基于卷積神經(jīng)網(wǎng)絡(luò)的海上風(fēng)電機(jī)組齒輪箱故障診斷

陳文華，黃偉稀

（中國(guó)船舶科學(xué)研究中心，江蘇無(wú)錫 214082）

近年來(lái)，海上風(fēng)電發(fā)展迅猛[1-5]，然而由于海上風(fēng)電機(jī)組受到臺(tái)風(fēng)、暴雨等惡劣天氣影響，很容易發(fā)生故障[6-8]。海上風(fēng)電機(jī)組維護(hù)成本明顯高于陸上風(fēng)電機(jī)組[9]，其中齒輪箱故障導(dǎo)致的風(fēng)電機(jī)組停機(jī)時(shí)間最長(zhǎng)[10]。目前，風(fēng)電機(jī)組的維護(hù)多采用定期檢修的方式，這種方式一方面不能及時(shí)發(fā)現(xiàn)故障；另一方面靠維護(hù)人員經(jīng)驗(yàn)進(jìn)行故障診斷的準(zhǔn)確率較低，且對(duì)維護(hù)人員的依賴(lài)性較強(qiáng)。因此，有必要針對(duì)海上風(fēng)電機(jī)組齒輪箱開(kāi)展故障診斷技術(shù)研究。

傳統(tǒng)的故障診斷系統(tǒng)主要基于傅里葉變換頻譜分析，在診斷準(zhǔn)確率上有待提高。近年來(lái)發(fā)展起來(lái)的人工智能方法逐漸被應(yīng)用在故障診斷領(lǐng)域[11-16]，但需要首先對(duì)振動(dòng)信號(hào)進(jìn)行故障特征提取，不僅流程繁雜而且容易造成信息遺漏，難以保證診斷準(zhǔn)確性。

文中開(kāi)展了基于深度學(xué)習(xí)方法的故障診斷技術(shù)研究。利用卷積神經(jīng)網(wǎng)絡(luò)在圖像處理上的優(yōu)勢(shì)，將測(cè)試信號(hào)經(jīng)連續(xù)小波變換轉(zhuǎn)換為二維時(shí)頻圖作為網(wǎng)絡(luò)輸入，卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取故障特征，避免信息遺漏、簡(jiǎn)化故障診斷流程；最后進(jìn)行仿真驗(yàn)證，并與傳統(tǒng)的機(jī)器學(xué)習(xí)方法對(duì)比，驗(yàn)證文中所述方法的有效性和優(yōu)越性。

1 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks,ANN）是模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信號(hào)處理的一種數(shù)學(xué)模型，如圖1 所示。其主要組成包括權(quán)重為wi的連接、信號(hào)求和加法器、激活函數(shù)以及外部偏置，數(shù)學(xué)表達(dá)如式（1）所示：

圖1 典型的神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型

其中，y為輸出；xi為輸入信號(hào)；wi為權(quán)值；f為激活函數(shù)，用于限制數(shù)值范圍；b為偏置，用于調(diào)整激活函數(shù)的輸入。神經(jīng)網(wǎng)絡(luò)實(shí)際上是通過(guò)學(xué)習(xí)建立起輸入與輸出之間的非線性映射關(guān)系，從而對(duì)相關(guān)輸入進(jìn)行模式識(shí)別，可應(yīng)用于故障診斷。

基于神經(jīng)網(wǎng)絡(luò)的故障診斷可分為機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法兩種，其中，機(jī)器學(xué)習(xí)方法的故障診斷思路是首先對(duì)振動(dòng)信號(hào)進(jìn)行預(yù)處理，得到能夠反映故障信息的時(shí)域和頻域特征，然后將其作為輸入，利用神經(jīng)網(wǎng)絡(luò)建立輸入特征與故障類(lèi)別的映射關(guān)系，進(jìn)而實(shí)現(xiàn)故障診斷。然而，在人為提取信號(hào)故障特征的過(guò)程中，不可避免地存在信息遺漏，影響故障診斷結(jié)果的準(zhǔn)確性。

深度學(xué)習(xí)方法可以很好地彌補(bǔ)機(jī)器學(xué)習(xí)方法的缺點(diǎn)，其與機(jī)器學(xué)習(xí)的主要區(qū)別在于該方法可以自動(dòng)對(duì)輸入信號(hào)進(jìn)行特征提取。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）是一種常用的深度學(xué)習(xí)方法，CNN 層中的單元為二維濾波器（卷積核），卷積核與該層的輸入進(jìn)行卷積運(yùn)算，處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，在圖像處理上表現(xiàn)優(yōu)異。

