[发明专利]基于卷积循环神经网络的轴承故障诊断模型的构建方法

说明书

本发明属于风力发电机轴承故障分类诊断技术领域，涉及基于卷积循环神经网络的故障诊断模型的构建，具体为基于卷积循环神经网络的轴承故障诊断模型的构建方法，解决了背景技术中的技术问题，其包括预置轴承故障类型及数量，原始信号采集与分帧处理，建立深度学习网络以及建立深度学习网络。本发明将卷积神经网络做图像特征工程的潜力与长短时记忆网络做序列化识别的潜力进行结合，有效降低了深度学习中网络训练对计算机算力的要求，极大程度加快了模型训练时的收敛速度，而且采用本发明方法构建的模型分类效果好，分类精度高，降低了漏判的隐患，不需要依赖于人工的特征提取和专业知识积累，并提高了模型的分类准确度，模型泛化能力较强。

技术领域

本发明属于风力发电机轴承故障分类诊断技术领域，涉及基于卷积循环神经网络的故障诊断模型的构建，具体为基于卷积循环神经网络的轴承故障诊断模型的构建方法。

背景技术

能源的平准化成本（LCOE）是用来评估发电成本以及发电项目影响力的重要指标。对风力发电而言，LCOE代表整个风电系统全生命周期的运行费用。风电系统运营费用的主要来源包括风机购置费用、风机安装费用、运维费用、管理费用以及保险费用等。运维费用在整个风机LCOE当中占比约20%-25%。

预测性维护是“工业4.0”提出的关键创新点之一。基于连续的测量和分析，预测性维护能够预测诸如机器零件剩余使用寿命等机关指标。关键的运行参数数据可以辅助决策，判断机器的运行状态、优化机器的维护时机。一个值得注意的发展方向是深度学习在预测性维护方面的应用。这种体系结构通过分层结构中多层信息处理模块的叠加，对数据的高维表示进行建模，并对模式进行分类(预测)。使用它们有很多优点，但是由于它是一个不断发展的研究领域，因此必须研究它在诊断应用中的适用性，以提高维护、修理和大修活动的整体系统弹性或潜在的成本效益。

现代风力发电为了保持竞争力，必须最小化故障风险，降低维护成本以及提高系统的可用性和效能。风力发电机作为风力发电系统的核心部件，我们通过对其运行状态以及轴承或电机的附加传感器信号进行监测，通过对信号的分析、统计和分类来实现对故障的诊断和预测。因此对传感器获取数据的处理和深度学习算法故障识别模型的搭建显得尤为重要。

目前在针对风力发电机轴承的故障信号处理时，一种方法是从时域或频域信号中提取特征，然后使用机器学习算法分析这些特征。风力发电机组的主轴承发生故障时，轴承的振动幅度会大幅增加，同时会产生相对应的冲击信号。峰值指标通常用于检测轴承剥落、裂纹等情况引起的冲击性振动，峭度指标则用于轴承最早期的故障诊断。波形指标则经常用于检测轴承各部件因凹坑、刻痕、剥落和擦伤等离散型缺陷引起的机械故障。在风力发电机主轴承故障诊断过程中，滚动轴承的故障特征通常为调制现象，振动信号时域波形较为复杂，无法直观表达故障信号特征。而振动频率信号具备客观性，能更好的反映振动信号的基本特征。通过傅立叶变换将时域振动信号转变为频域振动信号，频谱能直观反映能量大小、频率组成和振动信号的相位。但是利用上述方法对风电电机轴承或电机加速度传感器数据进行时域或频域特征模型训练时，往往需要加速度传感器三轴信号来进行特征的提取，分类模型提取特征一般仅为线性特征，无法发掘出数据中的隐含非线性特征。而且当算法工程师轴承专业知识比较匮乏、轴承故障类型分类较多，及噪声干扰等情况下，往往模型的分类效果更差，分类精度不高，存在误判及漏判的隐患，而且模型泛化能力较差，很难对不同转速条件的信号特征同时进行响应。