基于MSCNNSA-BiGRU的變工況風電機組滾動軸承故障診斷研究*

安文杰,陳長征,田 淼,金毓林,孫鮮明

(1.沈陽工業大學 機械工程學院,遼寧 沈陽 110870;2.寧波坤博測控科技有限公司,浙江 寧波 315200)

0 引 言

作為風電機組重要的零部件,滾動軸承的健康狀況直接影響整個風電機組的正常運行[1]。據風電行業統計[2],風電機組約30%的機械故障與滾動軸承相關。同時,風電機組在重負載、變轉速環境下長期運行,導致滾動軸承極易損壞。滾動軸承一旦發生故障,則會影響整個機組的性能穩定性,甚至造成停機。因此,對滾動軸承進行快速、有效的故障診斷,對于保證風電機組的穩定運行,降低整體維修成本具有重要意義。

傳統的軸承故障診斷主要通過振動信號分析法分析軸承的故障特征。XIANG Ling等人[3]利用最小熵解卷積和1.5維能量譜結合,實現了對風電機組軸承復合故障的診斷。CHEN Bing-yan等人[4]提出了一種增強組合差分形態濾波器,用于對強噪聲背景下的軸承故障特征進行檢測。洪達等人[5]提出了一種多元變分模態分解和分數階傅里葉變換相結合的方法,對滾動軸承的早期故障進行了提取。

然而上述方法對先驗知識要求高、效率低,且不具備通用性。

近年來,深度學習理論逐漸成為故障診斷領域中炙手可熱的診斷方法。它能夠自動提取信號特征。研究者基于深度學習理論建立了“端到端”的故障診斷模型[6]。XU Zi-fei等人[7]提出了基于一維卷積神經網絡(one-dimensional convolutional neural network,1D-CNN)聯合特征提取的軸承健康監測方法,通過耦合自編碼器可以獲得較高的故障診斷精度,以及較低的診斷延時。張西寧等人[8]采用小尺度卷積核,以跳動的方式進行采樣,解決了卷積神經網絡中最大池化丟失大量信息和平均池化模糊重要特征的問題。

雖然上述方法對各自的故障診斷具有較好的診斷效果,但在使用過程中也會受限。主要表現在以下2個方面:

(1)這些方法均采用單尺度卷積核提取故障特征,風電機組軸承與其他部件振動耦合會導致振動信號表現多尺度特性,故障信息呈現不同的頻率變化,單尺度卷積核難以有效提取其全局與局部故障;

(2)振動信號是時序的,在時間維度上也蘊含著豐富的信息。

循環神經網絡[9](recurrent neural network, RNN)能夠在順序步驟之間有選擇傳遞信息,一次只處理順序數據的一個元素,非常適合處理時序數據問題。然而,RNN存在梯度消失和梯度爆炸的問題。

為了解決上述這些問題,HAO Shi-jie等人[10]提出了長短時記憶網絡(long short-term memory network, LSTM)結構,在RNN中引入輸入門、遺忘門和輸出門,其特點是隱含層節點的輸入包含了該隱含層節點在前一個時刻的輸出,不僅可以有效處理序列數據,而且能夠解決梯度消失及梯度爆炸問題。

但相對于RNN、LSTM的結構更加復雜,需要復雜的網絡調參,導致訓練難度增加。AN Dong等人[11]提出了門控循環單元(gated recurrent unit, GRU),可以認為是一種改進LSTM網絡結構的變體,在故障診斷領域中得到了廣泛應用。但是經典的門控循環單元模型中,狀態是根據序列由前向后傳遞的,忽略了后序狀態對前序狀態的影響。

雙向門控循環單元(bidirectional gated recurrent unit, BiGRU)是GRU的一個變體,既能提取振動數據的前后時間序列問題,又能解決長期依賴問題,適合故障診斷的工程應用。

針對以上問題,考慮風電機組運行工況復雜,采集的數據具有多尺度特征,筆者提出一種基于多尺度卷積神經網絡(multi-scale convolutional neural network, MSCNN)和自注意力機制(self-attention, SA)的[12]雙向門控循環單元的,針對變工況條件下風電機組滾動軸承故障的診斷方法(MSCNNSA-BiGRU)。

首先,通過MSCNN提取原始振動信號的多尺度特征信息;然后,BiGRU結構挖掘原始振動信號的歷史與未來信息,自注意機制重點關注故障特征;最后,將特征信息融合成一個特征向量,輸入到SoftMax層實現故障分類。

