基于引力搜索神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組傳動(dòng)鏈故障識(shí)別

劉永前，徐強(qiáng)，David Infield，2，田德，龍泉

(1.華北電力大學(xué)新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 102206; 2.斯萊斯克萊德大學(xué)能源與環(huán)境學(xué)院，格拉斯哥 G1 1XW;3.中國(guó)大唐集團(tuán)新能源股份有限公司試驗(yàn)研究院，北京 100068)

基于引力搜索神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組傳動(dòng)鏈故障識(shí)別

劉永前1，徐強(qiáng)1，David Infield1，2，田德1，龍泉3

(1.華北電力大學(xué)新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 102206; 2.斯萊斯克萊德大學(xué)能源與環(huán)境學(xué)院，格拉斯哥 G1 1XW;3.中國(guó)大唐集團(tuán)新能源股份有限公司試驗(yàn)研究院，北京 100068)

針對(duì)風(fēng)電機(jī)組傳動(dòng)鏈故障識(shí)別由風(fēng)電場(chǎng)制定合理維修策略可減少停機(jī)時(shí)間、降低維修費(fèi)用問題，將引力搜索算法用于BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值及閾值優(yōu)化，提出基于引力搜索神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組傳動(dòng)鏈故障識(shí)別方法。算例結(jié)果表明，所提方法精度較BP神經(jīng)網(wǎng)絡(luò)高，能準(zhǔn)確識(shí)別齒輪磨損、齒輪斷齒、軸承松動(dòng)等風(fēng)電機(jī)組傳動(dòng)鏈典型故障，驗(yàn)證該方法的有效性。

風(fēng)電機(jī)組傳動(dòng)鏈;故障識(shí)別;BP神經(jīng)網(wǎng)絡(luò);引力搜索算法

風(fēng)電機(jī)組運(yùn)行條件惡劣，常受極端天氣影響，機(jī)組部件會(huì)隨累計(jì)運(yùn)行時(shí)間增加不斷老化、發(fā)生故障［1］。據(jù)統(tǒng)計(jì)，風(fēng)電機(jī)組傳動(dòng)鏈相關(guān)故障造成停機(jī)時(shí)間最長(zhǎng)，對(duì)電力生產(chǎn)影響最大［2］。及時(shí)準(zhǔn)確識(shí)別風(fēng)電機(jī)組傳動(dòng)鏈故障，對(duì)風(fēng)電場(chǎng)制定合理維修策略至關(guān)重要，能提高機(jī)組利用率、降低風(fēng)電場(chǎng)運(yùn)營(yíng)成本。

由于風(fēng)電機(jī)組傳動(dòng)鏈故障成因與征兆映射關(guān)系呈不確定性與復(fù)雜性，提高故障識(shí)別精度成為研究熱點(diǎn)、難點(diǎn)?；谡駝?dòng)信號(hào)分析作為故障診斷的重要技術(shù)［3－6］廣泛用于風(fēng)電機(jī)組傳動(dòng)鏈［7－11］。其中BP神經(jīng)網(wǎng)絡(luò)的運(yùn)用取得較好效果［12－14］，但初始權(quán)值及閾值選取不當(dāng)會(huì)使網(wǎng)絡(luò)難以收斂、影響預(yù)測(cè)效果。為此，本文嘗試在BP神經(jīng)網(wǎng)絡(luò)中引入智能優(yōu)化算法。

引力搜索算法(Gravitational Search Algorithm，GSA)為新型全局智能搜索算法［15］。提出基于引力搜索神經(jīng)網(wǎng)絡(luò)(GSABP)的風(fēng)電機(jī)組傳動(dòng)鏈故障識(shí)別方法，利用GSA的全局搜索能力優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值及閾值。實(shí)驗(yàn)結(jié)果驗(yàn)證該方法在工程應(yīng)用中的有效性，為解決風(fēng)電機(jī)組傳動(dòng)鏈故障識(shí)別問題提供了新思路。

1 引力搜索算法

引力搜索算法利用物體間的萬有引力定律搜索最優(yōu)解，全局優(yōu)化能力突出。設(shè)n維空間引力系統(tǒng)中有N個(gè)粒子，定義第i個(gè)粒子位置為Xi=(x，…x，…x)，(i=1，2，…N)。其中:x為第i個(gè)粒子在第d維中位置。GSA算法流程見圖1。

