基于增量深度學(xué)習(xí)的風(fēng)機(jī)葉片震動(dòng)異常預(yù)測(cè)方法研究*

林志燦,彭清和

(1.閩南理工學(xué)院實(shí)踐教學(xué)中心,福建 泉州 362700; 2.閩南理工學(xué)院光電與機(jī)電工程學(xué)院,福建 泉州 362700)

0 引言

風(fēng)能作為一種清潔、可再生能源,受到了廣泛關(guān)注.風(fēng)機(jī)發(fā)電是目前應(yīng)用最廣泛的一種方式.根據(jù)國(guó)際能源署的預(yù)測(cè),到2030年全球風(fēng)能裝機(jī)容量將達(dá)到2 000 GW[1-2].雖然風(fēng)機(jī)發(fā)電行業(yè)市場(chǎng)前景廣闊,但是在實(shí)際應(yīng)用中,風(fēng)機(jī)葉片震動(dòng)異常問(wèn)題卻不可避免.風(fēng)機(jī)葉片震動(dòng)異常是指在風(fēng)機(jī)運(yùn)行過(guò)程中,葉片出現(xiàn)不正常的振動(dòng)現(xiàn)象.這種現(xiàn)象不僅會(huì)影響風(fēng)機(jī)的運(yùn)行效率和穩(wěn)定性,還會(huì)對(duì)風(fēng)機(jī)的壽命造成極大的影響.因此,對(duì)于風(fēng)機(jī)葉片震動(dòng)異常問(wèn)題的研究和預(yù)測(cè)顯得尤為重要.

隨著物聯(lián)網(wǎng)智能傳感器等新一代信息技術(shù)在風(fēng)機(jī)行業(yè)的快速應(yīng)用,海量風(fēng)機(jī)設(shè)備運(yùn)行監(jiān)測(cè)數(shù)據(jù)不斷被收集,從而為風(fēng)機(jī)葉片震動(dòng)監(jiān)測(cè)分析提供了數(shù)據(jù)基礎(chǔ).機(jī)器學(xué)習(xí)和深度學(xué)習(xí)因其強(qiáng)大的特征學(xué)習(xí)能力,為海量數(shù)據(jù)下的風(fēng)機(jī)葉片震動(dòng)預(yù)測(cè)與分析提供了有效工具[3].

風(fēng)機(jī)葉片震動(dòng)異常預(yù)測(cè)是根據(jù)風(fēng)機(jī)葉片的運(yùn)行情況,評(píng)估風(fēng)機(jī)當(dāng)前運(yùn)行狀態(tài)并預(yù)測(cè)未來(lái)情況,對(duì)于設(shè)備異常的事前管控具有重要意義.目前常用預(yù)測(cè)方法主要有三類(lèi):物理模型、可靠性理論和數(shù)據(jù)模型[4].前兩者模型通常需要專業(yè)知識(shí)以及大量的數(shù)學(xué)模型和系統(tǒng)知識(shí),導(dǎo)致應(yīng)用前景與能力受限,而基于數(shù)據(jù)模型的異常預(yù)測(cè)方法不需要復(fù)雜經(jīng)驗(yàn)知識(shí),僅需要對(duì)于異常運(yùn)轉(zhuǎn)數(shù)據(jù)進(jìn)行監(jiān)測(cè)分析,因此,越來(lái)越得到重視[5].傳統(tǒng)的基于數(shù)據(jù)的異常預(yù)測(cè)方法包括RBF方法、決策樹(shù)方法、小波變換方法、支持向量機(jī)等方法[6-8].深度學(xué)習(xí)模型作為近年發(fā)展研究之一,在風(fēng)機(jī)葉片震動(dòng)異常預(yù)測(cè)方面也逐漸開(kāi)展研究.文獻(xiàn)[9-10]提出了基于CNN網(wǎng)絡(luò)的楓葉震動(dòng)異常預(yù)測(cè)方法;文獻(xiàn)[11]提出了基于長(zhǎng)短記憶網(wǎng)絡(luò)(Long short term memory network,LSTM)進(jìn)行風(fēng)機(jī)健康狀態(tài)監(jiān)測(cè)與預(yù)測(cè)分析;文獻(xiàn)[12—13]提出基于統(tǒng)計(jì)分析與LSTM相結(jié)合的故障預(yù)測(cè)分析方法,并在實(shí)際風(fēng)機(jī)監(jiān)測(cè)系統(tǒng)中得到了應(yīng)用.

