基于自適應加權(quán)和D-S證據(jù)理論的風電機組故障診斷

神顯豪，張祁，2

(1.桂林理工大學信息科學與工程學院，廣西桂林541004;2.熊本大學自然科學研究科情報電気電子工學専攻，日本熊本860－8555)

風力發(fā)電作為一種可再生的綠色能源發(fā)電方式，已經(jīng)受到越來越高的重視。但風電機組是一個相當復雜的機電系統(tǒng)，其工作外部環(huán)境條件十分惡劣，機組設(shè)備的性能受影響比較大，容易因故障停機。因此，實時監(jiān)測機組運行狀況，確保其正常運行是一項很重要的工作。

風電機組一般由風輪系統(tǒng)、齒輪箱系統(tǒng)、發(fā)電機、偏航系統(tǒng)、液壓系統(tǒng)和剎車機構(gòu)、控制與安全系統(tǒng)等子系統(tǒng)組成。任一子系統(tǒng)的故障都可能使機組性能下降甚至被迫停機，一種故障現(xiàn)象可能由多個不同層次的故障引起，不同的故障可能呈現(xiàn)同樣的現(xiàn)象［1］。文獻 ［2］運用貝葉斯網(wǎng)絡(luò)和 D-S證據(jù)理論，提出了一種較為準確和合理的分布式故障診斷模型，但是貝葉斯理論的推理過程要求給出先驗概率和條件概率，并且要求各概率之間相互獨立，這些條件在實際工程中很難滿足。文獻 ［3］運用模糊理論方法，建立故障診斷修正數(shù)學模型，解決信息或決策沖突問題，但其算法原理不夠直觀，運算較為復雜。文獻［4－6］采用神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)結(jié)合進行故障診斷，神經(jīng)網(wǎng)絡(luò)的單通道輸出作為各故障狀態(tài)焦點元素的基本概率分配，從而避免了證據(jù)理論構(gòu)造基本概率分配函數(shù)的困難性，但是神經(jīng)網(wǎng)絡(luò)過于復雜且分類速度較慢，學習過程中運算量過大。文獻 ［7］采用支持向量機 (Support Vector Machine)與自適應模糊神經(jīng)推理 (Adaptive Neuro-fuzzy Inference System)的分類器集合到一個通用框架，提高了故障的分析和診斷，且優(yōu)于單獨的SVM和ANFIS的診斷，但當二次規(guī)劃的矩陣樣本數(shù)量較大時，將需要大量內(nèi)存和計算時間。

根據(jù)以上問題，采用數(shù)據(jù)融合中的自適應加權(quán)算法無需測量數(shù)據(jù)的先驗知識，融合出比任一單傳感器方差更小的數(shù)據(jù)融合值，有效減少網(wǎng)絡(luò)數(shù)據(jù)冗余和數(shù)據(jù)量，提高處理速度。運用高斯隸屬度函數(shù)獲得一種較為直觀的概率賦值函數(shù)方法，解決了證據(jù)理論的基本概率賦值難的問題。而證據(jù)理論算法需要的先驗條件較少，可以用概率區(qū)間的方法表示不確定信息，實現(xiàn)不確定信息的客觀和數(shù)量化的表示，具有很強的實用性。

1 多傳感器信息融合基本思想

多傳感器信息融合是將多種類型的傳感器提供的多種形式和不同時刻的信息加以綜合處理，提煉有價值的信息，剔除冗余數(shù)據(jù)，在復雜多變的環(huán)境中提高決策能力，結(jié)果比單一信息源更能全面一致地評估被監(jiān)測對象。文中基于WSN，對采集的海量數(shù)據(jù)先在終端節(jié)點處進行一級信息融合，將融合結(jié)果送至路由設(shè)備，再由路由設(shè)備進行二級信息融合，將監(jiān)測和診斷的結(jié)果送至協(xié)調(diào)器后上傳至主機。這種融合思想可有效減少終端節(jié)點至路由設(shè)備、路由設(shè)備至協(xié)調(diào)器的數(shù)據(jù)傳輸量，有利于節(jié)約網(wǎng)絡(luò)能量，兩級信息融合的風電機組監(jiān)測與診斷的系統(tǒng)總體設(shè)計如圖1所示。

