[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

说明书

本发明涉及电机轴承故障辨识模型的构建方法，具体为风力发电机轴承故障辨识模型的构建方法。本发明的目的在于利用深度学习方法，提供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，进而实现风力发电机轴承的故障辨识和定位。本发明可以大大提高故障预测的准确性。与其他方法相比，深度学习网络模型对风力发电机轴承故障辨识的普遍适用性和泛化性大大提高。本发明易于实现现有各型号的风力发电机轴承的不同故障的准确辨识。本发明所述构建方法由如下步骤实现：步骤1、预置轴承故障类型及数量；步骤2、原始信号采集与预处理；步骤3、创建和配置深度学习网络；步骤4、训练网络；步骤5、验证网络准确率。

技术领域

本发明涉及电机轴承故障辨识模型的构建方法，具体为风力发电机轴承故障辨识模型的构建方法。

背景技术

人工智能技术是以智能算法为核心，研究用机器模仿和拓展人的智能的方法和技术。随着可采集的数据越来越多，人工智能理论研究的深入和硬件算力的不断提高，人工智能技术正不断渗透各个应用领域，主要包括自然语言理解、故障诊断与运维管理、智能机器人等。人工智能已经成为新一轮科技革命和产业变革的核心动力，正在对世界经济、社会进步和人类生活产生极其深刻的影响。

机器学习（Machine Learning）是人工智能领域研究的核心问题之一，也是当前人工智能技术研究和产业应用最为活跃的领域。机器学习是指研究机器模拟或实现人类的学习行为，以获取新的知识或技能，通过重新组织已有的知识结构不断改善自身的性能。深度学习（Deep learning）是机器学习方面中的一个重要的研究方向，通过模拟人脑的层级抽象结构，使用多层神经网络架构如卷积神经网络（CNN）、递归神经网络（RNN）、自动编码器网络（AE）和深度信念网络（DBN）等，利用分类或回归方式分析原始数据，发掘数据中蕴含的有用信息，训练出合适的神经网络模型后实现分析和预测功能。可以通过深度学习处理比以前更复杂的数据，如视频、图像、语音和文本等，深度学习技术在医学影像分析、无人驾驶、语音识别和预测分析等方面表现出极高的准确性。其中，属于递归神经网络的长短期记忆网络（LSTM）及其衍生网络，如双向长短期记忆网络（BiLSTM）等可以高效地学习序列数据的长期依赖信息，适合应用于旋转机械的故障辨识和寿命预测。

目前，风力发电市场已进入高速发展阶段。发电机轴承是风力发电机组的重要机械部件，其健康状态直接影响风力发电机组的稳定运行。根据采集的故障特征量准确并及时地辨识风力发电机轴承的故障的类型和位置，进而采取相应的维护和维修措施，可以减少故障造成的财产损失，降低全寿命周期成本。深度学习技术最重要的一个优点是可以自动对故障特征参数进行综合分析。利用深度神经网络对风力发电机轴承的振动信号进行分析，发掘出振动数据中的有用信息，准确有效地甄别出风力发电机轴承的健康状况，为适当的维护和维修提供参考。深度学习技术另一个重要优点是随着训练数据的增多，网络的准确度也越高。随着物联网技术、大数据技术和人工智能技术的发展，利用深度学习技术对旋转机械进行故障辨识和寿命预测将是产品智能化很重要的一个发展方向。

现有技术方案一：通过经过专业训练的人员进行专家判断。结合风力发电机的噪声、振动、现场环境、设计和生产记录文件，综合判定是否有故障。

现有技术方案一的缺点：现有技术方案一的人力成本较高，对专业知识和领域专家经验依赖性较强。并且由于易受到外界噪声等影响，存在误判或漏判的情况。

现有技术方案二：通过监测系统获取的振动信号进行时域、频域或时频域的分析，采用阈值判定、逻辑推理等方法搭建辨识模型，是一种人工特征提取和选择，外加浅层分类器识别方案。

现有技术方案二的缺点：通常只考虑振动信号的均值、方差等，辨识模型也较简单，无法发掘数据中的隐含特征，尤其是对风力发电机轴承的外圈剥离、内圈剥离和外圈剥离等特征不明显的故障辨识存在精确度不高的缺点。另外，在不同工况和外界噪声干扰下其模型故障辨识的泛化能力不强，例如发电机在某一种转速下模型辨识的准确率很高，而转速升高或降低后辨识准确率会大幅降低。

发明内容