【技术实现步骤摘要】
本专利技术涉及一种基于压缩感知与轻量级squeezenet模型的风电机组轴承故障诊断方法，用于风电机组轴承故障特征提取与分类，属于信号处理。
技术介绍
1、风能是一种潜力很大的可再生能源。利用风力发电非常环保，受到世界各国的重视。在风力带动风车叶片进行能量转化的过程中，风力负荷波动较大，环境条件恶劣，因此发生故障的概率较大。随着风力发电机的安装数目也在逐年上升，采集到的信号数据量不断增大，产生数据冗余、数据存储压力等一系列问题，进而导致故障特征提取困难，因此，压缩感知技术成了这一领域的研究热点。轴承故障信号作为一种非平稳的周期性信号，通常包含大量的噪声，造成诊断精度相对较低。利用小波变换、傅里叶变化、s变化等传统方法将一维信号转化为二维图像，存在着需要选择合适的小波基函数、非平稳信号处理效果不佳、容易受到噪声干扰的问题，造成信号序列间信息丢失。二维图像编码方法的提出为解决这一问题提供了思路。递归图(rp)编码方法将振动信号转化为增强信号特征的二维纹理特征图，最大限度地保留了振动信号的时间信息。
2、卷积神经网络(cnn)作为一种典型的深度学习模型在故障诊断、图像处理等领域广泛应用。随着人工智能技术的不断发展，神经网络的综合性能不断提升，网络深度也在不断增加，模型训练时间也在加长。数据量的增多，模型的轻量化和高效性显得尤为重要。微弱故障特征的提取对模型诊断精度有着较大的影响。传统的风电机组故障诊断一般选择时频特征、能量等指标作为特征样本。风电机组的工作环境相对复杂，受到不可控因素的影响较大，采集到的信号受到噪声的干扰。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供了一种基于压缩感知与轻量级squeezenet模型的风电机组轴承故障诊断方法，能够解决数据存储压力并去除数据冗余，减少数据编码过程计算量突出故障特征，并且由于振动信号含噪较大影响分类精度的问题。
2、为了解决上述问题，本专利技术采用的一个技术方案是：本专利技术提供了一种基于压缩感知与轻量级squeezenet模型的风电机组轴承故障诊断方法，通过构造离散余弦变换矩阵(dct)作为轴承振动信号的稀疏基，实现对原始信号的稀疏处理；构造伯努利矩阵将稀疏信号投影到低维空间，得到信号测量值。实现信号的压缩处理。利用cosamp算法求解凸优化问题通过信号测量值重构原始信号，得到干净完整的信号。将重构信号通过递归图(rp)编码技术转化为二维特征图，保留信号间时间关联信息，突出故障特征。通过改进squeezenet模型实现对风电机组轴承故障分类与识别。该方法包括如下步骤：
3、1)在风电机组试验台采集风电机组轴承故障信号，并对其进行预处理；
4、2)利用cs技术对预处理后的信号进行压缩采集。以离散余弦变化矩阵为稀疏矩阵对预处理后的信号进行稀疏处理，以伯努利矩阵为观测矩阵对稀疏信号进行观测得到测量值，实现信号压缩；
5、3)将压缩后的信号通过压缩采样匹配追踪(cosamp)算法重构。去除数据冗余，得到干净完整的信号；
6、4)通过递归图编码技术对重构后的信号进行编码并生成二维特征图，保留信号间的时间信息；
7、5)结合残差思想对squeezenet模型进行改进，得到改进模型；将步骤4中的图像数据集输入模型训练并保存模型；
8、6)对模型进行评估与测试，获得故障诊断结果。
9、所述步骤2)中在对振动信号进行压缩采集时，结合关研究，用离散余弦变化矩阵(dct)对原始信号进行稀疏处理，使得原始信号x稀疏：
10、x＝ψz
11、其中，ψ离散余弦变换矩阵，z是长度为n的k稀疏信号。
12、对于稀疏信号的重构问题即解决下式线性规划问题，即：
13、
14、其中，y是通过dct将原始信号投影到低维空间得到的测量值，||·||0一个非凸函数，矩阵θ是为稀疏矩阵与测量矩阵的合成矩阵。对于任意的测量矩阵φ来说，信号重构是一个np(non-deterministic polynomial)完全问题。l1最小范数在一定条件下和l0最小范数具有等价性，可以得到相同的解，以此来求解凸优化问题：
15、
16、对信号进行压缩采集之后，能否从y中恢复重构原始信号x，取决于测量矩阵是否满足约束等距特性(rip)。即：
17、
18、其中，0＜δs＜1。以伯努利矩阵作为测量矩阵。
19、所述步骤3)中用cosamp算法求解凸优化问题，该算法在信号估计和更新支撑集方面从测量值中重构原始信号，得到干净完整的信号。
20、所述步骤4)将步骤3)中所得到的干净信号转变成二维特征图。将重构信号运用takens嵌入定理，对延迟向量进行相空间重构及可视化，把时间序列x1,x2,…xn的时域空间变换到相空间：
21、xi＝(xi,xi+d,…xi+(a-1)d)
22、其中，a为嵌入维度维度滞后坐标向量的个数，d为延迟时间表示滞后长度。计算两个向量xi,xj之间的向量范数，即相空间中i点xi和j点xj的距离：
23、sij＝||xi-xj||
24、其中，||·||表示向量范数。
25、进行阈值二值化并计算递归值：
26、
27、其中，ri,j是是一个n×n的矩阵，||·||是表示向量范数，ε是是距离阈值使得ri,j∈{0,1}，θ(·)是heaviside函数。
28、所述步骤5)中引入了残差块，利用残差学习提升网络模型的性能：
29、mn＝mn-1+f(mn-1,{wn})
30、其中，mn和h(mn-1)是残差学习块的输入和输出，n是残差学习块中堆叠的层数，f(mn-1)为残差映射函数，h(mn-1)＝f(mn-1)+mn-1为恒等映射函数。
31、所述步骤5)将原始squeezenet模型中的fire module减少到4个，在第1个和第2个fire module之间与在第3个和第4个fire module之间构造出两个残差块，完成模型改进。
32、所述步骤2)～5)中所采用方法顺序为利用cs技术对原始信号压缩重构，得到cs信号，将cs信号用通过递归编码转化为二维特征图，结合改进的squeezenet模型进行故障分类。
33、本专利技术的有益效果是：本专利技术提供了一种基于压缩感知和轻量级squeezenet模型的风电机组轴承故障诊断方法，所述方法通过构造离散余弦变化矩阵和伯努利矩阵有效地实现的信号压缩问题，通过cosamp算法求解凸优化问题有效地实现了信号重构。去除数据冗余，得到干净完整的信号，使得不同故障特征更加明显。引入递归图(rp)编码技术将重构信号转化为二维特征图，解决了无法保留信号间时间信息的问题，同时冗余数据的去除减少了编码过程的计算量。通过对squ本文档来自技高网...
