基于自適應(yīng)波形分解與時(shí)頻轉(zhuǎn)換的風(fēng)機(jī)工況診斷方法

黃子恒，許釗源，方輝，伍劍波*,，李晉航，石致遠(yuǎn)

基于自適應(yīng)波形分解與時(shí)頻轉(zhuǎn)換的風(fēng)機(jī)工況診斷方法

黃子恒1，許釗源1，方輝1，伍劍波*,1，李晉航2，石致遠(yuǎn)2

（1.四川大學(xué) 機(jī)械工程學(xué)院，四川 成都 610065；2.東方電氣集團(tuán) 中央研究院，四川 成都 611731）

目前針對風(fēng)力發(fā)電機(jī)工況診斷方法的研究較為匱乏。為此，本文提出一種基于自適應(yīng)波形分解和時(shí)頻轉(zhuǎn)換的診斷方法。該方法的算法采用了滑動(dòng)間隔樣本擴(kuò)充、基于改進(jìn)CEEMDAN的自適應(yīng)波形分解方法、希爾伯特時(shí)頻變換、VGG16神經(jīng)網(wǎng)絡(luò)。過程中，利用風(fēng)機(jī)的振動(dòng)加速度信號(hào)，通過自適應(yīng)分解方法對信號(hào)進(jìn)行分解降噪，將處理后信號(hào)進(jìn)行變換生成二維時(shí)頻譜，利用VGG16模型對時(shí)頻譜樣本集進(jìn)行分類以達(dá)到診斷目的。為了評(píng)估該方法的有效性，將本文方法分別與傳統(tǒng)模態(tài)分解、CNN模型進(jìn)行對比，并對模型分類效果進(jìn)行評(píng)估，結(jié)果表明，該方法具有更好的準(zhǔn)確性。

風(fēng)力發(fā)電機(jī)；波形分解；時(shí)頻譜；VGG16

隨著工業(yè)互聯(lián)網(wǎng)的發(fā)展，機(jī)械設(shè)備的狀態(tài)監(jiān)測邁入了大數(shù)據(jù)時(shí)代，其具有海量數(shù)據(jù)、種類繁多、更迭極快的特點(diǎn)，這些都給機(jī)械狀態(tài)診斷帶來了新的挑戰(zhàn)。以風(fēng)力發(fā)電機(jī)為例，作為一種大型機(jī)械設(shè)備，其在全球應(yīng)用頗多。但風(fēng)力發(fā)電機(jī)組地處偏遠(yuǎn)，人工巡檢故障排查困難[1]，給設(shè)備的運(yùn)行維護(hù)帶來了一定的困難。對風(fēng)機(jī)的運(yùn)行狀態(tài)進(jìn)行適時(shí)監(jiān)測、預(yù)報(bào)和故障診斷，則是保證風(fēng)機(jī)良好運(yùn)行、企業(yè)生產(chǎn)正常進(jìn)行的關(guān)鍵[2-3]。

基于信號(hào)處理與分析的診斷方法是現(xiàn)有設(shè)備工況診斷研究的重點(diǎn)。工程中通常可通過監(jiān)測風(fēng)機(jī)的振動(dòng)、溫度、轉(zhuǎn)速等信號(hào)診斷風(fēng)機(jī)軸承失效、機(jī)座松動(dòng)、轉(zhuǎn)子偏心等機(jī)械故障。發(fā)電機(jī)電氣故障則通常通過監(jiān)測發(fā)電機(jī)SCADA（Supervisory Control and Data Acquisition，數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)）信號(hào)參數(shù)，并對其進(jìn)行處理后識(shí)別。李鳳林等[4]利用總體經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）對信號(hào)進(jìn)行分解，能夠一定程度抑制間歇性噪音干擾，但是該方法依然存在模態(tài)混疊現(xiàn)象。王挺韶等[5]通過降噪編碼器降噪，從噪音信號(hào)提取原始信號(hào)，從而提高在噪音環(huán)境下的故障識(shí)別效果。張龍[6]利用連續(xù)小波變換（Continuous Wavelet Transform，CWT）對輸入信號(hào)進(jìn)行時(shí)頻變換，并將一維波形與二維時(shí)頻譜進(jìn)行融合，提高了故障診斷的精度。劉輝海等[7]使用自適應(yīng)閾值作為風(fēng)機(jī)故障檢測的決策準(zhǔn)則，有效檢測重構(gòu)誤差的波動(dòng)。

