一个数字矩阵，相当于一个滤波器组，与卷积核进行卷积运算，用relu激活函数对每次卷积的逻辑输出值进行非线性变换，经过池化层，得到第j个时间段生成样本图的融合数据样本数据样本多次迭代后构建融合数据样本集x＝{x1,x2,x3,
…
x
j
}，其中，j为时间样本长度；使用batc hnormalization对所述融合数据样本集进行批量归一化，以加快模型的训练时间，并使用dropout防止过拟合；
23.步骤7，将所述融合数据样本集x中对应的h类不同故障对应的所述融合数据样本分别贴上标签y
h
，构成深度残差网络训练集；
24.步骤8，将所述深度残差网络训练集每个样本依次输入残差神经网络，预测得到深度残差网络训练集每个样本对应的预测故障类别，将深度残差网络训练集每个样本对应的预测故障类别结合步骤7中所述的每个样本对应的标签构建均方误差损失函数，通过梯度下降算法训练得到训练后残差神经网络；
25.作为优选，步骤1所述定义实时采集的振动信号，具体为：
26.a
i
(t)，i∈[1,k]
[0027]
其中，a
i
(t)表示第i个传感器在t时刻采集得到的振动信号；k为压电式加速度传感器的数量；
[0028]
作为优选，步骤2所述构建每个传感器的小波变换系数集为：
[0029]
{w
i,1
，w
i,2
，w
i,3
，
…
w
i,m
}，i∈[1,k]
[0030]
其中，k为压电式加速度传感器的数量，m表示时间序列，w
i,j
表示第i个传感器在第j个时间段采集的信号变换的小波变换系数，j∈[1,m]；
[0031]
步骤2所述每个传感器的对应的原始灰度图样本集为：
[0032]
{a
i,1
，a
i,2
，a
i,3
，
…
a
i,m
}，i∈[1,k]
[0033]
其中，k为压电式加速度传感器的数量，m表示时间序列，a
i,j
表示第i个传感器在第j个时间段的小波变换系数对应的原始灰度图样本数据，j∈[1,m]；
[0034]
作为优选，步骤3所述原始样本输入集为：
[0035]
a
i
`＝{a
i,k 1
，a
i,k 2
，
…
a
i,k n
}，i∈[1,k]
[0036]
其中，k为压电式加速度传感器的数量，n表示每次抽取的样本个数，a
i,j
表示第i个传感器在第j个时间段的所述原始灰度图样本，j∈[1,n]；
[0037]
步骤3所述高斯随机噪声数据集为：
[0038]
z
i
＝{z
i,k 1
，z
i,k 2
，
…
z
i,k n
}，i∈[1,k]
[0039]
其中，k为压电式加速度传感器的数量，n表示每次抽取的样本个数，z
i,j
表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本，j∈[1,n]；
[0040]
步骤3所述生成样本输入集为：
[0041]
b
i
＝{b
i,k 1
，b
i,k 2
，
…
b
i,k n
}，i∈[1,k]
[0042]
其中，k为压电式加速度传感器的数量，n表示每次抽取的样本个数，b
i,j
表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本，j∈[1,n]；
[0043]
步骤3所述的对应灰度图样本b
i,k
＝g(z
i,k
)
[0044]
作为优选，步骤4所述判别器的损失函数为：
[0045][0046]
其中，d(p)表示输出该数据是真实数据的概率，其中，p＝a
i,j
，b
i,j
，a
i,j
表示第i个传感器在第j个时间段的所述原始灰度图样本，b
i,j
表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本。
[0047]
步骤4所述的生成器损失函数为：
[0048][0049]
其中，d(p)表示输出该数据是真实数据的概率，其中，p＝b
i,j
，b
i,j
表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本。
[0050]
作为优选，步骤5所述增强样本集为
[0051]
c
i
＝{c
i,1
,c
i,2
,c
i,3
,
…
c
i,n
}，i∈[1,k]
[0052]
其中，k为压电式加速度传感器的数量，c
i
表示第i个传感器的输出增强样本集，c
i,j
第i个传感器的输出增强样本集在第j个时间段的生成样本图。
[0053]
作为优选，步骤6所述relu激活函数为：
[0054][0055]
其中，为卷积运算的输出值，为的激活值；
[0056]
步骤6所述池化层采用最大池化技术，取区域内最大值作为输出值，最大池化为：
[0057][0058]
