權(quán)利要求書： 1.一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法，其特征在于，包括：采集風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號，所述實(shí)時監(jiān)測信號為時序數(shù)據(jù)；

構(gòu)建深度學(xué)習(xí)模型，對所述實(shí)時監(jiān)測信號進(jìn)行第一特征提取與第二特征提取，并進(jìn)行所述深度學(xué)習(xí)模型訓(xùn)練；

將待檢測信號輸入至所述深度學(xué)習(xí)模型，利用分類器對所述風(fēng)機(jī)軸承進(jìn)行故障識別，并輸出故障檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)，其特征在于，所述風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號包括風(fēng)機(jī)軸承振動、軸承溫度和旋轉(zhuǎn)速度信息；所述故障識別的結(jié)果包括嚴(yán)重故障、一般故障和預(yù)警故障，所述故障檢測結(jié)果包括根據(jù)故障等級輸出故障診斷建議。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)，其特征在于，所述采集風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號包括：獲取原始樣本數(shù)據(jù)，其中，所述原始樣本數(shù)據(jù)包含實(shí)時監(jiān)測信號；

對所述原始樣本數(shù)據(jù)進(jìn)行標(biāo)簽化分類，生成第一數(shù)據(jù)集、第二數(shù)據(jù)集和第三數(shù)據(jù)集，其中，所述第一數(shù)據(jù)集的監(jiān)測數(shù)據(jù)采集成功率不小于90％，所述第二數(shù)據(jù)集的監(jiān)測數(shù)據(jù)采集成功率大于50％小于90％，所述第三數(shù)據(jù)集的監(jiān)測數(shù)據(jù)采集成功率不大于50％；

對標(biāo)簽化分類后的數(shù)據(jù)集進(jìn)行篩查復(fù)選，得到優(yōu)化樣本數(shù)據(jù)以提高小樣本數(shù)據(jù)特征提取能力。

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)，其特征在于，所述對標(biāo)簽化分類后的數(shù)據(jù)集進(jìn)行篩查復(fù)選，得到優(yōu)化樣本數(shù)據(jù)包括：采用局部線性回歸法對所述第一數(shù)據(jù)集、第二數(shù)據(jù)集和第三數(shù)據(jù)集進(jìn)行擬合分析，利用高斯函數(shù)放大局部信息；

提取擬合優(yōu)度優(yōu)度符合條件的樣本數(shù)據(jù)區(qū)間，得到所述優(yōu)化樣本數(shù)據(jù)。

5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)，其特征在于，所述構(gòu)建深度學(xué)習(xí)模型，對所述實(shí)時監(jiān)測信號進(jìn)行第一特征提取與第二特征提取包括：利用所述優(yōu)化樣本數(shù)據(jù)，采用滑動時間窗口法構(gòu)建用于進(jìn)行深度學(xué)習(xí)的訓(xùn)練集、驗(yàn)證集和測試集，并利用所述訓(xùn)練集隨機(jī)選取數(shù)據(jù)對的方式生成支撐集；

構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶人工神經(jīng)網(wǎng)絡(luò)，并利用所述一維卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶人工神經(jīng)網(wǎng)絡(luò)提取所述第一特征和第二特征，進(jìn)行所述深度學(xué)習(xí)模型訓(xùn)練。

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)，其特征在于，所述一維卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、卷積層和池化層，所述構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶人工神經(jīng)網(wǎng)絡(luò)，并利用所述一維卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶人工神經(jīng)網(wǎng)絡(luò)提取所述第一特征和第二特征，進(jìn)行所述深度學(xué)習(xí)模型訓(xùn)練包括：將所述支撐集輸入至所述輸入層，并經(jīng)過所述卷積層和池化層處理得到所述第一特征；

