基于EMD-GANN的風(fēng)力發(fā)電機(jī)齒輪箱故障診斷

唐　珂，　謝　源，　曾明杰，　高志飛，　徐永斌，　汪永海

(1. 上海電機(jī)學(xué)院 電氣學(xué)院, 上海 201306；2. 辰闊機(jī)電科技(上海)有限公司, 上海 200240)

基于EMD-GANN的風(fēng)力發(fā)電機(jī)齒輪箱故障診斷

唐珂1，謝源1，曾明杰1，高志飛1，徐永斌1，汪永海2

(1. 上海電機(jī)學(xué)院 電氣學(xué)院, 上海 201306；2. 辰闊機(jī)電科技(上海)有限公司, 上海 200240)

摘要基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)，研究了一種風(fēng)力發(fā)電機(jī)組齒輪箱的故障診斷方法。使用EMD將齒輪箱振動信號序列分解成一系列內(nèi)蘊(yùn)模式函數(shù)分量(IMF)；然后提取各分量的特征參數(shù)，對特征參數(shù)采用主成分分析法進(jìn)行降維處理；使用降維后的特征參數(shù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，建立故障診斷模型；在訓(xùn)練過程中，采用了遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。仿真實(shí)驗(yàn)表明，該模型能有效提取振動信號的主要特征，完成對風(fēng)力發(fā)電機(jī)組齒輪箱故障的診斷，效果良好。

關(guān)鍵詞齒輪箱; 經(jīng)驗(yàn)?zāi)B(tài)分解; 遺傳算法; 神經(jīng)網(wǎng)絡(luò); 故障診斷

風(fēng)力發(fā)電機(jī)組單機(jī)容量越大，整套系統(tǒng)就越復(fù)雜，一旦發(fā)生故障造成停機(jī)的損失就越大[1]。在風(fēng)力發(fā)電機(jī)組的傳動鏈系統(tǒng)中，齒輪箱是核心部件之一，承受了巨大的負(fù)載，受風(fēng)力隨機(jī)性的影響負(fù)荷處于交變狀態(tài)[2]。齒輪箱也是風(fēng)力發(fā)電機(jī)組中故障率最高的部件之一，其技術(shù)參數(shù)、工作性能、可靠性對整個(gè)傳動鏈系統(tǒng)至關(guān)重要。因此，對齒輪箱故障做出快速、有效的診斷，可大大縮短故障維護(hù)造成的停機(jī)時(shí)間，保證風(fēng)電機(jī)組的供電可靠性和安全性。

統(tǒng)計(jì)表明[3]，在常見的齒輪箱故障中，齒裂故障約占41%，齒面疲勞(如點(diǎn)蝕、剝落等)造成的故障約占31%，齒面劃痕引起故障約占10%，齒面磨損約占10%，其他故障如齒面龜裂、腐蝕、塑性變形等約占8%；主要由制造缺陷、安裝不當(dāng)、磨損、工況環(huán)境差等原因造成。齒輪箱故障會加大機(jī)組振動，使軸承壽命降低。因此，齒輪箱的振動情況直接反映著設(shè)備的運(yùn)行狀態(tài)[4]。通過監(jiān)測設(shè)備的振動情況、分析振動數(shù)據(jù)可以判定機(jī)組的運(yùn)行狀態(tài)，查找并發(fā)現(xiàn)故障，及時(shí)排除隱患，以達(dá)到安全運(yùn)行的目的[5]。

目前，國內(nèi)外學(xué)者通過分析機(jī)組振動信號進(jìn)行齒輪箱故障診斷取得了許多成果。文獻(xiàn)[6-9]中，對齒輪箱振動信號采用時(shí)域特征參數(shù)(均值、方差、最值、均方根值)分析、幅值譜分析、倒頻譜、奇異值分解等方法，分析比較了正常信號與故障信號，從而診斷出齒輪箱的故障狀況。文獻(xiàn)[10]中通過經(jīng)驗(yàn)?zāi)B(tài)分解(Empiricad Mode Decomposition, EMD)和Hilbert譜對齒輪箱振動信號進(jìn)行分析，完成了故障診斷，診斷效果較連續(xù)小波變換更加高效，但未結(jié)合智能算法進(jìn)行深入研究。此外，還有模糊理論、支持向量機(jī)、灰色理論和神經(jīng)網(wǎng)絡(luò)等[11-13]基于人工智能的故障診斷方法，在齒輪箱故障診斷研究中取得了不錯(cuò)的診斷效果。本文研究了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)(Genetic Algorithm Neural Network, GANN)結(jié)合的風(fēng)力發(fā)電機(jī)組齒輪箱故障診斷方法，得到了較好的故障診斷效果。

