【技術實現步驟摘要】
本專利技術涉及一種基于壓縮感知與輕量級squeezenet模型的風電機組軸承故障診斷方法，用于風電機組軸承故障特征提取與分類，屬于信號處理。
技術介紹
1、風能是一種潛力很大的可再生能源。利用風力發電非常環保，受到世界各國的重視。在風力帶動風車葉片進行能量轉化的過程中，風力負荷波動較大，環境條件惡劣，因此發生故障的概率較大。隨著風力發電機的安裝數目也在逐年上升，采集到的信號數據量不斷增大，產生數據冗余、數據存儲壓力等一系列問題，進而導致故障特征提取困難，因此，壓縮感知技術成了這一領域的研究熱點。軸承故障信號作為一種非平穩的周期性信號，通常包含大量的噪聲，造成診斷精度相對較低。利用小波變換、傅里葉變化、s變化等傳統方法將一維信號轉化為二維圖像，存在著需要選擇合適的小波基函數、非平穩信號處理效果不佳、容易受到噪聲干擾的問題，造成信號序列間信息丟失。二維圖像編碼方法的提出為解決這一問題提供了思路。遞歸圖(rp)編碼方法將振動信號轉化為增強信號特征的二維紋理特征圖，最大限度地保留了振動信號的時間信息。
2、卷積神經網絡(cnn)作為一種典型的深度學習模型在故障診斷、圖像處理等領域廣泛應用。隨著人工智能技術的不斷發展，神經網絡的綜合性能不斷提升，網絡深度也在不斷增加，模型訓練時間也在加長。數據量的增多，模型的輕量化和高效性顯得尤為重要。微弱故障特征的提取對模型診斷精度有著較大的影響。傳統的風電機組故障診斷一般選擇時頻特征、能量等指標作為特征樣本。風電機組的工作環境相對復雜，受到不可控因素的影響較大，采集到的信號受到噪聲的干擾。
技術實現思路
1、為了克服現有技術的不足，本專利技術提供了一種基于壓縮感知與輕量級squeezenet模型的風電機組軸承故障診斷方法，能夠解決數據存儲壓力并去除數據冗余，減少數據編碼過程計算量突出故障特征，并且由于振動信號含噪較大影響分類精度的問題。
2、為了解決上述問題，本專利技術采用的一個技術方案是：本專利技術提供了一種基于壓縮感知與輕量級squeezenet模型的風電機組軸承故障診斷方法，通過構造離散余弦變換矩陣(dct)作為軸承振動信號的稀疏基，實現對原始信號的稀疏處理；構造伯努利矩陣將稀疏信號投影到低維空間，得到信號測量值。實現信號的壓縮處理。利用cosamp算法求解凸優化問題通過信號測量值重構原始信號，得到干凈完整的信號。將重構信號通過遞歸圖(rp)編碼技術轉化為二維特征圖，保留信號間時間關聯信息，突出故障特征。通過改進squeezenet模型實現對風電機組軸承故障分類與識別。該方法包括如下步驟：
3、1)在風電機組試驗臺采集風電機組軸承故障信號，并對其進行預處理；
4、2)利用cs技術對預處理后的信號進行壓縮采集。以離散余弦變化矩陣為稀疏矩陣對預處理后的信號進行稀疏處理，以伯努利矩陣為觀測矩陣對稀疏信號進行觀測得到測量值，實現信號壓縮；
5、3)將壓縮后的信號通過壓縮采樣匹配追蹤(cosamp)算法重構。去除數據冗余，得到干凈完整的信號；
6、4)通過遞歸圖編碼技術對重構后的信號進行編碼并生成二維特征圖，保留信號間的時間信息；
7、5)結合殘差思想對squeezenet模型進行改進，得到改進模型；將步驟4中的圖像數據集輸入模型訓練并保存模型；
