(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111419742.4 (22)申请日 2021.11.26 (65)同一申请的已公布的文献号 申请公布号 CN 114112399 A (43)申请公布日 2022.03.01 (73)专利权人 江南大学 地址 214122 江苏省无锡市滨湖区蠡湖大 道1800号 (72)发明人 吴定会　唐丹丹　沈艳霞　潘庭龙　 张文峰　 (74)专利代理 机构 无锡华源专利商标事务所 (普通合伙) 32228 专利代理师 崔婕 (51)Int.Cl. G01M 13/045(2019.01)G06F 30/27(2020.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (56)对比文件 CN 112561097 A,2021.0 3.26 CN 112254964 A,2021.01.2 2 CN 113567130 A,2021.10.2 9 CN 112101532 A,2020.12.18 CN 113567159 A,2021.10.2 9 CN 113465920 A,2021.10.01 US 2020209109 A1,2020.07.02 审查员 朱亚雄 (54)发明名称 一种风电机组轴承的联合故障诊断系统及 故障诊断方法 (57)摘要 本发明公开了一种风电机组轴承的联合故 障诊断系统及故障诊断方法， 系统包括云端和多 个设备端， 设备端安装于每个风电机上， 包括传 感器和控制器， 传感器采集风电机组轴承的振动 数据并发送至设备端控制器， 控制器上存储着卷 积神经网络模块， 负责进行故障诊断； 每个设备 端控制器上的卷积神经网络模块经过训练后， 将 设备端卷积神经网络的参数上传至云端， 云端通 过加权平均的方法进行参数优化， 并将优化后的 参数发送至设备端控制器； 通过云端和设备端的 多轮通信， 更新设备端控制器的卷积神经网络参 数， 优化设备端的卷积神经网络故障诊断模型。 本发明将故障诊断的重心由云端转移到风电机 组的设备端， 达到对风电机组进行并行快速的故 障诊断。 权利要求书3页 说明书6页 附图2页 CN 114112399 B 2022.12.02 CN 114112399 B 1.风电机组轴承的联合故障诊断系统， 包括云端和与云端通信的多个设备端， 其特征 是， 所述设备端安装于每个风电机上， 包括互相连接的传感器和控制器， 传感器负责实时采 集风电机组轴承的振动数据并发送至设备端控制器， 控制器上存储着卷积神经网络模块， 负责进行故障诊断； 每个设备端控制器上 的卷积神经网络模块经过训练后， 将设备端卷积 神经网络的参数上传至云端， 云端通过加权平均的方法进行参数优化， 并将优化后的参数 发送至设备端控制器； 通过云端和设备端的多轮通信， 更新设备端控制 器的卷积神经网络 参数， 当损失函数收敛时停止通信， 得到设备端优化的卷积神经网络故障诊断模型； 每个风电机组设备端参与训练的历史数据均设置为独立同分布， 且故障类型齐全， 故 障状态至少包括： 外圈故障、 内圈故障、 滚动体故障和正常状态， 每一种状态的概率相同， 每 一种状态用一个标签值表示； 每个风电机组 的设备端控制器都存储着结构相同的卷积神经网络模块， 运行卷积神经 网络故障诊断模 型， 卷积神经网络的结构包括卷积层、 池化层、 全连接层和softmax输出层； 设备端卷积神经网络的训练过程包括: 步骤2.1:数据预处理： 首先将采集到的振动数据划分为采样点个数为N的样本； 然后采 用小波包分解对样本进行处理： 假设小波包分解的分解层数为q,则第q层分解树分解后可 得到2q个节点， 每个节点上的小波包系数个数为N/2q， 每个小波包系数的采样点个数为N/ 2q， 得到 大小的二维时频图； 步骤2.2:前向传播： 将时频图输入到卷积神经网络中进行前向传播； 设卷积神经网络 