基于Glow模型的风机主轴多信号输入故障诊断方法

本发明涉及风机主轴故障诊断领域，尤其涉及基于glow模型的风机主轴多信号输入故障诊断方法。

背景技术：

1、轴承是风力发电机组传动系统的关键部件，而传动系统是任何旋转机器的关键部件，一些与轴承无关的传动系统故障，如齿轮和叶片，也可能是直接或间接由轴承故障引起。有计划的维护和售后服务早已在风力发电机中得到应用。如果能够实时监测轴承的运行状况，这对于传动系统的整体故障诊断和风力发电机组的运行和维护将非常重要。

2、风机主轴承主要由外圈、内圈、滚珠体以及保持架构成。风机主轴一端与风机叶片相连，一端连接风机驱动系统。主轴的内圈与轴相连接，外圈同保持架相连接，滚珠体是轴承旋转的关键部件。因此，风力发电机主轴承的内圈、外圈和球体都可能故障。为了确保对风力发电机主轴的有效故障诊断，有必要先对风力发电机的主轴故障理论进行研究。在运行过程中，主轴承区很容易受到外部因素的影响而产生故障。因此，应深入分析风力发电机主轴承的故障原理，以提高风力发电机主轴承的故障诊断精度。

3、故障诊断技术起源于运维人员的感官感知到的温度、声音、气味等判断故障的存在。基于轴承振动信号是目前最被广泛应用的故障诊断方法。传统的故障诊断方法主要涉及信号采集与处理、风机故障样本特征库的建立，主要解决思路是从输入信号中提取故障的属性，然后通过对故障属性的分类来进行诊断。近年来，研究人员在通过检测设备部分或整体振动来观察时频域的故障特征的基础上，开始深入研究结合人工智能算法进行故障诊断，利用深度学习算法来实现风机轴承的故障诊断。

4、人工智能的出现，给风机轴承故障诊断领域带来了新的研究方向。相比于传统方法，通过振动信号训练的深度学习模型，可以自动地学习并提取故障特征，实现“端到端”的故障诊断。在故障样本有限的情况下，基于深度学习算法的故障诊断具有更大的优势。

5、因此，提出基于glow模型的风机主轴多信号输入故障诊断方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了基于glow模型的风机主轴多信号输入故障诊断方法，针对风机故障带来的长时间停机以及检维修造成的资源浪费的问题进行改进，提高风机设备运行可靠性。

2、为了实现上述目的，本发明采用如下技术方案：

3、获取数据步骤：通过传感器获取数据集；

4、glow模型构建步骤：通过真实样本数据x和随机变量z，建立glow模型；

5、故障诊断模型构建步骤：基于卷积神经网络提出风机主轴多图像输入故障诊断模型；

6、故障诊断模型训练步骤：采用glow模型补充生成不同场景下的风机主轴故障样本，补充不平衡故障类别样本数量，并在真实样本中添加不同程度的高斯白噪声来模拟风机实际运行中的噪声场景，将故障样本集通过风机主轴多图像输入故障诊断模型，依据故障诊断的准确率，得到训练好的风机主轴多图像输入故障诊断模型；

7、故障诊断步骤：利用训练好的风机主轴多图像输入故障诊断模型对风机主轴进行诊断，判断风机主轴是否故障。

8、上述方法，可选的，获取数据步骤中通过加速度传感器采集数据集，数据集包括但不限于风电机组轴承正常状态信号、滚珠体故障振动信号、内圈故障振动信号和外圈故障信号。

9、上述方法，可选的，glow模型构建步骤中真实样本数据x和随机变量z，其中z服从已知的简单先验分布π(z)，样本数据x服从复杂的分布p(x)，存在一个变换函数f，满足建立从z到x的映射

10、f:z→x     (1)

11、使得每对于π(z)中的一个采样点，都能在p(x)中有一个新样本点与之对应，以得到生成样本，在标准化流模型中随机变量z先验分布π(z)通常选择高斯分布，标准化流通过应用一系列可逆变换函数将简单分布转换为复杂分布，根据变量替换定理反复替换新变量，最终得到最终目标变量的概率分布。

12、上述方法，可选的，标准化流模型的生成过程可以由下列公式来定义：

13、z～π(z)        (2)

14、x＝gθ(z)       (3)

15、式中，z表示为隐变量；pθ(z)为隐变量z的样本分布；gθ是一个可逆函数，隐变量z可表示为其中，fθ由一系列转换的函数组成：θ为生成模型参数，样本x和隐变量z0之间的关系就可以写成：

16、

17、通过输出x直到追溯到初始分布z，给定一个样本数据x的模型概率密度函数可以表示为：

18、

19、基于流的生成模型的训练损失函数为训练数据集上的负对数似然：

20、

21、上述的方法，可选的，glow模型构建步骤中，glow模型由一系列命名为尺度的重复层组成，每个尺度包括一个挤压函数和一个流步骤，流步骤后是分割函数；分割函数在通道维度上将输入分成两个相等的部分；其中一半进入之后的层，另一半则进入损失函数；分割是为了减少梯度消失的影响，梯度消失会在模型以端到端方式训练时出现；流步骤包含激活常数层、1x1可逆卷积层和仿射耦合层三部分。

22、上述的方法，可选的，激活常数层用于激活归一化，它使用每个通道的尺度和偏差参数对激活进行仿射变换，类似于批处理归一化，初始化这些参数，使得在给定初始数据小批量的情况下，每个通道的后行为动作具有零均值和单位方差，初始化后，将尺度和偏差视为独立于数据的常规可训练参数；

23、1x1可逆卷积层是用来反转通道的排序，其中权重矩阵被初始化为随机旋转矩阵，卷积层的输入和输出通道数量相同；

24、仿射耦合层通过叠加一系列简单的双射来建立双射函数，在每个简单的双射中，输入向量的一部分使用一个简单的反转的函数进行更新，但它以复杂的方式依赖于输入向量的余数，仿射耦合层可以分为三部分：零初始化、拆分和连接、排列。

25、上述的方法，可选的，故障诊断模型构建步骤中风机主轴多图像输入故障诊断模型通过学习多个图像输入的故障特征实现故障诊断的功能：输入为2个大小为28*28的灰度图像，每个输入分别经过多个卷积层进行卷积，输出与全连接层相连，采用相乘层将来自2个全连接层的输入相乘；输出为分类输出层，激活函数为softmax。

26、上述的方法，可选的，故障诊断模型训练步骤中故障样本根据故障类别、故障位置和损伤直径将故障分为19个类别。

27、上述的方法，可选的，风机主轴振动数据集中的振动信号为一维时序信号，分别将来自风机主轴风扇端和驱动端的一维时序信号转化为二维图像信号，通过二维卷积网络进行故障样本的生成和故障诊断；在样本构建之前需要对原始一维时域信号进行归一化。

28、经由上述的技术方案可知，与现有技术相比，本发明提供了基于glow模型的风机主轴多信号输入故障诊断方法，有益效果包括：通过在线故障诊断分析，可帮助运维人员发现风机故障的早期征兆，确定故障类型以及故障程度，以便风电场采取有效的维护计划，避免重大安全事故的发生以及检维修造成的资源浪费，优化设备检维修工作计划，提高风机设备运行可靠性；可有效避免风机故障带来的长时间停机，减少发电损失，能够至少降低齿轮箱的80％的故障率和维修费用，将风机润滑油利用率提高10％左右，能节约运维成本的9％左右。