基于油液在線監測的風機齒輪箱磨損狀態識別

靳玉石，劉 偉，張 浩

（1.安徽吉電新能源有限公司，安徽合肥 231200；2.東北電力大學，吉林吉林 132012）

風電裝機容量的不斷增長，使得風機故障問題越來越成為制約風力資源應用的主要因素。風電機組長期工作在惡劣的自然環境中，各部件的絕緣強度和運行性能將隨運行時間的變化而逐漸下降[1]。齒輪箱作為風機的關鍵部件，其故障運維會增加巨額維修成本且因故障導致的停機時間最長[2]。利用齒輪箱油液信息來診斷風機齒輪箱早期故障，可以降低風電場運行成本，提升效益。

該文提出一種基于在線監測的油液信息識別風機齒輪箱磨損狀態模型，該模型利用BP 神經網絡在識別診斷方面的優勢，通過訓練學習，綜合分析多種油液信息獲取齒輪箱磨損狀態，避免由單一油液信息導致的診斷準確率較低的影響，提高了風機齒輪箱監測的可靠性，為風機運維提供科學依據。

1 BP神經網絡

BP 神經網絡是一種誤差反向傳播的前饋型人工神經網絡，是目前應用最廣泛的神經網絡模型之一。該模型具有強大的信息處理能力以及自適應學習能力，在控制、圖像識別、信號處理、非線性優化等領域得到廣泛應用[3]。

典型BP 神經網絡有三層結構，即輸入層、隱含層、輸出層，計算方式主要有輸入信息正向傳播和誤差信息反向傳播[4]。

BP 神經網絡輸入信息正向傳播計算過程如下：

BP 神經網絡隱含層和輸出層神經元輸出分別為：

式中，n、m分別為輸入層和隱含層節點個數；ω和θ為BP 神經網絡輸入層到隱含層連接的權值和偏置值；ω′和θ′為BP 神經網絡隱含層到輸出層連接的權值和偏置值；x為BP 神經網絡的輸入層的輸入；HO為BP 神經網絡的隱含層神經元輸出；f′(x)為輸出層神經元的激勵函數。

BP 神經網絡模型的訓練過程：通過不斷調整每一個權值和偏置值來降低模型預測的誤差大小，誤差信息反向傳播過程如下：

隱含層和輸出層權值梯度分別為[5]：

因此，各層的權值和偏置值的更新公式如下：

式中，ωn和ωn+1分別為各層神經元第n次和第n+1 次迭代的權值；θn和θn+1分別為各層神經元第n次和第n+1 次迭代的偏置值；ε為網絡學習率；E為網絡訓練誤差。

2 齒輪箱磨損狀態識別模型

風機齒輪箱潤滑油液攜帶大量關于齒輪磨損等早期故障的特征信息。隨著潤滑油使用時間的增加，齒輪部件表面摩擦產生的金屬顆粒和其他雜質會進入油液中，導致潤滑油變質[6]。通過油液監測技術，可以獲取有關齒輪箱磨損狀態信息，預測和診斷齒輪箱故障[7]。傳統齒輪箱故障診斷方法有鐵譜分析法[8]、支持向量機[9]、自回歸滑動平均模型[10]、改進的Elman 神經網絡[11]、K-means 聚類[12]等。風機油液監測可以發現齒輪箱的潛在故障威脅[13]，能夠判斷齒輪箱的潤滑和磨損狀態[14]，可以極大地提高設備的運行可靠性。

該文選擇潤滑油液的粘度、水分、污染度、磨粒信息以及介電常數作為風機齒輪箱磨損狀態識別的特征值。構建BP 神經網絡的風機齒輪箱磨損狀態識別模型，使用不同磨損狀態類型的風機齒輪箱油液數據作為輸入樣本，將磨損狀態類型作為輸出來實現磨損狀態的識別。磨損狀態可劃分為正常運行、輕微磨損、異常磨損、嚴重磨損、失效停機五種類型[15]。網絡模型訓練中對五種磨損狀態進行編碼，如表1 所示。

表1 齒輪箱磨損程度編碼

基于BP 神經網絡的風機齒輪箱磨損狀態識別方法，在本質上是一種故障分類問題。將提出的BP神經網絡模型用于風機齒輪箱磨損狀態識別，將風機齒輪箱油液數據和對應磨損狀態類別標簽組成的實驗數據劃分為訓練集和測試集，利用訓練集數據訓練該文所提出的BP 神經網絡模型。網絡模型識別流程如圖1 所示。

