基于卷積神經(jīng)網(wǎng)絡的風電機組軸承機械故障智能診斷方法

史光宇， 徐 健， 楊 強

(1.上海電力大學 電氣工程學院，上海 200090； 2.浙江大學 電氣工程學院，浙江 杭州 310027)

0 引 言

近年來，隨著風電技術(shù)不斷發(fā)展，風力發(fā)電快速發(fā)展，風能已受全世界高度青睞[1]。全球風能理事會在2019年發(fā)布的統(tǒng)計報告顯示，2018年全球風電新增裝機容量約51.3 GW，累計裝機容量突破591 GW，相比去年增長9%。截至2018年中國風力發(fā)電累計裝機容量已達211.4 GW，占全球累計風電裝機容量35.4 %，占比位居第一[2]。

風電機組運維問題日漸突出，維護費占總投入的10%～25%[3]。隨著機組運行時間增加，風機葉片、齒輪箱、發(fā)電機及其他部件極易發(fā)生異常和故障，導致機組運行異常甚至停機[4]。

齒輪箱為風力發(fā)電機中重要傳動部件，在實際運行中故障率較高，據(jù)統(tǒng)計約20%的停機時間是齒輪箱故障造成的[5]。統(tǒng)計數(shù)據(jù)[6]顯示，約76%的故障發(fā)生在軸承部件上，齒輪和其他部件的故障率分別僅為17.1%和6.9%。故軸承故障是造成風機齒輪箱失效的主要因素。

目前，用于風電機組故障診斷的信號主要有：振動信號(Vibration)、聲發(fā)射信號(Acoustic emission)、應變力信號(Strain)、溫度信號(Temperature)、油液參數(shù)(Oil parameters)、電信號(Electrical signals)等。我國電力系統(tǒng)常用監(jiān)控和數(shù)據(jù)采集系統(tǒng)(Supervisory Control and Data Acquisition，SCADA)進行數(shù)據(jù)采集和監(jiān)測控制[7]。振動信號是最廣泛應用的監(jiān)測信號，在軸承、齒輪、葉片、傳動軸等部件故障診斷中發(fā)揮重要作用。因振動信號蘊含內(nèi)在故障特性，通過信號處理技術(shù)能準確有效地識別出故障種類、故障位置、故障嚴重程度等[8]。

1 風電機組振動信號處理與故障診斷方法

目前，機械振動信號處理常用方法主要分為時域分析、頻域分析和時頻域分析[9]。

(1)時域分析

時域分析計算多個時域統(tǒng)計指標作為時域特征，并以此為依據(jù)進行故障診斷，如均值、絕對平均值、最大值、均方根值、方根幅值等有量綱參數(shù)，及峰值指標、裕度指標、脈沖指標、偏度指標和峭度指標等無量綱參數(shù)[10]。時域分析簡單和直觀，但反映的故障信息有限，對于噪聲干擾和復雜故障信號處理存在諸多困難。

(2)頻域分析

頻域分析主要包括幅值譜、功率譜、能量譜、倒頻譜、高階譜和包絡譜等[11]。幅值譜是幅值在頻域的分布。能量譜也稱能量譜密度，是單位頻帶內(nèi)信號能量。功率譜為單位頻帶內(nèi)信號功率，反映了信號功率隨頻率變化情況。包絡譜可通過對信號做Hilbert變換后取包絡信號進行FFT，來剔除不必要的頻率干擾而凸顯故障特征頻率，多用于發(fā)現(xiàn)早期故障[12]。頻域分析可得豐富而有效的特征信息來實現(xiàn)故障辨識，但僅限于平穩(wěn)信號分析。

