鄔春明　銀海燕

東北電力大學,吉林,132012

改進陰性選擇算法的風機振動故障診斷方法

鄔春明銀海燕

東北電力大學,吉林,132012

摘要：為了正確、快速地判斷風電機組振動故障類型,減小其對發(fā)電效率及人身財產(chǎn)安全的影響，提出了一種改進型陰性選擇算法。在傳統(tǒng)的陰性選擇算法中引入馬氏距離進行振動數(shù)據(jù)的初步篩選，并將算法應用于風電機組振動故障的預測。研究結(jié)果表明,改進的陰性選擇算法可以更為快速、準確地判斷風電機組振動的故障類型，診斷正確率達到97.5%,從而提高了風電機組運行的可靠性和發(fā)電效率。

關(guān)鍵詞:馬氏距離;陰性選擇;風電機組;故障診斷

0引言

風電機組的振動故障不但降低了風電機的發(fā)電效率而且影響其自身的安全運行,甚至可能造成財產(chǎn)損失,殃及人身安全,因此,配置實時的風電機組振動故障檢測預警系統(tǒng)是科研人員不斷研究開發(fā)的重要課題。

國外的故障檢測技術(shù)起初用于航空航天系統(tǒng)的故障監(jiān)測預警、數(shù)據(jù)預測和故障類型診斷等方面，然后逐漸擴散到各領(lǐng)域的機組設(shè)備上[1]。我國風電機組振動故障在線監(jiān)測技術(shù)還處于起步階段，主要是在吸收一些國外先進技術(shù)的基礎(chǔ)上逐漸發(fā)展起來的，其中較先進的算法是人工免疫算法。算法中的陰性選擇機理擁有超強的記憶與學習能力，具有訓練時間短、所需故障樣本少、對故障感應能力強等優(yōu)點，受到國內(nèi)外研究人員的關(guān)注。本文通過建立改進的陰性選擇算法數(shù)學模型,來提高風電機組振動故障檢測的準確性，大大縮短了算法的運算時間，有效提高了風電機組的可靠性和發(fā)電效率。

1陰性選擇算法

陰性選擇算法[2]作為人工免疫系統(tǒng)的重要分支之一,由Forrest等首次提出,通過模擬淋巴細胞的產(chǎn)生過程生成檢測器,用于區(qū)分“自我/非我”，并成功應用于異常檢測系統(tǒng)。信息安全領(lǐng)域的眾多問題(如病毒檢測、入侵檢測等)可轉(zhuǎn)化為免疫系統(tǒng)中區(qū)分自我和非我的過程[3]。

1.1問題定義

定義1:機組正常工作的監(jiān)測數(shù)據(jù)稱為自我空間,記為S。

定義2:機組故障的監(jiān)測數(shù)據(jù)稱為故障類型空間,記為M。M=(M1,M2,…,Mn),Mi(i=1,2,…,n)為第i類故障類型，n為已知故障類型個數(shù)。

定義3：表示機組故障類型的待測數(shù)據(jù)稱為非己向量，記為N。

定義4：將非己向量N按故障類型的獨有特征和共有特征劃分，即N=N1∪N2∪…∪Nn∪N0。其中N0為兩個或兩個以上故障類型公共特征向量,Ni(i=1,2,…,n)為第i類故障類型的特有空間。

1.2算法概述

陰性選擇算法可以概括為以下幾步[4]:

(1)產(chǎn)生與自我向量S不相配的檢測器向量R，使檢測器向量R檢測不到自我向量，只能檢測非己向量的特征。

(3)用優(yōu)化后的檢測器向量R′來監(jiān)測自我向量S，如檢測器向量與自我向量匹配,則認為S發(fā)生改變。

(4)監(jiān)測檢測器對應R′中的故障類型,可以診斷設(shè)備存在哪種故障。

2陰性選擇算法的改進

2.1馬氏距離算法

馬氏距離算法引入了待測樣本間的協(xié)方差,以測試兩組待測數(shù)據(jù)相匹配的程度。該算法考慮數(shù)據(jù)樣本的特征關(guān)系更為全面，尤其對于具有測試數(shù)據(jù)丟失類型的判別，能夠得到較為切合實際的推斷結(jié)果,是一種很好的多元、非線性、多特征屬性的綜合評價方法[5]。

d2(Y,M′)=(Y-μ)TR(Y-μ)

