□ 占 健 □ 吳 斌 □ 王加祥 □ 余建波

1.上海電機學(xué)院 電氣學(xué)院 上海 201306

2.上海電機學(xué)院 商學(xué)院 上海 201306

3.同濟大學(xué) 機械與能源工程學(xué)院 上海 201804

基于OS-ELM的風(fēng)機關(guān)鍵機械部件故障診斷方法*

□ 占 健1□ 吳 斌2□ 王加祥1□ 余建波3

1.上海電機學(xué)院 電氣學(xué)院 上海 201306

2.上海電機學(xué)院 商學(xué)院 上海 201306

3.同濟大學(xué) 機械與能源工程學(xué)院 上海 201804

針對傳統(tǒng)故障診斷中前饋神經(jīng)網(wǎng)絡(luò)算法診斷效果不佳、泛化能力不強問題，提出了基于在線貫序極限學(xué)習(xí)機（OS-ELM）的風(fēng)機關(guān)鍵機械部件故障診斷方法。該方法將測試得到的預(yù)測樣本加入訓(xùn)練樣本，作為下一次的更新信息，建立在線貫序極限學(xué)習(xí)機診斷模型，從而最大限度提高故障診斷精度，分析了激活函數(shù)、隱層節(jié)點數(shù)目對診斷性能的影響，并同BP神經(jīng)網(wǎng)絡(luò)、SVM以及ELM神經(jīng)網(wǎng)絡(luò)進行對比。實驗表明，該方法在風(fēng)機關(guān)鍵機械部件出現(xiàn)故障情況下，OS-ELM網(wǎng)絡(luò)能夠作出準(zhǔn)確診斷且性能明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，與SVM、ELM故障分類準(zhǔn)確率相當(dāng)，但極大地提高了運算速度，便于工程應(yīng)用。

風(fēng)力發(fā)電機 在線貫序極限學(xué)習(xí)機 故障診斷

風(fēng)機傳動系統(tǒng)是一個復(fù)雜的機械系統(tǒng)，作為風(fēng)機的關(guān)鍵機械部分，主要由輪轂、主軸、主軸承、齒輪箱、制動器、聯(lián)軸器、發(fā)電機等部分組成，完成風(fēng)能向機械能轉(zhuǎn)換的重任。風(fēng)機往往所處工作環(huán)境惡劣，面對不斷變化的風(fēng)速，風(fēng)機需承受較大的沖擊和交變載荷，同時受氣溫變化、潮氣腐蝕等影響，傳動系統(tǒng)故障頻發(fā)，尤其在齒輪箱部分，保障整個系統(tǒng)長時間安全、可靠、穩(wěn)定地運行是一個值得研究的課題。根據(jù)系統(tǒng)中各機械部件自身特點，在運行過程中對關(guān)鍵機械部件的正常退化狀態(tài)進行有效監(jiān)測，通過獲取故障特征信息，掌握其運行規(guī)律，對出現(xiàn)的異常進行精確診斷，從而制定有效的控制策略，減少非計劃停機次數(shù)，降低機組維護成本，提高經(jīng)濟效益。

隨著風(fēng)電的持續(xù)發(fā)展，風(fēng)機故障診斷也取得了諸多成果，文獻［1］根據(jù)韓國風(fēng)電發(fā)展現(xiàn)實存在的限制，運用神經(jīng)網(wǎng)絡(luò)和小波變換來保證故障診斷系統(tǒng)的可靠性。文獻［2］將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于風(fēng)機齒輪箱故障診斷，精確地實現(xiàn)齒輪箱故障診斷。文獻［3］提出運用基于統(tǒng)計學(xué)習(xí)理論的支持向量機（SVM）故障診斷方法，利用其在小樣本數(shù)據(jù)上精確的擬合和分類能力，在僅有少量時域樣本的情況下訓(xùn)練故障分類器，通過測試，證明該方法具有較好的分類能力。但是隨著機器學(xué)習(xí)方法的快速發(fā)展以及實際應(yīng)用中對監(jiān)控及診斷要求的提高，逐漸發(fā)現(xiàn)采用梯度下降算法調(diào)整權(quán)值的方法訓(xùn)練出的前饋神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速度慢、泛化性能差的問題；而SVM容易陷入局部最優(yōu)解，往往需要借助遺傳算法、蟻群算法等進行參數(shù)優(yōu)化，而不得不以犧牲計算速度為代價來獲得較高分類精度。文獻［4、5］中提出極限學(xué)習(xí)機（Extreme Learning Machine，ELM）作為一種單隱層前饋神經(jīng)網(wǎng)絡(luò)（Single Hidden Layer Feedforward Neural Networks，SLFNs），其輸入權(quán)值以及偏差項只需隨機賦值，整個訓(xùn)練過程中無需再調(diào)整，再通過一步計算確定輸出層權(quán)值。整個過程參數(shù)設(shè)置簡單，學(xué)習(xí)速度迅速，具備良好的全局尋優(yōu)能力。

