一种风机叶片损伤识别方法

1.本发明涉及风机故障诊断技术领域，尤其是一种风机叶片损伤识别方法。


背景技术：

2.在机械领域，航空发动机、风力发电装置、工业生产设备等大型装备正在朝着高速、高精、高效方向发展，建立可靠的健康监测系统是保证这些装备安全运行的必需举措。传统的机械健康监测系统采用简单的时域、频域的指标来描述设备的运行状态。这些特定指标的选取往往来自于专业技术人员以及专家经验，只对特定设备及其故障有着良好的诊断效果，不具有普遍适用性。在复杂的工业测试现场，故障信息复杂多变，往往夹杂着背景噪声和多传感器测量噪声，也可能包含内外激励以及多个故障的耦合，这使得基于这些特征指标的诊断方法存在稳定性差，诊断精度不高的问题。
3.目前基于深度学习的信号特征融合方法可以为故障特征与故障类别不匹配的问题提供解决方法。目前的深度学习网络和特征融合方法可以自适应的从原始数据或图像中挖掘有价值的叶片损伤信息，摆脱了对专家经验的依赖以及特征普遍适用性差的问题。然而依然存在特征维度单一，传感器获取信号单一的问题。
4.因此研究如何降低风机叶片运行信号特征冗余，对有效提高叶片损伤诊断能力和鲁棒性具有非常重要的意义。


