CN113505664A - 一种风电机组行星齿轮箱故障诊断方法 - Google Patents

Abstract

本发明涉及一种风电机组行星齿轮箱故障诊断方法，包括采集行星齿轮箱的振动信号进行作为样本，包括含标签源域样本、无标签源域样本和目标域待诊断样本；进行信号预处理，将各样本均转化为快速谱峭度图像，由此得到含标记源域、无标记源域和目标域；构建深度残差半监督域泛化网络结构，设置训练中需要的超参数，以含标记源域和无标记源域为输入，采用基于Wasserstein生成对抗网络的对抗博弈机制和基于伪标签的半监督学习方法训练深度残差半监督域泛化网络，得到最终诊断模型，进行故障识别。与现有技术相比，本发明分类性能优秀，且能将诊断模型推广到未知转速的行星齿轮箱故障诊断任务中，诊断准确性高。

Description

一种风电机组行星齿轮箱故障诊断方法

技术领域

本发明涉及风电机组控制、监测与诊断领域，尤其是涉及一种风电机组行星齿轮箱故障诊断方法。

背景技术

行星齿轮箱具有结构紧凑、功率密度高和传动效率高等优点，是风电机组传动***中的重要部件。在实际运行过程中，由于动态的载重负荷和频繁变化的运行工况，行星齿轮箱易发生故障并导致高额的维护成本。因此，实现齿轮箱故障准确诊断对于提高风电机组的安全性和可靠性具有重要意义。

为解决故障诊断中含标签训练数据不足的问题，迁移学习能够从不同但相关的域学习知识，然后迁移到目标域，实现目标任务，因此深度迁移学习成为机械设备故障诊断的研究热点。深度迁移学习通常利用大量含标记的源域样本和少量目标域样本训练一个故障诊断模型，利用该模型可以有效地实现目标域的故障诊断任务。然而，这些方法训练后的模型只能很好地处理目标域的诊断任务且训练阶段仍需要目标域数据。在实际应用中，行星齿轮箱的转速是不断变化的，而转速的变化会直接导致样本分布的变化，因为不可能全面收集到各种转速甚至变速情况下的含标签样本，因此现有的诊断模型无法识别各种转速下设备的健康状态，从而影响到模型诊断的准确率。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风电机组行星齿轮箱故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种风电机组行星齿轮箱故障诊断方法，包括以下步骤：

S1、采集行星齿轮箱的振动信号进行作为样本，包括含标签源域样本、无标签源域样本和目标域待诊断样本；

S2、进行信号预处理，将标签源域样本、无标签源域样本和目标域待诊断样本均转化为快速谱峭度图像，由此得到含标记源域Ω_ls、无标记源域Ω_us和目标域Ω；

S3、构建深度残差半监督域泛化网络结构，设置训练中需要的超参数，以含标记源域Ω_ls和无标记源域Ω_us为输入，采用基于Wasserstein(瓦瑟斯坦)生成对抗网络的对抗博弈机制和基于伪标签的半监督学习方法训练深度残差半监督域泛化网络，得到最终诊断模型；

S4、将目标域Ω输入最终诊断模型进行故障识别，输出诊断结果。

进一步地，所述步骤S3中，深度残差半监督域泛化网络包括生成器G、分类器C和判别器D；所述生成器G以深度残差网络为基础从原始样本中提取深层特征；所述分类器C采用Softmax分类器，使用生成器G提取的特征进行健康状态识别；所述判别器D用于估计从不同领域提取出的特征之间的Wasserstein距离。

进一步地，所述步骤S3中，深度残差半监督域泛化网络的训练包括基于伪标签的半监督学习和基于WGAN的域对抗学习，所述分类器C和判别器D分别采用半监督学习和域对抗学习训练，所述生成器G使用半监督学习和域对抗学习共同训练。

进一步地，所述半监督学习的损失函数表达式为：

L_Semi＝L_C+η(i)L_PL i＝1,2,...,m

式中，η(i)为伪标签系数函数，其随着迭代次数i改变而改变，m为最大迭代次数，L_C为分类器损失函数，L_PL为伪标签损失函数。

进一步地，所述分类器损失函数L_C的表达式为：

L_C＝E[-y_ls log((C(G(x_ls)))^T)]