(3)時頻域分析

風電機組復雜且運行工況多變，時域分析和頻域分析都只能提取單一域信息，而時頻分析兼顧時域和頻域的特征信息，利于非平穩(wěn)信號分析。時頻分析主要包括短時傅立葉變換(Short-term Fourier Transform, STFT)、小波包變換(Wavelet Packet Transform，WPT)、希爾伯特-黃變換(Hilbert-Huang Transform，HHT)、S變換和魏格納-威利分布(Wigner-Ville Distribution，WVD)等[13]，它可將一維信號轉(zhuǎn)換為時間和頻率關(guān)系的二維圖像信號，時頻圖結(jié)合灰度直方圖、灰度共生矩陣法等紋理特征構(gòu)造法可用于故障分類識別。局部均值分解(Local Mean Decomposition，LMD)和經(jīng)驗模態(tài)分解(Empirical Mode Decomposition，EMD)等自適應非平穩(wěn)信號時頻分析法也在風機齒輪和軸承故障診斷中被廣泛應用[14，15]。

近年來，智能診斷方法在機械故障診斷中受到了廣泛的關(guān)注。故障智能診斷本質(zhì)是模式識別，正常運行與各種故障狀態(tài)都可看作特定模式，可根據(jù)提取的特征進行分類識別。在智能診斷方法中，主成分分析(PCA)和獨立成分分析(ICA)常用于特征選擇[16]，有些分類器能在訓練過程中自動進行特征選擇，如決策樹(DT)等[17]。目前，智能診斷方法中常用基于統(tǒng)計學習方法的分類器，包括k近鄰(k-NN)算法[18]，隨機森林(RF)算法[19]，支持向量機(SVM)[20]和人工神經(jīng)網(wǎng)絡(ANN)[21]等。

深度學習方法因具備自動學習能力，也為故障診斷提供一個新的解決方案[22]。深度學習模型即具有多隱含層的深度神經(jīng)網(wǎng)絡，比傳統(tǒng)機器學習模型具有更強的非線性特征學習和故障特征分析能力，例如，深度信念網(wǎng)絡(DBN)[23]、稀疏自編碼器(SAE)[24]、稀疏濾波(Sparse Filtering)[25]、卷積神經(jīng)網(wǎng)絡(CNN)[26]和遞歸神經(jīng)網(wǎng)絡(RNN)[27]等。

2 基于CNN的風電機組軸承故障診斷算法設(shè)計

2.1 基于CNN的故障診斷流程

圖1為從樣本取得數(shù)據(jù)預處理、再到模型訓練的診斷流程。模型經(jīng)過訓練優(yōu)化即可用于未知狀態(tài)樣本分類識別，實現(xiàn)對風電機組機械故障分析和診斷。

2.2 數(shù)據(jù)預處理

原始振動數(shù)據(jù)是一維信號，無法用于二維圖像識別，需對數(shù)據(jù)轉(zhuǎn)換。圖2(a)為簡便數(shù)據(jù)處理方式，將一維信號采樣值按順序重新排成二維矩陣，視作振動灰度圖(Vibration Image，VI)。因原始測量數(shù)據(jù)有限，在構(gòu)造樣本時按一定長度進行重疊采樣以增加樣本數(shù)，如圖2(b)所示。

圖2 信號預處理Fig.2 Signal preprocessing

本文信號采樣和樣本構(gòu)造根據(jù)實際采樣頻率和系統(tǒng)旋轉(zhuǎn)頻率等調(diào)整單個信號樣本的長度(即單個樣本所包含的采樣點數(shù))。為方便卷積神經(jīng)網(wǎng)絡處理輸入圖像的邊長為偶數(shù)，邊長為以2為底的指數(shù)冪時更利于簡化網(wǎng)絡結(jié)構(gòu)參數(shù)設(shè)計，常用樣本長度有400=20×20，1 024=32×32，4 096=64×64等。相關(guān)文獻已證明該信號處理方式有效[28]。

