基于多分類(lèi)支持向量機(jī)的風(fēng)電機(jī)組故障診斷

徐 開(kāi)，鄭小霞

（上海電力學(xué)院自動(dòng)化工程學(xué)院，上海 200090）

基于多分類(lèi)支持向量機(jī)的風(fēng)電機(jī)組故障診斷

徐 開(kāi)，鄭小霞

（上海電力學(xué)院自動(dòng)化工程學(xué)院，上海 200090）

提出了綜合考慮風(fēng)電機(jī)組轉(zhuǎn)速及輸入/輸出軸水平和垂直方向振動(dòng)信號(hào)，對(duì)故障數(shù)據(jù)依照轉(zhuǎn)動(dòng)周期分組后分別對(duì)每個(gè)周期的時(shí)域指標(biāo)進(jìn)行提取，而后基于SVM（支持向量機(jī)）對(duì)提取后的數(shù)據(jù)進(jìn)行4種狀態(tài)下故障分類(lèi)的方法。測(cè)試結(jié)果表明，該方法簡(jiǎn)單有效，具有很好的故障識(shí)別能力，適合風(fēng)電機(jī)組齒輪箱故障診斷。

多分類(lèi)；支持向量機(jī)；風(fēng)電機(jī)組；故障診斷

0 引言

作為相對(duì)成熟的可再生綠色能源，近年來(lái)風(fēng)力發(fā)電發(fā)展迅速，風(fēng)能已被廣泛認(rèn)為具有巨大的潛力。在目前國(guó)際上能源短缺日益嚴(yán)重的大背景下，大力發(fā)展風(fēng)電是緩解能源短缺和環(huán)境污染問(wèn)題的有效途徑和必然趨勢(shì)。

但是，風(fēng)電機(jī)組存在齒輪箱故障率高且維修困難的問(wèn)題。對(duì)齒輪箱進(jìn)行高效的故障分類(lèi)和診斷可減少不必要的經(jīng)濟(jì)損失，節(jié)約成本，創(chuàng)造更大的社會(huì)經(jīng)濟(jì)效益。因此，對(duì)風(fēng)電機(jī)組齒輪箱的故障進(jìn)行診斷和分類(lèi)很有必要[1，2]。

SVM（支持向量機(jī)）是一種基于統(tǒng)計(jì)學(xué)理論的分類(lèi)方法。本文在研究風(fēng)電機(jī)組齒輪箱正常與故障這2種狀態(tài)的基礎(chǔ)上[3，4]，進(jìn)一步細(xì)分了點(diǎn)蝕、斷齒、斷齒及表面磨損3種故障類(lèi)型，對(duì)正常運(yùn)行和故障狀態(tài)進(jìn)行了分類(lèi)實(shí)驗(yàn)研究，考慮風(fēng)電機(jī)組的轉(zhuǎn)速以及軸水平和垂直方向振動(dòng)的時(shí)域特征參數(shù)等多源信息，構(gòu)建了基于多分類(lèi)的支持向量機(jī)的故障診斷模型，有利于對(duì)故障形態(tài)進(jìn)行快速甄別。與常見(jiàn)測(cè)試數(shù)據(jù)的對(duì)照表明，本文方法簡(jiǎn)單有效，具有應(yīng)用潛力[5]。

1 基于SVM的多分類(lèi)問(wèn)題研究

1.1 支持向量機(jī)基本概念

支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)理論的分類(lèi)方法。分類(lèi)方法是機(jī)器學(xué)習(xí)的方法，分類(lèi)也稱(chēng)為模式識(shí)別，或者在概率統(tǒng)計(jì)中稱(chēng)為判別分析問(wèn)題。支持向量是指支持（支撐）平面上把2類(lèi)類(lèi)別劃分開(kāi)來(lái)的超平面上的向量點(diǎn)。線性判別函數(shù)一般形式為g（x）=wx+b。將判別函數(shù)歸一化，使2類(lèi)樣本都滿(mǎn)足：