式中，

为含标记源域的样本

的真实标签，l_s为样本长度；

所述伪标签损失函数L_PL的表达式为：

式中，

为无标记源域样本

的伪标签。

进一步地，所述伪标签系数函数η(i)的表示为：

式中，I₁和I₂为迭代阈值，η₀和η_f分别为初始系数和最终系数。

进一步地，所述域对抗学习的损失函数表达式为：

分类器G：

L_A-G＝-L_adv

＝E[D(G(x_ls))]-E[D(G(x_us))]

判别器D：

式中，L_adv为域对抗学习损失函数，L_GP为梯度惩罚函数，x_ls为含标签源域的样本，x_us为无标签源域的样本，λ为梯度惩罚系数，μ～U[0,1]。

进一步地，所述最终诊断模型包括由训练后的生成器G和分类器C组成。

进一步地，所述步骤S3中，训练中需要的超参数包括梯度惩罚系数λ、伪标签系数函数η(i)、批大小N_B、批数量n_batch和训练的最大迭代次数n_epochs。

进一步地，快速谱峭度图像中快速谱峭度的表达式为：

式中，<.>为时域平均运算，H(t,f)为输入信号x(t)的包络过程。

与现有技术相比，本发明具有以下有益效果：

1、本发明通过设计深度残差半监督域泛化网络(deep residual semi-supervised domain generalization network,DRSDGN)进行风电机组行星齿轮箱故障诊断，可以将采集到的含标签样本中的诊断知识泛化到未知变转速样本的诊断模型，从而更加符合行星齿轮箱运行时转速不断变化的实际应用场景，提高故障诊断的准确性。

2、本发明使用快速谱峭度(Fast Kurtogram)图像对振动信号进行预处理，得到包含丰富时频信息的图像，较一维信号更容易实现故障诊断。

3、本发明使用深度残差网络(DRN)对图像进行特征提取，较一般卷积神经网络不容易出现梯度消失问题，能顺利提取出图像的深层特征。

4、本发明引入半监督学习，能够充分利用实际应用中采集到的样本数据，包括有含标签数据和无标签数据，提高训练模型的精度。

附图说明

图1为本实施例的具体流程示意图。

图2为DRSDGN网络框架。

图3为齿轮箱故障模拟实验平台。

图4为行星轮健康状态。

图5为行星齿轮箱不同故障下振动的时域波形图。

图6为行星齿轮箱变速工况下转速变化曲线。

图7为变速工况振动信号生成的Fast Kurtogram图像。

图8为第1组实验对T3的AUC曲线。

图9为第12组实验对T3的AUC曲线。

图10为第8组分类结果混淆矩阵。

图11为第8组实验网络提取的特征t-SNE可视化结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例提供了一种基于深度残差半监督域泛化网络(DRSDGN)的风电机组行星齿轮箱故障诊断方法，如图1所示，步骤包括：

步骤S1、采集行星齿轮箱的振动信号进行作为样本，包括含标签源域样本、无标签源域样本和目标域待诊断样本；

步骤S2、进行信号预处理，将标签源域样本、无标签源域样本和目标域待诊断样本均转化为Fast Kurtogram图像，由此得到含标记源域Ω_ls、无标记源域Ω_us和目标域Ω；

步骤S3、构建深度残差半监督域泛化网络结构，设置训练中需要的超参数，以含标记源域Ω_ls和无标记源域Ω_us为输入，采用基于Wasserstein生成对抗网络的对抗博弈机制和基于伪标签的半监督学习方法训练深度残差半监督域泛化网络，得到最终诊断模型；

步骤S4、将目标域输入最终诊断模型进行故障识别，输出诊断结果，然后采用多指标(例如准确率指标和ROC曲线)评估诊断结果。

本实施例旨在针对现有深度迁移学习方法很难完成变转速下风电机组行星齿轮箱的故障诊断任务的问题，提出一种可以将采集到的含标签样本中的诊断知识泛化到未知转速样本的诊断模型。

