[发明专利]一种基于深度生成对抗网络的风电传动系统故障诊断方法

说明书

本发明公开了一种基于深度生成对抗网络的风电传动系统故障诊断方法，包括以下步骤：收集不同工况、负载下已有的风电机组传动系统振动数据，建立大型风电机组传动系统跨域样本训练集；构建深度生成式对抗网络模型；预训练深度生成式对抗网络模型；采用训练好的模型对大型风电机组传动系统实施在线诊断。本发明根据源领域和目标领域数据之间的相似性与差异性，利用深度生成式对抗网络对两个领域之间的数据进行了融合与修正，多层次的堆栈自编码网络结构能够从跨领域数据中提取出相似性特征，而基于softmax分类器的域鉴别器能够进一步修正源领域和目标领域数据之间的差异性，能够利用源领域的丰富知识实现对目标领域的故障诊断。

技术领域

本发明涉及风电领域，特别涉及一种基于深度生成对抗网络的风电传动系统故障诊断方法。

背景技术

风电机组传动系统是整个风力涡轮发电机的最重要部位之一，由于长期处于轻—重负载、高—低转速以及恶劣的外部环境，风电机组传动系统容易产生故障，此时，一种稳定、智能的故障诊断方法显得尤为重要。

在物联网和工业4.0时代，轴承健康监测系统收集了大量实时数据，使得人工智能方法能有效挖掘特征和诊断故障，例如支持向量机(SVM)，人工神经网络(ANN)。但是这些方法的有效性需要原始训练数据集和目标数据集服从同一分布，而这在系统实际工作环境中，是难以满足的，因而，基于域自适应的故障诊断方法得到了发展，其主要利用多领域之间的相似性提取出跨领域的公共特征，从而使得能够用源领域数据解决目标领域数据的故障诊断问题，但是传统的域自适应方法也有两个主要的缺点：1)当目标域数据不具有足够的代表性时，域自适应方法对于定义域差异距离可能变得不太有效。2)浅层结构容易忽略多个源共享的有用知识，并且在测试阶段难以使知识适应目标域。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、诊断准确率高、适应范围广的基于深度生成对抗网络的风电传动系统故障诊断方法。

本发明解决上述问题的技术方案是：一种基于深度生成对抗网络的风电传动系统故障诊断方法，包括以下步骤：

步骤一：收集不同工况、负载下已有的风电机组传动系统振动数据，建立大型风电机组传动系统跨域样本训练集，区分出源领域和目标领域；

步骤二：结合堆栈自编码网络和softmax分类器，构建深度生成式对抗网络模型；

采用堆栈自编码网络作为深度生成式对抗网络框架基础，利用堆栈自编码的特征提取特性，作为生成器，从振动数据中自动地提取出代表性故障特征，而后选取两个softmax分类器作为鉴别器，鉴别器包括标签分类器、域分类器，对代表性故障特征进行分类；

步骤三：预训练深度生成式对抗网络模型；

利用源领域数据和目标领域数据预训练深度生成式对抗网络模型，经由堆栈自编码网络，得到两个领域振动数据的代表性故障特征，将源领域的代表性故障特征预训练标签分类器，同时用两个领域的代表性故障特征训练域分类器，结合反向传播和随机梯度下降算法，使得域分类器无法识别出故障特征来自源领域还是目标领域，从而提取出隐含在两个领域中的公共知识；

步骤四：采用训练好的模型对大型风电机组传动系统实施在线诊断；

通过传感器实时采集大型风电机组传动系统振动数据，经由傅里叶变换去除噪声后，输入到已训练好的模型中进行故障诊断，得到故障诊断结果。

上述基于深度生成对抗网络的风电传动系统故障诊断方法，所述步骤一中，将收集的不同工况、负载下已有的风电机组传动系统振动数据通过傅里叶变换去除数据包含的噪声，并选取处理后数据长度的一半，对选取的数据添加标签，其标签包括正常、内圈故障、外圈故障、球体故障四种，同时区分出源领域和目标领域，定义待诊断部位训练集数据为源领域，不同工况、负载下待诊断部位测试集数据为目标领域。