此時(shí)分類(lèi)間隔為2/||w||2，而使間隔最大等價(jià)于使||w||2最小。滿(mǎn)足條件（1）并且使||w||2最小的分類(lèi)超平面即為最優(yōu)分類(lèi)面。SVM通過(guò)選取適當(dāng)?shù)暮撕瘮?shù)，將輸入空間轉(zhuǎn)換到1個(gè)高維的線性可分空間，在映射后的空間內(nèi)構(gòu)造最優(yōu)分類(lèi)超平面，從而將不同類(lèi)型的點(diǎn)分類(lèi)[6]。

1.2 現(xiàn)有的多分類(lèi)支持向量機(jī)算法

SVM算法最初只能解決二分類(lèi)問(wèn)題，而一般來(lái)說(shuō)現(xiàn)實(shí)中的分類(lèi)問(wèn)題以多分類(lèi)為主，當(dāng)處理多分類(lèi)問(wèn)題時(shí)，就需要尋找合適的多類(lèi)分類(lèi)器[7]。

目前構(gòu)造SVM多類(lèi)分類(lèi)器解決多分類(lèi)識(shí)別問(wèn)題時(shí)主要有2種方法：一種是直接法，直接在目標(biāo)函數(shù)上進(jìn)行修改，將基本的二分類(lèi)支持向量機(jī)擴(kuò)展為多分類(lèi)支持向量機(jī)，通過(guò)構(gòu)造多類(lèi)分類(lèi)器來(lái)解決多分類(lèi)問(wèn)題，通過(guò)求解該問(wèn)題來(lái)實(shí)現(xiàn)多類(lèi)分類(lèi)。不足是其計(jì)算復(fù)雜度比較高，實(shí)現(xiàn)起來(lái)較為困難，更適合于小型問(wèn)題。另一種是間接法，是將多分類(lèi)問(wèn)題逐步分解為二分類(lèi)問(wèn)題，用多個(gè)二分類(lèi)支持向量機(jī)來(lái)組成1個(gè)多類(lèi)分類(lèi)器。下面分別介紹解決多分類(lèi)問(wèn)題的現(xiàn)有主要方法。

1.2.1 OAA（一對(duì)多）算法

OAA算法在訓(xùn)練時(shí)依次把某個(gè)類(lèi)別的樣本歸為正負(fù)2類(lèi)，1個(gè)為正、其余為負(fù)，每個(gè)類(lèi)別的樣本構(gòu)造1個(gè)SVM。分類(lèi)時(shí)將未知樣本分類(lèi)為具有最大分類(lèi)函數(shù)值的那類(lèi)。當(dāng)使用該方法時(shí)，訓(xùn)練時(shí)間與類(lèi)別的數(shù)量成正比?？紤]多個(gè)分類(lèi)器算法對(duì)測(cè)試錯(cuò)誤率累加，當(dāng)訓(xùn)練樣本較多時(shí)，樣本分類(lèi)準(zhǔn)確率將降低。

1.2.2 OAO（一對(duì)一）算法

OAO算法是將多個(gè)類(lèi)別中的任意2個(gè)類(lèi)別重新組合，針對(duì)每個(gè)組合設(shè)計(jì)二分類(lèi)SVM，因此對(duì)于N個(gè)類(lèi)別而言需要構(gòu)造個(gè)SVM。在構(gòu)造完個(gè)SVM后，采用投票法對(duì)未知樣本進(jìn)行預(yù)測(cè)。然后設(shè)每個(gè)樣本的初始值為0，通過(guò)依次帶入個(gè)決策函數(shù)判別來(lái)輸出分類(lèi)結(jié)論，每個(gè)分類(lèi)器獨(dú)立對(duì)樣本進(jìn)行判據(jù)后累加。個(gè)分類(lèi)器都判別完后，累加票數(shù)最高的那個(gè)類(lèi)別即為該樣本所屬的類(lèi)。