时频分析有助于揭示振动信号包含在时域和频域的特征，信号预处理过程，将振动信号转化为包含丰富故障特征的快速谱峭度(Fast Kurtogram)图像，谱峭度(Kurtogram)定义为：

式中，<.>为时域平均运算，H(t,f)为输入信号x(t)的包络过程。

深度残差半监督域泛化网络(DRSDGN)的结构如图2所示，该网络以WGAN的框架为基础，结合DRN的强大的深层特征提取能力与域泛化理论，在训练中仅使用一个含标记的源域和一个无标记的源域，不需要目标域的样本。网络中，生成器G以深度残差网络(deepresidual network，DRN)为基础从原始样本中提取深层特征，而分类器C使用提取的特征进行健康状态识别。所提取的特征需要对健康状态分类敏感，但对领域分类不敏感，因此网络学习过程可以分为基于伪标签的半监督学习和基于WGAN的域对抗学习。通过半监督学习指导生成器G提取域判别特征，再利用这些特征对目标域样本的健康状态进行诊断。域对抗学习用于指导生成器G提取域不变特征，而判别器D的训练旨在更好地估计从不同领域提取出的特征之间的Wasserstein-1距离。简单地说，分类器C和判别器D分别采用半监督学习和域对抗学习，而生成器G需要两者共同训练。最终，由训练完成的G和C组成的诊断模型用于实现对转速未知目标域的故障诊断。

半监督学习旨在充分利用可获取的样本，训练样本为含标记源域和无标记源域，训练对象为生成器G和分类器C。在利用伪标签的半监督学习中，损失函数包括两部分：有监督分类损失LC和伪标签迭代损失LPL。半监督学习损失函数如下：

L_Semi＝L_C+η(i)L_PL i＝1,2,...,m

式中，η(i)为伪标签系数函数，其随着迭代次数i改变而改变，m为最大迭代次数，L_C为分类器损失函数，L_PL为伪标签损失函数。L_C和L_PL可以表示为：

L_C＝E[-y_lslog((C(G(x_ls)))^T)]

式中，

为含标记源域的样本

的真实标签，l_s为样本长度；

为无标记源域样本

的伪标签，计算如下：

在早期迭代中，因为分类器C不能提供足够准确的标记，η(i)需要保持在一个很小的值η₀，然后随着迭代进行，系数线性增长到η_f并一直保持到训练结束，具体表达式如下：

式中，I₁和I₂为迭代阈值，η₀和η_f分别为初始系数和最终系数。

为使生成器G能够提取域不变特征，需要设计基于WGAN的域对抗学习。在传统WGAN中，判别器用于估计真实样本概率分布和生成样本概率分布之间的Wasserstein-1距离，通过对抗训练，使G可以产生更好的样本来使Wasserstein-1距离最小化。基于上述思想，在DRSDGN中，训练判别器D估计分别从含标记源域样本和无标记源域样本提取出的特征之间的Wasserstein-1距离，同时训练生成器G提取域不变特征以使其最小化。Wasserstein-1距离是一种有效的估计分布差异的度量方法，因此域对抗训练后提取出的特征对域分类不敏感。域对抗学习过程中G和D的损失函数如下：

L_A-G＝-L_adv

＝E[D(G(x_ls))]-E[D(G(x_us))]

式中，L_adv为域对抗学习损失函数，L_GP为梯度惩罚函数，x_ls含标签源域样本，x_us为无标签源域样本，λ为梯度惩罚系数，μ～U[0,1]。

在DRSDGN中，分类器C和判别器D分别使用半监督学习和域对抗学习进行训练，而生成器G使用两者进行训练。为了保证训练后的生成器G能够提取出既有故障判别性又有域不变性的特征，需要半监督学习和域对抗学习同时进行。因此，最终分类器、判别器和分类器的损失函数如下：

