風力發電機葉輪故障識別方法*

□ 連趙斌 □ 王馥華 □ 陸 軼

上海市質量監督檢驗技術研究院 上海 200072

筆者提出一種魚群算法-蟻群優化算法混合改進策略,利用近鄰函數準則,對風力發電機葉輪故障進行識別。

1 魚群算法-蟻群優化算法改進策略

利用魚群算法較快的收斂品質,避免初期過早集結至信息素濃度高的路徑。引入蟻群優化算法,不僅增強算法的全局尋優和鄰域搜索能力,而且避免陷入局部最優解,實現算法之間的優缺點互補。兩種算法遵循的運動規律有一定的相似性,人工魚隨著擁擠度向濃度高的方向游動,螞蟻隨著信息素向濃度高的方向遷移,人工魚的聚群行為與螞蟻的更新信息素均取決于伙伴中心或最優個體狀態的最優解。由此可見,魚群算法-蟻群優化算法改進策略是可行有效的。

將兩種算法混合后,利用魚群的覓食行為、聚群行為,縮小全局搜索范圍。利用擁擠度與信息素的相似性,在搜索范圍縮小后,過渡至蟻群優化算法,通過分布并行式計算和啟發式搜索方式,不僅提高收斂速度,而且適當提高收斂精度,在一定程度上克服局部極值的問題。

針對風力發電機葉輪,基于振動信號分析與處理來完成故障診斷。通過傳感器采集葉輪傳動的振動信號,對獲得的信號進行分析和處理,提取其中與故障類型判別有關的特征向量。根據所提取的故障特征,按照某一規律將故障的形態、部位和原因作為樣本,進行定位、訓練、分類,進而構造機器學習算法,形成診斷網絡進行故障識別。

2 策略機理

魚群算法是一種高效智能優化算法,主要內容包括魚群初始化、覓食行為、聚群行為、追尾行為、隨機行為。魚群算法具有克服局部極值,取得全局極值的能力,使用目標問題的函數值,對搜索空間有一定的自適應能力。魚群算法同時具有對初值與參數選擇不敏感、魯棒性強、簡單易實現、收斂速度快、使用靈活等特點,提供了一種解決問題的架構,具有與其它算法融合的基礎。

蟻群優化算法的基礎為自然界中螞蟻覓食的群體性行為。螞蟻覓食過程中,會在經過的路徑上釋放信息素,并能夠感知其它螞蟻釋放的信息素。各個路徑上的信息素濃度不同,螞蟻根據濃度高低,按照一定的隨機概率選擇路徑,進而不斷提高適合路徑上的信息素濃度,形成正反饋。

蟻群優化算法采用正反饋機制,應用分布式計算和啟發式概率搜索方式,大大提高計算能力和運行效率,不容易陷入局部最優解,使搜索過程不斷收斂,最終逼近全局最優解。

3 近鄰函數準則

對故障特征進行提取后,征兆不能用簡單的函數關系或者核函數來映射故障。對此,筆者引入近鄰函數準則,解決這一故障分類映射問題,同時有效解決魚群算法和蟻群優化算法的融合問題。

對于數據集中的任何兩個樣本yi、yj,若yj為yi的第N個近鄰,則稱yj對yi的近鄰因數為N;若yi為yj的第M個近鄰,則稱yi對yj的近鄰因數為M;當yi和yj互為近鄰時,近鄰因數為0。由此,近鄰函數值τij表示為:

τij=N+M-2

(1)

在聚類過程中,規定類內會損失,即當yi和yj被歸為同一類時,兩者相互為連接關系,對于每一個這樣的連接,存在一個相應的連接損失。連接損失規定為兩個樣本間的近鄰函數值,總類內損失LIA規定為:

(2)

當yi和yj被歸為不同類時,兩者不存在連接關系,τij為0,總類間損失LIR規定為:

(3)

聚類結果的準則函數為:

(4)

式中:JNN為聚類函數值。

4 故障識別步驟

由故障特征提取的每個故障樣本數據類似于螞蟻將要訪問的地點,每只螞蟻根據樣本數據之間的信息素大小及近鄰函數,以一定概率適當選擇下一個訪問的地點,同時加入自身的數據列表。每只螞蟻對全部數據樣本都進行一次訪問。在數據列表中,每只螞蟻的數據列表根據樣本之間的近鄰函數值大小打斷近鄰函數值較大的兩個樣本數據的連接,同時計算每一類故障之間的連接損失,形成初步的葉輪故障分類。如此循環類推,以樣本數據之間的連接損失最小解為終止條件,進而形成最終的葉輪故障分類結果。

