基于降噪自動編碼器與一維卷積網絡的風機故障診斷方法

王挺韶， 季天瑤， 姜雨滋， 王瑾

(華南理工大學， 廣州 510640)

0 引 言

如今，人們對風能的利用與日俱增，促使了風力發電機的廣泛安裝。為了更好地利用風力資源，風力發電機通常安裝在風力資源豐富的地區。然而，惡劣的工作環境增加了風機各種故障的風險，組件的振動、腐蝕和溫度變化都會影響風力發電機的發電能力，并可能導致電力系統的嚴重故障。與此同時，對風機進行非計劃維護的代價高昂。為了降低這一成本，避免風機潛在不可逆損害，一種有效的方法是盡早發現故障，這可以為主動容錯控制(Active Fault Tolerant Control，AFTC)系統提供重要的控制依據，以保證風電機組的可靠運行。因此，采用先進的風機故障診斷與隔離(Fault Diagnosis and Isolation，FDI)方法也非常必要[1-3]。

風機的故障診斷方法主要分為兩大類。一類是基于模型的方法，另一類是基于數據驅動的方法。基于模型的FDI方法[4]研究風機的物理特性，并建立數學模型，通過實際系統和正常系統的數學模型之間的差異來對故障進行診斷。然而，由于風力發電機組是一個復雜的系統，很難對風力發電機組進行精確的數學描述，所以很難避免模型與實際情況的不匹配。此外，不確定性的干擾，如測量，噪音等隨機因素對殘差的評估和決策也帶來負面影響。這些不可避免的缺點限制了大多數基于模型的方法在實際應用中的有效性?；跀祿寗拥墓收显\斷方法[5-6]在近幾年也得到廣泛的發展，主要可分為基于機器學習的方法與基于神經網絡的方法。基于機器學習的方法，需要對原始信號處理進行處理，如將信號進行小波分解或者經驗模態分解，再將分解的特征作為機器學習模型的訓練數據進行分類?；谏窠浘W絡的方法，如基于深度置信網絡(Deep Belief Networks，DBN)的診斷方法可以不用對數據進行特征處理，借助神經網絡本身能對數據進行特征學習的能力，實現故障診斷。然而DBN方法沒有充分利用數據的時序特征，在噪聲下的表現仍有待提高。為此，提出一種基于一維卷積網絡(1-Dimension Convolutional Network, Conv1d)與自動降噪編碼器[7](Denoise Auto Encoder Decoder, DAE)相結合的數據驅動故障診斷模型。

為了驗證模型的性能，首先使用基準風機模型產生仿真數據，并在獲得仿真數據的基礎上，與基于模型的方法進行了對比，基于模型的對比算法包括估算法[8](Estimation-Based Solution，EB)、一般故障模型法(General Fault Model Solution，GFM)、可逆計數器法[9](Up-Down Counter Solution，UDC)和觀測器與卡爾曼濾波器相結合法[10](Combined Observer and Kalman Filter Solution，COK)。同時也和其他數據驅動方法進行了對比，主要包括DBN、隨機森林算法[11](Random Forest, RF)和長短時記憶網絡(Long-Short Time Memory Networks, LSTM)。實驗結果表明，文中模型在準確度、魯棒性和速度上都具有很好的表現。

1 基準風機模型介紹

出于研究的需要，文獻[1]提出了一個風機基準模型，該模型已經得到相關研究人員的廣泛認可，其組成如圖1所示。

圖1 基準 風機模型

由圖1可知，基準風機模型由四個子系統組成[12]。其中，槳距系統是風機控制槳距的核心系統，通過控制槳距角實現對功率的控制；傳動系統負責將葉片轉動產生的機械能傳遞到發電機端，起到能量傳遞的作用；控制器既能控制槳距系統，又能控制發電機，因此能根據風速來調節風機的功率。發電機與變頻器模塊則是負責將機械能轉換成電能，并控制電能頻率的模塊。上述各個模塊中狀態量的物理意義見表1。