8、6)對模型進行評估與測試，獲得故障診斷結果。
9、所述步驟2)中在對振動信號進行壓縮采集時，結合關研究，用離散余弦變化矩陣(dct)對原始信號進行稀疏處理，使得原始信號x稀疏：
10、x＝ψz
11、其中，ψ離散余弦變換矩陣，z是長度為n的k稀疏信號。
12、對于稀疏信號的重構問題即解決下式線性規劃問題，即：
13、
14、其中，y是通過dct將原始信號投影到低維空間得到的測量值，||·||0一個非凸函數，矩陣θ是為稀疏矩陣與測量矩陣的合成矩陣。對于任意的測量矩陣φ來說，信號重構是一個np(non-deterministic?polynomial)完全問題。l1最小范數在一定條件下和l0最小范數具有等價性，可以得到相同的解，以此來求解凸優化問題：
15、
16、對信號進行壓縮采集之后，能否從y中恢復重構原始信號x，取決于測量矩陣是否滿足約束等距特性(rip)。即：
17、
18、其中，0＜δs＜1。以伯努利矩陣作為測量矩陣。
19、所述步驟3)中用cosamp算法求解凸優化問題，該算法在信號估計和更新支撐集方面從測量值中重構原始信號，得到干凈完整的信號。
20、所述步驟4)將步驟3)中所得到的干凈信號轉變成二維特征圖。將重構信號運用takens嵌入定理，對延遲向量進行相空間重構及可視化，把時間序列x1,x2,…xn的時域空間變換到相空間：
21、xi＝(xi,xi+d,…xi+(a-1)d)
22、其中，a為嵌入維度維度滯后坐標向量的個數，d為延遲時間表示滯后長度。計算兩個向量xi,xj之間的向量范數，即相空間中i點xi和j點xj的距離：
23、sij＝||xi-xj||
24、其中，||·||表示向量范數。
25、進行閾值二值化并計算遞歸值：
26、
27、其中，ri,j是是一個n×n的矩陣，||·||是表示向量范數，ε是是距離閾值使得ri,j∈{0,1}，θ(·)是heaviside函數。
28、所述步驟5)中引入了殘差塊，利用殘差學習提升網絡模型的性能：
29、mn＝mn-1+f(mn-1,{wn})
30、其中，mn和h(mn-1)是殘差學習塊的輸入和輸出，n是殘差學習塊中堆疊的層數，f(mn-1)為殘差映射函數，h(mn-1)＝f(mn-1)+mn-1為恒等映射函數。
31、所述步驟5)將原始squeezenet模型中的fire?module減少到4個，在第1個和第2個fire?module之間與在第3個和第4個fire?module之間構造出兩個殘差塊，完成模型改進。
32、所述步驟2)～5)中所采用方法順序為利用cs技術對原始信號壓縮重構，得到cs信號，將cs信號用通過遞歸編碼轉化為二維特征圖，結合改進的squeezenet模型進行故障分類。
33、本專利技術的有益效果是：本專利技術提供了一種基于壓縮感知和輕量級squeezenet模型的風電機組軸承故障診斷方法，所述方法通過構造離散余弦變化矩陣和伯努利矩陣有效地實現的信號壓縮問題，通過cosamp算法求解凸優化問題有效地實現了信號重構。去除數據冗余，得到干凈完整的信號，使得不同故障特征更加明顯。引入遞歸圖(rp)編碼技術將重構信號轉化為二維特征圖，解決了無法保留信號間時間信息的問題，同時冗余數據的去除減少了編碼過程的計算量。通過對squ本文檔來自技高網...
