改進(jìn)陰性選擇算法的風(fēng)機(jī)振動(dòng)故障診斷方法

鄔春明　銀海燕

東北電力大學(xué),吉林,132012

改進(jìn)陰性選擇算法的風(fēng)機(jī)振動(dòng)故障診斷方法

鄔春明銀海燕

東北電力大學(xué),吉林,132012

摘要：為了正確、快速地判斷風(fēng)電機(jī)組振動(dòng)故障類型,減小其對(duì)發(fā)電效率及人身財(cái)產(chǎn)安全的影響，提出了一種改進(jìn)型陰性選擇算法。在傳統(tǒng)的陰性選擇算法中引入馬氏距離進(jìn)行振動(dòng)數(shù)據(jù)的初步篩選，并將算法應(yīng)用于風(fēng)電機(jī)組振動(dòng)故障的預(yù)測(cè)。研究結(jié)果表明,改進(jìn)的陰性選擇算法可以更為快速、準(zhǔn)確地判斷風(fēng)電機(jī)組振動(dòng)的故障類型，診斷正確率達(dá)到97.5%,從而提高了風(fēng)電機(jī)組運(yùn)行的可靠性和發(fā)電效率。

關(guān)鍵詞:馬氏距離;陰性選擇;風(fēng)電機(jī)組;故障診斷

0引言

風(fēng)電機(jī)組的振動(dòng)故障不但降低了風(fēng)電機(jī)的發(fā)電效率而且影響其自身的安全運(yùn)行,甚至可能造成財(cái)產(chǎn)損失,殃及人身安全,因此,配置實(shí)時(shí)的風(fēng)電機(jī)組振動(dòng)故障檢測(cè)預(yù)警系統(tǒng)是科研人員不斷研究開(kāi)發(fā)的重要課題。

國(guó)外的故障檢測(cè)技術(shù)起初用于航空航天系統(tǒng)的故障監(jiān)測(cè)預(yù)警、數(shù)據(jù)預(yù)測(cè)和故障類型診斷等方面，然后逐漸擴(kuò)散到各領(lǐng)域的機(jī)組設(shè)備上[1]。我國(guó)風(fēng)電機(jī)組振動(dòng)故障在線監(jiān)測(cè)技術(shù)還處于起步階段，主要是在吸收一些國(guó)外先進(jìn)技術(shù)的基礎(chǔ)上逐漸發(fā)展起來(lái)的，其中較先進(jìn)的算法是人工免疫算法。算法中的陰性選擇機(jī)理?yè)碛谐瑥?qiáng)的記憶與學(xué)習(xí)能力，具有訓(xùn)練時(shí)間短、所需故障樣本少、對(duì)故障感應(yīng)能力強(qiáng)等優(yōu)點(diǎn)，受到國(guó)內(nèi)外研究人員的關(guān)注。本文通過(guò)建立改進(jìn)的陰性選擇算法數(shù)學(xué)模型,來(lái)提高風(fēng)電機(jī)組振動(dòng)故障檢測(cè)的準(zhǔn)確性，大大縮短了算法的運(yùn)算時(shí)間，有效提高了風(fēng)電機(jī)組的可靠性和發(fā)電效率。

1陰性選擇算法

陰性選擇算法[2]作為人工免疫系統(tǒng)的重要分支之一,由Forrest等首次提出,通過(guò)模擬淋巴細(xì)胞的產(chǎn)生過(guò)程生成檢測(cè)器,用于區(qū)分“自我/非我”，并成功應(yīng)用于異常檢測(cè)系統(tǒng)。信息安全領(lǐng)域的眾多問(wèn)題(如病毒檢測(cè)、入侵檢測(cè)等)可轉(zhuǎn)化為免疫系統(tǒng)中區(qū)分自我和非我的過(guò)程[3]。

