基于卷積神經網絡的海上風電機組齒輪箱故障診斷

陳文華，黃偉稀

（中國船舶科學研究中心，江蘇無錫 214082）

近年來，海上風電發展迅猛[1-5]，然而由于海上風電機組受到臺風、暴雨等惡劣天氣影響，很容易發生故障[6-8]。海上風電機組維護成本明顯高于陸上風電機組[9]，其中齒輪箱故障導致的風電機組停機時間最長[10]。目前，風電機組的維護多采用定期檢修的方式，這種方式一方面不能及時發現故障；另一方面靠維護人員經驗進行故障診斷的準確率較低，且對維護人員的依賴性較強。因此，有必要針對海上風電機組齒輪箱開展故障診斷技術研究。

傳統的故障診斷系統主要基于傅里葉變換頻譜分析，在診斷準確率上有待提高。近年來發展起來的人工智能方法逐漸被應用在故障診斷領域[11-16]，但需要首先對振動信號進行故障特征提取，不僅流程繁雜而且容易造成信息遺漏，難以保證診斷準確性。

文中開展了基于深度學習方法的故障診斷技術研究。利用卷積神經網絡在圖像處理上的優勢，將測試信號經連續小波變換轉換為二維時頻圖作為網絡輸入，卷積神經網絡自動提取故障特征，避免信息遺漏、簡化故障診斷流程；最后進行仿真驗證，并與傳統的機器學習方法對比，驗證文中所述方法的有效性和優越性。

1 神經網絡

人工神經網絡（Artificial Neural Networks,ANN）是模擬生物神經網絡進行信號處理的一種數學模型，如圖1 所示。其主要組成包括權重為wi的連接、信號求和加法器、激活函數以及外部偏置，數學表達如式（1）所示：

圖1 典型的神經網絡數學模型

其中，y為輸出；xi為輸入信號；wi為權值；f為激活函數，用于限制數值范圍；b為偏置，用于調整激活函數的輸入。神經網絡實際上是通過學習建立起輸入與輸出之間的非線性映射關系，從而對相關輸入進行模式識別，可應用于故障診斷。

基于神經網絡的故障診斷可分為機器學習方法和深度學習方法兩種，其中，機器學習方法的故障診斷思路是首先對振動信號進行預處理，得到能夠反映故障信息的時域和頻域特征，然后將其作為輸入，利用神經網絡建立輸入特征與故障類別的映射關系，進而實現故障診斷。然而，在人為提取信號故障特征的過程中，不可避免地存在信息遺漏，影響故障診斷結果的準確性。

深度學習方法可以很好地彌補機器學習方法的缺點，其與機器學習的主要區別在于該方法可以自動對輸入信號進行特征提取。卷積神經網絡（Convolutional Neural Network,CNN）是一種常用的深度學習方法，CNN 層中的單元為二維濾波器（卷積核），卷積核與該層的輸入進行卷積運算，處理具有網格結構的數據，在圖像處理上表現優異。

利用卷積神經網絡進行故障診斷的技術流程如圖2 所示。首先對振動信號進行連續小波變換，得到能夠反映故障特征的時頻圖；然后直接將時頻圖作為輸入進行卷積神經網絡的訓練[17-18]。卷積神經網絡中含有多個卷積層、池化層，可提取二維時頻圖特征信息。經過多次循環迭代，當輸出誤差滿足精度要求后即完成了卷積神經網絡的訓練，進而可以進行故障診斷。

圖2 卷積神經網絡故障診斷技術流程圖

2 仿真分析

采用動力學仿真的方式建立齒輪模型，模擬斷齒和齒面磨損故障的仿真模型如圖3 所示，仿真計算正常工況、斷齒故障、齒面磨損故障的振動信號。

圖3 齒輪故障仿真模型

各個工況的振動信號如圖4 所示。從時域的波形圖可以看出，無故障時振動信號平穩無沖擊、振動幅值小，如圖4（a）所示。發生故障后，振動增強并呈現出明顯的沖擊特性，如圖4（b）、（c）所示。

圖4 各個工況的時域振動信號

時域振動信號除了肉眼可見的明顯振動周期外，不能觀察其他信息，對故障信息的表達能力不強。為了提高故障信息的表達能力，需要對時域信號進行處理。時域信號特征量包括反映振動能量的均方值、反應沖擊特性的峭度指標等。從圖5 所示的振動信號均方值可以看出，故障工況相較于正常工況來說振動能量增加。從圖6 所示峭度圖可以看出，無故障時峭度指標約為3，發生故障后由于存在明顯的沖擊現象，峭度指標顯著升高。

