基于增量深度學習的風機葉片震動異常預測方法研究*

林志燦,彭清和

(1.閩南理工學院實踐教學中心,福建 泉州 362700; 2.閩南理工學院光電與機電工程學院,福建 泉州 362700)

0 引言

風能作為一種清潔、可再生能源,受到了廣泛關注.風機發電是目前應用最廣泛的一種方式.根據國際能源署的預測,到2030年全球風能裝機容量將達到2 000 GW[1-2].雖然風機發電行業市場前景廣闊,但是在實際應用中,風機葉片震動異常問題卻不可避免.風機葉片震動異常是指在風機運行過程中,葉片出現不正常的振動現象.這種現象不僅會影響風機的運行效率和穩定性,還會對風機的壽命造成極大的影響.因此,對于風機葉片震動異常問題的研究和預測顯得尤為重要.

隨著物聯網智能傳感器等新一代信息技術在風機行業的快速應用,海量風機設備運行監測數據不斷被收集,從而為風機葉片震動監測分析提供了數據基礎.機器學習和深度學習因其強大的特征學習能力,為海量數據下的風機葉片震動預測與分析提供了有效工具[3].

風機葉片震動異常預測是根據風機葉片的運行情況,評估風機當前運行狀態并預測未來情況,對于設備異常的事前管控具有重要意義.目前常用預測方法主要有三類:物理模型、可靠性理論和數據模型[4].前兩者模型通常需要專業知識以及大量的數學模型和系統知識,導致應用前景與能力受限,而基于數據模型的異常預測方法不需要復雜經驗知識,僅需要對于異常運轉數據進行監測分析,因此,越來越得到重視[5].傳統的基于數據的異常預測方法包括RBF方法、決策樹方法、小波變換方法、支持向量機等方法[6-8].深度學習模型作為近年發展研究之一,在風機葉片震動異常預測方面也逐漸開展研究.文獻[9-10]提出了基于CNN網絡的楓葉震動異常預測方法;文獻[11]提出了基于長短記憶網絡(Long short term memory network,LSTM)進行風機健康狀態監測與預測分析;文獻[12—13]提出基于統計分析與LSTM相結合的故障預測分析方法,并在實際風機監測系統中得到了應用.

雖然目前基于風機葉片異常預測方面的深度學習研究已經取得了一些進展,但是目前存在的問題主要集中在:a)基于普通深度學習的預測方法直接將海量數據輸入模型,訓練效率和預測效率比較低;b)目前基于各種復雜深度學習技術的預測模型都屬于靜態模型,缺少自學習能力與模型更新能力,不能適應風機運行狀態變化的趨勢,缺少研究考慮利用物聯網采集的實時數據動態更新模型;c)傳統風機葉片震動預測輸出結果通常只輸出是否存在異常,缺少異常類型以及異常級別,無法為檢修工作提供更為清晰的分析結果[14-15].

基于以上原因,提出一種基于自編碼器的時頻分析特征提取方法,再結合長短記憶網絡、卷積神經網絡、增量深度學習共同構建風機葉片震動異常預測方法,其中包括了時頻特征分析、增量LSTM、異常診斷器3個功能模塊,從而提升了預測的準確性,降低了維護成本,提高了經濟效益.

1 風機葉片異常預測方法

1.1 方法整體流程

本文研究的風機葉片異常預測方法框架如圖1所示,通過堆疊多個深度學習模型來提升異常預測方法的非線性表達能力.首先通過自編碼器來實現時頻特征提取,實現數據表達能力的提升,然后利用增量LSTM實現異常數據的中長期預測,并結合增量學習機制實現模型自更新與參數優化.最后利用多層CNN卷積神經網絡實現異常類型以及異常程度進行分類輸出.

圖1 風機葉片異常預測方法整體流程圖

1.2 基于自編碼器的時頻特征提取

時頻特征是指從輸入原始海量數據中提取有用的關鍵特征,從而減少模型輸入數據量,提升模型運行效率.為了更好提取風機葉片震動數據的時頻特征,運用了自編碼器的神經網絡來提取頻率特征,采用Time2Vector方法提取時間特征,從而組成完整的時頻特征數據.

自編碼器網絡結構如圖2所示,包括輸入層、中間隱藏層以及輸出層,實現輸入數據從高維空間映射到低維空間,將數據壓縮到隱藏層空間,從而實現數據內部空間表征,再經過激活處理后再次將低維空間數據映射到高維空間,實現頻率數據編碼.

圖2 自編碼器網絡結構

針對于輸入數據的時間特征提取,本文采用Time2Vector時間矢量表示學習方法,其能夠有效捕獲時間周期模式和非周期模式,可對時間尺度的縮放(例如分鐘、小時、天)保持穩定不變,易于與許多模型進行集成.Time2Vector數學表示公示如下:

t2ν(τ)[i]=ωiτ+φi,ifi=0,F(ωiτ+φi),if1≤i≤k.