本文還將短時傅里葉變換(STFT)和連續(xù)小波變換(CWT)作為信號處理方式。短時傅里葉變換通過時間窗內(nèi)一段信號來表示某一時刻信號特征。窗長度決定頻譜圖的時間分辨率和頻率分辨率，窗長越長，截取的信號越長，變換后頻率分辨率越高，時間分辨率越差。短時傅里葉變換先將一個函數(shù)和窗函數(shù)相乘，再進行一維傅里葉變換，通過窗函數(shù)滑動得到一系列傅里葉變換結(jié)果，并將這些結(jié)果排成二維時頻圖。相關(guān)公式為式(1)[29]，x(t)代表信號，w(t-τ)代表窗函數(shù)，可知短時傅里葉頻譜是關(guān)于頻率ω和時間τ的函數(shù)。

X(ω,τ)=〈x(t),w(t-τ)ejωt〉=

(1)

因短時傅里葉變換窗口大小固定，故只適于頻率波動小的平穩(wěn)信號。小波變換可根據(jù)頻率高低自動調(diào)節(jié)窗口大小，可進行多分辨率分析。連續(xù)小波變換定義如式(3)所示[29]，其中式(2)為小波基函數(shù)，s和τ分別為尺度因子和平移因子，分別控制小波變換的中心頻率與其在時間軸上沿著信號的平移。s和τ均取連續(xù)變化值，是由同一個母函數(shù)φ(t) 經(jīng)過伸縮平移得到一組函數(shù)系列，連續(xù)小波變換也因此得名。因小波有尺度和平移兩個變量，才能將時間信號投影到二維時間-尺度相平面上，利于提取某些時間函數(shù)的特征。

(2)

W(s,τ)=〈x(t),φs,τ(t)〉=

(3)

由上可知，與振動信號灰度圖相比，短時傅里葉變換和連續(xù)小波變換都較復雜，但在解決某些問題時具有優(yōu)勢。本文對上述方法進行實驗對比研究，進而在故障診斷效果和分析處理復雜度之間取得權(quán)衡。

2.3 模型設(shè)計

借鑒于類似LeNet-5卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)，本文初步設(shè)計有3個卷積-池化對和2個全連接層的網(wǎng)絡結(jié)構(gòu)如圖3所示。

圖3 所采用的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)圖Fig.3 Network diagram of CNN

當故障診斷任務變化時，如故障種類增加，可增加輸出層神經(jīng)元個數(shù)而特征提取層結(jié)構(gòu)不變，故該網(wǎng)絡結(jié)構(gòu)具有一定適用性。本文卷積層采用Same填充方式保持輸入輸出尺寸不變，池化層采用Valid填充方式即不填充，實現(xiàn)降采樣。表1為卷積神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)細節(jié)，其中32×32@16意思是有16個通道，每個通道尺寸為32×32，其它各項意思類似。用于訓練的細節(jié)和技巧還有批量歸一化(Batch Normalization)和隨機失活(Dropout)，其中批量歸一化用在卷積層和全連接層中來加速訓練，而隨機失活用于全連接層中來防止模型過擬合，提高模型泛化能力，本文隨機失活比率采用推薦值0.5[30]。

表1 卷積神經(jīng)網(wǎng)絡網(wǎng)絡結(jié)構(gòu)設(shè)計

3 實驗驗證與算例分析

為驗證所提方法有效，采用TensorFlow框架[31]進行深度學習編程開發(fā)，所有實驗均在配置為Intel Core i5 CPU和 GEFORCE GTX 940 M GPU的PC機上進行，選取凱斯西儲大學(Case Western Reserve University)滾動軸承試驗臺的真實數(shù)據(jù)[32]進行驗證分析。

