一种基于宽核卷积的风机主轴部件故障预测方法技术

本发明专利技术公开一种基于宽核卷积的风机主轴部件故障预测方法，该预测方法首先使用皮尔逊系数对原始数据进行筛选，提取目标数据的强相关数据，并将当前时刻的强相关数据与目标数据的当前时刻数据以及上一时刻点的数据融合，作为WCNN

【技术实现步骤摘要】
一种基于宽核卷积的风机主轴部件故障预测方法


[0001]本专利技术涉及风机故障检测
，具体说是一种基于宽核卷积的风机主轴部件故障预测方法。

技术介绍

[0002]风能作为一种清洁能源，自21世纪以来就得到了广泛关注，然而由于环境恶劣和机械结构复杂等因素，导致了风机故障的频频发生，从而提升了维护的成本。因此，针对风机的故障诊断进行研究，对于减少损耗和降低成本有着重要。
[0003]国内外目前针对风机的主流故障诊断方法还是对振动信号进行分析研究，主要方法包括通过构建自适应变分模态分解、支持向量机、卷积神经网络和隔离森林结合来对轴承的振动信号进行分解，从而提取出数据中的故障特征。这些方法对采集设备精度要求较高，且大多只能诊断已发生的故障，没有对故障预警的能力。
[0004]风电机组的监控与采集系统(Supervisory Control and Data Acquisition，SCADA)作为主流的监控技术手段，获取了海量的运行数据，相较于传统的振动信号有着易采集、高可视化和数据全面等优点，因此利用SCADA数据对风机进行故障预警成为风机研究的重要方向，目前的主流方法有在对SCADA数据进行预处理后，针对温度数据构建如多元线性回归模型，通过检验方法评估稳定性来判断故障的发生。或将SCADA数据图形化，使用径向基(Radial Basis Function，RBF)等神经网络模型进行故障的预测。或通过孤立森林等多种算法选取输入参数，使用梯度框架(Light Gradient Boosting Machine，LightGBM)进行温度的预测，利用残差阈值进行风机进行故障的检测。上述方法对目前的SCADA数据进行了不同方向的研究，但在实际应用中，由于数据量过于巨大，同时所采集到的数据大多呈现出剧烈波动的特征，同时由于风电机组的定期检修策略，会存在一段时间的数据空缺，导致缺失值的出现，数据预处理结果并不理想，面临着预测精度不足的问题。
[0005]通过对深度学习在故障预测中的应用研究，发现了由Ling Xiang使用的CNN
‑
LSTM(Convolutional Neural Networks
‑
Long Short Term Memory)模型对故障预测方面有着优异表现，通过对数据的时空属性进行研究分析，相较于其他方法具备更高的精度，但同时也需要数据预处理来提高精度，因此如何选择一种无须数据预处理，同时达到更高的精度，这个问题尚需解决。

