基于流形學習的風電機組傳動系統(tǒng)故障診斷方法初探

谷 泉

（遼寧科技學院機械工程學院，本溪 117004）

風電機組在大溫差、變工況等惡劣環(huán)境工作中，風電機組各個部件都容易發(fā)生故障，特別是交變荷載下風電機組的傳動系統(tǒng)極易發(fā)生故障，導致風電機組停止運行。風電機組的傳動系統(tǒng)結構復雜、體積龐大，安裝與維護都有較大難度，且維護費用較高，一旦風電機組傳動系統(tǒng)發(fā)生故障，機組會有較長的停機時間，對發(fā)電量造成嚴重影響，遭受經(jīng)濟損失。為避免因風電機組傳動系統(tǒng)發(fā)生故障而造成經(jīng)濟損失，需要加強診斷，準確識別故障問題，以此為基礎指導保養(yǎng)與維修，使風電機組能更穩(wěn)定地運行。

1 風電機組傳動系統(tǒng)的主要故障

風電機組的傳動系統(tǒng)由齒輪箱、主軸軸承和主軸等組成。傳動系統(tǒng)要在惡劣環(huán)境中工作，在出現(xiàn)交變工況時，很容易發(fā)生故障。第一，傳動系統(tǒng)主軸在受到瞬時沖擊的較大荷載，或主軸因制造、安裝等導致不對中問題，主軸在偏載工況較大時仍然長期工作，很容易使主軸彎曲，在主軸失效后會導致軸承、齒輪失效。第二，在傳動系統(tǒng)中關鍵性承重部件就是軸承，長期在惡劣環(huán)境中工作，假如有較大的偏荷載、潤滑不良等，很容易導致軸承失效。第三，齒輪在出現(xiàn)潤滑不良、瞬時大荷載、交變荷載等問題，及油液中摻有雜質時，很容易發(fā)聲斷齒、彎曲疲勞、齒面的接觸疲勞、齒面的膠合擦傷、齒面磨損等故障[1]。另外，風動機組傳動系統(tǒng)的各個部件互相聯(lián)系，一個部件在發(fā)生故障時，若沒有及時排除故障，會造成其他部件失效，導致經(jīng)濟損失。

對風電機組傳動系統(tǒng)實施故障診斷，能安全運行風電機組，大大降低運營成本。借助在線監(jiān)測，能對傳動系統(tǒng)運行情況進行實時跟蹤，在剛剛出現(xiàn)故障時就能準確識別故障具體部位與類型，及時進行維護和維修，以降低風電機組的運行風險，提升運行可靠性，防止因故障造成的經(jīng)濟損失，增加風電機組使用壽命。

2 以流形學習為基礎診斷故障的方法

一般的幾何對象可以總稱為流形，這是對世界各種物體的存在進行描述的空間形式，其本質是可以坐標化的局部拓撲空間。應用到機械領域時，主要研究方向是：流形學習和其他算法相結合，對非線性的振動信號實施降噪。流形學習屬于非線性約簡方法，在高維非線性數(shù)據(jù)集的處理、數(shù)據(jù)集信息的挖掘上有較大優(yōu)勢，不過要想在風電機組內(nèi)傳動系統(tǒng)的故障診斷中成功應用，需要解決幾個問題。其一，風電機組中傳動系統(tǒng)的早期故障較微弱，融合高維特征集的時要利用樣本類別的標簽信息，指引流形學習的維數(shù)約簡，從而提升融合特征辨識性。其二，獲取風電機組的標記樣本有一定難度，需要對半監(jiān)督的流形學習加以研究。其三，在風電機組傳動系統(tǒng)中，狀態(tài)持續(xù)增加數(shù)據(jù)樣本，面臨較大的數(shù)據(jù)量。

流形學習在高維數(shù)據(jù)集本質信息和內(nèi)在分布規(guī)律分析方面具有一定優(yōu)勢，具有診斷風電機組中傳動系統(tǒng)故障的潛力，能對流形學習功能進行拓展，融合了非線性降噪、添加動態(tài)化樣本、提取早期微弱故障特征，形成了泛化的流形學習，能有效診斷風電機組中傳動系統(tǒng)發(fā)生的故障。