利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的技術(shù)流程如圖2 所示。首先對(duì)振動(dòng)信號(hào)進(jìn)行連續(xù)小波變換，得到能夠反映故障特征的時(shí)頻圖；然后直接將時(shí)頻圖作為輸入進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練[17-18]。卷積神經(jīng)網(wǎng)絡(luò)中含有多個(gè)卷積層、池化層，可提取二維時(shí)頻圖特征信息。經(jīng)過(guò)多次循環(huán)迭代，當(dāng)輸出誤差滿足精度要求后即完成了卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，進(jìn)而可以進(jìn)行故障診斷。

圖2 卷積神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)流程圖

2 仿真分析

采用動(dòng)力學(xué)仿真的方式建立齒輪模型，模擬斷齒和齒面磨損故障的仿真模型如圖3 所示，仿真計(jì)算正常工況、斷齒故障、齒面磨損故障的振動(dòng)信號(hào)。

圖3 齒輪故障仿真模型

各個(gè)工況的振動(dòng)信號(hào)如圖4 所示。從時(shí)域的波形圖可以看出，無(wú)故障時(shí)振動(dòng)信號(hào)平穩(wěn)無(wú)沖擊、振動(dòng)幅值小，如圖4（a）所示。發(fā)生故障后，振動(dòng)增強(qiáng)并呈現(xiàn)出明顯的沖擊特性，如圖4（b）、（c）所示。

圖4 各個(gè)工況的時(shí)域振動(dòng)信號(hào)

時(shí)域振動(dòng)信號(hào)除了肉眼可見(jiàn)的明顯振動(dòng)周期外，不能觀察其他信息，對(duì)故障信息的表達(dá)能力不強(qiáng)。為了提高故障信息的表達(dá)能力，需要對(duì)時(shí)域信號(hào)進(jìn)行處理。時(shí)域信號(hào)特征量包括反映振動(dòng)能量的均方值、反應(yīng)沖擊特性的峭度指標(biāo)等。從圖5 所示的振動(dòng)信號(hào)均方值可以看出，故障工況相較于正常工況來(lái)說(shuō)振動(dòng)能量增加。從圖6 所示峭度圖可以看出，無(wú)故障時(shí)峭度指標(biāo)約為3，發(fā)生故障后由于存在明顯的沖擊現(xiàn)象，峭度指標(biāo)顯著升高。

圖5 各個(gè)工況振動(dòng)信號(hào)均方值

圖6 各個(gè)工況振動(dòng)信號(hào)峭度指標(biāo)

時(shí)域特征僅能反映是否存在故障，而不能進(jìn)行故障定位，相對(duì)來(lái)說(shuō)頻域特征表達(dá)的信息更加充分，有利于故障定位。對(duì)信號(hào)進(jìn)行FFT 變換得到的各工況頻譜如圖7 所示。從圖7 可以看出，無(wú)故障時(shí)振動(dòng)幅值小，頻譜中僅有一個(gè)轉(zhuǎn)頻的線譜。兩種故障工況的頻譜特征相似，僅振動(dòng)幅值不同，相對(duì)來(lái)說(shuō)斷齒故障振動(dòng)更大，因此僅根據(jù)頻譜特征不能準(zhǔn)確定位故障，需進(jìn)一步進(jìn)行數(shù)據(jù)處理以提取特征。

圖7 各個(gè)工況振動(dòng)信號(hào)頻譜

2.1 小波分析

小波分析是近年來(lái)受到廣泛關(guān)注的一種數(shù)字信號(hào)處理方法，在時(shí)頻分析上具有優(yōu)勢(shì)，連續(xù)小波變換的數(shù)學(xué)表達(dá)式為：

其中，f(t)為原始信號(hào)；*表示共軛；＜＞表示內(nèi)積；滿足一定條件的時(shí)間函數(shù)ψ(t)為母小波，將母小波伸縮或平移之后得到的函數(shù)族為：

其中，a為尺度參數(shù)，a＞1 表示沿時(shí)間軸方向拉伸，a＜1 表示沿時(shí)間軸方向壓縮；b為平移參數(shù)，b＞0表示沿時(shí)間軸向右平移，b＜0 表示沿時(shí)間軸向左平移。這樣得到的一簇小波可以根據(jù)實(shí)際信號(hào)改變尺度參數(shù)及平移參數(shù)，對(duì)原始信號(hào)進(jìn)行等效，進(jìn)而得到能夠同時(shí)反映時(shí)域和頻域信息的信號(hào)時(shí)頻圖，表達(dá)信息更加全面。

