一种基于混合神经网络的风力发电机故障识别方法

技术领域

本发明属于风能发电故障识别技术领域，涉及一种基于混合神经网络的风力发电机故障识别关键技术方法。

背景技术

风电领域在近年发展迅速，但是在相关设备的制造、维修方面技术还并不成熟，而且由于风电设备的安装场所一般都处于地势比较恶劣的环境，如何确保风电设备能在期限内稳定、高效地运行，并能够通过预测提前判断出故障隐患成了技术人员的关注热点。随着单个风机的规模和造价上升，维修的成本也随着大幅度提升。根据数据结果显示，一般风机的使用寿命约为20年左右，而这二十年中风机的日常维护和修理支出占到了总支出的10-15％，如果风机的安装位置较为偏远，维修支出占比还会上升。因此，如果风电机组发生故障，不仅影响电力系统的稳定性，而且易降低生产效率，增加生产成本，会导致较大的经济损失。

实际上，大部分风机的故障问题都可以通过故障诊断技术提前发现，并针对问题及时处理，减小故障带来的经济和效率上的损失。根据数据对比显示，如果风力发电机的故障诊断技术能够正常排查故障，那么系统的年均维修费用可减少25％-50％，因故障而导致的系统停机时间可减少约75％，由此带来的经济效益是很可观的。因此，对风力发电系统进行精确的故障诊断，无论是对于提高电力系统的可靠性和稳定性，还是对于降低对风力发电的运维成本、提高生产效率，都具有十分重要的现实意义。

常用的风电设备的故障诊断方法可分为三类：基于知识、基于模型和基于数据的故障诊断。

基于模型的故障预测方法是在设备数学模型已知时，综合风力发电机当前运行状态进行预测的方法。该方法首先从系统的内在机理出发，基于系统元件之间的联系，建立一系列对特定故障敏感且具有物理意义的数学模型。其次通过计算研究对象实际与预测指标数值之间的偏差来检测故障。基于模型的故障诊断方法虽然精度较高，但可拓展性不强，十分依赖模型的建立，特定的模型仅适应特定的系统。作为典型的非线性系统，风力发电机难以建立精确的数学模型。

基于知识的故障诊断方法是根据系统原理、专家经验来分析研究对象的历史和当前运行数据，引入风力发电机实际运行状况进行预测。这类故障预测方法易于理解，且不需要对系统建立数学或者物理模型,但是其结果的准确性完全依赖于知识来源的正确性和推理机制的合理性，当研究对象出现之前未发生的故障时，该方法将无法适应。

基于数据的故障预测方法是利用大量历史数据进行预测的方法。这类预测以提取的特征作为输入，采用人工智能模型与方法识别这些特征携带的故障信息，实现风力发电机系统故障的自动识别与预测。该方法不依赖专家知识和系统的数学模型，主要利用各种数据挖掘技术完成历史故障数据集的特征提取，并通过判断当前数据特征与历史数据特征的一致性，完成故障的检测与诊断。但是风机作为一个高度非线性的复杂系统，使用传统的智能故障诊断方法会在表示其复杂系统时遇到困难，并且由于其性能和泛化能力较差导致无法提取有效的特征。而且传统方法的特征提取和分类是分开的，这将影响最终的诊断性能。

与传统的智能故障诊断方法相比，深度学习方法包含多层隐藏结构，可以实现特征矩阵的逐层转换并保证自适应地有效提取特征。除此之外，深度学习可以更好地处理复杂的系统，它可以有效地处理高维和非线性数据，并通过多次非线性变换和近似复杂的非线性函数来避免诊断能力不足的问题。虽然基于深度学习的故障诊断方法在工业领域已经开始被运用，但在风机组领域研究相对较少。

风电设备的各类参数处于高度复杂的非线性状态。反映系统运行机理和状态的监测数据呈现出“大数据”和时间序列相关性特征。虽然传统的基于数据驱动的故障诊断方法在智能故障诊断方面已经取得了很大的成就，但是在先验知识较少的复杂故障分析中，故障诊断精度不高。因此，无法适应这种“大数据”特性的故障诊断需求。综上所述，本研究选取了具有更好地逼近复杂函数能力的深度学习算法，作为风电设备故障诊断的方法。该类算法一般包含多隐层结构，可以有效地实现特征提取。

综上所述，利用深度学习识别风力发电机的故障,可有效对设备故障进行及时预测和判断,大幅度下降了设备的维护和修理成本。而针对此技术的算法也在日益更新，但在应用上还未趋于成熟。

