風(fēng)力發(fā)電機(jī)葉輪故障識(shí)別方法*

□ 連趙斌 □ 王馥華 □ 陸 軼

上海市質(zhì)量監(jiān)督檢驗(yàn)技術(shù)研究院 上海 200072

筆者提出一種魚(yú)群算法-蟻群優(yōu)化算法混合改進(jìn)策略,利用近鄰函數(shù)準(zhǔn)則,對(duì)風(fēng)力發(fā)電機(jī)葉輪故障進(jìn)行識(shí)別。

1 魚(yú)群算法-蟻群優(yōu)化算法改進(jìn)策略

利用魚(yú)群算法較快的收斂品質(zhì),避免初期過(guò)早集結(jié)至信息素濃度高的路徑。引入蟻群優(yōu)化算法,不僅增強(qiáng)算法的全局尋優(yōu)和鄰域搜索能力,而且避免陷入局部最優(yōu)解,實(shí)現(xiàn)算法之間的優(yōu)缺點(diǎn)互補(bǔ)。兩種算法遵循的運(yùn)動(dòng)規(guī)律有一定的相似性,人工魚(yú)隨著擁擠度向濃度高的方向游動(dòng),螞蟻隨著信息素向濃度高的方向遷移,人工魚(yú)的聚群行為與螞蟻的更新信息素均取決于伙伴中心或最優(yōu)個(gè)體狀態(tài)的最優(yōu)解。由此可見(jiàn),魚(yú)群算法-蟻群優(yōu)化算法改進(jìn)策略是可行有效的。

將兩種算法混合后,利用魚(yú)群的覓食行為、聚群行為,縮小全局搜索范圍。利用擁擠度與信息素的相似性,在搜索范圍縮小后,過(guò)渡至蟻群優(yōu)化算法,通過(guò)分布并行式計(jì)算和啟發(fā)式搜索方式,不僅提高收斂速度,而且適當(dāng)提高收斂精度,在一定程度上克服局部極值的問(wèn)題。

針對(duì)風(fēng)力發(fā)電機(jī)葉輪,基于振動(dòng)信號(hào)分析與處理來(lái)完成故障診斷。通過(guò)傳感器采集葉輪傳動(dòng)的振動(dòng)信號(hào),對(duì)獲得的信號(hào)進(jìn)行分析和處理,提取其中與故障類型判別有關(guān)的特征向量。根據(jù)所提取的故障特征,按照某一規(guī)律將故障的形態(tài)、部位和原因作為樣本,進(jìn)行定位、訓(xùn)練、分類,進(jìn)而構(gòu)造機(jī)器學(xué)習(xí)算法,形成診斷網(wǎng)絡(luò)進(jìn)行故障識(shí)別。

2 策略機(jī)理

魚(yú)群算法是一種高效智能優(yōu)化算法,主要內(nèi)容包括魚(yú)群初始化、覓食行為、聚群行為、追尾行為、隨機(jī)行為。魚(yú)群算法具有克服局部極值,取得全局極值的能力,使用目標(biāo)問(wèn)題的函數(shù)值,對(duì)搜索空間有一定的自適應(yīng)能力。魚(yú)群算法同時(shí)具有對(duì)初值與參數(shù)選擇不敏感、魯棒性強(qiáng)、簡(jiǎn)單易實(shí)現(xiàn)、收斂速度快、使用靈活等特點(diǎn),提供了一種解決問(wèn)題的架構(gòu),具有與其它算法融合的基礎(chǔ)。

蟻群優(yōu)化算法的基礎(chǔ)為自然界中螞蟻覓食的群體性行為。螞蟻覓食過(guò)程中,會(huì)在經(jīng)過(guò)的路徑上釋放信息素,并能夠感知其它螞蟻釋放的信息素。各個(gè)路徑上的信息素濃度不同,螞蟻根據(jù)濃度高低,按照一定的隨機(jī)概率選擇路徑,進(jìn)而不斷提高適合路徑上的信息素濃度,形成正反饋。

蟻群優(yōu)化算法采用正反饋機(jī)制,應(yīng)用分布式計(jì)算和啟發(fā)式概率搜索方式,大大提高計(jì)算能力和運(yùn)行效率,不容易陷入局部最優(yōu)解,使搜索過(guò)程不斷收斂,最終逼近全局最優(yōu)解。

3 近鄰函數(shù)準(zhǔn)則

對(duì)故障特征進(jìn)行提取后,征兆不能用簡(jiǎn)單的函數(shù)關(guān)系或者核函數(shù)來(lái)映射故障。對(duì)此,筆者引入近鄰函數(shù)準(zhǔn)則,解決這一故障分類映射問(wèn)題,同時(shí)有效解決魚(yú)群算法和蟻群優(yōu)化算法的融合問(wèn)題。

