[發明專利]基于卷積循環神經網絡的軸承故障診斷模型的構建方法

在審

• 申請號: 202011500514.5
• 申請日: 2020-12-18
• 公開（公告）號: CN112729825A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 王昭;李驍猛;李娜;賀志學;段志強
• 申請（專利權）人: 中車永濟電機有限公司
• 主分類號: G01M13/04
• 分類號: G01M13/04;G06N3/04
• 代理公司: 太原科衛專利事務所(普通合伙) 14100
• 代理人: 朱源

本發明屬于風力發電機軸承故障分類診斷技術領域，涉及基于卷積循環神經網絡的故障診斷模型的構建，具體為基于卷積循環神經網絡的軸承故障診斷模型的構建方法，解決了背景技術中的技術問題，其包括預置軸承故障類型及數量，原始信號采集與分幀處理，建立深度學習網絡以及建立深度學習網絡。本發明將卷積神經網絡做圖像特征工程的潛力與長短時記憶網絡做序列化識別的潛力進行結合，有效降低了深度學習中網絡訓練對計算機算力的要求，極大程度加快了模型訓練時的收斂速度，而且采用本發明方法構建的模型分類效果好，分類精度高，降低了漏判的隱患，不需要依賴于人工的特征提取和專業知識積累，并提高了模型的分類準確度，模型泛化能力較強。

技術領域

本發明屬于風力發電機軸承故障分類診斷技術領域，涉及基于卷積循環神經網絡的故障診斷模型的構建，具體為基于卷積循環神經網絡的軸承故障診斷模型的構建方法。

背景技術

能源的平準化成本（LCOE）是用來評估發電成本以及發電項目影響力的重要指標。對風力發電而言，LCOE代表整個風電系統全生命周期的運行費用。風電系統運營費用的主要來源包括風機購置費用、風機安裝費用、運維費用、管理費用以及保險費用等。運維費用在整個風機LCOE當中占比約20%-25%。

預測性維護是“工業4.0”提出的關鍵創新點之一。基于連續的測量和分析，預測性維護能夠預測諸如機器零件剩余使用壽命等機關指標。關鍵的運行參數數據可以輔助決策，判斷機器的運行狀態、優化機器的維護時機。一個值得注意的發展方向是深度學習在預測性維護方面的應用。這種體系結構通過分層結構中多層信息處理模塊的疊加，對數據的高維表示進行建模，并對模式進行分類(預測)。使用它們有很多優點，但是由于它是一個不斷發展的研究領域，因此必須研究它在診斷應用中的適用性，以提高維護、修理和大修活動的整體系統彈性或潛在的成本效益。

現代風力發電為了保持競爭力，必須最小化故障風險，降低維護成本以及提高系統的可用性和效能。風力發電機作為風力發電系統的核心部件，我們通過對其運行狀態以及軸承或電機的附加傳感器信號進行監測，通過對信號的分析、統計和分類來實現對故障的診斷和預測。因此對傳感器獲取數據的處理和深度學習算法故障識別模型的搭建顯得尤為重要。

目前在針對風力發電機軸承的故障信號處理時，一種方法是從時域或頻域信號中提取特征，然后使用機器學習算法分析這些特征。風力發電機組的主軸承發生故障時，軸承的振動幅度會大幅增加，同時會產生相對應的沖擊信號。峰值指標通常用于檢測軸承剝落、裂紋等情況引起的沖擊性振動，峭度指標則用于軸承最早期的故障診斷。波形指標則經常用于檢測軸承各部件因凹坑、刻痕、剝落和擦傷等離散型缺陷引起的機械故障。在風力發電機主軸承故障診斷過程中，滾動軸承的故障特征通常為調制現象，振動信號時域波形較為復雜，無法直觀表達故障信號特征。而振動頻率信號具備客觀性，能更好的反映振動信號的基本特征。通過傅立葉變換將時域振動信號轉變為頻域振動信號，頻譜能直觀反映能量大小、頻率組成和振動信號的相位。但是利用上述方法對風電電機軸承或電機加速度傳感器數據進行時域或頻域特征模型訓練時，往往需要加速度傳感器三軸信號來進行特征的提取，分類模型提取特征一般僅為線性特征，無法發掘出數據中的隱含非線性特征。而且當算法工程師軸承專業知識比較匱乏、軸承故障類型分類較多，及噪聲干擾等情況下，往往模型的分類效果更差，分類精度不高，存在誤判及漏判的隱患，而且模型泛化能力較差，很難對不同轉速條件的信號特征同時進行響應。