多通道一維殘差卷積神經網絡在風力發電機組軸承故障智能診斷中的應用

鄭梁　劉桂然　朱孝晗

摘要：為提高卷積神經網絡在風力發電機組軸承故障診斷上的準確率，本文對某2 MW風力發電機組軸承故障數據，進行單通道及多通道、多種診斷網絡模型、不同優化算法的故障診斷分析對比，提出將多個振動傳感器的數據整合為多通道一維數據集，再使用一維殘差卷積神經網絡進行故障診斷。得出基于Adam優化算法的多通道一維殘差卷積神經網絡診斷準確率最高。因此，多通道一維殘差卷積神經網絡在風力發電機組軸承故障診斷中應用效果良好，能夠準確的識別各類故障模式，為機組的安全、穩定運行提供了保障。

關鍵詞：風力發電機組；智能故障診斷；多通道數據；一維殘差卷積神經網絡

中圖分類號：TM315 文獻標志碼：A doi：10.3969/j.issn.1006-0316.2023.03.001

文章編號：1006-0316 （2023） 03-0001-07

Application of Multi-Channel One-Dimension Residual Convolution Neural Network in Intelligent Fault Diagnosis of Wind Turbine Bearing

ZHENG Liang1，2，LIU Guiran1，2，ZHU Xiaohan1，2

（ 1.Guodian United Power Technology Co.， Ltd.， Beijing 100039， China;

2.State Key Laboratory of Wind Power Equipment and Control， Baoding 071000， China ）

Abstract：To improve the accuracy of convolution neural network on fault diagnosis of wind turbine bearing，? the bearing fault data of a 2 MW wind turbine generator unit are analyzed and compared with single channel and multiple channels， multiple diagnosis network models? and different optimization algorithm. It is proposed to integrate multiple vibration sensor data for multi-channel one-dimension data set， and then one-dimension residual convolution neural network is used for fault diagnosis. It is concluded that the multi-channel one-dimension residual convolution neural network based on Adam optimization algorithm has the highest diagnostic accuracy. Therefore， multi-channel one-dimension residual convolution neural network has good application effect on failure diagnosis of wind turbine bearing， which can accurately identify various fault modes and provide guarantee for safe and stable operation of the wind turbine.

Key words：wind turbine；intelligent fault diagnosis；multichannel data；one-dimension residual convolution neural network

軸承作為風力發電機組的核心部件，其工作狀態和故障診斷一直受到整機廠家和學者的關注，傳統方法主要采用振動時域和頻域信號進行判斷分類，非常依賴判斷者經驗。隨著智能故障診斷興起，診斷常用振動信號作為輸入源，使用EMD（Empirical Mode Decomposition，經驗模態分解）技術[1]對時域信號進行分解，得到本征模態函數，再使用分類型器進行故障識別，但由于軸承故障模式多樣，故障之間耦合性強，應用效果不是很理想。

近年來機器學習逐漸應用到模式識別[2]、故障診斷[3]中，主要算法有決策樹（Decision Tree Classifier，DTC）、隨機森林法（Random Forest，RF）、支持向量機（Support Vector Machine，SVM）等，但這類算法需要有特征數據作為輸入，即需要對數據進行預處理提取特定特征。數據處理方法不同，會產生不同的計算模型，計算準確率也不盡相同。為克服數據處理方法帶來的影響，深度學習應運而生，尤其以神經網絡（Neural Networks，NN）為代表，以數據的原始形態（Raw Data）作為輸入、目標任務作為輸出，實現原始數據到目標任務的直接映射，無任何人為干涉。典型的計算方法有深度置信網絡（Deep Belief Network，DBN）、遞歸神經網絡（Recurrent Neural Network，RNN）和卷積神經網絡（Convolution Neural Network，CNN）。特別是卷積神經網絡，在圖像分類、分類識別方面得到了成熟廣泛的運用。針對軸承的故障診斷，卷積神經網絡也得到了一些應用，輸入數據的類型主要是一維的振動時域信號[4]，而卷積神經網絡是為二維圖像設計的特殊算法，處理二維數據時的效果要優于處理一維數據。