表1 風機變量概述

在Simulink仿真系統上建立上述風機基準模型，并通過傳感器收集這些數據，隨后通過卷積神經網絡來提取傳感器數據的時序特征，從而挖掘傳感器數據與故障之間的關系，實現對故障的有效診斷。

2 故障診斷的總體設計

仿真設置主要參考了文獻[5]的設置，并著重與文獻[5]進行了對比。在文獻[5]中，設置了三大類故障，總計9種故障類型。所有的故障均為微小故障，分別為：傳感器故障、執行器故障、系統故障。三種故障類型的數量分別為5種、 3種、 1種。具體的設置見表2。

表2 故障的設置與概述

在故障數據采集中，仿真時間為4 400 s，每一種故障的持續時間為100 s，在故障發生區間的選擇上，為了充分模擬現實條件下故障發生的情況，將故障發生的區間盡可能分散到仿真的區間中，盡量減少因為故障區間設置不合理導致的實驗結果偏差。為此，在仿真過程中將9個故障的設置集中在不同的區間。選取了等分的區間： [0, 2 000]、[1 000, 3 000]、 [2 000, 4 000]和[3 000, 4 400]，在此基礎上，將9個故障分散在區間[0, 4 400]中，因此將獲得5個故障數據集。由于是對單個傳感器故障進行識別，在每個故障數據集中，傳感器故障區間將不會重疊，保證了每一時刻最多只有一種故障發生。最后的實驗結果，是這5組數據得到的結果的平均值。

2.1 訓練數據的預處理

選用了風力發電機中所有與表2有關的傳感器數據作為訓練數據。這些數據可以表示為多變量的時序數據：

(1)

(2)

(3)

在對數據進行歸一化后，還需要將這些數據按照相同的時間聚合起來，由于傳感器總共15個，因此特征維度為15。同時，還需要對數據進行滑動窗口大小的選擇并確定序列的長度。數據采樣頻率為100 Hz，在滑動窗口和序列長度的選擇上，選擇了使用5 000個樣本的少量數據集進行初步訓練，從而確定序列長度與滑動窗口的大小。初步訓練的數據集規模極小，網絡的模型較為簡單，僅為一層一維卷積網絡和全連接層，訓練的結果僅供滑動窗口大小和序列長度的選擇提供參考。在試驗的過程中，分別選取了32、50、64、128幀的序列，以及5、10、20幀的滑動窗口長度，兩兩組合，構建訓練數據進行訓練。在經過短暫的訓練后，發現50為合適的序列長度，滑動窗口k合適長度為5。最終的訓練集S*可以表示為：

(4)

(5)

式中k為滑動窗口長度，k=5m-4,m∈+。

2.2 降噪自動編碼器

原始的自動編碼器(Auto Encoder Decoder, AE)是一種簡單的由兩層全連接層構成的前饋神經網絡[13]。這兩層網絡分別對應了編碼器和解碼器。自動編碼器被用于對原始數據進行降維，通過將編碼器的輸出向量限制在較小的維度，可以將原始的稀疏數據嵌入到更小維度的空間當中，從而實現數據的降維。而解碼器的功能對應著將低維空間的特征數據還原為原始信號，實現對信號的重構。

圖2 降噪自動編碼器原理

其中h為低維特征空間，在神經網絡中是一個經過訓練的隱藏層?？梢员硎緸椋?/p>

(6)

式中sigmoid為激活函數；W，b分別為編碼器的權重和偏置。因此，針對一個信號，可以對其加入高斯噪聲，并以原始信號為目標進行訓練，從而可以得到一個能表征該數據特征的網絡。這層網絡能對噪聲信號進行重構，實現濾波的功能。濾波的過程也是神經網絡前向計算的過程：

x=sigmoid(W′h+b′)

(7)

