基于WKCNN的風電機組軸承聲信號故障診斷研究

黃海

（國電電力發(fā)展股份有限公司 北京市 100101）

由于風力發(fā)電機組安裝環(huán)境比較惡劣，因此其轉動系統(tǒng)故障問題也越來越多。風電機組一旦發(fā)生故障，可能引起非計劃停機，導致重大的經濟損失[1]。據(jù)報道，風力發(fā)電機故障中40%～50%與軸承有關[2]。故障的及時準確診斷對風力發(fā)電機組的可靠安全運行至關重要。

傳統(tǒng)的智能故障診斷方法主要分為特征提取和分類兩步[3]。在軸承故障診斷領域，常用的特征提取方法主要快速傅里葉變換（fast Fourier transform,FFT）、經驗模態(tài)分解、主成分分析、小波變換等。而在故障分類方面常用的方法主要有支持向量機（support vector machine,SVM）、隨機森林、BP神經網絡、貝葉斯分類器、多層感知（Multi-Layer Perceptron,MLP）、深度神經網絡等。然而隨著機械健康監(jiān)測進入“大數(shù)據(jù)時代”，上述方法已無法滿足工程中軸承故障診斷及時準確的需求[4]。

近年來，卷積神經網絡(convolutional neural network,CNN)在故障診斷領域取得了巨大的成果[5]。它擁有可以自動從信號和圖像中提取特征，取代傳統(tǒng)算法繁瑣的特征提取工程[6]。因此，相應的一系列關于CNN 的軸承故障模型被提出。Zhang[7]等人提出了一種新的寬第一層核深度卷積神經網絡（WDCNN）算法，但存在測試數(shù)據(jù)集過度擬合的問題。Jian[8]等人提出了一種將CNN 與D-S 證據(jù)理論相結合的一維融合神經網絡(OFNN)，但該算法在實際應用中效率有待提高。因此，本文針對上述問題，提出提出一種基于寬卷積核卷積神經網絡（WKCNN）的故障診斷方法。

1 基本理論

1.1 卷積神經網絡

CNN 主要由輸入層，卷積層、池化層、全連接層和輸出層組成[9]，如圖1所示。

圖1：卷積神經網絡結構

卷積層具有稀疏連接和參數(shù)共享兩種特性，多層卷積結構的組合能夠自適應提取信號的深層特征。公式如下：

在選擇激活函數(shù)上，針對傳統(tǒng)的Sigmoid 激活函數(shù)面臨深度網絡結構容易梯度消失和訓練時間過長的問題，本文采用了線性校正函數(shù)(ReLU)。公式如下：

池化層也是降采樣層，在卷積得到特征后，常采用均值池化和最大池化來減少輸入矩陣的參數(shù)，本文選擇使用最大池化函數(shù)來處理卷積運算得到的特征映射結果來減少計算量。

全連接層中的每個神經元經過平滑擴展后與代表上一層輸出特征向量的神經元交叉連接，卷積計算后實現(xiàn)局部信息的分類。輸出層利用Softmax 函數(shù)輸出結果為：

2 寬卷積核卷積神經網絡模型

2.1 數(shù)據(jù)增強

為了提高模型的深度神經網絡泛化能力，本文采用重疊采樣的數(shù)據(jù)增強方式增加訓練樣本，即從原始聲信號中采集樣本數(shù)據(jù)時，聲信號的每一段都與其偏移聲信號的下一段重疊，這就是數(shù)據(jù)增強的部分，如圖2所示。

圖2：通過重疊采樣進行數(shù)據(jù)增強

數(shù)據(jù)增強后樣本總數(shù)計算公式為：

其中，n為數(shù)據(jù)采樣點個數(shù)，G為樣本組數(shù)，L為每個訓練樣本的采集長度，w為移位，N為可得到的數(shù)據(jù)總數(shù)。

例如，我們可以假設n=1000，L=200，w=20。根據(jù)式（4）和式（5），共可得到40 組樣本，每組包含200個樣本點，8000 個樣本點，點數(shù)增加了8 倍。

通過數(shù)據(jù)增強后的樣本容量擴大，防止由于數(shù)據(jù)不足造成模型泛化性能弱。因此，通過重疊采樣進行數(shù)據(jù)增強，可以很好地滿足深度神經網絡的訓練需求

2.2 寬卷積核

針對傳統(tǒng)基于特征提取和分類相結合的診斷方法診斷不及時且診斷準確度不足的問題，本文提出了一種WKCNN 故障診斷方法，為了獲得更全面的數(shù)據(jù)特征，WKCNN 提出了寬卷積核的方法，拓寬卷積核的整體，使其盡可能覆蓋輸入信號的長度。利用寬卷積核的卷積運算公式為：