近年來，針對風(fēng)力發(fā)電機(jī)的工作特點(diǎn)和運(yùn)行工況，利用振動(dòng)信號(hào)對風(fēng)機(jī)進(jìn)行狀態(tài)分析與故障診斷受到越來越多的關(guān)注，目前研究主要集中在傳動(dòng)鏈和葉片單元。同時(shí)，有學(xué)者開展了基于模型的故障診斷研究，并采用了人工智能故障診斷技術(shù)。王博特等[8]通過對風(fēng)電機(jī)組進(jìn)行葉片振動(dòng)測試，分析了葉片擺振和揮舞反向的振動(dòng)特點(diǎn)，總結(jié)了影響葉片振動(dòng)的相關(guān)因素。DONG等[9]通過高斯混合模型估計(jì)結(jié)構(gòu)健康狀態(tài)下振動(dòng)加速度等數(shù)據(jù)服從的概率分布，并通過振動(dòng)數(shù)據(jù)概率分布變化實(shí)現(xiàn)了實(shí)際服役環(huán)境因素影響下的風(fēng)力渦輪發(fā)電機(jī)結(jié)構(gòu)的損傷診斷。DAO等[10]基于振動(dòng)信號(hào)以及SCADA數(shù)據(jù)分析實(shí)現(xiàn)風(fēng)力發(fā)電機(jī)結(jié)構(gòu)的損傷評(píng)估，雖然該方法提高了服役環(huán)境下振動(dòng)狀態(tài)監(jiān)測可靠性，但疲勞裂紋等非線性損傷的監(jiān)測效果仍有待提高。

研究顯示，將經(jīng)驗(yàn)?zāi)B(tài)分解與時(shí)頻特征結(jié)合，能使信號(hào)在時(shí)頻域上的分辨率更高，消噪和濾波效果好[10]，據(jù)此，本文提出一種基于改進(jìn)完全噪音輔助聚合經(jīng)驗(yàn)?zāi)B(tài)分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）[12]的自適應(yīng)的波形分解方法。對原始信號(hào)進(jìn)行分解重構(gòu)，并通過希爾伯特變換[13]對降噪的信號(hào)進(jìn)行時(shí)頻轉(zhuǎn)換，得到信號(hào)的時(shí)頻分布，最后將時(shí)頻圖像輸入VGG16神經(jīng)網(wǎng)絡(luò)來診斷風(fēng)機(jī)工作狀況。

1 算法基本原理

1.1 滑動(dòng)間隔樣本擴(kuò)充

神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本中類別不平衡的問題十分敏感，這會(huì)使得模型訓(xùn)練效果下降，導(dǎo)致模型無法正確識(shí)別各個(gè)不同類別的特征分布。針對上述問題，本文選擇使用“滑動(dòng)間隔”來增加樣本數(shù)量。

滑動(dòng)間隔的具體方法為：從原始振動(dòng)加速度數(shù)據(jù)集的第一個(gè)數(shù)據(jù)點(diǎn)開始，每隔slide個(gè)數(shù)據(jù)間隔點(diǎn)數(shù)，取長度為new，得到若干分割后的數(shù)據(jù)集，即為采樣后的數(shù)據(jù)集。計(jì)算公式為：

1.2 基于改進(jìn)CEEMDAN的自適應(yīng)波形分解方法

CEEMDAN在經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）的基礎(chǔ)上加入均值為0、方差為1的高斯白噪音[14]，來解決模態(tài)混雜問題。本文通過改變噪音加入策略，進(jìn)一步減弱噪音干擾，其步驟如下。

