基于CNN-LSTM的永磁同步風(fēng)力發(fā)電機(jī)轉(zhuǎn)子偏心早期故障診斷

摘"要： 對(duì)永磁同步風(fēng)力發(fā)電機(jī)轉(zhuǎn)子早期動(dòng)偏心和早期靜偏心故障的特點(diǎn)和診斷方法進(jìn)行研究，通過(guò)Ansys建立永磁同步風(fēng)力發(fā)電機(jī)的早期動(dòng)偏心和早期靜偏心模型，提出一種基于CNN-LSTM的故障診斷和分類方法。通過(guò)對(duì)永磁同步風(fēng)力發(fā)電機(jī)定子三相電流及其Welch功率譜數(shù)據(jù)的分析，判斷是否為正常的動(dòng)偏心趨勢(shì)和靜偏心趨勢(shì);然后通過(guò)空載電動(dòng)勢(shì)對(duì)不同故障程度進(jìn)行分類。最后，在神經(jīng)網(wǎng)絡(luò)模型中完成故障診斷和分類任務(wù)。所提方法大大降低了設(shè)備維修成本，可準(zhǔn)確快速地識(shí)別轉(zhuǎn)子早期偏心故障。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò); 長(zhǎng)短期記憶網(wǎng)絡(luò); 故障診斷; 特征提取

中圖分類號(hào)： TM614

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 2095-8188（2024）03-0001-06

DOI：10.16628/j.cnki.2095-8188.2024.03.001

Early Fault Diagnosis of Permanent Magnet Synchronous Wind Turbine Rotor Eccentricity Based on CNN-LSTM

XIE Tongtong，"LIU Yingming，"WANG Xiaodong，"GAO Xing

（School of Electrical Engineering，Shenyang University of Technology， Shenyang 110870， China）

Abstract：

Research is conducted on the characteristics and diagnostic methods of early dynamic eccentricity and early static eccentricity faults in the rotor of permanent magnet synchronous wind turbines.The early dynamic eccentricity and early static eccentricity models for permanent magnet synchronous wind turbines are established using Ansys，and a fault diagnosis and classification method based on CNN-LSTM is proposed.By analyzing the three-phase current and Welch power spectrum data of the stator of a permanent magnet synchronous wind turbine generator，the generator’s current status can be judged whether it is normal dynamic eccentricity trend or normal static eccentricity trend.Then，the different fault levels are classified using no-load electromotive force.Finally，the fault diagnosis and classification tasks in the neural network model are completed.The proposed method greatly reduces equipment maintenance costs and can accurately and quickly identify early rotor eccentricity faults.

Key words：

convolutional neural network （CNN）; long short term memory （LSTM） network; fault diagnosis; feature extraction

0"引"言

永磁同步發(fā)電機(jī)通常存在電故障、磁故障和機(jī)械故障3種故障類型，其中機(jī)械故障占比最大［1］。轉(zhuǎn)子偏心故障是機(jī)械故障中的主要故障之一，其產(chǎn)生的不平衡比拉力、振動(dòng)和脈動(dòng)轉(zhuǎn)矩是軸承損壞的主要原因［2］。而轉(zhuǎn)子偏心故障往往是轉(zhuǎn)子早期發(fā)生偏心故障的發(fā)展結(jié)果，及時(shí)地發(fā)現(xiàn)和預(yù)警早期故障能夠有效預(yù)防轉(zhuǎn)子偏心故障的產(chǎn)生。因此，診斷早期的偏心故障，以減少其他故障的發(fā)生是至關(guān)重要的。

永磁同步風(fēng)力發(fā)電機(jī)不同偏心故障特征提取和分類過(guò)程中，早期故障的識(shí)別和診斷尤為重要［3］。準(zhǔn)確和快速的早期故障檢測(cè)是有效避免轉(zhuǎn)子嚴(yán)重偏心故障的關(guān)鍵。

故障診斷分為傳統(tǒng)診斷方法和智能診斷方法［4］。在傳統(tǒng)的永磁同步風(fēng)力發(fā)電機(jī)故障診斷方法中，基于電機(jī)定子電流分析（MSCA）的轉(zhuǎn)子偏心故障診斷具有可靠性高、成本低、診斷無(wú)創(chuàng)等優(yōu)點(diǎn)［5］。

