果蠅優(yōu)化算法融合SVM的風(fēng)機葉片損傷識別研究

Study on Identification of Damage for Wind Turbine Blade by Fusing FOA and SVM

顧桂梅　胡　讓　李遠遠

(蘭州交通大學(xué)自動化與電氣工程學(xué)院，甘肅 蘭州　730070)

?

果蠅優(yōu)化算法融合SVM的風(fēng)機葉片損傷識別研究

Study on Identification of Damage for Wind Turbine Blade by Fusing FOA and SVM

顧桂梅胡讓李遠遠

(蘭州交通大學(xué)自動化與電氣工程學(xué)院，甘肅 蘭州730070)

摘要：為提高風(fēng)機葉片裂紋損傷和邊緣損傷識別的準確率，提出使用果蠅優(yōu)化(FOA)算法和支持向量機(SVM)相結(jié)合的方法。使用硬件系統(tǒng)采集兩類損傷故障的聲發(fā)射信號，然后對信號進行小波處理，提取能量特征，根據(jù)能量特征信息，建立支持向量機模型，測試其準確率；采用果蠅優(yōu)化算法優(yōu)化支持向量機參數(shù)，使模型損傷識別更準確，并將優(yōu)化后模型識別結(jié)果與粒子群優(yōu)化(PSO)算法優(yōu)化支持向量機后的識別結(jié)果相比較。仿真結(jié)果表明，使用果蠅優(yōu)化算法優(yōu)化后的支持向量機模型的識別精度更高，能夠準確地實現(xiàn)對風(fēng)機葉片損傷的識別。

關(guān)鍵詞：風(fēng)機葉片損傷識別小波處理支持向量機果蠅優(yōu)化算法新能源風(fēng)力發(fā)電神經(jīng)網(wǎng)絡(luò)智能識別

Abstract：In order to improve the identification accuracy of crack damage and edge damage for wind turbine blade,the method combining fruit fly optimization algorithm (FOA) and support vector machine (SVM) is proposed.The acoustic emission signals of two types of damage fault are collected using hardware system; then processed with wavelet method and the energy features are extracted.In accordance with the information of energy features,the support vector machine model is established,the accuracy is tested.The SVM parameters are optimized with FOA,to get more accurate damage identification.The model identification result is compared with the result by using particle swarm optimization (PSO) and SVM.The simulation result indicates that the identification accuracy of FOA+SVM is more accurate.Precise identification of blade damage can be implemented by the method proposed.

Keywords:Wind turbine bladeDamage identificationWavelet processingSVAFOANew energyWind power generation

Neural networkIntelligent identification

0引言

風(fēng)電機組風(fēng)輪葉片是機組能量轉(zhuǎn)換的關(guān)鍵部件，在風(fēng)電機組安全運行中起重要作用[1]。葉片工作環(huán)境惡劣，定期人工維護困難，且維護成本高。因此，無論考慮降低運行風(fēng)險還是減少維護成本，研究風(fēng)機葉片損傷識別都具有一定的意義[2]。

近年來，人工智能識別方法在風(fēng)機葉片損傷識別中得到應(yīng)用。文獻[3]使用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)葉片不同損傷等級的識別；文獻[4]～[8]提取葉片聲發(fā)射信號的特性差別信息，建立模式識別模型實現(xiàn)模式識別。本文針對裂紋損傷和邊緣損傷，選用支持向量機(support vector machine,SVM)進行損傷識別。果蠅優(yōu)化算法(fruit fly optimization algorithm,FOA),具有適應(yīng)性強和速度快的特點，且在煤礦開采[9]、軸承故障診斷[10]、船舶操縱預(yù)報[11]等領(lǐng)域得到應(yīng)用，在風(fēng)機葉片損傷識別中還未得到應(yīng)用。本文使用果蠅優(yōu)化算法(FOA)優(yōu)化風(fēng)機葉片損傷識別模型，并從葉片損傷聲發(fā)射信號采集和數(shù)據(jù)模式識別兩部分進行研究，其中數(shù)據(jù)采集部分通過硬件完成，模式識別通過SVM實現(xiàn)。