其中，表示第l层第i个特征中第t个神经元的值，w表示池化区域的宽度，表示第l 1层神经元的值。
[0059]
作为优选，步骤7所述深度残差网络训练集为：
[0060]
d＝[(x1,y1),(x2,y2),
…
,(x
h
,y
h
)，
…
(x
h
,y
h
)]1≤h≤h
[0061]
作为优选，步骤8所述均方误差损失函数为：
[0062][0063]
其中，f
i
为神经网络的输出，y
i
为训练数据的标签值，n表示数据的维度。
[0064]
本发明通过采集风电齿轮箱运行过程中的振动信号，经光纤环网传输至中控室的服务器，并采用基于多特征融合和深度学习算法，对所述振动信号进行特征提取、数据增强、多特征融合、故障诊断和寿命预测，并将结果通过所述可视化模块进行显示，实现了风机传动链运行状态的监测、评估，可有效识别风机传动链早期故障，避免继发故障造成的经济损失和不良社会影响。
附图说明
[0065]
图1：为本发明系统模块框图；
[0066]
图2：为本发明风机传动链测点布置图；
[0067]
图3：为本发明的数据分析模块中诊断系统流程图；
[0068]
图4：为本发明中提出的诊断模型结构；
[0069]
图5：为并行卷积神经网络图解；
[0070]
图6：为本发明方法流程图。
具体实施方式
[0071]
为了使本技术领域的人员更好地理解本技术中的技术方案，下面结合本发明实施例中的附图对本发明进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
[0072]
下面结合图1至图6介绍本发明的具体实施方式为一种基于风电齿轮箱监测系统的故障诊断方法，具体如下：
[0073]
所示风电齿轮箱监测系统，包括：风电齿轮箱、多个压电式加速度传感器、arm模块、ad采集模块、光纤环网模块、中控服务器；
[0074]
所述arm模块与所述多个压电式加速度传感器依次连接；
[0075]
所述的arm模块、ad采集模块、光纤环网模块、中控服务器依次连接；
[0076]
所述压电式加速度传感器选型为bk
‑
s100加速度传感器，通过磁吸附的方式固定在所述风电齿轮箱的特定位置处；
[0077]
所述压电式加速度传感器选型为bk
‑
s100加速度传感器，用于实时采集振动信号，并传输至所述ad采集模块；
[0078]
所述ad采集模块选型为阿尔泰dam391c，用于多路信号转换和调理，并传输至所述arm模块；
[0079]
所述arm模块选型为stm32f103，实时采集的振动信号通过所述光纤环网模块传输至所述中控服务器；
[0080]
所述中控服务器选型为惠威ip
‑
9800网络中控服务器，根据实时采集的振动信号通过所述故障诊断方法进行诊断，得到风电齿轮箱的故障类型；
[0081]
所述故障诊断方法，包括以下步骤：
[0082]
步骤1，定义实时采集的振动信号；
[0083]
步骤1所述定义实时采集的振动信号，具体为：
[0084]
a
i
(t)，i∈[1,k]
[0085]
其中，a
i
(t)表示第i个传感器在t时刻采集得到的振动信号；k＝5为压电式加速度传感器的数量；
[0086]
步骤2，对实时采集的振动信号进行连续小波变换得到每个传感器的小波变换系数集，对每个传感器的小波变换系数集进行标准化、灰度化处理得到每个传感器的对应的原始灰度图样本集；
[0087]
步骤2所述构建每个传感器的小波变换系数集为：
[0088]
{w
i,1
，w
i,2
，w
i,3
，
…
w
i,m
}，i∈[1,k]
[0089]
其中，k为压电式加速度传感器的数量，m表示时间序列，w
i,j
表示第i个传感器在第j个时间段采集的信号变换的小波变换系数，j∈[1,m]；
[0090]
步骤2所述每个传感器的对应的原始灰度图样本集为：
[0091]
{a
i,1
，a
i,2
，a
i,3
，
…
a
i,m
}，i∈[1,k]
[0092]
其中，k为压电式加速度传感器的数量，m表示时间序列，a
i,j
表示第i个传感器在第j个时间段的小波变换系数对应的原始灰度图样本数据，j∈[1,m]；
[0093]
步骤3，在所述原始灰度图样本集中随机抽取多个样本构建原始样本输入集a
i
`，结合所述原始样本输入集中灰度图样本的数量生成多个高斯随机噪声构建高斯随机噪声数据集z
i
，将所述高斯随机噪声数据集中每个高斯随机噪声输入生成器g中生成对应的高斯随机噪声灰度图样本，以构建生成样本输入集b
i
；
[0094]
步骤3所述原始样本输入集为：
[0095]
a
i
`＝{a
i,k 1
，a
i,k 2
，
…
a
i,k n
}，i∈[1,k]
