神顯豪，張祁，2

(1.桂林理工大學(xué)信息科學(xué)與工程學(xué)院，廣西桂林541004;2.熊本大學(xué)自然科學(xué)研究科情報(bào)電気電子工學(xué)専攻，日本熊本860－8555)

風(fēng)力發(fā)電作為一種可再生的綠色能源發(fā)電方式，已經(jīng)受到越來越高的重視。但風(fēng)電機(jī)組是一個(gè)相當(dāng)復(fù)雜的機(jī)電系統(tǒng)，其工作外部環(huán)境條件十分惡劣，機(jī)組設(shè)備的性能受影響比較大，容易因故障停機(jī)。因此，實(shí)時(shí)監(jiān)測(cè)機(jī)組運(yùn)行狀況，確保其正常運(yùn)行是一項(xiàng)很重要的工作。

風(fēng)電機(jī)組一般由風(fēng)輪系統(tǒng)、齒輪箱系統(tǒng)、發(fā)電機(jī)、偏航系統(tǒng)、液壓系統(tǒng)和剎車機(jī)構(gòu)、控制與安全系統(tǒng)等子系統(tǒng)組成。任一子系統(tǒng)的故障都可能使機(jī)組性能下降甚至被迫停機(jī)，一種故障現(xiàn)象可能由多個(gè)不同層次的故障引起，不同的故障可能呈現(xiàn)同樣的現(xiàn)象［1］。文獻(xiàn) ［2］運(yùn)用貝葉斯網(wǎng)絡(luò)和 D-S證據(jù)理論，提出了一種較為準(zhǔn)確和合理的分布式故障診斷模型，但是貝葉斯理論的推理過程要求給出先驗(yàn)概率和條件概率，并且要求各概率之間相互獨(dú)立，這些條件在實(shí)際工程中很難滿足。文獻(xiàn) ［3］運(yùn)用模糊理論方法，建立故障診斷修正數(shù)學(xué)模型，解決信息或決策沖突問題，但其算法原理不夠直觀，運(yùn)算較為復(fù)雜。文獻(xiàn)［4－6］采用神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)結(jié)合進(jìn)行故障診斷，神經(jīng)網(wǎng)絡(luò)的單通道輸出作為各故障狀態(tài)焦點(diǎn)元素的基本概率分配，從而避免了證據(jù)理論構(gòu)造基本概率分配函數(shù)的困難性，但是神經(jīng)網(wǎng)絡(luò)過于復(fù)雜且分類速度較慢，學(xué)習(xí)過程中運(yùn)算量過大。文獻(xiàn) ［7］采用支持向量機(jī) (Support Vector Machine)與自適應(yīng)模糊神經(jīng)推理 (Adaptive Neuro-fuzzy Inference System)的分類器集合到一個(gè)通用框架，提高了故障的分析和診斷，且優(yōu)于單獨(dú)的SVM和ANFIS的診斷，但當(dāng)二次規(guī)劃的矩陣樣本數(shù)量較大時(shí)，將需要大量?jī)?nèi)存和計(jì)算時(shí)間。

根據(jù)以上問題，采用數(shù)據(jù)融合中的自適應(yīng)加權(quán)算法無需測(cè)量數(shù)據(jù)的先驗(yàn)知識(shí)，融合出比任一單傳感器方差更小的數(shù)據(jù)融合值，有效減少網(wǎng)絡(luò)數(shù)據(jù)冗余和數(shù)據(jù)量，提高處理速度。運(yùn)用高斯隸屬度函數(shù)獲得一種較為直觀的概率賦值函數(shù)方法，解決了證據(jù)理論的基本概率賦值難的問題。而證據(jù)理論算法需要的先驗(yàn)條件較少，可以用概率區(qū)間的方法表示不確定信息，實(shí)現(xiàn)不確定信息的客觀和數(shù)量化的表示，具有很強(qiáng)的實(shí)用性。