的输入样本为x， y为样本对应的真实标签， softmax分类器得到的分类标签为预测标签Y， Wk (k＝1,2,...K)为第k个参与训练的卷积神经网络卷积层和 池化层的参数， 一共有K个风电 机组的设备端参与故障诊断， 样本的分类损失L(x,y,Wk)表示为: 其中,ns为样本数量， pi,j表示第i个样本预测标签为j的后验概率， yi,j表示样本的指示 变量， 当预测标签的值 等于真实标签时， yi,j＝1， 否则yi,j＝0； 步骤2.3:在反向传播阶段， 采用随机梯度下降法更新卷积神经网络的参数； 随机梯度 下降法的参数 更新公式为： 其中， Lobject＝minL(x,y,Wk)是随机梯度下降法的目标函数， η为学习率； 步骤2.4:重复进行步骤2.1～2.3， 当训练次数达到设定的最大训练次数时， 风电机组 设备端完成卷积神经网络的训练。 2.如权利要求1所述的风电机组轴承的联合故障诊断系统， 其特征是， 采集的风电机组 轴承的振动数据包括:轴承在正常状态、 外圈故障状态、 内圈故障状态、 滚动体故障状态下 的振动数据。 3.如权利要求1所述的风电机组轴承的联合故障诊断系统， 其特征是， 所述设备端的传 感器采用加速度传感器， 布置在风电机组轴承驱动端， 振动数据的值为加速度传感器测得权　利　要　求　书 1/3 页 2 CN 114112399 B 2的振动加速度。 4.如权利要求1所述的风电机组轴承的联合故障诊断系统， 其特征是， 根据不同的故障 损伤直径， 外圈故障、 内圈故障和滚动体故障可再细分为不同故障状态， 每一种故障状态与 正常状态的概 率相同， 每一种状态用一个标签值表示。 5.如权利要求1所述的风电机组轴承的联合故障诊断系统， 其特征是， 云端进行参数优 化的方法包括以下步骤： 步骤3.1： 将设备端训练完成的参数 聚合到云端， 表示第r轮通信下第 k个风电机 组的卷积神经网络参数， 云端采用加权平均法更新设备端的参数 公式表示如下： 其中， Ndata表示所有参与训练的风电机组样本数， 表示在第k个风电机组参与训练 的样本数， 表示云端聚合后的全局参数； 步骤3.2： 云端将 返回给所有的设备端控制器， 更新设备端控制器的卷积神经网 络参数， 完成第r轮通信。 6.如权利要求5所述的风电机组轴承的联合故障诊断系统， 其特征是， 云端需要计算在 参数更新至 时， 设备端的损失函数 当所有风电机 组设备端的损失 函数之和 收敛时， 得到优化的卷积神经网络故障诊断模型； 否则重复进行云端和设 备端的下一轮的通信， 继续更新设备端控制器的卷积神经网络参数， 直至 收敛。 7.一种风电机组轴承的联合故障诊断方法， 其特 征是， 包括以下步骤： 步骤1： 在每个风电机组的设备端控制器构建结构相同的卷积神经网络故障诊断模型， 通过设置在设备端的加速度传感器实时采集每个风电机组轴承的振动数据至设备端控制 器； 步骤2： 训练设备端的故障诊断模型： 输入步骤1采集的振动数据到设备端上的卷积神 经网络， 经过训练后， 得到各个设备端控制器上卷积神经网络的参数； 每个风电机组设备端 参与训练的历史数据均设置为独立同分布， 且故障类型齐全， 故障状态至少包括： 外圈故 障、 内圈故障、 滚动体故障和正常状态， 每一种状态的概率相同， 每一种状态用一个标签值 表示； 每个风电机组 的设备端控制器都存储着结构相同的卷积神经网络模块， 运行卷积神经 网络故障诊断模 型， 卷积神经网络的结构包括卷积层、 池化层、 全连接层和softmax输出层； 设备端卷积神经网络的训练过程包括: 步骤2.1:数据预处理： 首先将采集到的振动数据划分为采样点个数为N的样本； 然后采 用小波包分解对样本进行处理： 假设小波包分解的分解层数为q,则第q层分解树分解后可 得到2q个节点， 每个节点上的小波包系数个数为N/2q， 每个小波包系数的采样点个数为N/ 2q， 得到 大小的二维时频图；权　利　要　求　书 2/3 页 3 CN 114112399 B 3