一种基于GRU的风机单故障诊断方法

本发明涉及故障诊断领域，尤其涉及一种基于gru的风机单故障诊断方法。

背景技术：

1、复杂系统的故障指系统有一个重要特性在某一特定条件下偏离了其本来应该正常运行的状态范围，此时系统的性能因明显低于其健康状态下的水平而难以完成其预期功能；自第二次工业革命以来，随着不断提高与发展的生产力要求，故障管理问题也层出不穷的出现了，对生产生活造成了大量的损失，阻碍了进一步的发展，此时故障诊断的概念被首次提出；系统故障诊断是利用被诊断系统运行中的各种信息和已有的各种知识进行信息的综合处理，最终得到关于系统运行状况和故障状况的综合评价的过程。

2、要对系统进行故障诊断，首先必须对其进行信号检测；即在发生系统故障时，要对故障类型、故障部位及原因进行诊断，然后结合理论知识给出故障解决方案，实现系统恢复；因此故障诊断的主要内容为：故障监测、故障类型判断、故障定位及故障恢复等。

3、工业过程系统本身结构复杂、工况多变、故障机理也较为复杂，机器学习人工智能算法可以通过组合低层特征形成更加抽象的高层特征表示，能够处理非线性特征的相互作用，学习能力强，具备联想记忆的功能，能充分逼近复杂的非线性关系；因此，机器学习方法在故障诊断领域中具有很好的应用前景。

4、其中gru由cho等人在2014年(k.cho,b.vanmerrienboer,c.gulcehre,etal.learning phrase representations using rnn encoder-decoder for statisticalmachine translation[j].computer science,2014.doi：10.3115/v1/d14-1179.)提出的可以学习长期依赖信息的网络，具有运算时间短的优点；随着能源问题日益严峻和风力发电机的大规模增加，在管理风电机等关键复杂设备时，其复杂系统的状态监测和故障诊断决策方法有效性研究的地位越来越重要，大量学者进行了研究，如针对风电机组传动系统故障问题，介绍了在线监测系统的功能及组件方案，利用该系统对真实的故障案例进行异常频谱图分析，对故障点进行了精确的诊断；基于风力发电机振动信号进行分析，绘制时频域图和韦尔奇周期图(welchperiodogram，wp)，经过一系列实验对比，证明了在对监测过程中含有噪声的振动信号作为原始输入时，wp能更加有效的呈现出振动信号的信噪比；将轴承这一复杂部件作为应用对象，研究其故障能够诱发定子电流产生调制的现象；并且采用定子电流检测方法分析了滚动轴承的缺陷，为旋转机械轴承故障诊断提供了一个更有效的故障诊断方法；然而gru模型对原始数据的分类能力较差，如何提高gru模型的分类能力成了风机单故障诊断亟待解决的技术难题。

技术实现思路

1、本发明的目的是提供一种基于gru的风机单故障诊断方法，对采集到的振动信号进行人工特征提取，配合门控循环单元，能够大大提高gru模型的分类能力，进而实现更好的风机单故障诊断。

2、为了实现以上目的，本发明采用的技术方案为：一种基于gru的风机单故障诊断方法，包括如下步骤：

3、步骤一、样本采集；从采集的数据中选取6000组样本，采样长度设置为1024，其中数据集的80％的样本即4800组作为训练集，剩余20％即1200组作为测试集；

4、步骤二、将采集到的样本进行人工特征提取，提取出12个时域特征，27个频域特征，16个时频域特征，即每个类别的特征维度为(12+27+16)×3＝165；

5、步骤三、将步骤二组成的人工特征矩阵作为输入，在gru人工智能算法模型中进行复杂系统单故障诊断。

6、优选的，步骤三中使用的gru只有两个门：更新门zt和重置门rt；

7、更新门zt用于控制前一时刻和当前状态之间的状态信息的范围。当zt取值越小时，表示上一个神经元要保留的信息比较多，而当前神经元需要保留的信息比较少；所以，更新门对捕捉监测到的数据信息中间隔较大的依赖关系和针对rnn中的梯度衰减问题提供了很好的解决办法；重置门rt用于控制忽略前一时刻状态信息的程度；当上一个神经元的信息中包含较多无用信息时，rt取值就可以相对应小，这样就表示当前的神经元信息大部分作为了输入，即上一个神经元传过来的信息全部只有少数部分被保留；对于输入向量xt，gru隐藏元素中的转换函数如下所示：