1 多傳感器信息融合基本思想

多傳感器信息融合是將多種類型的傳感器提供的多種形式和不同時(shí)刻的信息加以綜合處理，提煉有價(jià)值的信息，剔除冗余數(shù)據(jù)，在復(fù)雜多變的環(huán)境中提高決策能力，結(jié)果比單一信息源更能全面一致地評(píng)估被監(jiān)測(cè)對(duì)象。文中基于WSN，對(duì)采集的海量數(shù)據(jù)先在終端節(jié)點(diǎn)處進(jìn)行一級(jí)信息融合，將融合結(jié)果送至路由設(shè)備，再由路由設(shè)備進(jìn)行二級(jí)信息融合，將監(jiān)測(cè)和診斷的結(jié)果送至協(xié)調(diào)器后上傳至主機(jī)。這種融合思想可有效減少終端節(jié)點(diǎn)至路由設(shè)備、路由設(shè)備至協(xié)調(diào)器的數(shù)據(jù)傳輸量，有利于節(jié)約網(wǎng)絡(luò)能量，兩級(jí)信息融合的風(fēng)電機(jī)組監(jiān)測(cè)與診斷的系統(tǒng)總體設(shè)計(jì)如圖1所示。

圖1 風(fēng)電機(jī)組故障監(jiān)測(cè)與診斷系統(tǒng)

由于單個(gè)傳感器容易受到電磁波，輻射等外界干擾的影響，使采集的數(shù)據(jù)有所偏差，所以在信號(hào)層采用自適應(yīng)加權(quán)融合算法對(duì)多個(gè)傳感器的同類型參數(shù)進(jìn)行融合。在診斷系統(tǒng)中，故障和癥狀之間不一定是線性對(duì)應(yīng)關(guān)系，每種癥狀下的各種故障都有可能發(fā)生，故在特征層采用D-S證據(jù)理論算法，綜合不同類型參數(shù)的證據(jù)，并以上層的自適應(yīng)加權(quán)融合的結(jié)果作為數(shù)據(jù)源，提高故障診斷的準(zhǔn)確性。兩級(jí)信息融合模型如圖2所示。

圖2 風(fēng)電機(jī)組故障診斷的信息融合模型

2 信號(hào)層信息融合

自適應(yīng)加權(quán)融合算法［8］是根據(jù)各個(gè)傳感器測(cè)量值的方差值調(diào)整對(duì)應(yīng)的權(quán)系數(shù)，使得融合后的總方差最小，此時(shí)各個(gè)傳感器的權(quán)系數(shù)最優(yōu)。首先需求各個(gè)傳感器的方差，再計(jì)算各個(gè)傳感器對(duì)應(yīng)的加權(quán)因子Wi，從而獲得最優(yōu)融合值。設(shè)兩個(gè)互相獨(dú)立的傳感器i，j，測(cè)量值分別為Xi，Xj，對(duì)應(yīng)的測(cè)量誤差為零均值平穩(wěn)噪聲ei，ej，待估計(jì)真值為X，則:Xi=X+ei，Xj=X+ej。

若路由器的一個(gè)計(jì)算周期內(nèi)，傳感器的測(cè)量次數(shù)為v，則:

由于通常真值X是根據(jù)各傳感器歷史數(shù)據(jù)均值X進(jìn)行估計(jì)，則第i個(gè)傳感器的測(cè)量均值為。

根據(jù)多元函數(shù)求極值理論，可求得總方差最小時(shí)第i個(gè)傳感器所對(duì)應(yīng)的最優(yōu)加權(quán)因子:

總方差為:

其中，m為傳感器采集數(shù)據(jù)歷史的次數(shù)，融合后的估計(jì)值:

3 特征層信息融合

D-S證據(jù)理論融合的關(guān)鍵是基本概率賦值函數(shù)，其值直接影響診斷的準(zhǔn)確性，基本概率分配函數(shù)的獲取方法繁多，針對(duì)不同的研究對(duì)象有差異巨大的獲取方法，對(duì)于大型發(fā)電機(jī)組的故障診斷，選取哪種合適的方法獲得相對(duì)準(zhǔn)確的基本概率分配函數(shù)是研究的一個(gè)難點(diǎn)和重點(diǎn)，文中運(yùn)用高斯隸屬度函數(shù)獲得一種較為直觀的概率賦值函數(shù)方法，避免了證據(jù)理論構(gòu)造基本概率分配函數(shù)的困難:

(1)利用實(shí)驗(yàn)方法模擬風(fēng)力發(fā)電機(jī)齒輪箱的典型故障運(yùn)行模式，假設(shè)傳感器節(jié)點(diǎn)每p個(gè)數(shù)據(jù)作為一組，至少測(cè)量q(q＞5)組，并求各組數(shù)據(jù)的平均值Xi和方差，作為傳感器i所測(cè)物理量的標(biāo)準(zhǔn)。

(2)對(duì)幾組平均值和方差比較，找到傳感器i所測(cè)物理量的最大平均值和最小平均值，對(duì)應(yīng)的方差分別為，，分別建立典型故障模式幾種物理量的高斯隸屬度函數(shù):

(3)對(duì)待檢測(cè)機(jī)組的齒輪箱采集信息，利用步驟1的方法計(jì)算平均值，記為，不同物理量代入對(duì)應(yīng)的高斯隸屬度函數(shù)，所得，表示第t個(gè)傳感器的測(cè)量值隸屬于第i個(gè)故障的程度。將每個(gè)傳感器的測(cè)量值分別代入各個(gè)故障標(biāo)準(zhǔn)，得到各個(gè)故障的支持度。

為每個(gè)傳感器分配可靠性系數(shù)設(shè)為α，第i個(gè)證據(jù)對(duì)不確定的故障種類θ的改進(jìn)概率分配函數(shù)為mi(θ)，則:

根據(jù)D-S證據(jù)理論［9－11］的算法，當(dāng)出現(xiàn)嚴(yán)重證據(jù)沖突時(shí)，會(huì)使融合結(jié)果出現(xiàn)一票否決的現(xiàn)象，所以當(dāng)沖突嚴(yán)重時(shí)，應(yīng)修改證據(jù)組合的方法，減小沖突較大的證據(jù)對(duì)最后融合結(jié)果的影響。因此，需先得到各個(gè)證據(jù)焦點(diǎn)元素的平均值。

然后，計(jì)算各個(gè)證據(jù)的焦點(diǎn)元素到平均值的距離和函數(shù)。

依次兩兩融合證據(jù)，計(jì)算證據(jù)的沖突系數(shù)K，設(shè)沖突系數(shù)K的門限值為0.9，如果兩條證據(jù)沖突嚴(yán)重即沖突系數(shù)大于門限值，則證明此兩條證據(jù)沖突嚴(yán)重，此時(shí)需要計(jì)算兩條證據(jù)的距離和函數(shù)，用各個(gè)證據(jù)焦點(diǎn)的平均值替代距離和函數(shù)較大的那條證據(jù)，然后再重新計(jì)算K值，按如下規(guī)則組合證據(jù):

4 仿真實(shí)驗(yàn)

通常，齒輪箱是整個(gè)機(jī)組的傳動(dòng)系動(dòng)力匹配和扭轉(zhuǎn)振動(dòng)的薄弱環(huán)節(jié)，因此，仿真實(shí)驗(yàn)選取風(fēng)電機(jī)組齒輪箱軸承為故障監(jiān)測(cè)對(duì)象。設(shè)測(cè)量振動(dòng)幅值屬于第一類測(cè)量的物理量，溫度屬于第二類物理量，噪聲屬于第三類物理量。