（1）構(gòu)造個(gè)隨機(jī)高斯白噪音序列

（2）將個(gè)信號(hào)添加個(gè)不同的隨機(jī)高斯白噪音

（3）求第一次迭代后含噪信號(hào)的殘差，并對殘差取平均

（4）求該方法下的第一階模態(tài)分量

（5）使用步驟（2）中同樣方法構(gòu)造加噪數(shù)據(jù)集，進(jìn)行次迭代。

（6）由此得到該方法的第階模態(tài)分量

1.3 希爾伯特時(shí)頻變換原理

希爾伯特變換是把一維的信號(hào)變成了二維復(fù)平面上的信號(hào)，其對于非平穩(wěn)信號(hào)的處理和分析有很好的效果[15-16]，針對上文由自適應(yīng)波形分解方法得到的信號(hào)分量，可得：

1.4 VGG16神經(jīng)網(wǎng)絡(luò)

VGG（Visual Geometry Group，視覺幾何組）是一個(gè)利用GPU（Graphics Processing Unit，圖形處理器）極高計(jì)算能力的深度卷積神經(jīng)網(wǎng)絡(luò)[17]，VGG16共由16層網(wǎng)絡(luò)組成[18]。本文所用VGG16由3層全連接層和13層卷積層構(gòu)成，利用池化層對卷積結(jié)果進(jìn)行降維。除最后一層卷積層后采用LeakyReLU作為激活函數(shù)，其余各層卷積之后均采用ReLU作為激活函數(shù)。模型如圖1所示。

圖1 VGG16網(wǎng)絡(luò)結(jié)構(gòu)圖

針對多分類問題，本文采用交叉熵?fù)p失（CrossEntropy Loss，CE）作為網(wǎng)絡(luò)模型的損失函數(shù)，其計(jì)算方式為：

2 模型討論與驗(yàn)證

2.1 自適應(yīng)波形分解與時(shí)頻轉(zhuǎn)換的工況診斷流程

為驗(yàn)證本文提出方法的有效性，構(gòu)造風(fēng)機(jī)振動(dòng)加速度樣本集來分別進(jìn)行波形分解和分類診斷模型的驗(yàn)證。采用廣西某風(fēng)電場2021年7月的運(yùn)行數(shù)據(jù)，采集信號(hào)為風(fēng)機(jī)振動(dòng)加速度，數(shù)據(jù)統(tǒng)一為風(fēng)機(jī)揮舞方向，采樣頻率50 Hz，包含正常運(yùn)行、變槳、故障三種工況，共計(jì)2000條數(shù)據(jù)樣本，每條數(shù)據(jù)由12000～15000個(gè)數(shù)據(jù)點(diǎn)組成，原始信號(hào)波形如圖2所示。

首先對原始數(shù)據(jù)集樣本進(jìn)行采樣與分割，針對數(shù)量較少的故障樣本進(jìn)行滑動(dòng)間隔采樣，針對數(shù)量較多的類別直接進(jìn)行樣本分割。為了既保證分割樣本的完整性，又達(dá)到增加樣本數(shù)量的目的，將新生成樣本的長度定為設(shè)備一個(gè)旋轉(zhuǎn)周期數(shù)據(jù)點(diǎn)數(shù)目的3倍，取滑動(dòng)間隔長度為設(shè)備一個(gè)旋轉(zhuǎn)周期點(diǎn)數(shù)的一半，由此將原始數(shù)據(jù)集的樣本數(shù)量從2000條擴(kuò)充至6024條。