2.3 批量歸一化

為了確保寬卷積核卷積神經網絡在樣本訓練早期具有良好的梯度，本文在CNN 結構中的卷積層和池化層之間加入了批量歸一化層（batch normalization,BN），并用ReLU 進行激活，如圖3所示。

圖3：加入批量歸一化層

BN 層首先求取mini-batch 內樣本的均值和方差，可以保持隱藏層中聲信號特征值的方差、均值穩(wěn)定性，讓數(shù)值更穩(wěn)定，為后面風力發(fā)電機軸承故障診斷提供堅實的基礎；然后使用他們對該批次的訓練數(shù)據(jù)做歸一化；最后進行尺度變換和偏移，且尺度變換和偏移量都是在樣本訓練過程中網絡自己學習獲得的。

2.4 WKCNN故障診斷流程

WKCNN 故障診斷具體步驟如下：

（1）將采集的風電機組軸承聲信號采用重疊采樣的數(shù)據(jù)增強方法進行數(shù)據(jù)預處理，并分為測試集和訓練集；

（2）將經過預處理的訓練集數(shù)據(jù)輸入到WKCNN模型中提取軸承聲信號特征，并進行分類；

（3）將測試集數(shù)據(jù)輸入到WKCNN 訓練好的網絡模型中診斷，得出風電機組軸承診斷結果。

WKCNN 故障診斷流程圖4所示。

圖4：WKCNN 故障診斷流程圖

3 實驗研究

3.1 實驗基本信息

實驗測試采用的數(shù)據(jù)為天津某風場采集的風電機組發(fā)電機軸承數(shù)據(jù)，軸承型號為SKF6300，采樣頻率為12 kHz。軸承有三種故障類型，即滾動體故障、外圈故障和內圈故障。每種狀態(tài)的故障標簽如表1所示。

表1：故障標簽表

本文所提WKCNN 算法結構由一個輸入層、四個寬卷積層，四個池化層、一個全連接層、一個Softmax組成。在本實驗中，研究了WKCNN 在不同載荷下的精度。在模型訓練過程中，訓練數(shù)據(jù)集的數(shù)量為7000，測試數(shù)據(jù)集為1000，優(yōu)化器選用Adam，學習率為0.01，mini-batch 的大小為256，迭代次數(shù)為50，其網絡參數(shù)如表2所示。在該模型中，數(shù)據(jù)增強后的聲音信號經過第一卷積層，然后進入批量歸一化層，并用ReLU 激活，成為一組特征圖，然后通過最大池化進行下采樣操作。隨著層數(shù)的增加，輸出信號的寬度減小。信號分類操作由全連接層完成。最后使用Softmax 函數(shù)輸出WKCNN模型對軸承的故障診斷結果。

表2：WKCNN 網絡參數(shù)

3.2 實驗結果及分析

為了驗證本文方法的及時性，本文將與傳統(tǒng)的故障診斷方法FFT-MLP、FFT-SVM 和WDCNN 進行比較，每種方法迭代100次，所用時間如表3所示。由表顯示出，本文方法首先較FFT-SVM 方法故障診斷速率快55s，其次比FFT-MLP 方法快75s，這是由于傳統(tǒng)的FFT-MLP和FFT-SVM 方法需要繁雜的特征提取算法，因此需要浪費大量時間，而本文所提方法可以自動提取特征。最后比WDCNN 快25s，充分驗證了本文所提方法故障診斷具有較高的及時性。

表3：各方法迭代時間

為了進一步驗證WKCNN 方法的優(yōu)越性，各方法對風力發(fā)電機軸承不同故障準確率如圖5所示。

圖5：對比結果準確率

從圖5 中可以看出，上述四種方法中，本文所提的WCKNN 模型的風力發(fā)電機組軸承故障診斷準確率最高達到98.2%，而FFT-MLP 和FFT-SVM 的力發(fā)電機組軸承故障診斷準確率為80.3%和79.5%；WDCNN 故障識別準確率為91.4%，這是由于與WDCNN 相比本文方法卷積層更寬，特征提取更全面。因此，采用本文所提的WKCNN 網絡模型在對風電機組軸承進行故障診斷，診斷效果均優(yōu)于其他三種方法。

4 結論

為了提高風力發(fā)電機組軸承故障診斷的準確性和效率，本文利用目前流行的深度學習技術，結合一維振動信號的特點，提出了WKCNN 模型。為了驗證WKCNN方法的優(yōu)越性，本文將WKCNN 與傳統(tǒng)方法進行比較，主要結論如下：

（1）WCKNN 方法對風力發(fā)電機軸承故障診斷速率快，與傳統(tǒng)方法相比，本文方法省去了特征提取的過程，因此，本文方法診斷速率更快。

（2）本文方法故障診斷準確率高，與其他卷積神經網絡相比，WKCNN 得到的聲音信號特征更具有全局性，可以更好地揭示風力發(fā)電機組軸承樣本中保留的隱藏特征。