首先，在齒輪箱低速軸處安置有3個(gè)振動(dòng)傳感器，每0.6 s采集一次數(shù)據(jù)，每隔4 min對(duì)所采集的數(shù)據(jù)進(jìn)行信號(hào)層融合，取待估計(jì)真值X=3.5，用一組互不相關(guān)的零均值白噪聲數(shù)據(jù)模擬各個(gè)傳感器的觀測(cè)數(shù)據(jù)，均值為0，方差分別為0.5、0.05和3.5。圖3是振動(dòng)信號(hào)的自適應(yīng)加權(quán)值與算術(shù)平均值的對(duì)比，圖4為融合后的總方差曲線。

圖3 自適應(yīng)加權(quán)與平均值

圖4 總均方誤差

由圖3可見，自適應(yīng)加權(quán)的估計(jì)值的波動(dòng)范圍小于算術(shù)平均估計(jì)值，由圖4可知，隨著測(cè)量次數(shù)的增加，自適應(yīng)加權(quán)算法的總方差逐漸減小并無限趨近于零，達(dá)到總方差最小的目的。方差σ2i值越大，則數(shù)據(jù)離散度越大，對(duì)應(yīng)的加權(quán)因子應(yīng)該越小，反之亦然，由表1可知傳感器的方差和權(quán)值滿足上述對(duì)應(yīng)關(guān)系，符合設(shè)計(jì)的要求。

表1 振動(dòng)傳感器融合結(jié)果 m/s2

經(jīng)融合后，總均方誤差σ2小于任一傳感器的方差，說明該融合方法有效地提高了數(shù)據(jù)精度。自適應(yīng)加權(quán)算法結(jié)果與算術(shù)平均值3.452 5比較可知，前者的融合效果優(yōu)于后者。齒輪箱其他旋轉(zhuǎn)軸的振動(dòng)、噪聲和溫度信號(hào)分別采用相同方法進(jìn)行同類型信息融合。

第二層信息融合針對(duì)不同類型參數(shù)的證據(jù)融合，設(shè)齒輪箱的低速軸故障，太陽(yáng)輪軸故障，中間軸故障，高速軸故障的4類軸承故障隸屬于識(shí)別框架集U={u1，u2，u3，u4}。振動(dòng)傳感器 s1，s4，s7，s10分別采集機(jī)組齒輪箱的低速軸、太陽(yáng)輪軸、中間軸和高速軸的振動(dòng)幅值，溫度傳感器s2，s5，s8，s11分別采集溫度數(shù)據(jù)，噪聲傳感器s3，s6，s9，s12分別采集噪聲數(shù)據(jù)，傳感器分布如圖5所示。

圖5 風(fēng)電齒輪箱的傳感器監(jiān)測(cè)分布

將傳感器采集的數(shù)據(jù)代入高斯隸屬度函數(shù)，計(jì)算得到證據(jù)組合所需的基本概率分配函數(shù)。設(shè)傳感器s1，s4，s7，s10提供證據(jù)的可靠性系數(shù)α分別為0.9，0.85，0.75，0.8。利用實(shí)驗(yàn)?zāi)M各典型故障的運(yùn)行模式，其中振幅標(biāo)準(zhǔn)和運(yùn)行機(jī)組齒輪箱的振動(dòng)參數(shù)如表2所示。

表2 風(fēng)電機(jī)組齒輪箱的幅值統(tǒng)計(jì) m/s2

將振動(dòng)傳感器采集的數(shù)據(jù)代入典型故障模式的高斯隸屬度函數(shù)，并作為參數(shù)標(biāo)準(zhǔn)，獲得各振動(dòng)傳感器的BPA，如表3。

表3 振動(dòng)傳感器基本概率賦值函數(shù)BPA

同理計(jì)算，融合溫度和噪聲傳感器的數(shù)據(jù)，得到證據(jù)結(jié)果如表4。

表4 基本概率賦值函數(shù)BPA

由表4可見，經(jīng)過信息融合，診斷的精度大大提高了。當(dāng)證據(jù)出現(xiàn)嚴(yán)重沖突時(shí)，原D-S證據(jù)理論算法給出了錯(cuò)誤結(jié)果，而改進(jìn)的算法仍能給出正確結(jié)果。不確定故障的概率從0.000 2減小到了0.000 1，效果比較顯著。當(dāng)證據(jù)出現(xiàn)嚴(yán)重矛盾的時(shí)候，如果通過單一證據(jù)診斷故障，則無法判斷機(jī)組的故障究竟屬于哪一類，有可能給出錯(cuò)誤的診斷結(jié)果。經(jīng)過兩級(jí)信息融合處理提高了故障診斷結(jié)果的準(zhǔn)確性和可靠性，節(jié)約了網(wǎng)絡(luò)能量。

