小波神經理論在風力機齒輪箱故障診斷系統中的應用

樊立云，張培杰

（ 1.北京京能新能源有限公司，北京 100028;2.華北電力大學電站設備狀態監測與控制教育部重點實驗室，河北保定，071003）

0 引言

風力發電機齒輪箱工作環境惡劣，故障率較高，造成機組停機時間長，齒輪箱的狀態監測與故障診斷對風力機安全經濟運行至關重要。

風力機齒輪箱振動信號時一種時頻特性復雜的非平穩信號，常規的時域和頻域分析方法難以有效分析齒輪箱的故障及提取故障特征。小波變換具有多分辨率特性及良好的時頻局部變換特性，適用于非平頻穩信號。提出一種基于小波分析和神經網絡的風力機齒輪箱故障診斷方法，該方法采用小波時頻分析技術對風力發電機故障振動信號進行消噪濾波，通過小波包分解系數求取頻帶能量，根據各個頻帶能量的變化提取故障特征，為實現智能診斷提供故障特征值。應用BP神經網絡進行故障識別，并采用LabVIEW和matlab軟件予以實現。結果表明，該方法能有效提高風力發電機組齒輪箱故障診斷的準確性［1，2］。

1 風力發電機組齒輪箱故障及其診斷方法

1.1 風力機齒輪箱的主要故障

風力機齒輪箱的主要結構包括軸、齒輪和軸承，故障從結構上可以分為以下幾類［2］:

(1)軸的故障:軸不對中，軸不平衡，軸彎曲等;

(2)軸承故障:軸承內外圈磨損，滾動體磨損等。

(3)齒輪故障:齒面剝落，齒面膠合，齒面磨損斷齒等。

針對風力發電機組齒輪箱的故障形式特點，選用松散型小波神經網絡比較適合。即利用小波包分析，把故障信號分解在相互獨立的頻帶內，各頻帶內的能量值形成一個特征向量，不同的故障對應不同的特征向量值，作為神經網絡的輸入特征向量。齒輪箱故障診斷流程分為以下步驟:將得到的去噪后信號進行小波包分解，把分解后各頻帶的能量作為輸入神經網絡的特征向量。

文中分析齒輪箱振動信號診斷其故障，以齒輪的3種典型狀態:正常、齒輪磨損、齒輪斷齒為例進行研究。

2 小波分析與特征值的提取

2.1 小波變換基本原理

對于非線性振動產生的信號，小波變換則是一種有效的信號處理方法，它是一種時間—頻率分析方法，具有多分辨率的特點，在低頻部分具有較高的頻率分辨率和較低的時間分辨率，在高頻部分需要較高的時間分辨率和較低的頻率分辨率［3－4］。小波變換的基本思想與傅里葉變換是一致的，它也是用一族函數來表示信號的函數，稱這種函數族為小波函數系，但是與傅里葉變換所用的正弦函數不同，它是由一基本小波函數的平移和伸縮構成的函數。

2.2 小波包能量特征提取的方法

齒輪箱的振動信號中含有豐富的頻率成分，小波包分解能夠為信號提供一種更精細的分析方法，通過對頻帶進行多層次劃分，使多分辨分析中沒有細分的高頻部分得到進一步分解。故障信號與正常信號相比，相同頻帶內信號的能量差別較大。在各頻率成分信號中包含著豐富的故障信息，利用小波包分解能夠對振動信號進行精確細分，提取信號的特征向量。

假設原始信號x(t)中，最低頻率成分為0，最高頻率成分為f。實現了對原始信號S整個頻率范圍內的8頻帶等間隔分解。因此可以利用各個頻帶能量的變化來提取故障特征，頻帶能量可以由小波包分解系數來求取，具體步驟:

(1)利用db小波對采集來的信號S(t)進行3層小波包分解，分別提取第3層從低頻到高頻8個頻率成分的信號特征。

(2)對小波包分解系數重構，提取各頻帶范圍的信號特征。

(3)求各頻帶信號的能量。

式中xik表示重構信號，Si離散點的幅值。

(4)特征向量的構造。由于齒輪箱出現故障時，會對各頻帶內信號的能量有一定的影響，所以以能量為元素構造一個特征向量。特征向量構造如下:

對分解后第三層的8個頻帶分別進行重構，得到信號從低頻到高頻的信號能量，從而可以構造一個以能量為元素的特征向量，并根據式(5)進行歸一化處理，得到可以用于神經網絡輸入的特征向量。

3 人工神經元網與故障模式識別

3.1 BP神經網絡模型簡介

BP 神經網絡［5，6］是一種單向傳播的多層前向網絡，源于網絡權值的調整規則采用的后向傳播的BP學習算法。BP神經網絡是三層或者三層以上的人工神經網絡，由輸入層、隱含層和輸出層組成，同一層節點不發生橫向聯系，相鄰層的節點通過連接權值相連，網絡學習所獲得的知識就體現在這些權值的集合之中。BP神經網絡結構圖如下:

圖1 BP神經網絡結構圖

BP算法的學習過程包括信號的正向傳遞和誤差的逆向傳播。正向傳遞時，信號經隱含層處理后傳向輸出層。若輸出層未能得到期望的輸出，則轉入誤差的逆向傳播階段，將輸出誤差按某種形式通過隱含層向輸入層逐層返回，并分配給各層的所有單元，從而獲得各層單元的誤差信號，根據誤差調節權值，直至誤差控制在允許范圍，神經網絡訓練完畢。

