一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备

1.本发明涉及故障诊断领域，具体涉及一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备。


背景技术：

2.近年来，随着全球生态环境的恶化和化石燃料的逐渐枯竭，风能作为一种清洁环保的可再生能源，因其污染小且不会产生排放物或危险废物而被大力发展。风电场一般位于偏远山区或近海地区，交通不便，大量风力发电机分散布置，远离控制中心，处于恶劣的工作环境中，受到不断变化的不可控因素的影响，使得风电机组故障的发生率高。
3.风电场的风电齿轮箱是风电机组的关键部件之一，它是决定风电机组使用寿命和运维成本的关键所在，而故障诊断技术的使用有效降低了故障发生率，对风电齿轮箱的安全和正常运行起着重要作用。
4.目前深度学习作为风电齿轮箱故障诊断的重要手段，获得了大量可靠的研究成果。但存在致力于数据处理、特征提取、特征分类等单一模块的优化的问题，使得存在模型纠缠、模式识别和损伤预测的综合问题，故障诊断精度低，模型泛化性弱。


技术实现要素：

5.针对现有技术中存在的上述问题，本发明提供一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备，通过源域和目标域多源数据的处理及融合，提高了故障诊断的精度，且提高了故障诊断系统的泛化性。
6.一种风电齿轮箱的跨域故障诊断方法，包括步骤：
7.a，获取风电齿轮箱源域和目标域的状态数据；
8.b，进行域内故障诊断，对获取的风电齿轮箱源域和目标域的状态数据依次进行特征提取和特征分类，并对特征提取和特征分类的结果进行特征鉴别，以得到风电齿轮箱域内故障诊断的数据，所述风电齿轮箱域内故障诊断的数据包括源域故障诊断数据和目标域故障诊断数据；
9.c，进行统一故障诊断，对得到的风电齿轮箱域内故障诊断的数据分别进行健康情况分类、域分类以及对比学习的处理，以得到风电齿轮箱统一故障诊断的数据。进行健康情况分类为了最小化源域数据与目标域数据之间的分布差异，即同类故障的类内距离，进行域分类为了最小化域间差异，进行对比学习为了最大化类间距离。
10.作为一种优选的实施方式，步骤a中，所述状态数据包括风电场状态数据以及风电齿轮箱状态数据。所述风电场状态数据包括高维度的翼形几何、流速场、温度场以及压力场信息，所述风电齿轮箱状态数据包括振动加速度、振声、温度、湿度、噪声和振动信息。获取多形态、多响应的状态数据目的是对风电齿轮箱的失效状态进行定性定量的分析。
11.作为一种优选的实施方式，步骤b中，所述状态数据在进行特征分类前，还对特征提取后的数据结构进行优化，生成状态数据的权重，所述状态数据的权重与特征提取后的
数据一起进行特征分类，并对生成的权重结果进行特征鉴别。
12.作为一种优选的实施方式，步骤b中，所述特征鉴别为对特征提取、权重生成以及特征分类的输出结果是否准确进行判断，若准确，则完成域内故障诊断，若不准确，则返回重复执行步骤b。
13.作为一种优选的实施方式，步骤c中，对健康情况分类、域分类以及对比学习分别设置相应的自适应因子，所述健康情况分类、域分类以及对比学习的自适应因子与相应的参数一起组成自适应耦合损失因子，所述自适应耦合损失因子在故障诊断中进行参数更新，记为loss，计算式为：