1.1問(wèn)題定義

定義1:機(jī)組正常工作的監(jiān)測(cè)數(shù)據(jù)稱為自我空間,記為S。

定義2:機(jī)組故障的監(jiān)測(cè)數(shù)據(jù)稱為故障類型空間,記為M。M=(M1,M2,…,Mn),Mi(i=1,2,…,n)為第i類故障類型，n為已知故障類型個(gè)數(shù)。

定義3：表示機(jī)組故障類型的待測(cè)數(shù)據(jù)稱為非己向量，記為N。

定義4：將非己向量N按故障類型的獨(dú)有特征和共有特征劃分，即N=N1∪N2∪…∪Nn∪N0。其中N0為兩個(gè)或兩個(gè)以上故障類型公共特征向量,Ni(i=1,2,…,n)為第i類故障類型的特有空間。

1.2算法概述

陰性選擇算法可以概括為以下幾步[4]:

(1)產(chǎn)生與自我向量S不相配的檢測(cè)器向量R，使檢測(cè)器向量R檢測(cè)不到自我向量，只能檢測(cè)非己向量的特征。

(3)用優(yōu)化后的檢測(cè)器向量R′來(lái)監(jiān)測(cè)自我向量S，如檢測(cè)器向量與自我向量匹配,則認(rèn)為S發(fā)生改變。

(4)監(jiān)測(cè)檢測(cè)器對(duì)應(yīng)R′中的故障類型,可以診斷設(shè)備存在哪種故障。

2陰性選擇算法的改進(jìn)

2.1馬氏距離算法

馬氏距離算法引入了待測(cè)樣本間的協(xié)方差,以測(cè)試兩組待測(cè)數(shù)據(jù)相匹配的程度。該算法考慮數(shù)據(jù)樣本的特征關(guān)系更為全面，尤其對(duì)于具有測(cè)試數(shù)據(jù)丟失類型的判別，能夠得到較為切合實(shí)際的推斷結(jié)果,是一種很好的多元、非線性、多特征屬性的綜合評(píng)價(jià)方法[5]。

d2(Y,M′)=(Y-μ)TR(Y-μ)

(1)

(2)

2.2免疫系統(tǒng)中的親和度

在免疫系統(tǒng)中，抗原-抗體相互結(jié)合程度由它們的親和度(也稱親和力)來(lái)衡量,即測(cè)試數(shù)據(jù)與歷史數(shù)據(jù)的親密程度,從而來(lái)判斷待測(cè)數(shù)據(jù)是何種故障類型[6]。由此故障模式檢測(cè)器R′與待測(cè)故障樣本Y之間的匹配程度，即親和度aij為

(3)

式中,ai j為介于0和1之間常數(shù),ai j越大,Y與M′越匹配。

2.3算法改進(jìn)的步驟

(1)根據(jù)故障診斷案例向量確定測(cè)量的范圍[7]。

(2)將歷史正常數(shù)據(jù)定義為自我向量S,將歷史故障數(shù)據(jù)定義為非己串N。

(3)在自我空間檢測(cè)產(chǎn)生候選檢測(cè)器R,在歷史故障空間訓(xùn)練產(chǎn)生優(yōu)秀故障模式檢測(cè)器R′。

(4)產(chǎn)生待測(cè)數(shù)據(jù)串即抗體向量Y。

(5)給定常數(shù)n,當(dāng)待測(cè)數(shù)據(jù)d2(Y,M′)>n時(shí),證明有故障產(chǎn)生,執(zhí)行步驟(6)。否則，證明沒(méi)有故障產(chǎn)生，將數(shù)據(jù)轉(zhuǎn)入步驟(2)的自我向量S。

(6)判斷抗體數(shù)目是否達(dá)到預(yù)設(shè)值。如果是，則執(zhí)行步驟(7)；如果不是，則跳轉(zhuǎn)到步驟(5)。

(7)將訓(xùn)練好的優(yōu)秀檢測(cè)器R′與步驟(6)中輸出的數(shù)據(jù)按照陰性選擇機(jī)制來(lái)監(jiān)測(cè)，當(dāng)親和度ai j在某類故障范圍內(nèi)時(shí)，則認(rèn)為S已發(fā)生變化，說(shuō)明待測(cè)數(shù)據(jù)與檢測(cè)器M中的某種故障類型相匹配，這樣就可以判斷機(jī)組產(chǎn)生了何種故障類型。

