基于AIS-SA網絡的風電機組齒輪箱溫度預警方法＊

李友釗，吳斌

（1.上海電機學院電氣學院，上海201306；2.上海電機學院商學院，上海201306）

基于AIS-SA網絡的風電機組齒輪箱溫度預警方法＊

李友釗1，吳斌2

（1.上海電機學院電氣學院，上海201306；2.上海電機學院商學院，上海201306）

一種基于人工免疫系統-學習率自適應調節的混合網絡溫度預測模型，實現了對齒輪箱溫度的預警分析。首先根據退化特征矩陣確定齒輪箱的退化狀態數目，接著采用人工免疫算法初始化網絡參數，后利用一種改進的自適應算法對網絡學習率進行調整，最后結合頻率變化特性，訓練出不同退化模式下的溫度預測模型。通過搭建實驗平臺，采集齒輪箱油液溫度數據，驗證了此類預測模型的準確性，以及劃分不同退化模式的必要性。

風機齒輪箱；人工免疫系統；自適應算法；溫度預警

齒輪箱作為風電機組傳動系統的關鍵部件，比其他部件維修難度更大、所需費用更高。因此，學者開始對齒輪箱的故障進行分析，預測其衰退演變趨勢，發展出了對齒輪箱狀態趨勢的預測技術，包括基于統計數據的預測方法、基于數學的預測方法、基于信息融合技術的預測方法等。另外，人工智能技術也在此領域得到了應用[1]。文獻[2]提出了一種結合小波分析與BP神經網絡的時間序列模型，并成功地對風電機組的齒輪箱溫度進行了預警。在文獻[3]中，作者提出了一種基于溫度數據的部件溫度預測與故障預警方法，并以實際風電場溫度數據對此方法進行了驗證。本文從齒輪箱衰退趨勢考慮，認為齒輪箱當前所處的狀態對后期衰退趨勢有不可忽略的影響，即齒輪箱處于不同退化狀態下，應采用不同的預測網絡進行預測。首先對齒輪箱當前狀態進行評估，而后通過小波包分解提取振動信號的頻帶能量作為退化特征向量，根據類內緊密度與類間分離度評價指標確定退化矩陣的最佳劃分，劃分數目即對應退化狀態數，然后建立不同退化狀態下對應的AIS-SA網絡（Artificial Immune System& Self-adaption Adjustment Net）溫度預測模型，最后分析預測結果與真值的殘差，即可實現對齒輪箱的溫度預警，幫助運維人員提前對齒輪箱進行維護動作，降低其故障率，延長使用壽命。與傳統的BP神經網絡預測模型相比，AIS-SA網絡有效地規避了其初始參數選取不定、容易局部最優、學習率與網絡穩定性產生矛盾等局限性，并且在全局內近似解尋優過程中有著不可比擬的優勢，因此能夠有效提高預測精度。

1 基于AIS-SA的齒輪箱溫度預測模型

1.1 齒輪箱退化狀態的劃分

齒輪箱的退化狀態可以通過其外部特征（振動信號、溫度信號等）來表征。風電機組在運轉時，傳動部件之間的接觸部位受頻繁變化的應力作用，極容易對部件造成不可恢復的損傷，繼續運行可能加速部件間的磨損，溫度則表現為異常上升。齒輪箱退化狀態不同，意味著其損傷程度也不相同，因此處于不同退化狀態下的齒輪箱其油液溫度有著不同的變化趨勢。通過振動信號提取齒輪箱退化特征向量，采用一定的聚類方法劃分出齒輪箱的若干退化狀態，則可以據此訓練出對應的若干個溫度預測模型。

1.2 基于關鍵部件溫度的齒輪箱故障預警

風電機組傳動系統的部件溫度變化趨勢能夠反映其運行狀態，通過實時監測齒輪箱關鍵部位（主軸軸承、齒輪箱主體、關鍵齒輪、齒輪軸承等）在不同風速下的溫度變化，對比預測模型的預測結果，能夠實現對齒輪箱某一部件故障的早期分析預測。比如利用歷史數據對齒輪箱主要部件主軸軸承的溫度變化進行預測，如果溫度變化趨勢差異明顯，則可認為該部件存在潛在故障，在其故障變得嚴重前，給運維人員一定的時間進行預防維護[4]。

