[發明專利]一種基于卷積神經網絡的風力發電機故障診斷方法

有效

• 申請號: 202010143834.3
• 申請日: 2020-03-04
• 公開（公告）號: CN111458144B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 楊錫運;陶準;張艷峰
• 申請（專利權）人: 華北電力大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京衛平智業專利代理事務所(普通合伙) 11392
• 代理人: 張新利;謝建玲

1.一種基于隨機森林的卷積神經網絡風電機組發電機故障診斷方法，其特征在于，包括以下步驟：

步驟1，獲取風力發電機軸承振動信號：以一定時間間隔從風電場的數據采集與監視控制系統中獲取發電機運行時的軸承振動信號，軸承振動信號為軸承振動的速度或者加速度信號，從軸承振動信號中刪除缺值點和停機點，選出正常功率點，然后將其作為待處理的數據；

步驟2，繪制軸承振動信號的倒頻譜圖像：對軸承振動信號進行變換處理，得到倒頻譜圖像，將其作為風電機組發電機故障診斷模型的樣本數據；

步驟3，基于步驟2得到的倒頻譜圖像計算風力發電機的軸承特征頻率、鋼材質的軸承圈在自由狀態下的徑向彎曲振動的固有頻率和鋼球材質滾動體的固有頻率，軸承特征頻率包括：球過內環頻率BPI、球過外環頻率BPO、保持架頻率FT和球旋轉頻率BS，然后基于風力發電機的軸承特征頻率、鋼材質的軸承圈在自由狀態下的徑向彎曲振動的固有頻率和鋼球材質滾動體的固有頻率的分布確定風力發電機的故障缺陷類型；

步驟4，構建數據集：基于步驟3對風力發電機的故障缺陷類型對應的倒頻譜圖像進行編碼，制作標簽，作為風電機組發電機故障診斷模型的數據集；

步驟5：構建基于隨機森林的卷積神經網絡風電機組發電機故障診斷模型，選擇訓練數據和合適的訓練迭代次數，對模型進行訓練，得到訓練好的具有風力發電機故障診斷能力的風電機組發電機故障診斷模型；

步驟2中對軸承振動信號進行變換的具體步驟為：

步驟201，利用倒頻譜變換公式對軸承振動信號進行變化，得到倒頻譜圖像，倒頻譜變換公式如下所示：

其中，C_a(t)為經過倒頻譜變換后的信號，f(t)為原軸承振動信號，t代表時間，i為虛數單位，ω為頻率單位，F^-1為傅里葉逆變換；

步驟202，將得到的倒頻譜圖像進行尺寸歸一化處理，將尺寸變換為224*224*3；

步驟5的具體步驟為：

步驟501，將大小為224*224*3的倒頻譜圖像作為訓練數據；

步驟502，構建基于隨機森林的卷積神經網絡風電機組發電機故障診斷模型，該模型包括：五層卷積層、三層全連接層和一層輸出層；輸出層使用隨機森林分類器；

步驟503，定義學習率為r，設置r為0.01，迭代次數變量為Num，輸入步驟501所獲得的訓練數據，當模型在訓練數據上的分類損失函數loss小于0.01或者等于迭代次數變量Num時，保存此時的模型參數，得到訓練好的具有風力發電機故障診斷能力的風電機組發電機故障診斷模型；

步驟502的具體步驟為：

步驟601，第一層：卷積層，輸入大小為224*224*3的倒頻譜圖像，卷積核的數量為96個，采用兩片GPU，分別計算48個核，卷積核的大小為11*11*3，步長為stride＝4，不擴充邊緣，卷積后的特征圖大小為54*54*96，然后進行局部響應歸一化操作，再進行池化操作，輸出大小為27*27*96的特征圖；

步驟602，第二層：卷積層，輸入第一層輸出的特征圖，卷積核的數量為256個，每一個GPU計算128個核，卷積核的大小為5*5*96，步長stride＝1，卷積后的特征圖大小為24*24*256，然后進行LRN操作和池化操作，輸出大小為13*13*256的特征圖，

步驟603，第三層：卷積層，輸入第二層輸出的特征圖，卷積核的個數為384個，每一個GPU計算192個核，步長stride＝1，卷積核的大小為3*3*256，沒有進行LRN和pooling池化操作，輸出大小為13*13*384的特征圖；

步驟604，第四層：卷積層，輸入第三層輸出的特征圖，卷積核個數為384個，每一個GPU計算192個核，卷積核的大小為3*3*384，沒有進行LRN和池化操作，輸出大小為13*13*384的特征圖；

步驟605，第五層：卷積層，輸入第四層輸出的特征圖，卷積核個數為256個，每一個GPU計算128個核，卷積核的大小為3*3*384，輸出大小為13*13*256的特征圖，然后進行池化操作，輸出大小為6*6*256的特征圖；

步驟606，第六層：全連接層，輸入第五層輸出的特征圖，使用ReLu激活函數和dropout操作進行處理，輸出大小為1*1*4096的特征圖，神經元個數為4096；

步驟607，第七層：全連接層，輸入第六層輸出的特征圖，使用ReLu激活函數和dropout操作進行處理，輸出大小為1*1*4096的特征圖，神經元個數為4096；

步驟608，第八層：全連接層，輸入第七層輸出的特征圖，使用ReLu激活函數和dropout操作進行處理，輸出大小為1*1*1000的特征圖，神經元個數為1000；

步驟609，輸出層：采用隨機森林分類器進行處理，實現待診斷數據的故障分類。