基于神经网络的风力发电机变桨轴承故障诊断方法及装置与流程

1.本发明涉及风力发电技术领域及轴承故障诊断技术领域，尤其是涉及基于神经网络的风力发电机变桨轴承故障诊断方法及装置。


背景技术：

2.在风力发电机运行过程中，变桨轴承是风力发电机桨叶调节角度的重要支撑部件。风力发电机变桨轴承是连接风机轮毂和叶片的重要部件，肩负着传递载荷的作用。风力发电机变桨轴承处于工作状态时，当变桨轴承内部的各个元件受到挤压力或者元件之间相互磨损，造成变桨轴承的工作状态不断变化，这种变化的工作状态很大程度上会导致变桨轴承发生故障。风力发电机变桨轴承精密度较高，故障率较大，经济损失较大，对变桨轴承的诊断和检测是整个行业发展的重要方面之一。
3.深度学习是机器学习领域中非常重要的一个部分。深度学习能够根据用户输入数据以及标签构建出一个非线性模型，使得输入数据中微弱的相关性能够被表述出来。目前，比较流行的深度学习算法有卷积神经网络（cnn）、循环神经网络（rnn）以及长短期记忆网络（lstm）。其中，卷积神经网络适合处理图像相关的信息，且目前已经被广泛应用于相关领域；rnn和lstm则适合对时序类数据进行分析，尤其是lstm网络对于长序列数据具有非常好的分析效果。
4.目前风力发电机变桨轴承故障诊断仍存在以下问题：一是由于变桨轴承转速非常慢，导致故障信息非常微弱容易淹没在大量的噪声中，所以导致传统分析方法很难提取出故障轴承的特征频段；二是根据时频域特征幅值或者特征频段来分析故障信息需要大量的先验知识，对于实际应用过程中的使用和维护造成非常大的问题；三是使用传统时频域分析法需要对原始数据做非常多的变换，导致计算量比较大，计算过程比较繁琐，从而导致计算速度慢。
5.因此，本领域的技术人员致力于开发一种快速且可靠的风力发电机变桨轴承故障诊断方法，神经网络能够将先验知识通过训练的方法预存在训练好的网络模型中，后续只需要将相应的时域振动信息输入至网络模型即可获取分析结果。


技术实现要素：

6.为解决现有技术的不足，在故障诊断过程中，克服对先验知识要求高、对大量时域数据分析效率低，以及变桨过程中信噪比低的缺点，实现提高故障诊断分析精度的目的，本发明采用如下的技术方案：基于神经网络的风力发电机变桨轴承故障诊断方法，包括如下步骤：s1：设定采样方位角，分别采集桨叶不同方位角下相同点位的振动信号，确定最佳测量方位角，并将桨叶调整至最佳测量方位角；s2：布置变桨轴承振动测量点；s3：锁定桨叶并调整变桨速度，设置变桨的角度范围，分别获取变桨的速率范围
下，连续变桨的变桨轴承振动信号；s4：将采集到的振动信号根据变桨轴承健康状况分为故障数据和正常数据，并打上标签，构建训练数据集；s5：将训练数据集输入二分类的lstm神经网络进行训练，lstm神经网络包括一组依次连接的lstm层，将每个训练数据分割成n份，并按时序依次输入各lstm层，最后一层lstm层的输出传递至全连接层，全连接层通过激活函数激活后，输出最终结果，通过预测结果与真实标签进行比较，训练lstm神经网络。
7.进一步地，所述s1中确定最佳测量方位角，是分别采集各点位的振动信号的通频和低频均值，并对点位间的通频均值与通频均值、低频均值与低频均值进行比较，取通频均值和低频均值最大的一组所在方位角，作为最佳测量方位角。
8.进一步地，所述s3中变桨的速率范围，为离散的变桨速率点，每个测量周期为单个变桨速率点下，从变桨角度范围的最小角度至最大角度，再从最大角度恢复至最小角度。
9.进一步地，所述振动信号为振动加速度值。