【技术保护点】
1.一种基于压缩感知与轻量级SqueezeNet模型的风电机组轴承故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于压缩感知与轻量级SqueezeNet模型的风电机组轴承故障诊断方法，其特征在于：所述步骤2)中在对振动信号进行压缩采集时，结合关研究，用离散余弦变化矩阵(DCT)对原始信号进行稀疏处理，使得原始信号x稀疏：
3.根据权利要求1所述的一种基于压缩感知与轻量级SqueezeNet模型的风电机组轴承故障诊断方法，其特征在于：所述步骤3)中用CoSaMP算法求解凸优化问题，该算法在信号估计和更新支撑集方面从测量值中重构原始信号，得到干净完整的信号。
4.根据权利要求1所述的一种基于压缩感知与轻量级SqueezeNet模型的风电机组轴承故障诊断方法，其特征在于：所述步骤4)将步骤3)中所得到的干净信号转变成二维特征图。将重构信号运用Takens嵌入定理，对延迟向量进行相空间重构及可视化，把时间序列x1,x2,…xn的时域空间变换到相空间：
5.根据权利要求1所述的一种基于压缩感知与轻量级SqueezeNe
6.根据权利要求1所述的一种基于压缩感知和轻量级SqueezeNet模型的风电机组轴承故障诊断方法，其特征在于：所述步骤5)将原始SqueezeNet模型中的fire module减少到4个，在第1个和第2个fire module之间与在第3个和第4个fire module之间构造出两个残差块，完成模型改进。
7.根据权利要求1所述的一种基于压缩感知与轻量级SqueezeNet模型的风电机组轴承故障诊断方法，其特征在于：所述步骤2)～5)中所采用方法顺序为利用CS技术对原始信号压缩重构，得到CS信号，将CS信号用通过递归编码转化为二维特征图，结合改进的SqueezeNet模型进行故障分类。
8.根据权利要求5所述的一种基于压缩感知和轻量级SqueezeNet模型的风电机组轴承故障诊断方法，其特征在于：fire module包括Squeeze层、Expand层和Concat层，实现模型的压缩再扩展。在第1个和第2个fire module之间与在第3个和第4个fire module之间构造出两个残差块，防止模型梯度消失和爆炸问题；同时，第2个和第4个fire module直接学习到残差，便于提升模型的泛化能力。
9.根据权利要求8所述的一种基于CS与轻量级SqueezeNet模型的风电机组轴承故障诊断方法，其特征在于：通过实验与调优，设置不同残差块的数量检验模型的性能，本方法残差块的数量为2。
...【技术特征摘要】
1.一种基于压缩感知与轻量级squeezenet模型的风电机组轴承故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于压缩感知与轻量级squeezenet模型的风电机组轴承故障诊断方法，其特征在于：所述步骤2)中在对振动信号进行压缩采集时，结合关研究，用离散余弦变化矩阵(dct)对原始信号进行稀疏处理，使得原始信号x稀疏：
3.根据权利要求1所述的一种基于压缩感知与轻量级squeezenet模型的风电机组轴承故障诊断方法，其特征在于：所述步骤3)中用cosamp算法求解凸优化问题，该算法在信号估计和更新支撑集方面从测量值中重构原始信号，得到干净完整的信号。
4.根据权利要求1所述的一种基于压缩感知与轻量级squeezenet模型的风电机组轴承故障诊断方法，其特征在于：所述步骤4)将步骤3)中所得到的干净信号转变成二维特征图。将重构信号运用takens嵌入定理，对延迟向量进行相空间重构及可视化，把时间序列x1,x2,…xn的时域空间变换到相空间：
5.根据权利要求1所述的一种基于压缩感知与轻量级squeezenet模型的风电机组轴承故障诊断方法，其特征在于：所述步骤5)中引入了残差块，利用残差学习提升网络模型的性能：
6.根据权利要求1所述的一种基于压缩感知和轻量级squeezene...
【专利技术属性】
技术研发人员：刘文艺，坚通明，曹建斌，程春，钟佳浩，徐国慧，宋狄，
申请(专利权)人：江苏师范大学，
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。