[发明专利]双向小波卷积长短时记忆网络风力发电机故障诊断方法

说明书

本发明公开了一种双向小波卷积长短时记忆网络风力发电机故障诊断方法，包括以下步骤：建立多源故障数据集，给每类故障打上标签，划分训练集与测试集；构建BWCovLSTM网络模型，将多源故障数据集样本分割成若干个时间步长的输入矩阵，作为网络模型的输入；对由输入矩阵和短时记忆状态拼接的数据矩阵做二维离散小波变换，得到近似细节、水平细节、垂直细节、对角细节四个特征矩阵；将得到的四个特征矩阵与权重矩阵卷积作为‘门’操作的输入，最终得到当前时间步的输出特征；计算相邻时间步输出的余弦距离，最后输入全连接层的诊断结果，计算交叉熵损失函数，调整模型参数；将测试集输入训练好的网络，得到模型的准确率和T‑SEN可视化图。

技术领域

本发明涉及故障诊断技术领域，更具体的说是涉及一种双向小波卷积长短时记忆网络风力发电机故障诊断方法。

背景技术

目前，传统故障诊断方法如专家系统，经验模态分解，支持向量机等依赖人工提取和选择特征，模型泛化能力差。深度学习方法摆脱了对人工提取特征的依赖，在故障诊断领域得到了广泛的应用。例如，Hsueh等采用经验小波变换结合CNN的方法对感应电机故障进行诊断，实验结果表明，该方法优于支持向量机等传统故障诊断方法。祝文颖等针对振动信号具有复杂多分量和调幅-调频的特点，通过经验小波变换通过对信号Fourier频谱的分割构造一组正交滤波器组,能提取具有紧支撑Fourier频谱的单分量成分,再对单分量成分运用Hilbert变换实现信号的解调分析。Zeng等采用一种分层稀疏性策略来改进堆叠稀疏自编码器，并利用粒子群优化算法获得最佳稀疏参数以提高网络性能。与传统故障诊断方法相比，深度学习方法能够自动提取故障特征，达到更好的诊断效果。由于单传感器信号包含的故障信息不全面，采用多传感器信息融合能够形成故障信息互补，使得故障信息更加全面，达到比单信号更好的诊断效果。杨洁等基于多传感器信息融合的轴承故障诊断模型，对航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(1D-CNN)对实验获取的航空发动机的轴承故障振动数据进行特征提取与分类，直接将不同传感器采集的波形信号作为输入，舍弃了传统的基于信号分析故障诊断的繁琐步骤。实验采用4个加速度传感器输入该模型对轴承故障进行分类与识别，取得很好的故障诊断效果。Wang等提出了一种融合多模态传感器信号的方法，利用一维CNN对振动和声学信号进行融合实现了更准确的轴承故障诊断。Peng等提出了一种通过多个转速表的数据来提取它们之间的不平衡相位特征，从而识别行星齿轮故障的诊断方法。由于设备当前运行状态与之前的运行状态有关，因此故障信号在时间维度上也包含着丰富的信息，但是采用CNN等空间特征提取方法并不能提取时序特征。

因此，提供一种双向小波卷积长短时记忆网络风力发电机故障诊断方法，提取高质量的时间和空间特征的同时实现故障特征互补是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种双向小波卷积长短时记忆网络风力发电机故障诊断方法，采用BICovLSTM融合多传感器数据，形成特征互补，并在一个时间步内提取时空特征，减少关键故障信息丢失；在BICovLSTM结构中结合小波变换，增强特征；计算相邻时间步输出之间的余弦距离，以达到更好的诊断效果。

为了实现上述目的，本发明采用如下技术方案：

一种双向小波卷积长短时记忆网络风力发电机故障诊断方法，包括以下步骤：

S1、建立多源故障数据集，给每类故障打上标签，划分训练集与测试集；

S2、构建BWCovLSTM网络模型，将多源故障数据集样本分割成若干个时间步长的输入矩阵，作为网络模型的输入；

S3、对由输入矩阵和短时记忆状态拼接的数据矩阵做二维离散小波变换，得到近似细节、水平细节、垂直细节、对角细节四个特征矩阵；

S4、将得到的四个特征矩阵与权重矩阵卷积作为‘门’操作的输入，最终得到当前时间步的输出特征；