3實(shí)驗(yàn)驗(yàn)證與仿真分析

3.1標(biāo)準(zhǔn)與實(shí)驗(yàn)條件

按照德國(guó)工程師協(xié)會(huì)發(fā)布的《VDI3834風(fēng)電標(biāo)準(zhǔn)》[8]以及國(guó)家能源局發(fā)布的《風(fēng)力發(fā)電機(jī)組振動(dòng)狀態(tài)監(jiān)測(cè)導(dǎo)則》[9],風(fēng)力發(fā)電機(jī)特定運(yùn)行條件、風(fēng)力強(qiáng)度和流動(dòng)方向的變化，以及可能發(fā)生的海浪排擠海上風(fēng)機(jī)引起額外激勵(lì)，導(dǎo)致持續(xù)變化的振動(dòng)激勵(lì)，其結(jié)果是測(cè)量值的短暫變動(dòng)，并有頻繁的振幅跳躍，因此，將測(cè)量值在特定時(shí)間段內(nèi)取平均值生成特征參數(shù)，以平衡波動(dòng)，對(duì)于風(fēng)力發(fā)電機(jī)來(lái)說(shuō)是絕對(duì)必要的。高溫或強(qiáng)磁場(chǎng)環(huán)境振動(dòng)狀態(tài)監(jiān)測(cè)應(yīng)優(yōu)先選擇加速度傳感器，風(fēng)電機(jī)組滾動(dòng)軸承和齒輪箱的狀態(tài)監(jiān)測(cè)應(yīng)選擇加速度傳感器?？山邮艿臏y(cè)量應(yīng)在垂直徑向、徑向水平和軸向，并需要20%的最低負(fù)荷。

本文選用某風(fēng)電場(chǎng)運(yùn)行3年的一臺(tái)GE77-1500型正常機(jī)組和一臺(tái)同型號(hào)的故障機(jī)組進(jìn)行實(shí)驗(yàn)。主要采用AC102低速加速度傳感器和AC135高速加速度傳感器來(lái)采集正常運(yùn)行工況下齒輪箱和發(fā)電機(jī)相關(guān)部位的加速度數(shù)據(jù)。將采集到的數(shù)據(jù)首先用小波軟閾值去噪方法進(jìn)行去噪處理，低速加速度傳感器測(cè)得的數(shù)據(jù)每10min取一次平均值，高速加速度傳感器每1min取一次平均值。然后將均值數(shù)據(jù)按下式進(jìn)行歸一化處理,即

(4)

3.2實(shí)驗(yàn)仿真及結(jié)果分析

首先,選取處理后的10組故障數(shù)據(jù)與5組正常數(shù)據(jù)進(jìn)行訓(xùn)練，如表1～表3所示。表中,m1、m2、m3為齒輪箱輸入垂直、水平、軸向加速度；m4、m5為齒輪箱內(nèi)齒圈垂直、水平加速度;m6、m7為齒輪箱低速軸垂直、水平加速度;m8、m9、m10為齒輪箱中間軸垂直、水平、軸向加速度；m11、m12為齒輪箱高速軸垂直、水平加速度；m13、m14、m15為發(fā)電機(jī)驅(qū)動(dòng)端垂直、水平、軸向加速度;m16、m17為發(fā)電機(jī)非驅(qū)動(dòng)端垂直、水平加速度。

表1　齒輪箱中間軸故障樣本

表2　發(fā)電機(jī)軸承故障樣本

表3　正常數(shù)據(jù)樣本

其次，隨機(jī)選擇1000組歸一化的正常數(shù)據(jù)與17階零矩陣進(jìn)行馬氏距離計(jì)算，計(jì)算結(jié)果如圖1所示。圖1中測(cè)量正常范圍馬氏距離閾值n=1.9130。當(dāng)n<1.9130時(shí)為正常數(shù)據(jù),當(dāng)n>1.9130時(shí)為故障數(shù)據(jù)。通過(guò)馬氏距離計(jì)算可以排除大量的正常數(shù)據(jù)，僅對(duì)少量故障數(shù)據(jù)進(jìn)行分類。