然后將新數(shù)據(jù)樣本進(jìn)行自適應(yīng)波形分解，每個(gè)樣本得到若干子波分量，對分量按有效值進(jìn)行排序，組合重構(gòu)可得濾波后的樣本?；谏鲜鰳颖?，利用希爾伯特變換將時(shí)域波形轉(zhuǎn)換為時(shí)頻域圖像。將生成的圖像集合按對應(yīng)工況分類進(jìn)行標(biāo)簽綁定，并按1:4的比例劃分為測試集與訓(xùn)練集。訓(xùn)練集用以訓(xùn)練VGG16模型以達(dá)到診斷分類要求，測試集則用以檢測模型效果。本文模型的具體診斷流程如圖3所示。

圖2 三種工況下原始信號(hào)時(shí)域波形圖

圖3 診斷流程圖

2.2 自適應(yīng)波形分解與時(shí)頻轉(zhuǎn)換試驗(yàn)

選取正常工況下的振動(dòng)加速度數(shù)據(jù)輸入到自適應(yīng)波形分解算法中。為驗(yàn)證有效性，本文選擇與原始EMD方法進(jìn)行對比，設(shè)置自適應(yīng)分解的最大迭代次數(shù)為100次，添加噪音縮放比例為5%，兩種方法波形分解結(jié)果如圖4、圖5所示，其中IMF1～4代表高頻分量，其振動(dòng)值的有效值趨向于0；而IMF5、6可看作為低頻分量，其振動(dòng)值的有效值不易趨近于0。可以看出，在分解結(jié)果方面，自適應(yīng)波形分解下的分量IMF5和IMF6干擾較小，模態(tài)混疊現(xiàn)象較傳統(tǒng)EMD方法減弱很多，而其余分量分解效果與EMD相當(dāng)；在分解時(shí)間方面，原始EMD方法耗時(shí)60.02 s，自適應(yīng)波形分解方法由于加入了噪音策略，分解耗時(shí)略長，為93.82 s，但綜合考慮效果，該時(shí)長在工程可接受的范圍內(nèi)。因此證明自適應(yīng)波形分解方法的優(yōu)越性。

為獲取風(fēng)機(jī)狀態(tài)關(guān)聯(lián)的有效信息，選取有效值排序前5的分量進(jìn)行波形重構(gòu)，得到處理后的信號(hào)。對信號(hào)進(jìn)行希爾伯特變換，將一維樣本轉(zhuǎn)成大小為(224, 224)的二維時(shí)頻圖像。

圖4 EMD分解方法所得各分量圖

圖5 自適應(yīng)波形分解方法所得各分量圖

為了驗(yàn)證本文方法在時(shí)頻轉(zhuǎn)換方面的可行性，采用STFT（Short-Time Fourier Transform，短時(shí)傅里葉變換）、EMD、EEMD與本方法進(jìn)行時(shí)頻轉(zhuǎn)換對比試驗(yàn)。試驗(yàn)分解波形為一疊加了100 Hz、200 Hz、300 Hz頻率的三角正弦仿真信號(hào)，采樣頻率為1000 Hz，最終生成時(shí)頻譜如圖6所示。時(shí)頻譜圖是IMF分量與對應(yīng)能量分布的結(jié)合，每個(gè)時(shí)間與頻率所對應(yīng)的點(diǎn)代表的就是功率值。頻譜圖通過顏色對頻率功率水平進(jìn)行編碼。黃色表示功率較高的頻率成分；藍(lán)色表示功率非常低的頻率成分。

可以看出，受時(shí)間窗口、端點(diǎn)效應(yīng)的影響，STFT和EMD方法均存在大量虛假模態(tài)分量，EEMD方法較前兩者稍好，但300 Hz分量仍存在模態(tài)混雜現(xiàn)象，而本文所用自適應(yīng)波形分解方法頻率成分更加集中，可基本區(qū)分出100 Hz、200 Hz、300 Hz的分量。因此可以得出，自適應(yīng)波形分解方法可以很好地應(yīng)用于時(shí)頻轉(zhuǎn)換。

