基于遷移學習的風電機組軸承故障診斷研究

DOI：10.19912/j.0254-0096.tynxb.2022-0085 文章編號：0254-0096（2023）06-0367-07

摘 要：針對風電機組運行工況復雜，實際采集的振動信號存在分布差異，導致故障診斷模型的分類效果偏低問題，提出一種具有多核領域適應（MKDA）的多尺度卷積神經(jīng)網(wǎng)絡（MSCNN）風電機組軸承故障診斷研究方法（MKDA-MSCNN）。該方法通過遷移理論將已知風電機組知識遷移至目標風電機組實現(xiàn)故障診斷。首先，利用源域數(shù)據(jù)預訓練MSCNN網(wǎng)絡，再利用多核領域適應減小源域和目標域分布差異，最終獲得目標風電機組故障診斷模型。試驗結果表明，該文提出的MKDA-MSCNN方法在實際風電機組軸承故障診斷中分類精度高達96.17%，對比結果表明該文所提方法的故障分類準確度優(yōu)于其他深度學習和深度遷移學習方法，對遷移學習理論在實際工程風電機組軸承故障診斷中的研究具有一定價值。

關鍵詞：風電機組；故障診斷；滾動軸承；卷積神經(jīng)網(wǎng)絡；遷移學習

中圖分類號：TH133.33；TH17 " 文獻標志碼：A

0 引 言

隨著全球范圍內(nèi)的煤炭、石油和天然氣等能源日益減少，全球變暖等環(huán)境問題日益突出，以風力發(fā)電為代表的可再生、可持續(xù)的清潔能源技術得到大力研究和推廣［1-2］。風力發(fā)電機作為發(fā)電機組中的重要零部件之一，其可靠性直接影響發(fā)電的穩(wěn)定性和風電的投資回報率。然而由于其工作環(huán)境惡劣，運行載荷多變，極易發(fā)生故障［3］。滾動軸承作為風電機組傳動系統(tǒng)的關鍵零部件，一旦發(fā)生故障則會影響整個機組的性能穩(wěn)定性，甚至造成嚴重事故。因此對風電機組軸承進行狀態(tài)評估和故障分析研究具有重要意義。

傳統(tǒng)的軸承故障診斷主要通過信號處理分析軸承的故障特征，向玲等［4］利用最小熵卷積和1.5維能量譜結合，實現(xiàn)了風電機組軸承復合故障診斷；陳冰艷等［5］提出一種增強組合差分形態(tài)濾波器用于檢測強噪聲背景下的軸承故障特征；向玲等［6］提出風電機組滾動軸承復合診斷方法。然而上述方法對各自的領域故障診斷有一定效果，但對先驗知識要求高，效率低且不具備通用性。

深度學習可自動提取軸承信號特征并建立“端到端”的故障診斷模型，是目前主流的故障診斷方法。許自飛等［7］提出基于一維卷積神經(jīng)網(wǎng)絡（1D convolutional neural network，1D-CNN）聯(lián)合特征提取軸承健康監(jiān)測方法，通過耦合自編碼器可得到較高的故障診斷精度和較低的診斷延時；張西寧等［8］利用小尺度卷積核以跳動的方式進行下采樣，解決了卷積神經(jīng)網(wǎng)絡中最大池化丟失大量信息和平均池化模糊重要特征的問題；王歡等［9］利用一維卷積神經(jīng)網(wǎng)絡實現(xiàn)對圓柱滾子軸承的保持架故障進行診斷。這些方法有效的前提是訓練數(shù)據(jù)和測試數(shù)據(jù)是同一分布，但實際風電機組運行工況多變，軸承數(shù)據(jù)在不同工況下采集，即使是從同一組風力發(fā)電機組采集到的軸承數(shù)據(jù)也難免存在一定差異。