式中W′和b′分別為解碼器的權重和偏置。文章基于降噪自動編碼器，針對每個故障信號訓練了一個對應的降噪自動編碼器，在訓練自動降噪編碼器的過程中，對原始信號加入20 dB的高斯噪聲，并對傳感器數據進行逐個訓練，分別得到與傳感器數據對應的降噪編碼器。

2.3 基于一維卷積神經核的故障診斷網絡

卷積神經網絡(CNN)模型，一般指二維卷積核(Conv2d)，常用于圖像的識別[15-16]，該卷積核接受一個二維輸入，表示圖像的長與寬，在圖像上長寬兩個維度上進行卷積的過程則稱為特征學習。

同樣的過程也適用于一維數據。對一維序列進行卷積從序列數據中提取特征并映射序列的內部特征。一維卷積對于從整個數據集的定長段中提取特征是非常有效的，得益于最大池化層，一維卷積對序列中特征的位置并不敏感，非常適合對發生在不同時刻的故障進行特征提取。

基于一維卷積核的時間序列特征提取的原理如圖3所示，由于要充分提取序列的特征，可以設置多個卷積核進行卷積運算，從而提取不同時間尺度的特征。對于第k個卷積核，卷積計算為：

(8)

(9)

圖3 卷積核提取時序特征過程

在卷積層進行卷積之后，加入最大池化層(Max Pooling Layer)，最大池化層的作用是對卷積進行降采樣的操作。在降采樣的區域內，最大值將保留，而在區域內的其他值將設為0。當卷積核過多時，雖然能提取更多的特征，但同時隱藏層的層數會增加，也會產生大量的與特征無關的數據。為了減少其他數據對特征的影響，同時減少計算的復雜度，在卷積層后加入最大池化層是十分必要的操作。

2.4 構建故障診斷決策機制

將風機的故障診斷作為一個深度學習分類任務[17]。分類任務作為經典的監督式學習，需要對9類故障的類別進行標簽化處理。使用了獨熱編碼對標簽數據進行編碼。對于維度為1*9的標簽Li，其故障類別為k，則第k個元素值為1，而其他元素值為0。引入獨熱編碼解決了由于分類數據在數值上的設置不合理而導致的類別不均衡的問題，對于故障類別的診斷有著很好的效果。

同時采用了分類交叉熵(Categorical Cross Entropy, CCE)作為模型的損失函數。分類交叉熵的定義為：

(10)

式中C為所有故障類別；ti為類別i的概率；f(s)i為網絡對于樣本s預測其為類別i的值，當使用softmax作為激活函數時，f(s)i為：

(11)

為了解決模型的泛化性不強的問題，使用了L1正則化作為正則化項，加入L1正則化的損失函數可以表示為：

(12)

式中ω為網絡中所有的權重，λ為超參數，用于控制模型的復雜度。同時，在卷積網絡層與池化層之后加入了Dropout層，Dropout層的作用是以一定的概率將神經元的權重置為0來模擬外界擾動對網絡帶來的影響，從而起到了提高泛化性能的作用。雖然z正則化與Dropout兩種方法都用于改進模型的泛化性能，但這兩種方法在本質上仍存在區別。L1正則化是對整個模型的參數進行調節的手段，起到降低模型復雜度的作用。而Dropout則是給模型特定的一層帶來隨機擾動，提高該層網絡抗干擾的能力，因此僅影響模型的一層網絡。

2.5 基于dAE-Conv1d方法的優勢

通過上述建模并從理論上分析，得到文中模型具有以下優勢，使得其更加適用于風機故障診斷這一應用：

(1)傳統的基于模型的方法需要對不同的風機模型進行物理特性分析，對于不同的故障也需要建立不同的數學模型，比較費時費力。而與傳統的基于模型方法相比，基于dAE-Conv1d的神經網絡框架僅僅依靠檢測數據，減少了建模的工作量，具有普適性。同時，由于一維卷積通過設定卷積核的大小，從而能在時序數據上提取多種特征，因此能夠構建同時識別多種故障的多分類的神經網絡模型，并行的識別過程大大減少了診斷時間。實驗中，使用了15種時序數據來對9種特征進行分類。但一維卷積神經網絡的性能還有待挖掘，還能進行更多特征，更多故障類型的識別。因此在診斷的速度和精度上所提網絡都比基于模型的方法優異；