圖1 GSA流程圖Fig.1 Flow chart of GSA

粒子i在t時(shí)刻質(zhì)量Mi(t)為

式中:fiti(t)為在t時(shí)刻粒子i的適應(yīng)度函數(shù)值。

在第d維空間上，第i個(gè)粒子受第j個(gè)粒子作用力為

式中:ε為接近0的常量;G(t)為t時(shí)刻引力常數(shù)。

式中:G0=100;a=20;T為迭代次數(shù)。

在第d維空間上，第i個(gè)粒子受其它粒子引力合力作用，用各粒子引力的隨機(jī)加權(quán)和表示，即

式中:rand為范圍在［0，1］間任意數(shù)。

基于牛頓第二定理，在第d維空間上粒子i在引力合力作用下加速度為

2 基于引力搜索神經(jīng)網(wǎng)絡(luò)的故障識(shí)別方法

基于GSABP的故障識(shí)別方法流程如下:

(1)確定故障識(shí)別模型的輸入和輸出

提取故障特征作為模型輸入，確定目標(biāo)輸出值。建立訓(xùn)練、測(cè)試樣本。

(2)初始化神經(jīng)網(wǎng)絡(luò)及GSA參數(shù)

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，隨機(jī)初始化網(wǎng)絡(luò)權(quán)值及閾值作為GSA中粒子初始位置。初始化GSA參數(shù)，包括粒子規(guī)模及迭代次數(shù)。

(3)適應(yīng)度函數(shù)計(jì)算

GSA每次迭代將粒子位置作為網(wǎng)絡(luò)初始權(quán)值閾值，用訓(xùn)練樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)后系統(tǒng)預(yù)測(cè)輸出，適應(yīng)度值即為目標(biāo)輸出與實(shí)際輸出間誤差絕對(duì)值總和的函數(shù)，即

式中:N為訓(xùn)練樣本數(shù);gi為訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)所得實(shí)際輸出;σ為訓(xùn)練樣本目標(biāo)輸出;e為任意大于0的實(shí)數(shù)。

GSABP方法中適應(yīng)度函數(shù)值越大，表示訓(xùn)練樣本目標(biāo)輸出與實(shí)際輸出誤差越小，即個(gè)體越優(yōu)。因此GSA迭代目標(biāo)為求解適應(yīng)度函數(shù)的極大值。

(4)GSA迭代尋優(yōu)

由式(1)～式(12)，根據(jù)適應(yīng)度函數(shù)值計(jì)算粒子質(zhì)量及所受引力，進(jìn)行粒子加速度、速度更及位置更新，直至滿足終止條件。

(5)構(gòu)建GSABP模型

從GSA中獲取優(yōu)化后網(wǎng)絡(luò)初始權(quán)值、閾值構(gòu)建GSABP模型，用訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練。

(6)故障識(shí)別

將測(cè)試數(shù)據(jù)輸入訓(xùn)練好的GSABP模型預(yù)測(cè)輸出，進(jìn)行故障識(shí)別。

3 實(shí)例分析

為驗(yàn)證GSABP方法在風(fēng)電機(jī)組傳動(dòng)鏈故障識(shí)別中的有效性，本文以北方某風(fēng)電場(chǎng)1.5 MW機(jī)組為研究對(duì)象，所選風(fēng)電機(jī)組在運(yùn)行過程中曾出現(xiàn)3種傳動(dòng)鏈典型故障，即齒輪磨損、齒輪斷齒、發(fā)電機(jī)兩端軸承松動(dòng)。分別采集齒輪箱高速軸振動(dòng)加速度信號(hào)，采樣頻率5120 Hz，每個(gè)樣本采樣8192點(diǎn)。提取故障的特征向量，輸入GSABP模型進(jìn)行3種故障判別。

3.1 特征提取

風(fēng)電機(jī)組長(zhǎng)期運(yùn)行在復(fù)雜交變載荷下，振動(dòng)信號(hào)與故障映射關(guān)系呈不確定性與非線性，因此選取合適的故障特征分析是故障識(shí)別的關(guān)鍵步驟。功率譜熵、小波熵可衡量整個(gè)信號(hào)源在總體的平均不確定性;盒維數(shù)及關(guān)聯(lián)維數(shù)描述非線性系統(tǒng)耗散能量大小，能反映振動(dòng)信號(hào)不規(guī)則性、不穩(wěn)定性［16］;峭度及偏度系數(shù)能反映沖擊能量大小，為診斷齒輪故障常用指標(biāo)。因此選取功率譜熵、小波熵、盒維數(shù)、關(guān)聯(lián)維數(shù)、峭度及偏度作為風(fēng)電機(jī)組傳動(dòng)鏈故障識(shí)別特征值。

經(jīng)特征提取，3種故障各選10組進(jìn)行訓(xùn)練，1組進(jìn)行測(cè)試，部分訓(xùn)練樣本見表1。以功率譜熵、小波熵、盒維數(shù)、關(guān)聯(lián)維數(shù)、峭度及偏度6個(gè)特征值為GSABP模型輸入，3種故障種類對(duì)應(yīng)1～3的目標(biāo)輸出。測(cè)試樣本見表2，由代表不同故障的3組數(shù)據(jù)T1、T2、T3組成。