雖然目前基于風(fēng)機(jī)葉片異常預(yù)測(cè)方面的深度學(xué)習(xí)研究已經(jīng)取得了一些進(jìn)展,但是目前存在的問(wèn)題主要集中在:a)基于普通深度學(xué)習(xí)的預(yù)測(cè)方法直接將海量數(shù)據(jù)輸入模型,訓(xùn)練效率和預(yù)測(cè)效率比較低;b)目前基于各種復(fù)雜深度學(xué)習(xí)技術(shù)的預(yù)測(cè)模型都屬于靜態(tài)模型,缺少自學(xué)習(xí)能力與模型更新能力,不能適應(yīng)風(fēng)機(jī)運(yùn)行狀態(tài)變化的趨勢(shì),缺少研究考慮利用物聯(lián)網(wǎng)采集的實(shí)時(shí)數(shù)據(jù)動(dòng)態(tài)更新模型;c)傳統(tǒng)風(fēng)機(jī)葉片震動(dòng)預(yù)測(cè)輸出結(jié)果通常只輸出是否存在異常,缺少異常類(lèi)型以及異常級(jí)別,無(wú)法為檢修工作提供更為清晰的分析結(jié)果[14-15].

基于以上原因,提出一種基于自編碼器的時(shí)頻分析特征提取方法,再結(jié)合長(zhǎng)短記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、增量深度學(xué)習(xí)共同構(gòu)建風(fēng)機(jī)葉片震動(dòng)異常預(yù)測(cè)方法,其中包括了時(shí)頻特征分析、增量LSTM、異常診斷器3個(gè)功能模塊,從而提升了預(yù)測(cè)的準(zhǔn)確性,降低了維護(hù)成本,提高了經(jīng)濟(jì)效益.

1 風(fēng)機(jī)葉片異常預(yù)測(cè)方法

1.1 方法整體流程

本文研究的風(fēng)機(jī)葉片異常預(yù)測(cè)方法框架如圖1所示,通過(guò)堆疊多個(gè)深度學(xué)習(xí)模型來(lái)提升異常預(yù)測(cè)方法的非線性表達(dá)能力.首先通過(guò)自編碼器來(lái)實(shí)現(xiàn)時(shí)頻特征提取,實(shí)現(xiàn)數(shù)據(jù)表達(dá)能力的提升,然后利用增量LSTM實(shí)現(xiàn)異常數(shù)據(jù)的中長(zhǎng)期預(yù)測(cè),并結(jié)合增量學(xué)習(xí)機(jī)制實(shí)現(xiàn)模型自更新與參數(shù)優(yōu)化.最后利用多層CNN卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)異常類(lèi)型以及異常程度進(jìn)行分類(lèi)輸出.

圖1 風(fēng)機(jī)葉片異常預(yù)測(cè)方法整體流程圖

1.2 基于自編碼器的時(shí)頻特征提取

時(shí)頻特征是指從輸入原始海量數(shù)據(jù)中提取有用的關(guān)鍵特征,從而減少模型輸入數(shù)據(jù)量,提升模型運(yùn)行效率.為了更好提取風(fēng)機(jī)葉片震動(dòng)數(shù)據(jù)的時(shí)頻特征,運(yùn)用了自編碼器的神經(jīng)網(wǎng)絡(luò)來(lái)提取頻率特征,采用Time2Vector方法提取時(shí)間特征,從而組成完整的時(shí)頻特征數(shù)據(jù).

自編碼器網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,包括輸入層、中間隱藏層以及輸出層,實(shí)現(xiàn)輸入數(shù)據(jù)從高維空間映射到低維空間,將數(shù)據(jù)壓縮到隱藏層空間,從而實(shí)現(xiàn)數(shù)據(jù)內(nèi)部空間表征,再經(jīng)過(guò)激活處理后再次將低維空間數(shù)據(jù)映射到高維空間,實(shí)現(xiàn)頻率數(shù)據(jù)編碼.

