小波神經(jīng)理論在風(fēng)力機(jī)齒輪箱故障診斷系統(tǒng)中的應(yīng)用

樊立云，張培杰

（ 1.北京京能新能源有限公司，北京 100028;2.華北電力大學(xué)電站設(shè)備狀態(tài)監(jiān)測(cè)與控制教育部重點(diǎn)實(shí)驗(yàn)室，河北保定，071003）

0 引言

風(fēng)力發(fā)電機(jī)齒輪箱工作環(huán)境惡劣，故障率較高，造成機(jī)組停機(jī)時(shí)間長(zhǎng)，齒輪箱的狀態(tài)監(jiān)測(cè)與故障診斷對(duì)風(fēng)力機(jī)安全經(jīng)濟(jì)運(yùn)行至關(guān)重要。

風(fēng)力機(jī)齒輪箱振動(dòng)信號(hào)時(shí)一種時(shí)頻特性復(fù)雜的非平穩(wěn)信號(hào)，常規(guī)的時(shí)域和頻域分析方法難以有效分析齒輪箱的故障及提取故障特征。小波變換具有多分辨率特性及良好的時(shí)頻局部變換特性，適用于非平頻穩(wěn)信號(hào)。提出一種基于小波分析和神經(jīng)網(wǎng)絡(luò)的風(fēng)力機(jī)齒輪箱故障診斷方法，該方法采用小波時(shí)頻分析技術(shù)對(duì)風(fēng)力發(fā)電機(jī)故障振動(dòng)信號(hào)進(jìn)行消噪濾波，通過(guò)小波包分解系數(shù)求取頻帶能量，根據(jù)各個(gè)頻帶能量的變化提取故障特征，為實(shí)現(xiàn)智能診斷提供故障特征值。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別，并采用LabVIEW和matlab軟件予以實(shí)現(xiàn)。結(jié)果表明，該方法能有效提高風(fēng)力發(fā)電機(jī)組齒輪箱故障診斷的準(zhǔn)確性［1，2］。

1 風(fēng)力發(fā)電機(jī)組齒輪箱故障及其診斷方法

1.1 風(fēng)力機(jī)齒輪箱的主要故障

風(fēng)力機(jī)齒輪箱的主要結(jié)構(gòu)包括軸、齒輪和軸承，故障從結(jié)構(gòu)上可以分為以下幾類［2］:

(1)軸的故障:軸不對(duì)中，軸不平衡，軸彎曲等;

(2)軸承故障:軸承內(nèi)外圈磨損，滾動(dòng)體磨損等。

(3)齒輪故障:齒面剝落，齒面膠合，齒面磨損斷齒等。

針對(duì)風(fēng)力發(fā)電機(jī)組齒輪箱的故障形式特點(diǎn)，選用松散型小波神經(jīng)網(wǎng)絡(luò)比較適合。即利用小波包分析，把故障信號(hào)分解在相互獨(dú)立的頻帶內(nèi)，各頻帶內(nèi)的能量值形成一個(gè)特征向量，不同的故障對(duì)應(yīng)不同的特征向量值，作為神經(jīng)網(wǎng)絡(luò)的輸入特征向量。齒輪箱故障診斷流程分為以下步驟:將得到的去噪后信號(hào)進(jìn)行小波包分解，把分解后各頻帶的能量作為輸入神經(jīng)網(wǎng)絡(luò)的特征向量。

文中分析齒輪箱振動(dòng)信號(hào)診斷其故障，以齒輪的3種典型狀態(tài):正常、齒輪磨損、齒輪斷齒為例進(jìn)行研究。

2 小波分析與特征值的提取

2.1 小波變換基本原理

對(duì)于非線性振動(dòng)產(chǎn)生的信號(hào)，小波變換則是一種有效的信號(hào)處理方法，它是一種時(shí)間—頻率分析方法，具有多分辨率的特點(diǎn)，在低頻部分具有較高的頻率分辨率和較低的時(shí)間分辨率，在高頻部分需要較高的時(shí)間分辨率和較低的頻率分辨率［3－4］。小波變換的基本思想與傅里葉變換是一致的，它也是用一族函數(shù)來(lái)表示信號(hào)的函數(shù)，稱這種函數(shù)族為小波函數(shù)系，但是與傅里葉變換所用的正弦函數(shù)不同，它是由一基本小波函數(shù)的平移和伸縮構(gòu)成的函數(shù)。

