[发明专利]一种风机轴承故障自适应辨识方法

说明书

本发明公开了一种风机轴承故障自适应辨识方法，在深度置信网络的基础上构建了双重监控限，实现对风机运行状态的实时监测，与故障报警；然后改进基于动态时间规整方法，对于被判定为故障的数据采用基于DTW的各变量相似度算法，得到各变量对与故障的贡献度与阈值，通过分析各变量贡献度超出阈值情况，实现故障数据的深度分析与故障原因辨识。本发明能够准确及时地识别风机轴承故障，并在在识别故障的基础上，自动定位发生故障变量，辨识故障产生原因。

技术领域

本发明涉及一种多变量时间序列的辨识、自动识别方法，具体涉及风机轴承故障自适应辨识方法。

背景技术

近年来，随着经济和科技的不断进步，工业化水平日益提高，工厂的规模日益扩大，自动化程度也显著提升。以海上风力发电机组为代表的复杂机电设备结构精密，各级环节关联程度高，控制策略智能，然而任何一个微小异常都可能对设备造成消极影响，引发重大故障。一方面，日益发展的工业过程在预定、理想的情况下运行可以给人们的生活带来极大的便利和丰富，但是另一方面，这些规模庞大的工业过程一旦出现故障将可能造成巨大的经济损失，甚至威胁人们的安全。因此，准确识别并标记设备运行状态、及时监测系统中的异常对于保障复杂机电系统安全可靠运行具有重要意义。

目前对于自适应状态标记这类无监督学习任务，主要采用基于聚类的方法。例如，基于原型的聚类k均值算法，基于密度聚类的DBSCAN算法等。但是，在复杂机电系统状态标记的实际应用中上述方法存在以下几点限制1、在没有先验知识的情况下，对于原始数据，并不知道其工作状态的类数，这在一定程度上影响了聚类算法的准确度；2、虽然基于密度聚类的方法可以忽视初始类数的问题，但是算法的调参过程需要一定的先验知识，不同的参数下聚类结果差别较大；3、对于聚类结果，并不知晓每一类代表的具体含义，无法直观清晰的标记运行状态，而需要后续人工专业知识进一步处理。

因此，如何不依赖专业的先验知识，进行自适应复杂机电系统状态标记是解决上述问题的关键。深度置信网络(DBN)因其良好的非线性能力、泛化能力非常适用于非线性系统的监测，而其只需经过微调就可以达到最优解，一定程度上解决了调参困难的问题。对于聚类结果的具体意义方面，基于动态时间规整(DTW)的时间序列相似性度量方法给出了解决方案。即通过多变量时间序列的相似性来辨识复杂机电系统不同运行状态，进而为状态标记提供依据。

发明内容

为了解决现有技术中存在的上述问题，本发明的目的在于提供一种风机轴承故障自适应辨识方法,该方法结合深度信念网络和改进的动态时间规整方法来建立模型，旨在发现系统中出现的异常，并根据时间相似性度量方法对出现的异常进行标记，从而实现目标的自适应状态辨识。

为达到上述目的，本发明采用的技术方案是：

一种风机轴承故障自适应辨识方法，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度量模型确定各变量对异常的贡献度指标；