基于残差网络的风电齿轮箱监测方法.pdf

《基于残差网络的风电齿轮箱监测方法.pdf》由会员分享，可在线阅读，更多相关《基于残差网络的风电齿轮箱监测方法.pdf（9页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910456857.7 (22)申请日 2019.05.29 (71)申请人 国电联合动力技术有限公司 地址 100039 北京市海淀区西四环中路16 号院1号楼 (72)发明人 褚景春袁凌张磊赵冰 郭俊涛潘磊于天笑 (74)专利代理机构 成都领航高智知识产权代理 有限公司 51285 代理人 王斌 (51)Int.Cl. G01M 13/021(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于残差网络。

2、的风电齿轮箱监测方法 (57)摘要 本发明提供一种基于残差网络的风电齿轮 箱的监测方法， 包括如下步骤： 搭建基于深度残 差网络的监控模型， 将监控模型植入FPGA板上， 根据智能相机采集的油温状态、 润滑状态、 齿轮 状态和轴承状态数据信息对风电齿轮箱状态进 行分析， 并将分析结果通过网络反馈至远程监控 中心。 本发明与现有技术相比具有检测的准确率 高， 结构简单， 使用方便， 实时性高， 为风电齿轮 箱的故障诊断和预警提供有效的支持。 权利要求书2页 说明书4页 附图2页 CN 110196160 A 2019.09.03 CN 110196160 A 1.一种基于残差网络的风电齿轮箱监控。

3、方法， 该监控方法依托的装置包括设置在齿轮 箱内的智能相机和FPGA板， 其特征在于， 包括如下步骤： 1)搭建基于深度残差网络的监控模型， 该监控模型的搭建方法如下： 1-1)搭建监控初始模型， 该初始模型包括卷积层、 池化层、 全连接层、 BN层、 softmax层 和损失层； 1-2)采用智能相机采集的历史数据形成训练集和验证集； 1-3)以损失函数最小为目标， 利用训练集对初始模型进行反复训练， 直至形成满足条 件的监控模型， 并采用验证集进行验证； 2)将步骤1-3)中得到的监控模型植入FPGA板上， 根据智能相机采集的油温状态、 润滑 状态、 齿轮状态和轴承状态数据信息对风电齿轮箱。

4、状态进行分析， 并将分析结果通过网络 反馈至远程监控中心。 2.根据权利要求1所述的基于残差网络的风电齿轮箱监控方法， 其特征在于， 所述卷积 层的计算方法为： l表示网络层数， k表示卷积核， Bl表示偏置向量，表示f层输出，表示l层输入， f 表示激励图数。 3.根据权利要求2所述的基于残差网络的风电齿轮箱监控方法， 其特征在于， 所述的激 励函数f为ReLU。 4.根据权利要求3所述的基于残差网络的风电齿轮箱监控方法， 其特征在于， 所述的池 化层的算法采用最大池化法， 最大值池化方法的计算公式为： l表示网络层数， Bl表示偏置向量，表示f层输出，表示l层输入， f表示激励函数。 5.。

5、根据权利要求4所述的基于残差网络的风电齿轮箱监控方法， 其特征在于， 所述的BN 层用于在神经网络的训练过程中对每层的输入数据增加标准化处理， 处理方法为： 式中， xi为输入，x为输入x的均值， x2为输入x的方差， 、 为正则项， 保证规则化后的 输出满足均值为0， 方差为1的标准高斯分布。 6.根据权利要求5所述的基于残差网络的风电齿轮箱监控方法， 其特征在于， 使用2层 的网络层数来学习残差。 7.根据权利要求6所述的基于残差网络的风电齿轮箱监控方法， 其特征在于， 所述的 softmax层softmax值Si的计算公式为： 权利要求书 1/2 页 2 CN 110196160 A 2。

6、 Si表示输入属于对应类别的概率， w表示序列。 8.根据权利要求7所述的基于残差网络的风电齿轮箱监控方法， 其特征在于， 所述的步 骤1-3)中损失函数的计算公式为： yi表示深度残差网络的输出， ai为目标输出， i为softmax层神经元数量。 9.根据权利要求8所述的基于残差网络的风电齿轮箱监控方法， 其特征在于， 所述的步 骤1-3)中深度残差网络的训练采用GPU进行训练， 训练完成后移植到FPGA上运行。 权利要求书 2/2 页 3 CN 110196160 A 3 一种基于残差网络的风电齿轮箱监测方法 技术领域 0001 本发明属于风力发电设备与技术监控领域， 主要涉及一种基于残。

