DOI：10.19912/j.0254-0096.tynxb.2022-0085 文章編號(hào)：0254-0096（2023）06-0367-07

摘 要：針對(duì)風(fēng)電機(jī)組運(yùn)行工況復(fù)雜，實(shí)際采集的振動(dòng)信號(hào)存在分布差異，導(dǎo)致故障診斷模型的分類效果偏低問(wèn)題，提出一種具有多核領(lǐng)域適應(yīng)（MKDA）的多尺度卷積神經(jīng)網(wǎng)絡(luò)（MSCNN）風(fēng)電機(jī)組軸承故障診斷研究方法（MKDA-MSCNN）。該方法通過(guò)遷移理論將已知風(fēng)電機(jī)組知識(shí)遷移至目標(biāo)風(fēng)電機(jī)組實(shí)現(xiàn)故障診斷。首先，利用源域數(shù)據(jù)預(yù)訓(xùn)練MSCNN網(wǎng)絡(luò)，再利用多核領(lǐng)域適應(yīng)減小源域和目標(biāo)域分布差異，最終獲得目標(biāo)風(fēng)電機(jī)組故障診斷模型。試驗(yàn)結(jié)果表明，該文提出的MKDA-MSCNN方法在實(shí)際風(fēng)電機(jī)組軸承故障診斷中分類精度高達(dá)96.17%，對(duì)比結(jié)果表明該文所提方法的故障分類準(zhǔn)確度優(yōu)于其他深度學(xué)習(xí)和深度遷移學(xué)習(xí)方法，對(duì)遷移學(xué)習(xí)理論在實(shí)際工程風(fēng)電機(jī)組軸承故障診斷中的研究具有一定價(jià)值。

關(guān)鍵詞：風(fēng)電機(jī)組；故障診斷；滾動(dòng)軸承；卷積神經(jīng)網(wǎng)絡(luò)；遷移學(xué)習(xí)

中圖分類號(hào)：TH133.33；TH17 " 文獻(xiàn)標(biāo)志碼：A

0 引 言

隨著全球范圍內(nèi)的煤炭、石油和天然氣等能源日益減少，全球變暖等環(huán)境問(wèn)題日益突出，以風(fēng)力發(fā)電為代表的可再生、可持續(xù)的清潔能源技術(shù)得到大力研究和推廣［1-2］。風(fēng)力發(fā)電機(jī)作為發(fā)電機(jī)組中的重要零部件之一，其可靠性直接影響發(fā)電的穩(wěn)定性和風(fēng)電的投資回報(bào)率。然而由于其工作環(huán)境惡劣，運(yùn)行載荷多變，極易發(fā)生故障［3］。滾動(dòng)軸承作為風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的關(guān)鍵零部件，一旦發(fā)生故障則會(huì)影響整個(gè)機(jī)組的性能穩(wěn)定性，甚至造成嚴(yán)重事故。因此對(duì)風(fēng)電機(jī)組軸承進(jìn)行狀態(tài)評(píng)估和故障分析研究具有重要意義。

傳統(tǒng)的軸承故障診斷主要通過(guò)信號(hào)處理分析軸承的故障特征，向玲等［4］利用最小熵卷積和1.5維能量譜結(jié)合，實(shí)現(xiàn)了風(fēng)電機(jī)組軸承復(fù)合故障診斷；陳冰艷等［5］提出一種增強(qiáng)組合差分形態(tài)濾波器用于檢測(cè)強(qiáng)噪聲背景下的軸承故障特征；向玲等［6］提出風(fēng)電機(jī)組滾動(dòng)軸承復(fù)合診斷方法。然而上述方法對(duì)各自的領(lǐng)域故障診斷有一定效果，但對(duì)先驗(yàn)知識(shí)要求高，效率低且不具備通用性。