對(duì)于數(shù)據(jù)集中的任何兩個(gè)樣本yi、yj,若yj為yi的第N個(gè)近鄰,則稱yj對(duì)yi的近鄰因數(shù)為N;若yi為yj的第M個(gè)近鄰,則稱yi對(duì)yj的近鄰因數(shù)為M;當(dāng)yi和yj互為近鄰時(shí),近鄰因數(shù)為0。由此,近鄰函數(shù)值τij表示為:

τij=N+M-2

(1)

在聚類過(guò)程中,規(guī)定類內(nèi)會(huì)損失,即當(dāng)yi和yj被歸為同一類時(shí),兩者相互為連接關(guān)系,對(duì)于每一個(gè)這樣的連接,存在一個(gè)相應(yīng)的連接損失。連接損失規(guī)定為兩個(gè)樣本間的近鄰函數(shù)值,總類內(nèi)損失LIA規(guī)定為:

(2)

當(dāng)yi和yj被歸為不同類時(shí),兩者不存在連接關(guān)系,τij為0,總類間損失LIR規(guī)定為:

(3)

聚類結(jié)果的準(zhǔn)則函數(shù)為:

(4)

式中:JNN為聚類函數(shù)值。

4 故障識(shí)別步驟

由故障特征提取的每個(gè)故障樣本數(shù)據(jù)類似于螞蟻將要訪問(wèn)的地點(diǎn),每只螞蟻根據(jù)樣本數(shù)據(jù)之間的信息素大小及近鄰函數(shù),以一定概率適當(dāng)選擇下一個(gè)訪問(wèn)的地點(diǎn),同時(shí)加入自身的數(shù)據(jù)列表。每只螞蟻對(duì)全部數(shù)據(jù)樣本都進(jìn)行一次訪問(wèn)。在數(shù)據(jù)列表中,每只螞蟻的數(shù)據(jù)列表根據(jù)樣本之間的近鄰函數(shù)值大小打斷近鄰函數(shù)值較大的兩個(gè)樣本數(shù)據(jù)的連接,同時(shí)計(jì)算每一類故障之間的連接損失,形成初步的葉輪故障分類。如此循環(huán)類推,以樣本數(shù)據(jù)之間的連接損失最小解為終止條件,進(jìn)而形成最終的葉輪故障分類結(jié)果。

先利用魚(yú)群算法的尋優(yōu)特點(diǎn),淘汰部分加權(quán)距離指標(biāo)反映出的JNN較大的故障樣本數(shù)據(jù)。再利用蟻群優(yōu)化算法,通過(guò)對(duì)JNN的最優(yōu)解求解,獲得與映射關(guān)系相近的葉輪故障征兆,實(shí)現(xiàn)對(duì)葉輪故障特征進(jìn)行分類識(shí)別。葉輪故障識(shí)別方法的具體步驟分為七步。

第一步,人工魚(yú)群初始化,通過(guò)覓食行為、聚群行為,對(duì)已獲得的故障征兆特征淘汰部分故障樣本數(shù)據(jù),建立新的故障樣本數(shù)據(jù)。

第二步,利用故障征兆樣本數(shù)據(jù)進(jìn)行加權(quán)距離處理,獲得近鄰因數(shù)M。

(5)

式中:Mij為樣本yi對(duì)yj的近鄰函數(shù)值;Pk為故障征兆樣本數(shù)據(jù)中不同特征的加權(quán)因子;k為m只螞蟻中的第k只螞蟻;yik為第k只螞蟻對(duì)應(yīng)征兆i的故障樣本數(shù)據(jù);yjk為第k只螞蟻對(duì)應(yīng)征兆j的故障樣本數(shù)據(jù);

第三步,構(gòu)建近鄰函數(shù)矩陣L,其元素Lij為:

Lij=Mij+Mji-2

(6)

式中:Mij為樣本yi對(duì)yj的近鄰函數(shù)值;Mji為樣本yj對(duì)yi的近鄰函數(shù)值。

(7)

第五步,螞蟻按照以上遷移概率選擇預(yù)計(jì)轉(zhuǎn)移路徑,并將故障樣本數(shù)據(jù)加入數(shù)據(jù)列表,之后判斷是否所有螞蟻完成一次訪問(wèn),如為否,則返回第四步。

