【技术实现步骤摘要】
本专利技术属于数据分析处理，尤其涉及一种基于数据分析的风电机组故障诊断方法。
技术介绍
1、由于风力发电场资源的地理条件限制，风电齿轮箱一般安装在环境极为恶劣的沙漠、海洋、山区等区域，且长期处于剧烈冲击载荷、高低温交变、高低速切变的恶劣环境下，因此风电齿轮箱的相关部件，特别是轴承部件极易受到损坏，如何在交变工况及恶劣环境的噪声干扰下对风电齿轮箱的轴承进行状态检测和故障诊断成为一个亟待解决的技术问题。
2、现有的轴承故障传感技术采用油温信号作为采集信号，而后利用相关信号处理技术、数理统计方法实现被监测轴承的故障特征提取，结合相关机器学习或者深度学习网络模型，实现轴承故障模式识别，然而，基于油温信号的分析方法往往具有明显的迟滞效应，不能有效对轴承实际工况的局部损伤进行反应，且极易受到昼夜交变温度影响，导致轴承故障诊断的精度较低。
3、目前，常见方法是基于振动信号来研究风电齿轮箱轴承的故障诊断方法，基于神经网络模型在对风电机组故障诊断的领域中也得到了广泛的应用；然而，由于以深度学习网络模型为基础的故障识别算法在应用时需要大量的故障数据支撑，而实际中风电机组齿轮箱故障数据样本稀缺，故障数据和正常数据存在严重的样本不平衡问题，在数据集小且稀疏的情况下极易造成深度学习诊断模型过拟合现象，导致诊断模型对风电机组诊断输出结果不精确的问题。
技术实现思路
1、本专利技术实施例的目的在于提供一种基于数据分析的风电机组故障诊断方法，旨在解决传统风电机组齿轮箱故障数据样本稀缺，故障
2、具体的，本专利技术实施例提供了一种基于数据分析的风电机组故障诊断方法，该风电机组故障诊断方法包括以下步骤：
3、步骤s101：采用加速度传感器对风电机组轴承振动信号进行数据采集，通过对采集到的原始数据集数据进行相位偏移、自谱与互谱数据扩增，得到扩充数据集；
4、步骤s102：采用多头注意力单元和前馈神经网络单元构建编码器，每个多头注意力单元和前馈神经网络单元之后均附有残差连接，将多个编码器串联形成编码器栈，将编码器栈嵌入使用tensorflow深度学习框架构搭建的神经网络模型；
5、步骤s103：利用扩充数据集对神经网络模型进行训练，得到故障诊断网络模型；
6、步骤s104：将目标风电机组待检测数据集输入训练好的诊断网络模型，输出目标风电机组的故障诊断结果。
7、作为本专利技术技术方案的进一步限定，所述通过对采集到的原始数据集数据进行相位偏移、自谱与互谱数据扩增，得到扩充数据集的步骤，包括：
8、采用加速度传感器采集到的原始数据集表示为：
9、；其中，x和y分别表示输入响应集和输出响应集；
10、对原始数据集的输入输出响应（x,y）的频谱进行相位偏移，产生新的数据；在中随机产生个相位，对于的第个元素，相位增强数据集表示为：
11、；
12、基于工况传递路径分析模型，对原始数据集和相位增强数据集中输入输出矩阵开展自谱与互谱求解，将求解自谱矩阵作为故障检测模型的输入，互谱矩阵作为故障检测模型的输出向量，扩增传递率矩阵的训练数据，自谱与互谱增强数据集可表示为：
13、
14、得到的扩充数据集表示为：。
15、作为本专利技术技术方案的进一步限定，振动信号模型表示为：y=xt；
16、其中，x表示风电机组信号输入矩阵；y表示风电机组信号输出矩阵，t表示传递率矩阵；
17、对y=xt进行展开表示为：
18、
19、其中，表示第j（j=1，2，...，k）个目标点在当前工况下的输出响应；表示第i（i-1，2，...，n）个激励源在当前工况下的输入响应；表示从第i个激励源到第j个目标点的传递函数。
20、作为本专利技术技术方案的进一步限定，当风电机组系统的工况q不小于激励源数量n时，输入矩阵x可逆，计算得到：
21、；
22、其中，为输入信号的自功率谱矩阵，表示输入输出信号的互功率谱矩阵；
23、利用奇异值分解对输入矩阵x进行处理，得到：；
24、u、v分别表示的左右奇异矩阵，均为酉矩阵；w表示对角矩阵，对角线上的元素是输入矩阵x的奇异值；
25、结合风电机组振动信号模型，得到：；
26、合成输出信号表示为：；
27、在进行振动贡献度分析时，第i个激励源对第j个目标点的振动贡献度表示为：，其中，i=1，2，...，n；j=1，2，...，k。
28、作为本专利技术技术方案的进一步限定，使用tensorflow深度学习框架搭建的神经网络模型包括输入层、特征提取层、隐藏层和输出层；其中，编码器栈嵌入特征提取层；隐藏层共同四层，第一层具有50个隐藏单元，第二层有30个隐藏单元，第三层有10个隐藏单元，前三层的激活函数采用relu函数，最后一层的激活函数采用softmax函数，softmax函数用于输出类别概率，输出层基于类别概率输出分类结果。
29、作为本专利技术技术方案的进一步限定，在神经网络模型的训练过程包括以下步骤：
30、步骤s301：将扩充数据集划分为训练集、验证集和测试集；
