[发明专利]一种风机轴承故障自适应辨识方法

权利要求书

1.一种风机轴承故障自适应辨识方法，其特征在于，包括以下步骤：

步骤1)、采集数据：根据风机数据采集与监视控制系统SCADA采集到的系统正常运行数据，将监测变量与监测点位对应，明确各变量的物理意义；进而，建立原始高维训练数据集，并对数据进行标准化处理；

步骤2)、根据步骤1)进行标准化处理后训练数据，基于深度置信网络DBN分别建立特征空间监测量与SPE统计量的双重监控限，用于监测系统中是否有异常信号产生；

步骤3)、根据步骤1)进行标准化处理后训练数据，建立基于改进动态时间规整DTW的各变量基础自相似性指标，确定各变量贡献度阈值，从而建立基于相似性的变量贡献度量模型；

步骤4)、在实际应用阶段，对于在线新数据，根据步骤2)中的双重监控限判断是否有异常产生；

步骤5)、如果步骤4)中产生异常，应用步骤3)中基于相似性的变量贡献度量模型确定各变量对异常的贡献度指标；

步骤6)、根据步骤4)中的双重监控限和步骤5)中各变量对异常的贡献度指标，对在线新数据进行标记；当在线数据超出步骤4)中的任意一个监控限时，当前数据被辨识为故障，之后步骤5)自动启动，对故障数据各变量贡献度超出阈值情况进行统计，辨识故障产生原因。

2.根据权利要求1所述的一种风机轴承故障自适应辨识方法，步骤2中基于深度置信网络DBN分别建立特征空间监测量与SPE统计量的双重监控限，用于监测系统中是否有异常信号产生；具体过程为：

深度置信网络DBN受限玻尔兹曼能量函数为

其中v＝v₁,v₂,...,v_m为输入变量，i＝1,2...m表示输入变量维数，h＝h₁,h₂,...,h_k为隐层状态，j＝1,2...k表示隐藏层节点个数，其中隐层状态为{0，1}离散值；σ_i为输入向量对应的高斯噪声标准差，w_ij表示可见单元与隐层节点之间的连接权重；a_i表示输入向量的偏置，b_j表示隐层节点偏置；深度置信网络DBN由多个受限玻尔兹曼隐层堆砌而成，则输入向量与最后一层隐层(v,h)的联合分布为

其中Z＝∑_v,he^-E(v,h)为归一化因子；最后隐层节点的激活状态即编码表示为：

根据隐藏层重构数据即解码表示为

其中，σ(·)是sigmoid激活函数，N(μ,σ_i²)是均值为μ，方差为σ_i²的高斯函数；

训练深度置信网络DBN，优化目标为使重构的数据能最大程度拟合原始训练数据分布，即经过编码解码之后重构数据和原始数据误差最小；

2.2特征空间监控限的建立：

将训练数据X＝[x⁽¹⁾,x⁽²⁾,...]输入到训练好的深度置信网络DBN中，得到所有数据的隐层特征H＝[h⁽¹⁾,h⁽²⁾,...]其中每个特征向量h⁽ⁱ⁾都是{0，1}二值变量；然后，两两计算特征向量之间的汉明距离，选择其中最大的汉明距离作为特征空间监控限T_control；

2.3残差空间监控限的建立：

将训练数据X＝[x⁽¹⁾,x⁽²⁾,...]输入训练好的深度置信网络DBN中，得所有数据的重构数据计算每个数据的重构误差

SPE＝e^T·e (6)

将所有训练数据的SPE重构误差拟合为高斯分布N(μ_SPE,σ_SPE²)，则残差空间监控限为SPE_control＝μ_SPE+3σ_SPE²。

3.根据权利要求1所述的一种风机轴承故障自适应辨识方法，步骤3中建立基于改进动态时间规整DTW的各变量基础自相似性指标，确定各变量贡献度阈值，具体步骤为：

3.1基于DTW的各变量相似度算法

首先根据需要截取训练数据中长度相等的两个时间序列，然后构建两个序列的距离矩阵；对于两个序列Q＝[q₁,q₂,...,q_χ,...q_n]，C＝[c₁,c₂,...,c_δ,...c_n]，距离矩阵元素(χ,δ)表示q_χ和c_δ两个点的距离d(q_χ,c_δ)，这个距离用欧式距离表示即d(q_χ,c_δ)＝(q_χ-c_δ)²；找到(0，0)，到(n,n)的最短路径，并将所有的距离d(q_χ,c_δ)进行累加得到DTW累加距离，这一过程表示为

γ(χ,δ)＝d(q_χ,c_δ)+min{γ(χ-1,δ-1),γ(χ-1,δ),γ(χ,δ-1)} (7)

其中，γ(χ,δ)代表累加距离；

3.2 DTW改进策略

为了解决周期序列平移导致的DTW累加过大问题，引入缩减系数α，最终累加距离为α·γ(χ,δ)，其中缩减系数α的计算如下：

首先计算两个序列Q＝[q₁,q₂,...,q_χ,...q_n]和C＝[c₁,c₂,...,c_δ,...c_n]的标准差，选取较大的一个作为计算最长公共子串的偏移容忍度；然后计算两个序列的最长公共子串，记最长公共字串长度为l，则缩减系数为：

3.3贡献度阈值计算

对于原始训练数据，计算每个变量内部的DTW累加距离即变量的自相似性，选取其中的最大值作为变量的贡献度阈值。