圖6 不同方法時(shí)頻轉(zhuǎn)換對比

2.3 VGG16分類診斷試驗(yàn)

依據(jù)工作狀態(tài)將數(shù)據(jù)分為三類：正常運(yùn)行工況、變槳工況和故障工況。利用上文所述自適應(yīng)波形分解方法進(jìn)行時(shí)頻轉(zhuǎn)換，各狀態(tài)時(shí)頻譜示例如圖7所示，圖中用顏色深淺代表對應(yīng)時(shí)間－頻率下的頻率幅值強(qiáng)弱?？梢钥闯?，正常狀態(tài)下頻率成分較為單一，主要為風(fēng)機(jī)的工作頻率；故障狀態(tài)下頻率雜亂，低頻部分噪音明顯增多。利用圖像的紋理與色彩，神經(jīng)網(wǎng)絡(luò)可以進(jìn)行后續(xù)的分類診斷。

本文構(gòu)建的VGG16模型結(jié)構(gòu)如表1所示，其卷積層均采用相同的卷積核參數(shù)，這樣能使每一個(gè)卷積層與前一層張量保持相同的寬和高；池化層均采用相同的池化核參數(shù)，池化單元選用尺寸為2×2，步長為2；模型利用小尺寸卷積核等效大尺寸卷積核，故在特征提取效果相當(dāng)時(shí)，多個(gè)小卷核與大卷積核相比，學(xué)習(xí)參數(shù)更少、計(jì)算量較小、訓(xùn)練更快速。該網(wǎng)絡(luò)在構(gòu)建時(shí)采用Dropout策略，可以防止模型訓(xùn)練過擬合的情況。經(jīng)過偏置校正后，每一次迭代學(xué)習(xí)率都有個(gè)確定的范圍，使參數(shù)比較平穩(wěn)。

表1 VGG16網(wǎng)絡(luò)結(jié)構(gòu)圖

為驗(yàn)證本文診斷模型的有效性，設(shè)置一組對比試驗(yàn)：將生成的時(shí)頻譜樣本集分別輸入至本文VGG16模型和傳統(tǒng)CNN（Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)）模型中，進(jìn)行各工況的分類測試，試驗(yàn)樣本共計(jì)6024條，其中正常工況3024條，變槳工況2500條，故障工況500條。為了保證輸入的隨機(jī)性和普遍性，采用隨機(jī)抽樣[19]的方式生成訓(xùn)練集和測試集。試驗(yàn)所用工作站使用Windows 10操作系統(tǒng)，處理器為英特爾11代處理器i9-11900K，機(jī)帶RAM為64 GB。

圖7 各工況時(shí)頻譜

本文選取的模型評(píng)價(jià)標(biāo)準(zhǔn)為準(zhǔn)確率和損失值。準(zhǔn)確率是在全部預(yù)測中，正確預(yù)測結(jié)果所占的比例；損失值是模型輸出結(jié)果與真實(shí)值的偏離程度，本文使用交叉熵?fù)p失作為損失函數(shù)。

由圖8可以看出，對于傳統(tǒng)CNN模型，雖然驗(yàn)證集和訓(xùn)練集重合的最高準(zhǔn)確率為92%，但模型并不穩(wěn)定，10個(gè)迭代之后，驗(yàn)證集和訓(xùn)練集的波動(dòng)較大，CNN模型并不能有效收斂。而在同樣超參數(shù)設(shè)置下，本文所用VGG16模型可以快速收斂，且準(zhǔn)確率在98%左右。證明基于本文的時(shí)頻轉(zhuǎn)換方法，VGG16模型可以達(dá)到更好更快的分類診斷效果。

圖8 模型識(shí)別結(jié)果對比

為測試本模型對本文數(shù)據(jù)的分類效果，將上述三類工況時(shí)頻數(shù)據(jù)集輸入至訓(xùn)練完成的VGG16網(wǎng)絡(luò)中，預(yù)測結(jié)果如圖9所示?？梢钥闯觯９r的樣本完全預(yù)測正確，故障和變槳工況樣本有誤判現(xiàn)象，這一方面考慮為數(shù)據(jù)源不平衡所致，另一方面在實(shí)際工況中，較長時(shí)段的數(shù)據(jù)可能更加復(fù)雜多樣，時(shí)頻譜更加繁雜，且模型存在一定過擬合，泛化能力有待提升，但模型整體的預(yù)測準(zhǔn)確性在可接受范圍內(nèi)。