技术实现要素：

5.针对现有技术的不足，本发明提供一种风机叶片损伤识别方法，目的是通过提高获取信号的多元性、增加特征维度以提高检测精度。
6.本发明采用的技术方案如下：
7.一种风机叶片损伤识别方法，包括以下步骤：
8.s1、采集风机运行过程中的振动信号和声压信号，将振动及声压信号处理成一维样本数据和二维样本数据；
9.s2、建立训练网络模型：
10.采用堆栈去噪自编码器对所述一维样本数据进行特征提取，采用卷积去噪自编码器对所述二维样本数据进行特征提取；
11.通过第一层全连接网络将分别将一维样本、二维样本的特征进行融合，得多维融合特征，通过第二层全连接网络将声压信号、振动信号对应的所述多维融合特征进行二次融合，获得融合特征矩阵，并通过分类器进行分类，获得分类模型；
12.s3、将待检测叶片裂纹的风机的振动信号输入到训练好的网络模型中，根据输出结果判断叶片的裂纹状态。
13.进一步技术方案为：
14.步骤s2中，所述卷积去噪自编码器以重构信号与原信号的差值最小为目标函数，对网络的权重进行优化迭代，所述卷积去噪自编码器包含两个卷积层和两个反卷积层，所
述反卷积层的梯度传递如下：
[0015][0016]
式中，l为目标函数，k为反卷积核，y为反卷积层输出；
[0017]
其中，x为反卷积层输入，t反卷积层输入信号长度，m为反卷积时的叠加步长。
[0018]
所述堆栈去噪自编码器包含至少三个去噪自编码器。
[0019]
步骤s2建立训练网络模型，还包括：将不同工况下的样本数据输入网络模型进行训练，筛选出由某一工况样本数据训练获得的网络模型参数作为最优网络模型参数，对其余工况样本数据训练出的网络模型进行迁移学习，以优化网络模型的参数。
[0020]
步骤s3包括，将待检测叶片裂纹的风机的振动信号输入到训练好的网络模型中，提取信号的融合特征矩阵以及分类模型，对提取结果进行可视化显示输出，根据输出结果判断风机叶片的裂纹状态。
[0021]
本发明的有益效果如下：
[0022]
本发明充分利用了振动和声压信号易于采集且包含故障特征信息的特点，不需要通过人工现场检测判断风机叶片状态，可以实现在风机运行过程中的在线状态监测，从根本上减少了叶片故障发生的概率，并且考虑了多维信息和声振信号的融合，方法在叶片的损伤识别精度以及模型鲁棒性方面具有显著优势，具备以下显著的进步：
[0023]
本发明通过堆栈去噪自编码器和卷积去噪自编码器可较好的从原始信号的频域以及时频域进行无监督特征提取，并且提取得到的特征样本具有良好的可分性。
[0024]
建立训练网络模型过程中，通过迁移学习，将高分类精度的工况迁移网络权重参数至弱分类工况的网络模型，可从侧面起到样本扩充并达到提高模型训练精度的效果。
附图说明
[0025]
图1为本发明实施例的训练网络模型的结构示意图。
[0026]
图2为本发明实施例的样本数据。
[0027]
图3为本发明实施例的特征提取的中间过程可视化结构示意图。
具体实施方式
[0028]
以下结合附图说明本发明的具体实施方式。
[0029]
本实施例的一种风机叶片损伤识别方法，包括以下步骤：
[0030]
s1、采集风机运行过程中的振动信号和声压信号，将振动及声压信号处理成一维样本数据和二维样本数据，一维和二维的样本数据分别如图2中(a)、(b)所示，分别为信号的频域和小波时频域数据。
[0031]
s2、建立训练网络模型：
[0032]
采用堆栈去噪自编码器(sdae)对所述一维样本数据进行特征提取，采用卷积去噪自编码器(cdae)对所述二维样本数据进行特征提取；
[0033]
通过第一层全连接网络将分别将一维样本、二维样本的特征进行融合，得多维融
合特征，通过第二层全连接网络将声压信号、振动信号对应的所述多维融合特征进行二次融合，获得融合特征矩阵，并通过分类器进行分类，获得分类模型；
[0034]
常见的自编码器都是由全连接网络进行构建，而全连接网络对于一维的信号的特征捕捉更为敏感，对于二维的图像信息的特征提取效果远不如卷积神经网络。本技术采用卷积去噪自编码器，通过对卷积池化后的信号进行反卷积操作，以池化后的特征为权值，对反卷积核进行加权叠加，完成对原始信号的重构。
[0035]
卷积去噪自编码器(cdae)的求解以重构信号与原信号的差值最小为目标函数，对网络的权重进行优化迭代，本实施例的卷积去噪自编码器包含两个卷积层和两个反卷积层，反卷积层的梯度传递如下：
[0036][0037]
式中，l为目标函数，k为反卷积核，y为反卷积层输出；
[0038]
其中，x为反卷积层输入，t输入信号长度，m为反卷积时的叠加步长。
[0039]
训练网络模型的结构图如图1所示。其中，卷积去噪自编码器包含的两个卷积层的卷积核数量及尺寸分别为6
×5×
5，12
×5×
5，反卷积层与卷积层相似。迭代次数为1000，最后输出的特征样本为5000
×5×
5。
[0040]
本实施例的堆栈去噪自编码器包含至少三个去噪自编码器。将三个去噪自编码器堆叠便得到堆栈去噪自编码器，在训练模型时，上一个去噪自编码器的输出作为下一个去噪自编码器的输入，直到所有的去噪自编码器训练结束，得到一个堆叠而成的深层网络。经堆叠而成的堆栈去噪自编码器网络在高维度、非线性输入数据特征的提取上具有很强的鲁棒性。
[0041]
去噪自编码器(denoising auto encoder，dae)通过加噪使得输入层的数据受损，并对“损坏”的原始数据编码、解码，然后还能恢复真正的原始数据。加噪过程是按照一定的概率将输入层的某些节点赋零，然后将作为自编码器的输入进行训练。从输入层到隐含层的编码公式为：
[0042][0043]
式中：fe()为输入层到隐含层的编码函数；w
xh
为编码函数的权重值；σ()为sigmoid激活函数；b
xh
为其偏移值，为训练样本。
[0044]
从隐含层到输出层的解码公式为：
[0045]
r＝fd(h)＝σ(w
hr
h b
hr
)
[0046]
式中，fd()为隐藏层到输出层的解码函数；w
hr
为解码函数的权重值；b
hr
为其偏移值。
[0047]
dae的损失函数为：
[0048][0049]
式中，xi为第i训练样本，ri为第i个训练样本经dae的重构表示。
[0050]
具体的，三个去噪自编码器的网络结构(输入、输出神经元数量)分别为2560-200、200-100、100-50，学习率随着网络层数的深入由大变小分别为1、0.5、0.3，迭代次数为200，最后输出5000
×
50的特征样本集。
[0051]
在复杂的工业环境中，样本数据易于受到干扰，未处理的声音和振动信号中含有大量的噪声，初始故障的信号特征较弱。因此本技术通过dae处理去除了信号中的大部分噪声，并从隐藏层数据中提取鲁棒特征。
[0052]
本实施例的去噪卷积自编码器结合了卷积神经网络的图像信息捕捉性能，同时又兼顾去噪自编码器的无监督能力。
[0053]
本实施例的第一全连接层、第二全连接层和分类器构成三个全连接层，网络结构为300-50-5，激活函数为“sigm”，学习率为0.1，微调次数100。
[0054]
训练网络模型过程还包括，将不同工况下的样本数据输入网络模型进行训练，筛选出由某一工况样本数据训练获得的网络模型参数作为最优网络模型参数，对其余工况样本数据训练出的网络模型进行迁移学习，以优化网络模型的参数。
[0055]
s3、将待检测叶片裂纹的风机的振动信号输入到训练好的网络模型中，提取信号的融合特征矩阵以及分类模型，对提取结果进行可视化显示输出，根据输出结果判断风机叶片的裂纹状态。
[0056]
具体的，采用t-sne算法进行可视化输出，如图3所示，为特征提取的中间过程可视化结构示意图。图3中，(a)、(b)、(c)、(d)分别为一维样本数据、采用堆栈去噪自编码器对一维样本数据进行特征提取后的结果、二维样本数据、采用卷积去噪自编码器对二维样本数据进行特征提取后的结果示意图。
[0057]
本技术充分利用了多传感器、多维度的信息，相比于单维度特征和单模态传感器的诊断方法，具有更高精度的叶片损伤诊断能力和鲁棒性。