表1 部分訓(xùn)練數(shù)據(jù)Tab.1 Part of training samples

表2 測(cè)試樣本Tab.2 Testing samples

3.2 故障識(shí)別

據(jù)訓(xùn)練樣本中特征值及故障類型個(gè)數(shù)，選BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)為6，隱含層節(jié)點(diǎn)數(shù)為13，輸出層節(jié)點(diǎn)數(shù)為1。隱含層神經(jīng)元采用S型正切傳遞函數(shù)，輸出神經(jīng)元采用S型對(duì)數(shù)傳遞函數(shù)。網(wǎng)絡(luò)訓(xùn)練次數(shù)為1000，學(xué)習(xí)效率為0.1，訓(xùn)練目標(biāo)誤差為0.001。

GSA參數(shù)為迭代次數(shù)100，粒子規(guī)模50。迭代結(jié)束后，式(13)的適應(yīng)度函數(shù)曲線見圖2，可見引力搜索算法中迭代35次后能完成BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值及閾值優(yōu)化。GSABP方法及BP神經(jīng)網(wǎng)絡(luò)對(duì)3組測(cè)試樣本的診斷結(jié)果見表3。

圖2 適應(yīng)度函數(shù)曲線Fig.2 Curve of fitness function

表3 故障識(shí)別結(jié)果Tab.3 Result of fault identification

對(duì)比GSABP方法與BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果可知，網(wǎng)絡(luò)初始權(quán)值及閾值對(duì)模型性能影響較大。經(jīng)優(yōu)化的GSABP方法3種故障識(shí)別準(zhǔn)確度分別提高9%、25%及10.34%;GSABP方法能準(zhǔn)確識(shí)別齒輪磨損、齒輪斷齒、發(fā)電機(jī)兩端軸承松動(dòng)3種典型故障，且誤差不大于2%。

4 結(jié)論

針對(duì)準(zhǔn)確識(shí)別風(fēng)電機(jī)組傳動(dòng)鏈故障要求，首次將引力搜索算法用于BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值尋優(yōu)，提出基于引力搜索神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組傳動(dòng)鏈故障識(shí)別方法。結(jié)論如下:

(1)GSA優(yōu)秀的全局搜索能力可加強(qiáng)BP神經(jīng)網(wǎng)絡(luò)性能、提升診斷精度。GSA尋優(yōu)能力應(yīng)用前景良好。

(2)GSABP方法能準(zhǔn)確識(shí)別齒輪磨損、齒輪斷齒、發(fā)電機(jī)兩端軸承松動(dòng)等典型故障，且精度極高，可為進(jìn)一步深入研究風(fēng)電機(jī)組傳動(dòng)鏈故障診斷提供新方法。

［1］Hameed Z，Hong Y S，Cho Y M，et al.Condition monitoring and fault detection of wind turbines and related algorithms:A review［J］.Renewable and Sustainable Energy Reviews，2009，13(1):1－39.

［2］Ribrant J，Bertling L.Survey of failures in wind power systems with focus on Swedish wind power plants during 1997－2005［C］.//Power Engineering Society General Meeting，IEEE，2007:1－8.

［3］陶新民，杜寶祥，徐勇，等.基于AR自相關(guān)峰態(tài)值的一類軸承故障檢測(cè)方法［J］.振動(dòng)與沖擊，2008，27(2): 120－124.

TAO Xin－min，DU Bao－xiang，XU Yong，et al.Fault detection for one class of bearings based on AR with selfcorrelation kurtosis［J］.Journal of Vibration and Shock，2008，27(2):120－124.

［4］劉福榮，王宏偉，高曉智.基于粒子群優(yōu)化聚類的汽輪機(jī)組振動(dòng)故障診斷［J］.振動(dòng)與沖擊，2010，29(8):9－12.

LIU Fu－rong，WANG Hong－wei，GAO Xiao－zhi.Steam turbine vibration fault diagnosis based on particle swarm optimization clustering［J］.Journal of Vibration and Shock，2010，29(8):9－12.

［5］王青華，楊天海，沈潤(rùn)杰，等.抽水蓄能機(jī)組振動(dòng)故障診斷專家系統(tǒng)［J］.振動(dòng)與沖擊，2012，31(7):158－161.

WANG Qing－h(huán)ua，YANG Tian－h(huán)ai，SHEN Run－jie，et al. Fault caused by vibration diagnosis expert system for a pump storage group［J］.Journal of Vibration and Shock，2012，31(7):158－161.