本发明在大量调研分析国内外风机故障诊断技术方法的基础上，结合风场风机的真实历史数据，提出了一种结合一维卷积神经网络和GRU的混合神经网络算法。在深度学习中，RNN和1D-CNN更能捕捉时间维度上的联系；而与LSTM相比，GRU可以在保证神经元记忆能力的前提下，通过简化连接和减少可训练参数来提高训练效率。因此，研究建立了一种基于1D-CNN_GRU的风机故障故障诊断的新方法，并评估了所提出的诊断模型在风场真实数据集上的可行性。

发明内容

针对现有风机故障诊断方法模型建立困难、特征提取能力一般、泛化能力差、精度低及小数据的问题，提出了一种高性能的基于双向门控循环单元与一维卷积神经网络的混合神经网络故障诊断方法。首先，利用随机排序的历史数据训练一维卷积神经网络，提取故障的局部特征；然后将一维卷积神经网络的输出作为双向门控循环单元的输入，利用Bi-GRU的特性，同时获得正向来自过去和反向的来自未来的累积依赖信息，进一步提取序列的长期依赖特征，并且为了加快网络训练速度和解决过拟合问题，在网络中添加了BN层和Dropout，以此实现精确的风机故障诊断。实验结果表明，与其他机器学习与深度学习方法相比，提出的方法提高了故障诊断过程的速度和诊断结果的精度，并且对故障的灵敏度也有显著的提高。1D-CNN_Bi-GRU算法在真实数据集上表现了良好的性能及泛化能力，

为实现上述目的，本发明采用如下的技术方案：

基于振动传感器、采集器、数据信号处理器以及A/D转换器，将振动传感器安装在齿轮箱，然后使用采集器接入传感器输出的模拟量电压信号或电流信号，通过数据信号处理器和A/D转换器将接入的电压信号或电流信号进行解析处理，使其转换成能够反映是否存在故障的齿轮箱时域波形，其特征在于包括以下步骤：

步骤1：采集齿轮箱时域波形数据，建立原始样本数据，并为数据打标签；提取波形数据中振幅的最小值、振动速度和峭度指标作为特征；

步骤2：将步骤1提取的波形数据特征输入到混合网络1D-CNN_Bi-GRU中进行训练，所述的混合网络1D-CNN_Bi-GRU的具体结构为1D-CNN、Bi-GRU以及全连接层依次串联，所述的1D-CNN作为初级网络用于提取序列局部特征，所述的Bi-GRU将1D-CNN的输出作为输入，利用Bi-GRU的特性，同时获得正向来自过去和反向来自未来的累积依赖信息，用于进一步提取序列的长期依赖特征进行故障诊断，最终通过全连接层输出识别结果；

步骤3：保存训练完成的混合网络模型，将待分析的波形数据特征值输入到混合网络模型中，输出故障分类结果。

步骤1中，所述振动传感器为CTC-AC102传感器；

所述标签为三类，包括：正常状态、齿轮磨损以及断齿、裂纹故障。

1D-CNN_Bi-GRU网络结构依次包含第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、Bi-GRU层和全连接层，每个卷积层结构相同，包括一个一维卷积函数、BN层以及LReLU激活函数；

训练过程具体如下：

首先读取波形数据特征值，对其进行标准化，并拆分为训练、验证和测试集；

然后将训练集输入到第一卷积层，训练集记为X＝[x

其中

在通过Bi-GRU层后输入到全连接层进行分类，网络选择Softmax作为分类器。

与现有技术相比，本发明具有如下优点：

1、通过混合神经网络根据历史数据灵活建立风机故障诊断模型，避免了过去的传统识别方法模型建立困难、泛化能力差的问题。

2、1D-CNN_Bi-GRU混合网络使用1D-CNN作为初级网络提取局部特征，解决了传统识别方法特征提取能力一般的问题。

3、1D-CNN_Bi-GRU混合网络是由1D-CNN和Bi-GRU串联而成，利用1D-CNN提取局部特征，将其输出输入到Bi-GRU中识别长期依赖关系，实现精准的故障诊断，解决了传统识别方法精度低的问题。

4、1D-CNN_Bi-GRU混合网络使用Bi-GRU作为次级网络，双向结构使得模型既能获得正向的累积依赖信息,又能获得反向的来自未来的累积依赖信息,在各种任务数据集中均表现出了作用,丰富了提取的特征信息，使得网络能够更好的适应小样本数据的训练。