深度學(xué)習(xí)可自動(dòng)提取軸承信號(hào)特征并建立“端到端”的故障診斷模型，是目前主流的故障診斷方法。許自飛等［7］提出基于一維卷積神經(jīng)網(wǎng)絡(luò)（1D convolutional neural network，1D-CNN）聯(lián)合特征提取軸承健康監(jiān)測(cè)方法，通過(guò)耦合自編碼器可得到較高的故障診斷精度和較低的診斷延時(shí)；張西寧等［8］利用小尺度卷積核以跳動(dòng)的方式進(jìn)行下采樣，解決了卷積神經(jīng)網(wǎng)絡(luò)中最大池化丟失大量信息和平均池化模糊重要特征的問(wèn)題；王歡等［9］利用一維卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)圓柱滾子軸承的保持架故障進(jìn)行診斷。這些方法有效的前提是訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)是同一分布，但實(shí)際風(fēng)電機(jī)組運(yùn)行工況多變，軸承數(shù)據(jù)在不同工況下采集，即使是從同一組風(fēng)力發(fā)電機(jī)組采集到的軸承數(shù)據(jù)也難免存在一定差異。

遷移學(xué)習(xí)是解決分布差異極為有效的方法，該方法通過(guò)學(xué)習(xí)相關(guān)領(lǐng)域的特征來(lái)提高在目標(biāo)領(lǐng)域上的表現(xiàn)，降低了模型對(duì)數(shù)據(jù)分布的要求，提高模型的泛化能力。目前，已有將遷移學(xué)習(xí)應(yīng)用于軸承故障診斷的相關(guān)研究。徐敏秋等［10］利用遷移學(xué)習(xí)解決小樣本軸承故障診斷問(wèn)題；李艷婷等［11］利用基于遷移學(xué)習(xí)的卷積自編碼方法實(shí)現(xiàn)對(duì)風(fēng)力發(fā)電機(jī)組軸承故障診斷；孫遠(yuǎn)航等［12］利用自適應(yīng)正則化遷移學(xué)習(xí)方法對(duì)不同工況下的滾動(dòng)軸承進(jìn)行故障診斷。

考慮風(fēng)電機(jī)組運(yùn)行工況復(fù)雜，針對(duì)采集的數(shù)據(jù)具有分布差異的問(wèn)題，本文提出在變工況條件下的風(fēng)電機(jī)組軸承故障診斷方法（multi-kernel distribution adaptation multi-scale CNN，MKDA-MSCNN）。

1 理論方法

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)提取特征能力突出，是深度學(xué)習(xí)中極具代表性的網(wǎng)絡(luò)之一。由輸入層、卷積層、池化層、全連接層以及輸出層組成。其基礎(chǔ)結(jié)構(gòu)如圖1所示。

卷積層利用卷積核與輸入目標(biāo)進(jìn)行卷積運(yùn)算提取特征，再經(jīng)過(guò)非線性激活函數(shù)得到特征張量。卷積運(yùn)算的表達(dá)式為：

[xlj=σixl-1i*klij+blj] （1）

式中：[xlj]——[l]層的第[j]個(gè)特征圖；[xl-1i]——[l-1]層的第[i]個(gè)輸入；[klij]——將第[i]個(gè)輸入特征圖與第[j]特征圖連接的卷積核；[blj]——偏差；[?]——二維卷積操作；[σ?]——ReLU激活函數(shù)，其表達(dá)式定義為：

[σx=max（x，0）]" （2）

池化層分為最大池化和平均池化2種，主要用于提取上一層的代表性特征，同時(shí)減少模型參數(shù)。最大池化和平均池化的表達(dá)式分別為：

[plijmax=max（z-1）ω≤t≤zωxlit，i=1，2，…，q] （3）

[plijaverage=average（z-1）ω≤t≤zωxlit，i=1，2，…，q] （4）

式中：[xlit]——第[l]層中第[i]個(gè)特征張量的第[t]個(gè)神經(jīng)元；[ω]——池化層核大小；[j]——第[j]個(gè)池化層。

在卷積層和池化層的多次交替運(yùn)算后，連接全連接層。該層中每個(gè)神經(jīng)元均與前一層中所有神經(jīng)元連接，以此整合經(jīng)過(guò)一系列卷積池化處理后的數(shù)據(jù)特征。最后在輸出層，經(jīng)過(guò)Sigmoid分類器得到分類結(jié)果，其表達(dá)式為：

[Sigmoid（x）=1/1+e-x]""" （5）

1.2 多尺度卷積神經(jīng)網(wǎng)絡(luò)

風(fēng)電機(jī)組的結(jié)構(gòu)復(fù)雜，發(fā)電機(jī)軸承與其他部件振動(dòng)耦合，使軸承故障特征呈現(xiàn)出多尺度特性。普通卷積神經(jīng)網(wǎng)絡(luò)難以提取多尺度特征。對(duì)此本文采用多尺度卷積神經(jīng)網(wǎng)絡(luò)（multi-scale CNN，MSCNN）從一維振動(dòng)信號(hào)提取具有不同尺度的風(fēng)電機(jī)組軸承特征。