筆者采用實際采集的不同工況下風電機組發電機滾動軸承數據集,對所提方法的有效性和可行性進行驗證。

1 理論介紹

1.1 多尺度卷積神經網絡

傳統的CNN網絡故障診斷結構中,采用相同尺度的卷積核提取故障特征,將其中一層的神經元作為回歸實現故障分類[13],這樣會導致一些詳細的局部特征丟失。

為了解決該問題,基于MSCNN,研究者們采用不同尺度的卷積核提取特征,有效地提取了全局和局部故障特征,提高了模型的泛化能力及魯棒性,從而獲取了精準的故障分類結果。ZHU Jun等人[14]將最后一個卷積層與之前的池化層合并形成了一個多尺度層,在人臉識別任務中獲得了良好的效果。JIANG Guo-qian等人[15]構建了一個1D的多尺度模型,對風力發電機的齒輪箱進行了故障診斷。

在此,筆者提出一種基于多尺度卷積神經網絡(MSCNN)和自注意力機制(SA)的,變工況條件下風電機組滾動軸承故障的診斷方法(MSCNNSA-BiGRU)。

在筆者所提方法中,模型輸入為原始振動信號。基于多尺度卷積神經網絡(MSCNN)模型,如圖1所示。

圖1 MSCNN網絡模型

圖1中,原始信號首先由4個不同尺度的卷積核進行多尺度的特征提取,再基于多個并行的卷積層和池化層學習特征,最后利用SoftMax分類器進行故障分類。

對于輸入的振動信號X=[x1,x2,x3,…,xn],筆者采用不同尺度的卷積核S對原始振動信號進行特征提取,隨著S取值的增大,遞增的非重疊窗口將特征構造為連續的粗粒度信號Y(S)。

不同尺度卷積核提取過程,如圖2所示。

圖2 不同尺度卷積核提取特征

(1)

由圖2可知:多尺度特征學習采用多對卷積層和池化層并行結構,不僅可以提高特征提取能力,而且可以從不同時間尺度的多個粗粒度信號中,提取高級特征信息,進行故障特征提取。

1.2 雙向門控循環神經網絡

由于振動信號是時序信號,為了更好地處理時間序列數據,筆者引入循環神經網絡門控循環單元(GRU),如圖3所示。

圖3 門控循環單元

由圖3可知:通過門控機制有效處理時間序列問題,重置門rt決定如何將t時刻的輸入信息xt與t-1時刻的隱藏信息ht-1相融合,重置門值越大,在t時刻候選狀態ht中,隱藏狀態ht-1被重置的程度就越高;

ut和rt是t時刻的輸入,其計算公式如下:

rt=σ[Wr?cat(ht-1,xt)]

(2)

ut=σ[Wu?cat(ht-1,xt)]

(3)

(4)

(5)

在經典的GRU模型中,特征向量是根據序列由前向后單向傳播的,但振動數據是時間序列數據,經典的GRU網絡在時刻t只能捕捉t時刻之前的歷史信息。

在故障特征向量提取中,筆者希望從全局層面來提取故障特征,不僅考慮t-1時刻,也要考慮t+1時刻的狀態信息,顯然經典的GRU顯然無法滿足這一需求。

雙向門控循環單元(BiGRU)是GRU的一個變體,既能提取振動數據的前后時間序列問題,又能解決長期依賴問題,適合故障診斷的工程應用。

BiGRU網絡結構模型,如圖4所示。

圖4 雙向GRU(BiGRU)的結構

由圖4可知:BiGRU由向前傳播和向后傳播組成。

(6)

(7)

(8)

式中:Wt—前向傳播的權重;Vt—后向傳播的權重;bt—偏差項。

1.3 自注意力機制

自注意力是指關注重要信息,而忽略不重要信息的能力。注意力機制最早出現在圖像處理領域,其作用是在特征提取時,重點關注某些特征信息。

在MSCNN神經網絡中引入自注意力機制,可以使神經網絡有選擇性地進行訓練,提高其學習能力。對于輸入的振動信號X=[x1,x2,x3,…,xn],無需將所有的數據都輸入到神經網絡進行計算,只需選擇一些與任務相關的信息輸入到神經網絡中,這樣不僅可以提高運算效率,而且可以節省計算資源。

筆者使用注意變量z∈[1,n]來表示所選輸入數據的索引。已知與任務相關的查詢向量q和輸入數據x,選擇第m個輸入數據的注意分布αm表示注意分布,是給定x和q下選擇第i個輸入向量的概率。

自注意力機制,如圖5所示。

圖5 自注意力機制

(9)

式中:s(xm,q)—評分函數,用于計算每個輸入向量與查詢向量之間的相關性。

s(xm,q)的表達式為:

s(xm,q)=VTtanh(Wsxm+Usq)