遷移學習是解決分布差異極為有效的方法，該方法通過學習相關領域的特征來提高在目標領域上的表現(xiàn)，降低了模型對數(shù)據(jù)分布的要求，提高模型的泛化能力。目前，已有將遷移學習應用于軸承故障診斷的相關研究。徐敏秋等［10］利用遷移學習解決小樣本軸承故障診斷問題；李艷婷等［11］利用基于遷移學習的卷積自編碼方法實現(xiàn)對風力發(fā)電機組軸承故障診斷；孫遠航等［12］利用自適應正則化遷移學習方法對不同工況下的滾動軸承進行故障診斷。

考慮風電機組運行工況復雜，針對采集的數(shù)據(jù)具有分布差異的問題，本文提出在變工況條件下的風電機組軸承故障診斷方法（multi-kernel distribution adaptation multi-scale CNN，MKDA-MSCNN）。

1 理論方法

1.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡提取特征能力突出，是深度學習中極具代表性的網(wǎng)絡之一。由輸入層、卷積層、池化層、全連接層以及輸出層組成。其基礎結構如圖1所示。

卷積層利用卷積核與輸入目標進行卷積運算提取特征，再經(jīng)過非線性激活函數(shù)得到特征張量。卷積運算的表達式為：

[xlj=σixl-1i*klij+blj] （1）

式中：[xlj]——[l]層的第[j]個特征圖；[xl-1i]——[l-1]層的第[i]個輸入；[klij]——將第[i]個輸入特征圖與第[j]特征圖連接的卷積核；[blj]——偏差；[?]——二維卷積操作；[σ?]——ReLU激活函數(shù)，其表達式定義為：

[σx=max（x，0）]" （2）

池化層分為最大池化和平均池化2種，主要用于提取上一層的代表性特征，同時減少模型參數(shù)。最大池化和平均池化的表達式分別為：

[plijmax=max（z-1）ω≤t≤zωxlit，i=1，2，…，q] （3）

[plijaverage=average（z-1）ω≤t≤zωxlit，i=1，2，…，q] （4）

式中：[xlit]——第[l]層中第[i]個特征張量的第[t]個神經(jīng)元；[ω]——池化層核大??；[j]——第[j]個池化層。

在卷積層和池化層的多次交替運算后，連接全連接層。該層中每個神經(jīng)元均與前一層中所有神經(jīng)元連接，以此整合經(jīng)過一系列卷積池化處理后的數(shù)據(jù)特征。最后在輸出層，經(jīng)過Sigmoid分類器得到分類結果，其表達式為：

[Sigmoid（x）=1/1+e-x]""" （5）

1.2 多尺度卷積神經(jīng)網(wǎng)絡

風電機組的結構復雜，發(fā)電機軸承與其他部件振動耦合，使軸承故障特征呈現(xiàn)出多尺度特性。普通卷積神經(jīng)網(wǎng)絡難以提取多尺度特征。對此本文采用多尺度卷積神經(jīng)網(wǎng)絡（multi-scale CNN，MSCNN）從一維振動信號提取具有不同尺度的風電機組軸承特征。

多尺度卷積神經(jīng)網(wǎng)絡的核心是利用不同尺寸池化層結合Dropout提取連續(xù)多尺度的振動特征，如圖2為池化尺寸是3×1，步長為1的連續(xù)多尺度特征提取。相比于普通多尺度卷積，經(jīng)過連續(xù)多尺度卷積的信號長度不會改變，便于模型維護。另外，結合Dropout，隨機丟棄一些數(shù)據(jù)點，避免模型過擬合，提高模型魯棒性。

多尺度卷積神經(jīng)網(wǎng)絡結構如圖3。軸承振動信號經(jīng)過連續(xù)多尺度特征提取后分別采用256×1、128×1和64×1的寬卷積核，擴大模型感受野，更好提取故障特征，最后采用多個3×1卷積核，加深網(wǎng)絡結構，防止模型過擬合。