先利用魚群算法的尋優特點,淘汰部分加權距離指標反映出的JNN較大的故障樣本數據。再利用蟻群優化算法,通過對JNN的最優解求解,獲得與映射關系相近的葉輪故障征兆,實現對葉輪故障特征進行分類識別。葉輪故障識別方法的具體步驟分為七步。

第一步,人工魚群初始化,通過覓食行為、聚群行為,對已獲得的故障征兆特征淘汰部分故障樣本數據,建立新的故障樣本數據。

第二步,利用故障征兆樣本數據進行加權距離處理,獲得近鄰因數M。

(5)

式中:Mij為樣本yi對yj的近鄰函數值;Pk為故障征兆樣本數據中不同特征的加權因子;k為m只螞蟻中的第k只螞蟻;yik為第k只螞蟻對應征兆i的故障樣本數據;yjk為第k只螞蟻對應征兆j的故障樣本數據;

第三步,構建近鄰函數矩陣L,其元素Lij為:

Lij=Mij+Mji-2

(6)

式中:Mij為樣本yi對yj的近鄰函數值;Mji為樣本yj對yi的近鄰函數值。

(7)

第五步,螞蟻按照以上遷移概率選擇預計轉移路徑,并將故障樣本數據加入數據列表,之后判斷是否所有螞蟻完成一次訪問,如為否,則返回第四步。

第六步,在數據列表中,根據樣本之間的近鄰函數值大小,打斷近鄰函數值較大的兩個樣本數據的連接,同時計算每一類故障之間的連接損失,形成初步的葉輪故障分類。

第七步,重復第六步,直至找到每一只螞蟻的JNN最小,完成一次故障識別,取所有螞蟻中JNN最小的識別結果作為一次循環的求解結果。

5 試驗分析

依據標準GB/T 29531—2013《泵的振動測量與評價方法》,對葉輪的振動信號進行采集,通過時域、頻域分析等方法對故障特征進行提取。不同時域故障指標與葉輪故障類型關系見表1。

表1 時域故障指標與葉輪故障類型關系

通過特征提取獲得葉輪狀態征兆與故障數據樣本的映射關系。建立正常葉輪信號輸入時域圖、點蝕葉輪信號輸入時域圖、剝落葉輪信號輸入時域圖、斷裂葉輪信號輸入時域圖,依次如圖1～圖4所示。

由圖1～圖4獲得葉輪信號輸入測量數據樣本,通過特征時域指標提取后,加載至魚群算法-蟻群優化算法混合改進策略診斷仿真。葉輪時域故障指標X1K、X2K、X3K、X4K、X5K、X6K、X7K依次為第K只螞蟻的均值、均方差、峰值、波形因子、峭度、裕度、脈沖。建立加權距離指標(X1K,X2K)、(X2K,X4K)、(X3K,X6K,X7K)、(X3K,X4K,X5K)、(X3K,X5K,X6K,X7K),結合不同時域故障指標與葉輪故障類型關系,建立故障樣本數據,進一步與葉輪信號輸入測量數據樣本進行測試對比,得到加權距離指標的故障征兆診斷正確率,見表2。

▲圖1 正常葉輪信號輸入時域圖

▲圖2 點蝕葉輪信號輸入時域圖

▲圖3 剝落葉輪信號輸入時域圖

▲圖4 斷裂葉輪信號輸入時域圖

表2 故障征兆診斷正確率

基于上述試驗,魚群算法-蟻群優化算法混合改進策略在不同時域故障指標與葉輪故障類型關系作為征兆樣本數據時,利用不同葉輪信號輸入時域圖進行仿真測試,故障征兆診斷識別的正確率均在85%以上,誤差在可接受范圍內。產生誤差的原因可能是,在驗臺上拆裝時軸向間的同軸度較難保證一致,葉輪潤滑油內部和油溫等存在不確定因素,在建立故障征兆類型關系初期,會因特征提取而產生誤差。針對部分因素,需要相關研究人員進行進一步優化。筆者通過試驗確認葉輪故障識別方法的有效性和可行性,誤差在可接受范圍內。

6 結束語

筆者提出一種魚群算法-蟻群優化算法混合改進策略,用于對風力發電機葉輪進行故障識別。通過搭建葉輪故障識別模型進行試驗驗證,結果證明了風力發電機葉輪故障識別方法的有效性和可行性。