2.2 小波包能量特征提取的方法

齒輪箱的振動(dòng)信號(hào)中含有豐富的頻率成分，小波包分解能夠?yàn)樾盘?hào)提供一種更精細(xì)的分析方法，通過(guò)對(duì)頻帶進(jìn)行多層次劃分，使多分辨分析中沒(méi)有細(xì)分的高頻部分得到進(jìn)一步分解。故障信號(hào)與正常信號(hào)相比，相同頻帶內(nèi)信號(hào)的能量差別較大。在各頻率成分信號(hào)中包含著豐富的故障信息，利用小波包分解能夠?qū)φ駝?dòng)信號(hào)進(jìn)行精確細(xì)分，提取信號(hào)的特征向量。

假設(shè)原始信號(hào)x(t)中，最低頻率成分為0，最高頻率成分為f。實(shí)現(xiàn)了對(duì)原始信號(hào)S整個(gè)頻率范圍內(nèi)的8頻帶等間隔分解。因此可以利用各個(gè)頻帶能量的變化來(lái)提取故障特征，頻帶能量可以由小波包分解系數(shù)來(lái)求取，具體步驟:

(1)利用db小波對(duì)采集來(lái)的信號(hào)S(t)進(jìn)行3層小波包分解，分別提取第3層從低頻到高頻8個(gè)頻率成分的信號(hào)特征。

(2)對(duì)小波包分解系數(shù)重構(gòu)，提取各頻帶范圍的信號(hào)特征。

(3)求各頻帶信號(hào)的能量。

式中xik表示重構(gòu)信號(hào)，Si離散點(diǎn)的幅值。

(4)特征向量的構(gòu)造。由于齒輪箱出現(xiàn)故障時(shí)，會(huì)對(duì)各頻帶內(nèi)信號(hào)的能量有一定的影響，所以以能量為元素構(gòu)造一個(gè)特征向量。特征向量構(gòu)造如下:

對(duì)分解后第三層的8個(gè)頻帶分別進(jìn)行重構(gòu)，得到信號(hào)從低頻到高頻的信號(hào)能量，從而可以構(gòu)造一個(gè)以能量為元素的特征向量，并根據(jù)式(5)進(jìn)行歸一化處理，得到可以用于神經(jīng)網(wǎng)絡(luò)輸入的特征向量。

3 人工神經(jīng)元網(wǎng)與故障模式識(shí)別

3.1 BP神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)介

BP 神經(jīng)網(wǎng)絡(luò)［5，6］是一種單向傳播的多層前向網(wǎng)絡(luò)，源于網(wǎng)絡(luò)權(quán)值的調(diào)整規(guī)則采用的后向傳播的BP學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)是三層或者三層以上的人工神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，同一層節(jié)點(diǎn)不發(fā)生橫向聯(lián)系，相鄰層的節(jié)點(diǎn)通過(guò)連接權(quán)值相連，網(wǎng)絡(luò)學(xué)習(xí)所獲得的知識(shí)就體現(xiàn)在這些權(quán)值的集合之中。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如下:

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

BP算法的學(xué)習(xí)過(guò)程包括信號(hào)的正向傳遞和誤差的逆向傳播。正向傳遞時(shí)，信號(hào)經(jīng)隱含層處理后傳向輸出層。若輸出層未能得到期望的輸出，則轉(zhuǎn)入誤差的逆向傳播階段，將輸出誤差按某種形式通過(guò)隱含層向輸入層逐層返回，并分配給各層的所有單元，從而獲得各層單元的誤差信號(hào)，根據(jù)誤差調(diào)節(jié)權(quán)值，直至誤差控制在允許范圍，神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢。