軸承振動檢測往往會布置多個振動傳感器，得到的原始數據是多通道一維振動時域信號。如果只選取其中一個通道數據構建一維卷積神經網絡，分析結果可能遺漏故障源；如果將單通道數據融合為二維振動時域信號[5]，數據之間存在特征差異，會造成特征信息遺失，影響卷積神經網絡的準確率。葉壯等[6]將多通道一維振動時域信號融合為單通道一維信號，顯著提高了故障診斷準確率。本文提出將單通道的振動時域信號處理成一維數組，再將所有一維數組構建成多通道一維數組集，這樣既避免了數據遺漏，又不會造成數據間的特征差異。使用殘差卷積神經網絡（ResCNN）進行特征識別[7]，對于非凸優化，權值采用Adam（Adaptive momentum）優化算法，可以有效減少計算開銷，并提高計算效率。

1 深度學習故障診斷模型構建

1.1 殘差卷積神經網絡

典型的卷積神經網絡包含輸入層、卷積層、池化層、全連接層和輸出層，而殘差卷積神經網絡是在池化層的激活函數上疊加輸入層的恒等映射。針對本文所用輸入數據，需要先采用多通道卷積運算，再使用殘差卷積運算，如圖1所示。

關于卷積神經網絡的基本理論，本文不再贅述，需要說明的是如何對權值梯度更新優化和如何提高殘差網絡的計算效率。

1.2 殘差模塊優化

殘差模塊有兩個分支：一條為殘差函數，另一條為恒等映射。兩條分支整合后再經過一次非線性變換Relu激活函數，從而形成一個完整的殘差模塊。

如圖2（a）所示，傳統的殘差模塊由兩個3×3卷積堆疊而成，實際應用中，當網絡深度較高時，計算效率不理想。圖2（b）所示為一種變形的殘差模塊，一條分支由三層卷積堆疊：1×1卷積層、3×3卷積層和1×1卷積層，1×1卷積層的作用是降低或升高數據維度，從而達到提高計算效率的目的，另一條分支只有一個3×3卷積層，稱之為“瓶頸殘差模塊[8]（Bottleneck Residual Block）”，在大深度殘差卷積神經網絡中，能夠大幅減少計算。

1.3? Adam優化算法

Adam優化算法[8]針對大數據集和高維空間、復雜網絡需要快速收斂的模型非常適用，同時具有處理稀疏梯度和處理非平穩目標的優點，也適用于大多非凸優化求解。

相較于SGD（Stochastic Gradient Descent，隨機梯度）和AdaGrad（Adaptive Gradient，自適應學習率優化）算法，Adam優化算法既可以有效避免梯度彌算和梯度消失的問題，又能使梯度迭代更平穩。

1.4 智能故障診斷的流程

多通道一維殘差卷積神經網絡的學習流程為：設置多個傳感器采集軸承運行時的振動信號，按診斷需求將每個傳感器的時域振動信號分段，然后合成多通道一維數據矩陣，從而形成多通道振動數據集。將數據集劃分為：訓練數據集、驗證數據集和測試數據集，其中訓練數據集和驗證數據集共用，隨機交叉分配。訓練數據集用作卷積神經網絡訓練，驗證數據集用作訓練完成后殘差卷積神經網絡的驗證，以此檢查殘差卷積神經網絡的準確率。測試數據集用作故障診斷，檢驗殘差卷積神經網絡對新數據的診斷準確性，也可理解為實際故障診斷過程。

構建殘差卷積神經網絡，設置超參數、初始權重和偏差，導入訓練數據集和驗證數據集，同時對各層權重和偏差進行反饋和更新，迭代至最大次數或設置的準確率，符合要求后保存訓練后的殘差卷積神經網絡，至此可以用來對測試數據集進行故障診斷分類，如圖3所示。

2 實驗驗證

2.1 實驗裝置

本文使用某2 MW雙饋風力發電機組進行試驗驗證，軸承為SKF品牌，通過構建主傳動鏈監測方案，對機組傳動鏈各軸承故障（潤滑不良、內外圈故障、滾動體故障、保持夾故障等）進行研究。實現針對主軸承為主的傳動鏈軸承類故障的監測和診斷，采用的實驗裝置如圖4所示。