1經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)

EMD可以將復(fù)雜的非平穩(wěn)、非線性的時(shí)變序列分解成有限多個(gè)獨(dú)立的內(nèi)蘊(yùn)模式函數(shù)分量(Intrinsic Mode Functions, IMF)[14]。IMF能夠清晰地分辨出交疊復(fù)雜的內(nèi)蘊(yùn)模式，故針對齒輪箱非線性、非平穩(wěn)的振動數(shù)據(jù)可以用EMD進(jìn)行信號處理。采用EMD可以將振動信號數(shù)據(jù)逐級分解，得到多組獨(dú)立不相關(guān)的IMF序列。與原振動數(shù)據(jù)相比，IMF序列具有明顯的規(guī)律性。

對振動數(shù)據(jù)時(shí)間序列進(jìn)行EMD步驟如下：

(1) 識別信號x(t)中所有的極值點(diǎn)，采用3次樣條插值法，將所有的極大值點(diǎn)擬合形成數(shù)據(jù)上包絡(luò)線E1(t)，所有極小值點(diǎn)擬合形成下包絡(luò)線E2(t)。

(2) 計(jì)算上、下包絡(luò)線的平均值為

m1(t)=(E1(t)+E2(t))/2

(1)

(3) 計(jì)算h1(t)=x(t)-m1(t)。

(4) 判斷h1(t)是否滿足IMF條件，若滿足，則h1(t)就是x(t)的第1個(gè)IMF；否則，將h1(t)作為x(t)重復(fù)迭代步驟(1)～(3)，直到第k次，h1k(t) 滿足IMF條件。記c1(t)=h1k(t)，c1(t)為振動信號序列x(t)的第1組IMF分量，即x(t)中最短周期分量。

(5) 從原始振動信號中去除c1(t)，記作r1(t)，即

r1(t)=x1(t)-c1(t)

(2)

(6) 對r1(t)重復(fù)步驟(1)～(5)，直到n次后，rn(t)中沒有極大和極小值或|rn(t)|很小，結(jié)束分解。

因此，振動信號x(t)經(jīng)EMD分解后得到多個(gè)IMF和一組余量，即

(3)

故

(4)

2基于EMD-GANN的齒輪箱故障診斷

利用EMD可以將振動信號中交疊的IMF分量分離出來，但仍不能識別故障，且IMF分量的數(shù)據(jù)量龐大，故識別風(fēng)力發(fā)電機(jī)組齒輪箱的故障類型還需要進(jìn)一步提取和分析IMF的特征參數(shù)。針對復(fù)雜的非線性的系統(tǒng)識別，遺傳算法優(yōu)化的反向誤差傳播(Back Error Propagation, BP)神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的全局搜索能力、強(qiáng)魯棒性、適用于并行處理，其收斂的有效性也得到了理論與實(shí)踐的檢驗(yàn)[13]。利用已知的數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，找到輸入和輸出間的內(nèi)在聯(lián)系，不依賴先驗(yàn)性的知識和規(guī)則，具有很強(qiáng)的適應(yīng)性。因此，將EMD和GANN相結(jié)合可以有效地解決風(fēng)力發(fā)電機(jī)組齒輪箱故障識別的問題。

齒輪箱振動信號的特征參數(shù)包含著齒輪箱運(yùn)行狀態(tài)的信息。在實(shí)驗(yàn)室中，采集齒輪箱正常和高發(fā)、且具有典型特征的斷齒、點(diǎn)蝕和齒面裂紋3種故障狀態(tài)的振動信號；然后，利用MATLAB軟件進(jìn)行編程并運(yùn)行；對振動信號做EMD處理，得到它們相應(yīng)的IMF，并提取特征值建立特征參數(shù)集，根據(jù)其維數(shù)確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。本文建立的EMD-GANN故障診斷模型選擇3層BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練時(shí)，利用遺傳算法求取BP神經(jīng)網(wǎng)絡(luò)的權(quán)重，將計(jì)算結(jié)果與實(shí)際值的絕對值之差求和后作為適應(yīng)度評價(jià)；對適應(yīng)度排序，選擇適應(yīng)度評價(jià)高的個(gè)體作為父代個(gè)體交換部分基因編碼串，以此產(chǎn)生新個(gè)體完成交叉操作。隨機(jī)選擇種群中一個(gè)個(gè)體，按照變異概率(0.7 除以染色體結(jié)構(gòu)的長度)改變該個(gè)體編碼串的值，產(chǎn)生新個(gè)體完成變異操作。GANN算法流程如圖1所示。