將所述第一特征序列數(shù)據(jù)直接輸入至所述長短期記憶人工神經(jīng)網(wǎng)絡(luò)得到所述第二特征，利用自適應(yīng)矩估計法進(jìn)行訓(xùn)練過程優(yōu)化，并通過最小化損失函數(shù)更新網(wǎng)絡(luò)參數(shù)，將參數(shù)固定在所述深度學(xué)習(xí)模型上；

利用所述驗(yàn)證集對參數(shù)進(jìn)行調(diào)整。

7.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)，其特征在于，所述將待檢測信號輸入至所述深度學(xué)習(xí)模型，利用分類器對所述風(fēng)機(jī)軸承進(jìn)行故障識別，并輸出故障檢測結(jié)果包括：將所述測試集輸入至所述深度學(xué)習(xí)模型；

利用softmax函數(shù)得到故障概率向量，根據(jù)所述故障概率向量進(jìn)行風(fēng)機(jī)故障識別，并根據(jù)識別結(jié)果輸出所述故障診斷建議。

8.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)，其特征在于，所述深度學(xué)習(xí)模型的學(xué)習(xí)率為0.015，迭代次數(shù)為150。

9.一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測系統(tǒng)，其特征在于，包括：信號采集單元，用于采集風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號，所述實(shí)時監(jiān)測信號為時序數(shù)據(jù)；

學(xué)習(xí)訓(xùn)練單元，用于構(gòu)建深度學(xué)習(xí)模型，對所述實(shí)時監(jiān)測信號進(jìn)行第一特征提取與第二特征提取，并進(jìn)行所述深度學(xué)習(xí)模型訓(xùn)練；

故障檢測單元，用于將待檢測信號輸入至所述深度學(xué)習(xí)模型，利用分類器對所述風(fēng)機(jī)軸承進(jìn)行故障識別，并輸出故障檢測結(jié)果。