圖1 風電機組故障監(jiān)測與診斷系統(tǒng)

由于單個傳感器容易受到電磁波，輻射等外界干擾的影響，使采集的數(shù)據(jù)有所偏差，所以在信號層采用自適應加權(quán)融合算法對多個傳感器的同類型參數(shù)進行融合。在診斷系統(tǒng)中，故障和癥狀之間不一定是線性對應關(guān)系，每種癥狀下的各種故障都有可能發(fā)生，故在特征層采用D-S證據(jù)理論算法，綜合不同類型參數(shù)的證據(jù)，并以上層的自適應加權(quán)融合的結(jié)果作為數(shù)據(jù)源，提高故障診斷的準確性。兩級信息融合模型如圖2所示。

圖2 風電機組故障診斷的信息融合模型

2 信號層信息融合

自適應加權(quán)融合算法［8］是根據(jù)各個傳感器測量值的方差值調(diào)整對應的權(quán)系數(shù)，使得融合后的總方差最小，此時各個傳感器的權(quán)系數(shù)最優(yōu)。首先需求各個傳感器的方差，再計算各個傳感器對應的加權(quán)因子Wi，從而獲得最優(yōu)融合值。設(shè)兩個互相獨立的傳感器i，j，測量值分別為Xi，Xj，對應的測量誤差為零均值平穩(wěn)噪聲ei，ej，待估計真值為X，則:Xi=X+ei，Xj=X+ej。

若路由器的一個計算周期內(nèi)，傳感器的測量次數(shù)為v，則:

由于通常真值X是根據(jù)各傳感器歷史數(shù)據(jù)均值X進行估計，則第i個傳感器的測量均值為。

根據(jù)多元函數(shù)求極值理論，可求得總方差最小時第i個傳感器所對應的最優(yōu)加權(quán)因子:

總方差為:

其中，m為傳感器采集數(shù)據(jù)歷史的次數(shù)，融合后的估計值:

3 特征層信息融合

D-S證據(jù)理論融合的關(guān)鍵是基本概率賦值函數(shù)，其值直接影響診斷的準確性，基本概率分配函數(shù)的獲取方法繁多，針對不同的研究對象有差異巨大的獲取方法，對于大型發(fā)電機組的故障診斷，選取哪種合適的方法獲得相對準確的基本概率分配函數(shù)是研究的一個難點和重點，文中運用高斯隸屬度函數(shù)獲得一種較為直觀的概率賦值函數(shù)方法，避免了證據(jù)理論構(gòu)造基本概率分配函數(shù)的困難:

(1)利用實驗方法模擬風力發(fā)電機齒輪箱的典型故障運行模式，假設(shè)傳感器節(jié)點每p個數(shù)據(jù)作為一組，至少測量q(q＞5)組，并求各組數(shù)據(jù)的平均值Xi和方差，作為傳感器i所測物理量的標準。

(2)對幾組平均值和方差比較，找到傳感器i所測物理量的最大平均值和最小平均值，對應的方差分別為，，分別建立典型故障模式幾種物理量的高斯隸屬度函數(shù):

(3)對待檢測機組的齒輪箱采集信息，利用步驟1的方法計算平均值，記為，不同物理量代入對應的高斯隸屬度函數(shù)，所得，表示第t個傳感器的測量值隸屬于第i個故障的程度。將每個傳感器的測量值分別代入各個故障標準，得到各個故障的支持度。

為每個傳感器分配可靠性系數(shù)設(shè)為α，第i個證據(jù)對不確定的故障種類θ的改進概率分配函數(shù)為mi(θ)，則:

根據(jù)D-S證據(jù)理論［9－11］的算法，當出現(xiàn)嚴重證據(jù)沖突時，會使融合結(jié)果出現(xiàn)一票否決的現(xiàn)象，所以當沖突嚴重時，應修改證據(jù)組合的方法，減小沖突較大的證據(jù)對最后融合結(jié)果的影響。因此，需先得到各個證據(jù)焦點元素的平均值。