10.进一步地，所述s4中对基于时域采集的振动信号进行归一化，消除因为振动整体幅值大小引起的误差；使用小波阈值降噪对采集的时域数据进行降噪处理，即使用mallat算法将原始振动信号分解成低频成分和高频成分，由于噪声多出现在高频段，故对振动信号中的高频成分使用硬阈值处理方法进行抑制，最后将低频成分和硬阈值处理后的高频成分重构成降噪后的信号；将相同量级的故障数据和正常数据打包成数据集，并对数据集内的数据进行打乱操作。
11.进一步地，所述s5中当训练数据被切分并按时序输入至lstm神经网络后，对本时序步的训练数据的处理，包括如下步骤：s51，对本时序步的训练数据和上个时序步的输出进行拼接；s52，将拼接后的训练数据加入到候选值中；即：其中，表示第t个时序步的训练数据，表示第t-1个时序步的输出，表示权值矩阵，表示偏差矩阵，表示双曲正切函数，表示候选值；s53，将训练数据通过遗忘门、输入门和输出门，其中遗忘门用于去除细胞状态中相关性弱的值，输入门用于将本时序步的内容添加至网络，输出门用于决定本时序步的输出数据；即
其中，表示遗忘门，表示遗忘门权值矩阵，表示遗忘门偏差矩阵；表示输入门，表示输入门权值矩阵，表示输入门偏差矩阵；表示输出门，表示输出门权值矩阵，表示输出门偏差矩阵；表示sigmoid函数；s54，将通过遗忘门的训练数据与上个时序的细胞状态结合，将通过输入门的训练数据与本时序步的所述候选值结合，得到本时序步的细胞状态；即使用遗忘门和输入门对网络的记忆即细胞状态进行更新：s55，使用输出门对细胞状态进行筛选，输出本时序步的输出。
12.进一步地，在最后一个时序步处理完成之后，将最后一层lstm层的输出，依次传入全连接网络的第一层和第二层，分别通过激活函数进行激活，传入至一个两层的全连接网络，第一层全连接网络将输入数据通过激活函数进行激活，输出最终结果。其中第一层的神经单元数量为20个，第二层的神经单元为1个，即：其中，表示最后一层lstm层的输出，表示第一层全连接层的权值矩阵，表示第一层偏差矩阵，为第一层全连接层输出；表示第二层全连接层的权值矩阵，表示第二层偏差矩阵，为第二层全连接层输出；表示sigmoid函数：其中z表示接收的输入，可以是单个值或者矩阵。
13.基于神经网络的风力发电机变桨轴承故障诊断装置，包括振动传感器、振动数据采样卡和可编程逻辑控制器，所述振动传感器分别与变桨轴承和振动数据采样卡连接，振动数据采集卡与可编程逻辑控制器连接；所述振动传感器，根据变桨过程中变桨速率设置，用于获取变桨轴承振动信号；所述振动数据采样卡，根据采样频率设定采样间隔，对振动信号进行间隔采样；所述可编程逻辑控制器，烧录有使用c 编程的训练好的lstm神经网络模型，将采集系统和plc连接好之后部署至实际待测风机内部，在变桨开始后实时振动数据由振动传感器及数据采集卡采集完成之后，传输至plc内，用于故障识别。
14.进一步地，所述振动传感器包括通频振动加速度传感器和低频振动加速度传感器，根据设定的采样方位角得到的振动加速度的均值，确定最佳测量方位角，并将桨叶调整至最佳测量方位角。
15.进一步地，所述振动传感器设置在变桨轴承的承载区，从而获取更强的信号；或者将振动传感器设置在变桨轴承外圈，若变桨轴承外圈无法安置，则将振动传感器设置在变桨轴承内圈（即内侧轮毂）与变桨轴承外圈之间的内侧轮毂径向测点，内侧轮毂径向测点的位置为变桨轴承内圈与变桨轴承外圈测试信号互相关系数最高的位置。
