1、第 40 卷第 2 期2023 年 2 月机电工程Journal of Mechanical Electrical EngineeringVol 40 No 2Feb 2023收稿日期:2022 06 28基金项目:国家自然科学基金资助项目(51675350)作者简介:史宗辉(1997 )，男，宁夏银川人，硕士研究生，主要从事风力发电机状态检测及故障诊断方面的研究。E-mail:792211309 qq com通信联系人:陈长征，男，博士，教授，博士生导师。E-mail:czchen sut edu cnDOI:10 3969/j issn 1001 4551 2023 02 010基于 S-
2、CBiGU 的风电机组滚动轴承故障诊断方法*史宗辉1，陈长征1，2*，田淼1，安文杰1，孙鲜明3(1 沈阳工业大学 机械工程学院，辽宁 沈阳 110870;2 振动噪声控制工程技术研究中心，辽宁 沈阳 110870;3 宁波坤博测控科技有限公司，浙江 宁波 315200)摘要:风电机组滚动轴承的振动信号存在非线性、非平稳的特性，且其特征不易被提取，针对这一问题，提出了一种基于 S 变换、卷积神经网络、双向门控循环单元的滚动轴承故障诊断方法(即基于 S-CBiGU 的诊断方法)。首先，利用 S 变换对风场采集的振动信号进行了多分辨率时频分析，将一维振动信号转化为包含时间与空间特征信息的二维时频图
3、像;然后，将经 S 变化所得到的时频图输入到 CBiGU 网络模型中，采用 CNN 卷积池化层提取了振动信号的空间特征;其次，采用 BiGU 结构提取了振动信号中的时间序列特征;最后，为了对上述诊断方法的有效性进行验证，采集了风电机组轴承实验数据，并将其输入到该模型中进行诊断实验。实验结果表明:在风电机组轴承故障诊断中，采用 S-CBiGU 方法准确率达到 93 17%，分类效果优于其他深度学习算法。研究结果表明:S-CBiGU 故障诊断方法具有可行性，可以为风电机组滚动轴承的故障诊断提供一种新途径。关键词:时频分析;空间特征;时间序列特征;S 变换;卷积神经网络;双向门控循环单元中图分类号:
4、TH133 33;TM315文献标识码:A文章编号:1001 4551(2023)02 0232 07Fault diagnosis method of wind turbine rolling bearing based on S CBiGUSHI Zong-hui1，CHEN Chang-zheng1，2，TIAN Miao1，AN Wen-jie1，SUN Xian-ming3(1 School of Mechanical Engineering，Shenyang University of Technology，Shenyang 110870，China;2 Liaoning Vibr
5、ation and Noise Control Engineering esearch Center，Shenyang 110870，China;3 Ningbo Kunbo Measurement and Control Technology Co，Ltd，Ningbo 315200，China)Abstract:For wind turbine rolling bearing vibration signal，there were problems with non-linear，non-smooth characteristics，which led tofeatures that we
6、re not easy to be extracted The S-CBiGU fault diagnosis method based on S-transform，convolutional neural network(CNN)，and bidirectional gated recurrent unit(BiGU)was proposed Firstly，in order to improve the accuracy of wind turbine rollingbearing fault diagnosis，the S-transform was used to carry out
7、 multi-resolution time-frequency analysis on the vibration signals collected fromwind farms The one-dimensional vibration signals were transformed into two-dimensional time-frequency images containing both temporal andspatial feature information Secondly，the time-frequency maps obtained from the S-t
8、ransform were input into the CBiGU network model，and the spatial features of the vibration signals were extracted by the CNN convolutional pooling layer Followed by the BiGU structure，thetime series features of the vibration signal were extracted Finally，in order to verify the effectiveness of the a