1聲發(fā)射信號采集

風(fēng)機葉片直接面對風(fēng)能，將風(fēng)能轉(zhuǎn)換為自身旋轉(zhuǎn)的機械能，是風(fēng)力發(fā)電過程中最重要的一步，因此，檢測葉片的狀態(tài)特征信息是監(jiān)測其健康狀況的關(guān)鍵問題[12]。材料或結(jié)構(gòu)在外力作用下，其異常部位因應(yīng)力集中而產(chǎn)生變形或者斷裂等，并伴隨能量的快速釋放，產(chǎn)生瞬態(tài)彈性波現(xiàn)象，稱為聲發(fā)射[13](acoustic emission,AE)。與振動信號相比，聲發(fā)射信號的幅值大小和自身能量變化有關(guān)，與振動狀態(tài)無關(guān)，所以本文使用聲發(fā)射技術(shù)采集葉片損傷聲發(fā)射信號，避免因振動因素對損傷識別產(chǎn)生影響。信號采集的硬件系統(tǒng)結(jié)構(gòu)圖如圖1所示。

其中圖1(a)所示的是位于葉片上的聲發(fā)射信號采集和無線發(fā)送結(jié)構(gòu)圖，圖1(b)所示的是位于機艙中的信號無線接收以及和位于地面的上位機通信部分結(jié)構(gòu)圖。

圖1　系統(tǒng)硬件結(jié)構(gòu)示意圖

傳感器選用北京聲華SR150M聲發(fā)射傳感器，模數(shù)轉(zhuǎn)換選用維斯特公司的USB2.0數(shù)據(jù)采集卡，無線收發(fā)模塊選用JASK1000無線開發(fā)板，無線接收與上位機通過RS-485通信，上位機通過串口接收數(shù)據(jù)并處理數(shù)據(jù)。實驗對象是長度為1.5 m的小型玻璃鋼葉片，實驗的采樣頻率是500 kHz，采樣點數(shù)是4 096，對裂紋損傷和邊緣損傷兩類故障分別采集300組數(shù)據(jù)。人為模擬兩類損傷。對于裂紋損傷，先人為在葉片上制造一條裂紋，然后在裂紋處施加壓力，使其出現(xiàn)細小裂紋，產(chǎn)生聲發(fā)射信號并采集。對于邊緣損傷，使用外力擠壓葉片邊緣，使之產(chǎn)生塑性變形，產(chǎn)生聲發(fā)射信號并采集。選取兩類損傷具有代表性的聲發(fā)射信號，其波形如圖2所示。其中圖2(a)為裂紋損傷聲發(fā)射波形，圖2(b)為邊緣損傷聲發(fā)射波形。

圖2　聲發(fā)射信號波形

2果蠅優(yōu)化算法

果蠅優(yōu)化算法(FOA)是臺灣潘文超博士于2011年提出的一種基于果蠅覓食行為推演出尋求全局最優(yōu)化的方法，是群體智能的一種新方法，屬于演化式計算范疇，亦屬于人工智能領(lǐng)域。FOA在應(yīng)用上無領(lǐng)域限制，使用上非常靈活[14]。

果蠅尋優(yōu)流程圖如圖3所示。本文使用果蠅優(yōu)化算法優(yōu)化支持向量機參數(shù)。

圖3　果蠅優(yōu)化算法流程圖

果蠅以其超強的嗅覺和視覺優(yōu)于其他物種，可以大范圍內(nèi)搜尋空中的食物氣味，然后飛近食物后依靠敏銳的視覺發(fā)現(xiàn)食物。一個個體發(fā)現(xiàn)食物位置則果蠅群體將全部朝著這個方向飛去，最終找到食物。搜尋步驟如下。

① 隨機初始化果蠅群體位置：Xaxis、Yaxis。

② 設(shè)定果蠅個體搜尋食物的隨機方向和距離：

Xi=Xaxis+RrandomYi=Yaxis+Rrandom

③ 由于無法得知食物位置，因此先估計與原點的距離Ddist，再計算出味道濃度判定值S，此值為距離的倒數(shù)：

④ 味道濃度判定值Si代入到味道濃度判定函數(shù)(或稱為Fitnessfunction)中，求出該果蠅個體位置的味道濃度Ssmelli=F(Si)。

⑤ 求出此果蠅群體中味道濃度最高的果蠅(求極大值)[Bbestsmell,Bbestindex]=max(Ssmell)。

⑥ 保留最佳味道濃度值和x,y坐標，此時果蠅群體利用視覺朝該位置飛去：Ssmellbest=Bbestsmell。

Xaxis=X(Bbestindex)Yaxis=Y(Bbestindex)

⑦ 進行迭代尋優(yōu)，重復(fù)執(zhí)行步驟②～⑤，并判斷味道濃度是否優(yōu)于前一次迭代的味道濃度，若是則執(zhí)行步驟⑥。

3果蠅優(yōu)化算法優(yōu)化支持向量機模型

上位機接收數(shù)據(jù)后將對數(shù)據(jù)進行處理。為了建立支持向量機模型，提取故障信號的特征信息，作為支持向量機的輸入。本文利用Matlab作為工具處理數(shù)據(jù)。首先對數(shù)據(jù)進行[-1,1]歸一化處理，其映射關(guān)系如式(1)所示。