圖2 自編碼器網(wǎng)絡(luò)結(jié)構(gòu)

針對(duì)于輸入數(shù)據(jù)的時(shí)間特征提取,本文采用Time2Vector時(shí)間矢量表示學(xué)習(xí)方法,其能夠有效捕獲時(shí)間周期模式和非周期模式,可對(duì)時(shí)間尺度的縮放(例如分鐘、小時(shí)、天)保持穩(wěn)定不變,易于與許多模型進(jìn)行集成.Time2Vector數(shù)學(xué)表示公示如下:

t2ν(τ)[i]=ωiτ+φi,ifi=0,F(ωiτ+φi),if1≤i≤k.

(1)

式(1)中i=0表示周期模式,與線性函數(shù)表示方式比較接近,采用非周期模式進(jìn)行表示.

1.3 增量LSTM網(wǎng)絡(luò)

在接收到時(shí)頻特征數(shù)據(jù)后,LSTM網(wǎng)絡(luò)可以對(duì)其進(jìn)行深度網(wǎng)絡(luò)訓(xùn)練,實(shí)現(xiàn)基于時(shí)序數(shù)據(jù)信息來(lái)預(yù)測(cè)下一時(shí)刻的輸出.LSTM網(wǎng)絡(luò)典型結(jié)構(gòu)如圖3所示,采用鏈?zhǔn)浇Y(jié)構(gòu),引入細(xì)胞狀態(tài)和記憶體來(lái)存儲(chǔ)序列的長(zhǎng)期信息,并借助遺忘門(mén)、輸入門(mén)和輸出門(mén)進(jìn)行信息篩選和更新,以降低模型梯度消失和梯度爆炸的問(wèn)題,從而提升模型的泛化性.

圖3 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

為了保證預(yù)測(cè)模型的有效性,通過(guò)利用增量機(jī)制來(lái)實(shí)現(xiàn)異常預(yù)測(cè)模型參數(shù)的動(dòng)態(tài)更新機(jī)制,從而提升模型的自學(xué)習(xí)能力.動(dòng)態(tài)更新機(jī)制主要利用殘差反饋網(wǎng)絡(luò)來(lái)實(shí)現(xiàn),從而實(shí)現(xiàn)誤差結(jié)果反饋,更新LSTM網(wǎng)絡(luò)的權(quán)重信息以及參數(shù)信息.

圖4 增量學(xué)習(xí)的動(dòng)態(tài)更新機(jī)制

迭代誤差反饋機(jī)制通過(guò)迭代計(jì)算修正預(yù)測(cè)值,并在不同修正的過(guò)程中更加接近真實(shí)值.迭代誤差反饋網(wǎng)絡(luò)的數(shù)學(xué)模式可表示為:

εt=f(xt),

(2)

yt+1=yt+εt,

(3)

xt+1=I⊕g(yt+1).

(4)

其中表示迭代誤差反饋網(wǎng)絡(luò)的輸入數(shù)據(jù),表示為使得預(yù)測(cè)值更為接近真實(shí)值的校正值,并可以通過(guò)模型轉(zhuǎn)換g與原始數(shù)據(jù)進(jìn)行連接從而使生成新輸入數(shù)據(jù),然后迭代循環(huán)此過(guò)程,直到滿足預(yù)定目標(biāo)為止.

1.4 異常診斷器

異常診斷器主要是對(duì)于增量LSTM輸出結(jié)果進(jìn)行診斷分析,預(yù)測(cè)異常類(lèi)型和異常級(jí)別,從而更好的為設(shè)備維護(hù)人員提供決策信息參考.本文中的異常診斷器采用多任務(wù)CNN級(jí)聯(lián)網(wǎng)絡(luò)進(jìn)行構(gòu)建,同時(shí)輸出異常類(lèi)型以及異常級(jí)別,網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖5所示.對(duì)于兩個(gè)任務(wù)的輸出Softmax層,第一個(gè)任務(wù)共有四個(gè)輸出,分別為無(wú)異常、葉片撕裂、軸承外圈故障、軸承滾動(dòng)體故障四個(gè)類(lèi)型,第二個(gè)任務(wù)Softmax層共有3個(gè)輸出,對(duì)應(yīng)三個(gè)不同異常級(jí)別.

圖5 異常診斷器網(wǎng)絡(luò)結(jié)構(gòu)圖

2 實(shí)驗(yàn)驗(yàn)證

2.1 數(shù)據(jù)集介紹

為了驗(yàn)證本文所提出的風(fēng)機(jī)震動(dòng)異常增量深度學(xué)習(xí)算法的有效性,使用Pytorch深度學(xué)習(xí)框架進(jìn)行算法訓(xùn)練,GPU硬件配置為Invidia 3080Ti.