多尺度卷積神經(jīng)網(wǎng)絡(luò)的核心是利用不同尺寸池化層結(jié)合Dropout提取連續(xù)多尺度的振動(dòng)特征，如圖2為池化尺寸是3×1，步長(zhǎng)為1的連續(xù)多尺度特征提取。相比于普通多尺度卷積，經(jīng)過(guò)連續(xù)多尺度卷積的信號(hào)長(zhǎng)度不會(huì)改變，便于模型維護(hù)。另外，結(jié)合Dropout，隨機(jī)丟棄一些數(shù)據(jù)點(diǎn)，避免模型過(guò)擬合，提高模型魯棒性。

多尺度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3。軸承振動(dòng)信號(hào)經(jīng)過(guò)連續(xù)多尺度特征提取后分別采用256×1、128×1和64×1的寬卷積核，擴(kuò)大模型感受野，更好提取故障特征，最后采用多個(gè)3×1卷積核，加深網(wǎng)絡(luò)結(jié)構(gòu)，防止模型過(guò)擬合。

1.3 遷移學(xué)習(xí)

風(fēng)電機(jī)組軸承常年在變轉(zhuǎn)速、重負(fù)載工況下持續(xù)運(yùn)行，采集到的數(shù)據(jù)存在分布差異，導(dǎo)致多尺度卷積神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的診斷能力急劇下降。對(duì)此，利用遷移學(xué)習(xí)優(yōu)化多尺度卷積神經(jīng)網(wǎng)絡(luò)，提高模型在與訓(xùn)練集分布不同的測(cè)試集上的準(zhǔn)確率。遷移學(xué)習(xí)訓(xùn)練數(shù)據(jù)包含源域數(shù)據(jù)[DS=XS，YSnsi=1]和目標(biāo)域數(shù)據(jù)[DT=XT，YTntj=1]兩部分，二者具有相關(guān)知識(shí)但分布存在差異。遷移學(xué)習(xí)的目的是利用源域?qū)W習(xí)到的知識(shí)建立目標(biāo)域上的模型。其對(duì)分布不同的數(shù)據(jù)集的效果如圖4。

最大平均差異（maximum mean discrepancy，MMD）常被用于衡量獨(dú)立且分布不同的2個(gè)域之間的分布差異。對(duì)于分別服從[p、q]分布的[XS]和[XT]，MMD定義為：

[DHXS，XT=supφ∈HEXS～pφXS-EXT～qφXT]"" （6）

式中：[D]——計(jì)算域偏差的距離；[H]——重構(gòu)核希爾伯特空間（RKHS）；[sup?]——集合上確界；[φ?]——[X→H]的非線性映射。MMD的有偏經(jīng)驗(yàn)估計(jì)為：

[DHXS，XT=1nSi=1nSφXsi-1nTj=1nTφXTi2H] （7）

從式（7）可看出，MMD的有偏估計(jì)就是求源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)經(jīng)過(guò)非線性映射后的均值之差。[DHXS，XT]的值越接近0，說(shuō)明兩域之間的差距越小。為求解式（7），引入核技巧，則：

[DHXS，XT=1n2Si=1nSj=1nSk（xsi，x2j）-2nsnti=1nSj=1nTk（xsi，xtj）+"""""" """"""""""""""1n2Ti=1nTj=1nTk（xti，xtj）]"" （8）

式中：[k（?，?）]——核函數(shù)。針對(duì)不同的遷移任務(wù)，需選擇不同的核函數(shù)，核函數(shù)的選擇會(huì)直接影響MMD在領(lǐng)域適配中的應(yīng)用效果。對(duì)此，本文提出多核領(lǐng)域適應(yīng)（multi-kernel distribution adaptation，MKDA），將核函數(shù)選擇問(wèn)題轉(zhuǎn)換為一個(gè)優(yōu)化問(wèn)題。多核核函數(shù)集合為：

[K：=k：=n=1Nαnknn=1Nαn=1，αn≥0]"" （9）

式中：[K]——由[N]個(gè)具有不同參數(shù)的高斯核函數(shù)、多項(xiàng)式核函數(shù)的凸組合。參數(shù)[αn]只需求解如下優(yōu)化問(wèn)題即可。

