基于自適應加權和D-S證據理論的風電機組故障診斷

神顯豪，張祁，2

(1.桂林理工大學信息科學與工程學院，廣西桂林541004;2.熊本大學自然科學研究科情報電気電子工學専攻，日本熊本860－8555)

風力發電作為一種可再生的綠色能源發電方式，已經受到越來越高的重視。但風電機組是一個相當復雜的機電系統，其工作外部環境條件十分惡劣，機組設備的性能受影響比較大，容易因故障停機。因此，實時監測機組運行狀況，確保其正常運行是一項很重要的工作。

風電機組一般由風輪系統、齒輪箱系統、發電機、偏航系統、液壓系統和剎車機構、控制與安全系統等子系統組成。任一子系統的故障都可能使機組性能下降甚至被迫停機，一種故障現象可能由多個不同層次的故障引起，不同的故障可能呈現同樣的現象［1］。文獻 ［2］運用貝葉斯網絡和 D-S證據理論，提出了一種較為準確和合理的分布式故障診斷模型，但是貝葉斯理論的推理過程要求給出先驗概率和條件概率，并且要求各概率之間相互獨立，這些條件在實際工程中很難滿足。文獻 ［3］運用模糊理論方法，建立故障診斷修正數學模型，解決信息或決策沖突問題，但其算法原理不夠直觀，運算較為復雜。文獻［4－6］采用神經網絡和D-S證據結合進行故障診斷，神經網絡的單通道輸出作為各故障狀態焦點元素的基本概率分配，從而避免了證據理論構造基本概率分配函數的困難性，但是神經網絡過于復雜且分類速度較慢，學習過程中運算量過大。文獻 ［7］采用支持向量機 (Support Vector Machine)與自適應模糊神經推理 (Adaptive Neuro-fuzzy Inference System)的分類器集合到一個通用框架，提高了故障的分析和診斷，且優于單獨的SVM和ANFIS的診斷，但當二次規劃的矩陣樣本數量較大時，將需要大量內存和計算時間。

根據以上問題，采用數據融合中的自適應加權算法無需測量數據的先驗知識，融合出比任一單傳感器方差更小的數據融合值，有效減少網絡數據冗余和數據量，提高處理速度。運用高斯隸屬度函數獲得一種較為直觀的概率賦值函數方法，解決了證據理論的基本概率賦值難的問題。而證據理論算法需要的先驗條件較少，可以用概率區間的方法表示不確定信息，實現不確定信息的客觀和數量化的表示，具有很強的實用性。

1 多傳感器信息融合基本思想

多傳感器信息融合是將多種類型的傳感器提供的多種形式和不同時刻的信息加以綜合處理，提煉有價值的信息，剔除冗余數據，在復雜多變的環境中提高決策能力，結果比單一信息源更能全面一致地評估被監測對象。文中基于WSN，對采集的海量數據先在終端節點處進行一級信息融合，將融合結果送至路由設備，再由路由設備進行二級信息融合，將監測和診斷的結果送至協調器后上傳至主機。這種融合思想可有效減少終端節點至路由設備、路由設備至協調器的數據傳輸量，有利于節約網絡能量，兩級信息融合的風電機組監測與診斷的系統總體設計如圖1所示。

圖1 風電機組故障監測與診斷系統

由于單個傳感器容易受到電磁波，輻射等外界干擾的影響，使采集的數據有所偏差，所以在信號層采用自適應加權融合算法對多個傳感器的同類型參數進行融合。在診斷系統中，故障和癥狀之間不一定是線性對應關系，每種癥狀下的各種故障都有可能發生，故在特征層采用D-S證據理論算法，綜合不同類型參數的證據，并以上層的自適應加權融合的結果作為數據源，提高故障診斷的準確性。兩級信息融合模型如圖2所示。

圖2 風電機組故障診斷的信息融合模型

2 信號層信息融合

自適應加權融合算法［8］是根據各個傳感器測量值的方差值調整對應的權系數，使得融合后的總方差最小，此時各個傳感器的權系數最優。首先需求各個傳感器的方差，再計算各個傳感器對應的加權因子Wi，從而獲得最優融合值。設兩個互相獨立的傳感器i，j，測量值分別為Xi，Xj，對應的測量誤差為零均值平穩噪聲ei，ej，待估計真值為X，則:Xi=X+ei，Xj=X+ej。