【技術保護點】
1.一種基于壓縮感知與輕量級SqueezeNet模型的風電機組軸承故障診斷方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于壓縮感知與輕量級SqueezeNet模型的風電機組軸承故障診斷方法，其特征在于：所述步驟2)中在對振動信號進行壓縮采集時，結合關研究，用離散余弦變化矩陣(DCT)對原始信號進行稀疏處理，使得原始信號x稀疏：
3.根據權利要求1所述的一種基于壓縮感知與輕量級SqueezeNet模型的風電機組軸承故障診斷方法，其特征在于：所述步驟3)中用CoSaMP算法求解凸優化問題，該算法在信號估計和更新支撐集方面從測量值中重構原始信號，得到干凈完整的信號。
4.根據權利要求1所述的一種基于壓縮感知與輕量級SqueezeNet模型的風電機組軸承故障診斷方法，其特征在于：所述步驟4)將步驟3)中所得到的干凈信號轉變成二維特征圖。將重構信號運用Takens嵌入定理，對延遲向量進行相空間重構及可視化，把時間序列x1,x2,…xn的時域空間變換到相空間：
5.根據權利要求1所述的一種基于壓縮感知與輕量級SqueezeNe
6.根據權利要求1所述的一種基于壓縮感知和輕量級SqueezeNet模型的風電機組軸承故障診斷方法，其特征在于：所述步驟5)將原始SqueezeNet模型中的fire?module減少到4個，在第1個和第2個fire?module之間與在第3個和第4個fire?module之間構造出兩個殘差塊，完成模型改進。
7.根據權利要求1所述的一種基于壓縮感知與輕量級SqueezeNet模型的風電機組軸承故障診斷方法，其特征在于：所述步驟2)～5)中所采用方法順序為利用CS技術對原始信號壓縮重構，得到CS信號，將CS信號用通過遞歸編碼轉化為二維特征圖，結合改進的SqueezeNet模型進行故障分類。
8.根據權利要求5所述的一種基于壓縮感知和輕量級SqueezeNet模型的風電機組軸承故障診斷方法，其特征在于：fire?module包括Squeeze層、Expand層和Concat層，實現模型的壓縮再擴展。在第1個和第2個fire?module之間與在第3個和第4個fire?module之間構造出兩個殘差塊，防止模型梯度消失和爆炸問題；同時，第2個和第4個fire?module直接學習到殘差，便于提升模型的泛化能力。
9.根據權利要求8所述的一種基于CS與輕量級SqueezeNet模型的風電機組軸承故障診斷方法，其特征在于：通過實驗與調優，設置不同殘差塊的數量檢驗模型的性能，本方法殘差塊的數量為2。
...【技術特征摘要】
1.一種基于壓縮感知與輕量級squeezenet模型的風電機組軸承故障診斷方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于壓縮感知與輕量級squeezenet模型的風電機組軸承故障診斷方法，其特征在于：所述步驟2)中在對振動信號進行壓縮采集時，結合關研究，用離散余弦變化矩陣(dct)對原始信號進行稀疏處理，使得原始信號x稀疏：
3.根據權利要求1所述的一種基于壓縮感知與輕量級squeezenet模型的風電機組軸承故障診斷方法，其特征在于：所述步驟3)中用cosamp算法求解凸優化問題，該算法在信號估計和更新支撐集方面從測量值中重構原始信號，得到干凈完整的信號。
4.根據權利要求1所述的一種基于壓縮感知與輕量級squeezenet模型的風電機組軸承故障診斷方法，其特征在于：所述步驟4)將步驟3)中所得到的干凈信號轉變成二維特征圖。將重構信號運用takens嵌入定理，對延遲向量進行相空間重構及可視化，把時間序列x1,x2,…xn的時域空間變換到相空間：
5.根據權利要求1所述的一種基于壓縮感知與輕量級squeezenet模型的風電機組軸承故障診斷方法，其特征在于：所述步驟5)中引入了殘差塊，利用殘差學習提升網絡模型的性能：
6.根據權利要求1所述的一種基于壓縮感知和輕量級squeezene...
【專利技術屬性】
技術研發人員：劉文藝，堅通明，曹建斌，程春，鐘佳浩，徐國慧，宋狄，
申請(專利權)人：江蘇師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。