說明書： 一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)技術(shù)領(lǐng)域[0001] 本發(fā)明涉及新能源技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)。背景技術(shù)[0002] 近年來，中國新能源發(fā)展迅速，其中風(fēng)電的發(fā)展尤為突出，風(fēng)電裝機(jī)容量快速增長，現(xiàn)已成為全球最大的風(fēng)電市場。[0003] 風(fēng)機(jī)軸承是風(fēng)力發(fā)電機(jī)組中重要的組成部分，其質(zhì)量和性能直接影響風(fēng)力發(fā)電機(jī)組的發(fā)電效率和運(yùn)行安全性。由于長期運(yùn)行和外界環(huán)境因素的影響，風(fēng)機(jī)軸承容易出現(xiàn)磨損、腐蝕、裂紋等故障，導(dǎo)致風(fēng)機(jī)軸承的性能下降、壽命縮短，嚴(yán)重時可能導(dǎo)致風(fēng)機(jī)軸承的損壞和整機(jī)故障。因此，對風(fēng)機(jī)軸承的故障進(jìn)行及時、準(zhǔn)確的檢測和診斷，對于保障風(fēng)力發(fā)電機(jī)組的安全運(yùn)行和提高發(fā)電效率具有重要意義。[0004] 目前，對風(fēng)機(jī)軸承的故障檢測主要采用振動信號分析、溫度信號分析、聲音信號分析等方法，通過分析信號的頻譜特征、時域特征和幅值特征等，從而判斷風(fēng)機(jī)軸承的運(yùn)行狀態(tài)和故障情況。傳統(tǒng)的聲音信號分析方法主要采用傅里葉變換、小波變換、短時傅里葉變換等數(shù)學(xué)方法進(jìn)行信號處理和特征提取，然后使用支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等分類器對特征進(jìn)行分類識別。雖然這些方法在風(fēng)機(jī)軸承的故障檢測領(lǐng)域具有一定的應(yīng)用價值，但是由于信號處理和特征提取的復(fù)雜性和分類器的復(fù)雜性，仍存在識別精度低、計算量大、魯棒性差等問題，難以滿足實(shí)際應(yīng)用的需求。[0005] 綜上所述，當(dāng)前現(xiàn)有技術(shù)難以實(shí)現(xiàn)對風(fēng)機(jī)故障的準(zhǔn)確可靠檢測。發(fā)明內(nèi)容[0006] 有鑒于此，本發(fā)明實(shí)施例提出的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)，可以有效解決識別精度低、計算量大、魯棒性差等問題，在小樣本學(xué)習(xí)的條件下也具有較高的識別準(zhǔn)確性，具有很強(qiáng)的應(yīng)用前景。[0007] 本發(fā)明的實(shí)施例提供了一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法，包括：[0008] 采集風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號，所述實(shí)時監(jiān)測信號為時序數(shù)據(jù)；[0009] 構(gòu)建深度學(xué)習(xí)模型，對所述實(shí)時監(jiān)測信號進(jìn)行第一特征提取與第二特征提取，并進(jìn)行所述深度學(xué)習(xí)模型訓(xùn)練；[0010] 將待檢測信號輸入至所述深度學(xué)習(xí)模型，利用分類器對所述風(fēng)機(jī)軸承進(jìn)行故障識別，并輸出故障檢測結(jié)果。[0011] 示例性地，所述風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號包括風(fēng)機(jī)軸承振動、軸承溫度和旋轉(zhuǎn)速度信息；所述故障識別的結(jié)果包括嚴(yán)重故障、一般故障和預(yù)警故障，所述故障檢測結(jié)果包括根據(jù)故障等級輸出故障診斷建議。[0012] 示例性地，所述采集風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號包括：[0013] 獲取包含實(shí)時監(jiān)測信號的原始樣本數(shù)據(jù)；[0014] 對所述原始樣本數(shù)據(jù)進(jìn)行標(biāo)簽化分類，生成第一數(shù)據(jù)集、第二數(shù)據(jù)集和第三數(shù)據(jù)集，其中，所述第一數(shù)據(jù)集的監(jiān)測數(shù)據(jù)采集成功率不小于90％，所述第二數(shù)據(jù)集的監(jiān)測數(shù)據(jù)采集成功率大于50％小于90％，所述第三數(shù)據(jù)集的監(jiān)測數(shù)據(jù)采集成功率不大于50％；[0015] 對標(biāo)簽化分類后的數(shù)據(jù)集進(jìn)行篩查復(fù)選，得到優(yōu)化樣本數(shù)據(jù)以提高小樣本數(shù)據(jù)特征提取能力。