7、差网络的风电齿 轮箱监测方法。 背景技术 0002 风力发电机组的变速齿轮箱是风力发电机组中故障率较高的子系统。 如果出现故 障停机， 从检修到恢复正常运行， 需要较长的时间。 如果在风速较好的时间段发生了故障停 机， 将大大影响风机的发电量， 从而给企业造成巨大的经济损失。 如果能在风机故障发生 时， 通过风电机组的状态监测技术， 对齿轮箱的运行进行监测和分析后快速找到故障原因， 确定检修方式， 将会大大提高风机的可利用率。 基于以上因素， 对风力发电机组的故障原因 进行快速准确的定位， 形成故障诊断机制， 对提高风电场运行的经济性和安全性有积极重 要的意义。 0003 传统的以温度、 振动。

8、传感器为主的监控系统无法将现场的图像数据传送回监控中 心， 无法让监控人员对异常情况进行分析和判别。 在恶劣的工作环境下， 误报率较高。 发明内容 0004 本发明的目的是针对现有技术的不足而设计的一种基于残差网络的风电齿轮箱 监控方法， 该监控方法依托的装置包括设置在齿轮箱内的智能相机和FPGA板， 监控方法包 括如下步骤： 0005 1)搭建基于深度残差网络的监控模型， 该监控模型的搭建方法如下： 0006 1-1)搭建监控初始模型， 该初始模型包括卷积层、 池化层、 全连接层、 BN层、 softmax层和损失层； 0007 1-2)采用智能相机采集的历史数据形成训练集和验证集； 000。

9、8 1-3)以损失函数最小为目标， 利用训练集对初始模型进行反复训练， 直至形成满 足条件的监控模型， 并采用验证集进行验证； 0009 2)将步骤1-3)中得到的监控模型植入FPGA板上， 根据智能相机采集的油温状态、 润滑状态、 齿轮状态和轴承状态数据信息对风电齿轮箱状态进行分析， 并将分析结果通过 网络反馈至远程监控中心。 0010 进一步的， 所述卷积层的计算方法为： 0011 0012l表示网络层数， k表示卷积核， Bl表示偏置向量，表示f层输出，表示l层输 入， f表示激励图数。 0013 进一步的， 所述的激励函数f为ReLU。 0014 进一步的， 所述的池化层的算法采用最大。

10、池化法， 最大值池化方法的计算公式为： 说明书 1/4 页 4 CN 110196160 A 4 0015 0016l表示网络层数， Bl表示偏置向量，表示f层输出，表示l层输入， f表示激励 函数。 0017 进一步的， 所述的BN层用于在神经网络的训练过程中对每层的输入数据增加标准 化处理， 处理方法为： 0018 0019 式中， xi为输入，x为输入x的均值， x2为输入x的方差， 、 为正则项， 保证规则化 后的输出满足均值为0， 方差为1的标准高斯分布。 0020 进一步的， 使用2层的网络层数来学习残差。 0021 进一步的， 所述的softmax层softmax值Si的计算公式。

11、为： 0022 0023 Si表示输入属于对应类别的概率， w表示序列。 0024 进一步的， 所述的步骤1-3)中损失函数的计算公式为： 0025 0026 yi表示深度残差网络的输出， ai为目标输出， i为softmax层神经元数量。 0027 进一步的， 所述的步骤1-3)中深度残差网络的训练采用GPU进行训练， 训练完成后 移植到FPGA上运行。 0028 本发明提供的基于残差网络的风电齿轮箱监控方法， 与传统的以温度、 振动传感 器为主的监控系统相比， 具有如下优势： 0029 有了现场的图像数据， 更有利于监控人员对异常情况进行分析和判别。 本发明所 述的算法， 检测速度快， 准。

12、确率高， 实时性强， 一旦发生故障能及时向监控中心发出提醒， 并 且故障信息和定位准确， 便于维修人员的调配， 有效地提高维修效率， 减少因变齿箱故障造 成的损失。 残差网络的应用， 有效的解决了较深的网络梯度消失问题， 让深度神经网络的发 展更深提供了可能。 且训练所得网络可在FPGA平台运行， 通用性更强， 使用范围大幅提升， 日后应用前景更广。 结构简单， 使用方便， 为齿轮箱状态进行可靠分析和研究提供可靠、 有 效的数据支持。 0030 附图说明书 0031 图1是深度残差网络建模流程图； 0032 图2是齿轮箱监控图； 0033 图3是智能监测运作流程图； 0034 图4是深度残差网。

13、络结构； 说明书 2/4 页 5 CN 110196160 A 5 具体实施方案 0035 下面结合附图对本发明进一步详细说明： 0036 实施例： 0037 1、 参阅图1， 本发明利用智能相机采集的历史图像数据训练好深度残差网络模型 后移植到FPGA上运行， 然后将实时采集的运行图像数据输入完成训练的残差网络模型中进 行分析和识别， 实现齿轮箱状态的智能监测。 本发明提供的基于残差网络的风电齿轮箱监 控方法， 包括如下步骤： 0038 1)搭建基于深度残差网络的监控模型， 该监控模型的搭建方法如下： 0039 1-1)搭建监控初始模型， 该初始模型包括卷积层、 池化层、 全连接层、 BN层。