然后，計算各個證據(jù)的焦點元素到平均值的距離和函數(shù)。

依次兩兩融合證據(jù)，計算證據(jù)的沖突系數(shù)K，設(shè)沖突系數(shù)K的門限值為0.9，如果兩條證據(jù)沖突嚴重即沖突系數(shù)大于門限值，則證明此兩條證據(jù)沖突嚴重，此時需要計算兩條證據(jù)的距離和函數(shù)，用各個證據(jù)焦點的平均值替代距離和函數(shù)較大的那條證據(jù)，然后再重新計算K值，按如下規(guī)則組合證據(jù):

4 仿真實驗

通常，齒輪箱是整個機組的傳動系動力匹配和扭轉(zhuǎn)振動的薄弱環(huán)節(jié)，因此，仿真實驗選取風電機組齒輪箱軸承為故障監(jiān)測對象。設(shè)測量振動幅值屬于第一類測量的物理量，溫度屬于第二類物理量，噪聲屬于第三類物理量。

首先，在齒輪箱低速軸處安置有3個振動傳感器，每0.6 s采集一次數(shù)據(jù)，每隔4 min對所采集的數(shù)據(jù)進行信號層融合，取待估計真值X=3.5，用一組互不相關(guān)的零均值白噪聲數(shù)據(jù)模擬各個傳感器的觀測數(shù)據(jù)，均值為0，方差分別為0.5、0.05和3.5。圖3是振動信號的自適應加權(quán)值與算術(shù)平均值的對比，圖4為融合后的總方差曲線。

圖3 自適應加權(quán)與平均值

圖4 總均方誤差

由圖3可見，自適應加權(quán)的估計值的波動范圍小于算術(shù)平均估計值，由圖4可知，隨著測量次數(shù)的增加，自適應加權(quán)算法的總方差逐漸減小并無限趨近于零，達到總方差最小的目的。方差σ2i值越大，則數(shù)據(jù)離散度越大，對應的加權(quán)因子應該越小，反之亦然，由表1可知傳感器的方差和權(quán)值滿足上述對應關(guān)系，符合設(shè)計的要求。

表1 振動傳感器融合結(jié)果 m/s2

經(jīng)融合后，總均方誤差σ2小于任一傳感器的方差，說明該融合方法有效地提高了數(shù)據(jù)精度。自適應加權(quán)算法結(jié)果與算術(shù)平均值3.452 5比較可知，前者的融合效果優(yōu)于后者。齒輪箱其他旋轉(zhuǎn)軸的振動、噪聲和溫度信號分別采用相同方法進行同類型信息融合。

第二層信息融合針對不同類型參數(shù)的證據(jù)融合，設(shè)齒輪箱的低速軸故障，太陽輪軸故障，中間軸故障，高速軸故障的4類軸承故障隸屬于識別框架集U={u1，u2，u3，u4}。振動傳感器 s1，s4，s7，s10分別采集機組齒輪箱的低速軸、太陽輪軸、中間軸和高速軸的振動幅值，溫度傳感器s2，s5，s8，s11分別采集溫度數(shù)據(jù)，噪聲傳感器s3，s6，s9，s12分別采集噪聲數(shù)據(jù)，傳感器分布如圖5所示。

圖5 風電齒輪箱的傳感器監(jiān)測分布

將傳感器采集的數(shù)據(jù)代入高斯隸屬度函數(shù)，計算得到證據(jù)組合所需的基本概率分配函數(shù)。設(shè)傳感器s1，s4，s7，s10提供證據(jù)的可靠性系數(shù)α分別為0.9，0.85，0.75，0.8。利用實驗模擬各典型故障的運行模式，其中振幅標準和運行機組齒輪箱的振動參數(shù)如表2所示。