[0016] 示例性地，所述對標(biāo)簽化分類后的數(shù)據(jù)集進(jìn)行篩查復(fù)選，得到優(yōu)化樣本數(shù)據(jù)包括：[0017] 采用局部線性回歸法對所述第一數(shù)據(jù)集、第二數(shù)據(jù)集和第三數(shù)據(jù)集進(jìn)行擬合分析，利用高斯函數(shù)放大局部信息；[0018] 提取擬合優(yōu)度優(yōu)度符合條件的樣本數(shù)據(jù)區(qū)間，得到所述優(yōu)化樣本數(shù)據(jù)。[0019] 示例性地，所述構(gòu)建深度學(xué)習(xí)模型，對所述實(shí)時監(jiān)測信號進(jìn)行第一特征提取與第二特征提取包括：[0020] 利用所述優(yōu)化樣本數(shù)據(jù)，采用滑動時間窗口法構(gòu)建用于進(jìn)行深度學(xué)習(xí)的訓(xùn)練集、驗(yàn)證集和測試集，并利用所述訓(xùn)練集隨機(jī)選取數(shù)據(jù)對的方式生成支撐集；[0021] 構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶人工神經(jīng)網(wǎng)絡(luò)，并利用所述一維卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶人工神經(jīng)網(wǎng)絡(luò)提取所述第一特征和第二特征，進(jìn)行所述深度學(xué)習(xí)模型訓(xùn)練。[0022] 示例性地，所述一維卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、卷積層和池化層，所述構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶人工神經(jīng)網(wǎng)絡(luò)，并利用所述一維卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶人工神經(jīng)網(wǎng)絡(luò)提取所述第一特征和第二特征，進(jìn)行所述深度學(xué)習(xí)模型訓(xùn)練包括：[0023] 將所述支撐集輸入至所述輸入層，并經(jīng)過所述卷積層和池化層處理得到所述第一特征；[0024] 將所述第一特征序列數(shù)據(jù)直接輸入至所述長短期記憶人工神經(jīng)網(wǎng)絡(luò)得到所述第二特征，利用自適應(yīng)矩估計法進(jìn)行訓(xùn)練過程優(yōu)化，并通過最小化損失函數(shù)更新網(wǎng)絡(luò)參數(shù)，將參數(shù)固定在所述深度學(xué)習(xí)模型上；[0025] 利用所述驗(yàn)證集對所述參數(shù)進(jìn)行調(diào)整。[0026] 示例性地，所述將待檢測信號輸入至所述深度學(xué)習(xí)模型，利用分類器對所述風(fēng)機(jī)軸承進(jìn)行故障識別，并輸出故障檢測結(jié)果包括：[0027] 將所述測試集輸入至所述深度學(xué)習(xí)模型；[0028] 利用softmax函數(shù)得到故障概率向量，根據(jù)所述故障概率向量進(jìn)行風(fēng)機(jī)故障識別，并根據(jù)識別結(jié)果輸出所述故障診斷建議。[0029] 示例性地，所述深度學(xué)習(xí)模型的學(xué)習(xí)率為0.015，迭代次數(shù)為150。[0030] 本發(fā)明的另一實(shí)施例提供了一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測系統(tǒng)，包括：[0031] 信號采集單元，用于采集風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號，所述實(shí)時監(jiān)測信號為時序數(shù)據(jù)；[0032] 學(xué)習(xí)訓(xùn)練單元，用于構(gòu)建深度學(xué)習(xí)模型，對所述實(shí)時監(jiān)測信號進(jìn)行第一特征提取與第二特征提取，并進(jìn)行所述深度學(xué)習(xí)模型訓(xùn)練；[0033] 故障檢測單元，用于將待檢測信號輸入至所述深度學(xué)習(xí)模型，利用分類器對所述風(fēng)機(jī)軸承進(jìn)行故障識別，并輸出故障檢測結(jié)果。