1.3 基于AIS網絡的尋優算法

利用AIS算法可對BP神經網絡的連接權值、閾值進行篩選，按照“優勝劣汰”的自然法則尋求親和度（適配值的倒數）最高的“抗體”與“抗原”，“抗原”對應目標優化函數，“抗體”對應可行解，即BP網絡節點的連接權值和閾值。“免疫記憶”功能是通過記憶細胞實現的，這些“細胞”對應一個與“抗原”親和度最高的“抗體群”。規模為H的抗體種群中任一抗體h1與抗原之間的親和度Fh1可用網絡中預測值與真實值之間的誤差絕對值的倒數表示，抗體h1的濃度Ch1則用該抗體與抗體種群的相似度刻畫——當2個抗體的親和度Fhi，hj（i，j＝1，2，…，H）大于人工設定的相似度閾值CT時，則判斷為相似，計算公式如下：

式（1）（2）中：ε為親和度系數，l為網絡的輸出節點個數；yk，dk分別為網絡輸出層第k（1，2，…，l）個節點的計算輸出值與期望輸出值；CT取值一般大于0.7.

綜合親和度與濃度即可確定該抗體的繁殖概率Ph1：

式（3）中：DEI為多樣性評價指標。

記憶細胞庫的規模是不變的，因此與抗原親和度高的抗體將會取代庫中濃度最高的原有抗體。根據得到的繁殖概率，即可更新記憶細胞群體，抗體種群也可通過選擇、交叉、變異操作進行更新，并與記憶庫中貯存的優秀抗體一并組成次代抗體種群，直至達到算法停止準則，最終得到的“抗體”即可反譯出神經網絡的權值及閾值。

1.4 基于擾動誤差大小的學習率SA算法

為盡可能滿足網絡層與層之間不同節點的權重尋優要求，在任一次迭代尋優過程中，不同節點的連接權值采用大小不同的學習率。參數的調節順序可總結為：從網絡輸出層開始向輸出層推進，同層網絡間自上而下依次調整。設網絡的參數矩陣為W*＝[w1，w2，…，wq]，其中，q為包含節點閾值在內的待調節參數總數目，則第n次迭代學習時第i個元素wi（n）的調節原則為以下2點。

式（4）（5）中：ηi為學習率。

式（6）（7）（8）中：α為量化的誤差性能。

2.2 兩組患者不良反應發生率比較 A組血壓波動12例，心肌缺血4例，早搏7例，房顫3例；B組血壓波動5例，心肌缺血7例，早搏8例，房顫4例。A組患者不良反應發生率為54.2%(26/48)，顯著高于B組的46.2%(24/52)，兩組間比較，差異有統計學意義(P<0.05)。

原則二：誤差函數E（n）≤e，即權值wi（n）滿足誤差精度要求，無需調節。

1.5 基于AIS-SA網絡的組合預測算法

為了提高模型的預測精度，本文在傳統BP神經網絡的基礎上，提出了一種基于AIS-SA網絡的混合算法，其中，AIS起到優化網絡初始參數選取的作用，而基于節點誤差大小的學習率自適應調節算法起到減小振蕩、加速收斂的作用，組合算法能夠最大程度地平衡學習率與網絡穩定性的關系。其算法流程如圖1所示。

圖1 AIS-SA網絡算法流程圖

2 實驗驗證及數據分析

2.1 實驗設置

實驗選用型號為NB130-136的齒輪箱；風機載荷選用功率為500 W的磁粉制動器；考慮到磁粉制動器的優良特性，使用變頻調速三相異步電機作為動力源；變頻器分辨率達到0.01 Hz。選用DAM-PT04溫度采集器采集齒輪箱油溫與環境溫度，MPS-140401動態信號采集卡采集主副軸振動信號數據。其中，振動信號采用“DB8”小波包分解處理，提取頻譜能量作為退化特征向量，根據K-means聚類算法可將其分為2類，即對應實驗期間齒輪箱的2種衰退模式。