傳統(tǒng)基于MSCA的故障診斷方法無(wú)法對(duì)多偏心類型和不同偏心程度的故障進(jìn)行診斷［6］。近年，國(guó)內(nèi)外學(xué)者結(jié)合振動(dòng)信號(hào)和電氣量信號(hào)進(jìn)行故障診斷相關(guān)研究，復(fù)合信號(hào)有效實(shí)現(xiàn)了部分機(jī)械故障的診斷。但是振動(dòng)信號(hào)采樣需要在風(fēng)機(jī)上打孔加裝傳感器，這對(duì)風(fēng)機(jī)的結(jié)構(gòu)及安全穩(wěn)定產(chǎn)生了一定的影響［7］。

而空載電動(dòng)勢(shì)和定子電流作為故障診斷的采樣信號(hào)［8］，易于監(jiān)測(cè)又不會(huì)對(duì)風(fēng)機(jī)結(jié)構(gòu)產(chǎn)生影響。其更容易被提取且整個(gè)故障診斷系統(tǒng)的可靠性較高。針對(duì)早期故障，國(guó)內(nèi)外學(xué)者傾向于使用機(jī)器學(xué)習(xí)方法，采用大量實(shí)測(cè)數(shù)據(jù)和不同的神經(jīng)網(wǎng)絡(luò)方法提取特征。文獻(xiàn)［9］提出卷積神經(jīng)網(wǎng)絡(luò)（CNN）和圖像識(shí)別的方法，通過(guò)數(shù)據(jù)灰度化將數(shù)據(jù)特征轉(zhuǎn)化為圖像識(shí)別。文獻(xiàn)［10］提出用快速傅里葉變換（FFT）和CNN解決軸承故障，通過(guò)對(duì)振動(dòng)信號(hào)數(shù)據(jù)處理提取特征完成故障診斷。但CNN對(duì)早期定子電流的微弱變化并不能實(shí)現(xiàn)有效提取故障特征的效果，需要借助功率譜放大電流故障特征值，再完成故障特征提取。

為了克服上述缺點(diǎn)，本文提出了一種利用卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)（CNN-LSTM）的混合神經(jīng)網(wǎng)絡(luò)模型診斷早期偏心的智能方法，用于永磁風(fēng)力發(fā)電機(jī)轉(zhuǎn)子早期偏心故障的診斷。利用永磁風(fēng)力發(fā)電機(jī)模型對(duì)不同偏心程度、不同偏心種類進(jìn)行仿真，通過(guò)定子三相電流波形的差異性，提取異常特征，對(duì)存在偏心故障的波形做功率譜分析，完成動(dòng)偏心和靜偏心兩種主要偏心類型的初步分類。此后，通過(guò)空載電動(dòng)勢(shì)波形完成對(duì)故障程度的分析。最后通過(guò)CNN-LSTM智能診斷算法完成功率譜和空載電動(dòng)勢(shì)波形的特征學(xué)習(xí)和訓(xùn)練，實(shí)現(xiàn)故障分類的目標(biāo)。

1"故障特征提取與分類流程

針對(duì)上述問(wèn)題，提出基于CNN-LSTM的轉(zhuǎn)子偏心故障檢測(cè)和分類方法，該方法可分為故障檢測(cè)和分類2個(gè)步驟。

1.1"基于定子三相電流波形的故障特征提取

故障特征提取是轉(zhuǎn)子偏心研究的第一步，針對(duì)該問(wèn)題，從仿真中提取定子三相電流的波形變化，識(shí)別異常定子三相電流。

1.2"基于功率譜和空載電動(dòng)勢(shì)的CNN-LSTM故障分類

識(shí)別出異常電流信號(hào)后，對(duì)異常信號(hào)做進(jìn)一步分析。通過(guò)Welch功率譜分析，得到風(fēng)力發(fā)電機(jī)偏心故障的主要偏心類別;然后利用模型此時(shí)的空載電動(dòng)勢(shì)數(shù)據(jù)進(jìn)行偏心程度的分析，實(shí)現(xiàn)偏心故障的偏心類型和故障程度的分類。永磁同步風(fēng)力發(fā)電機(jī)轉(zhuǎn)子偏心早期故障檢測(cè)和分類流程如圖1所示。