表2 風電機組齒輪箱的幅值統(tǒng)計 m/s2

將振動傳感器采集的數(shù)據(jù)代入典型故障模式的高斯隸屬度函數(shù)，并作為參數(shù)標準，獲得各振動傳感器的BPA，如表3。

表3 振動傳感器基本概率賦值函數(shù)BPA

同理計算，融合溫度和噪聲傳感器的數(shù)據(jù)，得到證據(jù)結(jié)果如表4。

表4 基本概率賦值函數(shù)BPA

由表4可見，經(jīng)過信息融合，診斷的精度大大提高了。當證據(jù)出現(xiàn)嚴重沖突時，原D-S證據(jù)理論算法給出了錯誤結(jié)果，而改進的算法仍能給出正確結(jié)果。不確定故障的概率從0.000 2減小到了0.000 1，效果比較顯著。當證據(jù)出現(xiàn)嚴重矛盾的時候，如果通過單一證據(jù)診斷故障，則無法判斷機組的故障究竟屬于哪一類，有可能給出錯誤的診斷結(jié)果。經(jīng)過兩級信息融合處理提高了故障診斷結(jié)果的準確性和可靠性，節(jié)約了網(wǎng)絡(luò)能量。

5 結(jié)束語

介紹了風力發(fā)電機齒輪箱故障監(jiān)測和診斷的方法，仿真實驗結(jié)果表明采用自適應加權(quán)融合算法融合同類型參數(shù)能有效去除網(wǎng)絡(luò)冗余數(shù)據(jù)，節(jié)約網(wǎng)絡(luò)耗能，準確表征機組的實際狀態(tài)，為故障識別提供良好的數(shù)據(jù)源。而改進的D-S證據(jù)理論算法綜合處理不同類型參數(shù)的證據(jù)，有效處理沖突，采用了一種較為直觀可行的基本概率賦值函數(shù)方法，顯著提高了診斷系統(tǒng)的故障辨識能力。

【1】楊偉，賈石峰．基于RBF神經(jīng)網(wǎng)絡(luò)的風力發(fā)電機組故障診斷研究［J］．電氣傳動自動化，2009，31(2):18 －19．

【2】何小飛，童曉陽，孫明蔚．基于貝葉斯網(wǎng)絡(luò)和D-S證據(jù)理論的分布式電網(wǎng)故障診斷［J］．電力系統(tǒng)自動化，2011，35(10):109－111．

【3】徐曉濱，文成林，王迎昌．基于模糊故障特征信息的隨機集度量信息融合診斷方法［J］．電子與信息學報，2009，31(7):1635－1639．

【4】董海鷹，李娜．基于D-S證據(jù)理論信息融合的轉(zhuǎn)轍機故障診斷方法研究［J］．測試技術(shù)學報，2013，27(1):1 －6．

【5】XU Chunmei，ZHANG Hao，PENG Daogang，et al．Study of Fault Diagnosis of Integrate of D-S Evidence Theory Based on Neural Network for Turbine［J］．Energy Procedia，2012，16(C):20207－2032．

【6】DU Hailian，LV Feng，LI Shue，et al．Study of Fault Diagnosis Method Based on Data Fusion Technology［J］．Procedia Engineering，2012，29(C):2590 －2594．

【7】SALAHSHOOR Karim，KORDESTANI Mojtaba，KHOSHRO Majid S．Fault Detection and Diagnosis of an Industrial Steam Turbine Using Fusion of SVM(Support Vector Machine)and ANFIS(Adaptive Neuro-fuzzy Inference System)classifiers［J］．Energy，2010，35:5472 －5482．

【8】李莉，高冰．自適應加權(quán)信息融合加權(quán)因子的動態(tài)調(diào)整［J］．戰(zhàn)術(shù)導彈技術(shù)，2011(3):109－111．

【9】李月，徐余法，陳國初，等．D-S證據(jù)理論在多傳感器故障診斷中的改進及應用［J］．東南大學學報，2011(9):102－105．

【10】楊靖，林益，洪露，等．一種改進的D-S證據(jù)理論合成方法［J］．計算機工程與應用，2012，48(20):150 －153．

【11】李玲玲，馬東娟，王成山，等．DS證據(jù)理論沖突處理新方法［J］．計算機應用研究，2011，28(12):4528 －4530．