第六步,在數(shù)據(jù)列表中,根據(jù)樣本之間的近鄰函數(shù)值大小,打斷近鄰函數(shù)值較大的兩個(gè)樣本數(shù)據(jù)的連接,同時(shí)計(jì)算每一類故障之間的連接損失,形成初步的葉輪故障分類。

第七步,重復(fù)第六步,直至找到每一只螞蟻的JNN最小,完成一次故障識(shí)別,取所有螞蟻中JNN最小的識(shí)別結(jié)果作為一次循環(huán)的求解結(jié)果。

5 試驗(yàn)分析

依據(jù)標(biāo)準(zhǔn)GB/T 29531—2013《泵的振動(dòng)測(cè)量與評(píng)價(jià)方法》,對(duì)葉輪的振動(dòng)信號(hào)進(jìn)行采集,通過(guò)時(shí)域、頻域分析等方法對(duì)故障特征進(jìn)行提取。不同時(shí)域故障指標(biāo)與葉輪故障類型關(guān)系見(jiàn)表1。

表1 時(shí)域故障指標(biāo)與葉輪故障類型關(guān)系

通過(guò)特征提取獲得葉輪狀態(tài)征兆與故障數(shù)據(jù)樣本的映射關(guān)系。建立正常葉輪信號(hào)輸入時(shí)域圖、點(diǎn)蝕葉輪信號(hào)輸入時(shí)域圖、剝落葉輪信號(hào)輸入時(shí)域圖、斷裂葉輪信號(hào)輸入時(shí)域圖,依次如圖1～圖4所示。

由圖1～圖4獲得葉輪信號(hào)輸入測(cè)量數(shù)據(jù)樣本,通過(guò)特征時(shí)域指標(biāo)提取后,加載至魚(yú)群算法-蟻群優(yōu)化算法混合改進(jìn)策略診斷仿真。葉輪時(shí)域故障指標(biāo)X1K、X2K、X3K、X4K、X5K、X6K、X7K依次為第K只螞蟻的均值、均方差、峰值、波形因子、峭度、裕度、脈沖。建立加權(quán)距離指標(biāo)(X1K,X2K)、(X2K,X4K)、(X3K,X6K,X7K)、(X3K,X4K,X5K)、(X3K,X5K,X6K,X7K),結(jié)合不同時(shí)域故障指標(biāo)與葉輪故障類型關(guān)系,建立故障樣本數(shù)據(jù),進(jìn)一步與葉輪信號(hào)輸入測(cè)量數(shù)據(jù)樣本進(jìn)行測(cè)試對(duì)比,得到加權(quán)距離指標(biāo)的故障征兆診斷正確率,見(jiàn)表2。

▲圖1 正常葉輪信號(hào)輸入時(shí)域圖

▲圖2 點(diǎn)蝕葉輪信號(hào)輸入時(shí)域圖

▲圖3 剝落葉輪信號(hào)輸入時(shí)域圖

▲圖4 斷裂葉輪信號(hào)輸入時(shí)域圖

表2 故障征兆診斷正確率

基于上述試驗(yàn),魚(yú)群算法-蟻群優(yōu)化算法混合改進(jìn)策略在不同時(shí)域故障指標(biāo)與葉輪故障類型關(guān)系作為征兆樣本數(shù)據(jù)時(shí),利用不同葉輪信號(hào)輸入時(shí)域圖進(jìn)行仿真測(cè)試,故障征兆診斷識(shí)別的正確率均在85%以上,誤差在可接受范圍內(nèi)。產(chǎn)生誤差的原因可能是,在驗(yàn)臺(tái)上拆裝時(shí)軸向間的同軸度較難保證一致,葉輪潤(rùn)滑油內(nèi)部和油溫等存在不確定因素,在建立故障征兆類型關(guān)系初期,會(huì)因特征提取而產(chǎn)生誤差。針對(duì)部分因素,需要相關(guān)研究人員進(jìn)行進(jìn)一步優(yōu)化。筆者通過(guò)試驗(yàn)確認(rèn)葉輪故障識(shí)別方法的有效性和可行性,誤差在可接受范圍內(nèi)。

6 結(jié)束語(yǔ)

筆者提出一種魚(yú)群算法-蟻群優(yōu)化算法混合改進(jìn)策略,用于對(duì)風(fēng)力發(fā)電機(jī)葉輪進(jìn)行故障識(shí)別。通過(guò)搭建葉輪故障識(shí)別模型進(jìn)行試驗(yàn)驗(yàn)證,結(jié)果證明了風(fēng)力發(fā)電機(jī)葉輪故障識(shí)別方法的有效性和可行性。