(1)

式(1)中i=0表示周期模式,與線性函數表示方式比較接近,采用非周期模式進行表示.

1.3 增量LSTM網絡

在接收到時頻特征數據后,LSTM網絡可以對其進行深度網絡訓練,實現基于時序數據信息來預測下一時刻的輸出.LSTM網絡典型結構如圖3所示,采用鏈式結構,引入細胞狀態和記憶體來存儲序列的長期信息,并借助遺忘門、輸入門和輸出門進行信息篩選和更新,以降低模型梯度消失和梯度爆炸的問題,從而提升模型的泛化性.

圖3 LSTM網絡結構

為了保證預測模型的有效性,通過利用增量機制來實現異常預測模型參數的動態更新機制,從而提升模型的自學習能力.動態更新機制主要利用殘差反饋網絡來實現,從而實現誤差結果反饋,更新LSTM網絡的權重信息以及參數信息.

圖4 增量學習的動態更新機制

迭代誤差反饋機制通過迭代計算修正預測值,并在不同修正的過程中更加接近真實值.迭代誤差反饋網絡的數學模式可表示為:

εt=f(xt),

(2)

yt+1=yt+εt,

(3)

xt+1=I⊕g(yt+1).

(4)

其中表示迭代誤差反饋網絡的輸入數據,表示為使得預測值更為接近真實值的校正值,并可以通過模型轉換g與原始數據進行連接從而使生成新輸入數據,然后迭代循環此過程,直到滿足預定目標為止.

1.4 異常診斷器

異常診斷器主要是對于增量LSTM輸出結果進行診斷分析,預測異常類型和異常級別,從而更好的為設備維護人員提供決策信息參考.本文中的異常診斷器采用多任務CNN級聯網絡進行構建,同時輸出異常類型以及異常級別,網絡結構示意圖如圖5所示.對于兩個任務的輸出Softmax層,第一個任務共有四個輸出,分別為無異常、葉片撕裂、軸承外圈故障、軸承滾動體故障四個類型,第二個任務Softmax層共有3個輸出,對應三個不同異常級別.

圖5 異常診斷器網絡結構圖

2 實驗驗證

2.1 數據集介紹

為了驗證本文所提出的風機震動異常增量深度學習算法的有效性,使用Pytorch深度學習框架進行算法訓練,GPU硬件配置為Invidia 3080Ti.

采用實驗數據集為實際風機場站采集數據,采集傳感器以及場景示意圖如圖6所示,其由電機、控制器、傳感器等部分組成,采樣頻率64 kHz,采樣結果如表1所示,其中包括葉片故障、軸承故障兩種故障位置,可以劃分為葉片撕裂、軸承外圈故障、軸承滾動體故障三種故障類型以及輕微、中等、嚴重三種異常級別.針對每種故障類型選取1 000個樣本,每個樣本包括500個采樣點,并將全部樣本劃分500個樣本為訓練集,300個樣本為增量更新測試集,200個樣本為測試集.在增量深度學習算法訓練過程中,采用Adam算法進行訓練,學習率設置為0.001.

圖6 實際風機震動數據采集場景

表1 數據集描述

2.2 實驗結果

實驗數據在不同運行狀態下的風機葉片震動信號的時域波形如圖7所示,其中包括三種異常類型以及正常狀態的信號波形.

圖7 不同狀態的時域波形

本文提出基于增量深度學習的風機葉片震動異常預警算法進行訓練,訓練過程損失函數變化如圖8所示,從圖中可以明確看出本文所提出方法的損失函數穩步收斂,從而可以實現異常預測結果.另外為了驗證本文提出算法的優越性,還將其與其他深度學習算法,例如RNN算法、CNN算法、LSTM算法進行對比.這些模型直接將傳感器原始數據進行輸入,不需要進行特征提取,并以均方根誤差(Root mean square error,RMSE)作為評估指標,實驗對比結果如表2所示.

圖8 損失函數變化過程

從表2中可以看出,本文提出的綜合方法效果最優,其他依次為LSTM算法、RNN算法以及CNN算法.另外相比于無增量學習版本,本文提出算法也具有一定優勢,由此可見通過增量學習持續對于模型進行優化,可以有效降低模型預測誤差.

表2 多模型實驗RMSE對比結果

3 結論

本文提出了一種基于時頻分析特征數據的增量深度學習的預測方法,其可以通過對大量數據的分析和處理,建立增量深度學習模型以及CNN異常診斷器,從而實現風力渦輪機葉片的振動異常預測.通過此方法可以評估風機當前運行狀態并預測未來情況,對于設備異常的事前管控具有重要意義.未來隨著技術的不斷進步和應用的不斷推廣,相信風機葉片震動異常預測技術會更加成熟和完善,為風機發電行業的發展提供更加可靠的保障.