3.2 BP網(wǎng)絡(luò)步驟設(shè)計(jì)

文中利用小波包變換后的特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入值，即小波分析和神經(jīng)網(wǎng)絡(luò)的結(jié)合為松散型結(jié)合，以實(shí)現(xiàn)故障模式識(shí)別。BP網(wǎng)絡(luò)設(shè)計(jì)步驟如下［6－7］:

1)以小波包分解提取電機(jī)狀態(tài)信號(hào)的特征向量作為輸入樣本 Ti=［E0，E1，E2，E3，E4，E5，E6，E7］。為簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)用3個(gè)輸出神經(jīng)元節(jié)點(diǎn)，其中神經(jīng)元輸出(1，0，0)表示齒輪正常，(0，1，0)表示齒輪磨損，(0，0，1)表示齒輪斷齒。

2)根據(jù)輸入特征向量的維數(shù)和設(shè)備的故障數(shù)確定神經(jīng)網(wǎng)絡(luò)的輸入和輸出層節(jié)點(diǎn)數(shù)。根據(jù)小波包三層分解得到的能量特征向量，確定神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為8;輸出節(jié)點(diǎn)數(shù)為3。中間層神經(jīng)元選擇tansig(S型正切函數(shù))為激活函數(shù)，輸出層神經(jīng)元選擇logsig(S型對(duì)數(shù)函數(shù))為激活函數(shù)。

3)利用編寫B(tài)P神經(jīng)網(wǎng)絡(luò)程序并進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后，查看訓(xùn)練結(jié)果是否滿足要求，如果能夠滿足要求，則選擇新的測(cè)試樣本作為訓(xùn)練完畢的神經(jīng)網(wǎng)絡(luò)的輸入，查看識(shí)別結(jié)果，測(cè)試網(wǎng)絡(luò)性能;否則繼續(xù)增加樣本進(jìn)行訓(xùn)練，重復(fù)步驟3)，直至輸出滿足要求。

4 小波神經(jīng)網(wǎng)絡(luò)故障診斷方法的實(shí)現(xiàn)

在LabVIEW和MATLAB環(huán)境下編程實(shí)現(xiàn)對(duì)齒輪箱中軸承的正常以及各種故障狀態(tài)下的信號(hào)進(jìn)行分析，采用sym8小波函數(shù)對(duì)原始信號(hào)進(jìn)行三層分解消噪，采用db1小波函數(shù)對(duì)消噪后的信號(hào)進(jìn)行三層小波包分解，構(gòu)造出各自的特征向量，建立“特征向量—系統(tǒng)狀態(tài)”的對(duì)應(yīng)關(guān)系。對(duì)軸承的正常信號(hào)、外圈故障信號(hào)、內(nèi)圈故障信號(hào)三種信號(hào)進(jìn)行分析研究［8］。

利用LabVIEW和MATLAB混合編程實(shí)現(xiàn)對(duì)信號(hào)的小波包特征值的程序編寫，如下圖2所示。

圖2 信號(hào)特征能量提取模塊前面板

對(duì)采集樣本信號(hào)進(jìn)行特征提取，分別得到10組樣本信號(hào)特征向量.根據(jù)所述BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)步驟，利用LabVIEW和matlab混合編程編寫B(tài)P網(wǎng)絡(luò)程序，輸入樣本信號(hào)特征向量和期望輸出訓(xùn)練神經(jīng)網(wǎng)絡(luò)，根據(jù)以上的分析來(lái)訓(xùn)練網(wǎng)絡(luò)，誤差變化曲線如圖4所示:

