基于EMD-GANN的風力發(fā)電機齒輪箱故障診斷

唐　珂，　謝　源，　曾明杰，　高志飛，　徐永斌，　汪永海

(1. 上海電機學院 電氣學院, 上海 201306；2. 辰闊機電科技(上海)有限公司, 上海 200240)

基于EMD-GANN的風力發(fā)電機齒輪箱故障診斷

唐珂1，謝源1，曾明杰1，高志飛1，徐永斌1，汪永海2

(1. 上海電機學院 電氣學院, 上海 201306；2. 辰闊機電科技(上海)有限公司, 上海 200240)

摘要基于經(jīng)驗模態(tài)分解(EMD)和遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)，研究了一種風力發(fā)電機組齒輪箱的故障診斷方法。使用EMD將齒輪箱振動信號序列分解成一系列內(nèi)蘊模式函數(shù)分量(IMF)；然后提取各分量的特征參數(shù)，對特征參數(shù)采用主成分分析法進行降維處理；使用降維后的特征參數(shù)集訓練神經(jīng)網(wǎng)絡(luò)，建立故障診斷模型；在訓練過程中，采用了遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。仿真實驗表明，該模型能有效提取振動信號的主要特征，完成對風力發(fā)電機組齒輪箱故障的診斷，效果良好。

關(guān)鍵詞齒輪箱; 經(jīng)驗模態(tài)分解; 遺傳算法; 神經(jīng)網(wǎng)絡(luò); 故障診斷

風力發(fā)電機組單機容量越大，整套系統(tǒng)就越復雜，一旦發(fā)生故障造成停機的損失就越大[1]。在風力發(fā)電機組的傳動鏈系統(tǒng)中，齒輪箱是核心部件之一，承受了巨大的負載，受風力隨機性的影響負荷處于交變狀態(tài)[2]。齒輪箱也是風力發(fā)電機組中故障率最高的部件之一，其技術(shù)參數(shù)、工作性能、可靠性對整個傳動鏈系統(tǒng)至關(guān)重要。因此，對齒輪箱故障做出快速、有效的診斷，可大大縮短故障維護造成的停機時間，保證風電機組的供電可靠性和安全性。

統(tǒng)計表明[3]，在常見的齒輪箱故障中，齒裂故障約占41%，齒面疲勞(如點蝕、剝落等)造成的故障約占31%，齒面劃痕引起故障約占10%，齒面磨損約占10%，其他故障如齒面龜裂、腐蝕、塑性變形等約占8%；主要由制造缺陷、安裝不當、磨損、工況環(huán)境差等原因造成。齒輪箱故障會加大機組振動，使軸承壽命降低。因此，齒輪箱的振動情況直接反映著設(shè)備的運行狀態(tài)[4]。通過監(jiān)測設(shè)備的振動情況、分析振動數(shù)據(jù)可以判定機組的運行狀態(tài)，查找并發(fā)現(xiàn)故障，及時排除隱患，以達到安全運行的目的[5]。

目前，國內(nèi)外學者通過分析機組振動信號進行齒輪箱故障診斷取得了許多成果。文獻[6-9]中，對齒輪箱振動信號采用時域特征參數(shù)(均值、方差、最值、均方根值)分析、幅值譜分析、倒頻譜、奇異值分解等方法，分析比較了正常信號與故障信號，從而診斷出齒輪箱的故障狀況。文獻[10]中通過經(jīng)驗模態(tài)分解(Empiricad Mode Decomposition, EMD)和Hilbert譜對齒輪箱振動信號進行分析，完成了故障診斷，診斷效果較連續(xù)小波變換更加高效，但未結(jié)合智能算法進行深入研究。此外，還有模糊理論、支持向量機、灰色理論和神經(jīng)網(wǎng)絡(luò)等[11-13]基于人工智能的故障診斷方法，在齒輪箱故障診斷研究中取得了不錯的診斷效果。本文研究了一種基于經(jīng)驗模態(tài)分解和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)(Genetic Algorithm Neural Network, GANN)結(jié)合的風力發(fā)電機組齒輪箱故障診斷方法，得到了較好的故障診斷效果。

