李友釗，吳斌

（1.上海電機(jī)學(xué)院電氣學(xué)院，上海201306；2.上海電機(jī)學(xué)院商學(xué)院，上海201306）

基于AIS-SA網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱溫度預(yù)警方法＊

李友釗1，吳斌2

（1.上海電機(jī)學(xué)院電氣學(xué)院，上海201306；2.上海電機(jī)學(xué)院商學(xué)院，上海201306）

一種基于人工免疫系統(tǒng)-學(xué)習(xí)率自適應(yīng)調(diào)節(jié)的混合網(wǎng)絡(luò)溫度預(yù)測模型，實現(xiàn)了對齒輪箱溫度的預(yù)警分析。首先根據(jù)退化特征矩陣確定齒輪箱的退化狀態(tài)數(shù)目，接著采用人工免疫算法初始化網(wǎng)絡(luò)參數(shù)，后利用一種改進(jìn)的自適應(yīng)算法對網(wǎng)絡(luò)學(xué)習(xí)率進(jìn)行調(diào)整，最后結(jié)合頻率變化特性，訓(xùn)練出不同退化模式下的溫度預(yù)測模型。通過搭建實驗平臺，采集齒輪箱油液溫度數(shù)據(jù)，驗證了此類預(yù)測模型的準(zhǔn)確性，以及劃分不同退化模式的必要性。

風(fēng)機(jī)齒輪箱；人工免疫系統(tǒng)；自適應(yīng)算法；溫度預(yù)警

齒輪箱作為風(fēng)電機(jī)組傳動系統(tǒng)的關(guān)鍵部件，比其他部件維修難度更大、所需費(fèi)用更高。因此，學(xué)者開始對齒輪箱的故障進(jìn)行分析，預(yù)測其衰退演變趨勢，發(fā)展出了對齒輪箱狀態(tài)趨勢的預(yù)測技術(shù)，包括基于統(tǒng)計數(shù)據(jù)的預(yù)測方法、基于數(shù)學(xué)的預(yù)測方法、基于信息融合技術(shù)的預(yù)測方法等。另外，人工智能技術(shù)也在此領(lǐng)域得到了應(yīng)用[1]。文獻(xiàn)[2]提出了一種結(jié)合小波分析與BP神經(jīng)網(wǎng)絡(luò)的時間序列模型，并成功地對風(fēng)電機(jī)組的齒輪箱溫度進(jìn)行了預(yù)警。在文獻(xiàn)[3]中，作者提出了一種基于溫度數(shù)據(jù)的部件溫度預(yù)測與故障預(yù)警方法，并以實際風(fēng)電場溫度數(shù)據(jù)對此方法進(jìn)行了驗證。本文從齒輪箱衰退趨勢考慮，認(rèn)為齒輪箱當(dāng)前所處的狀態(tài)對后期衰退趨勢有不可忽略的影響，即齒輪箱處于不同退化狀態(tài)下，應(yīng)采用不同的預(yù)測網(wǎng)絡(luò)進(jìn)行預(yù)測。首先對齒輪箱當(dāng)前狀態(tài)進(jìn)行評估，而后通過小波包分解提取振動信號的頻帶能量作為退化特征向量，根據(jù)類內(nèi)緊密度與類間分離度評價指標(biāo)確定退化矩陣的最佳劃分，劃分?jǐn)?shù)目即對應(yīng)退化狀態(tài)數(shù)，然后建立不同退化狀態(tài)下對應(yīng)的AIS-SA網(wǎng)絡(luò)（Artificial Immune System& Self-adaption Adjustment Net）溫度預(yù)測模型，最后分析預(yù)測結(jié)果與真值的殘差，即可實現(xiàn)對齒輪箱的溫度預(yù)警，幫助運(yùn)維人員提前對齒輪箱進(jìn)行維護(hù)動作，降低其故障率，延長使用壽命。與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型相比，AIS-SA網(wǎng)絡(luò)有效地規(guī)避了其初始參數(shù)選取不定、容易局部最優(yōu)、學(xué)習(xí)率與網(wǎng)絡(luò)穩(wěn)定性產(chǎn)生矛盾等局限性，并且在全局內(nèi)近似解尋優(yōu)過程中有著不可比擬的優(yōu)勢，因此能夠有效提高預(yù)測精度。