3 基于流形學習的風電機組傳動系統(tǒng)故障診斷方法

以流形學習算法為基礎，探究診斷風電機組中傳動系統(tǒng)故障的方法，主要解決的問題是：強噪音非線性振動信號的降噪、識別小子樣故障模式、提取故障在早期的微弱特征。

3.1 以流線學習為基礎的非線性降噪

對于風電機組傳動系統(tǒng)信號干擾有較大噪聲，且非線性，以無監(jiān)督的流行學習為基礎探究降噪的非線性方法。第一，借助小波包分解對原始信號正交沒有遺漏地在分解在各個子頻帶內(nèi)，同時與相空間重構相結合，在高維相的空間中重構小波包分解系數(shù)，依照各個信號成分分布在信噪空間中的情況，采取cao方法與互信息法估計相空間的嵌入維數(shù)和時間延遲，之后借助優(yōu)化后的極大似然法對信號的本征維數(shù)進行估計[2]。第二，通過局部切空間的排列算法，從高維相的空間中將含噪信號投影至低維有用的信號空間，有效分離信號與噪聲，在消除噪聲后重構小波包分解系數(shù)，就能得到降噪之后的非線性振動信號。

3.2 提取風電機組傳動系統(tǒng)的故障特征

風電機組的傳動系統(tǒng)在出現(xiàn)微弱故障時，很難對故障特征進行提取。以監(jiān)督流形學習為基礎，分析提取早期故障的方法。建立混合域的故障特征集，在小波包分解振動信號到各個頻道信號后，提取出瞬時幅值Shannon熵、AR模型參數(shù)、小波包分解的能量譜和時頻域的統(tǒng)計特征，構成高維混合域的故障特征集[3]。這個混合域的特征集中將多域特征中的故障信息綜合到一起，有更豐富的故障信息，能對傳動系統(tǒng)出現(xiàn)的早期故障進行全面化表征。另外，評估核空間距離的優(yōu)化算法能選取最優(yōu)化、具有敏感特征的子集，而將原始特征、噪聲特征和集中干擾特征剔除。對監(jiān)督流形學習的算法進行研究，在維數(shù)約簡中有機融入樣本的標簽信息。對于故障樣本中的標簽信息，可以采取監(jiān)督流形學習（線性化局部切空間的排列算法，包含監(jiān)督擴展）、有監(jiān)督局部的線性化嵌入優(yōu)化算法和半監(jiān)督的流形學習算法（線性化局部切空間的線性算法，屬于半監(jiān)督），并和新增樣本的動態(tài)化嵌入法相結合，能有效在低維特征空間中嵌入新增樣本，從而提取動態(tài)化故障特征。借助監(jiān)督流形學習實現(xiàn)高維化故障特征集的維數(shù)約簡，能使辨識高低維中故障特征向量更加高效化，對風電機組內(nèi)傳動系統(tǒng)出現(xiàn)的故障特征進行有效提取。

3.3 小子樣本識別傳動系統(tǒng)故障的方法

由于風電機組中傳動系統(tǒng)發(fā)生的早期故障往往欠缺樣本，為此以探討參數(shù)優(yōu)化為基礎，利用小子樣本識別傳動系統(tǒng)出現(xiàn)的早期故障。在識別故障中需要借助最小二乘支持向量機模型，但這一模型不能選取最優(yōu)模型的參數(shù)，并對參數(shù)有較大的依賴性，所以，需要改進粒子群的優(yōu)化算法，從而提出參數(shù)優(yōu)化算法，實施優(yōu)化改進的粒子群算法。通過引發(fā)局部搜索能力，對粒子的搜索速度進行重新定義，從而在優(yōu)化過程中引進更多信息，并對優(yōu)化算法參數(shù)進行自適應調節(jié)，提升參數(shù)優(yōu)化算法收斂速度，避免局部最優(yōu)問題。

4 結語

對于風電機組傳動系統(tǒng)出現(xiàn)的故障問題，以流形學習為基礎診斷故障，包括強噪音中振動信號的非線性降噪、提取早期故障特征和借助小子樣本識別故障等，提高了故障診斷效率，應在風電機組傳動系統(tǒng)故障診斷中廣泛應用。