［6］李超順，周建中，肖劍，等.基于引力搜索核聚類算法的水電機(jī)組振動(dòng)故障診斷［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(2):98－104.

LI Chao－shun，ZHOUJian－zhong，XIAOJian，etal. Vibration fault diagnosis of hydroelectric generating unitusing gravitational search based kernel clustering method［J］. Proceedings of the CSEE，2013，33(2):98－104.

［7］任玉亭.振動(dòng)監(jiān)測(cè)技術(shù)在風(fēng)力發(fā)電機(jī)組的應(yīng)用［J］.內(nèi)蒙古電力技術(shù)，2010，28(2):8－12.

REN Yu－ting.Application research of vibration supervision technology on wind power generating units［J］.Inner Mongolia Electric Power，2010，28(2):8－12.

［8］Sheng S，Veers P S.Wind turbine drivetrain condition monitoring－an overview［M］.National Renewable Energy Laboratory，2011.

［9］李峰.基于流行學(xué)習(xí)的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷方法研究［D］.重慶:重慶大學(xué)，2011.

［10］徐展.基于振動(dòng)法的風(fēng)電機(jī)組傳動(dòng)鏈狀態(tài)監(jiān)測(cè)與故障診斷研究［D］.杭州:浙江大學(xué)，2012.

［11］董玉亮，李亞瓊，曹海斌，等.基于運(yùn)行工況辨識(shí)的風(fēng)電機(jī)組健康狀態(tài)實(shí)時(shí)評(píng)價(jià)方法［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(11):88－95.

DONG Yu－liang，LI Ya－qiong，CAO Hai－bin，et al.Realtime health condition evaluation on wind turbines based on operational condition recognition［J］.Proceedings of the CSEE，2013，33(11):88－95.

［12］莊哲民，殷國(guó)華，李芬蘭，等.基于小波神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)故障診斷［J］.電工技術(shù)學(xué)報(bào)，2009，24(4):224－228.

ZHUANG Zhe－min，YIN Guo－h(huán)ua，LI Fen－lan，et al.Fault diagnosis of wind power generation based on wavelet neural network［J］.Transactions of China Electrotechnical Society，2009，24(4):224－228.

［13］郭東杰，王靈梅，郭紅龍，等.改進(jìn)小波結(jié)合BP網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)故障診斷［J］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2012，24(2):53－58.

GUO Dong－jie，WANG Ling－mei，GUO Hong－long，et al. Fault diagnosis of wind power generator based on improved wavelet and BP NN［J］.Proceedings of the CSU－EPSA，2012，24(2):53－58.

［14］龍泉，劉永前，楊勇平.基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷方法［J］.太陽能學(xué)報(bào)，2012，33(1):120－125.

LONG Quan，LIU Yong－qian，YANG Yong－ping.Fault diagnosis method of wind turbine gearbox based on BP neural network trained by particle swarm optimization algorithm［J］. Acta Energiae Solaris Sinica，2012，33(1):120－125.

［15］Rashedi E，Nezamabadi－Pour H，Saryazdi S.GSA:a gravitational search algorithm［J］.Information Sciences，2009，179(13):2232－2248.

［16］徐玉秀，張劍，侯榮濤.機(jī)械系統(tǒng)動(dòng)力學(xué)分形特征及故障診斷方法［M］.北京:國(guó)防工業(yè)出版社，2006:22－24.

Fault identification of wind turbine drivetrain using BP neural network based on gravitational search algorithm

LIU Yong－qian1，XU Qiang1，David INFIELD1，2，TIAN De1，LONG Quan3
(1.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources，North China Electric Power University，Beijing 102206，China;
2.School of Energy and Environment，University of Strathclyde，Glasgow G1 1XW，UK;
3.Test and Research Institute，China Datang Corporation Renewable Power Co.，Ltd.，Beijing 100068，China)

Fault identification of wind turbine drivetrain is the key for wind electric power plants to work out appropriate maintenance strategies to reduce downtime and maintenance cost，and also is one of the highly discussed issues and difficulties in recent research.Here，gravitational search algorithm was applied in the optimization of initial weights and thresholds for BP neural network，a fault identification method for wind turbine drivetrain using BP neural network based on gravitational search algorithm was proposed.The results of examples showed that the proposed method can be used to precisely identify three typical wind turbine drivetrain faults induding gear wear，tooth breaking and bearing looseness，with higher average accuracy than that of BP neural network.So，the effectiveness of the proposed method was verified.

wind turbine drivetrain;fault identification;BP neural network;gravitational search algorithm

TH83

A

10.13465/j.cnki.jvs.2015.02.023

新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室項(xiàng)目(LAPS13016)

2014－04－18修改稿收到日期:2014－07－30

劉永前男，博士，教授，博士生導(dǎo)師，1965年10月生