(1)

式中：x,y∈Rn；xmin=min(x);xmax=max(x)，歸一化后y∈[-1,1]。然后求取兩類信號的包絡(luò)譜，包絡(luò)譜反應(yīng)信號的頻譜分布，兩類代表性信號的包絡(luò)譜如圖4所示。其中圖4(a)為裂紋損傷信號的包絡(luò)譜，圖4(b)為邊緣損傷信號的包絡(luò)譜。

從圖4中可以發(fā)現(xiàn)，兩類損傷信號的聲發(fā)射頻率主要集中在[0,250 kHz]，而實驗采樣頻率量程為500 kHz，即故障頻率主要在前半段，得出故障信號的能量主要集中在前半部分。

根據(jù)對信號包絡(luò)譜的分析，將提取信號的前半段能量特征作為支持向量機的輸入。使用db5小波對故障信號進行4層分解，得到16個頻段，提取前8個頻段的8個能量值作為一組支持向量機的輸入。能量值通過式(2)求得。

(2)

式中：n為采樣點數(shù)；j=1,2,…,7。

利用能量特征向量建立支持向量機模型。本文針對葉片裂紋損傷和邊緣損傷兩類故障，選用二分類支持向量機。支持向量機分類思想是將輸入的特征向量通過決策面函數(shù)映射到高維空間，在高維空間中求出最大間隔分類面，實現(xiàn)模式識別。實現(xiàn)模式識別的關(guān)鍵是決策面函數(shù)的構(gòu)造。決策面函數(shù)為：

(3)

式中:K(xi,xj)為支持向量機的核函數(shù)，本文選用的核函數(shù)為徑向基函數(shù),K(xi,xj)=exp(-γ‖xi-xj‖2)，γ=1/σ2,σ為核參數(shù)；ai(i=1,2,…,n)是下列二次優(yōu)化問題的解。

(4)

(5)

式中:C為冗余參數(shù)；b通過使式(6)成立的樣本xj(即特征向量數(shù)據(jù))求得[15]。

(6)

將裂紋損傷作為一類故障，標簽設(shè)定為1；將邊緣損傷作為二類故障，標簽設(shè)定為2。模式識別使用LIBSVM工具箱，實驗對兩類損傷分別采集300組數(shù)據(jù)，通過數(shù)據(jù)處理分別提取出300組特征向量，其中200組作為訓(xùn)練集，建立支持向量機模型，剩余100組作為測試集，測試模型預(yù)測的準確率。使用粒子群優(yōu)化算法(particle swarm optimization,PSO)對支持向量機參數(shù)(c,g)進行求取，粒子群種群數(shù)量為20，迭代次數(shù)為100，利用求取的參數(shù)建立支持向量機模型，并測試模型分類的準確率。分類的結(jié)果為185/200，準確率為92.5%；使用粒子群優(yōu)化算法求取的支持向量機參數(shù)(c,g)分別為(57.224 2,0.01)。兩類損傷各自的誤判結(jié)果如表1所示。

表1　兩類損傷的分類結(jié)果

(7)

式中:n1為各個訓(xùn)練集中果蠅數(shù)目;yij為真實值;f(xij)為支持向量機預(yù)測值。

尋找果蠅群體中味道濃度的最小值，[bF,BI]=min(F)，其中bF為F的最小值，bI為F最小值所處的位置。保留最佳濃度值和果蠅位置，其他果蠅利用視覺向該位置飛去，F(xiàn)best=bF，X1=(bI)，Y1=Y(bI)。重復(fù)尋優(yōu)過程，當味道濃度優(yōu)于前一次味道濃度時，則更新果蠅位置;否則繼續(xù)尋優(yōu)。當達到最大迭代次數(shù)時，尋優(yōu)過程結(jié)束。預(yù)測值與真實值之間的均方根誤差(root mean squared error,RMSE)變化如圖5所示。

圖5　FOA尋優(yōu)過程RMSE變化圖

從圖5可以看出，果蠅尋優(yōu)在第3次迭代時，均方根誤差收斂到最小，即第3次迭代時的濃度值最佳，對應(yīng)的位置最優(yōu)，求出的參數(shù)(c,g)分別為(52.021 7,0.03)，優(yōu)化后的分類結(jié)果為191/200，準確率為95.5%。果蠅優(yōu)化后的兩類損傷各自誤判結(jié)果如表2所示。