將6組測(cè)試數(shù)據(jù)進(jìn)行歸一化處理，如表4所示。其中,*代表正常數(shù)據(jù);1代表齒輪箱中間軸故障數(shù)據(jù); 2代表發(fā)電機(jī)軸承故障數(shù)據(jù)。利用親和度進(jìn)行故障分類判斷，其中包括故障一數(shù)據(jù)兩組(標(biāo)注“1”)、故障二數(shù)據(jù)兩組(標(biāo)注“2”)、正常數(shù)據(jù)兩組(標(biāo)注“3”)，判斷結(jié)果如表5所示。

圖1　1000組正常數(shù)據(jù)的馬氏距離

表4　測(cè)試數(shù)據(jù)

表5　故障診斷結(jié)果

圖2　故障數(shù)據(jù)親和度

故障數(shù)據(jù)親和度如圖2所示。故障數(shù)據(jù)親和度在[0,0.4]與[0.6,0.7]范圍內(nèi),故障點(diǎn)明顯聚集在一起,能夠清楚地分辨出兩種故障類型。在親和度大約等于0.5處有一個(gè)點(diǎn)沒(méi)有被識(shí)別出,可計(jì)算出故障診斷的正確率為39/40=97.5%。與文獻(xiàn)[6]中采用引入“疫苗”的人工免疫算法相比,正確率提高了2.5%。

最后,通過(guò)選取500組、1000組、2000組包含故障的數(shù)據(jù)進(jìn)行實(shí)驗(yàn),BP神經(jīng)網(wǎng)絡(luò)算法及本文所提算法改進(jìn)前后所用時(shí)間的對(duì)比如圖3所示。由圖3可知,BP神經(jīng)網(wǎng)絡(luò)算法所用時(shí)間分別為0.582s、1.158s、1.716s;改進(jìn)前的陰性選擇算法所用時(shí)間分別為0.562s、1.124s、1.686s，改進(jìn)后陰性選擇算法所用時(shí)間分別為0.136s、0.345s、0.621s。通過(guò)對(duì)比可知,改進(jìn)后的算法與改進(jìn)前的算法及傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法相比節(jié)約了大量時(shí)間，而且數(shù)據(jù)量越大，結(jié)果越明顯。

圖3　三種算法所用時(shí)間對(duì)比

4結(jié)語(yǔ)

在風(fēng)電機(jī)組振動(dòng)故障診斷中，機(jī)組大部分的時(shí)間都是處于正常運(yùn)行狀態(tài)，所以加入馬氏距離進(jìn)行初步的篩選就顯得尤為必要，同時(shí)用兩種算法進(jìn)行故障診斷也提高了診斷精度。將加入了馬氏距離的陰性選擇算法應(yīng)用于風(fēng)電機(jī)組振動(dòng)故障診斷中，不僅提高了故障診斷的準(zhǔn)確率，而且還節(jié)約了大量的時(shí)間，數(shù)據(jù)量越大，算法的優(yōu)越性就越明顯。

參考文獻(xiàn):

[1]劉文藝.風(fēng)電機(jī)組振動(dòng)監(jiān)測(cè)與故障診斷研究[D].重慶：重慶大學(xué)，2010.

[2]劉忠,周建中,張勇傳,等.基于免疫原理的水電機(jī)組故障診斷方法[J].水力發(fā)電,2007,33(3):54-56.

LiuZhong,ZhouJianzhong,ZhangYongchuan,etal.FaultDiagnosisMethodofHydro-generatingUnitBasedonIimmunologyPrinciples[J].WaterPower,2007,33(3):54-56.

