(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 202210449533.2 (22)申请日 2022.04.27 (65)同一申请的已公布的文献号 申请公布号 CN 114548190 A (43)申请公布日 2022.05.27 (73)专利权人 西安易诺敬业电子科技有限责任 公司 地址 710000 陕西省西安市高新区科技 二 路西安软件园唐乐阁F座 401 (72)发明人 赵延南　胡俊　冯泳　张伟　 庄可佳　余建峰　邹立　支峰　 张蔚　张涛　付豫民　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 专利代理师 韩晓娟(51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01M 13/045(2019.01) (56)对比文件 CN 111351665 A,2020.0 6.30 CN 113705407 A,2021.1 1.26 审查员 丁园园 (54)发明名称 一种基于自适应残差神经网络的风力涡轮 机故障诊断方法及装置 (57)摘要 本发明公开了一种基于自适应残差神经网 络的风力涡 轮机故障诊断方法， 涉及风电机组设 备故障诊断技术领域。 其包括： 采用连续小波变 换， 对原始数据集中每个样本进行时频处理； 将 二维时频图数据集输入至自适应resiz e网络中， 获得低维抽象特征； 将低维抽象特征输入至基于 LeNet‑5网络结构搭建的残差网络中， 获得联合 训练后的自适应resiz e残差神经网络模型； 将风 力涡轮机轴承的实际振动数据输入至自适应 resize残差神经网络模型中， 获得故障分类结 果。 本发明通过将振动信号转换为时频图， 充分 发挥了卷积神经网络强大的图像特征学习能力， 通过建立自适应resiz e网络模块， 有效降低数据 维度， 大大提升了模型的训练效率。 权利要求书4页 说明书10页 附图6页 CN 114548190 B 2022.08.30 CN 114548190 B 1.一种基于自适应残差神经网络的风力涡轮机故障诊断方法， 其特 征在于， 包括： 获取风力涡轮机轴承在加速退化过程中的振动数据， 将振动数据切分为相同长度样 本， 并将当前轴承健康状态作为样本标签， 生成原 始数据集； 采用连续小 波变换， 对原 始数据集中每 个样本进行时频处 理， 生成二维时频图数据集； 将二维时频图数据集输入至自适应resize网络中， 获得低维抽象特征； 其中， 所述自适 应resize网络有两个模块： 残差块和直接映射部分， 所述直接映射部分通过自学习来降低 输入图像的维数； 将低维抽象特征输入至基于LeNet ‑5网络结构搭建的残差网络中， 获得联合训练后的 自适应resize残差神经网络模型； 将风力涡轮机轴承的实际振动数据输入至自适应resize残差神经网络模型中， 获得故 障分类结果； 所述自适应resize残差神经网络模型， 包括： f(x)＝fresidual(fresize(x, θresize), θresidual) 式中， fresize(·)和fresidual(·)分别为自适应resize网络模块与残差网络模块， θresize 和 θresidual分别为对应模块的参数； 对于分类任务， 所述自适应resize残差神经网络模型使用soft ‑max函数实现对样本数 据的故障预测， 预测过程表述 为： 式中， θi为输出层参数， t为故障类别总数，  f(x, θi)表示soft ‑max分类层， P为条件概率 函数； y为数据x的类别标签； θj为对应第j个样本参数； 所述自适应resize网络， 包括： 卷积层： 式中， Kw,h是卷积核， 也称形状尺寸为m ×m的权重矩阵， 卷积核与第i个输入数据ci进行 卷积运算获得卷积层的输出 结果； w， h为赋值索引； Co nv2d()为卷积函数； 批次归一 化层： 式中， E[s]和Var[s]为输入数据s的均值和方差， ε为无穷小数； γ和β 分别为尺度因子 和平移因子； Batc hNorm()为批次归一 化函数； ReLu激活层： 式中， z为激活层的输入数据； ReLu()为激活函数。 2.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法， 其特征 在于， 还包括：权　利　要　求　书 1/4 页 2 CN 114548190 B 2使用直方图均衡化算法， 增强时频图数据集中的图像对比度， 获得新的二维时频图数 据集。 3.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法， 其特征 在于， 所述原 始数据集的确定， 包括： 使用加速度传感器采集不同故障类型轴承的加速退化振动信号， 每隔1024个采样点对 信号进行切分， 生成统一尺寸的样本数据； 从每种故障类型的数据样本中选取200个样本， 且选择320个样本构成原始数据集； 并 对原始数据集中每种类型的数据按4： 1切分为训练集和 测试集； 其中， 所述原 始数据集D的表达式为： D＝{xiR×1,yi}(i＝1,...,n) 式中， n为样本总数， xi为第i个样本， R＝1024为样本维度， yi∈[1,N]为第i个样本对应 的标签， N 为轴承健康类型总数。 4.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法， 其特征 在于， 所述采用连续小波变换， 对原始数据集中每个样本进 行时频处理， 生成二维时频图数 据集， 具体包括： 确定子小波函数， 其定义公式为： 式中， ψa,b(t)为小波基函数， a和b分别为伸缩因子和平移因子， 当a和b有不 同的值时， 即生成不同尺度的子小 波函数； 对于输入数据x(t)的平方 可积特性， 使用连续小 波变换进行 数据处理， 该过程表述 为： 此时的a和b为连续变量， x(t)在不同尺度子小波函数作用下生成小波系数矩阵Wx(a, b)， 以图像的方式显示即为时频图； ψ ′()为 ψa,b()的导数。 5.如权利要求2所述的基于自适应残差神经网络的风力涡轮机故障诊断方法， 其特征 在于， 所述使用直方图均衡化算法， 增强时频图数据集中的图像对比度， 获得新的二 维时频 图数据集f(DA)， 具体包括： 式中， HA(D)为图像A的直方图分布， D为像 素点的灰度值， f( ·)为非线性函数； 对于生成 的RGB时频图， 分别将每个通道的灰度值进行直方图均衡化， 然后合成新的RGB图像； DA为图 像A的所有像素点灰度值 集合； A0为图像A的像素点个数。 6.如权利要求1所述的基于自适应残差神经网络的风力涡轮机故障诊断方法， 其特征 在于， 对所述自适应resize残差神经网络模 型进行训练时， 采用交叉熵作为损失函数J(w)， 相应的公式为： 式中， T为标签 类别数， yn和 分别为真实标签和预测标签。权　利　要　求　书 2/4 页 3 CN 114548190 B 3