8、zt＝δ(wzxt+vzht-1)

9、rt＝δ(wrxt+vrht-1)

10、

11、

12、其中wz，wr分别是zt和rt的权重矩阵，wc是输出状态的权重矩阵，ht-1是在时间t-1的输入，代表元素的乘积，ht和ht是在时间t的候选状态和输出状态，δ和tanh是更新门和重置门的候选状态，vz、vr是参数矩阵和向量。通过分析gru模型原理，可以看出gru各神经元之间相互链接，彼此依赖；

13、模型gru的反向网络训练采用的是基于时间的反向传播(back-propagationthrough time，bptt)算法的原理；首先定义加权输入、t+1时刻的误差；然后沿时间反向进行传递，即计算出t时刻的误差和输出权重。这样就能求出t+1时刻的权重，计算出目标函数的参数梯度结构，以此来作为依据更新模型的参数从而进行模型的迭代更新。

14、优选的，人工特征提取为时域分析方法，时域分析方法中常用的统计特征参数指标又可以分为有量纲参数指标和无量纲参数指标；有量纲参数指标包括平均值、偏态、峰值、标准差、方差、均方根和峭度；均方根值对于检测磨损类故障比较有效，峰值对于检测轴承表面点蚀损伤类故障比较有效；偏态和峭度大小对信号中的脉冲性故障比较敏感；

15、无量纲参数指标包括波形因子、峭度因子、峰值因子、脉冲因子、裕度因子；峭度因子和裕度因子对于检测冲击类的早期故障比较有优势；

16、有量纲参数不仅与设备的运行状态有关，而且与设备的转速、载荷等运行参数有关；而无量纲参数不仅对信号幅值大小变化不敏感，对频率分布变化也不敏感，但是无量纲参数与设备的运行条件无关；所以通常在对复杂系统进行故障诊断的时候会将有量纲参数和无量纲参数结合起来，兼顾两者的优点，提高诊断的准确率。

17、优选的，采用傅里叶变换(fourier transformation，ft)来提取频域特征；通过对时域信号进行傅里叶变换，在得到的信号频谱图中，坐标横轴表示振动信号的频率，纵轴表示幅值；为了提高运算的效率，快速傅里叶变换(fast fourier transformation，fft)利用周期性和对称性对离散傅立叶变换(discrete fouriertransform，dft)算法进行了改进，大大减少了运算量；基于该dft，fft具有简单、快速的特点；fft利用具有保真度的正弦曲线来累加和计算信号中不同正弦波的幅度和相位，从而将信号变换为频域采样’时域采样对应于频域的周期性，便于数据处理；

18、对于序列xn，dft定义为：

19、

20、其中n是序列的长度；dft的计算可以分为两部分：一部分是奇数部分，另一部分是偶数部分；因此，上式可以表示为

21、

22、其中i＝0,1,…,n-1，并且0≤n<m≡n/2；

23、特征参数使用信号经fft后的每个子频带的均方根值；具体的实现过程如下所示：

24、

25、

26、其中x(t)表示采集到的信号，s表示频谱线的数量；x(f)表示x(t)经过快速傅里叶变换后的频谱，fft(i)rms表示经快速傅里叶变换后第i个子频带的均方根值，而fft(m)则代表了第i个子频带的第m根频谱线。

27、优选的，使用时域特征提取和使用fft频域特征提取后，再利用wpt作为时频特征参数来提取监测信号；在wpt能量谱特征参数提取中，先选择合适的母波对振动信号进行n层小波包分解，获得的系数向量如下所示：