1經(jīng)驗模態(tài)分解(EMD)

EMD可以將復雜的非平穩(wěn)、非線性的時變序列分解成有限多個獨立的內(nèi)蘊模式函數(shù)分量(Intrinsic Mode Functions, IMF)[14]。IMF能夠清晰地分辨出交疊復雜的內(nèi)蘊模式，故針對齒輪箱非線性、非平穩(wěn)的振動數(shù)據(jù)可以用EMD進行信號處理。采用EMD可以將振動信號數(shù)據(jù)逐級分解，得到多組獨立不相關(guān)的IMF序列。與原振動數(shù)據(jù)相比，IMF序列具有明顯的規(guī)律性。

對振動數(shù)據(jù)時間序列進行EMD步驟如下：

(1) 識別信號x(t)中所有的極值點，采用3次樣條插值法，將所有的極大值點擬合形成數(shù)據(jù)上包絡(luò)線E1(t)，所有極小值點擬合形成下包絡(luò)線E2(t)。

(2) 計算上、下包絡(luò)線的平均值為

m1(t)=(E1(t)+E2(t))/2

(1)

(3) 計算h1(t)=x(t)-m1(t)。

(4) 判斷h1(t)是否滿足IMF條件，若滿足，則h1(t)就是x(t)的第1個IMF；否則，將h1(t)作為x(t)重復迭代步驟(1)～(3)，直到第k次，h1k(t) 滿足IMF條件。記c1(t)=h1k(t)，c1(t)為振動信號序列x(t)的第1組IMF分量，即x(t)中最短周期分量。

(5) 從原始振動信號中去除c1(t)，記作r1(t)，即

r1(t)=x1(t)-c1(t)

(2)

(6) 對r1(t)重復步驟(1)～(5)，直到n次后，rn(t)中沒有極大和極小值或|rn(t)|很小，結(jié)束分解。

因此，振動信號x(t)經(jīng)EMD分解后得到多個IMF和一組余量，即

(3)

故

(4)

2基于EMD-GANN的齒輪箱故障診斷

利用EMD可以將振動信號中交疊的IMF分量分離出來，但仍不能識別故障，且IMF分量的數(shù)據(jù)量龐大，故識別風力發(fā)電機組齒輪箱的故障類型還需要進一步提取和分析IMF的特征參數(shù)。針對復雜的非線性的系統(tǒng)識別，遺傳算法優(yōu)化的反向誤差傳播(Back Error Propagation, BP)神經(jīng)網(wǎng)絡(luò)具有極強的全局搜索能力、強魯棒性、適用于并行處理，其收斂的有效性也得到了理論與實踐的檢驗[13]。利用已知的數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)訓練，找到輸入和輸出間的內(nèi)在聯(lián)系，不依賴先驗性的知識和規(guī)則，具有很強的適應性。因此，將EMD和GANN相結(jié)合可以有效地解決風力發(fā)電機組齒輪箱故障識別的問題。

齒輪箱振動信號的特征參數(shù)包含著齒輪箱運行狀態(tài)的信息。在實驗室中，采集齒輪箱正常和高發(fā)、且具有典型特征的斷齒、點蝕和齒面裂紋3種故障狀態(tài)的振動信號；然后，利用MATLAB軟件進行編程并運行；對振動信號做EMD處理，得到它們相應的IMF，并提取特征值建立特征參數(shù)集，根據(jù)其維數(shù)確定神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)。本文建立的EMD-GANN故障診斷模型選擇3層BP神經(jīng)網(wǎng)絡(luò)，訓練時，利用遺傳算法求取BP神經(jīng)網(wǎng)絡(luò)的權(quán)重，將計算結(jié)果與實際值的絕對值之差求和后作為適應度評價；對適應度排序，選擇適應度評價高的個體作為父代個體交換部分基因編碼串，以此產(chǎn)生新個體完成交叉操作。隨機選擇種群中一個個體，按照變異概率(0.7 除以染色體結(jié)構(gòu)的長度)改變該個體編碼串的值，產(chǎn)生新個體完成變異操作。GANN算法流程如圖1所示。

