基于模糊神經(jīng)算法的風(fēng)電機(jī)組齒輪箱故障在線診斷

孟祥萍+田凱喬+王磊

摘 要：文章提出了一種以模糊神經(jīng)網(wǎng)絡(luò)（FNN）為核心算法的風(fēng)電機(jī)組齒輪箱故障在線診斷系統(tǒng)。該系統(tǒng)分為數(shù)據(jù)采集、特征提取和波形識別三部分，通過識別齒輪磨損、齒輪點(diǎn)濁和齒輪斷齒三種重要齒輪故障的波形，不僅可以在線檢測風(fēng)電機(jī)組齒輪箱運(yùn)行狀態(tài)，而且可以對潛在故障進(jìn)行預(yù)警。FNN是對模糊邏輯和神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)進(jìn)行深入分析，再將兩者優(yōu)點(diǎn)相結(jié)合的一種算法。通過對振動信號進(jìn)行分析和處理，用以上三種故障波形對FNN進(jìn)行訓(xùn)練，同時采取多振動傳感器的方式，確保了振動信號的準(zhǔn)確性。

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；故障預(yù)警；在線監(jiān)測；故障波形識別

中圖分類號：TH132.41 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-2945（2017）35-0031-02

引言

對于任何大型發(fā)電設(shè)施，例如核電廠的發(fā)電機(jī)或火力發(fā)電機(jī)，在線狀態(tài)監(jiān)測系統(tǒng)對于故障檢測和事故預(yù)警是非常重要的。在機(jī)器損壞之前及時進(jìn)行停機(jī)檢修，可以避免設(shè)備損壞帶來的不必要的經(jīng)濟(jì)損失和人身傷亡[1]。機(jī)械振動是工程中普遍存在的現(xiàn)象，風(fēng)電機(jī)組齒輪箱的振動信號，無疑是直接反應(yīng)其健康狀況的重要數(shù)據(jù)。當(dāng)齒輪或軸承出現(xiàn)故障時，會有特殊頻率的振動，我們可以通過分析這種特征頻率的振動來檢測齒輪及軸承是否完好。但是，在齒輪箱內(nèi)部會產(chǎn)生多種振動信號，為了避免系統(tǒng)誤報警，需要對采集的振動信號進(jìn)行深度分析[2]。研究者通常運(yùn)用模糊邏輯與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的模糊神經(jīng)網(wǎng)絡(luò)（FNN）來識別和分析以上三種振動信號[3][4]。模糊邏輯強(qiáng)項是邏輯推理，一種用數(shù)學(xué)模型模擬人腦進(jìn)行結(jié)果分析，但是并不具有對歷史數(shù)據(jù)總結(jié)的能力和對已分析結(jié)果的儲存[5]。神經(jīng)網(wǎng)絡(luò)恰恰相反，它具備對歷史數(shù)據(jù)反復(fù)學(xué)習(xí)和挖掘的功能，并且有一定的容錯能力。所以才將兩個算法合并，取長補(bǔ)短，發(fā)揮每種算法的最大優(yōu)點(diǎn)以解決實(shí)際復(fù)雜問題[6]。

1 風(fēng)電機(jī)組齒輪箱常見故障

1.1 齒輪磨損

齒輪的磨損是指在齒輪箱在運(yùn)作過程中，齒輪與齒輪不慎進(jìn)入金屬微粒或沙粒，使齒面擦傷或者齒面涂層掉落。會導(dǎo)致齒輪變薄，側(cè)縫間隙變大，咬合不穩(wěn)甚至形成斷齒。而這種故障占齒輪總故障的14%。本文所涉及到的齒輪磨損均指齒面均勻磨損，在這種情況下，齒輪之間咬合不穩(wěn)，形成的震動幅度與正常齒輪有明顯差別，可以被傳感器探測到。

