基于模糊神經(jīng)算法的風電機組齒輪箱故障在線診斷

孟祥萍+田凱喬+王磊

摘 要：文章提出了一種以模糊神經(jīng)網(wǎng)絡（FNN）為核心算法的風電機組齒輪箱故障在線診斷系統(tǒng)。該系統(tǒng)分為數(shù)據(jù)采集、特征提取和波形識別三部分，通過識別齒輪磨損、齒輪點濁和齒輪斷齒三種重要齒輪故障的波形，不僅可以在線檢測風電機組齒輪箱運行狀態(tài)，而且可以對潛在故障進行預警。FNN是對模糊邏輯和神經(jīng)網(wǎng)絡優(yōu)缺點進行深入分析，再將兩者優(yōu)點相結(jié)合的一種算法。通過對振動信號進行分析和處理，用以上三種故障波形對FNN進行訓練，同時采取多振動傳感器的方式，確保了振動信號的準確性。

關鍵詞：模糊神經(jīng)網(wǎng)絡；故障預警；在線監(jiān)測；故障波形識別

中圖分類號：TH132.41 文獻標志碼：A 文章編號：2095-2945（2017）35-0031-02

引言

對于任何大型發(fā)電設施，例如核電廠的發(fā)電機或火力發(fā)電機，在線狀態(tài)監(jiān)測系統(tǒng)對于故障檢測和事故預警是非常重要的。在機器損壞之前及時進行停機檢修，可以避免設備損壞帶來的不必要的經(jīng)濟損失和人身傷亡[1]。機械振動是工程中普遍存在的現(xiàn)象，風電機組齒輪箱的振動信號，無疑是直接反應其健康狀況的重要數(shù)據(jù)。當齒輪或軸承出現(xiàn)故障時，會有特殊頻率的振動，我們可以通過分析這種特征頻率的振動來檢測齒輪及軸承是否完好。但是，在齒輪箱內(nèi)部會產(chǎn)生多種振動信號，為了避免系統(tǒng)誤報警，需要對采集的振動信號進行深度分析[2]。研究者通常運用模糊邏輯與人工神經(jīng)網(wǎng)絡相結(jié)合的模糊神經(jīng)網(wǎng)絡（FNN）來識別和分析以上三種振動信號[3][4]。模糊邏輯強項是邏輯推理，一種用數(shù)學模型模擬人腦進行結(jié)果分析，但是并不具有對歷史數(shù)據(jù)總結(jié)的能力和對已分析結(jié)果的儲存[5]。神經(jīng)網(wǎng)絡恰恰相反，它具備對歷史數(shù)據(jù)反復學習和挖掘的功能，并且有一定的容錯能力。所以才將兩個算法合并，取長補短，發(fā)揮每種算法的最大優(yōu)點以解決實際復雜問題[6]。

1 風電機組齒輪箱常見故障

1.1 齒輪磨損

齒輪的磨損是指在齒輪箱在運作過程中，齒輪與齒輪不慎進入金屬微粒或沙粒，使齒面擦傷或者齒面涂層掉落。會導致齒輪變薄，側(cè)縫間隙變大，咬合不穩(wěn)甚至形成斷齒。而這種故障占齒輪總故障的14%。本文所涉及到的齒輪磨損均指齒面均勻磨損，在這種情況下，齒輪之間咬合不穩(wěn)，形成的震動幅度與正常齒輪有明顯差別，可以被傳感器探測到。

1.2 齒輪點蝕

點蝕是齒輪箱傳動系統(tǒng)中普遍故障類型，占總事故比例的31%。指齒輪產(chǎn)生微小裂痕后，由于齒輪長期互相擠壓，將潤滑劑擠壓進裂縫，使之壓力增大很容易擴大裂痕。點蝕的出現(xiàn)會使齒輪局部變形，這會進一步加大局部接觸壓力，最終形成斷齒危險。在點蝕發(fā)生過程中，由于局部壓力大，導致有周期凸起振幅，容易識別。

1.3 齒輪斷齒

斷齒是齒輪箱中容易發(fā)生而且最危險的故障類型，經(jīng)常會導致停產(chǎn)停工，占齒輪故障的41%。細分為過載斷齒，疲勞斷齒和缺陷斷齒。由于齒輪收到周期性高負荷壓力，齒輪會變彎疲勞，長期以往便會出現(xiàn)斷齒現(xiàn)象。斷齒的震蕩波形有別于上述兩種，在斷齒處的振幅會有大規(guī)模擾動。

2 模糊神經(jīng)網(wǎng)絡

2.1 人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡是用數(shù)學模型模擬人類大腦神經(jīng)元的推理過程，對大量神經(jīng)元也就是節(jié)點互相連接的網(wǎng)絡進行計算。這樣計算多重聯(lián)系的關系網(wǎng)，不同經(jīng)典算法是無能為力的，這就是神經(jīng)網(wǎng)絡的優(yōu)勢。而且神經(jīng)網(wǎng)絡善于模擬人類思考過程，以及推理。