現(xiàn)結(jié)合風(fēng)機傳動系統(tǒng)的關(guān)鍵機械部件齒輪及軸承故障特點，提出基于OS-ELM的風(fēng)機關(guān)鍵部件的故障診斷模型并對其性能進行研究分析。首先選取合適的特征向量作為網(wǎng)絡(luò)輸入，通過OS-ELM建立故障診斷模型，驗證分析不同激活函數(shù)以及隱層節(jié)點數(shù)目對OS-ELM神經(jīng)網(wǎng)絡(luò)診斷精度的影響。最后通過對比分析BP、SVM、ELM、OS-ELM網(wǎng)絡(luò)性能，驗證OS-ELM網(wǎng)絡(luò)的有效性。

▲圖1 典型單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1 極限學(xué)習(xí)機

作為典型的單隱層前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，網(wǎng)絡(luò)結(jié)構(gòu)中包含位于最下層的輸入層、中間層的隱含層和最上層的輸出層，層與層各神經(jīng)元之間全連接［6］。

隱含層與輸出層節(jié)點之間的連接權(quán)值β如下：

式中：βjk表示隱含層第j個神經(jīng)元與輸出層第k個神經(jīng)元之間的連接權(quán)值。

每個隱含層節(jié)點的閾值b為：

當(dāng)具有N個訓(xùn)練樣本的輸入矩陣X和對應(yīng)輸出矩陣Y為：

隱含層神經(jīng)節(jié)點的激活函數(shù)G（w，x，b），則由圖1可知，神經(jīng)網(wǎng)絡(luò)輸出T為：

式中：wi=［wi1，wi2，...，win］；xj=［x1j，x2j，...，xnj］T。

上式經(jīng)簡化可表示為：

式中：T′為矩陣T的轉(zhuǎn)置；H為神經(jīng)網(wǎng)絡(luò)的隱含層輸出矩陣，如下所示：

Huang［4］證明了對于一個具有N個訓(xùn)練樣本的輸入集合（xi，ti），其中 xi=［xi1，xi2，...，xin］T∈Rn，ti=［ti1，ti2，...，tim］T∈Rm，其隱含層節(jié)點數(shù)L與訓(xùn)練樣本數(shù)N相等的前饋神經(jīng)網(wǎng)絡(luò)，當(dāng)其激活函數(shù)G：R→R滿足無限可微，那么對任意輸入權(quán)值wi∈Rn和節(jié)點閾值bi∈R，SLFN可以零誤差逼近訓(xùn)練樣本，即：

式中：yj=［y1j，y2j，...，ymj］T，j=1，2，...，N為測試樣本的理論輸出。

然而，在實際訓(xùn)練中，隱含層節(jié)點數(shù)L通常比訓(xùn)練樣本數(shù)N小，故對于一個具有N個訓(xùn)練樣本的輸入集合（xi，ti），其中xi=［xi1，xi2，...，xin］T∈Rn，ti=［ti1，ti2，...，tim］T∈Rm，當(dāng)其激活函數(shù)G：R→R滿足無限可微，那么對任意輸入權(quán)值wi∈Rn和節(jié)點閾值bi∈R，總存在隱含層節(jié)點數(shù)L（L≤N）的前饋神經(jīng)網(wǎng)絡(luò)以任意給定小誤差（ε＞0）來逼近訓(xùn)練樣本，即：