附图说明

图1本发明总体流程图

图2(a)磨损齿轮的高频振动波形图

图2(b)磨损齿轮的低频振动波形图

图3含有断齿、裂纹的时域信号

图4本发明的1D-CNN_Bi-GRU网络框架示意图

图5Bi-GRU神经网络结构

图6.测试集混淆矩阵

图7.训练和验证期间的损失和准确度

具体实施方式

本发明提出了一种基于混合神经网络1D-CNN-GRU的故障识别方法。发明的总体流程如图1所示。该发明的具体实现步骤如下：

步骤一：数据集处理的具体包括为收集数据、为数据打标签和计算特征值三个过程：

实验平台通过在风机的齿轮箱配备CTC-AC102传感器来获取状态运行信号，然后使用ONEPROD KITE采集器接入传感器中输出的模拟量电压信号或电流信号，通过数据信号处理和A/D转换器将接入的电压信号或电流信号进行解析处理，使其转换成时域波形。通过这种方法收集正常、故障的齿轮箱时域波形数据，建立原始样本数据。本实施例中，每天采集2～8次，每采集一次就会有一个波形，最终形成研究中的波形集。

在建立原始样本数据后，需要根据风机设备的运行状况为数据打上不同的状态标签。

风机的典型故障一般都是由齿轮的磨损、损坏造成的。按照齿轮的损坏程度不同，发生的故障可以划分为：

1、齿轮的均匀磨损

齿轮均匀磨损是指，由于齿轮的材料、润滑等方面的原因，或者长期在高负荷下工作造成齿面大部分磨损。

齿轮发生均匀磨损时，导致齿侧间隙增大，通常会使其正弦波式的啮合波形遭到破坏，图2(a)、(b)所示的是齿轮发生磨损后引起的高频及低频振动。在此情况下，发生的冲击振动频率为1kHz以上的高频，与此同时，正弦波中低频啮合的频率成分也增大。

综上所述，齿轮的均匀磨损在时域信号上的特征表现为：时域信号中有冲击信号。

2、断齿、裂纹故障

齿轮发生断齿时，时域信号上可见明显的周期性冲击，该周期为损伤齿轮的旋转周期(转频)。时域信号如图3所示。

根据以上特征对数据集进行打标签，标签包含正常运行、齿轮磨损、齿轮断齿3类。分别用数字0到2进行标识，用于故障诊断训练的标签

在特征变量的选择上，首先选取了波形的基础特征值(均值、标准差、方差、振幅最小值、波峰值)，并且由于齿轮断裂故障发生时波形会发生冲击，选取了能够判断是否存在冲击的特征值(均方根值、峰值指标、脉冲指标、峭度指标)，最后因为在故障发生时，振动速度会发生明显波动，所以同时也选取了振动速度作为特征变量。

在对正常及故障波形进行对比之后可以发现，因为故障发生时波形会发生冲击，判断冲击发生的变量：峰值指标、脉冲指标、峭度指标会发生明显变化，其中峭度指标的变化最规则，在正常波形下值为3左右，接近4或超过4代表存在冲击性，故选用峭度指标作为判断是否发生冲击的特征变量。而在对比波形基础特征值(均值、标准差、方差、振幅最小值、峰值)后发现大部分基础特征值都没有发生明显变化，只有最小值在故障发生后会与正常值产生差别，趋近于0。除此之外，因为故障发生时振动速度会产生明显涨幅，故选择振幅最小值、振动速度为特征值。

步骤二：

1D-CNN_GRU混合神经网络故障诊断的思路是先将特征值随机打乱作为1D-CNN网络模型的输入，利用1D-CNN的卷积层和池化层提取数据的局部特征，然后将1D-CNN的输出作为Bi-GRU的输入，利用双向GRU的特性，同时获得正向来自过去和反向的来自未来的累积依赖信息，进一步提取序列的长期依赖特征，最后通过全连接层的Softmax分类器实现精确故障分类。本研究提出的1D-CNN_GRU混合神经网络结构框架见图4。网络选择LReLU作为激活函数，交叉熵作为损失函数，Softmax作为分类器，并针对过拟和问题，引入了Dropout来解决，网络执行的流程如下：

首先读取波形数据特征值，对其进行标准化，并拆分为训练、验证和测试集，随机抽70％的样本作为训练样本，10％作为验证样本，其余样本作为测试样本。然后将训练样本输入到网络中，网络结构依次包含第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、Bi-GRU层和全连接层，过程具体如下：