本文建立的基于EMD-GANN的故障診斷模型進(jìn)行故障診斷的步驟如下：

(1) 根據(jù)采集的風(fēng)力發(fā)電機(jī)齒輪箱正常和故障情況下的振動信號數(shù)據(jù)，采用EMD得到多個(gè)代表單一、簡單、獨(dú)立振蕩模式的IMF。

(2) 選取主要的IMF提取均方根、峭度、峰值因子和裕度因子的特征參數(shù)[7]，得到正常和故障情況下的振動信號的IMF的特征信號數(shù)據(jù)集。

(3) 由于特征參數(shù)組成集合的維度較高，信息冗余度大，故利用主成分分析法對特征參數(shù)集進(jìn)行降維處理，既可簡化工作量，又可優(yōu)化神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)個(gè)數(shù)，減少了運(yùn)算時(shí)間。本文采用主分量分析法，對由步驟(2)得到的數(shù)據(jù)集合進(jìn)行降維處理。

(4) 建立BP神經(jīng)網(wǎng)絡(luò)，以降維參數(shù)作為輸入樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

(5) 通過遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，完善BP神經(jīng)網(wǎng)絡(luò)。

(6) 將振動信號數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)分析，判斷是否發(fā)生故障，確定故障發(fā)生的類型。

EMD-GANN風(fēng)力發(fā)電機(jī)機(jī)組齒輪箱故障診斷流程如圖2所示。

圖2　EMD-GANN風(fēng)力發(fā)電機(jī)組齒輪箱故障識別流程Fig.2　Flow chart of EMD-GANN fault diagnosis for wind turbine gearbox

3實(shí)驗(yàn)及分析

在實(shí)驗(yàn)室中，從一臺正在運(yùn)行的處于故障狀態(tài)的風(fēng)力發(fā)電機(jī)組齒輪箱上測得振動信號。振動信號采集設(shè)備為位移傳感器，安裝于齒輪箱箱體。本文以齒輪箱斷齒故障為例，采集到的原始數(shù)據(jù)如圖3所示。通過EMD得到IMF，圖4為前1～8個(gè)IMF。

由圖可見，前7組IMF幾乎包含了斷齒故障信號的全部能量，故選取前7組的IMF分別提取均方根、峭度、峰值因子和裕度因子作為特征參數(shù)(見表1)。

圖3　斷齒信號時(shí)頻圖譜Fig.3　Spectrogram of signal from broken gears

圖4　斷齒信號IMF(第1～8個(gè))Fig.4　Intrinsic mode function 1～8 of signal from broken gears

表1　斷齒信號內(nèi)蘊(yùn)模態(tài)分量特征參數(shù)

由表1可知，特征參數(shù)組成的集合維度較高，信息冗余度大。本文使用主成分分析法將表1的參數(shù)進(jìn)行降維處理，得到的主成分的特征值和累計(jì)貢獻(xiàn)率如表2所示。

表2　主成分的特征值和累計(jì)貢獻(xiàn)率

由表2可知，前5組主成分參數(shù)已經(jīng)包含了原數(shù)據(jù)信息的98.93%，滿足數(shù)據(jù)要求。同理，分別利用采集到的正常狀態(tài)和點(diǎn)蝕、齒面裂紋故障狀態(tài)的信號，可以提取到它們的特征值，并建立特征參數(shù)集。

GANN選擇輸入節(jié)點(diǎn)為5，隱層節(jié)點(diǎn)為10，輸出節(jié)點(diǎn)為1的網(wǎng)絡(luò)結(jié)構(gòu)。本文的誤差學(xué)習(xí)目標(biāo)值設(shè)為0.001，學(xué)習(xí)速率為0.01。遺傳算法編碼采用二進(jìn)制編碼，編碼長度20，將神經(jīng)網(wǎng)絡(luò)所有權(quán)值、閾值作為染色體初始化，建立種群進(jìn)行迭代更新。