[0034] 本發(fā)明提供了一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)，包括采集風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號，實(shí)時監(jiān)測信號為時序數(shù)據(jù)；構(gòu)建深度學(xué)習(xí)模型，對實(shí)時監(jiān)測信號進(jìn)行第一特征提取與第二特征提取，并進(jìn)行深度學(xué)習(xí)模型訓(xùn)練；將待檢測信號輸入至深度學(xué)習(xí)模型，利用分類器對風(fēng)機(jī)軸承進(jìn)行故障識別，并輸出故障檢測結(jié)果。相對于現(xiàn)有技術(shù)而言，本發(fā)明的技術(shù)方案可以有效解決識別精度低、計算量大、魯棒性差等問題，在小樣本學(xué)習(xí)的條件下也具有較高的識別準(zhǔn)確性，具有很強(qiáng)的應(yīng)用前景。附圖說明[0035] 為了更清楚地說明本發(fā)明的技術(shù)方案，下面將對實(shí)施例中所需要使用的附圖作簡單地介紹，應(yīng)當(dāng)理解，以下附圖僅示出了本發(fā)明的某些實(shí)施例，因此不應(yīng)被看作是對本發(fā)明保護(hù)范圍的限定。在各個附圖中，類似的構(gòu)成部分采用類似的編號。[0036] 圖1為本發(fā)明實(shí)施例提供的一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法流程示意圖；[0037] 圖2為本發(fā)明實(shí)施例提供的步驟S101方法流程示意圖；[0038] 圖3為本發(fā)明實(shí)施例提供的步驟S102方法流程示意圖；[0039] 圖4為本發(fā)明實(shí)施例提供的步驟S302方法流程示意圖；[0040] 圖5為本發(fā)明實(shí)施例提供的步驟S103方法流程示意圖；[0041] 圖6為本發(fā)明實(shí)施例提供的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測系統(tǒng)示意圖。[0042] 主要元件符號說明：[0043] 10?信號采集單元；20?學(xué)習(xí)訓(xùn)練單元；30?故障檢測單元。具體實(shí)施方式[0044] 下面將結(jié)合本發(fā)明實(shí)施例中附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。[0045] 常見的風(fēng)機(jī)發(fā)電系統(tǒng)故障中，傳動系統(tǒng)的故障發(fā)生概率較高，由于傳動系統(tǒng)是風(fēng)電機(jī)組產(chǎn)生能量變換的重要部件，因此傳統(tǒng)系統(tǒng)故障造成的影響也較大，會導(dǎo)致較長時間的停機(jī)和維修，嚴(yán)重降低了風(fēng)電場的安全可靠性和發(fā)電經(jīng)濟(jì)性。對此，本發(fā)明實(shí)施例提供的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法和系統(tǒng)，結(jié)合深度學(xué)習(xí)理論實(shí)現(xiàn)了深度神經(jīng)網(wǎng)絡(luò)故障診斷，能夠很好地應(yīng)用于風(fēng)電機(jī)組傳動系統(tǒng)。[0046] 實(shí)施例1[0047] 請參照圖1，本實(shí)施例提出一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法，包括：[0048] 步驟S101，采集風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號，實(shí)時監(jiān)測信號為時序數(shù)據(jù)；[0049] 具體地，風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號包括風(fēng)機(jī)軸承振動超標(biāo)、軸承溫度過高、動葉卡澀和旋轉(zhuǎn)失速等信息。[0050] 步驟S102，構(gòu)建深度學(xué)習(xí)模型，對實(shí)時監(jiān)測信號進(jìn)行第一特征提取與第二特征提取，并進(jìn)行深度學(xué)習(xí)模型訓(xùn)練；[0051] 步驟S103，將待檢測信號輸入至深度學(xué)習(xí)模型，利用分類器對風(fēng)機(jī)軸承進(jìn)行故障識別，并輸出故障檢測結(jié)果；[0052] 具體地，故障識別的結(jié)果包括嚴(yán)重故障、一般故障和預(yù)警故障，故障檢測結(jié)果包括根據(jù)故障等級的故障診斷建議。