3.2 BP網絡步驟設計

文中利用小波包變換后的特征向量作為BP神經網絡的輸入值，即小波分析和神經網絡的結合為松散型結合，以實現故障模式識別。BP網絡設計步驟如下［6－7］:

1)以小波包分解提取電機狀態信號的特征向量作為輸入樣本 Ti=［E0，E1，E2，E3，E4，E5，E6，E7］。為簡化網絡結構用3個輸出神經元節點，其中神經元輸出(1，0，0)表示齒輪正常，(0，1，0)表示齒輪磨損，(0，0，1)表示齒輪斷齒。

2)根據輸入特征向量的維數和設備的故障數確定神經網絡的輸入和輸出層節點數。根據小波包三層分解得到的能量特征向量，確定神經網絡的輸入節點數為8;輸出節點數為3。中間層神經元選擇tansig(S型正切函數)為激活函數，輸出層神經元選擇logsig(S型對數函數)為激活函數。

3)利用編寫BP神經網絡程序并進行訓練，訓練結束后，查看訓練結果是否滿足要求，如果能夠滿足要求，則選擇新的測試樣本作為訓練完畢的神經網絡的輸入，查看識別結果，測試網絡性能;否則繼續增加樣本進行訓練，重復步驟3)，直至輸出滿足要求。

4 小波神經網絡故障診斷方法的實現

在LabVIEW和MATLAB環境下編程實現對齒輪箱中軸承的正常以及各種故障狀態下的信號進行分析，采用sym8小波函數對原始信號進行三層分解消噪，采用db1小波函數對消噪后的信號進行三層小波包分解，構造出各自的特征向量，建立“特征向量—系統狀態”的對應關系。對軸承的正常信號、外圈故障信號、內圈故障信號三種信號進行分析研究［8］。

利用LabVIEW和MATLAB混合編程實現對信號的小波包特征值的程序編寫，如下圖2所示。

圖2 信號特征能量提取模塊前面板

對采集樣本信號進行特征提取，分別得到10組樣本信號特征向量.根據所述BP神經網絡設計步驟，利用LabVIEW和matlab混合編程編寫BP網絡程序，輸入樣本信號特征向量和期望輸出訓練神經網絡，根據以上的分析來訓練網絡，誤差變化曲線如圖4所示:

圖3 特征向量提取的程序框圖

圖4 BP網絡訓練誤差圖

當誤差允許范圍內期望輸出和實際輸出基本符合，表明該網絡組成的狀態分類器訓練成功。同樣利用另外不同于樣本信號的12組測試信號用于測試訓練完畢的神經網絡性能。

根據所述BP神經網絡設計步驟，利用Lab-VIEW和MATLAB混合編程編寫BP網絡程序，利用訓練好的神經網絡，對測試樣本進行計算檢驗。

將12組測試向量輸入到神經網絡進行狀態識別，測試結果如圖5所示。測試結果符合實際測試信號對應的狀態，證明了利用小波包分析能夠有效提取故障特征向量，并且經過訓練的BP神經網絡確實能夠對風力機齒輪箱故障狀態做出準確的診斷分類。

5 結論

文中通過在風力機齒輪箱故障診斷中應用小波包分析和BP神經網絡理論，可得結論如下:

圖5 小波神經網絡診斷前面板

(1)小波包理論對振動信號做特征值提取的研究，并通過實驗數據實現特征值提取，為實現故障類型的辨別提供依據。。

(2)測試結果符合實際測試信號對應的狀態，證明了小波神經理論可以有效的用于齒輪箱的故障診斷系統的實際應用，能夠對風力機齒輪箱故障狀態做出準確的診斷分類。

［1］姚興佳.風力發電技術的研究現狀［J］.太陽能，2006，(1):47 －48.

［2］李心月，楊榮海，韓慧岷，等.柴油燃燒室外預熱對發動機性能的影響［J］.森林工程，2011(3):64－66.

［3］李少華，趙明浩，陳杰，蔣東翔.小波變換在風力機齒輪箱故障特征提取中的應用［J］.振動與沖擊.2010，29(5):201 －203.

［4］王紅君，劉冬生，岳有軍.基于小波分析和神經網絡的電機故障診斷方法研究［J］.電氣傳動，2010，40(3):69－73.

［5］朱啟兵.基于小波理論的非平穩信號特征提取與智能診斷方法研究［D］.沈陽:東北大學，2005.

［6］袁曾任.人工神經元網絡及其應用［M］.北京:清華大學出版社，1999.

［7］王效 ，楊平.基于BP人工神經網絡的凍土融沉系數預測方法研究［J］.森林工程，2008(5):18－21.

［8］Yuzhong Li，“Study on Incipient Fault Diagnosis for Rolling Bearings Based on Wavelet and Neural Networks”，Fourth International Conference on Natural Computation，Vol 04，pp.262 －265，June 2008.

［9］吳松林，張福明，林曉東.基于小波神經網絡的滾動軸承故障診斷［J］.空軍工程大學學報(自然科學版)，2008，9(1):17 －21.

［10］王昱峰，李健，朱玉杰.基于復雜網絡模型的協同制造服務網建立主法［J］.森林工程，2010(6):79－81.