圖9 VGG16預(yù)測結(jié)果混淆矩陣

3 結(jié)語

本文通過對風(fēng)機(jī)振動(dòng)加速度信號(hào)進(jìn)行自適應(yīng)波形分解，再將處理后的信號(hào)進(jìn)行時(shí)頻轉(zhuǎn)換得到二維時(shí)頻譜，將構(gòu)造的時(shí)頻樣本集輸入到VGG16模型中，進(jìn)行風(fēng)機(jī)工況分類診斷，可以得到以下結(jié)論：①在非平穩(wěn)信號(hào)下，自適應(yīng)的波形分解方法能夠減少模態(tài)混雜的影響；②利用經(jīng)過時(shí)頻分析的二維樣本與VGG16結(jié)合，可以實(shí)現(xiàn)風(fēng)機(jī)工況信號(hào)特征的進(jìn)一步抽取。

本文模型雖然在風(fēng)力發(fā)電機(jī)的工況診斷中取得了較好的效果，但仍存在一定優(yōu)化空間：①樣本擴(kuò)充存在一定的過擬合風(fēng)險(xiǎn)，對于不平衡數(shù)據(jù)的處理有待進(jìn)一步研究；②目前的波形分解方法仍存在噪音干擾，可以與小波變換等方法相結(jié)合進(jìn)一步濾波降噪。

[1]傅質(zhì)馨，袁越. 海上風(fēng)電機(jī)組狀態(tài)監(jiān)控技術(shù)研究現(xiàn)狀與展望[J]. 電力系統(tǒng)自動(dòng)化，2012，36（21）：121-129.

[2]王廣斌，劉義倫，金曉宏，等. 基于時(shí)間序列分析的風(fēng)機(jī)運(yùn)行狀態(tài)監(jiān)測與預(yù)報(bào)及故障診斷[J]. 機(jī)械，2005（1）：21-23.

[3]黃子恒，許釗源，伍劍波，等. 基于優(yōu)化模態(tài)分解和Xgblr的風(fēng)機(jī)葉片故障診斷方法[J]. 機(jī)械設(shè)計(jì)，2022，39（7）：56-62.

[4]李鳳林，杜紅梅，巫忠書，等. 基于EEMD的列車車輪多邊形故障診斷方法[J]. 機(jī)械，2021，48（5）：43-51.

[5]王挺韶，季天瑤，姜雨滋，等. 基于降噪自動(dòng)編碼器與一維卷積網(wǎng)絡(luò)的風(fēng)機(jī)故障診斷方法[J]. 電測與儀表，2020，60（1）：87-93，173.

[6]張龍，甄燦壯，熊國良，等. 基于深度時(shí)頻特征的機(jī)車軸承故障診斷[J]. 交通運(yùn)輸工程學(xué)報(bào)，2021，21（6）：247-258.

[7]劉輝海，趙星宇，趙洪山，等. 基于深度自編碼網(wǎng)絡(luò)模型的風(fēng)電機(jī)組齒輪箱故障檢測[J]. 電工技術(shù)學(xué)報(bào)，2017，32（17）：156-163.

[8]王博特，王宇楠，鄭濤，等. 大型風(fēng)力發(fā)電機(jī)葉片振動(dòng)測試與分析[J]. 噪音與振動(dòng)控制，2021，41（4）：253-258.

[9]Dong Y，F(xiàn)ang F，Gu Y. Dynamic evaluation of wind turbine health condition based on Gaussian mixture model and evidential reasoning[J]. Journal of Renewable and Sustainable Energy，2013，5（3）：33117.