(10)

筆者計算出每個輸入向量所占權重,然后通過注意力機制加權融合得到ySA,即:

(11)

式中:U，V，W—神經網絡訓練中學習到的網絡參數。

2 基于MSCNNSA-BiGRU的故障診斷

在變工況背景下,基于多尺度卷積和自注意力機制的雙向門控循環神經單元,筆者提出了一種風電機組滾動軸承故障診斷模型(MSCNNSA-BiGRU),其總體框架如圖6所示。

圖6 MSCNNSA-BiGRU網絡結構

對于輸入的一維振動信號X=[x1,x2,x3,…,xn],經4個不同尺寸的卷積核S1,S2,S3,S4進行多尺度的特征提取,不同尺度的卷積核雖然能夠很好地提取故障特征;但隨著網絡訓練次數的增加,容易產生梯度消失和梯度爆炸等問題。

為解決這些問題,筆者引入雙門控循環單元(BiGRU)結構,不僅可以有效解決MSCNN梯度消失和梯度爆炸問題,還可以有效挖掘原始振動信號的時序特征信息。

同時,為了提高模型對重點故障特征的提取,忽略不重要信息,筆者采用自注意力(self-attention)重點關注故障特征,以增強模型的泛化能力及魯棒性,提高模型在實際風電機組滾動軸承故障診斷中的故障分類精度。

漢諾威國際林業木工展覽會的參展商將來自全球50多個國家和地區，約9萬多名觀眾遍布100個國家和地區，是同類展會中國際化程度最高的盛會。Christian Pfeiffer在新聞發布會上說道：“來自世界各地的參展商將向全球專業觀眾展示他們的解決方案、應用和理念，來講述如何塑造木材行業的未來。漢諾威國際林業木工展覽會是創新成果的第一展示平臺，它涵蓋數字化、自動化、物聯網平臺及協作系統，展覽規模無與倫比。從林業技術、家具和門窗制造到工具系統和表面處理技術，觀眾將領略各個領域的創新成果。展會將為觀眾帶來家具生產設備、工業4.0物聯網 平臺的現場演示，以及覆蓋木工行業各領域的研究項目與交流活動。”

3 實驗及結果分析

為了驗證該方法的有效性,筆者采用實際采集的風電機組發電機軸承數據進行實驗驗證。

3.1 軸承數據介紹

實驗數據來源于天津某風場,筆者主要采集發電機驅動端和自由端數據。該發電機型號為湘潭電機DFWG1500/4,軸承型號為SKF6330 M/C3 H深溝球軸承,通過安裝在發電機軸承座側面位置的ICP壓電加速度傳感器,針對其水平和垂直2個方向,不同工況下的振動信號進行數據采集。其中,采樣頻率為16 384 Hz,采樣時間10 s。

風電機組發電機振動數據采集,如圖7所示。

圖7 風電機組發電機振動數據采集

筆者根據該風場25臺風電機組采集到的發電機軸承數據,劃分出4種狀態,并針對不同轉速下4種狀態,采用起點隨機的方式截取1 638個數據點作為數據樣本,每種狀態下生成1 000個樣本,隨機選取80%作為訓練集,20%作為測試集[16]。

風電機組滾動軸承具體標簽如表1所示。

表1 風電機組滾動軸承數據樣本構造

不同狀態下的軸承時域圖如圖8所示。

圖8 不同狀態軸承時域圖

3.2 實驗結果分析

筆者將表1中的訓練樣本A輸入網絡,進行訓練,同時,為防止過擬合,引入Dropout層,采用梯度下降法,對神經網絡損失誤差反向傳播進行優化(其中,迭代次數、學習率、Dropout分別為150,0.001,0.5)。

文獻[17,18]中,研究人員采用128*1、64*1、32*1的卷積核進行特征提取,取得了較好的效果。

表2 不同尺度卷積核診斷準確率

由表2可知:筆者提出的實驗2故障識別準確率最高,并且采用不同尺寸的卷積核(實驗1～3)時的故障診斷準確率高于相同尺度的卷積核(實驗4～6);

由于風電機組在變工況環境下運行,軸承與其他部件振動耦合會導致振動信號表現多尺度特性,單一尺度的卷積核難以有效提取全局和局部特征,并且卷積核過大易出現過提取特征情況,導致模型過擬合;卷積核過小無法有效提取全局特征,進而影響故障識別精度。