1.3 遷移學習

風電機組軸承常年在變轉速、重負載工況下持續(xù)運行，采集到的數(shù)據(jù)存在分布差異，導致多尺度卷積神經(jīng)網(wǎng)絡在測試集上的診斷能力急劇下降。對此，利用遷移學習優(yōu)化多尺度卷積神經(jīng)網(wǎng)絡，提高模型在與訓練集分布不同的測試集上的準確率。遷移學習訓練數(shù)據(jù)包含源域數(shù)據(jù)[DS=XS，YSnsi=1]和目標域數(shù)據(jù)[DT=XT，YTntj=1]兩部分，二者具有相關知識但分布存在差異。遷移學習的目的是利用源域學習到的知識建立目標域上的模型。其對分布不同的數(shù)據(jù)集的效果如圖4。

最大平均差異（maximum mean discrepancy，MMD）常被用于衡量獨立且分布不同的2個域之間的分布差異。對于分別服從[p、q]分布的[XS]和[XT]，MMD定義為：

[DHXS，XT=supφ∈HEXS～pφXS-EXT～qφXT]"" （6）

式中：[D]——計算域偏差的距離；[H]——重構核希爾伯特空間（RKHS）；[sup?]——集合上確界；[φ?]——[X→H]的非線性映射。MMD的有偏經(jīng)驗估計為：

[DHXS，XT=1nSi=1nSφXsi-1nTj=1nTφXTi2H] （7）

從式（7）可看出，MMD的有偏估計就是求源域數(shù)據(jù)和目標域數(shù)據(jù)經(jīng)過非線性映射后的均值之差。[DHXS，XT]的值越接近0，說明兩域之間的差距越小。為求解式（7），引入核技巧，則：

[DHXS，XT=1n2Si=1nSj=1nSk（xsi，x2j）-2nsnti=1nSj=1nTk（xsi，xtj）+"""""" """"""""""""""1n2Ti=1nTj=1nTk（xti，xtj）]"" （8）

式中：[k（?，?）]——核函數(shù)。針對不同的遷移任務，需選擇不同的核函數(shù)，核函數(shù)的選擇會直接影響MMD在領域適配中的應用效果。對此，本文提出多核領域適應（multi-kernel distribution adaptation，MKDA），將核函數(shù)選擇問題轉換為一個優(yōu)化問題。多核核函數(shù)集合為：

[K：=k：=n=1Nαnknn=1Nαn=1，αn≥0]"" （9）

式中：[K]——由[N]個具有不同參數(shù)的高斯核函數(shù)、多項式核函數(shù)的凸組合。參數(shù)[αn]只需求解如下優(yōu)化問題即可。

[maxαn，kn∈Kn=1Nαnkn1Nn=1Nαnkn-1Nn=1Nαnkn2s.t.""" n=1Nαn=1， αn≥0]""" （10）

綜上，只需求解[minmaxDHXS，XT]即可減小源域數(shù)據(jù)和目標域數(shù)據(jù)間的分布差異，使源域模型在目標域數(shù)據(jù)上仍有較好的分類效果。多核領域適應應用于卷積神經(jīng)網(wǎng)絡中，其目標函數(shù)為：

[minmaxkn∈KL（θ）+λDHXS，XT]""" （11）

式中：[L（θ）]——交叉熵損失函數(shù)；[λ]——多核領域適應的正則化因子。

2 MKDA-MSCNN故障診斷研究

為有效解決風電機組變工況背景下軸承數(shù)據(jù)分布差異，并對其常見故障特征進行分類。本文提出一種具有多核領域適應的多尺度卷積神經(jīng)網(wǎng)絡故障診斷方法MKDA-MSCNN。該方法針對風電機組軸承與其他部件振動耦合導致振動信號表現(xiàn)出的多尺度特性，設置一維多尺度卷積神經(jīng)網(wǎng)絡提取信號特征，當同時處理源域數(shù)據(jù)和目標域數(shù)據(jù)時，MKDA-MSCNN將多尺度卷積部分參數(shù)共享，再利用多核領域適應（MKDA）對齊源域和目標域的分布，提高模型在目標風力發(fā)電機組上的故障診斷精度，具體結構如圖5。

2.1 數(shù)據(jù)預處理

風電機組軸承的振動數(shù)據(jù)是一維時間序列信號，每個時刻的數(shù)據(jù)都有一定的相關性，因此本文以經(jīng)過歸一化的一維振動信號構建源域和目標域數(shù)據(jù)，并劃分模型訓練集和測試集。