技术实现思路

[0006]本专利技术为解决风电机组的SCADA数据因异常值及缺失值过多而导致风机故障检出率较低的问题，提出一种基于宽核卷积的风机主轴部件故障预测方法，本专利技术预测方法将改进后的卷积神经网络模型与LSTM相结合，构建了基于宽核卷积的风机故障预警模型，即宽核卷积神经网络与长短时记忆网络相结合的模型(Wide Convolutional Neural Networks
‑
Long Short Term Memory，WCNN
‑
LSTM)。本专利技术方法通过在神经网络模型中引入了变量的时间属性以及对卷积核进行了改进，能够解决由于数据复杂产生的预处理困难以
及模型精度不足问题，实现了对主轴故障更加高效的预测。
[0007]本专利技术解决所述技术问题的技术方案为：设计一种基于宽核卷积的风机主轴部件故障预测方法，其特征在于，该预测方法的具体实施步骤如下：
[0008]步骤一：在风机内部的主轴部件区域的多个节点安装温度传感器，按照一定时间间隔采集数据点，得到主轴部件区域各节点的历史温度时间序列数据，该历史温度时间序列数据的时间长度不少于一年；
[0009]步骤二：筛选与处理数据
[0010]令主轴部件区域某节点的历史温度时间序列数据为σ，则由步骤一得到主轴部件区域全部节点的历史温度的数据集τ
σ
＝(σ1，σ2·
…
σ
h
)，其中h为数据采集的维度，表示在采集过程中设置的节点的个数，其中σ
x
代表主轴齿轮箱侧油的历史温度时间序列数据，主轴齿轮箱侧油的温度为目标数据；使用相关系数分析方法选取与σ
x
相关系数大于0.8的节点数据作为强相关数据，获得q条强相关数据，其时间尺度为T，将每一条强相关数据以时间尺度T按7∶3的比例切割成两段连续时间序列数据，对应的，前一部分的时间尺度为T1，后一部分的时间尺度为T2，即T1∶T2＝7∶3；
[0011]将前T1个时间尺度的q条强相关数据及对应的前T1个时间尺度的主轴齿轮箱侧油的历史温度数据进行处理，得到训练数据集Q
σ
，具体为：Q
σ
的第一时刻点对应的一条数据为σ
x1
为第一时刻点的主轴齿轮箱侧油的历史温度数据，由于第一时刻点的σ
x1
没有上一时刻，所以这里选择σ
x1
作为它的上一时刻点的数据，分别为q条强相关数据的第一时刻点下的数据值；
[0012]Q
σ
的第二时刻点对应的一条数据为这里σ
x2
的上一时刻点数据为σ
x1
，因此直接作为数据的值，Q
σ
的第t时刻点对应的一条数据为
[0013]将后T2个时间尺度的q条强相关数据及对应的后T2个时间尺度的主轴齿轮箱侧油的历史温度数据进行相同的处理，得到测试数据集；
[0014]步骤三：建立WCNN
‑
LSTM神经网络模型
[0015]所述WCNN
‑
LSTM神经网络模型包括WCNN神经网络模块和LSTM神经网络模块，将WCNN神经网络模块的输出融合注意力机制之后得到的结果作为LSTM神经网络模块的输入，LSTM神经网络模块的输出即为WCNN
‑
LSTM神经网络模型的输出；所述WCNN神经网络模块包括一个宽核卷积层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一BN层，该六个部分依次顺接，上一个部分的输出作为下一个部分输入，第一BN层的输出作为WCNN神经网络模块的输出；LSTM神经网络模块包括第一LSTM层、第二LSTM层、F1atten层、第一Dense层、第二BN层、第二Dense层、Output层，该七个部分依次顺接，上一个部分的输出作为下一个部分输入，WCNN神经网络模块的输出融合注意力机制之后得到的结果作为第一LSTM层的输入，Output层的输入为LSTM神经网络模块的输出，即为WCNN
‑
LSTM神经网络模型的输出；WCNN神经网络模块的宽核卷积层的卷积操作过程为：使用W
ik
和来表示第k层的第i个卷积操作的权重和偏差，并使用x
k
(j)表示第k层的第j个局部区域，过程描述如下：
[0016][0017]其中，*为计算内核和布局区域的内积，代表卷积后的结果，宽卷积核的大小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽核卷积的风机主轴部件故障预测方法，其特征在于，该预测方法的具体实施步骤如下：步骤一：在风机内部的主轴部件区域的多个节点安装温度传感器，按照一定时间间隔采集数据点，得到主轴部件区域各节点的历史温度时间序列数据，该历史温度时间序列数据的时间长度不少于一年；步骤二：筛选与处理数据令主轴部件区域某节点的历史温度时间序列数据为σ，则由步骤一得到主轴部件区域全部节点的历史温度的数据集τ