[0053] 參照圖2，步驟S101包括：[0054] 步驟S201，獲取包含實(shí)時監(jiān)測信號的原始樣本數(shù)據(jù)；[0055] 步驟S202，對原始樣本數(shù)據(jù)進(jìn)行標(biāo)簽化分類，生成第一數(shù)據(jù)集、第二數(shù)據(jù)集和第三數(shù)據(jù)集，其中，第一數(shù)據(jù)集的監(jiān)測數(shù)據(jù)采集成功率不小于90％，第二數(shù)據(jù)集的監(jiān)測數(shù)據(jù)采集成功率大于50％小于90％，第三數(shù)據(jù)集的監(jiān)測數(shù)據(jù)采集成功率不大于50％；[0056] 具體地，由于現(xiàn)場情況變化大，監(jiān)測數(shù)據(jù)采集時常存在采集失敗的情況，對此，本發(fā)明實(shí)施例在應(yīng)用數(shù)據(jù)前，按照數(shù)據(jù)采集質(zhì)量對原始樣本數(shù)據(jù)進(jìn)行分類，得到第一數(shù)據(jù)集、第二數(shù)據(jù)集和第三數(shù)據(jù)集，三類數(shù)據(jù)集的數(shù)據(jù)質(zhì)量依次遞減。在模型訓(xùn)練過程中，為能夠更好地進(jìn)行特征提取，會優(yōu)先選用第一數(shù)據(jù)集或第二數(shù)據(jù)集，并根據(jù)數(shù)據(jù)應(yīng)用情況選用第三數(shù)據(jù)集。[0057] 步驟S203，對標(biāo)簽化分類后的數(shù)據(jù)集進(jìn)行篩查復(fù)選，得到優(yōu)化樣本數(shù)據(jù)以提高小樣本數(shù)據(jù)特征提取能力。[0058] 具體地，使用第一數(shù)據(jù)集、第二數(shù)據(jù)集等高質(zhì)量數(shù)據(jù)是較為簡單的篩選方式，本發(fā)明實(shí)施例提供另一種高質(zhì)量數(shù)據(jù)篩查復(fù)選方法。首先，建立數(shù)據(jù)質(zhì)量篩查復(fù)選模型，采用局部線性回歸法對所述第一數(shù)據(jù)集、第二數(shù)據(jù)集和第三數(shù)據(jù)集進(jìn)行擬合分析，利用高斯函數(shù)放大局部信息，采用高斯函數(shù)作為權(quán)重值計算函數(shù)，對篩選出的高質(zhì)量數(shù)據(jù)組進(jìn)行權(quán)重賦值；其次提取擬合優(yōu)度優(yōu)度負(fù)荷條件的樣本數(shù)據(jù)區(qū)間，并進(jìn)行拼接得到優(yōu)化樣本數(shù)據(jù)。[0059] 參照圖3，步驟S102包括：[0060] 步驟S301，利用優(yōu)化樣本數(shù)據(jù)，采用滑動時間窗口法構(gòu)建用于進(jìn)行深度學(xué)習(xí)的訓(xùn)練集、驗(yàn)證集和測試集，并利用訓(xùn)練集隨機(jī)選取數(shù)據(jù)對的方式生成支撐集；[0061] 步驟S302，構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶人工神經(jīng)網(wǎng)絡(luò)，并利用一維卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶人工神經(jīng)網(wǎng)絡(luò)提取第一特征和第二特征，進(jìn)行深度學(xué)習(xí)模型訓(xùn)練。[0062] 具體地，由于實(shí)時監(jiān)測數(shù)據(jù)屬于一維數(shù)據(jù)，因此本發(fā)明實(shí)施例采用一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，主要包括輸入層、卷積層和池化層，在輸入層接受一維序列數(shù)據(jù)(即優(yōu)化樣本數(shù)據(jù))作為模型的輸入，并使用一系列可訓(xùn)練的卷積核在輸入數(shù)據(jù)上滑動并提取特征，通過這種方式提取出局部特征信息，提取輸入序列的局部分布，最后在池化層對卷積層輸出的結(jié)果進(jìn)行降維處理，減少計算量，并提高模型的魯棒性。本發(fā)明實(shí)施例在訓(xùn)練的過程中，將網(wǎng)絡(luò)需要設(shè)置的超參數(shù)進(jìn)行最優(yōu)求取，包括卷積核大小、卷積層個數(shù)等方面，并進(jìn)行調(diào)優(yōu)驗(yàn)證。