2"永磁同步風(fēng)力發(fā)電機(jī)及其故障模型

本文采用二維有限元法建立永磁同步風(fēng)力發(fā)電機(jī)二維模型。在二維笛卡爾系統(tǒng)中，用有限元法分析的電磁方程表示為［11］

xlμAx+ylμAy=J0+Je+Jv（1）

式中："A——磁矢位的z分量;

μ——磁導(dǎo)率;

J0——與外加電壓相關(guān)的電流密度;

Je——與磁通量隨時(shí)間變化相關(guān)的電流密度;

Jv——與運(yùn)動(dòng)電壓相關(guān)的電流密度。

式（1）可以改寫(xiě)為

xlμAx+ylμAy=－σUsl+σAt+σv×SymbolQC@×A（2）

式中："σ——電導(dǎo)率;

l——沿z軸的電機(jī)長(zhǎng)度;

Us——施加的電壓;

v——導(dǎo)體相對(duì)于磁通密度的速度。

對(duì)所提出的元素應(yīng)用固定的參考系，令v=0，傳播方程簡(jiǎn)化為

xlμAx+ylμAy=－σUsl+σAt（3）

定子電流和空載電動(dòng)勢(shì)可用式中的時(shí)間步有限元法（TSFEM）求解。

Es（t）=Rsis（t）+Leedis（t）dt+Uem（t）（4）

式中："Es（t）——空載電動(dòng)勢(shì);

Rs——定子電阻;

is（t）——定子電流;

Lee——外電路附加電感;

Uem（t）——外加電壓。

對(duì)不同偏心程度的永磁同步發(fā)電機(jī)進(jìn)行建模，即

δs=OsOrg0（5）

式中："Os——定子中心;

Or——旋轉(zhuǎn)中心;

g0——法向氣隙。

利用Ansys軟件搭建健康的永磁同步風(fēng)力發(fā)電機(jī)模型。發(fā)電機(jī)參數(shù)如表1所示。在健康風(fēng)機(jī)的基礎(chǔ)上分別設(shè)置動(dòng)偏心和靜偏心電機(jī)故障模型。

3"基于CNN-LSTM的故障分類

為了克服淺層網(wǎng)絡(luò)難以表征大數(shù)據(jù)和不同工況下轉(zhuǎn)子偏心故障電氣量信號(hào)與健康狀況之間復(fù)雜的映射關(guān)系［12］。將預(yù)處理后的二維數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)中，選用ReLu函數(shù)作為激活函數(shù)，采用2個(gè)卷積層、2個(gè)池化層和1個(gè)全連接層。池化操作一般有最大池化和平均池化，選用最大池化提取顯著的軸承故障特征［13］。改進(jìn)的CNN-LSTM滾動(dòng)軸承故障診斷方法采用卷積神經(jīng)網(wǎng)絡(luò)提取軸承振動(dòng)深層數(shù)據(jù)特征，捕捉豐富的局部關(guān)聯(lián)信息，利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)中隱藏單元的記憶模塊提取時(shí)序特征，處理時(shí)間序列問(wèn)題。將卷積特征和提取時(shí)序特征相融合，從而輸出診斷結(jié)果［14］。若達(dá)到比較高的分類精度，則可得到分類結(jié)果;反之，則重新調(diào)整參數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。改進(jìn)的CNN-LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2中涉及的數(shù)據(jù)包括定子三相電流的功率譜分析數(shù)據(jù)和空載電動(dòng)勢(shì)數(shù)據(jù)2部分。將數(shù)據(jù)處理成矩陣形式輸入CNN模型。通過(guò)卷積層對(duì)特征進(jìn)行高效提取，本文利用2個(gè)卷積層，分別使用32個(gè)和64個(gè)卷積核對(duì)數(shù)據(jù)進(jìn)行處理，然后通過(guò)池化層簡(jiǎn)化計(jì)算量。最后經(jīng)過(guò)全連接層完成數(shù)據(jù)在CNN部分的特征學(xué)習(xí)。