若路由器的一個計算周期內，傳感器的測量次數為v，則:

由于通常真值X是根據各傳感器歷史數據均值X進行估計，則第i個傳感器的測量均值為。

根據多元函數求極值理論，可求得總方差最小時第i個傳感器所對應的最優加權因子:

總方差為:

其中，m為傳感器采集數據歷史的次數，融合后的估計值:

3 特征層信息融合

D-S證據理論融合的關鍵是基本概率賦值函數，其值直接影響診斷的準確性，基本概率分配函數的獲取方法繁多，針對不同的研究對象有差異巨大的獲取方法，對于大型發電機組的故障診斷，選取哪種合適的方法獲得相對準確的基本概率分配函數是研究的一個難點和重點，文中運用高斯隸屬度函數獲得一種較為直觀的概率賦值函數方法，避免了證據理論構造基本概率分配函數的困難:

(1)利用實驗方法模擬風力發電機齒輪箱的典型故障運行模式，假設傳感器節點每p個數據作為一組，至少測量q(q＞5)組，并求各組數據的平均值Xi和方差，作為傳感器i所測物理量的標準。

(2)對幾組平均值和方差比較，找到傳感器i所測物理量的最大平均值和最小平均值，對應的方差分別為，，分別建立典型故障模式幾種物理量的高斯隸屬度函數:

(3)對待檢測機組的齒輪箱采集信息，利用步驟1的方法計算平均值，記為，不同物理量代入對應的高斯隸屬度函數，所得，表示第t個傳感器的測量值隸屬于第i個故障的程度。將每個傳感器的測量值分別代入各個故障標準，得到各個故障的支持度。

為每個傳感器分配可靠性系數設為α，第i個證據對不確定的故障種類θ的改進概率分配函數為mi(θ)，則:

根據D-S證據理論［9－11］的算法，當出現嚴重證據沖突時，會使融合結果出現一票否決的現象，所以當沖突嚴重時，應修改證據組合的方法，減小沖突較大的證據對最后融合結果的影響。因此，需先得到各個證據焦點元素的平均值。

然后，計算各個證據的焦點元素到平均值的距離和函數。

依次兩兩融合證據，計算證據的沖突系數K，設沖突系數K的門限值為0.9，如果兩條證據沖突嚴重即沖突系數大于門限值，則證明此兩條證據沖突嚴重，此時需要計算兩條證據的距離和函數，用各個證據焦點的平均值替代距離和函數較大的那條證據，然后再重新計算K值，按如下規則組合證據:

4 仿真實驗

通常，齒輪箱是整個機組的傳動系動力匹配和扭轉振動的薄弱環節，因此，仿真實驗選取風電機組齒輪箱軸承為故障監測對象。設測量振動幅值屬于第一類測量的物理量，溫度屬于第二類物理量，噪聲屬于第三類物理量。

首先，在齒輪箱低速軸處安置有3個振動傳感器，每0.6 s采集一次數據，每隔4 min對所采集的數據進行信號層融合，取待估計真值X=3.5，用一組互不相關的零均值白噪聲數據模擬各個傳感器的觀測數據，均值為0，方差分別為0.5、0.05和3.5。圖3是振動信號的自適應加權值與算術平均值的對比，圖4為融合后的總方差曲線。

圖3 自適應加權與平均值

圖4 總均方誤差

由圖3可見，自適應加權的估計值的波動范圍小于算術平均估計值，由圖4可知，隨著測量次數的增加，自適應加權算法的總方差逐漸減小并無限趨近于零，達到總方差最小的目的。方差σ2i值越大，則數據離散度越大，對應的加權因子應該越小，反之亦然，由表1可知傳感器的方差和權值滿足上述對應關系，符合設計的要求。

表1 振動傳感器融合結果 m/s2

經融合后，總均方誤差σ2小于任一傳感器的方差，說明該融合方法有效地提高了數據精度。自適應加權算法結果與算術平均值3.452 5比較可知，前者的融合效果優于后者。齒輪箱其他旋轉軸的振動、噪聲和溫度信號分別采用相同方法進行同類型信息融合。