連續(xù)小波變換中時(shí)頻窗在時(shí)頻空間連續(xù)移動(dòng)，實(shí)際應(yīng)用中為了減少信息冗余，一般采用離散小波變換，使a和b按2 的整數(shù)次冪變化，離散小波核函數(shù)見(jiàn)式（4）。離散小波變換能夠?qū)⑿盘?hào)分解，得到不同頻率的信號(hào)分量，從而反映信號(hào)的故障特征。

2.2 基于機(jī)器學(xué)習(xí)方法的故障診斷

首先基于機(jī)器學(xué)習(xí)的方法進(jìn)行故障診斷。采用小波分析對(duì)各工況振動(dòng)信號(hào)進(jìn)行分解，得到各工況振動(dòng)信號(hào)的小波能量譜，如圖8 所示，橫坐標(biāo)表示信號(hào)分解后的各頻帶序號(hào)，縱坐標(biāo)表示各頻帶信號(hào)所對(duì)應(yīng)的振動(dòng)能量占比。將各工況的小波能量譜作為故障特征，輸入至神經(jīng)網(wǎng)絡(luò)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

圖8 各個(gè)工況小波能量譜

基于Matlab 建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖9 所示，完成神經(jīng)網(wǎng)絡(luò)訓(xùn)練后進(jìn)行故障診斷，得到的診斷結(jié)果如表1 所示。表1 給出了各個(gè)工況下神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的故障類(lèi)別及可能性，可以看出機(jī)器學(xué)習(xí)方法對(duì)于不同的故障均取得到了較好的診斷結(jié)果，但診斷準(zhǔn)確率仍有提高空間。

圖9 基于Matlab建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

表1 故障診斷結(jié)果

2.3 基于深度學(xué)習(xí)方法的故障診斷

“特征提取-特征降維-算法診斷”的故障診斷模式高度依賴(lài)經(jīng)驗(yàn)和所選特征類(lèi)別，存在不確定性。深度學(xué)習(xí)方法無(wú)需人工提取信號(hào)特征，簡(jiǎn)化了繁雜的信號(hào)處理過(guò)程。根據(jù)圖2 所示的深度學(xué)習(xí)故障診斷技術(shù)路線進(jìn)行故障診斷，并與機(jī)器學(xué)習(xí)方法得到的故障診斷結(jié)果相對(duì)比，以驗(yàn)證文中所述卷積神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢(shì)。

將振動(dòng)信號(hào)經(jīng)連續(xù)小波變換后得到的時(shí)頻圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入并自動(dòng)提取特征。采用遷移學(xué)習(xí)的方式解決訓(xùn)練數(shù)據(jù)不足的問(wèn)題，利用現(xiàn)有的AlexNet 框架提取特征，然后根據(jù)研究需求進(jìn)行網(wǎng)絡(luò)調(diào)整，最終形成完整的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，如圖10所示。

圖10 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框架示意圖

對(duì)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證，每種工況選取5 個(gè)時(shí)頻圖樣本，如圖11 所示。無(wú)故障工況下的時(shí)頻圖中無(wú)明顯周期性沖擊，故障工況下的時(shí)頻圖中存在2～3 個(gè)沖擊亮條。

圖11 典型工況時(shí)頻圖

圖12 所示為驗(yàn)證集混淆矩陣，可以看出文中所述的卷積神經(jīng)網(wǎng)絡(luò)對(duì)全部的15 個(gè)驗(yàn)證樣本均診斷正確，診斷準(zhǔn)確率達(dá)到100%。

圖12 診斷結(jié)果混淆矩陣

3 結(jié)束語(yǔ)

針對(duì)人為提取信號(hào)故障特征容易造成信息遺漏、診斷準(zhǔn)確率低的問(wèn)題，采用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法對(duì)海上風(fēng)電機(jī)組齒輪箱進(jìn)行故障診斷。文中介紹了卷積神經(jīng)網(wǎng)絡(luò)故障診斷的技術(shù)路線，并進(jìn)行仿真驗(yàn)證，結(jié)果顯示，文中所述方法相較于機(jī)器學(xué)習(xí)方法，簡(jiǎn)化了故障診斷流程，提高了診斷準(zhǔn)確率，有限數(shù)據(jù)的診斷結(jié)果準(zhǔn)確率為100%。