2.2 MKDA-MSCNN的結構框架

本文針對風電機組軸承提出一種具有多核領域適應的多尺度卷積神經(jīng)網(wǎng)絡故障診斷方法MKDA-MSCNN，具體流程圖如圖6。步驟如下：

1）采集風電機組軸承振動數(shù)據(jù)。

2）將采集到的數(shù)據(jù)進行預處理，構建由源域數(shù)據(jù)和目標域數(shù)據(jù)組成的訓練集，以及僅有目標域數(shù)據(jù)的測試集。

3）搭建MKDA-MSCNN方法結構框架，利用源域數(shù)據(jù)對MKDA-MSCNN進行預訓練。

4）在模型后2個全連接層利用多核領域適應減小源域和目標域的分布差異，得到最終MKDA-MSCNN模型。

5）利用實際風電機組軸承數(shù)據(jù)驗證提出算法的準確性和有效性，最終實現(xiàn)不同工況下風電機組故障診斷。

3 案例分析

3.1 試驗設置

為驗證本文針對風電機組軸承提出的MKDA-MSCNN方法的有效性，采用天津某風電場實際采集的風電機組電機驅動端和自由端軸承數(shù)據(jù)進行對比試驗驗證。該風電場發(fā)電機軸承型號為SKF6330M/C3H，主要由外圈、內(nèi)圈、滾動體、保持架組成。通過安裝在發(fā)電機軸承座側面位置的（integrated circuit piezoelectric，ICP）壓電加速度傳感器對水平和垂直2個方向的振動信號進行采集，采樣頻率為16384 Hz，采樣時間10 s。

signal acquisition

根據(jù)該風電場25臺風電機組采集到的發(fā)電機軸承數(shù)據(jù)，劃分出4種狀態(tài)，具體標簽如表1所示。在表1中，N表示健康狀態(tài)，OF表示外圈故障，IF表示內(nèi)圈故障，CF表示保持架故障。

分析采集到的數(shù)據(jù)，選取包含4種狀態(tài)的5臺風電機組電機軸承數(shù)據(jù)作為目標域數(shù)據(jù)，其余20臺風電機組發(fā)電機軸承數(shù)據(jù)做為源域數(shù)據(jù)。源域數(shù)據(jù)中每種狀態(tài)均具有充足數(shù)據(jù)，足以為目標域數(shù)據(jù)提供足夠的故障知識。為避免數(shù)據(jù)不均衡影響模型效果，利用重采樣的方法截取長度為2048的樣本。數(shù)據(jù)具體劃分如圖8。利用本文提出MKDA-MSCNN方法對劃分好的數(shù)據(jù)樣本分別進行訓練和測試。

3.2 MKDA-MSCNN算法結構

MKDA-MSCNN由一個輸入層，3組并行卷積池化特征提取結構，2個全連接層和一個輸出層組成，其中每一組特征提取結構都包括多尺度特征提取、寬卷積核特征提取和小卷積核特征提取。卷積層和全連接層采用ReLU激活函數(shù)函數(shù)，輸出層采用softmax函數(shù)，預訓練迭代次數(shù)100次。優(yōu)化器為Adam，學習率設置為0.01。batch_size為100。

利用源域數(shù)據(jù)對MKDA-MSCNN模型進行預訓練后，利用多核領域適應減小源域數(shù)據(jù)和目標域數(shù)據(jù)在全連接層的分布差異，得到模型在目標域的故障診斷結果。迭代次數(shù)50次。優(yōu)化器為Adam，學習率設置為0.01。batch_size為50。

3.3 測試結果與比較分析

為檢驗測試結果的準確性，采用本文提出的算法對實驗測試數(shù)據(jù)進行驗證，同時與CNN、多尺度卷積（MSCNN）、結合多核領域適應的CNN（MKDA-CNN）3種分類方法進行實驗對比。其中CNN與MKDA-CNN均采用經(jīng)典卷積神經(jīng)網(wǎng)絡ALexNet的網(wǎng)絡結構。MSCNN與本文方法結構相同。