28、

29、其中表示分解出的第n层的第i个节点的系数；

30、然后对小波包分解系数进行重构，重构总信号s如下式所示：

31、

32、其中表示第n层第i个节点的信号。计算各子频带对应的能量值

33、

34、在上式中，xik(i＝0,1,2...2n-1；k＝1,2...n)表示重构信号的幅值，其中n表示振动信号样本点数。这时能量谱特征向量f的构建如下式所示：

35、

36、本发明的技术效果为：

37、对原始数据进行特征选择上，gru和lstm模型(长短时记忆神经网络(long short-term memory network，lstm))的判别能力很差；远差于esn的效果，gru和lstm模型鲁棒性较高，远高于esn(回声状态网络(echostatenetworks，esn))，但是经过人工提取特征，信号里的有效信息得到增强，无用信息能进行人工简单过滤，进而能提高复杂系统故障诊断的准确率；gru虽然比lstm的分类效果好，但是总体来说和lstm分类表现差的不多，lstm模型比gru模型平均运算时间要高，分别比基于原始数据的gru和lstm模型训练时间降低了8倍和7倍，因此经过人工特征提取后，gru模型具有良好的分类效果，且运算的时间也大大的降低了，相比lstm模型的三门运算，gru模型的两门运算具有明显的运算时间优势。

技术特征：

1.一种基于gru的风机单故障诊断方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于gru的风机单故障诊断方法，其特征在于，步骤三中使用的gru只有两个门：更新门zt和重置门rt；

3.根据权利要求1所述的一种基于gru的风机单故障诊断方法，其特征在于，人工特征提取为时域分析方法，时域分析方法中常用的统计特征参数指标又可以分为有量纲参数指标和无量纲参数指标；有量纲参数指标包括平均值、偏态、峰值、标准差、方差、均方根和峭度；均方根值对于检测磨损类故障比较有效，峰值对于检测轴承表面点蚀损伤类故障比较有效；偏态和峭度大小对信号中的脉冲性故障比较敏感；

4.根据权利要求3所述的一种基于gru的风机单故障诊断方法，其特征在于，采用傅里叶变换(fourier transformation，ft)来提取频域特征；通过对时域信号进行傅里叶变换，在得到的信号频谱图中，坐标横轴表示振动信号的频率，纵轴表示幅值；为了提高运算的效率，快速傅里叶变换(fast fourier transformation，fft)利用周期性和对称性对离散傅立叶变换(discrete fourier transform，dft)算法进行了改进，大大减少了运算量；基于该dft，fft具有简单、快速的特点；fft利用具有保真度的正弦曲线来累加和计算信号中不同正弦波的幅度和相位，从而将信号变换为频域采样’时域采样对应于频域的周期性，便于数据处理；

5.根据权利要求4所述的一种基于gru的风机单故障诊断方法，其特征在于，使用时域特征提取和使用fft频域特征提取后，再利用wpt作为时频特征参数来提取监测信号；在wpt能量谱特征参数提取中，先选择合适的母波对振动信号进行n层小波包分解，获得的系数向量如下所示：

技术总结
本发明涉及一种基于GRU的风机单故障诊断方法，包括如下步骤：步骤一、样本采集；从采集的数据中选取6000组样本，采样长度设置为1024，其中数据集的80％的样本即4800组作为训练集，剩余20％即1200组作为测试集；步骤二、将采集到的样本进行人工特征提取，提取出12个时域特征，27个频域特征，16个时频域特征，即每个类别的特征维度为(12+27+16)×3＝165；步骤三、将步骤二组成的人工特征矩阵作为输入，在GRU人工智能算法模型中进行复杂系统单故障诊断；本发明对采集到的振动信号进行人工特征提取，配合门控循环单元，能够大大提高GRU模型的分类能力，进而实现更好的风机单故障诊断。

技术研发人员：李川,白云,杨帅,喻其炳,陶颖
受保护的技术使用者：重庆工商大学
技术研发日：
技术公布日：2024/12/5