基于多源信号融合的风电机组主轴承故障诊断方法

本发明涉及风力发电，具体的是一种基于多源信号融合的风电机组主轴承故障诊断方法。

背景技术：

1、随着可再生能源的持续发展，风力发电作为清洁能源的重要组成部分，在全球能源结构中占比日益增长。风电机组作为转换风能为电能的关键设备，其运行效率和稳定性受到广泛关注。其中，风电机组的主轴承作为连接转子和发电机的重要部件，其健康状态直接关系到整个风电机组的安全性和效益。

2、传统的风电主轴承故障诊断方法通常基于单一信号源，如只根据振动信号或者只根据电流信号来判断轴承的工作状态，这样的方法可能无法准确地反映轴承的全面工况。由于复杂的工况变化和环境干扰，单一来源信号很难全面、准确地指示出轴承的故障状况，容易造成误判或漏判。因此，如何集成多种监测信号以提高故障诊断的准确性和可靠性，成为风电领域的一个重要研究问题。

技术实现思路

1、本发明的目的在于提供一种基于多源信号融合的风电机组主轴承故障诊断方法，该方法用以解决单一信号片面的诊断。

2、为了解决上述技术问题，本发明采用如下技术方案：

3、本发明实施例提供一种轴承故障诊断模型的确定方法，包括：

4、从风电机组获取主轴承电流信号和振动信号作为原始数据。在电流信号中反映主轴承的负载情况，振动信号则可直接反映主轴承的运动信息，对振动信号去除部分噪声并筛选出与故障相关的特征信号。

5、根据筛选出来的电流信号和振动信号，引入马尔科夫迁移场用于信号处理，得到故障信号的时频域图像；

6、选择合适的卷积神经网络的结构参数，卷积核大小分别为5×5、5×5、3×3，数量分别为32、64、128，卷积步长为1，图像边界填充模式为same。为了避免图像特征的丢失，池化层选用平均池化，内核大小为2×2，步长为2。最后使用一个全连接层，将特征映射为一维数据，通过分类器对其进行分类。

7、将所述的电流信号和振动信号的时频域图像分别馈入神经网络进行训练，以交叉熵损失最小为目标，进行迭代训练，用adam梯度下降优化算法进行优化训练，学习率lr＝0.01，平滑常数β1＝0.9、β2＝0.999，分别来学习和提取电流信号和振动信号中的特征，得到的分类结果为各自信号是哪一种类型故障及其概率；

8、根据单一信号源的故障诊断结果，通过线性组合将多个基分类器整合在一起，采用加权投票法与软投票法相结合，进行最终数据融合的决策级融合算法。

9、进一步地，所述马尔科夫迁移场包括将采集到的信号的时间序列分成q个仓，标记为{1,2,3,q}，每个仓的数据量相同；

10、将时间序列划分为若干定长时间窗，每个时间窗内的振动加速度信号作为一种状态。将时频域图像数据集中的每个值转换为相应的分位数框号。计算相邻时间窗之间的状态转移次数，除以总转移的次数，得到转移概率矩阵：

11、

12、其中，pij表示状态i转移到状态j的转移概率，分母为转移总数；

13、构造转移矩阵w：

14、

15、马尔可夫迁移域m的构造：

16、

17、进一步地，所述的决策级融合算法具体细节如下，假设有n个数据来源[x1，x2，…，xn]t,需要将每个数据源的信号分为m类[y1，y2，…，yn]t；

18、每个数据来源的每种分类的概率组成如式：

19、

20、其中表示xi数据来源分类判断为yj类别的概率，其中i＝1：n,j＝1：m。

21、数据[x1，x2，…，xn]t均分配其对应的权重因子[w1，w2，…，wn]t,因此最终对数据进行融合后，m种分类中yj类型概率为：

22、

23、其中yjp表示融合后判断为yj类型的概率。对最终结果进行比较，获得概率最高的类型，则被判定为该数据的类型。

24、为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

技术特征：

1.一种基于多源信号融合的风电机组主轴承故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多源信号融合的风电机组主轴承故障诊断方法，其特征在于，所述马尔科夫迁移场的信号处理方法包括：将采集到的信号的时间序列分成q个仓，标记为{1,2,3,q}，每个仓的数据量相同。

3.根据权利要求2所述的基于多源信号融合的风电机组主轴承故障诊断方法，其特征在于，所述转移概率矩阵计算方法如下：

4.根据权利要求3所述的基于多源信号融合的风电机组主轴承故障诊断方法，其特征在于，信号处理包括构造转移矩阵w以及马尔可夫迁移域m，其中，

5.根据权利要求1所述的基于多源信号融合的风电机组主轴承故障诊断方法，其特征在于，所述卷积神经网络的卷积核大小分别为5×5、5×5、3×3，数量分别为32、64、128个，采用步长为1的卷积操作，并以same填充模式保持图像边界信息不丢失。

6.根据权利要求1所述的基于多源信号融合的风电机组主轴承故障诊断方法，其特征在于，所述线性组合及融合算法包括以下步骤：

7.根据权利要求6所述的基于多源信号融合的风电机组主轴承故障诊断方法，其特征在于，为数据[x1，x2，…，xn]t均分配其对应的权重因子[w1，w2，…，wn]t，对数据进行融合后，m种分类中yj类型概率为：

8.根据权利要求7所述的基于多源信号融合的风电机组主轴承故障诊断方法，其特征在于，包括电流数据以及振动数据两个数据来源，因此选定n＝2，将数据分为有故障与无故障，因此选定m＝2，结合所述权重因子，电流数据和振动数据经卷积神经网络softmax分类器分为y1和y2两类，概率分别为和给予电流数据判断轴承是否故障的权重为w1，给予振动数据判断轴承是否故障的权重为w2；

9.根据权利要求1-8任一所述的基于多源信号融合的风电机组主轴承故障诊断方法，其特征在于，所述决策级融合算法通过权重优化，以实现对故障诊断的自适应能力增强，即该方法能够根据历史数据和反馈调整其权重，适应不断变化的风电场运作条件和环境因素。

10.一种计算机程序产品，包括存储在非易失性存储介质上的指令集，其特征在于，当所述指令集在处理器上执行时，能实现上述基于多源信号融合的风电机组主轴承故障诊断方法的所有步骤。

技术总结本发明公开了一种基于多源信号融合的风电机组主轴承故障诊断方法，其核心在于利用加权投票法与软投票法相结合的决策级数据融合方法，以提高对风电机组主轴承故障诊断的准确性和可靠性。该方法采用马尔可夫迁移场技术处理电流与振动信号，并用神经网络分类故障。结合加权投票和软投票法，对不同分类器结果赋予权重，降低单一分类器失误引起的总体错误，同时线性组合加强了分类器间的互补信息，减少误报和漏报风险，显著提升故障预防与维护效率。本发明利用电流和振动信号的互补特性，实现对主轴承故障的准确预测和成本优化维护策略。技术研发人员：王龙滟,周佩佩,王子路,徐健,罗朝晖受保护的技术使用者：江苏大学镇江流体工程装备技术研究院技术研发日：技术公布日：2024/7/11