樊立云，張培杰

（ 1.北京京能新能源有限公司，北京 100028;2.華北電力大學電站設備狀態(tài)監(jiān)測與控制教育部重點實驗室，河北保定，071003）

0 引言

風力發(fā)電機齒輪箱工作環(huán)境惡劣，故障率較高，造成機組停機時間長，齒輪箱的狀態(tài)監(jiān)測與故障診斷對風力機安全經濟運行至關重要。

風力機齒輪箱振動信號時一種時頻特性復雜的非平穩(wěn)信號，常規(guī)的時域和頻域分析方法難以有效分析齒輪箱的故障及提取故障特征。小波變換具有多分辨率特性及良好的時頻局部變換特性，適用于非平頻穩(wěn)信號。提出一種基于小波分析和神經網絡的風力機齒輪箱故障診斷方法，該方法采用小波時頻分析技術對風力發(fā)電機故障振動信號進行消噪濾波，通過小波包分解系數(shù)求取頻帶能量，根據各個頻帶能量的變化提取故障特征，為實現(xiàn)智能診斷提供故障特征值。應用BP神經網絡進行故障識別，并采用LabVIEW和matlab軟件予以實現(xiàn)。結果表明，該方法能有效提高風力發(fā)電機組齒輪箱故障診斷的準確性［1，2］。

1 風力發(fā)電機組齒輪箱故障及其診斷方法

1.1 風力機齒輪箱的主要故障

風力機齒輪箱的主要結構包括軸、齒輪和軸承，故障從結構上可以分為以下幾類［2］:

(1)軸的故障:軸不對中，軸不平衡，軸彎曲等;

(2)軸承故障:軸承內外圈磨損，滾動體磨損等。

(3)齒輪故障:齒面剝落，齒面膠合，齒面磨損斷齒等。

針對風力發(fā)電機組齒輪箱的故障形式特點，選用松散型小波神經網絡比較適合。即利用小波包分析，把故障信號分解在相互獨立的頻帶內，各頻帶內的能量值形成一個特征向量，不同的故障對應不同的特征向量值，作為神經網絡的輸入特征向量。齒輪箱故障診斷流程分為以下步驟:將得到的去噪后信號進行小波包分解，把分解后各頻帶的能量作為輸入神經網絡的特征向量。

文中分析齒輪箱振動信號診斷其故障，以齒輪的3種典型狀態(tài):正常、齒輪磨損、齒輪斷齒為例進行研究。

2 小波分析與特征值的提取

2.1 小波變換基本原理

對于非線性振動產生的信號，小波變換則是一種有效的信號處理方法，它是一種時間—頻率分析方法，具有多分辨率的特點，在低頻部分具有較高的頻率分辨率和較低的時間分辨率，在高頻部分需要較高的時間分辨率和較低的頻率分辨率［3－4］。小波變換的基本思想與傅里葉變換是一致的，它也是用一族函數(shù)來表示信號的函數(shù)，稱這種函數(shù)族為小波函數(shù)系，但是與傅里葉變換所用的正弦函數(shù)不同，它是由一基本小波函數(shù)的平移和伸縮構成的函數(shù)。

2.2 小波包能量特征提取的方法

齒輪箱的振動信號中含有豐富的頻率成分，小波包分解能夠為信號提供一種更精細的分析方法，通過對頻帶進行多層次劃分，使多分辨分析中沒有細分的高頻部分得到進一步分解。故障信號與正常信號相比，相同頻帶內信號的能量差別較大。在各頻率成分信號中包含著豐富的故障信息，利用小波包分解能夠對振動信號進行精確細分，提取信號的特征向量。

假設原始信號x(t)中，最低頻率成分為0，最高頻率成分為f。實現(xiàn)了對原始信號S整個頻率范圍內的8頻帶等間隔分解。因此可以利用各個頻帶能量的變化來提取故障特征，頻帶能量可以由小波包分解系數(shù)來求取，具體步驟:

(1)利用db小波對采集來的信號S(t)進行3層小波包分解，分別提取第3層從低頻到高頻8個頻率成分的信號特征。

(2)對小波包分解系數(shù)重構，提取各頻帶范圍的信號特征。

(3)求各頻帶信號的能量。

式中xik表示重構信號，Si離散點的幅值。

(4)特征向量的構造。由于齒輪箱出現(xiàn)故障時，會對各頻帶內信號的能量有一定的影響，所以以能量為元素構造一個特征向量。特征向量構造如下:

對分解后第三層的8個頻帶分別進行重構，得到信號從低頻到高頻的信號能量，從而可以構造一個以能量為元素的特征向量，并根據式(5)進行歸一化處理，得到可以用于神經網絡輸入的特征向量。

3 人工神經元網與故障模式識別

3.1 BP神經網絡模型簡介

BP 神經網絡［5，6］是一種單向傳播的多層前向網絡，源于網絡權值的調整規(guī)則采用的后向傳播的BP學習算法。BP神經網絡是三層或者三層以上的人工神經網絡，由輸入層、隱含層和輸出層組成，同一層節(jié)點不發(fā)生橫向聯(lián)系，相鄰層的節(jié)點通過連接權值相連，網絡學習所獲得的知識就體現(xiàn)在這些權值的集合之中。BP神經網絡結構圖如下:

圖1 BP神經網絡結構圖

BP算法的學習過程包括信號的正向傳遞和誤差的逆向傳播。正向傳遞時，信號經隱含層處理后傳向輸出層。若輸出層未能得到期望的輸出，則轉入誤差的逆向傳播階段，將輸出誤差按某種形式通過隱含層向輸入層逐層返回，并分配給各層的所有單元，從而獲得各層單元的誤差信號，根據誤差調節(jié)權值，直至誤差控制在允許范圍，神經網絡訓練完畢。