1.2 齒輪點(diǎn)蝕

點(diǎn)蝕是齒輪箱傳動系統(tǒng)中普遍故障類型，占總事故比例的31%。指齒輪產(chǎn)生微小裂痕后，由于齒輪長期互相擠壓，將潤滑劑擠壓進(jìn)裂縫，使之壓力增大很容易擴(kuò)大裂痕。點(diǎn)蝕的出現(xiàn)會使齒輪局部變形，這會進(jìn)一步加大局部接觸壓力，最終形成斷齒危險。在點(diǎn)蝕發(fā)生過程中，由于局部壓力大，導(dǎo)致有周期凸起振幅，容易識別。

1.3 齒輪斷齒

斷齒是齒輪箱中容易發(fā)生而且最危險的故障類型，經(jīng)常會導(dǎo)致停產(chǎn)停工，占齒輪故障的41%。細(xì)分為過載斷齒，疲勞斷齒和缺陷斷齒。由于齒輪收到周期性高負(fù)荷壓力，齒輪會變彎疲勞，長期以往便會出現(xiàn)斷齒現(xiàn)象。斷齒的震蕩波形有別于上述兩種，在斷齒處的振幅會有大規(guī)模擾動。

2 模糊神經(jīng)網(wǎng)絡(luò)

2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是用數(shù)學(xué)模型模擬人類大腦神經(jīng)元的推理過程，對大量神經(jīng)元也就是節(jié)點(diǎn)互相連接的網(wǎng)絡(luò)進(jìn)行計算。這樣計算多重聯(lián)系的關(guān)系網(wǎng)，不同經(jīng)典算法是無能為力的，這就是神經(jīng)網(wǎng)絡(luò)的優(yōu)勢。而且神經(jīng)網(wǎng)絡(luò)善于模擬人類思考過程，以及推理。

2.2 模糊邏輯控制

如果讓計算機(jī)計算很龐大的數(shù)學(xué)運(yùn)算是很容易的，但如果讓計算機(jī)告訴你一杯水燙不燙，這個人是否年輕，這就很難。但是實(shí)際生活中的問題，往往都是不能用0，1去表示，所以我們引入了模糊邏輯控制。模糊控制善于模仿一種抽象的思維方式，提供了一種對不確定的非線性問題的控制方法。但是由于這種模仿的抽象思維方式，對于處理少量、單一的數(shù)據(jù)時往往精度不夠。但如果一味增加個體數(shù)據(jù)，卻會讓處理時間增加，運(yùn)算速度降低。

2.3 模糊神經(jīng)網(wǎng)絡(luò)

以上兩種算法的合并，便成為模糊神經(jīng)網(wǎng)絡(luò)，結(jié)合了兩種算法的優(yōu)點(diǎn)，又避免了二者的缺點(diǎn)。模糊神經(jīng)網(wǎng)絡(luò)，由大量的模糊或非模糊神經(jīng)元互相連接而成的網(wǎng)絡(luò)系統(tǒng)。既有模糊算法中的非線性數(shù)據(jù)處理能力，又有神經(jīng)網(wǎng)絡(luò)的優(yōu)良的自學(xué)習(xí)功能以及運(yùn)算時間短的優(yōu)點(diǎn)。模糊神經(jīng)網(wǎng)絡(luò)擴(kuò)大了系統(tǒng)處理信息的范圍，使系統(tǒng)對確定行與非確定性信息能力加大，處理變得更靈活。

3 實(shí)現(xiàn)方法

FNN系統(tǒng)包括三個組件：數(shù)據(jù)采集，特征提取和模式識別。下面將分別進(jìn)行討論。

3.1 數(shù)據(jù)采集

在對FNN系統(tǒng)進(jìn)行學(xué)習(xí)和訓(xùn)練時，由于不能人為地制造出振動波形圖，因此我們使用三種齒輪箱故障波形圖來對神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練。但是單個傳感器的精度和魯棒性難以滿足我們的需求，多傳感器測量齒輪箱振動成為必要。通過添加生成三個相應(yīng)的數(shù)據(jù)集高斯函數(shù)值，取平均值為0，方差為0.1的數(shù)據(jù)收集為震動信號，這三個數(shù)據(jù)集代表三種不同類型的故障振動波形圖。