本文建立的基于EMD-GANN的故障診斷模型進行故障診斷的步驟如下：

(1) 根據(jù)采集的風力發(fā)電機齒輪箱正常和故障情況下的振動信號數(shù)據(jù)，采用EMD得到多個代表單一、簡單、獨立振蕩模式的IMF。

(2) 選取主要的IMF提取均方根、峭度、峰值因子和裕度因子的特征參數(shù)[7]，得到正常和故障情況下的振動信號的IMF的特征信號數(shù)據(jù)集。

(3) 由于特征參數(shù)組成集合的維度較高，信息冗余度大，故利用主成分分析法對特征參數(shù)集進行降維處理，既可簡化工作量，又可優(yōu)化神經(jīng)網(wǎng)絡(luò)輸入節(jié)點個數(shù)，減少了運算時間。本文采用主分量分析法，對由步驟(2)得到的數(shù)據(jù)集合進行降維處理。

(4) 建立BP神經(jīng)網(wǎng)絡(luò)，以降維參數(shù)作為輸入樣本訓練BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

(5) 通過遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，完善BP神經(jīng)網(wǎng)絡(luò)。

(6) 將振動信號數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)分析，判斷是否發(fā)生故障，確定故障發(fā)生的類型。

EMD-GANN風力發(fā)電機機組齒輪箱故障診斷流程如圖2所示。

圖2　EMD-GANN風力發(fā)電機組齒輪箱故障識別流程Fig.2　Flow chart of EMD-GANN fault diagnosis for wind turbine gearbox

3實驗及分析

在實驗室中，從一臺正在運行的處于故障狀態(tài)的風力發(fā)電機組齒輪箱上測得振動信號。振動信號采集設(shè)備為位移傳感器，安裝于齒輪箱箱體。本文以齒輪箱斷齒故障為例，采集到的原始數(shù)據(jù)如圖3所示。通過EMD得到IMF，圖4為前1～8個IMF。

由圖可見，前7組IMF幾乎包含了斷齒故障信號的全部能量，故選取前7組的IMF分別提取均方根、峭度、峰值因子和裕度因子作為特征參數(shù)(見表1)。

圖3　斷齒信號時頻圖譜Fig.3　Spectrogram of signal from broken gears

圖4　斷齒信號IMF(第1～8個)Fig.4　Intrinsic mode function 1～8 of signal from broken gears

表1　斷齒信號內(nèi)蘊模態(tài)分量特征參數(shù)

由表1可知，特征參數(shù)組成的集合維度較高，信息冗余度大。本文使用主成分分析法將表1的參數(shù)進行降維處理，得到的主成分的特征值和累計貢獻率如表2所示。

表2　主成分的特征值和累計貢獻率

由表2可知，前5組主成分參數(shù)已經(jīng)包含了原數(shù)據(jù)信息的98.93%，滿足數(shù)據(jù)要求。同理，分別利用采集到的正常狀態(tài)和點蝕、齒面裂紋故障狀態(tài)的信號，可以提取到它們的特征值，并建立特征參數(shù)集。

GANN選擇輸入節(jié)點為5，隱層節(jié)點為10，輸出節(jié)點為1的網(wǎng)絡(luò)結(jié)構(gòu)。本文的誤差學習目標值設(shè)為0.001，學習速率為0.01。遺傳算法編碼采用二進制編碼，編碼長度20，將神經(jīng)網(wǎng)絡(luò)所有權(quán)值、閾值作為染色體初始化，建立種群進行迭代更新。