圖5為GANN性能跟蹤曲線。這是反映迭代次數(shù)與種群中的個(gè)體和目標(biāo)值之差的絕對值之和的關(guān)系曲線；隨著差值的減小，GANN的識別能力就越強(qiáng)，當(dāng)?shù)螖?shù)達(dá)到最大次數(shù)或滿足尋優(yōu)條件時(shí)，遺傳算法結(jié)束。由圖可見，GANN能夠快速收斂，進(jìn)化到約23代時(shí)達(dá)到收斂穩(wěn)定。當(dāng)達(dá)到最大迭代次數(shù)39次后，種群所對應(yīng)的目標(biāo)函數(shù)值有明顯的下降，這表明GANN的計(jì)算結(jié)果已經(jīng)達(dá)到預(yù)期精度，對于GANN權(quán)值和閾值的訓(xùn)練結(jié)束。此時(shí)，將待診斷數(shù)據(jù)輸入EMD-GANN，利用輸出結(jié)果就可以識別故障。由此完成了風(fēng)力發(fā)電機(jī)組齒輪箱故障診斷模型的建立。

圖5　遺傳神經(jīng)網(wǎng)絡(luò)性能跟蹤圖Fig.5　Performance of genetic neural network

為了驗(yàn)證EMD-GANN算法進(jìn)行齒輪箱故障診斷的準(zhǔn)確性，本文選取另外8組故障狀態(tài)下齒輪箱振動信號加以檢驗(yàn)，并與GANN算法進(jìn)行比較。選取的8組故障狀態(tài)分別為點(diǎn)蝕(第1、5組)、斷齒(第2、6組)、正常(第3、7組)和裂紋(第4、8組)的振動信號。將待診斷的故障風(fēng)力發(fā)電機(jī)組齒輪箱振動信號，輸入MATLAB軟件，利用EMD-GANN算法和GANN算法分別進(jìn)行故障識別。設(shè)置點(diǎn)蝕、斷齒、正常、裂紋的期望輸出值分別為1、2、3、4。表3給出了EMD-GANN和GANN算法進(jìn)行故障診斷的結(jié)果比較。

由表3可見，與GANN算法相比，EMD-GANN算法的輸出更接近于期望輸出，表明EMD-GANN算法的故障識別率有明顯提高，可見，EMD-GANN對于故障類型的泛化外推能力效果較好，可以準(zhǔn)確地進(jìn)行齒輪箱故障診斷。此外，由于神經(jīng)網(wǎng)絡(luò)具有一定的容錯(cuò)能力，針對早期故障振動信號不具有典型特征值的情況也能夠?qū)崿F(xiàn)輕微故障識別，實(shí)現(xiàn)故障預(yù)測；對于已經(jīng)出現(xiàn)故障現(xiàn)象的振動數(shù)據(jù)，則通過EMD能夠準(zhǔn)確地分層提取故障特征值，進(jìn)而為GANN診斷功能提供準(zhǔn)確反映故障狀態(tài)的數(shù)據(jù)，提高故障診斷的精確度。本文研究的風(fēng)力發(fā)電機(jī)組齒輪箱故障診斷算法在訓(xùn)練得到最佳神經(jīng)網(wǎng)絡(luò)參數(shù)后不必進(jìn)行重復(fù)訓(xùn)練，因此在實(shí)際應(yīng)用中，只需將待測振動數(shù)據(jù)輸入模型進(jìn)行分析即可，節(jié)省了故障診斷的時(shí)間。

表3　GANN和EMD-GANN算法故障診斷結(jié)果比較

4結(jié)語

為了提高風(fēng)力發(fā)電機(jī)組齒輪箱的故障診斷的效率，縮短診斷運(yùn)行時(shí)間，本文研究了EMD-GANN故障診斷模型。該模型能準(zhǔn)確地識別故障振動信號，實(shí)現(xiàn)故障診斷；利用主分量分析的降維運(yùn)算和遺傳算法并行性，簡化了冗余的計(jì)算量，提高了計(jì)算效率；EMD-GANN算法容錯(cuò)率高，外推泛化能力較強(qiáng)，適用于輕微故障診斷。實(shí)驗(yàn)證明，EMD-GANN算法識別故障精度高，診斷效果好，實(shí)際應(yīng)用中，故障診斷系統(tǒng)無需重新訓(xùn)練節(jié)省了診斷時(shí)間。

參考文獻(xiàn)

[1]左子陽.信息融合技術(shù)在風(fēng)力發(fā)電機(jī)故障診斷中的應(yīng)用[D].上海： 華東理工大學(xué)，2009： 12-36.

[2]李海波.大型風(fēng)力發(fā)電機(jī)齒輪箱故障模糊診斷技術(shù)研究[D].沈陽： 沈陽工業(yè)大學(xué)，2014： 8-15.