采用實(shí)驗(yàn)數(shù)據(jù)集為實(shí)際風(fēng)機(jī)場(chǎng)站采集數(shù)據(jù),采集傳感器以及場(chǎng)景示意圖如圖6所示,其由電機(jī)、控制器、傳感器等部分組成,采樣頻率64 kHz,采樣結(jié)果如表1所示,其中包括葉片故障、軸承故障兩種故障位置,可以劃分為葉片撕裂、軸承外圈故障、軸承滾動(dòng)體故障三種故障類(lèi)型以及輕微、中等、嚴(yán)重三種異常級(jí)別.針對(duì)每種故障類(lèi)型選取1 000個(gè)樣本,每個(gè)樣本包括500個(gè)采樣點(diǎn),并將全部樣本劃分500個(gè)樣本為訓(xùn)練集,300個(gè)樣本為增量更新測(cè)試集,200個(gè)樣本為測(cè)試集.在增量深度學(xué)習(xí)算法訓(xùn)練過(guò)程中,采用Adam算法進(jìn)行訓(xùn)練,學(xué)習(xí)率設(shè)置為0.001.

圖6 實(shí)際風(fēng)機(jī)震動(dòng)數(shù)據(jù)采集場(chǎng)景

表1 數(shù)據(jù)集描述

2.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)數(shù)據(jù)在不同運(yùn)行狀態(tài)下的風(fēng)機(jī)葉片震動(dòng)信號(hào)的時(shí)域波形如圖7所示,其中包括三種異常類(lèi)型以及正常狀態(tài)的信號(hào)波形.

圖7 不同狀態(tài)的時(shí)域波形

本文提出基于增量深度學(xué)習(xí)的風(fēng)機(jī)葉片震動(dòng)異常預(yù)警算法進(jìn)行訓(xùn)練,訓(xùn)練過(guò)程損失函數(shù)變化如圖8所示,從圖中可以明確看出本文所提出方法的損失函數(shù)穩(wěn)步收斂,從而可以實(shí)現(xiàn)異常預(yù)測(cè)結(jié)果.另外為了驗(yàn)證本文提出算法的優(yōu)越性,還將其與其他深度學(xué)習(xí)算法,例如RNN算法、CNN算法、LSTM算法進(jìn)行對(duì)比.這些模型直接將傳感器原始數(shù)據(jù)進(jìn)行輸入,不需要進(jìn)行特征提取,并以均方根誤差(Root mean square error,RMSE)作為評(píng)估指標(biāo),實(shí)驗(yàn)對(duì)比結(jié)果如表2所示.

圖8 損失函數(shù)變化過(guò)程

從表2中可以看出,本文提出的綜合方法效果最優(yōu),其他依次為L(zhǎng)STM算法、RNN算法以及CNN算法.另外相比于無(wú)增量學(xué)習(xí)版本,本文提出算法也具有一定優(yōu)勢(shì),由此可見(jiàn)通過(guò)增量學(xué)習(xí)持續(xù)對(duì)于模型進(jìn)行優(yōu)化,可以有效降低模型預(yù)測(cè)誤差.

表2 多模型實(shí)驗(yàn)RMSE對(duì)比結(jié)果

3 結(jié)論

本文提出了一種基于時(shí)頻分析特征數(shù)據(jù)的增量深度學(xué)習(xí)的預(yù)測(cè)方法,其可以通過(guò)對(duì)大量數(shù)據(jù)的分析和處理,建立增量深度學(xué)習(xí)模型以及CNN異常診斷器,從而實(shí)現(xiàn)風(fēng)力渦輪機(jī)葉片的振動(dòng)異常預(yù)測(cè).通過(guò)此方法可以評(píng)估風(fēng)機(jī)當(dāng)前運(yùn)行狀態(tài)并預(yù)測(cè)未來(lái)情況,對(duì)于設(shè)備異常的事前管控具有重要意義.未來(lái)隨著技術(shù)的不斷進(jìn)步和應(yīng)用的不斷推廣,相信風(fēng)機(jī)葉片震動(dòng)異常預(yù)測(cè)技術(shù)會(huì)更加成熟和完善,為風(fēng)機(jī)發(fā)電行業(yè)的發(fā)展提供更加可靠的保障.