表1中,數據集A在MSCNNSA-BiGRU網絡迭代50次,得到的故障識別準確率與損失值曲線,如圖9所示。

圖9 模型故障識別曲線圖

為了保證測試結果的準確性,筆者采用十倍交叉驗證法(10-fold cross-validation method)來降低訓練集和測試集隨機分配的偶然性,將原始振動數據劃分成10個大小相等的子集(其中,9個子集作為訓練集,1個子集用于測試模型),交叉驗證重復10次(每個子集只使用一次作為驗證),最終結果為10次交叉驗證的平均值;并且在MSCNNSA-BiGRU網絡中添加判斷語句,當訓練集數據連續迭代10次,損失值同時小于0.15時,停止迭代,加快診斷速度。

對比故障識別準確率和損失值變化曲線可知:在迭代到30次時,訓練集的準確率達到95.69%,測試集的準確率達到94.18%,故障識別準確率曲線和損失值曲線趨于穩定,模型達到收斂狀態。

以上結果進一步驗證了筆者提出的基于MSCNNSA-BiGRU模型在風電機組滾動軸承故障診斷應用中的有效性。

3.3 變工況下模型性能分析

為驗證所提模型在變工況下的故障分類準確率,筆者選用不同轉速下的數據,分別構建數據集和測試集,并且將其與采用①CNN、②MSCNN、③CNN-BiGRU、④MSCNN-BiGRU、⑤MSCNNSA-GRU方法所得結果進行對比實驗。

例如,筆者選取表1中的數據集A和數據集B作為訓練集,數據集C作為測試集,對變工況下模型故障診斷性能進行評估(AVG表示3組實驗結果的平均值),最終診斷結果如圖10所示。

圖10 變工況下模型故障識別準確率

由圖10可知:在變工況條件下,MSCNN方法故障分類平均準確率為92.7%,高于對比方法;

對比實驗①和②可知:在風電機組滾動軸承故障診斷特征提取時,采用經典CNN網絡結構難以有效提取全局和局部特征,在變工況下模型診斷效果較差;多尺度卷積神經網絡采用不同尺度的卷積核提取特征,可有效提取全局和局部故障特征,提高模型故障診斷能力[19];

對比實驗①和③可知:在變工況條件下,雙向門控循環單元能夠提高模型的故障分類精度,提高模型的泛化能力;

對比MSCNN方法和④可知:引入自注意力機制,重點關注有效特征,神經網絡有選擇性地進行訓練,可提高模型診斷能力;

對比MSCNN方法和⑤可知:相比于經典的門控循環單元,雙向門控單元能夠提取振動數據t+1的特征信息,更適用于對變工況下實際工程故障進行診斷應用。

由此可證明,基于MSCNNSA-BiGRU的風電機組滾動軸承故障診斷方法,變工況條件下具有良好的診斷性能。

為進一步驗證該方法對時域信號全局和局部特征的自適應提取能力,筆者引入T-SNE算法,對輸出層進行可視化分析,針對圖10中的AB-C數據集進行可視化分析,結果如圖11所示。

圖11 AB-C可視化分析

由圖11可知:基于MSCNNSA-BiGRU的風電機組滾動軸承故障診斷方法故障識別準確率高,能夠精準地區分不同故障的類型,表明該方法具備一定的泛化能力和魯棒性,適用于在實際工程變工況條件下,對滾動軸承進行故障診斷。

4 結束語

針對風電機組滾動軸承運行工況復雜,采集的數據具有多尺度特征的問題,筆者提出了一種基于MSCNNSA-BiGRU的變工況風電機組滾動軸承故障診斷方法,實現了對變工況背景下滾動軸承的故障診斷。

研究結論如下:

(1)基于MSCNNSA-BiGRU的變工況風電機組滾動軸承故障診斷模型,采用MSCNN提取原始振動數據全局與局部特征信息,BiGRU結構考慮了原始振動信號的歷史與未來信息,更全面地提取了數據時序特征信息;同時,引入Self-Attention,重點關注故障特征,最后將特征信息融合成一個特征向量,輸入到SoftMax層,實現故障分類;

(2)針對實際采集的風電機組電機驅動端數據,通過不同的模型進行了對比分析,所述模型10次平均結果94.18%的故障識別準確率,優于對比實驗;

(3)采用變工況數據集進行故障識別,筆者提出的模型的平均故障識別準確率為92.7%,高于對比實驗;通過T-SNE可視化分析,不同的故障類型能夠精準的區分開,進一步說明了在變工況下,基于MSCNNSA-BiGRU的模型可對實際工程中的風電機組滾動軸承進行故障診斷。

在后續的研究中,筆者將重點研究背景噪聲及其他設備激勵源對多尺度卷積神經網絡的影響,并提出相應的解決方案,以提高其故障識別的準確率。