(2)與傳統的機器學習模型相比，所提出的模型也具有諸多優勢。傳統機器學習模型，如支持向量機、隨機森林等，需要進行數據特征特構建。特征工程的建立也是一個難度較高的過程。而所提模型基于一維卷積神經網絡，其能提取時序特征的特性減少了前期的特征工作，只需要進行網絡參數的調整和訓練數據集的重構，則能適應不同的傳感器數據、不同故障類型的診斷場景。同時在訓練速度上，文中模型也比隨機森林等傳統的機器學習算法有優勢，能處理更大更復雜的數據集，并在性能上不會下降；

(3)與其他神經網絡模型相比，文中模型也有優勢。主要體現在對噪聲的敏感度上，所提模型由于加入了降噪自動編碼器，使得模型在噪聲環境下也能保持良好的性能。同時與深度置信網絡和長短時記憶網絡相比，一維卷積網絡的訓練時間更短。深度置信網絡在更新參數時需要進行貪心搜索，使得參數更新相對緩慢。至于長短時記憶網絡，參數眾多，難以調節，訓練速度更加緩慢。同時，上述兩種神經網絡在性能上與所提模型相比也沒有優勢；

(4)自動降噪編碼器實質上是神經網絡對數據特征的充分學習，訓練后的網絡能對給定的信號進行降噪和還原，且不依賴于硬件和特定的信號處理方法，只需要將訓練的模型數據部署到服務器上，就能實現對信號的還原，具有較高的實用性。

3 實驗結果與分析

在模型的驗證方面，主要選擇了三個方面對模型的性能進行驗證，包括：在相同故障下與基于模型和基于機器學習診斷方法的對比，并著重與DBN算法進行了對比；驗證模型在噪聲條件下的性能；驗證模型的診斷速度。

在第一個對比實驗中，數據為無噪聲數據，因此沒有使用自動降噪編碼器對數據進行降噪，而在第二個實驗中，則使用了降噪編碼器。

具體的評價指標為精度(Precision, Prec)、召回率(Recall, Reca)和F1值(F1-Score, F1)。評價指標的具體定義如下：

(13)

(14)

(15)

式中TP為真陽率，表示對正樣本預測為正的比值；FP為假陽率，即對于負樣本，預測為正比值；FN為假陰率，表示對于正樣本預測為假的值。為了與其他模型進行對比，選用漏檢率(Miss Detect Rate, MRD)來代替召回率，作為檢驗模型靈敏度的標準。漏檢率與召回率的關系為：

(16)

3.1 模型的對比驗證

選用EB、UDC、GFM方法與文中的模型進行對比，由于基于模型的方法不能檢測系統故障，因此僅對前8個故障進行了診斷。模型對比驗證的結果見表3。

表3 本模型與基于模型診斷方法對比

由表3結果可知，文中模型與其他三個基于模型的算法相比，在性能上處于明顯的優勢，即便在個別故障中的個別指標不如某個模型檢測方法，如故障2中的UDC算法的準確率高于文中模型，但該算法在漏檢率和F1值的表現上遠差于所提算法。可以看出，文中模型在診斷的準確度上遠優于基于模型的方法，特別是在平均漏檢率和平均F1值上優勢明顯。

在與基于模型方法比較的同時，也與其他機器學習模型進行了比對，著重對比了DBN與LSTM網絡。其中，LSTM的架構類似所用模型，僅用門控循環單元(Gate Recurrent Unit，GRU)來替換卷積神經網絡層，并移除掉最大池化層。同時，還使用了隨機森林(Random Forest, RF)作為對比，結果如表4所示。