σ
＝(σ1，σ2·
…
σ
h
)，其中h为数据采集的维度，表示在采集过程中设置的节点的个数，其中σ
x
代表主轴齿轮箱侧油的历史温度时间序列数据，主轴齿轮箱侧油的温度为目标数据；使用相关系数分析方法选取与σ
x
相关系数大于0.8的节点数据作为强相关数据，获得q条强相关数据，其时间尺度为T，将每一条强相关数据以时间尺度T按7∶3的比例切割成两段连续时间序列数据，对应的，前一部分的时间尺度为T1，后一部分的时间尺度为T2，即T1∶T2＝7∶3；将前T1个时间尺度的q条强相关数据及对应的前T1个时间尺度的主轴齿轮箱侧油的历史温度数据进行处理，得到训练数据集Q
σ
，具体为：Q
σ
的第一时刻点对应的一条数据为σ
x1
为第一时刻点的主轴齿轮箱侧油的历史温度数据，由于第一时刻点的σ
x1
没有上一时刻，所以这里选择σ
x1
作为它的上一时刻点的数据，分别为q条强相关数据的第一时刻点下的数据值；Q
σ
的第二时刻点对应的一条数据为这里σ
x2
的上一时刻点数据为σ
x1
，因此直接作为数据的值，Q
σ
的第t时刻点对应的一条数据为将后T2个时间尺度的q条强相关数据及对应的后T2个时间尺度的主轴齿轮箱侧油的历史温度数据进行相同的处理，得到测试数据集；步骤三：建立WCNN
‑
LSTM神经网络模型所述WCNN
‑
LSTM神经网络模型包括WCNN神经网络模块和LSTM神经网络模块，将WCNN神经网络模块的输出融合注意力机制之后得到的结果作为LSTM神经网络模块的输入，LSTM神经网络模块的输出即为WCNN
‑
LSTM神经网络模型的输出；所述WCNN神经网络模块包括一个宽核卷积层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一BN层，该六个部分依次顺接，上一个部分的输出作为下一个部分输入，第一BN层的输出作为WCNN神经网络模块的输出；LSTM神经网络模块包括第一LSTM层、第二LSTM层、F1atten层、第一Dense层、第二BN层、第二Dense层、Output层，该七个部分依次顺接，上一个部分的输出作为下一个部分输入，WCNN神经网络模块的输出融合注意力机制之后得到的结果作为第一LSTM层的输入，Output层的输入为LSTM神经网络模块的输出，即为WCNN
‑
LSTM神经网络模型的输出；WCNN神经网络模块的宽核卷积层的卷积操作过程为：使用W
ik
和来表示第k层的第i个卷积操作的权重和偏差，并使用x
k
(j)表示第k层的第j个局部区域，过程描述如下：其中，*为计算内核和布局区域的内积，代表卷积后的结果，宽卷积核的大小选
择100*100，依次按时间方向向后卷积，步长设置为3，将经过卷积后的结果使用批量归一化处理，使用β代表卷积后的结果作为输入数据，批量归一化处理过程为：其中参数γ和d均为在训练过程中学习所得，再使用整流线性单元进行激活，使用x代表输入数据，y为输出结果，则激活过程为：将激活后的y重新按照顺序组合为将激活后的y重新按照顺序组合为即为宽核卷积层的输出；步骤四：利用训练数据集训练WCNN
‑
LSTM神经网络模型4.1训练参数设置设置神经网络模型的固定参数值，将待学习的权重参数的初始值均设置为1，偏置参数的初始值均设置为0，将训练次数设置为100，Batch的大小设置为40，优化器设置为AdaMod；4.2训练神经网络模型将步骤二中的训练数据集Q
σ
作为神经网络模型的输入，依次将训练数据集Q
σ
中的每一条数据输入神经网络模型进行训练，由Q
σt
得到神经网络模型输出的t时刻主轴齿轮箱侧油温的参考值，根据训练数据集Q
σ
依次得到T1个时间尺度的主轴齿轮箱侧油温的参考值，使用均值平方误差MSE来计算本轮训练得到主轴齿轮箱侧油温的参考值与历史真实数据之间的loss值：其中n为总体，此处为时间尺度T1，Y
i
为历史真实数据，f(Y
i
)是网络模型输出的参考值；根据loss值利用AdaMod优化器对不同的权重和偏置参数进行反向传播更新一次，完成一次迭代训练；将更新一次后的神经网络模型参数作为初始...

【专利技术属性】
技术研发人员：陈志鹏，林涛，李伟剑，李帅，雷旭阳，张大威，陈美润，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：