OAO算法的缺點(diǎn)是產(chǎn)生的子分類(lèi)器數(shù)目隨類(lèi)別數(shù)目增長(zhǎng)較快，當(dāng)分類(lèi)類(lèi)別過(guò)大時(shí)，訓(xùn)練速度隨著類(lèi)別的增加成指數(shù)級(jí)降低。

1.2.3 DAG（有向無(wú)環(huán)圖多分類(lèi)）算法

DAG是一種有方向且不含環(huán)的圖。DAG算法在訓(xùn)練階段與OAO一致，對(duì)分類(lèi)采取任意2組兩兩組合的方式，對(duì)于N類(lèi)樣本同樣需要構(gòu)造個(gè)二分類(lèi)器。

與OAO分類(lèi)相比，DAG提高了分類(lèi)速度，但是并未考慮樣本誤差傳遞對(duì)后續(xù)產(chǎn)生的影響。

1.2.4 H-SVM（層次支持向量機(jī)）算法

H-SVM首先將所有樣本分成2類(lèi)，而后再將每個(gè)類(lèi)一分為二，依次“迭代”形成倒立的二叉樹(shù)，直到樹(shù)枝的末端成為1類(lèi)為止。與DAG相似，該方法將原有的多分類(lèi)問(wèn)題分解成一系列的二分類(lèi)問(wèn)題，不同的是在初始分成2類(lèi)后，2類(lèi)樣本不再區(qū)分，從而減少了計(jì)算復(fù)雜度。H-SVM的層次結(jié)構(gòu)分為“偏態(tài)樹(shù)”與“正態(tài)樹(shù)”2類(lèi)，對(duì)同一數(shù)據(jù)2種樹(shù)狀形態(tài)的分類(lèi)層次不同，直接影響了分類(lèi)的速度。其中“偏態(tài)樹(shù)”指的是從頂層開(kāi)始每1個(gè)包含2個(gè)類(lèi)別的節(jié)點(diǎn)的分類(lèi)器只將1個(gè)類(lèi)別與其它類(lèi)別分開(kāi)的結(jié)構(gòu)，而“正態(tài)樹(shù)”接近于1種倒立的完全二叉樹(shù)。當(dāng)層次結(jié)構(gòu)的形態(tài)接近于正態(tài)樹(shù)時(shí)，分類(lèi)同樣的類(lèi)型需要的層次較少，具有理想的訓(xùn)練速度，同時(shí)分類(lèi)時(shí)僅需要非常少的分類(lèi)器。

本文針對(duì)風(fēng)電機(jī)組齒輪箱常見(jiàn)的3種故障類(lèi)型進(jìn)行了四分類(lèi)的故障研究，選取3層正態(tài)樹(shù)H-SVM解決分類(lèi)問(wèn)題。第2層采用各類(lèi)樣本間的歐氏距離較大的數(shù)據(jù)[8]，克服誤差累積問(wèn)題，進(jìn)而提高分類(lèi)精度。

2 多源故障信號(hào)特征值提取

本文采用某旋轉(zhuǎn)機(jī)械振動(dòng)分析及故障診斷實(shí)驗(yàn)平臺(tái)系統(tǒng)實(shí)驗(yàn)數(shù)據(jù)。該系統(tǒng)可快速模擬旋轉(zhuǎn)機(jī)械多種狀態(tài)及振動(dòng)，進(jìn)行各種狀態(tài)的對(duì)比分析，被國(guó)際國(guó)內(nèi)眾多高校認(rèn)可，廣泛應(yīng)用于高校、工礦、科研院所的科研、教學(xué)、產(chǎn)品開(kāi)發(fā)及人員培訓(xùn)等。為更好地識(shí)別風(fēng)電機(jī)組故障，選取了3種最常見(jiàn)的風(fēng)機(jī)齒輪箱故障，分別為點(diǎn)蝕、斷齒和斷齒及表面磨損，以其所對(duì)應(yīng)的各種有代表性的特征參數(shù)作為故障診斷分類(lèi)樣本。