圖2為實驗臺及傳感器位置設置。

2.2 AIS-SA網絡的溫度預測結果分析

在齒輪箱溫度采集實驗中，電機以20 Hz的頻率連續運行6 h后，每隔3 s采集一次溫度數據，連續采集了2 000組數據，以此訓練AIS-SA網絡預測模型。本文選定的Net輸入變量為當前時刻風速（電機頻率）、前5個時刻的齒輪箱中心油液溫度（t1，t2，t3，t4，t5）、環境溫度T，因此可構成1 995組輸入—輸出對應數據樣本，將前1 600組作為訓練樣。對應的AIS-SA網絡的大小為7-11-1，抗體種群規模為15，長度為100，記憶細胞庫包含10個cell，抗體種群更新20次，每代抗體精英保留3個。此時，對2種算法的20次預算結果如表1所示。

圖2 試驗臺及傳感器位置設置

表1 AIS-SA預測算法與BP神經網絡算法誤差能量比較

圖3 AIS算法抗體適配值收斂曲線

圖4 BP神經網絡與AIS-SA預測結果對比

抗體的進化曲線如圖3所示。從圖3可以看出，在進化繁殖的過程中，雖然種群的平均適配值存在波動，但整體呈下降趨勢；而且精英保留策略的存在保證了當代最佳可行解不會反方向搜索，在第6代進化繁殖后不再變化，得到了最佳的目標函數近似解，尋優效果明顯。

2.3 不同退化狀態下AIS-SA網絡預測結果

在齒輪箱的退化狀態進行一次衰退后，進行第2類溫度采集實驗，訓練自己的AIS-SA網絡，經過20次重復訓練，計算得到網絡的平均誤差能量為0.803 2.為驗證不同退化狀態下應對應不同的預測網絡，將訓練得到的2個網絡記為AIS-SA1與AIS-SA2，并對第2類溫度數據進行預測，如圖5所示，其中，AIS-SA2網絡的誤差能量為0.287 3，而AIS-SA1的誤差能量則達到了1.452 5，且在溫度變化趨勢驟變的時間段，預測效果明顯變差。這說明齒輪箱“良好”狀態下的溫度預測網絡并不適應于另一退化狀態的溫度預測。因此針對齒輪箱的不同退化狀態，訓練各自的AIS-SA網絡是必要的。

圖5 AIS-SA1與AIS-SA2預測結果對比

3 結束語

本文建立了一種基于AIS-SA網絡的齒輪箱溫度預測算法，可以對齒輪箱不同退化狀態下的部件溫度進行跟蹤預測分析，對比實時溫度數據判斷是否在可接受的范圍內，從而達到部件故障預警的目的。

經齒輪箱油液溫度實驗驗證：①AIS-SA網絡較傳統BP神經網絡有更為精確的預測結果；②針對齒輪箱階段壽命周期內進行退化狀態劃分，并確定各自的AIS-SA網絡來實現溫度預測是有效而且合理的。以此類推，可以針對齒輪箱其他關鍵部件建立溫度預警模型，幫助運維人員提前發現故障征兆，規避生產風險并降低運維成本。

參考文獻：

［1］馬玉峰.風電機組齒輪箱故障趨勢預測方法研究［D］.北京：華北電力大學，2013.

［2］孫建平，朱雯.基于小波BP-時間序列的齒輪箱溫度預警［J］.電子測量與儀器學報，2012（03）：197-201.

［3］張小田.基于回歸分析的風機主要部件的故障預測方法研究［D］.北京：華北電力大學，2013.

［4］Feng Z，Liang M.Fault diagnosis of wind turbine planetary gearbox under nonstationary conditions via adaptive optimal kernel time–frequency analysis.Renewable Energy，2014，66（3）：468-477.

［5］齊俊德，李山，陳冰.基于小波包能量矩陣的軸承信號特征提取［J］.振動與沖擊，2013（21）：107-111.

［6］張著洪.人工免疫系統中智能優化及免疫網絡算法理論與應用研究［D］.重慶：重慶大學，2004.

［7］付光杰，胡明哲.基于改進型學習率自適應BP神經網絡的風力發電變槳距控制技術［J］.自動化與儀器儀表，2016（06）：8-10.

〔編輯：劉曉芳〕

TM315

：A

10.15913/j.cnki.kjycx.2017.16.032

2095－6835（2017）16－0032－04

上海市教育委員會科研創新項目（15ZS079）；上海電機學院重點學科建設項目（16YSXK02）