14.loss＝λlm+αld+μl
cl
15.其中，lm表示健康情况分类的自适应因子，λ表示健康情况分类的自适应因子的参数，ld表示域分类的自适应因子，α表示域分类的自适应因子的参数，l
cl
表示对比学习的自适应因子，μ表示对比学习的自适应因子的参数。避免域分布差异对齐项、对抗性域分类器以及对比估计项出现损失值过大或局部最优的问题。
16.作为一种优选的实施方式，在执行步骤c后，将统一故障诊断的数据作为下一次故障诊断中的风电齿轮箱源域的状态数据。
17.一种风电齿轮箱的跨域故障诊断系统，基于上述一种风电齿轮箱的跨域故障诊断方法，包括依次连接的特征提取器、分类器以及鉴别器，鉴别器还与特征提取器连接，跨域故障诊断系统还包括健康情况分类器、域分类器、对比学习器以及自适应器，鉴别器与自适应器均与健康情况分类器、域分类器以及对比学习器连接；
18.特征提取器：用于对获取的风电齿轮箱源域和目标域的状态数据进行特征提取；分类器：用于对输入的数据进行特征分类；鉴别器：用于对输入的数据进行特征鉴别，以得到风电齿轮箱域内故障诊断的数据；健康情况分类器：用于对得到的风电齿轮箱域内故障诊断的数据进行健康情况分类处理；域分类器：用于对得到的风电齿轮箱域内故障诊断的数据进行域分类处理；对比学习器：用于对得到的风电齿轮箱域内故障诊断的数据进行对比学习处理；自适应器：用于对健康情况分类、域分类以及对比学习的自适应因子进行参数调节，以得到风电齿轮箱统一故障诊断的数据。
19.作为一种优选的实施方式，还包括权重生成器，所述权重生成器分别与特征提取器、分类器以及鉴别器连接；权重生成器：用于对特征提取后的数据结构进行优化，生成状态数据的权重，所述状态数据的权重与特征提取后的数据一起进行特征分类，并对生成的权重结果进行特征鉴别。
20.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述的跨域故障诊断方法。
21.一种电子设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行上述的跨域故障诊断方法。
22.本发明的有益技术效果包括：
23.1.通过风电齿轮箱源域和目标域的多源状态数据的特征提取、权重生成以及特征分类，提高了跨域故障诊断的精度，且提高了故障诊断系统的泛化性，解决了模型纠缠、模式识别和损伤预测的综合问题。
means聚类分析，获得与状态级别数量相对应的特征剪影系数，构建出状态分类器，根据聚类结果，将风力发电机wtg的运行状态级别分为四类：良好v1、注意v2、异常v3和故障v4。
36.步骤c，进行统一故障诊断，对得到的风电齿轮箱域内故障诊断的数据分别进行健康情况分类、域分类以及对比学习的处理，以得到风电齿轮箱统一故障诊断的数据，为了避免局部最优，对健康情况分类、域分类以及对比学习分别设置相应的自适应因子。
37.健康情况分类、域分类以及对比学习的自适应因子与相应的参数一起组成自适应耦合损失因子，所述自适应耦合损失因子在故障诊断中进行参数更新，记为loss，计算式为：
38.loss＝λlm+αld+μl
cl