在訓練過程中，800條源域樣本和200條目標域樣本構成訓練集，200條目標域數(shù)據(jù)構成測試集，分別采用本文提出的MKDA-MSCNN方法和其他3種方法進行對比。4種方法在測試集上的準確率如圖9所示。

由圖9的試驗結果可知，本文提出的MKDA-MSCNN平均準確率高達96.17%，在所有對比方法中效果最好，說明本方法具有優(yōu)越的泛化能力和魯棒性，能解決因風電機組運行工況復雜，導致實際采集的振動信號存在分布差異的問題。MSCNN和CNN并未考慮風電機組發(fā)電機軸承數(shù)據(jù)差異的問題，診斷能力均有所下降。但是MSCNN的平均準確率為89.12%，高于CNN的85.77%。這是因為MSCNN考慮了風電機組發(fā)電機軸承與其他部件振動耦合，采用多尺度卷積提取軸承振動信號的多尺度特征，并采用寬卷積核擴大模型感受野，再利用多個小卷積核加深網(wǎng)絡，可更好提取軸承故障特征。MKDA-CNN在CNN的基礎之上考慮數(shù)據(jù)分布差異的問題，但是受限于CNN提取特征的能力，其準確率僅提升到了90.22%。

4種算法在測試集上的準確率曲線如圖10所示，從圖中可看出，CNN的收斂速度慢，且準確率低。MKDA-MSCNN收斂速度最快，這是因為MKDA-MSCNN是基于在源域預訓練好的模型加入多核領域適應后再次訓練得到，繼承了MSCNN特征提取部分的參數(shù)，能在較小的迭代次數(shù)中達到較高準確率，并趨于平穩(wěn)。

為了測試提出的方法對風電機組軸承故障數(shù)據(jù)的分類效果，利用TSNE算法對4種方法提取的特征進行降維，可視化如圖11。從圖中可看出CNN、MKDA-CNN和MSCNN均存在類與類之間的混淆，分類邊界并不清晰。而MKDA-MSCNN邊界清晰且邊界距離較大，分類效果好，進一步證明了所提方法在實際工程中風電機組軸承故障診斷應用的有效性。

4 結 論

針對風電機組變工況背景下采集到的軸承數(shù)據(jù)存在分布差異的問題，本文提出一種具有多核領域適應的多尺度卷積神經(jīng)網(wǎng)絡風電機組軸承故障診斷方法MKDA-MSCNN，在實際采集的風電機組軸承數(shù)據(jù)進行試驗驗證，主要結論如下：

1）本方法以原始振動信號作為輸入，實現(xiàn)了風電機組軸承“端到端”的故障診斷。

2）采用連續(xù)多尺度卷積提取風電機組軸承因振動耦合呈現(xiàn)的多尺度特征。在模型中加入多核領域適應，減小源域數(shù)據(jù)和目標域數(shù)據(jù)間的分布差異，提高模型在目標域上的診斷精度。對比實驗表明本方法的分類精度高達96.17%，優(yōu)于其他深度學習方法和遷移學習方法，基本滿足了實際工程風電機組軸承故障診斷。

3）本研究針對風電機組軸承經(jīng)常出現(xiàn)的單一故障進行診斷，而實際風電機組運行過程中，軸承還會出現(xiàn)多故障問題，為了更好對風電機組軸承進行故障診斷，在今后的工作中計劃將本方法進一步拓展，用于解決多故障診斷問題。

［參考文獻］

［1］" 蘇連成， 邢美玲， 張慧. 基于組合預測模型的風電機組關鍵部位故障檢測［J］. 太陽能學報， 2021， 42（10）： 220-225.

SU L C， XING M L， ZHANG H. Fault detection of key components of wind turbine based on combination prediction model［J］. Acta energiae solaris sinica， 2021， 42（10）： 220-225.

［2］" 齊詠生， 劉飛， 李永亭， 等. 基于MK-MOMEDA和Teager能量算子的風電機組滾動軸承復合故障診斷［J］. 太陽能學報， 2021， 42（7）： 297-307.