圖1 網絡模型識別流程

網絡模型識別的具體步驟如下：

1）根據油液參數以及輸出磨損狀態類型個數確定BP 神經網絡的結構；

2）對油液樣本數據進行歸一化處理，使其符合網絡的輸入條件；

3）初始化網絡權值與偏置；

4）將訓練集樣本輸入神經網絡；

5）開始網絡學習，計算網絡模型誤差，更新網絡權值與偏置；

6）判斷誤差是否滿足終止條件，若否，則返回第4步；若是，則輸出BP 神經網絡最優結構；

7）利用訓練好的網絡模型對測試集樣本進行識別。

3 算例分析

3.1 數據預處理與參數設置

由于不同的油液信息有不同的單位、大小以及量綱值，因此對于神經網絡模型輸入的油液信息采用以下公式進行歸一化：

式中,y為歸一化后的樣本數據；xmax、xmin分別為樣本數據最大值和最小值。

BP 神經網絡隱含層的節點數會對模型的訓練精度與識別結果產生的一定的影響，但是隱含層節點數沒有固定的確定方法，該文根據以下公式來確定范圍：

式中，n為輸入節點數，m為輸出節點數，a為[0,10]之間的常數。由此確定，BP 神經網絡隱含層節點數范圍在[3,13]之間。由實驗確認，當隱含層節點數為5 時，BP 神經網絡模型的訓練誤差最小，訓練精度最高，因此確定該文提出的BP 神經網絡隱含層節點數為5。

3.2 實驗分析

選用某風機齒輪箱各磨損狀態下的油液數據共計2 500 組作為實驗樣本，樣本包括訓練集和測試集，取10%的樣本作為測試集。將歸一化后的訓練集數據輸入BP 神經網絡模型進行網絡訓練。圖2 為BP 神經網絡訓練交叉熵損失函數曲線。

圖2 BP神經網絡模型訓練誤差曲線

從圖2 中可以看出，BP 神經網絡訓練模型經過66 次迭代達到最佳驗證性能點，此時的交叉熵誤差函數值為2.418 3×10-6。通過混淆矩陣給出模型的訓練結果，如表2 所示，混淆矩陣橫坐標為目標輸出，縱坐標為實際輸出。由此可以看到，在2 250 組訓練樣本中，樣本的訓練結果準確率為99.6%。

表2 BP神經網絡模型訓練樣本仿真結果

為驗證BP 神經網絡模型的性能，在經過訓練后，將測試樣本輸入模型進行磨損狀態識別。模型識別結果的混淆矩陣如表3 所示，分析250 組測試樣本的識別結果，在五種磨損狀態的實驗分析中，每種磨損狀態的識別結果均在96%以上。由此可知，BP神經網絡模型的整體識別準確率為98%。

3.3 對比實驗分析

K 均值聚類是將樣本劃分為K個簇的動態聚類方法，使劃分到每個簇的樣本是相似的，以達到分類的目的[16]。K 均值聚類算法具有操作簡單、聚類效果好等特點，在群體分類、數據處理、故障診斷等方面得到了廣泛的應用。

為對比該文提出的BP 神經網絡模型與其他算法的識別性能，將測試集樣本通過K 均值聚類算法進行磨損狀態識別。圖3 為BP 神經網絡和聚類算法對測試集樣本在不同磨損狀態下的識別準確率。由圖3 可以看出，在5 種磨損狀態類型識別中，該文所提出的BP 神經網絡模型的識別準確率均高于傳統聚類算法。

圖3 不同模型對磨損狀態的識別結果

在不同磨損狀態類型的識別中，BP 神經網絡模型具有較強的識別穩定性，每種磨損狀態的識別準確率均保持在96%以上。表4 是BP 神經網絡對于風機齒輪箱磨損狀態的識別結果。由表4 可看出，對不同程度磨損狀態樣本進行測試，BP 神經網絡模型均可以準確地識別磨損狀態類型。

表4 樣本的BP神經網絡模型歸一化識別結果

4 結論

針對離線油液監測風機齒輪箱故障的缺陷與傳統聚類算法識別風機齒輪箱磨損狀態準確率較低的問題，該文利用BP 神經網絡模型基于在線油液監測的數據樣本識別風機齒輪箱磨損狀態。對算法進行測試，識別準確率達到了預期，為今后進一步深入研究基于在線油液監測的風電機組齒輪箱故障診斷提供了新思路。