[0096]
其中，k为压电式加速度传感器的数量，n表示每次抽取的样本个数，a
i,j
表示第i个传感器在第j个时间段的所述原始灰度图样本，j∈[1,n]；
[0097]
步骤3所述高斯随机噪声数据集为：
[0098]
z
i
＝{z
i,k 1
，z
i,k 2
，
…
z
i,k n
}，i∈[1,k]
[0099]
其中，k为压电式加速度传感器的数量，n表示每次抽取的样本个数，z
i,j
表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本，j∈[1,n]；
[0100]
步骤3所述生成样本输入集为：
[0101]
b
i
＝{b
i,k 1
，b
i,k 2
，
…
b
i,k n
}，i∈[1,k]
[0102]
其中，k为压电式加速度传感器的数量，n表示每次抽取的样本个数，b
i,j
表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本，j∈[1,n]；
[0103]
步骤3所述的对应灰度图样本b
i,k
＝g(z
i,k
)
[0104]
步骤4，将步骤3所述原始样本输入集a
i
`与步骤3所述生成样本输入集b
i
同时输入判别器进行判断，当判别器误差l(d)达到最大时，固定训练好的所述判别器参数，通过随机梯度来最小化生成器的损失函数；
[0105]
步骤4所述判别器的损失函数为：
[0106]
[0107]
其中，d(p)表示输出该数据是真实数据的概率，其中，p＝a
i,j
，b
i,j
，a
i,j
表示第i个传感器在第j个时间段的所述原始灰度图样本，b
i,j
表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本。
[0108]
步骤4所述的生成器损失函数为：
[0109][0110]
其中，d(p)表示输出该数据是真实数据的概率，其中，p＝b
i,j
，b
i,j
表示第i个传感器在第j个时间段的所述高斯随机噪声灰度图样本。
[0111]
步骤5，重复步骤3
‑
4，直至所述生成器和所述判别器的结果达到平衡，结束训练过程，输出增强样本集，记为：
[0112]
c
i
＝{c
i,1
,c
i,2
,c
i,3
,
…
c
i,n
}，i∈[1,k]
[0113]
其中，k为压电式加速度传感器的数量，c
i
表示第i个传感器的输出增强样本集，c
i,j
第i个传感器的输出增强样本集在第j个时间段的生成样本图。
[0114]
步骤6，将k个所述振动信号处理得到的所述增强样本集中在同一时间段的数据样本第i个传感器的输出增强样本集在第j个时间段的生成样本图c
1,j
,c
2,j
，
…
，c
k,j
并列放置，卷积核为一个数字矩阵，相当于一个滤波器组，与卷积核进行卷积运算，用relu激活函数对每次卷积的逻辑输出值进行非线性变换，经过池化层，得到第j个时间段生成样本图的融合数据样本数据样本多次迭代后构建融合数据样本集x＝{x1,x2,x3,
…
x
j
}，其中，j为时间样本长度；
[0115]
使用batch normalization对所述融合数据样本集进行批量归一化，以加快模型的训练时间，并使用dropout防止过拟合；
[0116]
步骤6所述relu激活函数为：
[0117][0118]
其中，为卷积运算的输出值，为的激活值；
[0119]
步骤6所述池化层采用最大池化技术，取区域内最大值作为输出值，最大池化为：
[0120][0121]
其中，表示第l层第i个特征中第t个神经元的值，w表示池化区域的宽度，表示第l 1层神经元的值。
[0122]
步骤7，将所述融合数据样本集x中对应的h类不同故障对应的所述融合数据样本分别贴上标签y
h
，构成深度残差网络训练集；
[0123]
步骤7所述深度残差网络训练集为：
[0124]
d＝[(x1,y1),(x2,y2),
…
,(x
h
,y
h
)，
…
(x
h
,y
h
)]1≤h≤h
[0125]
步骤8，将所述深度残差网络训练集每个样本依次输入残差神经网络，预测得到深度残差网络训练集每个样本对应的预测故障类别，将深度残差网络训练集每个样本对应的预测故障类别结合步骤7中所述的每个样本对应的标签构建均方误差损失函数，通过梯度下降算法训练得到训练后残差神经网络；
[0126]
步骤8所述均方误差损失函数为：
[0127][0128]
其中，f
i
为神经网络的输出，y
i
为训练数据的标签值，n表示数据的维度。
[0129]
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。