1 基于AIS-SA的齒輪箱溫度預(yù)測模型

1.1 齒輪箱退化狀態(tài)的劃分

齒輪箱的退化狀態(tài)可以通過其外部特征（振動信號、溫度信號等）來表征。風(fēng)電機(jī)組在運(yùn)轉(zhuǎn)時，傳動部件之間的接觸部位受頻繁變化的應(yīng)力作用，極容易對部件造成不可恢復(fù)的損傷，繼續(xù)運(yùn)行可能加速部件間的磨損，溫度則表現(xiàn)為異常上升。齒輪箱退化狀態(tài)不同，意味著其損傷程度也不相同，因此處于不同退化狀態(tài)下的齒輪箱其油液溫度有著不同的變化趨勢。通過振動信號提取齒輪箱退化特征向量，采用一定的聚類方法劃分出齒輪箱的若干退化狀態(tài)，則可以據(jù)此訓(xùn)練出對應(yīng)的若干個溫度預(yù)測模型。

1.2 基于關(guān)鍵部件溫度的齒輪箱故障預(yù)警

風(fēng)電機(jī)組傳動系統(tǒng)的部件溫度變化趨勢能夠反映其運(yùn)行狀態(tài)，通過實時監(jiān)測齒輪箱關(guān)鍵部位（主軸軸承、齒輪箱主體、關(guān)鍵齒輪、齒輪軸承等）在不同風(fēng)速下的溫度變化，對比預(yù)測模型的預(yù)測結(jié)果，能夠?qū)崿F(xiàn)對齒輪箱某一部件故障的早期分析預(yù)測。比如利用歷史數(shù)據(jù)對齒輪箱主要部件主軸軸承的溫度變化進(jìn)行預(yù)測，如果溫度變化趨勢差異明顯，則可認(rèn)為該部件存在潛在故障，在其故障變得嚴(yán)重前，給運(yùn)維人員一定的時間進(jìn)行預(yù)防維護(hù)[4]。

1.3 基于AIS網(wǎng)絡(luò)的尋優(yōu)算法

利用AIS算法可對BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值、閾值進(jìn)行篩選，按照“優(yōu)勝劣汰”的自然法則尋求親和度（適配值的倒數(shù)）最高的“抗體”與“抗原”，“抗原”對應(yīng)目標(biāo)優(yōu)化函數(shù)，“抗體”對應(yīng)可行解，即BP網(wǎng)絡(luò)節(jié)點(diǎn)的連接權(quán)值和閾值?！懊庖哂洃洝惫δ苁峭ㄟ^記憶細(xì)胞實現(xiàn)的，這些“細(xì)胞”對應(yīng)一個與“抗原”親和度最高的“抗體群”。規(guī)模為H的抗體種群中任一抗體h1與抗原之間的親和度Fh1可用網(wǎng)絡(luò)中預(yù)測值與真實值之間的誤差絕對值的倒數(shù)表示，抗體h1的濃度Ch1則用該抗體與抗體種群的相似度刻畫——當(dāng)2個抗體的親和度Fhi，hj（i，j＝1，2，…，H）大于人工設(shè)定的相似度閾值CT時，則判斷為相似，計算公式如下：

式（1）（2）中：ε為親和度系數(shù)，l為網(wǎng)絡(luò)的輸出節(jié)點(diǎn)個數(shù)；yk，dk分別為網(wǎng)絡(luò)輸出層第k（1，2，…，l）個節(jié)點(diǎn)的計算輸出值與期望輸出值；CT取值一般大于0.7.

綜合親和度與濃度即可確定該抗體的繁殖概率Ph1：

式（3）中：DEI為多樣性評價指標(biāo)。

記憶細(xì)胞庫的規(guī)模是不變的，因此與抗原親和度高的抗體將會取代庫中濃度最高的原有抗體。根據(jù)得到的繁殖概率，即可更新記憶細(xì)胞群體，抗體種群也可通過選擇、交叉、變異操作進(jìn)行更新，并與記憶庫中貯存的優(yōu)秀抗體一并組成次代抗體種群，直至達(dá)到算法停止準(zhǔn)則，最終得到的“抗體”即可反譯出神經(jīng)網(wǎng)絡(luò)的權(quán)值及閾值。