CNN-LSTM 模型組合了CNN和LSTM 2種模型［15］。先采用CNN提取特征向量，將特征向量以時(shí)序序列方式構(gòu)造并作為L(zhǎng)STM網(wǎng)絡(luò)輸入數(shù)據(jù)，再采用LSTM網(wǎng)絡(luò)進(jìn)行響應(yīng)預(yù)測(cè)。使用LSTM模型對(duì)CNN模型提取出的深度特征時(shí)間序列進(jìn)行訓(xùn)練。整個(gè)過(guò)程可以分為數(shù)據(jù)前處理和模型訓(xùn)練2個(gè)階段。

4"仿真分析

4.1"永磁同步風(fēng)力發(fā)電機(jī)偏心模型設(shè)計(jì)

本文主要研究了永磁同步風(fēng)力發(fā)電機(jī)的轉(zhuǎn)子偏心故障。針對(duì)早期偏心故障，利用Ansys Electronics Desktop對(duì)健康永磁同步風(fēng)力發(fā)電機(jī)的旋轉(zhuǎn)部件做不同調(diào)整，從而產(chǎn)生轉(zhuǎn)子動(dòng)偏心模型和轉(zhuǎn)子靜偏心模型。其中轉(zhuǎn)子動(dòng)偏心模型在健康永磁同步風(fēng)力發(fā)電機(jī)的基礎(chǔ)上保持旋轉(zhuǎn)中心不變，僅將轉(zhuǎn)子徑向平移一定距離;而轉(zhuǎn)子靜偏心模型在健康模型的基礎(chǔ)上，使旋轉(zhuǎn)中心同轉(zhuǎn)子一起徑向平移一定距離。在此過(guò)程中分別將偏心率為10%～20%的偏心電機(jī)模型作為永磁同步風(fēng)力發(fā)電機(jī)轉(zhuǎn)子偏心早期故障模型，將偏心率為40%～59%的偏心電機(jī)模型作為偏心故障模型。利用有限元軟件Ansys構(gòu)建了顯示通量密度分布的永磁同步風(fēng)力發(fā)電機(jī)幾何模型。永磁風(fēng)力發(fā)電機(jī)樣機(jī)有限元仿真二維模型如圖3所示;Ansys永磁風(fēng)力發(fā)電機(jī)偏心模型參數(shù)如表2所示。

4.1.1"空載電動(dòng)勢(shì)分析

將早期靜偏心故障狀態(tài)下和偏心率為59%的靜偏心故障狀態(tài)下的空載電動(dòng)勢(shì)波形作對(duì)比。靜偏心空載電動(dòng)勢(shì)波形對(duì)比如圖4所示。

由圖4可見(jiàn)，發(fā)電機(jī)轉(zhuǎn)子偏心后，空載電動(dòng)勢(shì)幅值有了明顯的變化，隨著偏心率增大，偏心故障的B相幅值波動(dòng)變化更加明顯。本文選取偏心故障的B相幅值作為檢驗(yàn)偏心程度的故障特征。

4.1.2"定子三相電流分析

將正常狀態(tài)下的定子三相電流波形與早期動(dòng)偏心故障狀態(tài)下和偏心率為40%動(dòng)偏心故障狀態(tài)下的定子三相電流波形作對(duì)比。正常運(yùn)行定子電流、動(dòng)偏心故障電流波形對(duì)比如圖5所示。

由圖5可知，發(fā)電機(jī)轉(zhuǎn)子偏心后，三相電流幅值發(fā)生變化，波形出現(xiàn)明顯波動(dòng)。其中B相電流幅值較健康電機(jī)模型B相幅值明顯增大，通過(guò)分析B相電流幅值的變化判斷模型是否發(fā)生偏心故障。但不同偏心率狀態(tài)下仿真得到的電流波形無(wú)明顯差異。本文將提取不同偏心程度下的三相電流波形進(jìn)行定量分析。

4.2"故障特征提取和分類流程

4.2.1"數(shù)據(jù)預(yù)處理

通過(guò)仿真得到20個(gè)早期故障樣本和40個(gè)故障樣本，得到的每個(gè)樣本有1 000組數(shù)據(jù)。故障樣本太少，將導(dǎo)致機(jī)器學(xué)習(xí)誤差過(guò)大，準(zhǔn)確率低。