[3]LU Bin，LI Yaoyu，WU Xin.A review of recent advances in wind turbine condition monitoring and fault diagnosis[C]∥Power Electronics and Machines in Wind Applications.Lincoln： IEEE，2009： 1-7.

[4]ZHANG Yan，LIU Xiangjun.The fault vibration signal analysis of wind turbine gearbox based on wavelet transform[C]∥2013 International Conference on Measurement, Information and Control(ICMIC).Harbin： IEEE，2013： 724-727.

[5]黃志堅(jiān)，高立新，廖一凡.機(jī)械設(shè)備振動故障監(jiān)測與診斷[M].北京： 化學(xué)工業(yè)出版社，2010： 135-139.

[6]王哲.風(fēng)力發(fā)電機(jī)組主傳動鏈的故障診斷[J].診斷與測試，2007(3)： 118-119.

[7]丁顯，易莉，柳亦兵，等.風(fēng)電機(jī)組齒輪箱非平穩(wěn)振動信號微弱故障特征提取[J].可再生能源，2014，32(5)： 619-623.

[8]付勝，徐斌，杜曉帆，等.基于奇異值分解和支持向量機(jī)的齒輪故障診斷[J].機(jī)械傳動，2013(9)： 90-92.

[9]呂躍剛，趙倩男，劉承俊.基于LabVIEW的倒頻譜與包絡(luò)譜分析在風(fēng)電機(jī)組齒輪箱故障診斷中的應(yīng)用[J].化工自動化及儀表，2013，40(7)： 864-867.

[10]LI Yanyong.A discussion on using empirical mode decomposition for incipient fault detection and diagnosis of the wind turbine gearbox[C]∥World Non-Grid-Connected Wind Power and Energy Conference(WNWEC).Nanjing： IEEE，2010： 1-5.

[11]張小田.基于回歸分析的風(fēng)機(jī)主要部件的故障診斷方法研究[D].北京： 華北電力大學(xué)，2013： 37-56.

[12]周志剛.隨機(jī)風(fēng)作用下風(fēng)力發(fā)電機(jī)齒輪傳動系統(tǒng)動力學(xué)及動態(tài)可靠性研究[D].重慶： 重慶大學(xué)，2012： 20-52.

[13]周培毅，張新燕，張華中.基于遺傳算法與BP神經(jīng)網(wǎng)的風(fēng)力發(fā)電機(jī)齒輪箱故障診斷研究[J].華北電力技術(shù)，2010(7)： 6-11.

[14]康晨暉，崔玲麗，胥永剛，等.EMD熵值譜在軸承故障信號特征提取中的應(yīng)用[J].振動與沖擊，2010(8)： 204-206.

Fault Diagnosis of Wind Turbine Gearbox Based on EMD-GANN

TANG Ke1，XIE Yuan1，ZENG Mingjie1，GAO Zhifei1，XU Yongbin1，WANG Yonghai2

(1. School of Electrical Engineering, Shanghai Dianji University, Shanghai 201306, China；2.Chenkoo Mechanical and Electrical Technology(Shanghai) Co., Ltd., Shanghai 200240, China)

AbstractAn EMD-GANN fault diagnosis model of wind turbine gearbox is proposed based on empirical mode decomposition (EMD) and genetic algorithm neural network (GANN). EMD is used to decompose the vibration signal sequence into a series of intrinsic mode functions (IMF). Feature parameters of each component are extracted. The dimension of the feature parameters set is reduced with principal component analysis. A training neural network for the feature parameters set is used to establish a fault diagnosis model. In the training process, genetic algorithm is used to optimize weights and thresholds of the BP neural network. Experimental results show that the above mentioned model can effectively extract main features of the vibration signal and identify faults of the gearbox. The model is effective.

Keywordsgearbox; empirical mode decomposition(EMD); genetic algorithm; neural network; fault diagnosis

收稿日期：2015-09-11

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(61374136)；上海市自然科學(xué)基金項(xiàng)目資助(12ZR1411800)；上海市教育委員會創(chuàng)新項(xiàng)目資助(12YZ186，14YZ157，13YZ139)；閔行科委區(qū)校合作項(xiàng)目資助(2014MH157)

作者簡介：唐珂(1991-)，男，碩士生，主要研究方向?yàn)轱L(fēng)力發(fā)電狀態(tài)監(jiān)測與故障診斷，E-mail： 402645153@qq.com

文章編號2095-0020(2016)02-0099-06

中圖分類號TP 277.3

文獻(xiàn)標(biāo)識碼A