因此當(dāng)激活函數(shù)無限可微時，SLFN相關(guān)參數(shù)并不需要重復(fù)調(diào)整，輸入權(quán)值以及閾值只需要在訓(xùn)練之初隨機設(shè)置，后續(xù)訓(xùn)練過程中保持不變。隱含層輸出權(quán)值β通過最小二乘解來求解方程組。

得到最小二乘解：

其中H+為隱含層輸出矩陣H的Moore-Penrose廣義逆。

2 在線貫序極限學(xué)習(xí)機

傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)通常都是批量離線學(xué)習(xí)模式，整個學(xué)習(xí)過程是靜止的。在旋轉(zhuǎn)機械故障診斷中采集到的故障數(shù)據(jù)是及時變化的信息流，當(dāng)原始數(shù)據(jù)集更新數(shù)據(jù)后，如果再次連同歷史數(shù)據(jù)重新訓(xùn)練網(wǎng)絡(luò)，無疑會在加大計算量的同時耗費大量學(xué)習(xí)時間。工業(yè)應(yīng)用中往往只需要更新數(shù)據(jù)后的網(wǎng)絡(luò)而無需對歷史數(shù)據(jù)重新訓(xùn)練，于是在SLFNs的基礎(chǔ)上，為實現(xiàn)在線神經(jīng)網(wǎng)絡(luò)的快速診斷，本文采用在線貫序極限學(xué)習(xí)（Online Sequential Extreme Learning Machine，OS-ELM）方法訓(xùn)練網(wǎng)絡(luò)［7，8］，其算法流程如下。

（2）在線學(xué)習(xí)階段。更新第（K+1）個數(shù)據(jù)集后，輸出權(quán)值更新為：

學(xué)習(xí)過程中，令K=K+1，返回至學(xué)習(xí)階段，不斷更新參數(shù)H和β，直至數(shù)據(jù)末端。初始階段，根據(jù)歷史數(shù)據(jù)集完成輸入權(quán)值和閾值初始隨機賦值；學(xué)習(xí)階段分批次或逐個更新數(shù)據(jù)，同時丟棄歷史數(shù)據(jù)，由更新數(shù)據(jù)計算新的輸出權(quán)值。

這種貫序?qū)W習(xí)的方法相比于其它神經(jīng)網(wǎng)絡(luò)，無疑會提高運行速度。整個過程只需確定隱層節(jié)點的數(shù)目，而無需反復(fù)修正權(quán)值等參數(shù)。同時，OS-ELM不僅可用于增加隱層節(jié)點的神經(jīng)網(wǎng)絡(luò)，還可用于RBF神經(jīng)網(wǎng)絡(luò)，具有較好的泛化能力。

3 基于OS-ELM分類的風(fēng)機關(guān)鍵機械部件故障診斷

（2）確定隱含層節(jié)點數(shù)目L以及激活函數(shù)G（w，x，b），并為輸入層連接權(quán)值w和閾值b隨機賦值，計算初始數(shù)據(jù)集輸出矩陣H0；

（3）通過上面的條件，訓(xùn)練樣本集并保存訓(xùn)練后的網(wǎng)絡(luò)模型；

（4）當(dāng)獲得新的故障數(shù)據(jù)后，按批次將故障數(shù)據(jù)作為測試數(shù)據(jù)，進行故障模式識別，輸出故障類別；

（5）保存更新后的網(wǎng)絡(luò)參數(shù)，將測試的故障數(shù)據(jù)信息更新為訓(xùn)練樣本信息，作為后續(xù)診斷的基礎(chǔ)。

4 實驗與分析

為驗證診斷模型的有效性，本文設(shè)計并搭建了風(fēng)機傳動系統(tǒng)故障模擬實驗臺，模擬風(fēng)速不斷變化的工況下，齒輪箱齒輪及端軸承故障，實驗臺如圖2所示。對齒輪正常、齒輪磨損、點蝕、斷齒、軸承內(nèi)外圈、保持架、滾動體故障8種狀態(tài)下的振動信號進行模式識別。