16.本发明的优势和有益效果在于：（1）本发明提供的基于长短期记忆神经网络的风力发电机变桨轴承故障诊断，使用大量采集的振动数据训练构建神经网络模型，避免了传统变桨轴承故障分析需要的大量先验知识，降低了对风电运维人员的技能要求；（2）本发明提供的基于长短期记忆神经网络的风力发电机变桨轴承故障诊断，使用搭建的lstm网络能够分析出大量噪声下微弱的故障信息，适用于变桨轴承在桨叶变桨过程中低速转动的情况。
17.（3）本发明提供的基于长短期记忆神经网络的风力发电机变桨轴承故障诊断，避开了传统算法中大量的时频域变换计算，简化了计算过程，提高了分析效率，因而可以实现变桨轴承的实时状态监测。
附图说明
18.图1是本发明实施例的整体操作流程图。
19.图2是本发明实施例的方法流程图。
20.图3是本发明实施例的lstm神经网络模型框架图。
21.图4是本发明实施例的lstm层对本时序步的训练数据的处理流程图。
22.图5是本发明实施例的硬件连接示意图。
23.图6是本发明实施例的振动加速度传感器点位示意图。
具体实施方式
24.以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
25.基于神经网络的风力发电机变桨轴承故障诊断方法，包括如下步骤：如图1、图2所示，基于神经网络的风力发电机变桨轴承故障诊断方法，包括如下步骤：s1：设定采样方位角，分别采集桨叶不同方位角下相同点位的振动信号，确定最佳测量方位角，并将桨叶调整至最佳测量方位角；确定最佳测量方位角，是分别采集各点位的振动信号的通频和低频均值，并对点位间的通频均值与通频均值、低频均值与低频均值进行比较，取通频均值和低频均值最大的一组所在方位角，作为最佳测量方位角。
26.每隔60
°
设定一个采集方位角，分别采集不同方位角下相同点位的振动信号,即分别用低频传感器和通频传感器在相应点位采集信号，然后分别取各自点位的通频和低频传
感器数据均值，并将通频和通频比较、低频和低频比较，取通频和低频均值最大的一组，根据得到振动加速度的均值大小，确定最佳测量方位角。将待测叶片方位角调整至，并固定桨叶；s2：布置变桨轴承振动测量点；s3：锁定桨叶并调整变桨速度，设置变桨的角度范围，分别获取变桨的速率范围下，连续变桨的变桨轴承振动信号；变桨的速率范围，为离散的变桨速率点，每个测量周期为单个变桨速率点下，从变桨角度范围的最小角度至最大角度，再从最大角度恢复至最小角度。振动信号为振动加速度值。
27.将桨叶锁定并调整变桨速度，设置变桨角度为0-90
°
，分别获取以1
°
/s-5
°
/s速率连续变桨的振动信号，每个测量周期为某个特定速率下从0
°
变桨至90
°
，再从90
°
恢复至0
°
。
28.s4：将采集到的振动信号根据变桨轴承健康状况分为故障数据和正常数据，并打上标签，构建训练数据集；对基于时域采集的振动信号进行归一化，消除因为振动整体幅值大小引起的误差；使用小波阈值降噪对采集的时域数据进行降噪处理，即使用mallat算法将原始振动信号分解成低频成分和高频成分，由于噪声多出现在高频段，故对振动信号中的高频成分使用硬阈值处理方法进行抑制，最后将低频成分和硬阈值处理后的高频成分重构成降噪后的信号；将相同量级的故障数据和正常数据打包成数据集，并对数据集内的数据进行打乱操作。
29.s5：如图3所示，将训练数据集输入二分类的lstm神经网络进行训练，lstm神经网络包括一组依次连接的lstm层，将每个训练数据分割成n份，并按时序依次输入各lstm层，最后一层lstm层的输出传递至全连接层，全连接层通过激活函数激活后，输出最终结果，通过预测结果与真实标签进行比较，训练lstm神经网络。