[0063] 參照圖4，步驟S302包括：[0064] 步驟S401，將支撐集輸入至輸入層，并在卷積層和池化層處理得到第一特征；[0065] 步驟S402，將第一特征序列數(shù)據(jù)直接輸入至長短期記憶人工神經(jīng)網(wǎng)絡(luò)得到第二特征，利用自適應(yīng)矩估計法進(jìn)行訓(xùn)練過程優(yōu)化，并通過最小化損失函數(shù)更新網(wǎng)絡(luò)參數(shù)，將參數(shù)固定在深度學(xué)習(xí)模型上；[0066] 步驟S403，利用驗(yàn)證集對參數(shù)進(jìn)行調(diào)整。[0067] 具體地，現(xiàn)有技術(shù)對特征的提取往往多停留在局部特征方面，沒有有效地考慮到循環(huán)神經(jīng)網(wǎng)絡(luò)存在的長期依賴問題，可能會使診斷結(jié)果產(chǎn)生偏差。本發(fā)明實(shí)施例在應(yīng)用一維卷積神經(jīng)網(wǎng)絡(luò)提取風(fēng)電機(jī)組的序列數(shù)據(jù)局部時序特征后，又利用長短期記憶人工神經(jīng)網(wǎng)絡(luò)進(jìn)行第二特征提取，進(jìn)而形成更為全面的風(fēng)電機(jī)組軸承故障判別結(jié)果。[0068] 參照圖5，步驟S103包括：[0069] 步驟S501，將測試集輸入至深度學(xué)習(xí)模型；[0070] 步驟S502，利用softmax函數(shù)得到故障概率向量，根據(jù)故障概率向量進(jìn)行風(fēng)機(jī)故障識別，并根據(jù)識別結(jié)果輸出故障診斷建議。[0071] 具體地，深度學(xué)習(xí)模型的學(xué)習(xí)率為0.015，迭代次數(shù)為150。本發(fā)明實(shí)施例提供的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法，可在風(fēng)機(jī)軸承振動超標(biāo)、軸承溫度過高、動葉卡澀和旋轉(zhuǎn)失速信息等問題診斷的基礎(chǔ)上，給出故障程度的診斷意見。以軸承振動超標(biāo)為例，本發(fā)明實(shí)施例可自動判斷軸承振動嚴(yán)重超標(biāo)、一般超標(biāo)或是超標(biāo)預(yù)警，進(jìn)而生成相應(yīng)的應(yīng)對措施建議，可有效幫助技術(shù)人員做好日常的監(jiān)控與維修工作。[0072] 本發(fā)明提供了一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法，包括采集風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號，實(shí)時監(jiān)測信號為時序數(shù)據(jù)；構(gòu)建深度學(xué)習(xí)模型，對實(shí)時監(jiān)測信號進(jìn)行第一特征提取與第二特征提取，并進(jìn)行深度學(xué)習(xí)模型訓(xùn)練；將待檢測信號輸入至深度學(xué)習(xí)模型，利用分類器對風(fēng)機(jī)軸承進(jìn)行故障識別，并輸出故障檢測結(jié)果。相對于現(xiàn)有技術(shù)而言，本發(fā)明的技術(shù)方案可以有效解決識別精度低、計算量大、魯棒性差等問題，在小樣本學(xué)習(xí)的條件下也具有較高的識別準(zhǔn)確性，具有很強(qiáng)的應(yīng)用前景。[0073] 實(shí)施例2[0074] 參照圖6，本實(shí)施例還提出一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測系統(tǒng)，包括：[0075] 信號采集單元10，用于采集風(fēng)機(jī)軸承的實(shí)時監(jiān)測信號，實(shí)時監(jiān)測信號為時序數(shù)據(jù)；[0076] 學(xué)習(xí)訓(xùn)練單元20，用于構(gòu)建深度學(xué)習(xí)模型，對實(shí)時監(jiān)測信號進(jìn)行第一特征提取與第二特征提取，并進(jìn)行深度學(xué)習(xí)模型訓(xùn)練；[0077] 故障檢測單元30，用于將待檢測信號輸入至深度學(xué)習(xí)模型，利用分類器對風(fēng)機(jī)軸承進(jìn)行故障識別，并輸出故障檢測結(jié)果。[0078] 可以理解，上述的一種基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測系統(tǒng)對應(yīng)于實(shí)施例1的基于深度學(xué)習(xí)的風(fēng)機(jī)軸承的故障檢測方法。實(shí)施例1中的任何可選項(xiàng)也適用于本實(shí)施例，這里不再詳述。[0079] 以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。