選取了同一轉(zhuǎn)速下以上3種風(fēng)機(jī)齒輪箱故障及正常共4類(lèi)狀態(tài)進(jìn)行故障甄別，分別采集下轉(zhuǎn)速、輸入軸水平/垂直方向位移、輸入/輸出軸的水平/垂直方向加速度和輸出軸磁電式速度等共9個(gè)傳感器數(shù)據(jù)，選用4種狀態(tài)所對(duì)應(yīng)的各種有代表性的特征參數(shù)作為樣本。時(shí)域有量綱參數(shù)指標(biāo)分別為：均值um、標(biāo)準(zhǔn)偏差ustd、均方根urms和峰值up；無(wú)量綱參數(shù)指標(biāo)分別為波形因數(shù)KSF、峰值因子KCF、峭度因子KV、裕度因子KCLF和脈沖因子KIF。

圖1表示基于時(shí)域指標(biāo)的SVM故障診斷流程，即在采集故障數(shù)據(jù)后先對(duì)故障數(shù)據(jù)進(jìn)行分組預(yù)處理，然后提取時(shí)域指標(biāo)，最后對(duì)這些時(shí)域指標(biāo)分別學(xué)習(xí)、訓(xùn)練、觀察結(jié)果，最后選取最優(yōu)指標(biāo)作為故障特征標(biāo)識(shí)。

表1 在不同的時(shí)域指標(biāo)下對(duì)故障的識(shí)別率

圖1 基于時(shí)域指標(biāo)的SVM故障診斷流程

3 故障診斷分析

3.1 故障數(shù)據(jù)采集

采用實(shí)驗(yàn)平臺(tái)快速模擬旋轉(zhuǎn)機(jī)械多種狀態(tài)及振動(dòng)，可進(jìn)行各種狀態(tài)的對(duì)比分析及診斷。在該旋轉(zhuǎn)機(jī)械振動(dòng)分析及故障診斷實(shí)驗(yàn)平臺(tái)系統(tǒng)中，對(duì)4種狀態(tài)下的下轉(zhuǎn)速、輸入軸水平/垂直方向位移、輸入/輸出軸的水平/垂直方向加速度和輸出軸磁電式速度共9個(gè)傳感器數(shù)據(jù)進(jìn)行采集，采樣頻率為5 120 Hz。

3.2 故障數(shù)據(jù)分類(lèi)

對(duì)包括正常運(yùn)行狀態(tài)在內(nèi)的4種機(jī)組狀態(tài)類(lèi)型進(jìn)行信號(hào)采集后，對(duì)采集數(shù)據(jù)進(jìn)行分組時(shí)域信號(hào)提取。進(jìn)行多次分組實(shí)驗(yàn)后，發(fā)現(xiàn)當(dāng)每組故障數(shù)據(jù)N數(shù)值為采樣頻率f/轉(zhuǎn)速w時(shí)故障特征最為明顯。針對(duì)該實(shí)驗(yàn)平臺(tái)數(shù)據(jù)，即取N為350時(shí)所取得的風(fēng)電機(jī)組狀態(tài)特征時(shí)域參數(shù)代入SVM訓(xùn)練，從而建立故障診斷模型。每個(gè)單獨(dú)周期提取5個(gè)無(wú)量綱時(shí)域指標(biāo)，然后針對(duì)每種組合（i=1， 2，3，4，5），每種故障類(lèi)型分別提取對(duì)應(yīng)指標(biāo)學(xué)習(xí)訓(xùn)練。

3.3 時(shí)域指標(biāo)診斷結(jié)果

在實(shí)驗(yàn)平臺(tái)上對(duì)同一頻率下的4種狀態(tài)進(jìn)行數(shù)據(jù)的再次采集后，依照上述方式進(jìn)行分組提取時(shí)域指標(biāo)特征值，對(duì)5種時(shí)域指標(biāo)特征值分別進(jìn)行提取分類(lèi)。