5 結(jié)束語(yǔ)

介紹了風(fēng)力發(fā)電機(jī)齒輪箱故障監(jiān)測(cè)和診斷的方法，仿真實(shí)驗(yàn)結(jié)果表明采用自適應(yīng)加權(quán)融合算法融合同類型參數(shù)能有效去除網(wǎng)絡(luò)冗余數(shù)據(jù)，節(jié)約網(wǎng)絡(luò)耗能，準(zhǔn)確表征機(jī)組的實(shí)際狀態(tài)，為故障識(shí)別提供良好的數(shù)據(jù)源。而改進(jìn)的D-S證據(jù)理論算法綜合處理不同類型參數(shù)的證據(jù)，有效處理沖突，采用了一種較為直觀可行的基本概率賦值函數(shù)方法，顯著提高了診斷系統(tǒng)的故障辨識(shí)能力。

【1】楊偉，賈石峰．基于RBF神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)組故障診斷研究［J］．電氣傳動(dòng)自動(dòng)化，2009，31(2):18 －19．

【2】何小飛，童曉陽(yáng)，孫明蔚．基于貝葉斯網(wǎng)絡(luò)和D-S證據(jù)理論的分布式電網(wǎng)故障診斷［J］．電力系統(tǒng)自動(dòng)化，2011，35(10):109－111．

【3】徐曉濱，文成林，王迎昌．基于模糊故障特征信息的隨機(jī)集度量信息融合診斷方法［J］．電子與信息學(xué)報(bào)，2009，31(7):1635－1639．

【4】董海鷹，李娜．基于D-S證據(jù)理論信息融合的轉(zhuǎn)轍機(jī)故障診斷方法研究［J］．測(cè)試技術(shù)學(xué)報(bào)，2013，27(1):1 －6．

【5】XU Chunmei，ZHANG Hao，PENG Daogang，et al．Study of Fault Diagnosis of Integrate of D-S Evidence Theory Based on Neural Network for Turbine［J］．Energy Procedia，2012，16(C):20207－2032．

【6】DU Hailian，LV Feng，LI Shue，et al．Study of Fault Diagnosis Method Based on Data Fusion Technology［J］．Procedia Engineering，2012，29(C):2590 －2594．

【7】SALAHSHOOR Karim，KORDESTANI Mojtaba，KHOSHRO Majid S．Fault Detection and Diagnosis of an Industrial Steam Turbine Using Fusion of SVM(Support Vector Machine)and ANFIS(Adaptive Neuro-fuzzy Inference System)classifiers［J］．Energy，2010，35:5472 －5482．

【8】李莉，高冰．自適應(yīng)加權(quán)信息融合加權(quán)因子的動(dòng)態(tài)調(diào)整［J］．戰(zhàn)術(shù)導(dǎo)彈技術(shù)，2011(3):109－111．

【9】李月，徐余法，陳國(guó)初，等．D-S證據(jù)理論在多傳感器故障診斷中的改進(jìn)及應(yīng)用［J］．東南大學(xué)學(xué)報(bào)，2011(9):102－105．

【10】楊靖，林益，洪露，等．一種改進(jìn)的D-S證據(jù)理論合成方法［J］．計(jì)算機(jī)工程與應(yīng)用，2012，48(20):150 －153．

【11】李玲玲，馬東娟，王成山，等．DS證據(jù)理論沖突處理新方法［J］．計(jì)算機(jī)應(yīng)用研究，2011，28(12):4528 －4530．