30.将数据集中的80%的数据用于训练网络，剩下的20%用于验证网络的性能，将每个训练数据分割成50份。
31.训练数据集为，表示第s次采样频率，表示第s次采样时长，s{1,2,3
……
,k}表示某一次采样过程，其具体实现过程如图4所示，当训练数据被切分并按时序输入至lstm神经网络后，对本时序步的训练数据的处理，包括如下步骤：s51，对本时序步的训练数据和上个时序步的输出进行拼接；s52，将拼接后的训练数据加入到候选值中；即：其中，表示第t个时序步的训练数据，表示第t-1个时序步的输出，表示权值矩阵，表示偏差矩阵，表示双曲正切函数，表示候选值；s53，将训练数据通过遗忘门、输入门和输出门，其中遗忘门用于去除细胞状态中相关性弱的值，输入门用于将本时序步的内容添加至网络，输出门用于决定本时序步的输
出数据；即其中，表示遗忘门，表示遗忘门权值矩阵，表示遗忘门偏差矩阵；表示输入门，表示输入门权值矩阵，表示输入门偏差矩阵；表示输出门，表示输出门权值矩阵，表示输出门偏差矩阵；表示sigmoid函数；s54，将通过遗忘门的训练数据与上个时序的细胞状态结合，将通过输入门的训练数据与本时序步的所述候选值结合，得到本时序步的细胞状态；即使用遗忘门和输入门对网络的记忆即细胞状态进行更新：s55，使用输出门对细胞状态进行筛选，输出本时序步的输出。
32.在最后一个时序步处理完成之后，将最后一层lstm层的输出，依次传入全连接网络的第一层和第二层，分别通过激活函数进行激活，传入至一个两层的全连接网络，第一层全连接网络将输入数据通过激活函数进行激活，输出最终结果。其中第一层的神经单元数量为20个，第二层的神经单元为1个，即：其中，表示最后一层lstm层的输出，表示第一层全连接层的权值矩阵，表示第一层偏差矩阵，为第一层全连接层输出；表示第二层全连接层的权值矩阵，表示第二层偏差矩阵，为第二层全连接层输出；表示sigmoid函数：其中z表示接收的输入，可以是单个值或者矩阵。
33.如图5所示，基于神经网络的风力发电机变桨轴承故障诊断装置，包括振动传感器3、振动数据采样卡和可编程逻辑控制器，振动传感器3分别与变桨轴承和振动数据采样卡连接，振动数据采集卡与可编程逻辑控制器连接；振动传感器3，根据变桨过程中变桨速率设置，用于获取变桨轴承振动信号；根据变桨过程中变桨速率，选取合适的硬件组件，振动传感器3包括通频振动加速度传感器和低频振动加速度传感器，根据设定的采样方位角得到的振动加速度的均值，确定最佳测量方位角，并将桨叶调整至最佳测量方位角；振动传感器3设置在变桨轴承的承载区，从而获取更强的信号；如图6所示，将振动传感器3设置在变桨轴承外圈1，若变桨轴承外圈1无法安置，则将振动传感器3设置在变桨轴承内圈2（即内侧轮毂）与变桨轴承外圈1之间的内侧轮毂径向测点，内侧轮毂径向测点的位置为变桨轴承内圈2与变桨轴承外圈1测试信号互相关系数最高的位置。
34.振动数据采样卡，根据采样频率设定采样间隔，对振动信号进行间隔采样；可编程逻辑控制器，烧录有使用c 编程的训练好的lstm神经网络模型，将采集系统和plc连接好之后部署至实际待测风机内部，在变桨开始后实时振动数据由振动传感器3及数据采集卡采集完成之后，传输至plc内，用于故障识别。
35.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。