計(jì)算表明，單一時(shí)域指標(biāo)KCF，KCLF和KV對(duì)故障最為敏感，診斷正確率在80%左右，而KIF和KSF對(duì)故障最不敏感，診斷正確率不到50%。在結(jié)合多個(gè)時(shí)域指標(biāo)的診斷中，KCF，KCLF及KV3項(xiàng)指標(biāo)最為敏感，在90%左右。詳見(jiàn)表1。

4 結(jié)語(yǔ)

（1）本文綜合考慮風(fēng)電機(jī)組轉(zhuǎn)速及輸入/輸出軸的水平/垂直方向振動(dòng)信號(hào)，對(duì)故障數(shù)據(jù)依照轉(zhuǎn)動(dòng)周期分組后，分別對(duì)每個(gè)周期的時(shí)域指標(biāo)進(jìn)行提取診斷，能較為有效地識(shí)別機(jī)組故障類(lèi)型。

（2）將3層正態(tài)樹(shù)實(shí)現(xiàn)的H－SVM多分類(lèi)方法應(yīng)用到風(fēng)電機(jī)組故障診斷中，能夠有效地識(shí)別齒輪箱中的故障及故障類(lèi)型。

[1]HAMEED Z，HONG Y，CHO Y，et al．Condition monitoring and faultdetection of wind turbines and related algorithms：a review[J]．Renewable and Sustainable Energy Reviews，2009，13（1）∶1－39．

[2]AMIRAT Y，BENBOUZID M，AL－AHMAR E，et al．Abrief status oncondition monitoring and fault diagnosis in wind energy conversionsystems[J]．Renewable and Sustainable Energy Reviews，2009，13（9）∶2629－2636．

[3]梁偉宸，許湘蓮，龐可，等．風(fēng)電機(jī)組故障診斷實(shí)現(xiàn)方法探討[J]．高壓電器，2011，47（8）∶57－62．

[4]蘇勛文，米增強(qiáng)，王毅．風(fēng)電場(chǎng)常用等值方法的適用性及其改進(jìn)研究[J]．電網(wǎng)技術(shù)，2010，34（6）∶175－180．

[5]方瑞明．支持向量機(jī)理論及其應(yīng)用分析[M]．北京：中國(guó)電力出版社，2007．

[6]魏于凡．支持向量機(jī)在智能故障診斷中的應(yīng)用研究[D]．保定：華北電力大學(xué)，2007．

[7]安學(xué)利，蔣東翔．風(fēng)力發(fā)電機(jī)組運(yùn)行狀態(tài)的混沌特性識(shí)別及其趨勢(shì)預(yù)測(cè)[J]．電力自動(dòng)化設(shè)備，2010，30（3）∶15－19．

[8]張周鎖，李凌均，何正嘉．基于支持向量機(jī)的機(jī)械故障診斷方法研究[J]．西安交通大學(xué)學(xué)報(bào)，2002，36（12）∶1303－1306．

（本文編輯：龔 皓）

Diagnosis on Wind Turbine Faults Based on Multi-classification Support Vector Machine

XU Kai，ZHENG Xiaoxia
（Shanghai University of Electric Power，Shanghai 200090，China）

The paper introduce a fault classification method.In this method,rotation speed of wind turbine and vibration signal in horizontal and vertical direction of input and output shafts are taken into consideration; in accordance with rotation period，the fault data is grouped and time-domain indexes in each period are extracted，after which faults in four conditions are classified on the basis of extracted data of SVM（support vector machine）.The test result show that the method is simple and effective，and it can identify faults and is suitable for diagnosis of faults in gear boxes of wind turbine generating units.

multi-classification；support vector machine（SVM）；wind turbine generating units；fault diagnosis

TM614

B

1007-1881（2015）04-0054-03

2015-03-06

徐 開(kāi)（1990），男，碩士研究生，研究方向?yàn)轱L(fēng)電機(jī)組故障診斷。