3.2 BP網絡步驟設計

文中利用小波包變換后的特征向量作為BP神經網絡的輸入值，即小波分析和神經網絡的結合為松散型結合，以實現(xiàn)故障模式識別。BP網絡設計步驟如下［6－7］:

1)以小波包分解提取電機狀態(tài)信號的特征向量作為輸入樣本 Ti=［E0，E1，E2，E3，E4，E5，E6，E7］。為簡化網絡結構用3個輸出神經元節(jié)點，其中神經元輸出(1，0，0)表示齒輪正常，(0，1，0)表示齒輪磨損，(0，0，1)表示齒輪斷齒。

2)根據輸入特征向量的維數(shù)和設備的故障數(shù)確定神經網絡的輸入和輸出層節(jié)點數(shù)。根據小波包三層分解得到的能量特征向量，確定神經網絡的輸入節(jié)點數(shù)為8;輸出節(jié)點數(shù)為3。中間層神經元選擇tansig(S型正切函數(shù))為激活函數(shù)，輸出層神經元選擇logsig(S型對數(shù)函數(shù))為激活函數(shù)。

3)利用編寫B(tài)P神經網絡程序并進行訓練，訓練結束后，查看訓練結果是否滿足要求，如果能夠滿足要求，則選擇新的測試樣本作為訓練完畢的神經網絡的輸入，查看識別結果，測試網絡性能;否則繼續(xù)增加樣本進行訓練，重復步驟3)，直至輸出滿足要求。

4 小波神經網絡故障診斷方法的實現(xiàn)

在LabVIEW和MATLAB環(huán)境下編程實現(xiàn)對齒輪箱中軸承的正常以及各種故障狀態(tài)下的信號進行分析，采用sym8小波函數(shù)對原始信號進行三層分解消噪，采用db1小波函數(shù)對消噪后的信號進行三層小波包分解，構造出各自的特征向量，建立“特征向量—系統(tǒng)狀態(tài)”的對應關系。對軸承的正常信號、外圈故障信號、內圈故障信號三種信號進行分析研究［8］。

利用LabVIEW和MATLAB混合編程實現(xiàn)對信號的小波包特征值的程序編寫，如下圖2所示。

圖2 信號特征能量提取模塊前面板

對采集樣本信號進行特征提取，分別得到10組樣本信號特征向量.根據所述BP神經網絡設計步驟，利用LabVIEW和matlab混合編程編寫B(tài)P網絡程序，輸入樣本信號特征向量和期望輸出訓練神經網絡，根據以上的分析來訓練網絡，誤差變化曲線如圖4所示:

圖3 特征向量提取的程序框圖

圖4 BP網絡訓練誤差圖

當誤差允許范圍內期望輸出和實際輸出基本符合，表明該網絡組成的狀態(tài)分類器訓練成功。同樣利用另外不同于樣本信號的12組測試信號用于測試訓練完畢的神經網絡性能。

根據所述BP神經網絡設計步驟，利用Lab-VIEW和MATLAB混合編程編寫B(tài)P網絡程序，利用訓練好的神經網絡，對測試樣本進行計算檢驗。

將12組測試向量輸入到神經網絡進行狀態(tài)識別，測試結果如圖5所示。測試結果符合實際測試信號對應的狀態(tài)，證明了利用小波包分析能夠有效提取故障特征向量，并且經過訓練的BP神經網絡確實能夠對風力機齒輪箱故障狀態(tài)做出準確的診斷分類。

5 結論

文中通過在風力機齒輪箱故障診斷中應用小波包分析和BP神經網絡理論，可得結論如下:

圖5 小波神經網絡診斷前面板

(1)小波包理論對振動信號做特征值提取的研究，并通過實驗數(shù)據實現(xiàn)特征值提取，為實現(xiàn)故障類型的辨別提供依據。。

(2)測試結果符合實際測試信號對應的狀態(tài)，證明了小波神經理論可以有效的用于齒輪箱的故障診斷系統(tǒng)的實際應用，能夠對風力機齒輪箱故障狀態(tài)做出準確的診斷分類。

［1］姚興佳.風力發(fā)電技術的研究現(xiàn)狀［J］.太陽能，2006，(1):47 －48.

［2］李心月，楊榮海，韓慧岷，等.柴油燃燒室外預熱對發(fā)動機性能的影響［J］.森林工程，2011(3):64－66.

［3］李少華，趙明浩，陳杰，蔣東翔.小波變換在風力機齒輪箱故障特征提取中的應用［J］.振動與沖擊.2010，29(5):201 －203.

［4］王紅君，劉冬生，岳有軍.基于小波分析和神經網絡的電機故障診斷方法研究［J］.電氣傳動，2010，40(3):69－73.

［5］朱啟兵.基于小波理論的非平穩(wěn)信號特征提取與智能診斷方法研究［D］.沈陽:東北大學，2005.

［6］袁曾任.人工神經元網絡及其應用［M］.北京:清華大學出版社，1999.

［7］王效 ，楊平.基于BP人工神經網絡的凍土融沉系數(shù)預測方法研究［J］.森林工程，2008(5):18－21.

［8］Yuzhong Li，“Study on Incipient Fault Diagnosis for Rolling Bearings Based on Wavelet and Neural Networks”，F(xiàn)ourth International Conference on Natural Computation，Vol 04，pp.262 －265，June 2008.

［9］吳松林，張福明，林曉東.基于小波神經網絡的滾動軸承故障診斷［J］.空軍工程大學學報(自然科學版)，2008，9(1):17 －21.

［10］王昱峰，李健，朱玉杰.基于復雜網絡模型的協(xié)同制造服務網建立主法［J］.森林工程，2010(6):79－81.