31、步骤s302：初始化权重得到初始显式模型，将归一化处理后的训练集数据输入初始化权重后的模型中，计算得到各目标类别的预测概率，输出预测概率最大的类别作为故障诊断类别；
32、步骤s303：采用交叉熵损失函数计算诊断类别与真实类别之间的差异，在模型没有达到设定迭代次数之前，采用随机梯度下降算法沿着损失函数的负梯度方向迭代优化初始模型中各目标类别的权重，直到模型收敛。
33、作为本专利技术技术方案的进一步限定，模型训练过程中的交叉熵损失函数表示为：
34、；
35、其中，l表示损失值，n为数据样本总数，表示第i个样本的标签，正常表示为1，故障表示为0，为第i个样本诊断为正常的概率。
36、随机梯度下降算法的迭代公式为:
37、；
38、其中，表示第k+1次的权重值，表示第k次的自变量值，表示学习率，学习率用于控制梯度下降的快慢，过大容易导致模型算法不收敛，过小容易导致迭代速率太慢；为在处的梯度，当存在多个极值点时，容易产生局部最优解。
39、作为本专利技术技术方案的进一步限定，为解决局部最优解的问题，本专利技术将高斯噪声作为扰动添加至迭代公式中，得到新的迭代公式：
40、；
41、其中，为添加扰动的强度，表示服从高斯分布的随机数。
42、作为本专利技术技术方案的进一步限定，前馈神经网络输入为编码器经过第个归一化处理后的输出张量，其传播形式本文档来自技高网...
【技术保护点】
1.一种基于数据分析的风电机组故障诊断方法，其特征在于，该风电机组故障诊断方法包括以下步骤：
2.根据权利要求1所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，所述通过对采集到的原始数据集数据进行相位偏移、自谱与互谱数据扩增，得到扩充数据集的步骤，包括：
3.根据权利要求2所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，振动信号模型表示为：Y=XT；
4.根据权利要求3所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，当风电机组系统的工况q不小于激励源数量n时，输入矩阵X可逆，计算得到：
5.根据权利要求4所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，使用TensorFlow深度学习框架搭建的神经网络模型包括输入层、特征提取层、隐藏层和输出层；其中，编码器栈嵌入特征提取层；隐藏层共同四层，第一层具有50个隐藏单元，第二层有30个隐藏单元，第三层有10个隐藏单元，前三层的激活函数采用relu函数，最后一层的激活函数采用softmax函数。
6.根据权利要求5所述的一种基于数据分析的风
7.根据权利要求6所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，模型训练过程中的交叉熵损失函数表示为：
8.根据权利要求7所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，将高斯噪声作为扰动添加至迭代公式中，得到新的迭代公式：
9.根据权利要求8所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，前馈神经网络输入为编码器经过第个归一化处理后的输出张量，其传播形式表现为：
10.根据权利要求9所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，多头注意力表示为：
...【技术特征摘要】
1.一种基于数据分析的风电机组故障诊断方法，其特征在于，该风电机组故障诊断方法包括以下步骤：
2.根据权利要求1所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，所述通过对采集到的原始数据集数据进行相位偏移、自谱与互谱数据扩增，得到扩充数据集的步骤，包括：
3.根据权利要求2所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，振动信号模型表示为：y=xt；
4.根据权利要求3所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，当风电机组系统的工况q不小于激励源数量n时，输入矩阵x可逆，计算得到：
5.根据权利要求4所述的一种基于数据分析的风电机组故障诊断方法，其特征在于，使用tensorflow深度学习框架搭建的神经网络模型包括输入层、特征提取层、隐藏层和输出层；其中，编码器栈嵌入特征提取层；隐藏层共同四层，第一层具有50个隐藏...
【专利技术属性】
技术研发人员：何佳，唐诗尧，宋海彬，唐芳纯，余维，魏惠春，冯俊鑫，刘畅，
申请(专利权)人：华润电力技术研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。