[maxαn，kn∈Kn=1Nαnkn1Nn=1Nαnkn-1Nn=1Nαnkn2s.t.""" n=1Nαn=1， αn≥0]""" （10）

綜上，只需求解[minmaxDHXS，XT]即可減小源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)間的分布差異，使源域模型在目標(biāo)域數(shù)據(jù)上仍有較好的分類效果。多核領(lǐng)域適應(yīng)應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)中，其目標(biāo)函數(shù)為：

[minmaxkn∈KL（θ）+λDHXS，XT]""" （11）

式中：[L（θ）]——交叉熵?fù)p失函數(shù)；[λ]——多核領(lǐng)域適應(yīng)的正則化因子。

2 MKDA-MSCNN故障診斷研究

為有效解決風(fēng)電機(jī)組變工況背景下軸承數(shù)據(jù)分布差異，并對(duì)其常見(jiàn)故障特征進(jìn)行分類。本文提出一種具有多核領(lǐng)域適應(yīng)的多尺度卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法MKDA-MSCNN。該方法針對(duì)風(fēng)電機(jī)組軸承與其他部件振動(dòng)耦合導(dǎo)致振動(dòng)信號(hào)表現(xiàn)出的多尺度特性，設(shè)置一維多尺度卷積神經(jīng)網(wǎng)絡(luò)提取信號(hào)特征，當(dāng)同時(shí)處理源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)時(shí)，MKDA-MSCNN將多尺度卷積部分參數(shù)共享，再利用多核領(lǐng)域適應(yīng)（MKDA）對(duì)齊源域和目標(biāo)域的分布，提高模型在目標(biāo)風(fēng)力發(fā)電機(jī)組上的故障診斷精度，具體結(jié)構(gòu)如圖5。

2.1 數(shù)據(jù)預(yù)處理

風(fēng)電機(jī)組軸承的振動(dòng)數(shù)據(jù)是一維時(shí)間序列信號(hào)，每個(gè)時(shí)刻的數(shù)據(jù)都有一定的相關(guān)性，因此本文以經(jīng)過(guò)歸一化的一維振動(dòng)信號(hào)構(gòu)建源域和目標(biāo)域數(shù)據(jù)，并劃分模型訓(xùn)練集和測(cè)試集。

2.2 MKDA-MSCNN的結(jié)構(gòu)框架

本文針對(duì)風(fēng)電機(jī)組軸承提出一種具有多核領(lǐng)域適應(yīng)的多尺度卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法MKDA-MSCNN，具體流程圖如圖6。步驟如下：

1）采集風(fēng)電機(jī)組軸承振動(dòng)數(shù)據(jù)。

2）將采集到的數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建由源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)組成的訓(xùn)練集，以及僅有目標(biāo)域數(shù)據(jù)的測(cè)試集。

3）搭建MKDA-MSCNN方法結(jié)構(gòu)框架，利用源域數(shù)據(jù)對(duì)MKDA-MSCNN進(jìn)行預(yù)訓(xùn)練。

4）在模型后2個(gè)全連接層利用多核領(lǐng)域適應(yīng)減小源域和目標(biāo)域的分布差異，得到最終MKDA-MSCNN模型。

5）利用實(shí)際風(fēng)電機(jī)組軸承數(shù)據(jù)驗(yàn)證提出算法的準(zhǔn)確性和有效性，最終實(shí)現(xiàn)不同工況下風(fēng)電機(jī)組故障診斷。

3 案例分析

3.1 試驗(yàn)設(shè)置

為驗(yàn)證本文針對(duì)風(fēng)電機(jī)組軸承提出的MKDA-MSCNN方法的有效性，采用天津某風(fēng)電場(chǎng)實(shí)際采集的風(fēng)電機(jī)組電機(jī)驅(qū)動(dòng)端和自由端軸承數(shù)據(jù)進(jìn)行對(duì)比試驗(yàn)驗(yàn)證。該風(fēng)電場(chǎng)發(fā)電機(jī)軸承型號(hào)為SKF6330M/C3H，主要由外圈、內(nèi)圈、滾動(dòng)體、保持架組成。通過(guò)安裝在發(fā)電機(jī)軸承座側(cè)面位置的（integrated circuit piezoelectric，ICP）壓電加速度傳感器對(duì)水平和垂直2個(gè)方向的振動(dòng)信號(hào)進(jìn)行采集，采樣頻率為16384 Hz，采樣時(shí)間10 s。

signal acquisition

根據(jù)該風(fēng)電場(chǎng)25臺(tái)風(fēng)電機(jī)組采集到的發(fā)電機(jī)軸承數(shù)據(jù)，劃分出4種狀態(tài)，具體標(biāo)簽如表1所示。在表1中，N表示健康狀態(tài)，OF表示外圈故障，IF表示內(nèi)圈故障，CF表示保持架故障。