[10]Dao P B，Staszewski W J，Barszcz T，et al. Condition monitoring and fault detection in wind turbines based on cointegration analysis of SCADA data[J]. Renewable Energy，2018（116）：107-122.

[11]楊仁樹，付曉強(qiáng)，楊國梁，等. EMD和FSWT組合方法在爆破振動(dòng)信號(hào)分析中的應(yīng)用研究[J]. 振動(dòng)與沖擊，2017，36（2）：58-64.

[12]Ren Y，Suganthan P N，Srikanth N. A Comparative Study of Empirical Mode Decomposition-Based Short-Term Wind Speed Forecasting Methods[J]. IEEE Transactions on Sustainable Energy，2015，6（1）：236-244.

[13]朱可恒，宋希庚，薛冬新. 希爾伯特振動(dòng)分解在滾動(dòng)軸承故障診斷中應(yīng)用[J]. 振動(dòng)與沖擊，2014，33（14）：160-164.

[14]石琳，劉文慧，曹富軍，等. 基于CEEMDAN-SVM-LSTM的高爐煤氣利用率組合預(yù)測[J]. 中國測試，2022，49（1）：86-91.

[15]Huang N，Shen Z，Long S，et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society a-Mathematical Physical and Engineering Sciences，1998，454（1971）：903-995.

[16]Chen A，Wu W，Miao J，et al. Analysis of turbine-grid interaction of grid-connected wind turbine using HHT[C]. 2018 7TH International Conference on Clean and Green Energy，2018.

[17]Zhang X，Zou J，He K，et al. Accelerating Very Deep Convolutional Networks for Classification and Detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，38（10）：1943-1955.

[18]朱曦. VGG16卷積神經(jīng)網(wǎng)絡(luò)的電路設(shè)計(jì)與FPGA驗(yàn)證[D]. 西安：西安電子科技大學(xué)，2020.

[19]黃哲學(xué)，何玉林，魏丞昊，等. 大數(shù)據(jù)隨機(jī)樣本劃分模型及相關(guān)分析計(jì)算技術(shù)[J]. 數(shù)據(jù)采集與處理，2019，34（3）：373-385.

A Method for Wind Turbine Condition Diagnosis Based on Adaptive Decomposition and Time-Frequency Transform

HUANG Ziheng1，XU Zhaoyuan1，F(xiàn)ANG Hui1，WU Jianbo1，LI Jinhang2，SHI Zhiyuan2

(1.School of Mechanical Engineering, Sichuan University, Chengdu 610065, China;2.The Research and Development Center, Dongfang Electric Corporation, Chengdu 611731, China )

At present, the research on the working condition diagnosis method of wind turbines is relatively lacking. In this paper, a diagnosis method based on adaptive decomposition and time-frequency transform is proposed. The algorithm of this method adopts the sliding interval sample expansion, the adaptive waveform decomposition method based on improved CEEMDAN, the Hilbert transform, and the VGG16 neural network. During the process, firstly, the vibration acceleration signal is decomposed and denoised by the adaptive decomposition method, the processed signal is transformed to generate a two-dimensional time spectrum, and the VGG16 model is used to classify the time spectrum set. In order to evaluate the effectiveness of the method, the method in this paper is compared with the traditional decomposition mode and CNN model. The performance of the classification is evaluated and the result shows that the method has better accuracy.

wind turbine；waveform decomposition；time spectrum；VGG16

TK83

A

10.3969/j.issn.1006-0316.2023.10.004

1006-0316 (2023) 10-0020-08

2022-09-23

四川省科技計(jì)劃重點(diǎn)研發(fā)項(xiàng)目（2021YFG0039）

黃子恒（1996－），男，四川成都人，碩士研究生，主要研究方向?yàn)橹悄芸刂婆c故障診斷，E-mail：1738568615@qq.com。

通訊作者：伍劍波（1986－），男，四川眉山人，博士，教授、博士研究生導(dǎo)師，主要研究方向?yàn)橹悄芸刂婆c無損檢測，E-mail：wujianbo@scu.edu.cn。