14、、 softmax层和损失层； 0040 1-2)采用智能相机采集的历史数据形成训练集和验证集； 0041 1-3)以损失函数最小为目标， 利用训练集对初始模型进行反复训练， 直至形成满 足条件的监控模型， 并采用验证集进行验证； 0042 2)将步骤1-3)中得到的监控模型植入FPGA板上， 根据智能相机采集的油温状态、 润滑状态、 齿轮状态和轴承状态数据信息对风电齿轮箱状态进行分析， 并将分析结果通过 网络反馈至远程监控中心。 0043 2、 通过相机采集了风电齿轮箱运行时的3000张图片数据， 其中2400张数据作为训 练集， 600张数据作为验证集。 0044 3、 构建深度残差网络，。

15、 基于Keras构建， 后端引擎采用TensorFlow， 深度残差网络 的训练采用GPU进行训练， 所述的深度残差网络由积层、 池化层、 全连接层、 BN层、 softmax层 和损失层组成。 0045 所述的基于残差网络的风电齿轮箱监测方法， 使用2层的网络层数来学习残差。 如 果把网络设计为H(x)F(x)+x。 我们可以转换为学习一个残差函数F(x)H(x)-x， 只要F (x)0， 就构成了一个恒等映射H(x)x.而且， 拟合残差肯定更加容易。 这种残差学习结构 可以通过前向神经网络+shortcut连接实现， shortcut连接相当于简单执行了同等映射， 不 会产生额外的参数， 。

16、也不会增加计算复杂度。 而且， 整个网络可以依旧通过端到端的反向传 播训练。 其计算方法为： 0046 0047 卷积层具有稀疏连接、 权值共享、 池化及易于堆叠的特性， 从本质来看， 卷积层相 当于一系列可训练的滤波器， 输入数据通过卷积核过滤后得到富含局部细节特征的输出。 其计算公式为： 0048 0049l表示网络层数， k表示卷积核， Bl表示偏置向量，表示f层输出，表示l层输 入， f表示激励图数。 所述的激励函数f采用ReLU函数， 其表达式为： 0050 f(x)max(0,x) 0051 池化层用于对卷积后的数据进行缩放映射以减少数据维度， 能够防止过拟合； 本 说明书 3/4。

17、 页 6 CN 110196160 A 6 实施例采用了最大值池化方法， 计算公式为： 0052 0053l表示网络层数， Bl表示偏置向量，表示f层输出，表示l层输入， f表示激励 图数. 0054 BN层用于在神经网络的训练过程中对每层的输入数据增加标准化处理， 处理方法 为： 0055 0056 式中， xi为输入，x为输入x的均值， x2为输入x的方差， 、 为正则项， 保证规则化 后的输出满足均值为0， 方差为1的标准高斯分布。 0057 风电齿轮箱状态识别分类属于典型的多分类问题， 因此在网络最后添加softmax 层， Si表示softmax值， 计算公式： 0058 0059 。

18、Si表示输入属于对应类别的概率， softmax层的6个神经元将产生6个softmax值， 对应6个齿轮箱状态类型， 取最大值对应的类型即可实现多类分类 0060 4、 利用步骤12)的训练集对3构建的深度残差网络进行训练， 并判断是否达到损 失函数最小， 若判断结果为 “是” ， 则进入下一步， 如判断结果为 “否” ， 则重复步骤3， 继续训 练， 直至损失函数最小； 0061 采用误差反向传播算法训练深度残差网络， 损失函数采用交叉熵与L2正则项的组 合， 计算公式为： 0062 0063 yi表示深度残差网络的输出， ai为目标输出， i为softmax层神经元数量。 0064 5、 。

19、利用步骤12)的验证集， 对训练好的残差网络进行验证， 若性能符合要求， 则 利用训练好的深度残差网络对齿轮箱状态进行识别和分类。 0065 实验中迭代次数40000次， 每迭代10000次， 调整一下学习率， 经验证， 检测准确率 高达99， 并且速度为40.5FPS/(fs-1)。 且训练完成后， 能在FPGA平台能完美运行。 0066 可见， 凭借深度残差网络强大的学习能力， 本发明所提出的深度残差网络对有着 较好的状态分析能力， 且速度快， 准确率高。 0067 6.本发明所述的相机附着于齿轮箱内， 实时采集油温状态、 润滑状态、 齿轮状态、 轴承状态的图像数据， 输入到训练好的深度残差网络中进行识别， 分析出结果， 若检测出有 不正常结果， 则发送信号至监控中心， 进行预警。 说明书 4/4 页 7 CN 110196160 A 7 图1 图2 说明书附图 1/2 页 8 CN 110196160 A 8 图3 图4 说明书附图 2/2 页 9 CN 110196160 A 9 。