(1)

(2)

2.2免疫系統(tǒng)中的親和度

在免疫系統(tǒng)中，抗原-抗體相互結(jié)合程度由它們的親和度(也稱親和力)來衡量,即測試數(shù)據(jù)與歷史數(shù)據(jù)的親密程度,從而來判斷待測數(shù)據(jù)是何種故障類型[6]。由此故障模式檢測器R′與待測故障樣本Y之間的匹配程度，即親和度aij為

(3)

式中,ai j為介于0和1之間常數(shù),ai j越大,Y與M′越匹配。

2.3算法改進的步驟

(1)根據(jù)故障診斷案例向量確定測量的范圍[7]。

(2)將歷史正常數(shù)據(jù)定義為自我向量S,將歷史故障數(shù)據(jù)定義為非己串N。

(3)在自我空間檢測產(chǎn)生候選檢測器R,在歷史故障空間訓練產(chǎn)生優(yōu)秀故障模式檢測器R′。

(4)產(chǎn)生待測數(shù)據(jù)串即抗體向量Y。

(5)給定常數(shù)n,當待測數(shù)據(jù)d2(Y,M′)>n時,證明有故障產(chǎn)生,執(zhí)行步驟(6)。否則，證明沒有故障產(chǎn)生，將數(shù)據(jù)轉(zhuǎn)入步驟(2)的自我向量S。

(6)判斷抗體數(shù)目是否達到預設(shè)值。如果是，則執(zhí)行步驟(7)；如果不是，則跳轉(zhuǎn)到步驟(5)。

(7)將訓練好的優(yōu)秀檢測器R′與步驟(6)中輸出的數(shù)據(jù)按照陰性選擇機制來監(jiān)測，當親和度ai j在某類故障范圍內(nèi)時，則認為S已發(fā)生變化，說明待測數(shù)據(jù)與檢測器M中的某種故障類型相匹配，這樣就可以判斷機組產(chǎn)生了何種故障類型。

3實驗驗證與仿真分析

3.1標準與實驗條件

按照德國工程師協(xié)會發(fā)布的《VDI3834風電標準》[8]以及國家能源局發(fā)布的《風力發(fā)電機組振動狀態(tài)監(jiān)測導則》[9],風力發(fā)電機特定運行條件、風力強度和流動方向的變化，以及可能發(fā)生的海浪排擠海上風機引起額外激勵，導致持續(xù)變化的振動激勵，其結(jié)果是測量值的短暫變動，并有頻繁的振幅跳躍，因此，將測量值在特定時間段內(nèi)取平均值生成特征參數(shù)，以平衡波動，對于風力發(fā)電機來說是絕對必要的。高溫或強磁場環(huán)境振動狀態(tài)監(jiān)測應優(yōu)先選擇加速度傳感器，風電機組滾動軸承和齒輪箱的狀態(tài)監(jiān)測應選擇加速度傳感器?？山邮艿臏y量應在垂直徑向、徑向水平和軸向，并需要20%的最低負荷。

本文選用某風電場運行3年的一臺GE77-1500型正常機組和一臺同型號的故障機組進行實驗。主要采用AC102低速加速度傳感器和AC135高速加速度傳感器來采集正常運行工況下齒輪箱和發(fā)電機相關(guān)部位的加速度數(shù)據(jù)。將采集到的數(shù)據(jù)首先用小波軟閾值去噪方法進行去噪處理，低速加速度傳感器測得的數(shù)據(jù)每10min取一次平均值，高速加速度傳感器每1min取一次平均值。然后將均值數(shù)據(jù)按下式進行歸一化處理,即

(4)