分析采集到的數(shù)據(jù)，選取包含4種狀態(tài)的5臺(tái)風(fēng)電機(jī)組電機(jī)軸承數(shù)據(jù)作為目標(biāo)域數(shù)據(jù)，其余20臺(tái)風(fēng)電機(jī)組發(fā)電機(jī)軸承數(shù)據(jù)做為源域數(shù)據(jù)。源域數(shù)據(jù)中每種狀態(tài)均具有充足數(shù)據(jù)，足以為目標(biāo)域數(shù)據(jù)提供足夠的故障知識(shí)。為避免數(shù)據(jù)不均衡影響模型效果，利用重采樣的方法截取長(zhǎng)度為2048的樣本。數(shù)據(jù)具體劃分如圖8。利用本文提出MKDA-MSCNN方法對(duì)劃分好的數(shù)據(jù)樣本分別進(jìn)行訓(xùn)練和測(cè)試。

3.2 MKDA-MSCNN算法結(jié)構(gòu)

MKDA-MSCNN由一個(gè)輸入層，3組并行卷積池化特征提取結(jié)構(gòu)，2個(gè)全連接層和一個(gè)輸出層組成，其中每一組特征提取結(jié)構(gòu)都包括多尺度特征提取、寬卷積核特征提取和小卷積核特征提取。卷積層和全連接層采用ReLU激活函數(shù)函數(shù)，輸出層采用softmax函數(shù)，預(yù)訓(xùn)練迭代次數(shù)100次。優(yōu)化器為Adam，學(xué)習(xí)率設(shè)置為0.01。batch_size為100。

利用源域數(shù)據(jù)對(duì)MKDA-MSCNN模型進(jìn)行預(yù)訓(xùn)練后，利用多核領(lǐng)域適應(yīng)減小源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)在全連接層的分布差異，得到模型在目標(biāo)域的故障診斷結(jié)果。迭代次數(shù)50次。優(yōu)化器為Adam，學(xué)習(xí)率設(shè)置為0.01。batch_size為50。

3.3 測(cè)試結(jié)果與比較分析

為檢驗(yàn)測(cè)試結(jié)果的準(zhǔn)確性，采用本文提出的算法對(duì)實(shí)驗(yàn)測(cè)試數(shù)據(jù)進(jìn)行驗(yàn)證，同時(shí)與CNN、多尺度卷積（MSCNN）、結(jié)合多核領(lǐng)域適應(yīng)的CNN（MKDA-CNN）3種分類方法進(jìn)行實(shí)驗(yàn)對(duì)比。其中CNN與MKDA-CNN均采用經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)ALexNet的網(wǎng)絡(luò)結(jié)構(gòu)。MSCNN與本文方法結(jié)構(gòu)相同。

在訓(xùn)練過(guò)程中，800條源域樣本和200條目標(biāo)域樣本構(gòu)成訓(xùn)練集，200條目標(biāo)域數(shù)據(jù)構(gòu)成測(cè)試集，分別采用本文提出的MKDA-MSCNN方法和其他3種方法進(jìn)行對(duì)比。4種方法在測(cè)試集上的準(zhǔn)確率如圖9所示。