(1)實驗平臺

圖4為滾動軸承試驗臺，左側(cè)是2馬力(hp)電機，提供動力源，中間是扭矩傳動裝置，右側(cè)是負載電機，也為測功裝置。實驗時加速度傳感器分別安裝在風扇端和驅(qū)動端電機外殼上方，部分實驗也在基座上安裝傳感器，每秒采樣頻率為12 kHz或48 kHz。故障軸承安裝在驅(qū)動端或風扇端分別進行測試，故障缺陷由電火花加工(Electro-discharge Machining)法制造，根據(jù)故障位置分為內(nèi)圈、外圈和滾動體故障。本實驗選取采樣頻率為12 kHz測得的驅(qū)動端故障軸承數(shù)據(jù)與正常軸承數(shù)據(jù)進行分析。所用SKF軸承設(shè)置三種故障直徑，分別為0.007 inch、0.014 inch和0.021 inch，代表不同的故障程度。上述各種故障類型和故障尺寸的軸承分別在4種負載大小(0，1，2，3 hp)下進行測試和數(shù)據(jù)收集。

實驗用驅(qū)動端軸承參數(shù)如表2所示，故障頻率為軸承轉(zhuǎn)速頻率的倍數(shù)，按上文故障頻率公式計算。每次實驗都用同一型號軸承，而故障點位置和大小不同，一次只設(shè)一種故障類型。

圖4 美國凱斯西儲大學滾動軸承測試臺和測試實驗范圍Fig.4 Public bearing test bench and test range from Case Western Reserve University

表2 軸承參數(shù)

(2)實驗數(shù)據(jù)準備

本實驗選取三種故障位置、三種故障尺寸和無故障，共10種狀態(tài)的振動信號來分析，相同故障位置和故障尺寸在不同負載下所測得數(shù)據(jù)為同一類別。圖5為負載為0 hp時10種狀態(tài)下時域波形圖，其中N代表正常狀態(tài)，BF、OF、IF分別代表滾球故障、外圈故障和內(nèi)圈故障，07、14、21代表三種故障尺寸。從圖5可看出不同故障類型和故障程度的軸承振動信號有明顯區(qū)別，特別是故障沖擊成分的存在，信號總幅值的大小也不同。如正常狀態(tài)下軸承振動信號幅值較小且平穩(wěn)，無明顯沖擊成分，當發(fā)生滾動體故障時，存在很明顯的沖擊成分，不同故障程度下幅值也各不同。從圖中還可看出某些故障類型下時域信號具有一定相似性，若無信號處理肉眼較難區(qū)分，如0.014 inch和0.021 inch大小的外圈故障。

本實驗數(shù)據(jù)集如表3所示，分別從4種負載狀態(tài)下原始振動數(shù)據(jù)中進行重疊采樣，不同故障位置和故障程度共計10種狀態(tài)，每種狀態(tài)下訓練樣本和測試樣本分別為400個和200個，總計6 000個樣本。每種類型在每種負載條件下獲取樣本數(shù)為150個，這是考慮單個樣本長度、重疊率及原始振動信號數(shù)據(jù)總長度之后，獲得的比較合適的數(shù)據(jù)集大小。

圖5 測試臺軸承故障信號的時域波形Fig.5 Time domain waveform of bearing fault signal from test bench

表3 軸承故障診斷數(shù)據(jù)集

(3)信號處理方式比較

此處將比較振動灰度圖(VI)、短時傅里葉變換(STFT)、連續(xù)小波變換(CWT)這三種信號處理方式。

振動灰度圖只需對傳感器采樣到的信號點進行重新排列即可實現(xiàn)。因未進行數(shù)據(jù)運算，將保留數(shù)據(jù)的原始特征，可供神經(jīng)網(wǎng)絡進行后續(xù)特征提取。圖6為不同故障位置和不同故障程度的9種故障類型的振動灰度圖，樣本信號長度為1 024點，轉(zhuǎn)換后振動灰度圖大小為32×32。從圖中可看出不同類型振動信號在轉(zhuǎn)換為振動灰度圖后紋理表現(xiàn)出不同特征。

圖6 測試臺軸承故障信號的二維灰度圖Fig.6 Two-dimensional VI of bearing fault signal from test bench