9、bove bearing fault diagnosismethod，the experimental data of the wind turbine bearing was collected and input into the model for diagnosis experiments The diagnosticresults show that the accuracy of the S-CBiGU method in wind turbine bearing fault diagnosis reaches 93 17%，the classification effect is
10、better than other deep learning algorithms The results show that the S-CBiGU fault diagnosis method is feasible and provides a new way todiagnose rolling bearing faults in wind turbinesKey words:time-frequency analysis;spatial features;time series features;S transform;convolutional neural network(CN
11、N);bidirectionalgated recurrent unit(BiGU)0引言由于大多数风电机组都被安装在沙漠、戈壁等恶劣的环境中，且机组长期受到风力冲击1 和交变载荷的影响，导致作为风电机组重要零部件的滚动轴承极易遭到损坏。因此，对滚动轴承进行故障诊断，以保证风电机组良好运行，具有重要的意义。目前，针对风电机组滚动轴承故障诊断的信号来源，主要以振动信号为主2，3。风场采集到的振动信号存在非线性、非平稳的特性。时频分析是一种处理非线性、非平稳信号的有效方法。时频分析的方法主要有短时傅里叶变换(short timeFourier transform，STFT)、连 续 小 波 变 换
12、(continuouswavelet transform，CWT)与 S 变换(S-transform)等。CHEN Jun-gan 等人4 在采用时频分析方法进行故障诊断时，考虑了 STFT 的窗口大小与振动信号频率之间的关系，因而提高了时频分析方法的通用性。TAN M Q 等人5 在进行故障诊断时，利用连续小波变换(CWT)方法，将振动信号转化为尺度图特征图像，提高了故障诊断效果。运用上述方法对振动信号进行时频分析时，由于STFT 存在窗口大小无法随着频率改变的问题，而CWT 存在小波基函数选取困难的问题，笔者选取STFT 与 CWT 融合改进的 S 变换的时频分析方法，利用高斯窗函数替代
13、 CWT 中小波基函数，同时窗宽可变，可以有效解决上述问题。近年来，在复杂装备故障诊断领域中，采用深度学习方法的表现优异6，7。OSHEA T J 等人8 提出了一种用于调制类型分类的卷积神经网络(convolutionalneural network，CNN)，并对该网络进行了实验验证，结果表明，CNN 的鲁棒性更强。GAO Shu-zhi 等人9 利用改进 CNN，对滚动轴承进行了故障诊断，结果表明，该方法可以提高其网络收敛性。然而，利用 CNN 进行故障诊断时，对时间的依赖性不高，无法捕捉振动信号时域的依赖关系。循环神经网络(recurrent neural network，NN)是一种
14、善于捕捉信号间时间依赖关系的方法，常被用于有时间序列信号的分析。常见的 NN 有长短时记忆网络(long short-term memory，LSTM)、门控循环单元网络(gated recurrent unit，GU)10，11。在对剩余使用寿命进行预测时，为了降低预测的误差，HSU C Y 等人12 利用改进的 LSTM 分析了特征之间的时间依赖关系。GU 结构作为 LSTM 结构的变体之一，虽然网络结构参数少，但在一定程度上可提高计算效率。TAO Ying 等人13 利用三层 GU 结构逐层深入学习了故障特征，实现了齿轮箱故障诊断的目的。但上述方法仅能提取信号中 t 时刻及其前一时刻信号
15、特征，无法提取 t 时刻之后的有用特征。振动信号为时间序列数据，t 时刻及其前后时刻都包含有用特征。因此，笔者提出用 BiGU 方法来提取信号中 t时刻及其前后时刻的特征，使特征提取更全面。针对以上问题，笔者提出一种基于 S 变换、卷积神经网络(CNN)、双向门控循环单元(BiGU)的故障诊断方法，即基于 S-CBiGU 的方法。首先，利用 S 变换对振动信号进行时频分析，生成时频图;其次，将其输入到搭建的 CBiGU 网络模型中，利用 CNN 卷积池化层提取时频图的空间特征;随后利用 BiGU 提取时间正序与逆序中的时间特征(多角度提取故障特征);最终，实现风电机组滚动轴承故障诊断的目的。1
16、基本原理1 1S 变换S 变换14 是一种优异的时频分析方法。它利用可伸缩的高斯窗与连续小波变换的相位矫正，对信号进行多分辨率的分析。振动信号 x(t)的 S 变换为:S(，f)=x(t)(t，f)ei2ftdt(1)式中:t时间;控制窗口函数在时间轴上的位置;f频率;高斯窗函数。高斯窗函数(t，f)可表示为:(t )=|f|2e(t )2f22(2)由式(1，2)可得到连续振动信号 S 变换为:S(，f)=x(t)|f|2e(t)2f22ei2ftdt(3)由于要构造 S 变换时频特性复矩阵，因此需将 S变换离散化，振动信号 x(t)可离散为 x(kT)，T 为采样间隔，将离散采样信号的傅里叶变换为:XnNT=1NN1k=0 x(kT)ei2nkN(4)其中:n=0，1，N 1，N 为采样点数。令 kT，fn/NT，因此离散 S 变换为:332第 2 期史宗辉，等:基于 S-CBiGU 的风电机组滚动轴承故障诊断方法S kT，nNT=N1r=0Hm+n()NTG(m，n)ei2rnN，n 0S kT，0=1NN1r=0hm()NT，n=0(5)其中:k，m，n=0，1，N 1，G(m