2025年04月03日 星期四 首页   |    期刊介绍   |    编 委 会   |    投稿指南   |    期刊订阅   |    统合信息   |    联系我们
计量学报  2021, Vol. 42 Issue (5): 615-622    DOI: 10.3969/j.issn.1000-1158.2021.05.12
  力学计量 本期目录 | 过刊浏览 | 高级检索 |
基于多种小波变换的一维卷积循环神经网络的风电机组轴承故障诊断
陈维兴1,崔朝臣1,李小菁1,赵卉2
1.中国民航大学,天津 300300
2.中国人民解放军 31439部队,辽宁 沈阳 110000
Bearing Fault Diagnosis of Wind Turbine Based on Multi-wavelet-1D Convolutional LSTM
CHEN Wei-xing1,CUI Chao-chen1,LI Xiao-jing1,ZHAO Hui2
1. Civil Aviation University of China, Tianjin 300300, China
2. 31439 Troops of the Chinese Peoples Liberation Army, Shenyang, Liaoning 110000, China
全文: PDF (3019 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 为解决在复杂工况下风力发电机组轴承故障诊断虚警率高的问题,提出一种端到端的混合深度学习框架——基于多种小波变换的一维卷积循环神经网络。首先,通过多种小波变换得到多个时-频矩阵,以充分提取信号特征;再通过一种扩展的LSTM,对多通道时-频矩阵不同时间步信息进行提取,捕获时-频数据时空特征;最后,通过全局池化层和分类层对故障状态进行分类。实验结果表明:在复杂工况下,多种小波变换的一维卷积循环神经网络对风力发电机组轴承故障识别率能够达到95%以上。
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
陈维兴
崔朝臣
李小菁
赵卉
关键词 计量学;滚动轴承;风力发电机组故障诊断;多种小波变换;一维卷积循环神经网络    
Abstract:To solve the problem of high false alarm rate of wind turbine bearing fault diagnosis under complex conditions, an end-to-end hybrid deep learning framework is proposed. One-dimensional convolutional recurrent neural network based on multiple wavelet transforms (multi-wavelet-1D Convolutional LSTM, Mw-1DConvLSTM). Firstly, multiple time-frequency maps are obtained by multiple wavelet transforms to fully extract the signal features. Then, an extended LSTM is used to extract different time step information of multi-channel time-frequency maps, and time-space characteristics of time-frequency data are captured. Finally, the fault state is classified by the global pooling layer and the classification layer. The test results show that under complex conditions, Mw-1DConvLSTM can achieve more than 95% fault identification of wind turbine bearing faults.
Key wordsmetrology;rolling bearing    wind turbine    fault diagnosis    multiple wavelet transforms    multi-wavelet-1D convolutional LSTM
收稿日期: 2019-08-18      发布日期: 2021-05-24
PACS:  TB936  
  TB973  
基金资助:国家自然科学基金民航联合研究基金(U1433107); 中央高校基本科研业务中国民航大学专项基金(3122017041,3122018D009)
通讯作者: 崔朝臣(1991-),男,河北邢台人,中国民航大学在读硕士研究生,主要研究方向为故障诊断和计算机算法。Email: 944901746@qq.com     E-mail: 944901746@qq.com
作者简介: 陈维兴(1981-),男,天津人,中国民航大学副教授,主要从事智能仪表技术和故障诊断方面研究。Email: cw007x130@vip.163.com
引用本文:   
陈维兴,崔朝臣,李小菁,赵卉. 基于多种小波变换的一维卷积循环神经网络的风电机组轴承故障诊断[J]. 计量学报, 2021, 42(5): 615-622.
CHEN Wei-xing,CUI Chao-chen,LI Xiao-jing,ZHAO Hui. Bearing Fault Diagnosis of Wind Turbine Based on Multi-wavelet-1D Convolutional LSTM. Acta Metrologica Sinica, 2021, 42(5): 615-622.
链接本文:  
http://jlxb.china-csm.org:81/Jwk_jlxb/CN/10.3969/j.issn.1000-1158.2021.05.12     或     http://jlxb.china-csm.org:81/Jwk_jlxb/CN/Y2021/V42/I5/615
京ICP备:14006989号-1
版权所有 © 《计量学报》编辑部
地址:北三环东路18号(北京1413信箱)  邮编:100029 电话:(010)64271480
本系统由北京玛格泰克科技发展有限公司设计开发  技术支持:support@magtech.com.cn