圖5為GANN性能跟蹤曲線。這是反映迭代次數(shù)與種群中的個體和目標值之差的絕對值之和的關(guān)系曲線；隨著差值的減小，GANN的識別能力就越強，當?shù)螖?shù)達到最大次數(shù)或滿足尋優(yōu)條件時，遺傳算法結(jié)束。由圖可見，GANN能夠快速收斂，進化到約23代時達到收斂穩(wěn)定。當達到最大迭代次數(shù)39次后，種群所對應的目標函數(shù)值有明顯的下降，這表明GANN的計算結(jié)果已經(jīng)達到預期精度，對于GANN權(quán)值和閾值的訓練結(jié)束。此時，將待診斷數(shù)據(jù)輸入EMD-GANN，利用輸出結(jié)果就可以識別故障。由此完成了風力發(fā)電機組齒輪箱故障診斷模型的建立。

圖5　遺傳神經(jīng)網(wǎng)絡(luò)性能跟蹤圖Fig.5　Performance of genetic neural network

為了驗證EMD-GANN算法進行齒輪箱故障診斷的準確性，本文選取另外8組故障狀態(tài)下齒輪箱振動信號加以檢驗，并與GANN算法進行比較。選取的8組故障狀態(tài)分別為點蝕(第1、5組)、斷齒(第2、6組)、正常(第3、7組)和裂紋(第4、8組)的振動信號。將待診斷的故障風力發(fā)電機組齒輪箱振動信號，輸入MATLAB軟件，利用EMD-GANN算法和GANN算法分別進行故障識別。設(shè)置點蝕、斷齒、正常、裂紋的期望輸出值分別為1、2、3、4。表3給出了EMD-GANN和GANN算法進行故障診斷的結(jié)果比較。

由表3可見，與GANN算法相比，EMD-GANN算法的輸出更接近于期望輸出，表明EMD-GANN算法的故障識別率有明顯提高，可見，EMD-GANN對于故障類型的泛化外推能力效果較好，可以準確地進行齒輪箱故障診斷。此外，由于神經(jīng)網(wǎng)絡(luò)具有一定的容錯能力，針對早期故障振動信號不具有典型特征值的情況也能夠?qū)崿F(xiàn)輕微故障識別，實現(xiàn)故障預測；對于已經(jīng)出現(xiàn)故障現(xiàn)象的振動數(shù)據(jù)，則通過EMD能夠準確地分層提取故障特征值，進而為GANN診斷功能提供準確反映故障狀態(tài)的數(shù)據(jù)，提高故障診斷的精確度。本文研究的風力發(fā)電機組齒輪箱故障診斷算法在訓練得到最佳神經(jīng)網(wǎng)絡(luò)參數(shù)后不必進行重復訓練，因此在實際應用中，只需將待測振動數(shù)據(jù)輸入模型進行分析即可，節(jié)省了故障診斷的時間。

表3　GANN和EMD-GANN算法故障診斷結(jié)果比較

4結(jié)語

為了提高風力發(fā)電機組齒輪箱的故障診斷的效率，縮短診斷運行時間，本文研究了EMD-GANN故障診斷模型。該模型能準確地識別故障振動信號，實現(xiàn)故障診斷；利用主分量分析的降維運算和遺傳算法并行性，簡化了冗余的計算量，提高了計算效率；EMD-GANN算法容錯率高，外推泛化能力較強，適用于輕微故障診斷。實驗證明，EMD-GANN算法識別故障精度高，診斷效果好，實際應用中，故障診斷系統(tǒng)無需重新訓練節(jié)省了診斷時間。

參考文獻

[1]左子陽.信息融合技術(shù)在風力發(fā)電機故障診斷中的應用[D].上海： 華東理工大學，2009： 12-36.

[2]李海波.大型風力發(fā)電機齒輪箱故障模糊診斷技術(shù)研究[D].沈陽： 沈陽工業(yè)大學，2014： 8-15.

[3]LU Bin，LI Yaoyu，WU Xin.A review of recent advances in wind turbine condition monitoring and fault diagnosis[C]∥Power Electronics and Machines in Wind Applications.Lincoln： IEEE，2009： 1-7.