由圖9的試驗(yàn)結(jié)果可知，本文提出的MKDA-MSCNN平均準(zhǔn)確率高達(dá)96.17%，在所有對(duì)比方法中效果最好，說(shuō)明本方法具有優(yōu)越的泛化能力和魯棒性，能解決因風(fēng)電機(jī)組運(yùn)行工況復(fù)雜，導(dǎo)致實(shí)際采集的振動(dòng)信號(hào)存在分布差異的問(wèn)題。MSCNN和CNN并未考慮風(fēng)電機(jī)組發(fā)電機(jī)軸承數(shù)據(jù)差異的問(wèn)題，診斷能力均有所下降。但是MSCNN的平均準(zhǔn)確率為89.12%，高于CNN的85.77%。這是因?yàn)镸SCNN考慮了風(fēng)電機(jī)組發(fā)電機(jī)軸承與其他部件振動(dòng)耦合，采用多尺度卷積提取軸承振動(dòng)信號(hào)的多尺度特征，并采用寬卷積核擴(kuò)大模型感受野，再利用多個(gè)小卷積核加深網(wǎng)絡(luò)，可更好提取軸承故障特征。MKDA-CNN在CNN的基礎(chǔ)之上考慮數(shù)據(jù)分布差異的問(wèn)題，但是受限于CNN提取特征的能力，其準(zhǔn)確率僅提升到了90.22%。

4種算法在測(cè)試集上的準(zhǔn)確率曲線如圖10所示，從圖中可看出，CNN的收斂速度慢，且準(zhǔn)確率低。MKDA-MSCNN收斂速度最快，這是因?yàn)镸KDA-MSCNN是基于在源域預(yù)訓(xùn)練好的模型加入多核領(lǐng)域適應(yīng)后再次訓(xùn)練得到，繼承了MSCNN特征提取部分的參數(shù)，能在較小的迭代次數(shù)中達(dá)到較高準(zhǔn)確率，并趨于平穩(wěn)。

為了測(cè)試提出的方法對(duì)風(fēng)電機(jī)組軸承故障數(shù)據(jù)的分類效果，利用TSNE算法對(duì)4種方法提取的特征進(jìn)行降維，可視化如圖11。從圖中可看出CNN、MKDA-CNN和MSCNN均存在類與類之間的混淆，分類邊界并不清晰。而MKDA-MSCNN邊界清晰且邊界距離較大，分類效果好，進(jìn)一步證明了所提方法在實(shí)際工程中風(fēng)電機(jī)組軸承故障診斷應(yīng)用的有效性。

4 結(jié) 論

針對(duì)風(fēng)電機(jī)組變工況背景下采集到的軸承數(shù)據(jù)存在分布差異的問(wèn)題，本文提出一種具有多核領(lǐng)域適應(yīng)的多尺度卷積神經(jīng)網(wǎng)絡(luò)風(fēng)電機(jī)組軸承故障診斷方法MKDA-MSCNN，在實(shí)際采集的風(fēng)電機(jī)組軸承數(shù)據(jù)進(jìn)行試驗(yàn)驗(yàn)證，主要結(jié)論如下：

1）本方法以原始振動(dòng)信號(hào)作為輸入，實(shí)現(xiàn)了風(fēng)電機(jī)組軸承“端到端”的故障診斷。

2）采用連續(xù)多尺度卷積提取風(fēng)電機(jī)組軸承因振動(dòng)耦合呈現(xiàn)的多尺度特征。在模型中加入多核領(lǐng)域適應(yīng)，減小源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)間的分布差異，提高模型在目標(biāo)域上的診斷精度。對(duì)比實(shí)驗(yàn)表明本方法的分類精度高達(dá)96.17%，優(yōu)于其他深度學(xué)習(xí)方法和遷移學(xué)習(xí)方法，基本滿足了實(shí)際工程風(fēng)電機(jī)組軸承故障診斷。

3）本研究針對(duì)風(fēng)電機(jī)組軸承經(jīng)常出現(xiàn)的單一故障進(jìn)行診斷，而實(shí)際風(fēng)電機(jī)組運(yùn)行過(guò)程中，軸承還會(huì)出現(xiàn)多故障問(wèn)題，為了更好對(duì)風(fēng)電機(jī)組軸承進(jìn)行故障診斷，在今后的工作中計(jì)劃將本方法進(jìn)一步拓展，用于解決多故障診斷問(wèn)題。

［參考文獻(xiàn)］

［1］" 蘇連成， 邢美玲， 張慧. 基于組合預(yù)測(cè)模型的風(fēng)電機(jī)組關(guān)鍵部位故障檢測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（10）： 220-225.

SU L C， XING M L， ZHANG H. Fault detection of key components of wind turbine based on combination prediction model［J］. Acta energiae solaris sinica， 2021， 42（10）： 220-225.

