[发明专利]基于深度学习的风力发电机轴承故障辨识模型的构建方法

权利要求书

1.一种基于深度学习的风力发电机轴承故障辨识模型的构建方法，其特征在于，是由如下步骤实现的：

步骤1、预置轴承故障类型及数量

预置的轴承故障数量为A；

步骤2、原始信号采集与预处理

风力发电机安装在试验台上，将转子短接，发电机空载运行；利用三轴加速度传感器采集传动端轴承的X、Y、Z三轴方向加速度信号，每个轴承故障类型下分别采集转速n₁、n₂、n₃、……、n_m下的T时间范围内的连续的X、Y、Z三轴方向加速度信号并作为一组原始信号，而得到A组原始信号，每组原始信号中不同转速下的采样时间为T/m，每组原始信号被分割成B份，每份的时间间隔t等于T/B，并对每份添加故障类型标签，使每组原始信号形成由3×B个带故障标签时间序列数据构成的原始信号数据集；

从每个原始信号数据集中随机抽出3×B×a%个数据，共计得到A×3×B×a%个数据作为训练数据，其余的A×3×B×（1－a%）个数据作为验证数据；

步骤3、创建和配置深度学习网络

深度学习网络依次由八层组成，第一层为序列输入层；第二层为一个LSTM网络层；第三层为一个丢弃层I；第四层为一个BiLSTM网络层；第五层为一个丢弃层II；第六~八层为一个全连接层、一个softmax函数层和一个分类层；配置深度学习网络参数；

步骤4、训练网络

指定网络的训练参数，并将步骤2的训练数据导入网络中进行训练，并达到所需准确率；

步骤5、验证网络准确率

将验证数据导入步骤4的经过训练后的深度学习网络，并得到辨识结果的总体准确率；若准确率未达到要求，则返回步骤3、步骤4，修改步骤3中的网络参数、步骤4中的训练参数，直至辨识准确率满足要求。

2.根据权利要求1所述的基于深度学习的风力发电机轴承故障辨识模型的构建方法，其特征在于，是由如下步骤实现的：

步骤1、预置轴承故障类型及数量

故障类型一：传动端轴承状态为内外圈电蚀，非传动端轴承状态为正常；

故障类型二：传动端轴承状态为正常，非传动端轴承状态为内外圈电蚀；

故障类型三：传动端轴承状态为正常，非传动端轴承状态为正常；

故障类型四：传动端轴承状态为内外圈剥离，非传动端轴承状态为正常；

故障类型五：传动端轴承状态为正常，非传动端轴承状态为内外圈剥离；

故障类型六：传动端轴承状态为外圈剥离，非传动端轴承状态为正常；

故障类型七：传动端轴承状态为正常，非传动端轴承状态为外圈剥离；

故障类型八：传动端轴承状态为内圈剥离，非传动端轴承状态为正常；

故障类型九：传动端轴承状态为正常，非传动端轴承状态为内圈剥离；

步骤2、原始信号采集与预处理

风力发电机安装在试验台上，将转子短接，发电机空载运行；利用三轴加速度传感器采集传动端轴承的X、Y、Z三轴方向加速度信号，每个轴承故障类型下分别采集转速1000 rpm、1370 rpm、 1750 rpm、1870 rpm、2000 rpm下的5分钟内的连续的X、Y、Z三轴方向加速度信号并作为一组原始信号，而得到九组原始信号，每组原始信号中不同转速下的采样时间为1分钟，每组原始信号被分割成150份，每份的时间间隔t等于2秒，并对每份添加故障类型标签，使每组原始信号形成由3×150个带故障标签时间序列数据构成的原始信号数据集；

从每个原始信号数据集中随机抽出3×120个数据，共计得到3×1080个数据作为训练数据，其余的3×270个数据作为验证数据；

步骤3、创建和配置深度学习网络

深度学习网络依次由八层组成，第一层为序列输入层；第二层为一个LSTM网络层，且该LSTM网络层的隐含单元个数为20个；第三层为一个丢弃率为20%的丢弃层I；第四层为一个BiLSTM网络层，且该BiLSTM网络层的隐含单元个数为1000个；第五层为一个丢弃率为20%的丢弃层II；第六~八层为一个全连接层、一个softmax函数层和一个分类层，用于将网络的输出定义为九种待辨识故障类型；

步骤4、训练网络

指定网络的训练参数：指定网络的求解器为自适应矩估计求解器；设置最大训练迭代数为1000；指定最小批训练大小为64；设置初始学习率为0.001；指定训练处理器硬件为图形处理器；将步骤2的训练数据导入网络中进行训练，并达到准确率99%以上；

步骤5、验证网络准确率

将验证数据导入步骤4的经过训练后的深度学习网络，并得到辨识结果的总体准确率为99%以上。

3.根据权利要求2所述的基于深度学习的风力发电机轴承故障辨识模型的构建方法，其特征在于，三轴加速度传感器的信号采样频率为20KHz，这样，每个带故障标签时间序列数据包含40000个采样点，即每个带故障标签时间序列数据有3×40000个采样值。