QI Y S， LIU F， LI Y T， et al. Compound fault diagnosis of wind turbine rolling bearing based on MK-MOMEDA and teager energy operator［J］. Acta energiae solaris sinica， 2021， 42（7）： 297-307.

［3］" 苗寶權， 陳長征， 羅園慶， 等. 基于自適應增強差分積形態(tài)濾波器的滾動軸承故障特征提取方法［J］. 機械工程學報， 2021， 57（9）： 78-88.

MIAO B Q， CHEN C Z， LUO Y Q， et al. Rolling bearing fault feature extraction method based on adaptive enhanced differential"" product" morphological"" filter［J］." Journal"" of mechanical engineering， 2021， 57（9）： 78-88.

［4］" XIANG L， SU H， LI Y. Research on extraction of compound fault characteristics for rolling bearings in wind turbines［J］. Entropy， 2020， 22（6）： 682-697.

［5］" CHEN B Y， SONG D L， ZHANG W H， et al. A performance enhanced time-varying morphological filtering method"" for"" bearing"" fault"" diagnosis［J］." Measurement， 2021， 176（10）： 1-19.

［6］" 向玲， 李營. 風電機組滾動軸承復合故障診斷研究［J］. 太陽能學報， 2021， 42（3）： 90-97.

XING L， LI Y. Research on composite fault diagnosis of wind" turbine"" rolling"" bearings［J］. Acta" energiae" solaris sinica， 2021， 42（3）： 90-97.

［7］" XU Z F， LI C， YANG Y. Fault diagnosis of rolling bearing of wind turbines based on the variational mode decomposition and deep convolutional neural networks［J］. Applied soft computing， 2020， 95： 106515.

［8］" 張西寧， 劉書語， 余迪， 等. 改進深度卷積神經(jīng)網(wǎng)絡及其在變工況滾動軸承故障診斷中的應用［J］. 西安交通大學學報， 2021， 55（6）： 1-8.

ZHANG X N， LIU S Y， YU D， et al. Improved deep convolutional neural network with applications to bearing fault diagnosis" under" variable" conditions［J］." Journal" of Xi’an Jiaotong University， 2021， 55（6）： 1-8.

［9］" WANG H， LIU Z L， PENG D D， et al. Understanding and learning discriminant features based on multi-attention 1DCNN" for"" wheelset" bearing" fault"" diagnosis［J］." IEEE transactions on industrial informatics， 2019， 16（9）： 5735-5745.

［10］" XU M Q， WANG Y Q. An imbalanced fault diagnosis method for rolling bearing based on semi-supervised conditional generative adversarial network with spectral normalization［J］. IEEE access， 2021， 9： 27736-27747.

［11］" LI Y T， JIANG W B， ZHANG G Y， et al. Wind turbine fault diagnosis based on transfer learning and convolutional autoencoder with small-scale data［J］. Renewable energy， 2021， 171（3）： 67-78.

［12］" SUN Y H， YU J B. Fault detection of rolling bearing using sparse representation-based adjacent signal difference［J］. IEEE transactions on instrumentation and measurement， 2020， 70： 1-16.

RESEARCH ON BEARING FAULT DIAGNOSIS OF

WIND TURBINES BASED ON TRANSFER LEARNING

An Wenjie1，Chen Changzheng1，2，Tian Miao1，Su Xiaoming1，Sun Xianming3，Gu Yanling1

（1. School of Mechanical Engineering， Shenyang University of Technology， Shenyang 110870， China；

2. Liaoning Vibration and Noise Control Engineering Research Center， Shenyang 110870， China；

3. Ningbo Kunbo Measurement and Control Technology Co.， Ltd.， Ningbo 315200， China）

Keywords：wind turbines； fault diagnosis； rolling bearing； convolutional neural network； transfer learning

收稿日期：2022-01-18

基金項目：國家自然科學基金（51675350；51575361）

通信作者：陳長征（1964—），男，博士、教授、博士生導師，主要從事設備狀態(tài)監(jiān)測與故障診斷方面的研究。czchen@sut.edu.cn