（1）安裝部署振動監控硬件，振動加速度傳感器分別安裝在浮動軸承座的徑向方向、止推動軸承座的軸向方向和徑向方向。

（2）基于機組服務網絡和IT（Internet Technology，互聯網技術）架構，包括CMS（Condition Monitoring System，狀態檢測系統）數據傳輸網口、軟件部署環境要求，構建監測數據傳輸網絡。

（3）在邊緣側完成神經網絡服務器部署。

（4）基于潛在風險，以及可能影響的主要故障和失效模式，確定模型構建的方向和數量。

（5）基于算法模型和運行數據進行迭代優化，得到穩定和準確的診斷效果。

2.2 實驗數據采集

實驗采集了止推軸承的外滾道、滾子、內滾道故障及健康情況下的數據，使用振動加速度傳感器記錄不同負載條件下的振動加速度數據，故障情況如圖5所示。

傳感器數據采樣頻率為10 kHz，風機負載分為300 kW、700 kW、1200 kW和2000 kW。為保持統一，每種故障不區分負載大小，歸為同一類故障，故障模式包括：外圈故障、滾子故障、內圈故障以及健康。

每種故障模式均包含三個振動傳感器的數據，為：浮動軸承徑向振動加速度數據（FB_R）、止推軸承徑向振動加速度數據（TB_R）和止推軸承軸向振動加速度數據（TB_A）。本文采用三組振動傳感器數據，分成單通道和多通道兩種形式，以驗證卷積神經網絡的準確率。

2.3 數據處理

每通道振動傳感器的數據按每1000個采樣點劃分成一個數據段，可劃分為2000個數據段，三個通道共劃分為6000段，三種故障模式和一種健康模式共有96000段數據。對于這些數據，采用不同的處理方法和網絡模型分別進行分類驗證。

（1）單通道一維卷積神經網絡：每種故障模式數據只選擇一個通道，進行故障模式識別驗證，作為對比，共采用五種不同的網絡模型，分別為ResCNN、CNN、DBN、RNN和BPNN（Back Propagation Neural Network，反向傳播神經網絡），其中ResCNN采用Adam和SGD兩種優化算法作對比。

（2）多通道一維卷積神經網絡：每種故障模式數據選擇所有通道，將數據整合為多通道一維數組，進行故障模式識別驗證，同樣，作為對比，采用的網絡模型和單通道一維卷積神經網絡一致。

按照圖3將所有數據集按65%：25%：10%比例劃分為訓練數據集、驗證數據集和測試數據集。其中10%的測試數據集是獨立的，不參與網絡的訓練和驗證，而訓練數據集和驗證數據集共用，每一次計算開始前，數據集隨機重新劃分，充分保證網絡不會陷入局部最優解。

2.4 網絡模型構建

單通道一維卷積神經網絡和多通道一維卷積神經網絡的結構相同，輸入層的維度不同。本文中多通道一維卷積神經網絡的通道數為3，輸入層大小為1000×1×3，而單通道一維卷積神經網絡的輸入層大小為1000×1×1。網絡的結構依次為：輸入層、卷積層、批量歸一化層、Relu激活層、最大池化層、4個瓶頸殘差模塊、Relu激活層、平均池化層、全連接層、隨機失活層（丟棄層）、SoftMax層（輸出層）和分類層，共43層，詳細參數如表1所示。

單個瓶頸殘差模塊（Bottleneck Residual Block）的參數如表2所示，網絡模型如圖6所示。瓶頸殘差模塊之間使用Relu激活層連接。

2.5 實驗結果

使用數據集中65%樣本對六種網絡分別進行訓練，同步使用25%樣本每50次迭代進行一次驗證。單通道數據集的驗證準確率如圖7所示，測試數據集的準確率達到97.65%，各種故障的診斷結果混淆矩陣如圖8所示。混淆矩陣中數值表示該種故障的識別準確度。