圖5 各個工況振動信號均方值

圖6 各個工況振動信號峭度指標

時域特征僅能反映是否存在故障，而不能進行故障定位，相對來說頻域特征表達的信息更加充分，有利于故障定位。對信號進行FFT 變換得到的各工況頻譜如圖7 所示。從圖7 可以看出，無故障時振動幅值小，頻譜中僅有一個轉頻的線譜。兩種故障工況的頻譜特征相似，僅振動幅值不同，相對來說斷齒故障振動更大，因此僅根據頻譜特征不能準確定位故障，需進一步進行數據處理以提取特征。

圖7 各個工況振動信號頻譜

2.1 小波分析

小波分析是近年來受到廣泛關注的一種數字信號處理方法，在時頻分析上具有優勢，連續小波變換的數學表達式為：

其中，f(t)為原始信號；*表示共軛；＜＞表示內積；滿足一定條件的時間函數ψ(t)為母小波，將母小波伸縮或平移之后得到的函數族為：

其中，a為尺度參數，a＞1 表示沿時間軸方向拉伸，a＜1 表示沿時間軸方向壓縮；b為平移參數，b＞0表示沿時間軸向右平移，b＜0 表示沿時間軸向左平移。這樣得到的一簇小波可以根據實際信號改變尺度參數及平移參數，對原始信號進行等效，進而得到能夠同時反映時域和頻域信息的信號時頻圖，表達信息更加全面。

連續小波變換中時頻窗在時頻空間連續移動，實際應用中為了減少信息冗余，一般采用離散小波變換，使a和b按2 的整數次冪變化，離散小波核函數見式（4）。離散小波變換能夠將信號分解，得到不同頻率的信號分量，從而反映信號的故障特征。

2.2 基于機器學習方法的故障診斷

首先基于機器學習的方法進行故障診斷。采用小波分析對各工況振動信號進行分解，得到各工況振動信號的小波能量譜，如圖8 所示，橫坐標表示信號分解后的各頻帶序號，縱坐標表示各頻帶信號所對應的振動能量占比。將各工況的小波能量譜作為故障特征，輸入至神經網絡進行神經網絡的訓練。

圖8 各個工況小波能量譜

基于Matlab 建立的神經網絡結構如圖9 所示，完成神經網絡訓練后進行故障診斷，得到的診斷結果如表1 所示。表1 給出了各個工況下神經網絡預測的故障類別及可能性，可以看出機器學習方法對于不同的故障均取得到了較好的診斷結果，但診斷準確率仍有提高空間。

圖9 基于Matlab建立的神經網絡結構

表1 故障診斷結果

2.3 基于深度學習方法的故障診斷

“特征提取-特征降維-算法診斷”的故障診斷模式高度依賴經驗和所選特征類別，存在不確定性。深度學習方法無需人工提取信號特征，簡化了繁雜的信號處理過程。根據圖2 所示的深度學習故障診斷技術路線進行故障診斷，并與機器學習方法得到的故障診斷結果相對比，以驗證文中所述卷積神經網絡方法的優勢。

將振動信號經連續小波變換后得到的時頻圖作為卷積神經網絡的輸入并自動提取特征。采用遷移學習的方式解決訓練數據不足的問題，利用現有的AlexNet 框架提取特征，然后根據研究需求進行網絡調整，最終形成完整的深度學習神經網絡，如圖10所示。

圖10 卷積神經網絡結構框架示意圖

對訓練好的卷積神經網絡進行驗證，每種工況選取5 個時頻圖樣本，如圖11 所示。無故障工況下的時頻圖中無明顯周期性沖擊，故障工況下的時頻圖中存在2～3 個沖擊亮條。

圖11 典型工況時頻圖

圖12 所示為驗證集混淆矩陣，可以看出文中所述的卷積神經網絡對全部的15 個驗證樣本均診斷正確，診斷準確率達到100%。

圖12 診斷結果混淆矩陣

3 結束語

針對人為提取信號故障特征容易造成信息遺漏、診斷準確率低的問題，采用基于卷積神經網絡的深度學習方法對海上風電機組齒輪箱進行故障診斷。文中介紹了卷積神經網絡故障診斷的技術路線，并進行仿真驗證，結果顯示，文中所述方法相較于機器學習方法，簡化了故障診斷流程，提高了診斷準確率，有限數據的診斷結果準確率為100%。