[4]ZHANG Yan，LIU Xiangjun.The fault vibration signal analysis of wind turbine gearbox based on wavelet transform[C]∥2013 International Conference on Measurement, Information and Control(ICMIC).Harbin： IEEE，2013： 724-727.

[5]黃志堅，高立新，廖一凡.機械設(shè)備振動故障監(jiān)測與診斷[M].北京： 化學工業(yè)出版社，2010： 135-139.

[6]王哲.風力發(fā)電機組主傳動鏈的故障診斷[J].診斷與測試，2007(3)： 118-119.

[7]丁顯，易莉，柳亦兵，等.風電機組齒輪箱非平穩(wěn)振動信號微弱故障特征提取[J].可再生能源，2014，32(5)： 619-623.

[8]付勝，徐斌，杜曉帆，等.基于奇異值分解和支持向量機的齒輪故障診斷[J].機械傳動，2013(9)： 90-92.

[9]呂躍剛，趙倩男，劉承俊.基于LabVIEW的倒頻譜與包絡(luò)譜分析在風電機組齒輪箱故障診斷中的應用[J].化工自動化及儀表，2013，40(7)： 864-867.

[10]LI Yanyong.A discussion on using empirical mode decomposition for incipient fault detection and diagnosis of the wind turbine gearbox[C]∥World Non-Grid-Connected Wind Power and Energy Conference(WNWEC).Nanjing： IEEE，2010： 1-5.

[11]張小田.基于回歸分析的風機主要部件的故障診斷方法研究[D].北京： 華北電力大學，2013： 37-56.

[12]周志剛.隨機風作用下風力發(fā)電機齒輪傳動系統(tǒng)動力學及動態(tài)可靠性研究[D].重慶： 重慶大學，2012： 20-52.

[13]周培毅，張新燕，張華中.基于遺傳算法與BP神經(jīng)網(wǎng)的風力發(fā)電機齒輪箱故障診斷研究[J].華北電力技術(shù)，2010(7)： 6-11.

[14]康晨暉，崔玲麗，胥永剛，等.EMD熵值譜在軸承故障信號特征提取中的應用[J].振動與沖擊，2010(8)： 204-206.

Fault Diagnosis of Wind Turbine Gearbox Based on EMD-GANN

TANG Ke1，XIE Yuan1，ZENG Mingjie1，GAO Zhifei1，XU Yongbin1，WANG Yonghai2

(1. School of Electrical Engineering, Shanghai Dianji University, Shanghai 201306, China；2.Chenkoo Mechanical and Electrical Technology(Shanghai) Co., Ltd., Shanghai 200240, China)

AbstractAn EMD-GANN fault diagnosis model of wind turbine gearbox is proposed based on empirical mode decomposition (EMD) and genetic algorithm neural network (GANN). EMD is used to decompose the vibration signal sequence into a series of intrinsic mode functions (IMF). Feature parameters of each component are extracted. The dimension of the feature parameters set is reduced with principal component analysis. A training neural network for the feature parameters set is used to establish a fault diagnosis model. In the training process, genetic algorithm is used to optimize weights and thresholds of the BP neural network. Experimental results show that the above mentioned model can effectively extract main features of the vibration signal and identify faults of the gearbox. The model is effective.

Keywordsgearbox; empirical mode decomposition(EMD); genetic algorithm; neural network; fault diagnosis

收稿日期：2015-09-11

基金項目：國家自然科學基金資助項目(61374136)；上海市自然科學基金項目資助(12ZR1411800)；上海市教育委員會創(chuàng)新項目資助(12YZ186，14YZ157，13YZ139)；閔行科委區(qū)校合作項目資助(2014MH157)

作者簡介：唐珂(1991-)，男，碩士生，主要研究方向為風力發(fā)電狀態(tài)監(jiān)測與故障診斷，E-mail： 402645153@qq.com

文章編號2095-0020(2016)02-0099-06

中圖分類號TP 277.3

文獻標識碼A