2.2 模糊邏輯控制

如果讓計算機計算很龐大的數(shù)學運算是很容易的，但如果讓計算機告訴你一杯水燙不燙，這個人是否年輕，這就很難。但是實際生活中的問題，往往都是不能用0，1去表示，所以我們引入了模糊邏輯控制。模糊控制善于模仿一種抽象的思維方式，提供了一種對不確定的非線性問題的控制方法。但是由于這種模仿的抽象思維方式，對于處理少量、單一的數(shù)據(jù)時往往精度不夠。但如果一味增加個體數(shù)據(jù)，卻會讓處理時間增加，運算速度降低。

2.3 模糊神經(jīng)網(wǎng)絡

以上兩種算法的合并，便成為模糊神經(jīng)網(wǎng)絡，結(jié)合了兩種算法的優(yōu)點，又避免了二者的缺點。模糊神經(jīng)網(wǎng)絡，由大量的模糊或非模糊神經(jīng)元互相連接而成的網(wǎng)絡系統(tǒng)。既有模糊算法中的非線性數(shù)據(jù)處理能力，又有神經(jīng)網(wǎng)絡的優(yōu)良的自學習功能以及運算時間短的優(yōu)點。模糊神經(jīng)網(wǎng)絡擴大了系統(tǒng)處理信息的范圍，使系統(tǒng)對確定行與非確定性信息能力加大，處理變得更靈活。

3 實現(xiàn)方法

FNN系統(tǒng)包括三個組件：數(shù)據(jù)采集，特征提取和模式識別。下面將分別進行討論。

3.1 數(shù)據(jù)采集

在對FNN系統(tǒng)進行學習和訓練時，由于不能人為地制造出振動波形圖，因此我們使用三種齒輪箱故障波形圖來對神經(jīng)網(wǎng)絡進行學習和訓練。但是單個傳感器的精度和魯棒性難以滿足我們的需求，多傳感器測量齒輪箱振動成為必要。通過添加生成三個相應的數(shù)據(jù)集高斯函數(shù)值，取平均值為0，方差為0.1的數(shù)據(jù)收集為震動信號，這三個數(shù)據(jù)集代表三種不同類型的故障振動波形圖。

3.2 特征提取

我們知道，旋轉(zhuǎn)機械中潛在的故障會產(chǎn)生特定的振動頻率，這種頻率可以通過頻譜分析振動幅度在旋轉(zhuǎn)頻率的倍數(shù)處的變化得到。典型頻率可以通過以下方式獲得：

（1）找到哪些頻率以及他們特定機械動作。

（2）每個頻率的幅度和幅值。

（3）頻率和峰值之間的相互聯(lián)系。

使用FNN的頻譜分析的最常用的方法是直接輸入頻率方法，其中輸入神經(jīng)元被分配給每個頻率。

3.3 模式識別

從訓練數(shù)據(jù)中提取的特征的FNN，用于識別振動模式并且確定齒輪箱中是否存在一些故障，最終結(jié)果將提示FNN是否可以成功診斷齒輪中的故障。在該過程中，采用三層前饋FNN。網(wǎng)絡架構(gòu)包括六個輸入單元，它們連接到四個輸出單元的三十二個隱藏單元。當成本函數(shù)或誤差低于0.1%時，認為任務被解決。反向傳播（BP）學習算法用于訓練。然而，BP學習算法通常缺乏在合理時間內(nèi)為給定任務產(chǎn)生有效網(wǎng)絡的能力。因此，有必要在實際應用中克服這個問題。在研究中，通過動態(tài)更新訓練參數(shù)，模糊模型被用來加速BP學習算法的收斂速度。

4 結(jié)束語

在本文中，使用的FNN診斷系統(tǒng)為大型電機機組的安全運行和事故預警提供了理論依據(jù)。用多傳感器采集信息比單傳感器更加準確可靠并減小了隨機振動信號對總數(shù)據(jù)的干擾。盡管對于神經(jīng)網(wǎng)絡的算法已經(jīng)被廣泛應用，但是它缺乏在合理時間內(nèi)針對給定任務產(chǎn)生有效網(wǎng)絡的能力。 而模糊邏輯理論提供了一個數(shù)學框架來捕捉與人類認知過程相關的不確定性，如思維和推理。它還提供了數(shù)學形態(tài)學來模仿與人類認知相關的某些感知和語言屬性。

參考文獻：

[1]彭華東.風電機組故障智能診斷技術及系統(tǒng)研究[J].電網(wǎng)與清潔能源，2011：1673-3814.

[2]彭春陽.基于振動信號分析的齒輪箱故障診斷儀的研究[D].重慶大學，2011.

[3]韓力群.人工神經(jīng)網(wǎng)絡教程[M].北京：北京郵電大學出版社，2006.

[4]劉強.人工神經(jīng)網(wǎng)絡及其在汽輪發(fā)電機組振動故障預測中的應用[D].杭州：浙江大學，2005.

[5]周潤景，張麗娜.基于MATLAB與Fuzzy TECH的模糊與神經(jīng)網(wǎng)絡設計[M].電子工業(yè)出版社，2010.

[6]閆春望，黃瑋，王勁松.一種并行模糊神經(jīng)網(wǎng)絡最短路徑算法[J].算法研究探討，2016（11）.endprint