為了擴(kuò)充樣本數(shù)量，設(shè)置500個(gè)數(shù)據(jù)為一組，其步長(zhǎng)為10，即每1 000個(gè)數(shù)據(jù)可以擴(kuò)充為50組。

如此得到的20個(gè)早期故障樣本和40個(gè)故障樣本，可以擴(kuò)充為1 000個(gè)早期故障樣本和2 000個(gè)故障樣本。

為了提高CNN的故障特征學(xué)習(xí)程度，將擴(kuò)充處理數(shù)據(jù)的矩陣形狀從單列轉(zhuǎn)變成近似方陣的矩陣。采用單列分段、平行堆疊的方法，完成矩陣變形。將500×1的單列數(shù)據(jù)轉(zhuǎn)化為25×20的二維特征矩陣。

4.2.2"Welch功率譜分析

本文在分析永磁同步風(fēng)力發(fā)電機(jī)模型中的三相定子電流時(shí)，從電流波形中分析得到，故障電機(jī)與健康電機(jī)的電流波形有明顯變化。但是不同偏心程度下的電機(jī)仿真得到的電流波形差異很小，無(wú)法完成分類任務(wù)。

Welch功率譜估計(jì)是處理信號(hào)的一種常用方法，用于提取和放大信號(hào)的故障特征。本文在MATLAB中通過(guò)調(diào)用pwelch函數(shù)，對(duì)不同偏心程度和不同故障類型的定子三相電流進(jìn)行功率譜分析。正常運(yùn)行的定子電流Welch功率譜如圖6所示;不同偏心程度和不同故障類型定子電流Welch功率譜對(duì)比如圖7所示。

由圖6、圖7可見(jiàn)，經(jīng)過(guò)Welch變換后，在750～950 Hz處不同的偏心類型和偏心程度有明顯區(qū)別。當(dāng)偏心程度比較低時(shí)，750～950 Hz處對(duì)應(yīng)的功率偏低;當(dāng)偏心程度較高時(shí)，對(duì)應(yīng)功率偏高。而且相對(duì)于動(dòng)偏心，靜偏心在750～950 Hz處的功率變化波動(dòng)較大，從趨勢(shì)上可以對(duì)動(dòng)偏心和靜偏心做出分類。將所有的功率譜數(shù)據(jù)導(dǎo)出，轉(zhuǎn)為矩陣，之后導(dǎo)入機(jī)器學(xué)習(xí)模型中提取特征。

4.3"基于CNN-LSTM的故障分類

CNN-LSTM轉(zhuǎn)子偏心故障診斷和分類方法在TensorFlow深度學(xué)習(xí)庫(kù)中，不斷進(jìn)行學(xué)習(xí)和訓(xùn)練，更新、比較參數(shù)，最終獲得最佳參數(shù)。轉(zhuǎn)子偏心故障的常用評(píng)估指標(biāo)有F1分?jǐn)?shù)、召回率、精確率等。CNN-LSTM與CNN模型的轉(zhuǎn)子偏心五分類診斷結(jié)果如表3所示。

由表3可見(jiàn)，CNN-LSTM算法的診斷準(zhǔn)確度約為97%，可以穩(wěn)定準(zhǔn)確地診斷出動(dòng)偏心和靜偏心2種故障的分類和其不同程度的分類任務(wù)。與CNN算法相比，CNN-LSTM算法明顯在準(zhǔn)確率和精確率上表現(xiàn)更好，表明該方法在永磁同步風(fēng)力發(fā)電機(jī)轉(zhuǎn)子偏心故障診斷分類中具有明顯的優(yōu)越性。

5"結(jié)"語(yǔ)

本文得到以下結(jié)論：

（1） 三相定子電流經(jīng)過(guò)Welch變換后，在750～950 Hz處有明顯波動(dòng)。當(dāng)偏心程度比較低時(shí)，750～950 Hz處對(duì)應(yīng)的功率偏低;當(dāng)偏心程度較高時(shí)，對(duì)應(yīng)功率偏高。而且相對(duì)于動(dòng)偏心，靜偏心在750～950 Hz處的功率變化波動(dòng)較大，從趨勢(shì)上可以對(duì)動(dòng)偏心和靜偏心做出分類。

