[發明專利]一種基于DFCAE-BiLSTM的風電軸承退化趨勢預測方法、系統及裝置

有效

• 申請號: 202110731006.6
• 申請日: 2021-06-29
• 公開（公告）號: CN113449473B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 陳捷;劉連華;張典震;溫竹鵬;焦玲玲
• 申請（專利權）人: 南京工業大學;南京工大數控科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/0442;G06N3/0455;G06N3/0464;G06F18/213;G06Q10/20;G06Q50/06;G06F113/06;G06F119/02;G06F119/04
• 代理公司: 北京卓嵐智財知識產權代理有限公司 11624
• 代理人: 郭智

本發明公開了一種基于DFCAE?BiLSTM的風電軸承退化趨勢預測方法、系統及裝置，屬于風電軸承退化趨勢預測技術領域。本發明考慮了多維傳感器信號輸入情況，利用多維傳感器信號采集模塊采集風電軸承運行振動信號，利用DFCAE深度特征提取模塊提取其深度特征，Hi指標構建與狀態監測模塊生成健康指標Hi，最后利用BiLSTM網絡退化趨勢預測模塊預測一段時間后的健康指標值，預測其退化趨勢。本發明生成的Hi能夠綜合全面反應風電軸承的退化情況，退化趨勢預測結果穩定性較好，工程應用價值較高。

技術領域

本發明涉及風電軸承退化趨勢預測技術領域，尤其涉及一種基于深度神經網絡的風電軸承退化趨勢預測方法、系統及裝置。

背景技術

軸承是風電機組的重要組成部分與關鍵零部件，其發生損壞的概率相較于其他部件較高，而一旦發生故障損壞將會降低機組運行效率、減少機組正常工作時間以及會造成一定的經濟損失。軸承退化趨勢預測可以在一定程度上對風電軸承的退化狀態進行預測，根據提前一段時間的退化趨勢預測結果進行運維方案調整，將有利于提高風電機組使用率、減少停機時間以及減少經濟損失。

近年來，深度學習模型已經逐漸應用于故障診斷、壽命預測等任務，深度神經網絡通常具有較強的發掘信號中隱藏信息的能力，能夠自適應的實現信號特征提取以及降維的工作，因此，基于深度學習方法的診斷模型往往可以直接以原始信號作為輸入，無需人為的提取、篩選特征，降低對以往經驗、專家知識的依賴，真正實現“端到端”的故障診斷與預測任務，將深度神經網絡應用于軸承退化趨勢預測有利于降低系統對于專家知識的依賴，減少模型構建步驟。

卷積神經網絡已經被證明具有較強的空間特征提取能力，而自編碼器可以對樣本進行無監督訓練，將兩者結合的卷積自編碼器同時具有其各自網絡的優點，可以有效提取軸承振動信號的空間特征信息，進行無監督訓練學習。LSTM(Long?Short-Term?Memory)網絡是循環神經網絡的一種，具有較強的時間特征提取能力，BiLSTM(Bi-directional?LongShort-Term?Memory)是雙向LSTM，可以有效的提取軸承隨時間退化的特征信息。

發明內容

本發明提出了一種基于DFCAE-BiLSTM(Densely?Connected?FullyConvolutional?Auto-Encode)(Bi-directional?Long?Short-Term?Memory)風電軸承退化趨勢預測方法、系統及裝置。

本發明結合DFCAE網絡的空間特征提取能力與BiLSTM網絡模型的時間特征提取能力，同時DFCAE網絡具有無監督訓練特性，兩者結合可以同時提取風電軸承原始振動信號中的時間和空間特征，形成軸承健康狀態退化監測指標，進而利用BiLSTM模型對風電軸承退化趨勢進行預測。實現對其健康監測、健康退化趨勢預測功能。

基于DFCAE-BiLSTM的風電軸承退化趨勢預測方法實現過程為：

一種基于DFCAE-BiLSTM的風電軸承退化趨勢預測方法、系統及裝置，其特征在于，包括以下步驟：

步驟1：利用M個固定位置的加速度傳感器同時采集風電軸承從正常到損壞期間等間隔時間的振動信號，第m個傳感器第k個采樣時間點采集的信號為X_m(k)(m＝1,2,…,M；k＝1,2,…,K)；

步驟2：去除異常數據，每個采樣時間點每個通道截取固定長度信號；

步驟3：建立M個獨立的緊密連接的一維全卷積自編碼網絡(Densely?ConnectedFully?Convolutional?Auto-Encode)，簡稱DFCAE網絡，提取風電軸承原始振動信號的深度特征，將前10％采樣時間點的樣本數據作為訓練集輸入DFCAE網絡進行訓練，其中第m個傳感器采集的信號輸入第m個獨立的DFCAE網絡進行訓練(m＝1,2,…,M)；