[3]蘆天亮,鄭康鋒,傅蓉蓉,等.基于陰性選擇算法的異常檢測(cè)系統(tǒng)黑洞覆蓋優(yōu)化[J].通信學(xué)報(bào)，2013,34(1):128-135.

LuTianliang,ZhengKangfeng,FuRongrong,etal.AnomalyDetectionSystemwithHoleCoverageOptimizationBasedonNegativeSelectionAlgorithm[J].JournalofCommunications,2013,34(1):128-135.

[4]張清華.基于人工免疫系統(tǒng)的機(jī)組故障診斷技術(shù)研究[D].廣州：華南理工大學(xué),2004.

[5]馮翔.基于馬氏距離算法的配電網(wǎng)故障定位系統(tǒng)研究[J].水電能源科學(xué),2012,30(9):165-167.

FengXiang.StudyonDistributionNetworkFaultLocationSystemBasedonMahalanobisDistanceAlgorithm[J].WaterResourcesandPower,2012,30(9):165-167.

[6]韓中合,王峰,郝曉冬.基于人工免疫算法的機(jī)組振動(dòng)故障診斷方法[J].華北電力大學(xué)學(xué)報(bào),2010,37(5):38-42.

HanZhonghe,WangFeng,HaoXiaodong.FaultDiagnosisofTurbineVibrationBasedonArtificialImmuneAlgorithm[J].JournalofNorthChinaElectricPowerUniversity,2010,37(5):38-42.

[7]徐克虎,黃大山,王天召.改進(jìn)的人工免疫算法求解武器目標(biāo)分配問(wèn)題[J].系統(tǒng)工程與電子技術(shù)，2013,35(10):2121-2126.

XuKehu,HuangDashan,WangTianzhao.ImprovedArtificialImmuneAlgorithmforSolvingWeapon-targetAssignmentProblems[J].SystemEngineeringandElectronics,2013,35(10):2121-2126.

[8]TheAssociationofGermanEngineers.VDI3834Part1.MeasurementandEvaluationoftheMechanicalVibrationofWindTurbineandTheirComponents[S].Berlin:VerlagDesVereinsDeutscherIngenieurePublications,2009．

[9]國(guó)家能源局.NB/T31004-2011.風(fēng)力發(fā)電機(jī)組振動(dòng)狀態(tài)監(jiān)測(cè)導(dǎo)則[S].北京:中國(guó)電力出版社，2011.

(編輯王艷麗)

FaultDiagnosisMethodforWindTurbineVibrationBasedonImprovedNegativeSelectionAlgorithm

WuChunmingYinHaiyan

NortheastDianliUniversity,Jilin,Jilin,132012

Abstract:In order to correctly judge wind turbine vibration fault types,reduce its impacts on power generation efficiency and personal property safety,this paper proposed an improved algorithm.In the traditional negative selection algorithm Mahalanobis distance was introduced for preliminary screening of vibration data,and the prediction algorithm was applied to the wind turbine vibration faults.At the same time with the two algorithms the diagnostic accuracy of fault diagnosis was improved.Studies show that the improved negative selection algorithm can be more quickly and accurately determine the fault type units and the diagnostic accuracy of 97.5% are achieved.And it can improve the wind turbine operation reliability and power efficiency.

Key words:Mahalanobis distance;negative selection;wind turbine;fault diagnosis

收稿日期：2015-02-09

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61301257)；吉林省科技發(fā)展計(jì)劃資助項(xiàng)目(2013020605GX)；吉林省教育廳“十二五”科學(xué)技術(shù)研究項(xiàng)目(吉教科合字[2015]第250號(hào))

中圖分類號(hào):TP181;TP391

DOI：10.3969/j.issn.1004-132X.2016.04.010

作者簡(jiǎn)介：鄔春明，男，1966年生。東北電力大學(xué)信息工程學(xué)院教授。主要研究方向?yàn)橹悄茈娋W(wǎng)信息技術(shù)、故障診斷技術(shù)。銀海燕,女,1989年生。東北電力大學(xué)信息工程學(xué)院碩士研究生。