（2） 永磁同步風(fēng)力發(fā)電機(jī)在轉(zhuǎn)子偏心發(fā)生后，空載電動(dòng)勢(shì)幅值有了明顯的變化，隨著偏心度增大，偏心故障的B相幅值波動(dòng)變化更加明顯。

（3） 所提出的基于CNN-LSTM算法的診斷準(zhǔn)確度約為97%，可以穩(wěn)定準(zhǔn)確地診斷出動(dòng)偏心和靜偏心2種故障的分類和其不同程度的分類任務(wù)。

【參 考 文 獻(xiàn)】

［1］"吳國(guó)沛， 余銀犬， 涂文兵.永磁同步電機(jī)故障診斷研究綜述［J］.工程設(shè)計(jì)學(xué)報(bào)，2021，28（5）：548-558.

［2］"HUANG X， HABETLER T G， HARLEY R G.Detection of rotor eccentricity faults in a closed-loop drive-connected induction motor using an artificial neural network［J］.IEEE Transactions on Power Electronics，2007，22（4）：1552-1559.

［3］"POURMOOSA A A， GHODS M， FAIZ J， et al.Diagnosis and detection of dynamic eccentricity fault for permanent magnet transverse flux generator［J］.IET Electric Power Applications，2021，15（5）：528-541.

［4］"ZHOU T， HAN T， DROGUETT E L.Towards trustworthy machine fault diagnosis：A probabilistic Bayesian deep learning framework［J］.Reliability Engineering and System Safety，2022，224（8）：108525.1-108525.13.

［5］"ZHEN D， WANG T， GU F， et al.Fault diagnosis of motor drives using stator current signal analysis based on dynamic time warping［J］.Mechanical systems and signal processing，2013，34（1/2）：191-202.

［6］"ERBAHAN O Z， ALISKAN I.Artificial bee and ant colony-assisted performance improvements in artificial neural network-based rotor fault detection［J］.Elektronika ir Elektrotechnika，2022（2）：27-34.

［7］"MARTINEZ I， VILES E， CABREJAS I.Labelling drifts in a fault detection system for wind turbine maintenance［J］.Computer Science，2021（6）：1-11.

［8］"CORREA-JULLIAN C， COFRE-MARTEL S， MARTIN G S， et al.Exploring quantum machine learning and feature reduction techniques for wind turbine pitch fault detection［J］.Energies，2022，15（8）：2792.

［9］"LI Z， WU Q， YANG S， et al.Diagnosis of rotor demagnetization and eccentricity faults for IPMSM based on deep CNN and image recognition［J］.Complex amp; Intelligent Systems，2022，8（6）：5469-5488.

［10］"尹文哲， 夏虹， 彭彬森， 等.基于FFT和CNN的滾動(dòng)軸承故障診斷方法［J］.應(yīng)用科技，2021（6）：48.

［11］"HUSARI F， SESHADRINATH J.Incipient inter turn fault detection and severity evaluation in electric drive system using hybrid HCNN-SVM based model［J］.IEEE Transactions on Industrial Informatics，2022，18（3）：1823-1832.

［12］"WIGINGTON C， STEWART S， DAVIS B， et al.Data augmentation for recognition of handwritten words and lines using a CNN-LSTM network：2017 14th IAPR International Conference on Document Analysis and Recognition （ICDAR）［C］.2017.

［13］"HATAMI N， CHO T H， MECHTOUFF L， et al.CNN-LSTM based multimodal MRI and clinical data fusion for predicting functional outcome in stroke patients［C］∥Annual International Conference of the IEEE Engineering in Medicine and Biology Society，2022：3430-3434.

［14］"SONG R， JIANG Q.Application of VMD combined with CNN and LSTM in motor bearing fault：IEEE Conference on Industrial Electronics and Applications［C］.2021.

［15］"鄧惟績(jī)， 肖輝， 李金澤， 等.基于改進(jìn)長(zhǎng)短期記憶網(wǎng)絡(luò)和高斯過(guò)程回歸的光伏功率預(yù)測(cè)方法［J］.電器與能效管理技術(shù)，2021（8）：51-57.

收稿日期： 20230925