圖3 特征向量提取的程序框圖

圖4 BP網(wǎng)絡(luò)訓(xùn)練誤差圖

當(dāng)誤差允許范圍內(nèi)期望輸出和實(shí)際輸出基本符合，表明該網(wǎng)絡(luò)組成的狀態(tài)分類器訓(xùn)練成功。同樣利用另外不同于樣本信號(hào)的12組測(cè)試信號(hào)用于測(cè)試訓(xùn)練完畢的神經(jīng)網(wǎng)絡(luò)性能。

根據(jù)所述BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)步驟，利用Lab-VIEW和MATLAB混合編程編寫B(tài)P網(wǎng)絡(luò)程序，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，對(duì)測(cè)試樣本進(jìn)行計(jì)算檢驗(yàn)。

將12組測(cè)試向量輸入到神經(jīng)網(wǎng)絡(luò)進(jìn)行狀態(tài)識(shí)別，測(cè)試結(jié)果如圖5所示。測(cè)試結(jié)果符合實(shí)際測(cè)試信號(hào)對(duì)應(yīng)的狀態(tài)，證明了利用小波包分析能夠有效提取故障特征向量，并且經(jīng)過(guò)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)確實(shí)能夠?qū)︼L(fēng)力機(jī)齒輪箱故障狀態(tài)做出準(zhǔn)確的診斷分類。

5 結(jié)論

文中通過(guò)在風(fēng)力機(jī)齒輪箱故障診斷中應(yīng)用小波包分析和BP神經(jīng)網(wǎng)絡(luò)理論，可得結(jié)論如下:

圖5 小波神經(jīng)網(wǎng)絡(luò)診斷前面板

(1)小波包理論對(duì)振動(dòng)信號(hào)做特征值提取的研究，并通過(guò)實(shí)驗(yàn)數(shù)據(jù)實(shí)現(xiàn)特征值提取，為實(shí)現(xiàn)故障類型的辨別提供依據(jù)。。

(2)測(cè)試結(jié)果符合實(shí)際測(cè)試信號(hào)對(duì)應(yīng)的狀態(tài)，證明了小波神經(jīng)理論可以有效的用于齒輪箱的故障診斷系統(tǒng)的實(shí)際應(yīng)用，能夠?qū)︼L(fēng)力機(jī)齒輪箱故障狀態(tài)做出準(zhǔn)確的診斷分類。

［1］姚興佳.風(fēng)力發(fā)電技術(shù)的研究現(xiàn)狀［J］.太陽(yáng)能，2006，(1):47 －48.

［2］李心月，楊榮海，韓慧岷，等.柴油燃燒室外預(yù)熱對(duì)發(fā)動(dòng)機(jī)性能的影響［J］.森林工程，2011(3):64－66.

［3］李少華，趙明浩，陳杰，蔣東翔.小波變換在風(fēng)力機(jī)齒輪箱故障特征提取中的應(yīng)用［J］.振動(dòng)與沖擊.2010，29(5):201 －203.

［4］王紅君，劉冬生，岳有軍.基于小波分析和神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方法研究［J］.電氣傳動(dòng)，2010，40(3):69－73.

［5］朱啟兵.基于小波理論的非平穩(wěn)信號(hào)特征提取與智能診斷方法研究［D］.沈陽(yáng):東北大學(xué)，2005.

［6］袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用［M］.北京:清華大學(xué)出版社，1999.

［7］王效 ，楊平.基于BP人工神經(jīng)網(wǎng)絡(luò)的凍土融沉系數(shù)預(yù)測(cè)方法研究［J］.森林工程，2008(5):18－21.

［8］Yuzhong Li，“Study on Incipient Fault Diagnosis for Rolling Bearings Based on Wavelet and Neural Networks”，F(xiàn)ourth International Conference on Natural Computation，Vol 04，pp.262 －265，June 2008.

［9］吳松林，張福明，林曉東.基于小波神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷［J］.空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版)，2008，9(1):17 －21.

［10］王昱峰，李健，朱玉杰.基于復(fù)雜網(wǎng)絡(luò)模型的協(xié)同制造服務(wù)網(wǎng)建立主法［J］.森林工程，2010(6):79－81.