對網絡模型的最后一個卷積層做降維聚類可視化分析，如圖9所示，可以看出，仍有少量故障呈現未完全分離狀態。

多通道數據集的驗證準確率如圖10所示，測試數據集的準確率達到99.36%，各種故障的診斷結果混淆矩陣如圖11所示。

對網絡模型的最后一個卷積層做降維聚類可視化分析，如圖12所示，可以看出，所有故障呈現完全分離狀態。

2.6 對比分析

對比單通道數據和多通道數據在不同神經網絡模型上的表現，可知：

（1）基于多通道數據集的診斷結果準確率優于基于單通道數據集。原因是，同樣長度的數據，其維度越深，即通道數越多，對于卷積運算來說，相當于增加了初始樣本的數量，在網絡訓練過程中，權值的更新約束條件增加，如不陷于局部最優解，則訓練損失會更小，準確度相應提高。

（2）帶有殘差模塊的卷積神經網絡，故障識別準確率優于傳統的卷積神經網絡。原因是，每個殘差模塊的兩條分支網絡，其卷積核大小不同，卷積運算次數也不同，在各自算完畢后會進行一次疊加運算，再重新激活，提高了網絡權值更新的準確性，減小偏差，從而提高了準確性。

（3）對于深度較大的卷積殘差神經網絡，應用Adam優化算法，迭代更平穩，加快了網絡的收斂。

3 結論

本文將多通道一維殘差卷積神經網絡用于風力發電機組軸承的多故障智能診斷，結合某2 MW機組測試數據，其故障診斷準確率達到99.36%。實驗結果證明，多通道一維殘差卷積神經網絡，在多故障的診斷上，優于傳統的神經網絡，準確度極高。

本次使用的軸承實驗數據，故障模式較少，數據樣本庫不充足，后續需不斷收集各種故障樣本數據進行補充，提高多通道一維殘差卷積神經網絡的泛化能力。

參考文獻：

[1]池永為，楊世錫，焦衛東，等. 基于EMD-DCS的滾動軸承偽故障特征識別方法[J]. 振動與沖擊，2020，39（9）：9-16.

[2]Mrutyunjaya Sahani，P.K. Dash，Debashisa Samal. A real-time power quality events recognition using variational mode decomposition and online-sequential extreme learning machine[J]. Measurement，2020（157）：107597.

[3]Thomas Walter Rauber，Antonio Luiz da Silva Loca. An experimental methodology to evaluate machine learning methods for fault diagnosis based on vibration signals[J]. Expert Systems with Applications，2021（167）：114022.

[4]Gao Fan，Jun Li，Hong Hao. Vibration signal denoising for structural health monitoring by residual convolutional neural networks[J]. Measurement，2020（157）：107651.

[5]LU C，WANG Z，ZHOU B. Intelligent fault diagnosis of rolling bearing using hierarchical convolutional network based health state classification[J]. Advanced Engineering Informatics，2017（32）：139-151.

[6]葉壯，余建波. 基于多通道一維卷積神經網絡特征學習的齒輪箱故障診斷方法[J]. 沖擊與振動，2020，39（20）：55-66.

[7]Jiao Jinyang，Zhao Ming，Lin Jing，et al. A comprehensive review on convolutional neural network in machine fault diagnosis[J]. Neurocomputing，2020（417）：36-63.

[8]Feilong Cao，Baijie Chen. Densely connected network with improved pyramidal bottleneck residual units for super-resolution[J]. Journal of Visual Communication and Image Representation，2021，74（1）：102963.

[9]Hung Van Le，Duc Anh Hoang，Chuyen Trung Tran，Phi Quoc Nguyen. A new approach of deep neural computing for spatial prediction of wildfire danger at tropical climate areas[J]. Ecological Informatics，2021，63（7）：101300.

收稿日期：2022-11-04

基金項目：國家重點研發計劃（2019YFB2005005-02）

作者簡介：鄭梁（1981－），男，湖北黃岡人，碩士，工程師，主要研究方向為風力發電機組設計及故障診斷，E-mail：12015018@ceic.com。*通訊作者：劉桂然（1981－），男，河北滄州人，碩士，高級工程師，主要研究方向為風力發電機組軸承設計，E-mail：12079947@ceic.com。