第二層信息融合針對不同類型參數的證據融合，設齒輪箱的低速軸故障，太陽輪軸故障，中間軸故障，高速軸故障的4類軸承故障隸屬于識別框架集U={u1，u2，u3，u4}。振動傳感器 s1，s4，s7，s10分別采集機組齒輪箱的低速軸、太陽輪軸、中間軸和高速軸的振動幅值，溫度傳感器s2，s5，s8，s11分別采集溫度數據，噪聲傳感器s3，s6，s9，s12分別采集噪聲數據，傳感器分布如圖5所示。

圖5 風電齒輪箱的傳感器監測分布

將傳感器采集的數據代入高斯隸屬度函數，計算得到證據組合所需的基本概率分配函數。設傳感器s1，s4，s7，s10提供證據的可靠性系數α分別為0.9，0.85，0.75，0.8。利用實驗模擬各典型故障的運行模式，其中振幅標準和運行機組齒輪箱的振動參數如表2所示。

表2 風電機組齒輪箱的幅值統計 m/s2

將振動傳感器采集的數據代入典型故障模式的高斯隸屬度函數，并作為參數標準，獲得各振動傳感器的BPA，如表3。

表3 振動傳感器基本概率賦值函數BPA

同理計算，融合溫度和噪聲傳感器的數據，得到證據結果如表4。

表4 基本概率賦值函數BPA

由表4可見，經過信息融合，診斷的精度大大提高了。當證據出現嚴重沖突時，原D-S證據理論算法給出了錯誤結果，而改進的算法仍能給出正確結果。不確定故障的概率從0.000 2減小到了0.000 1，效果比較顯著。當證據出現嚴重矛盾的時候，如果通過單一證據診斷故障，則無法判斷機組的故障究竟屬于哪一類，有可能給出錯誤的診斷結果。經過兩級信息融合處理提高了故障診斷結果的準確性和可靠性，節約了網絡能量。

5 結束語

介紹了風力發電機齒輪箱故障監測和診斷的方法，仿真實驗結果表明采用自適應加權融合算法融合同類型參數能有效去除網絡冗余數據，節約網絡耗能，準確表征機組的實際狀態，為故障識別提供良好的數據源。而改進的D-S證據理論算法綜合處理不同類型參數的證據，有效處理沖突，采用了一種較為直觀可行的基本概率賦值函數方法，顯著提高了診斷系統的故障辨識能力。

【1】楊偉，賈石峰．基于RBF神經網絡的風力發電機組故障診斷研究［J］．電氣傳動自動化，2009，31(2):18 －19．

【2】何小飛，童曉陽，孫明蔚．基于貝葉斯網絡和D-S證據理論的分布式電網故障診斷［J］．電力系統自動化，2011，35(10):109－111．

【3】徐曉濱，文成林，王迎昌．基于模糊故障特征信息的隨機集度量信息融合診斷方法［J］．電子與信息學報，2009，31(7):1635－1639．

【4】董海鷹，李娜．基于D-S證據理論信息融合的轉轍機故障診斷方法研究［J］．測試技術學報，2013，27(1):1 －6．

【5】XU Chunmei，ZHANG Hao，PENG Daogang，et al．Study of Fault Diagnosis of Integrate of D-S Evidence Theory Based on Neural Network for Turbine［J］．Energy Procedia，2012，16(C):20207－2032．

【6】DU Hailian，LV Feng，LI Shue，et al．Study of Fault Diagnosis Method Based on Data Fusion Technology［J］．Procedia Engineering，2012，29(C):2590 －2594．

【7】SALAHSHOOR Karim，KORDESTANI Mojtaba，KHOSHRO Majid S．Fault Detection and Diagnosis of an Industrial Steam Turbine Using Fusion of SVM(Support Vector Machine)and ANFIS(Adaptive Neuro-fuzzy Inference System)classifiers［J］．Energy，2010，35:5472 －5482．

【8】李莉，高冰．自適應加權信息融合加權因子的動態調整［J］．戰術導彈技術，2011(3):109－111．

【9】李月，徐余法，陳國初，等．D-S證據理論在多傳感器故障診斷中的改進及應用［J］．東南大學學報，2011(9):102－105．

【10】楊靖，林益，洪露，等．一種改進的D-S證據理論合成方法［J］．計算機工程與應用，2012，48(20):150 －153．

【11】李玲玲，馬東娟，王成山，等．DS證據理論沖突處理新方法［J］．計算機應用研究，2011，28(12):4528 －4530．