1.4 基于擾動誤差大小的學(xué)習(xí)率SA算法

為盡可能滿足網(wǎng)絡(luò)層與層之間不同節(jié)點(diǎn)的權(quán)重尋優(yōu)要求，在任一次迭代尋優(yōu)過程中，不同節(jié)點(diǎn)的連接權(quán)值采用大小不同的學(xué)習(xí)率。參數(shù)的調(diào)節(jié)順序可總結(jié)為：從網(wǎng)絡(luò)輸出層開始向輸出層推進(jìn)，同層網(wǎng)絡(luò)間自上而下依次調(diào)整。設(shè)網(wǎng)絡(luò)的參數(shù)矩陣為W*＝[w1，w2，…，wq]，其中，q為包含節(jié)點(diǎn)閾值在內(nèi)的待調(diào)節(jié)參數(shù)總數(shù)目，則第n次迭代學(xué)習(xí)時第i個元素wi（n）的調(diào)節(jié)原則為以下2點(diǎn)。

式（4）（5）中：ηi為學(xué)習(xí)率。

式（6）（7）（8）中：α為量化的誤差性能。

2.2 兩組患者不良反應(yīng)發(fā)生率比較 A組血壓波動12例，心肌缺血4例，早搏7例，房顫3例；B組血壓波動5例，心肌缺血7例，早搏8例，房顫4例。A組患者不良反應(yīng)發(fā)生率為54.2%(26/48)，顯著高于B組的46.2%(24/52)，兩組間比較，差異有統(tǒng)計學(xué)意義(P<0.05)。

原則二：誤差函數(shù)E（n）≤e，即權(quán)值wi（n）滿足誤差精度要求，無需調(diào)節(jié)。

1.5 基于AIS-SA網(wǎng)絡(luò)的組合預(yù)測算法

為了提高模型的預(yù)測精度，本文在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出了一種基于AIS-SA網(wǎng)絡(luò)的混合算法，其中，AIS起到優(yōu)化網(wǎng)絡(luò)初始參數(shù)選取的作用，而基于節(jié)點(diǎn)誤差大小的學(xué)習(xí)率自適應(yīng)調(diào)節(jié)算法起到減小振蕩、加速收斂的作用，組合算法能夠最大程度地平衡學(xué)習(xí)率與網(wǎng)絡(luò)穩(wěn)定性的關(guān)系。其算法流程如圖1所示。

圖1 AIS-SA網(wǎng)絡(luò)算法流程圖

2 實驗驗證及數(shù)據(jù)分析

2.1 實驗設(shè)置

實驗選用型號為NB130-136的齒輪箱；風(fēng)機(jī)載荷選用功率為500 W的磁粉制動器；考慮到磁粉制動器的優(yōu)良特性，使用變頻調(diào)速三相異步電機(jī)作為動力源；變頻器分辨率達(dá)到0.01 Hz。選用DAM-PT04溫度采集器采集齒輪箱油溫與環(huán)境溫度，MPS-140401動態(tài)信號采集卡采集主副軸振動信號數(shù)據(jù)。其中，振動信號采用“DB8”小波包分解處理，提取頻譜能量作為退化特征向量，根據(jù)K-means聚類算法可將其分為2類，即對應(yīng)實驗期間齒輪箱的2種衰退模式。

圖2為實驗臺及傳感器位置設(shè)置。

2.2 AIS-SA網(wǎng)絡(luò)的溫度預(yù)測結(jié)果分析

在齒輪箱溫度采集實驗中，電機(jī)以20 Hz的頻率連續(xù)運(yùn)行6 h后，每隔3 s采集一次溫度數(shù)據(jù)，連續(xù)采集了2 000組數(shù)據(jù)，以此訓(xùn)練AIS-SA網(wǎng)絡(luò)預(yù)測模型。本文選定的Net輸入變量為當(dāng)前時刻風(fēng)速（電機(jī)頻率）、前5個時刻的齒輪箱中心油液溫度（t1，t2，t3，t4，t5）、環(huán)境溫度T，因此可構(gòu)成1 995組輸入—輸出對應(yīng)數(shù)據(jù)樣本，將前1 600組作為訓(xùn)練樣。對應(yīng)的AIS-SA網(wǎng)絡(luò)的大小為7-11-1，抗體種群規(guī)模為15，長度為100，記憶細(xì)胞庫包含10個cell，抗體種群更新20次，每代抗體精英保留3個。此時，對2種算法的20次預(yù)算結(jié)果如表1所示。

圖2 試驗臺及傳感器位置設(shè)置

表1 AIS-SA預(yù)測算法與BP神經(jīng)網(wǎng)絡(luò)算法誤差能量比較

圖3 AIS算法抗體適配值收斂曲線

圖4 BP神經(jīng)網(wǎng)絡(luò)與AIS-SA預(yù)測結(jié)果對比

抗體的進(jìn)化曲線如圖3所示。從圖3可以看出，在進(jìn)化繁殖的過程中，雖然種群的平均適配值存在波動，但整體呈下降趨勢；而且精英保留策略的存在保證了當(dāng)代最佳可行解不會反方向搜索，在第6代進(jìn)化繁殖后不再變化，得到了最佳的目標(biāo)函數(shù)近似解，尋優(yōu)效果明顯。