3.2 特征提取

我們知道，旋轉(zhuǎn)機(jī)械中潛在的故障會產(chǎn)生特定的振動頻率，這種頻率可以通過頻譜分析振動幅度在旋轉(zhuǎn)頻率的倍數(shù)處的變化得到。典型頻率可以通過以下方式獲得：

（1）找到哪些頻率以及他們特定機(jī)械動作。

（2）每個頻率的幅度和幅值。

（3）頻率和峰值之間的相互聯(lián)系。

使用FNN的頻譜分析的最常用的方法是直接輸入頻率方法，其中輸入神經(jīng)元被分配給每個頻率。

3.3 模式識別

從訓(xùn)練數(shù)據(jù)中提取的特征的FNN，用于識別振動模式并且確定齒輪箱中是否存在一些故障，最終結(jié)果將提示FNN是否可以成功診斷齒輪中的故障。在該過程中，采用三層前饋FNN。網(wǎng)絡(luò)架構(gòu)包括六個輸入單元，它們連接到四個輸出單元的三十二個隱藏單元。當(dāng)成本函數(shù)或誤差低于0.1%時，認(rèn)為任務(wù)被解決。反向傳播（BP）學(xué)習(xí)算法用于訓(xùn)練。然而，BP學(xué)習(xí)算法通常缺乏在合理時間內(nèi)為給定任務(wù)產(chǎn)生有效網(wǎng)絡(luò)的能力。因此，有必要在實(shí)際應(yīng)用中克服這個問題。在研究中，通過動態(tài)更新訓(xùn)練參數(shù)，模糊模型被用來加速BP學(xué)習(xí)算法的收斂速度。

4 結(jié)束語

在本文中，使用的FNN診斷系統(tǒng)為大型電機(jī)機(jī)組的安全運(yùn)行和事故預(yù)警提供了理論依據(jù)。用多傳感器采集信息比單傳感器更加準(zhǔn)確可靠并減小了隨機(jī)振動信號對總數(shù)據(jù)的干擾。盡管對于神經(jīng)網(wǎng)絡(luò)的算法已經(jīng)被廣泛應(yīng)用，但是它缺乏在合理時間內(nèi)針對給定任務(wù)產(chǎn)生有效網(wǎng)絡(luò)的能力。 而模糊邏輯理論提供了一個數(shù)學(xué)框架來捕捉與人類認(rèn)知過程相關(guān)的不確定性，如思維和推理。它還提供了數(shù)學(xué)形態(tài)學(xué)來模仿與人類認(rèn)知相關(guān)的某些感知和語言屬性。

參考文獻(xiàn)：

[1]彭華東.風(fēng)電機(jī)組故障智能診斷技術(shù)及系統(tǒng)研究[J].電網(wǎng)與清潔能源，2011：1673-3814.

[2]彭春陽.基于振動信號分析的齒輪箱故障診斷儀的研究[D].重慶大學(xué)，2011.

[3]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006.

[4]劉強(qiáng).人工神經(jīng)網(wǎng)絡(luò)及其在汽輪發(fā)電機(jī)組振動故障預(yù)測中的應(yīng)用[D].杭州：浙江大學(xué)，2005.

[5]周潤景，張麗娜.基于MATLAB與Fuzzy TECH的模糊與神經(jīng)網(wǎng)絡(luò)設(shè)計[M].電子工業(yè)出版社，2010.

[6]閆春望，黃瑋，王勁松.一種并行模糊神經(jīng)網(wǎng)絡(luò)最短路徑算法[J].算法研究探討，2016（11）.endprint