表1 特征參量表

▲圖2 風(fēng)力發(fā)電機旋轉(zhuǎn)機械故障模擬試驗臺

實驗過程中，每種狀態(tài)采樣頻率均設(shè)為20 000 Hz，采樣時間為2 min，分析過程中將數(shù)據(jù)樣本分為240序列，每個序列包含8 192個數(shù)據(jù)點，以保證信息的完整性。對每個序列提取6個特征參量［9］，見表1。其中，fr與fm分別為部件旋轉(zhuǎn)頻率和嚙合頻率，β為信號峭度，X（f）為信號頻譜幅值。

通過故障特征提取，計算出正常、齒輪磨損、點蝕、斷齒、軸承內(nèi)外圈、保持架、滾動體故障，分別對應(yīng)輸出為0、1、2、3、4、5、6、7八種狀態(tài)的特征參數(shù)進行模式分類，每種狀態(tài)取120個訓(xùn)練樣本，共計960個訓(xùn)練樣本。同時按照3∶1的比例，每種狀態(tài)取40個測試樣本，共計320個測試樣本。訓(xùn)練和測試均在2.2 GHz的CPU和1 GHz RAM配置環(huán)境下進行。

▲圖3 不同激活函數(shù)對分類準(zhǔn)確率的影響分析

▲圖4 網(wǎng)絡(luò)學(xué)習(xí)時間隨隱層節(jié)點數(shù)目的變化

▲圖5 網(wǎng)絡(luò)分類準(zhǔn)確率隨隱層節(jié)點數(shù)目的變化

4.1 建立極限學(xué)習(xí)機故障診斷模型

（1）激活函數(shù)對網(wǎng)絡(luò)性能的影響分析。為建立在線貫序極限學(xué)習(xí)機故障診斷模型，首先必須確定最優(yōu)激活函數(shù)，驗證不同激活函數(shù)對網(wǎng)絡(luò)性能的影響。ELM網(wǎng)絡(luò)參數(shù)的選取相對簡單，只需要選擇隱層節(jié)點和激活函數(shù)，本文選擇sigmoid、sine、rbf、hardlim4種函數(shù)在隱層節(jié)點逐步增加的情況下進行比較。選擇初始隱層節(jié)點數(shù)為3，以1為周期增加隱層節(jié)點個數(shù)，直到與訓(xùn)練樣本相同。網(wǎng)絡(luò)性能隨隱層節(jié)點的變化如圖3所示。從圖中看出激活函數(shù)采用sigmoid函數(shù)時，網(wǎng)絡(luò)分類準(zhǔn)確率最高且相對平穩(wěn)；sin函數(shù)同樣具有較好的穩(wěn)定性，但是分類準(zhǔn)確率相比sigmoid函數(shù)稍低；rbf函數(shù)在準(zhǔn)確率和穩(wěn)定性兩方面均不及sigmoid函數(shù)和sin函數(shù)；hardlim函數(shù)同其它三種函數(shù)相比在穩(wěn)定性和準(zhǔn)確率兩方面表現(xiàn)誤差較大，故在OS-ELM網(wǎng)絡(luò)中采用性能最優(yōu)的sigmoid函數(shù)作為激活函數(shù)。

（2）隱層節(jié)點對網(wǎng)絡(luò)學(xué)習(xí)時間和分類準(zhǔn)確率的影響分析。同樣選擇初始節(jié)點數(shù)為10，以1為周期增加隱層節(jié)點個數(shù)，直到與訓(xùn)練樣本相同，網(wǎng)絡(luò)學(xué)習(xí)時間和分類準(zhǔn)確率隨隱層節(jié)點數(shù)目變化曲線如圖4、圖5所示。

由圖4可知，網(wǎng)絡(luò)時間主要消耗在訓(xùn)練樣本階段，一旦模型確立，測試階段所需時間較短。圖5中，總體趨勢上準(zhǔn)確率隨著節(jié)點數(shù)的增加而增加，且到一定程度時趨于穩(wěn)定。其原因是對含有噪聲的故障數(shù)據(jù)未能有效徹底降噪，且ELM算法僅考慮最小經(jīng)驗風(fēng)險，測試分類準(zhǔn)確率受到部分遠(yuǎn)離集群點的影響而不能進一步提高。