2.3 不同退化狀態(tài)下AIS-SA網(wǎng)絡(luò)預(yù)測結(jié)果

在齒輪箱的退化狀態(tài)進(jìn)行一次衰退后，進(jìn)行第2類溫度采集實驗，訓(xùn)練自己的AIS-SA網(wǎng)絡(luò)，經(jīng)過20次重復(fù)訓(xùn)練，計算得到網(wǎng)絡(luò)的平均誤差能量為0.803 2.為驗證不同退化狀態(tài)下應(yīng)對應(yīng)不同的預(yù)測網(wǎng)絡(luò)，將訓(xùn)練得到的2個網(wǎng)絡(luò)記為AIS-SA1與AIS-SA2，并對第2類溫度數(shù)據(jù)進(jìn)行預(yù)測，如圖5所示，其中，AIS-SA2網(wǎng)絡(luò)的誤差能量為0.287 3，而AIS-SA1的誤差能量則達(dá)到了1.452 5，且在溫度變化趨勢驟變的時間段，預(yù)測效果明顯變差。這說明齒輪箱“良好”狀態(tài)下的溫度預(yù)測網(wǎng)絡(luò)并不適應(yīng)于另一退化狀態(tài)的溫度預(yù)測。因此針對齒輪箱的不同退化狀態(tài)，訓(xùn)練各自的AIS-SA網(wǎng)絡(luò)是必要的。

圖5 AIS-SA1與AIS-SA2預(yù)測結(jié)果對比

3 結(jié)束語

本文建立了一種基于AIS-SA網(wǎng)絡(luò)的齒輪箱溫度預(yù)測算法，可以對齒輪箱不同退化狀態(tài)下的部件溫度進(jìn)行跟蹤預(yù)測分析，對比實時溫度數(shù)據(jù)判斷是否在可接受的范圍內(nèi)，從而達(dá)到部件故障預(yù)警的目的。

經(jīng)齒輪箱油液溫度實驗驗證：①AIS-SA網(wǎng)絡(luò)較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有更為精確的預(yù)測結(jié)果；②針對齒輪箱階段壽命周期內(nèi)進(jìn)行退化狀態(tài)劃分，并確定各自的AIS-SA網(wǎng)絡(luò)來實現(xiàn)溫度預(yù)測是有效而且合理的。以此類推，可以針對齒輪箱其他關(guān)鍵部件建立溫度預(yù)警模型，幫助運(yùn)維人員提前發(fā)現(xiàn)故障征兆，規(guī)避生產(chǎn)風(fēng)險并降低運(yùn)維成本。

參考文獻(xiàn)：

［1］馬玉峰.風(fēng)電機(jī)組齒輪箱故障趨勢預(yù)測方法研究［D］.北京：華北電力大學(xué)，2013.

［2］孫建平，朱雯.基于小波BP-時間序列的齒輪箱溫度預(yù)警［J］.電子測量與儀器學(xué)報，2012（03）：197-201.

［3］張小田.基于回歸分析的風(fēng)機(jī)主要部件的故障預(yù)測方法研究［D］.北京：華北電力大學(xué)，2013.

［4］Feng Z，Liang M.Fault diagnosis of wind turbine planetary gearbox under nonstationary conditions via adaptive optimal kernel time–frequency analysis.Renewable Energy，2014，66（3）：468-477.

［5］齊俊德，李山，陳冰.基于小波包能量矩陣的軸承信號特征提?。跩］.振動與沖擊，2013（21）：107-111.

［6］張著洪.人工免疫系統(tǒng)中智能優(yōu)化及免疫網(wǎng)絡(luò)算法理論與應(yīng)用研究［D］.重慶：重慶大學(xué)，2004.

［7］付光杰，胡明哲.基于改進(jìn)型學(xué)習(xí)率自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電變槳距控制技術(shù)［J］.自動化與儀器儀表，2016（06）：8-10.

〔編輯：劉曉芳〕

TM315

：A

10.15913/j.cnki.kjycx.2017.16.032

2095－6835（2017）16－0032－04

上海市教育委員會科研創(chuàng)新項目（15ZS079）；上海電機(jī)學(xué)院重點(diǎn)學(xué)科建設(shè)項目（16YSXK02）