1、首先通过卷积层，包括一个一维卷积函数、BN层以及LReLU激活函数；输入1D-CNN的序列数据为X＝[x

2、在通过上述的一维卷积函数后，会通过BN层做一个归一化处理，然后通过LReLU激活函数，将神经元的输入映射到输出端，以此增加神经网络模型的非线性。通过卷积层后输入到最大池化层，加快计算速度和防止过拟合，并且循环三次。

3、数据循环通过卷积层和池化层后，会输入到Bi-GRU层中。Bi-GRU模型由两个单向GRU叠加在一起组成，每个时刻t的输入都会同时提供给两个方向相反的GRU网络层进行学习，模型最终输出由这两个单向GRU网络层输出共同决定。在Bi-GRU模型中，对前向传递和后向传递两个子GRU网络的输出进行叠加，可得到Bi-GRU模型输出，Bi-GRU模型结构如图5所示，其输出公式如式所示：

其中

4、在通过Bi-GRU层后输入到全连接层进行分类，网络选择Softmax作为分类器，有m＝4889个已标记的训练集，{(X

混合神经网络故障诊断模型使用的参数见表。

步骤三：将步骤二训练完的网络模型保存到本地，以便下一次使用，然后将测试集中的数据输入到网络模型中，输出故障分类结果，保存混淆矩阵并根据评价诊断指标对模型效果进行诊断。

结果混淆矩阵如图6所示，混淆矩阵是实现分类算法性能的有效可视化工具。混淆矩阵中的每一行代表真实标签，每一列代表预测标签。从图6可以看出，所提出的故障诊断算法在测试数据上具有良好的性能，诊断准确率达到92％。迭代曲线如图7所示，虚线红色和实线分别代表训练-样本损失和验证-样本损失；虚线绿色和实线分别代表训练样本和验证样本的精度。在真实数据集中，正常、齿轮磨损、齿轮断裂情况下的诊断准确率分别为92％、89％、100％。此外，在模型训练和验证过程中，没有出现过拟合现象，收敛速度相当快，说明模型的泛化能力非常理想。

在得出结果后，使用评价诊断指标对分类效果进行诊断。评价诊断效果的指标一般是准确率，其定义为：对于给定的样本，正确被诊断的样本占总样本的比例。但是该指标在正负样本不平衡的情况下表现的效果不理想。例如有990个正样本，10个负样本，如果模型把所有正样本都预测为正，那么准确率为99％，虽然准确率高，但是仅用该指标不具有说服力，因为不能充分比较模型的优劣。因此本研究采用准确率(Accuracy)、精确度(Precision)、召回率(Recall)和综合评价指标(F1-measure)等多评价指标综合反映模型的性能，其计算公示如下：

其中，TP代表正样本正确诊断的数量，TN代表负样本正确诊断的数量，FN代表正样本错误诊断的数量，FP代表负样本错误诊断的数量。

模型Precision和Recall是相互影响的。系统在运行过程中会存在一定的漏报、误报和虚警等问题，当漏报较多时，模型倾向于少报警。此时，虽然诊断出真实故障，但仍有故障没被识别出来，造成Precision较低，Recall较高；相反，当虚警或者误报较多时，模型趋于多报警，此时正确样本将被诊断为故障，造成Precision较高，Recall较低。但是较优模型的Precision和Recall应该同时非常高。因此，F1-measure被提出来作为二者之间的一个平衡点，用以综合Precision和Recall指标。

分类结果如上表所示，可以看出，所提出的诊断模型对每一类故障的精度都接近于1。齿轮磨损Recall并不理想，因为所提供的数据集在划分齿轮磨损故障数据时，并没有对数据进行单独标注，而是将一段时间的故障标签进行标注。这就导致故障标签并不是全部真实的，少数正常数据也被贴错标签。单独标注齿轮磨合故障的Recall是很理想的。即使存在一定的标签错误，总体准确率也达到92％，成功识别了大部分故障情况。

综上所述，本发明提出了一种高性能的基于Bi-GRU与1D-CNN的混合神经网络故障诊断方法。该方法融合了1D-CNN与Bi-GRU的序列敏感性，在真实数据集上都取得了良好的效果。实验结果表明：(1)提出的方法在小样本的风机数据上表现良好；(2)在迭代次数很小的情况下，该方法可以自适应地提取不同故障的特征，并达到较高的精度；(3)所提出的方法对于不同的故障类别均具有良好的性能。因此，该模型为风机的日常维护提供了支持，并确保了设备的正常运行。