［2］" 齊詠生， 劉飛， 李永亭， 等. 基于MK-MOMEDA和Teager能量算子的風(fēng)電機(jī)組滾動(dòng)軸承復(fù)合故障診斷［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（7）： 297-307.

QI Y S， LIU F， LI Y T， et al. Compound fault diagnosis of wind turbine rolling bearing based on MK-MOMEDA and teager energy operator［J］. Acta energiae solaris sinica， 2021， 42（7）： 297-307.

［3］" 苗寶權(quán)， 陳長(zhǎng)征， 羅園慶， 等. 基于自適應(yīng)增強(qiáng)差分積形態(tài)濾波器的滾動(dòng)軸承故障特征提取方法［J］. 機(jī)械工程學(xué)報(bào)， 2021， 57（9）： 78-88.

MIAO B Q， CHEN C Z， LUO Y Q， et al. Rolling bearing fault feature extraction method based on adaptive enhanced differential"" product" morphological"" filter［J］." Journal"" of mechanical engineering， 2021， 57（9）： 78-88.

［4］" XIANG L， SU H， LI Y. Research on extraction of compound fault characteristics for rolling bearings in wind turbines［J］. Entropy， 2020， 22（6）： 682-697.

［5］" CHEN B Y， SONG D L， ZHANG W H， et al. A performance enhanced time-varying morphological filtering method"" for"" bearing"" fault"" diagnosis［J］." Measurement， 2021， 176（10）： 1-19.

［6］" 向玲， 李營(yíng). 風(fēng)電機(jī)組滾動(dòng)軸承復(fù)合故障診斷研究［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（3）： 90-97.

XING L， LI Y. Research on composite fault diagnosis of wind" turbine"" rolling"" bearings［J］. Acta" energiae" solaris sinica， 2021， 42（3）： 90-97.

［7］" XU Z F， LI C， YANG Y. Fault diagnosis of rolling bearing of wind turbines based on the variational mode decomposition and deep convolutional neural networks［J］. Applied soft computing， 2020， 95： 106515.

［8］" 張西寧， 劉書(shū)語(yǔ)， 余迪， 等. 改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)及其在變工況滾動(dòng)軸承故障診斷中的應(yīng)用［J］. 西安交通大學(xué)學(xué)報(bào)， 2021， 55（6）： 1-8.

ZHANG X N， LIU S Y， YU D， et al. Improved deep convolutional neural network with applications to bearing fault diagnosis" under" variable" conditions［J］." Journal" of Xi’an Jiaotong University， 2021， 55（6）： 1-8.

［9］" WANG H， LIU Z L， PENG D D， et al. Understanding and learning discriminant features based on multi-attention 1DCNN" for"" wheelset" bearing" fault"" diagnosis［J］." IEEE transactions on industrial informatics， 2019， 16（9）： 5735-5745.

［10］" XU M Q， WANG Y Q. An imbalanced fault diagnosis method for rolling bearing based on semi-supervised conditional generative adversarial network with spectral normalization［J］. IEEE access， 2021， 9： 27736-27747.

［11］" LI Y T， JIANG W B， ZHANG G Y， et al. Wind turbine fault diagnosis based on transfer learning and convolutional autoencoder with small-scale data［J］. Renewable energy， 2021， 171（3）： 67-78.

［12］" SUN Y H， YU J B. Fault detection of rolling bearing using sparse representation-based adjacent signal difference［J］. IEEE transactions on instrumentation and measurement， 2020， 70： 1-16.

RESEARCH ON BEARING FAULT DIAGNOSIS OF

WIND TURBINES BASED ON TRANSFER LEARNING

An Wenjie1，Chen Changzheng1，2，Tian Miao1，Su Xiaoming1，Sun Xianming3，Gu Yanling1

（1. School of Mechanical Engineering， Shenyang University of Technology， Shenyang 110870， China；

2. Liaoning Vibration and Noise Control Engineering Research Center， Shenyang 110870， China；

3. Ningbo Kunbo Measurement and Control Technology Co.， Ltd.， Ningbo 315200， China）

Keywords：wind turbines； fault diagnosis； rolling bearing； convolutional neural network； transfer learning

收稿日期：2022-01-18

基金項(xiàng)目：國(guó)家自然科學(xué)基金（51675350；51575361）

通信作者：陳長(zhǎng)征（1964—），男，博士、教授、博士生導(dǎo)師，主要從事設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷方面的研究。czchen@sut.edu.cn