表4 本模型與基于數據驅動方法對比

由表4可知，文中模型在性能上優于其他機器學習模型。與DBN相比，在無噪聲條件下本模型的每個指標都優于DBN。而傳統的時序神經網絡LSTM，在識別這些故障時雖然也有較好的效果，但訓練的時間過長，不適合在生產環境中應用。同時，結合表3與表4的結果可以知道，基于數據驅動的機器學習方法在平均性能上要優于基于模型的方法。這時由于基于模型的方法僅針對個別故障，因此在診斷結果上，會出現對部分故障診斷結果十分準確，而對于個別故障，則幾乎不能實現有效診斷的情況，這也是基于模型的診斷方法存在的缺點。而對于數據驅動的模型，在有大量有效數據的前提下，都能對相應的故障類型做出準確判斷。但這些數據驅動的模型都需要足夠多的數據來支撐模型的性能，這也是數據驅動模型的不足之處。

綜合以上實驗可以發現，在無噪環境下，DBN的性能雖然稍落后于本模型，但也能實現較高準確度的診斷。而本模型的性能優于所有參與對比的其他模型。因此，為了進一步比較文中模型與DBN之間的性能差異，在此基礎上對文中模型與DBN進行魯棒性檢驗。

3.2 魯棒性校驗

在魯棒性校驗中，分別向故障數據加入35 dB、30 dB、25 dB、20 dB、15 dB、10 dB、5 dB的高斯噪聲，使用三組模型進行5次實驗，并以平均F1值為最終的指標來進行比對。三組模型分別為：Conv1d、dAE+Conv1d和DBN。最終的比對結果如圖4所示。

圖4 文中模型與DBN魯棒性對比

由魯棒性校驗的結果可以得知，文中模型在噪聲條件下的性能要明顯由于DBN。雖然DBN在低噪聲下還能保持定的準確度，但其性能在信噪比為30 dB時就出現了明顯的下降。而加入了降噪自動編碼器的文中模型在信噪比為5 dB時F1值仍然可以保持在0.9左右，這說明本模型具有很強的魯棒性。

3.3 模型診斷時間的驗證

在網絡模型已經訓練好的前提下，進行了模型診斷時間的驗證。由于網絡訓練結束后其結果以h5文件格式保存于本地硬盤中，在診斷開始時，需要進行模型的加載，加載的過程需要耗費一定的時間。因此，診斷過程可以簡要劃分為：加載自動降噪編碼器模型；加載卷積神經網絡模型；信號降噪；故障診斷。使用17 000條故障數據作為輸入，將模型加載的時間和診斷時間考慮在內，在進行5次實驗后，記錄平均的診斷時間，診斷時間為降噪時間與故障診斷時間的和，結果見表5。

表5 文中模型診斷速度

雖然模型加載時間稍長，總共消耗9 s, 但由于模型只需要加載一次，之后的診斷將不會進行模型的加載，因此不會對故障診斷的耗時造成太大影響。而降噪編碼器要對每一個信號進行一次降噪，耗費時間稍長，導致平均診斷時間相較于無降噪時有明顯提高，但考慮到降噪環節對診斷的結果有明顯的提升，因此時間消耗的小幅提高也在接受的范圍之內。

4 結束語

為了挖掘風機在發生故障時其傳感器數據的時序特征，實現在數據驅動下對風機故障的診斷。提出了一種基于降噪自編碼器和一維卷積神經網絡的故障診斷模型。對于所有傳感器的時序數據，構建一維卷積層對多個特征進行并行提取，并使用全連接層處理提取出來的特征，實現對故障的診斷。相比于基于模型的方法只能在個別故障上進行識別，文中模型對于設定的故障，都有十分優異的表現，同時在精度與魯棒性上也全面超過了深度置信網絡。然而，由于只關注于單個故障，在設置故障時沒有考慮可能同時發生的多個故障，因此，后續將繼續研究基準風機型，構建更加復雜的故障數據，并研究基于數據驅動的故障多分類問題。