3.2實驗仿真及結(jié)果分析

首先,選取處理后的10組故障數(shù)據(jù)與5組正常數(shù)據(jù)進行訓練，如表1～表3所示。表中,m1、m2、m3為齒輪箱輸入垂直、水平、軸向加速度；m4、m5為齒輪箱內(nèi)齒圈垂直、水平加速度;m6、m7為齒輪箱低速軸垂直、水平加速度;m8、m9、m10為齒輪箱中間軸垂直、水平、軸向加速度；m11、m12為齒輪箱高速軸垂直、水平加速度；m13、m14、m15為發(fā)電機驅(qū)動端垂直、水平、軸向加速度;m16、m17為發(fā)電機非驅(qū)動端垂直、水平加速度。

表1　齒輪箱中間軸故障樣本

表2　發(fā)電機軸承故障樣本

表3　正常數(shù)據(jù)樣本

其次，隨機選擇1000組歸一化的正常數(shù)據(jù)與17階零矩陣進行馬氏距離計算，計算結(jié)果如圖1所示。圖1中測量正常范圍馬氏距離閾值n=1.9130。當n<1.9130時為正常數(shù)據(jù),當n>1.9130時為故障數(shù)據(jù)。通過馬氏距離計算可以排除大量的正常數(shù)據(jù)，僅對少量故障數(shù)據(jù)進行分類。

將6組測試數(shù)據(jù)進行歸一化處理，如表4所示。其中,*代表正常數(shù)據(jù);1代表齒輪箱中間軸故障數(shù)據(jù); 2代表發(fā)電機軸承故障數(shù)據(jù)。利用親和度進行故障分類判斷，其中包括故障一數(shù)據(jù)兩組(標注“1”)、故障二數(shù)據(jù)兩組(標注“2”)、正常數(shù)據(jù)兩組(標注“3”)，判斷結(jié)果如表5所示。

圖1　1000組正常數(shù)據(jù)的馬氏距離

表4　測試數(shù)據(jù)

表5　故障診斷結(jié)果

圖2　故障數(shù)據(jù)親和度

故障數(shù)據(jù)親和度如圖2所示。故障數(shù)據(jù)親和度在[0,0.4]與[0.6,0.7]范圍內(nèi),故障點明顯聚集在一起,能夠清楚地分辨出兩種故障類型。在親和度大約等于0.5處有一個點沒有被識別出,可計算出故障診斷的正確率為39/40=97.5%。與文獻[6]中采用引入“疫苗”的人工免疫算法相比,正確率提高了2.5%。

最后,通過選取500組、1000組、2000組包含故障的數(shù)據(jù)進行實驗,BP神經(jīng)網(wǎng)絡(luò)算法及本文所提算法改進前后所用時間的對比如圖3所示。由圖3可知,BP神經(jīng)網(wǎng)絡(luò)算法所用時間分別為0.582s、1.158s、1.716s;改進前的陰性選擇算法所用時間分別為0.562s、1.124s、1.686s，改進后陰性選擇算法所用時間分別為0.136s、0.345s、0.621s。通過對比可知,改進后的算法與改進前的算法及傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法相比節(jié)約了大量時間，而且數(shù)據(jù)量越大，結(jié)果越明顯。

圖3　三種算法所用時間對比

4結(jié)語

在風電機組振動故障診斷中，機組大部分的時間都是處于正常運行狀態(tài)，所以加入馬氏距離進行初步的篩選就顯得尤為必要，同時用兩種算法進行故障診斷也提高了診斷精度。將加入了馬氏距離的陰性選擇算法應用于風電機組振動故障診斷中，不僅提高了故障診斷的準確率，而且還節(jié)約了大量的時間，數(shù)據(jù)量越大，算法的優(yōu)越性就越明顯。

參考文獻:

[1]劉文藝.風電機組振動監(jiān)測與故障診斷研究[D].重慶：重慶大學，2010.

[2]劉忠,周建中,張勇傳,等.基于免疫原理的水電機組故障診斷方法[J].水力發(fā)電,2007,33(3):54-56.