39.其中，lm表示健康情况分类的自适应因子，λ表示健康情况分类的自适应因子的参数，ld表示域分类的自适应因子，α表示域分类的自适应因子的参数，l
cl
表示对比学习的自适应因子，μ表示对比学习的自适应因子的参数。
40.健康情况分类，源域和目标域的特征服从相同或相似的概率分布，应用最大平均差异mmd、多核最大平均差异性mk-mmd、多项式核最大平均差异pk-mmd等度量指标，最小化源域数据与目标域数据之间的分布差异，并使距离最小化。
41.域分类，应用二元交叉熵作为损失函数。
42.对比学习，考虑相近似工况下，跨域数据分布边界的可辨识性低的问题，应用归一化温度尺度交叉熵损失，量化由故障机制相似性引起的故障数据分布的相似性，增大不同类别样本之间的距离，降低样本在边界上或边界附近被分类的概率，减少每个类边界附近的样本数量，减少相近似下的健康状况的样本概率分布距离，从而提高目标域诊断性能。
43.在执行步骤c得到跨域故障诊断的数据后，对得到的数据进行卷积处理。对输出概率分布作为目标。关注输出，以输出作为目标，卷积核修剪去除冗余数据，实现轻量化要求，知识蒸馏提高故障诊断的精度。
44.进一步地，在执行步骤c后，将统一故障诊断的数据作为下一次故障诊断中的风电齿轮箱源域的状态数据。
45.诊断出风电齿轮箱的故障之后，可以采取相应的维护行为，包括：更换部件、停机维护、运行维护、继续运行等决策。本实施例提出的一种基于跨域诊断的风电齿轮箱故障诊断方法，可以控制风电机组或风电机组集群故障的蔓延，延长风电机组的使用寿命，提高风电场的经济效益，具有较高的工程应用价值。
46.实施例二：
47.参照图2，一种风电齿轮箱的跨域故障诊断系统，基于实施例一提出的一种风电齿轮箱的跨域故障诊断方法，包括依次连接的特征提取器、权重生成器、分类器以及鉴别器，分类器还与特征提取器连接，鉴别器还分别与特征提取器、权重生成器连接，跨域故障诊断系统还包括健康情况分类器、域分类器、对比学习器以及自适应器，鉴别器与自适应器均与健康情况分类器、域分类器以及对比学习器连接。
48.特征提取器：用于对获取的风电齿轮箱源域和目标域的状态数据进行特征提取；权重生成器：用于对特征提取后的数据结构进行优化，生成状态数据的权重，所述状态数据的权重与特征提取后的数据一起进行特征分类，并对生成的权重结果进行特征鉴别；分类器：用于对输入的数据进行特征分类；鉴别器：用于对输入的数据进行特征鉴别，以得到风
电齿轮箱域内故障诊断的数据。
49.健康情况分类器：用于对得到的风电齿轮箱域内故障诊断的数据进行健康情况分类处理；域分类器：用于对得到的风电齿轮箱域内故障诊断的数据进行域分类处理；对比学习器：用于对得到的风电齿轮箱域内故障诊断的数据进行对比学习处理；自适应器：用于对健康情况分类、域分类以及对比学习的自适应因子进行参数调节，以得到风电齿轮箱统一故障诊断的数据。
50.实施例三：
51.一种计算机可读存储介质，存储有计算机指令，计算机指令用于使计算机执行如实施例一提出的跨域故障诊断方法。
52.实施例四：
53.一种电子设备，包括存储器和处理器，存储器和处理器之间互相通信连接，存储器存储有计算机指令，处理器通过执行计算机指令，从而执行如实施例一提出的跨域故障诊断方法。
54.以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。