本文短時傅里葉變換采用漢明窗口函數(shù)，窗口大小設(shè)為64，重疊率設(shè)為34，則1 024長度的振動信號經(jīng)過變換后可得33×32的時頻圖，經(jīng)簡單處理可得32×32的時頻圖，直接送入卷積神經(jīng)網(wǎng)絡。圖7為0負載、0.007 inch故障大小下三種故障類型和正常狀態(tài)下的時頻圖，它們之間存在明顯區(qū)別。時頻圖橫軸代表時間，縱軸代表頻率，因信號采樣頻率為12 kHz，短時傅里葉變換直接得到的時頻圖覆蓋0～6 kHz頻率范圍，圖中省略了坐標值。

圖8 連續(xù)小波變換得到的時頻圖和時頻圖壓縮效果Fig.8 Time-frequency map and its compression effect from CWT

圖7 短時傅里葉變換得到的時頻圖Fig.7 Time-frequency map from STFT

本文利用MATLAB 2014a軟件進行連續(xù)小波變換，并采用cmor1-3小波基函數(shù)[33]。圖8(a)為部分軸承故障狀態(tài)下小波時頻圖，從圖可看出小波變換后時頻圖與短時傅里葉變換后不同，具有更多時間和頻率細節(jié)。因連續(xù)小波變換后時頻圖在時間軸上分辨率較高，不能直接送入卷積神經(jīng)網(wǎng)絡。本文對原始小波時頻圖基于三次樣條插值進行壓縮，壓縮成32×32大小。圖8(b)為壓縮前后滾動體故障下振動信號時頻圖，可看出仍保留大部分重要圖像特征。

本實驗對前文設(shè)計的10種狀態(tài)測試。根據(jù)一維振動信號處理方式不同，設(shè)置三組對照實驗。表4為實驗結(jié)果，從中可看出，三種方式數(shù)據(jù)處理后的時頻圖送入卷積神經(jīng)網(wǎng)絡，都可得很高故障識別準確率，接近100%，證明本文的數(shù)據(jù)處理方法合理和有效。

從表中也可看出：信號處理方式越復雜，模型訓練所需時間越短，說明復雜的信號處理已初步提取振動信號故障特征，時頻圖較好區(qū)別，降低了卷積神經(jīng)網(wǎng)絡特征提取難度，故模型很快收斂并有很高準確率?；谡駝踊叶葓D的方法，準確率也很高，但訓練時間相對較長；此方法不需要專家經(jīng)驗和復雜的信號處理。由上可知，基于卷積神經(jīng)網(wǎng)絡的軸承故障診斷法能在數(shù)據(jù)質(zhì)量好的任務中取得較好效果，在無復雜的信號處理和缺少專家經(jīng)驗時能采用振動灰度圖的方法實現(xiàn)高效的軸承故障診斷。

表4 基于CNN的診斷結(jié)果

4 結(jié) 論

本文以風力發(fā)電機組齒輪箱軸承的機械故障診斷為背景，分析了基于機器學習的智能故障診斷的流程框架，并提出了具有三對卷積-池化層和兩層全連接層的深度卷積神經(jīng)網(wǎng)絡模型設(shè)計方法和診斷算法。在此基礎(chǔ)上，結(jié)合凱斯西儲大學(Case Western Reserve University)滾動軸承試驗臺公開數(shù)據(jù)集對所提出的機械故障診斷方法進行了實驗驗證。同時，基于對深度學習診斷模型中采用振動灰度圖、短時傅里葉變換時頻圖和連續(xù)小波變換時頻圖三種不同振動信號變換方式對診斷準確率的影響進行了比較。實驗結(jié)果證明了所提出的機械故障診斷方法的可行性和有效性。未來工作將進一步優(yōu)化故障診斷模型，提升其故障診斷準確性和對早期故障的辨識能力，并將繼續(xù)開展基于深度學習智能診斷方法在齒輪箱不同部件(如齒輪等)的機械故障診斷中的應用。