L_D＝L_A-G+L_Semi

L_C＝L_Semi

L_G＝L_A-D

式中，L_A-D和L_A-G分别为域对抗学习中判别器和生成器的损失函数，L_Semi为半监督学习损失函数。

如图1所示，本实施例的具体步骤包括：

1)利用振动加速度传感器采集振动信号，进行域划分并将各个域分别转化为FastKurtogram图集，得到含标记源域Ω_ls、无标记源域Ω_us和目标域Ω_t，并确定生成器G、分类器C和判别器D的结构，设置训练中需要的超参数，包括梯度惩罚系数λ，伪标签系数函数η(i)，批大小N_B，批数量n_batch，每次G迭代时D的迭代次数n_critic，G、D、C的的优化算法，训练的最大迭代次数n_epochs。

2)使用Ω_ls预训练G和C，初始化D的参数。

3)在Ω_ls中划分含标记批次B_ls，在Ω_us中划分无标记批次B_us。

4)从B_ls和B_us中随机取样训练D。

5)重复步骤4)至最大迭代次数，计算B_us的伪标签并训练G和C。

6)重复步骤3)-5)至遍历Ω_ls和Ω_us。

7)重复步骤6)至设定的最大epochs。

8)使用训练后的G和C搭建最终故障诊断模型，使用Ω_t对模型进行评估。

DRSDGN具体网络参数如下，网络结构如图2所示，生成器G为一个包含9个残差单元的DRN，共包含19个卷积层和1个全连接层，网络输入维度为224×224×3，为提高计算效率并且可以提取出局部特征，卷积核尺寸设定为3×3×N_ω，N_ω为输入的通道数。图2中的DRN结构中，“/2”表示卷积层步长为2，为降低特征映射的维度，在网络中选取3个卷积层设定步长为2，m代表第一层卷积核数量，为使深层特征可以多次出现，随着网络的加深卷积核增加至2m和4m，m取32。其余网络结构见表1。C和D以G的输出作为输入，训练过程中的超参数见表2，G、D、C的训练都使用Adam优化算法，学习率设置为0.001。

表1网络结构

表2 DRSDGN超参数

具体验证方案：

如图3所示，本实施例首先建立了一个风机齿轮箱模拟平台。测试行星齿轮安装在变速箱齿轮箱内，加速度计安装在齿轮箱壳体上以测量振动信号。可以通过速度控制器来改变电动机转速，旋转频率可设定范围是0～60Hz。信号的采样频率为12kHz。故障行星齿轮如图4所示，从左往右依次为正常、点蚀、磨损、断齿故障。行星齿轮的健康状况包括：正常、磨损、点蚀以及断齿状况，当驱动电机转速为1800rpm，采集的行星轮时域波形如图5(a)所示。

1)利用风机齿轮箱模拟平台采集数据，过程中设定电动机转速为900rpm、1200rpm、1500rpm、1800rpm。每种转速下不同健康状况均100s。此外，改变负载大小，调节电动机的转速从900rpm开始增加至1500rpm，持续时间为100s，转速变化如图6所示，变速工况下1s内的振动波形如图5(b)所示。

2)为尽可能保证每个样本都含有丰富的故障特征，在每组振动信号种截取100s，生成100个样本数据，即每个样本包含1s的特征信息，12000个数据点。采用Fast Kurtogram分析将时域振动样本转换为时频图像，每种转速下得到400个图像样本，共得到定速样本1600个，变速样本400个，变速工况下的示例图像如图7所示。

3)对获取的图像样本，定义同一转速下的样本集为一个域，共计五个域。为验证提出方法的有效性，如表3所示，本文设计了12组行星齿轮箱域泛化诊断实验，在每组实验中，使用一个含标签源域(LS)和一个无标签源域(US)训练网络，使用多个目标域(T1,T2,T3)对诊断模型进行评估。

表3域泛化诊断任务

4)为减少随机性的影响，将每组实验重复10次，总体平均准确率为95.24％，除准确率指标外，引入ROC曲线对模型分类性能进行评估，根据真实类别和预测类别的组合，测试样本可以划分为真阳性(true positive,TP)、假阳性(false positive,FP)、真阴性(true negative,TN)和假阴性(false negative,FN)，则真正类率(true positive rate,TPR)和负正类率(false positive rate,FPR)计算如下：