技术特征：
1.一种风电齿轮箱的跨域故障诊断方法，其特征在于，包括步骤：a，获取风电齿轮箱源域和目标域的状态数据；b，进行域内故障诊断，对获取的风电齿轮箱源域和目标域的状态数据依次进行特征提取和特征分类，并对特征提取和特征分类的结果进行特征鉴别，以得到风电齿轮箱域内故障诊断的数据，所述风电齿轮箱域内故障诊断的数据包括源域故障诊断数据和目标域故障诊断数据；c，进行统一故障诊断，对得到的风电齿轮箱域内故障诊断的数据分别进行健康情况分类、域分类以及对比学习的处理，以得到风电齿轮箱统一故障诊断的数据。2.根据权利要求1所述的一种风电齿轮箱的跨域故障诊断方法，其特征在于，步骤a中，所述状态数据包括风电场状态数据以及风电齿轮箱状态数据。3.根据权利要求1所述的一种风电齿轮箱的跨域故障诊断方法，其特征在于，步骤b中，所述状态数据在进行特征分类前，还对特征提取后的数据结构进行优化，生成状态数据的权重，所述状态数据的权重与特征提取后的数据一起进行特征分类，并对生成的权重结果进行特征鉴别。4.根据权利要求3所述的一种风电齿轮箱的跨域故障诊断方法，其特征在于，步骤b中，所述特征鉴别为对特征提取、权重生成以及特征分类的输出结果是否准确进行判断，若准确，则完成域内故障诊断，若不准确，则返回重复执行步骤b。5.根据权利要求1所述的一种风电齿轮箱的跨域故障诊断方法，其特征在于，步骤c中，对健康情况分类、域分类以及对比学习分别设置相应的自适应因子，所述健康情况分类、域分类以及对比学习的自适应因子与相应的参数一起组成自适应耦合损失因子，所述自适应耦合损失因子在故障诊断中进行参数更新，记为loss，计算式为：loss＝λl
m
+αl
d
+μl
cl
其中，l
m
表示健康情况分类的自适应因子，λ表示健康情况分类的自适应因子的参数，l
d
表示域分类的自适应因子，α表示域分类的自适应因子的参数，l
cl
表示对比学习的自适应因子，μ表示对比学习的自适应因子的参数。6.根据权利要求5所述的一种风电齿轮箱的跨域故障诊断方法，其特征在于，在执行步骤c后，将统一故障诊断的数据作为下一次故障诊断中的风电齿轮箱源域的状态数据。7.一种风电齿轮箱的跨域故障诊断系统，基于权利要求1至6任一项所述的一种风电齿轮箱的跨域故障诊断方法，其特征在于，包括依次连接的特征提取器、分类器以及鉴别器，鉴别器还与特征提取器连接，跨域故障诊断系统还包括健康情况分类器、域分类器、对比学习器以及自适应器，鉴别器与自适应器均与健康情况分类器、域分类器以及对比学习器连接；特征提取器：用于对获取的风电齿轮箱源域和目标域的状态数据进行特征提取；分类器：用于对输入的数据进行特征分类；鉴别器：用于对输入的数据进行特征鉴别，以得到风电齿轮箱域内故障诊断的数据；健康情况分类器：用于对得到的风电齿轮箱域内故障诊断的数据进行健康情况分类处理；域分类器：用于对得到的风电齿轮箱域内故障诊断的数据进行域分类处理；对比学习器：用于对得到的风电齿轮箱域内故障诊断的数据进行对比学习处理；
自适应器：用于对健康情况分类、域分类以及对比学习的自适应因子进行参数调节，以得到风电齿轮箱统一故障诊断的数据。8.根据权利要求7所述的一种风电齿轮箱的跨域故障诊断系统，其特征在于，还包括权重生成器，所述权重生成器分别与特征提取器、分类器以及鉴别器连接；权重生成器：用于对特征提取后的数据结构进行优化，生成状态数据的权重，所述状态数据的权重与特征提取后的数据一起进行特征分类，并对生成的权重结果进行特征鉴别。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-7任一项所述的跨域故障诊断方法。10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-7任一项所述的跨域故障诊断方法。

技术总结
本发明涉及故障诊断领域，具体涉及一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备。一种风电齿轮箱的跨域故障诊断方法，包括步骤：A，获取风电齿轮箱源域和目标域的状态数据；B，进行域内故障诊断，对获取的风电齿轮箱源域和目标域的状态数据依次进行特征提取、权重生成以及特征分类，并对结果进行特征鉴别，以得到风电齿轮箱域内故障诊断的数据；C，进行统一故障诊断，对得到的风电齿轮箱域内故障诊断的数据分别进行健康情况分类、域分类以及对比学习的处理，以得到风电齿轮箱统一故障诊断的数据。以最小化域间差异、边际分布差异、同类故障的类内距离，最大化类间距离，从而实现风电齿轮箱失效故障的精准检测与跨域诊断。电齿轮箱失效故障的精准检测与跨域诊断。电齿轮箱失效故障的精准检测与跨域诊断。


技术研发人员：马泽鹏 柴昊祺 张立彬 傅雷
受保护的技术使用者：浙江工业大学
技术研发日：2023.05.29
技术公布日：2023/8/13