LiuZhong,ZhouJianzhong,ZhangYongchuan,etal.FaultDiagnosisMethodofHydro-generatingUnitBasedonIimmunologyPrinciples[J].WaterPower,2007,33(3):54-56.

[3]蘆天亮,鄭康鋒,傅蓉蓉,等.基于陰性選擇算法的異常檢測系統(tǒng)黑洞覆蓋優(yōu)化[J].通信學報，2013,34(1):128-135.

LuTianliang,ZhengKangfeng,FuRongrong,etal.AnomalyDetectionSystemwithHoleCoverageOptimizationBasedonNegativeSelectionAlgorithm[J].JournalofCommunications,2013,34(1):128-135.

[4]張清華.基于人工免疫系統(tǒng)的機組故障診斷技術(shù)研究[D].廣州：華南理工大學,2004.

[5]馮翔.基于馬氏距離算法的配電網(wǎng)故障定位系統(tǒng)研究[J].水電能源科學,2012,30(9):165-167.

FengXiang.StudyonDistributionNetworkFaultLocationSystemBasedonMahalanobisDistanceAlgorithm[J].WaterResourcesandPower,2012,30(9):165-167.

[6]韓中合,王峰,郝曉冬.基于人工免疫算法的機組振動故障診斷方法[J].華北電力大學學報,2010,37(5):38-42.

HanZhonghe,WangFeng,HaoXiaodong.FaultDiagnosisofTurbineVibrationBasedonArtificialImmuneAlgorithm[J].JournalofNorthChinaElectricPowerUniversity,2010,37(5):38-42.

[7]徐克虎,黃大山,王天召.改進的人工免疫算法求解武器目標分配問題[J].系統(tǒng)工程與電子技術(shù)，2013,35(10):2121-2126.

XuKehu,HuangDashan,WangTianzhao.ImprovedArtificialImmuneAlgorithmforSolvingWeapon-targetAssignmentProblems[J].SystemEngineeringandElectronics,2013,35(10):2121-2126.

[8]TheAssociationofGermanEngineers.VDI3834Part1.MeasurementandEvaluationoftheMechanicalVibrationofWindTurbineandTheirComponents[S].Berlin:VerlagDesVereinsDeutscherIngenieurePublications,2009．

[9]國家能源局.NB/T31004-2011.風力發(fā)電機組振動狀態(tài)監(jiān)測導則[S].北京:中國電力出版社，2011.

(編輯王艷麗)

FaultDiagnosisMethodforWindTurbineVibrationBasedonImprovedNegativeSelectionAlgorithm

WuChunmingYinHaiyan

NortheastDianliUniversity,Jilin,Jilin,132012

Abstract:In order to correctly judge wind turbine vibration fault types,reduce its impacts on power generation efficiency and personal property safety,this paper proposed an improved algorithm.In the traditional negative selection algorithm Mahalanobis distance was introduced for preliminary screening of vibration data,and the prediction algorithm was applied to the wind turbine vibration faults.At the same time with the two algorithms the diagnostic accuracy of fault diagnosis was improved.Studies show that the improved negative selection algorithm can be more quickly and accurately determine the fault type units and the diagnostic accuracy of 97.5% are achieved.And it can improve the wind turbine operation reliability and power efficiency.

Key words:Mahalanobis distance;negative selection;wind turbine;fault diagnosis

收稿日期：2015-02-09

基金項目：國家自然科學基金資助項目(61301257)；吉林省科技發(fā)展計劃資助項目(2013020605GX)；吉林省教育廳“十二五”科學技術(shù)研究項目(吉教科合字[2015]第250號)

中圖分類號:TP181;TP391

DOI：10.3969/j.issn.1004-132X.2016.04.010

作者簡介：鄔春明，男，1966年生。東北電力大學信息工程學院教授。主要研究方向為智能電網(wǎng)信息技術(shù)、故障診斷技術(shù)。銀海燕,女,1989年生。東北電力大學信息工程學院碩士研究生。