4.2 在線貫序極限學(xué)習(xí)機故障診斷模型建立

OS-ELM是在ELM基礎(chǔ)上的改進，引進時間概念，通過不斷更新網(wǎng)絡(luò)輸出權(quán)值及閾值，對連續(xù)出現(xiàn)的故障數(shù)據(jù)進行分類。除引進時間概念外，其在參數(shù)選擇等方面與ELM相同。網(wǎng)絡(luò)中選擇sigmoid函數(shù)作為激活函數(shù)，設(shè)定初始訓(xùn)練樣本數(shù)為60，通過隨機賦值給輸入連接權(quán)值及閾值，并確定輸出權(quán)值及閾值，以初始化網(wǎng)絡(luò)診斷模型。設(shè)定實時更新數(shù)據(jù)段數(shù)目為50，以此模擬連續(xù)變化的故障信息流達到訓(xùn)練OS-ELM的目的。960組訓(xùn)練樣本即可模擬18次故障數(shù)據(jù)更新，相應(yīng)的初始模型相關(guān)參數(shù)更新了18次。

4.3 風(fēng)機關(guān)鍵部件故障分類診斷

為進一步驗證診斷模型的有效性，利用現(xiàn)有故障類別的320組樣本進行測試。同時為體現(xiàn)OS-ELM網(wǎng)絡(luò)性能，結(jié)合BP神經(jīng)網(wǎng)絡(luò)、支持向量機（SVM）以及ELM進行對比分析。其中BP神經(jīng)網(wǎng)絡(luò)采用6-8-8結(jié)構(gòu)，慣性系數(shù)η=0.2，學(xué)習(xí)速率α=0.01。SVM中核函數(shù)采用徑向基函數(shù)，通過交叉驗證得到最優(yōu)參數(shù)，懲罰因子c=26，核函數(shù)參數(shù)g=0.3。4種分類器性能對比見表2和表3。

表2 4種分類器準(zhǔn)確率對比

表3 4種分類器時間消耗對比

由表2可知，OS-ELM分類準(zhǔn)確率與ELM、SVM基本相當(dāng)，遠(yuǎn)遠(yuǎn)高于BP神經(jīng)網(wǎng)絡(luò)，說明該算法在旋轉(zhuǎn)機械故障診斷中的可用性。另一方面，通過表3對比可知，OS-ELM時間消耗遠(yuǎn)小于其它3種分類器，分類效率高于其余三者。ELM總體消耗時間是OS-ELM的2倍左右，相比SVM總體運行速度提高了約67%。綜合評價采用OS-ELM算法訓(xùn)練連續(xù)的故障信息流，由輸出權(quán)值β和輸出矩陣H儲存學(xué)習(xí)后得到的網(wǎng)絡(luò)參數(shù)。當(dāng)采集得到新的故障信息或故障信息存儲在其它終端，只需將最近更新得到的β和H移植過去即可，而無需對歷史數(shù)據(jù)再次進行訓(xùn)練學(xué)習(xí)。整個學(xué)習(xí)過程中無需儲存歷史數(shù)據(jù)，相反可以及時更新最新的故障信息，提高了網(wǎng)絡(luò)對故障的辨識能力。

5 實驗結(jié)論

針對故障樣本少、種類多、故障數(shù)據(jù)不斷變化的信息流問題，提出建立在線貫序極限學(xué)習(xí)機故障分類模型。在激活函數(shù)確定的情況下，只需確定隱層節(jié)點數(shù)，過程中無需調(diào)整連接權(quán)值、閾值等參數(shù)。網(wǎng)絡(luò)訓(xùn)練完畢后，可通過更新參數(shù)H、β，對新故障數(shù)據(jù)進行辨識，有效提高分類準(zhǔn)確率及泛化能力。驗證了sigmoid、sine作為激活函數(shù)的適用性，網(wǎng)絡(luò)訓(xùn)練時間與隱層節(jié)點數(shù)之間的正比例關(guān)系，通過對比分析驗證了OS-ELM診斷模型性能明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，與SVM的診斷精度相當(dāng)，但是運行速度得到了提高，具有實際應(yīng)用意義。

［1］Ming-Shou，Sang-June，Hye-Youn.Implementation of AutomaticFailure DiagnosisforWind Turbine Monitoring System Based on Neural Network［C］.7th FTRA International Conference on Multimedia and Ubiquitous Engineering，Daegu，Korea，2013：1181-1188.