以FPR和TPR为横纵坐标绘制ROC曲线，DRSDGN在第1组实验中平均准确率最高，在第12组实验中平均准确率最低，为充分验证网络性能，绘制上述两组实验对T3分类的ROC曲线并计算AUC如图8、图9所示。可见在上述两组实验中，DRSDGN训练后的分类器AUC值接近于1，且均显著优于其他算法，说明本实施例方法能够训练出性能优秀的分类器，进而对实现对变速行星齿轮箱健康状态的识别。

此外为进一步验证DRSDGN的有效性，选取接***均准确率95.24％的第8组实验进行可视化分析，使用训练后的诊断模型对目标域样本状态分类，分类结果混淆矩阵如图10所示。采用t-分布邻域嵌入(t-distribution stochastic neighbor embedding,t-SNE)算法对生成器G中全连接层的特征降维可视化如图11所示。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种风电机组行星齿轮箱故障诊断方法，其特征在于，包括以下步骤：

S1、采集行星齿轮箱的振动信号进行作为样本，包括含标签源域样本、无标签源域样本和目标域待诊断样本；

S2、进行信号预处理，将标签源域样本、无标签源域样本和目标域待诊断样本均转化为快速谱峭度图像，由此得到含标记源域Ω_ls、无标记源域Ω_us和目标域Ω；

S3、构建深度残差半监督域泛化网络结构，设置训练中需要的超参数，以含标记源域Ω_ls和无标记源域Ω_us为输入，采用基于Wasserstein生成对抗网络的对抗博弈机制和基于伪标签的半监督学习方法训练深度残差半监督域泛化网络，得到最终诊断模型；

S4、将目标域Ω输入最终诊断模型进行故障识别，输出诊断结果。

2.根据权利要求1所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述步骤S3中，深度残差半监督域泛化网络包括生成器G、分类器C和判别器D；所述生成器G以深度残差网络为基础从原始样本中提取深层特征；所述分类器C采用Softmax分类器，使用生成器G提取的特征进行健康状态识别；所述判别器D用于估计从不同领域提取出的特征之间的Wasserstein距离。

3.根据权利要求2所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述步骤S3中，深度残差半监督域泛化网络的训练包括基于伪标签的半监督学习和基于WGAN的域对抗学习，所述分类器C和判别器D分别采用半监督学习和域对抗学习训练，所述生成器G使用半监督学习和域对抗学习共同训练。

4.根据权利要求3所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述半监督学习的损失函数表达式为：

L_Semi＝L_C+η(i)L_PLi＝1,2,...,m

式中，η(i)为伪标签系数函数，其随着迭代次数i改变而改变，m为最大迭代次数，L_C为分类器损失函数，L_PL为伪标签损失函数。

5.根据权利要求4所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述分类器损失函数L_C的表达式为：

L_C＝E[-y_lslog((C(G(x_ls)))^T)]

式中，

为含标记源域的样本

的真实标签，l_s为样本长度；

所述伪标签损失函数L_PL的表达式为：

式中，

为无标记源域样本

的伪标签。

6.根据权利要求4所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述伪标签系数函数η(i)的表示为：

式中，I₁和I₂为迭代阈值，η₀和η_f分别为初始系数和最终系数。

7.根据权利要求3所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述域对抗学习的损失函数表达式为：

分类器G：

L_A-G＝-L_adv

＝E[D(G(x_ls))]-E[D(G(x_us))]

判别器D：

式中，L_adv为域对抗学习损失函数，L_GP为梯度惩罚函数，x_ls为含标签源域的样本，x_us为无标签源域的样本，λ为梯度惩罚系数，μ～U[0,1]。

8.根据权利要求3所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述最终诊断模型包括由训练后的生成器G和分类器C组成。

9.根据权利要求1所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述步骤S3中，训练中需要的超参数包括梯度惩罚系数λ、伪标签系数函数η(i)、批大小N_B、批数量n_batch和训练的最大迭代次数n_epochs。

10.根据权利要求1所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，快速谱峭度图像中快速谱峭度的表达式为：

式中，<.>为时域平均运算，H(t,f)为输入信号x(t)的包络过程。

Images