表2　優(yōu)化后兩類損傷的分類結(jié)果

從表2可以看出，參數(shù)優(yōu)化后，兩類損傷故障的誤判數(shù)明顯減少。使用果蠅優(yōu)化算法優(yōu)化支持向量機參數(shù)與使用粒子群優(yōu)化算法優(yōu)化相比，前者優(yōu)化后能減

少誤判數(shù)，顯著提高模式識別的準確度。

4結(jié)束語

本文利用聲發(fā)射技術(shù)監(jiān)測葉片狀態(tài)，使用無線通信方式傳輸信號。實驗結(jié)果表明，系統(tǒng)信號采集和無線傳輸可靠；同時無線技術(shù)解決了有線檢測的纏線問題，為旋轉(zhuǎn)部件狀態(tài)監(jiān)測提供方法。

本文利用故障信號的能量特征建立支持向量機模型，利用果蠅優(yōu)化算法優(yōu)化支持向量機參數(shù)，并與粒子群優(yōu)化算法優(yōu)化相比較。結(jié)果表明，使用果蠅優(yōu)化算法優(yōu)化參數(shù)，增加了損傷分類的準確度，提高了模式識別的準確率，能夠完成對葉片損傷的識別。

參考文獻

[1] 胡燕平,戴巨川,劉德順.大型風(fēng)力機葉片研究現(xiàn)狀與發(fā)展趨勢[J].機械工程學(xué)報,2013,49(20):140-151.

[2] 郭萬龍.大型風(fēng)電機組葉片損壞原因與對策[J].電力安全技術(shù),2014,16(5):10-13.

[3] Anastassopoulos A,Kouroussis D A,Nikolaidis V N,et al.Structural integrity evaluation of wind turbine blades using pattern recognition analysis on acoustic emission data[J].Journal of Acoustic Emission,2003(20):229-237.

[4] 曲弋,陳長征,吳昊,等.基于聲發(fā)射和神經(jīng)網(wǎng)絡(luò)的風(fēng)機葉片裂紋識別研究[J].機械設(shè)計與制造,2012(3):152-154.

[5] 曲弋.MW級風(fēng)力發(fā)電機組關(guān)鍵部件振動分析與故障診斷方法研究[D].沈陽:沈陽工業(yè)大學(xué),2012.

[6] 杜文超.基于聲發(fā)射技術(shù)的大型風(fēng)力機葉片材料的損傷研究[D].南京:南京航空航天大學(xué),2011.

[7] 韓敬宇.基于聲發(fā)射技術(shù)的風(fēng)電葉片裂紋無線監(jiān)測系統(tǒng)研究[D].北京:北京化工大學(xué),2010.

[8] 袁洪芳,周璐,柯細勇,等.基于聲發(fā)射信號的風(fēng)機葉片裂紋定位分析[J].計算機工程與設(shè)計,2011,32(1):320-323.

[9] 王素英,張喆,趙悅品.果蠅算法融合SVM的開采沉陷預(yù)測模型[J].煤礦安全,2014,45(5):43-46.

[10]張翔,陳林.基于果蠅優(yōu)化算法的支持向量機故障診斷[J].電子設(shè)計工程,2013,21(16):90-93.

[11]王雪剛,鄒早建.基于果蠅優(yōu)化算法的支持向量機參數(shù)優(yōu)化在船舶操縱預(yù)報中的應(yīng)用[J].上海交通大學(xué)學(xué)報,2013,47(6):884-888.

[12]崔曉偉.風(fēng)力發(fā)電機葉片疲勞測試機的仿真研究與設(shè)計[D].上海:華東理工大學(xué),2014.

[13]程靜,王維慶,何山.風(fēng)電機組噪聲檢測及故障診斷研究[J].自動化儀表,2014,35(3):39-41.

[14]潘文超.果蠅最佳化演算法[M].臺灣:滄海書局,2011:9-14.

[15]張學(xué)工.模式識別[M].3版.北京:清華大學(xué)出版社,2010:104-110.

中圖分類號：TH878;TP211+.2

文獻標志碼：A

DOI:10.16086/j.cnki.issn1000-0380.201602003

甘肅省高等學(xué)?？蒲谢鹳Y助項目(編號：42015274)；

蘭州交通大學(xué)科技支撐基金資助項目(編號：ZC2012008)。

修改稿收到日期：2015-05-29。

第一作者顧桂梅(1970-)，女，2005年畢業(yè)于蘭州交通大學(xué)交通信息工程及控制專業(yè)，獲碩士學(xué)位，副教授；主要從事故障診斷、智能信息處理的研究。