［2］Huang Qin，Liangyou Ding.Application of Wavelet Neural Networks on Vibration Fault Diagnosis for Wind Turbine Gearbox ［C］.Lecture Notes in Computer Science，5th International Symposium on Neural Networks，Beijing，China，2008.

［3］張周鎖，李凌均，何正嘉.基于支持向量機的機械故障診斷方法研究［J］.西安交通大學(xué)學(xué)報，2002，36（12）：1303-1306.

［4］Huang G B，Zhu Q Y.Extreme Learning Machine：Theory and Applications［J］.Neuroputing，2006，70（1）：489-451.

［5］Guang-Bin Huang，Hongming Zhou，Xiaojian Ding，et al. ExtremelearningMachine for Regression and Multiclass Classification ［J］.IEEE Transactions on Systems，Man，and Cybernetics Part B：2012，42（2）：513-528.

［6］苑津莎，張利偉，王瑜，等.基于極限學(xué)習(xí)機的變壓器故障診斷方法研究［J］.電測與儀表，2013，50（12）：21-26.

［7］Rong H J，Huang G B，Sundararajan N.Online Sequential Fuzzy Extreme Learning Machine for Functionapproximation and Classification Problems［J］.IEEE Transactions on Systems，Man and Cybernetics PartB，2009，39（4）：1067-1072.

［8］楊易旻.基于極限學(xué)習(xí)的系統(tǒng)辨識方法及應(yīng)用研究［D］.長沙：湖南大學(xué)，2013：19-22.

［9］張青.風(fēng)力發(fā)電機齒輪箱振動監(jiān)測與故障診斷系統(tǒng)研究［D］.上海：華東理工大學(xué)，2013.

（編輯 功 成）

濰柴自主研發(fā)成功燃?xì)釫CU

2014年，濰柴燃?xì)獍l(fā)動機產(chǎn)銷兩旺，占據(jù)很大的市場份額。但是，發(fā)動機中利潤豐厚的子系統(tǒng)電控ECU，則完全依賴于國外進口。為此，濰柴發(fā)動機技術(shù)研究院電控技術(shù)部耗時一年時間，成功研發(fā)出一款自主燃?xì)釫CU。

目前，這款智慧產(chǎn)品正處于客戶配套驗證階段，待批量投產(chǎn)后，將打破濰柴燃?xì)釫CU長期處于國外壟斷的局面，為燃?xì)廛囕v安裝一顆奔騰澎湃的“中國芯”。

2015年1月26日，一輛配裝濰柴燃?xì)獍l(fā)動機的陜西重卡在-26℃的極限環(huán)境下冷啟動一次成功。據(jù)試驗人員反饋，參與此次試驗的重卡車輛其發(fā)動機上安裝了濰柴自主研發(fā)的燃?xì)釫CU，通過近半月的高寒挑戰(zhàn)，發(fā)動機各項性能指標(biāo)均達到設(shè)計要求，某些數(shù)據(jù)甚至優(yōu)于配裝國外燃?xì)釫CU的發(fā)動機。

2015年，濰柴將加大研發(fā)力度，按流程做好自主ECU的開發(fā)和驗證工作，同時做好自主系統(tǒng)集成的技術(shù)準(zhǔn)備，逐漸實現(xiàn)自主ECU的替換配套。

（張瀟卓）

TH165.3

A

1000-4998（2015）04-0066-05

*國家自然科學(xué)基金資助項目（編號：51375290）

教育部人文社會科學(xué)研究青年基金項目（編號：10YJC630274）

2014年9月