石 慧

（太原市康培園林綠化工程有限公司，山西太原 030000）

引言

風(fēng)電并網(wǎng)后會引起一系列的挑戰(zhàn)，如齒輪箱經(jīng)常出現(xiàn)故障、運行投入成本大幅上升等主要問題。人工智能是目前廣泛使用的用來模擬、效仿人的大腦思維的一種技術(shù)。將這種技術(shù)應(yīng)用在風(fēng)電場并網(wǎng)中，可處理一些抽象的、非線性的結(jié)構(gòu)化信息，如風(fēng)電場中的故障診斷、齒輪箱故障診斷以及故障診斷中涉及的參數(shù)調(diào)優(yōu)等[1-3]。

在風(fēng)力發(fā)電機組上起著十分重要傳動作用的齒輪箱在實際運行中會產(chǎn)生一系列不平穩(wěn)、非線性的振動信號，局部化能力同時體現(xiàn)在頻域以及時域中的小波函數(shù)在處理這一系列不平穩(wěn)、非線性振動信號以及對齒輪箱發(fā)生故障診斷都有著十分重要的意義。通過分析風(fēng)力發(fā)電機組齒輪箱有效的不平穩(wěn)、非線性振動的特征信號是實現(xiàn)其準確故障診斷的前提。所以提取齒輪箱振動過程中的特征信號非常重要。人工神經(jīng)網(wǎng)絡(luò)通過添加模糊化功能便可實現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)，模糊神經(jīng)網(wǎng)絡(luò)結(jié)合神經(jīng)網(wǎng)，將模糊集、模糊邏輯作為重點，通過自身自組織性，實現(xiàn)柔性處理齒輪箱振動信號的特征數(shù)據(jù)，從而完成齒輪箱在實際運行中出現(xiàn)故障的類別識別和分類[2-6]。本研究結(jié)合小波包與模糊神經(jīng)網(wǎng)絡(luò)算法有效實現(xiàn)實際運行中齒輪箱振動信號的特征提取與故障診斷。

1 基于小波包提取齒輪箱振動特征信號

實際運行中的風(fēng)力發(fā)電機組的各個部件在運行過程中不可避免地會產(chǎn)生一系列不平穩(wěn)信號，只是齒輪箱在風(fēng)力發(fā)電機組實際運行傳動中起著非常重要的作用，其運行狀況直接影響著電網(wǎng)的運行安全、可靠性以及風(fēng)電場商的經(jīng)濟性，所以對來源于齒輪箱的不平穩(wěn)振動信號的分析備受人們的關(guān)注。具有隨機、多變以及不確定性特點的風(fēng)力發(fā)電機組捕獲的風(fēng)速，導(dǎo)致風(fēng)力發(fā)電機組在傳動過程中的受力也具有很大的不確定性，因此齒輪箱產(chǎn)生不平穩(wěn)振動信號發(fā)生在變速情況以及齒輪箱出現(xiàn)故障的情況下。然而，分析齒輪箱振動信號的常見方法—傅里葉變換只是對平穩(wěn)信號的分析有效，因此要想提取具有不平穩(wěn)特性的齒輪箱發(fā)出的振動信號特征，就必須尋找新的適合分析不平穩(wěn)信號的方法。小波包可以將不平穩(wěn)信號提取出來進行分析，是最近普遍采用的一種智能方法，其對分析齒輪箱產(chǎn)生的不平穩(wěn)振動信號具有非常好的適用性。

2 小波變換提取信號特征的基本原理

在分析風(fēng)力發(fā)電機組齒輪箱振動信號時，小波變換作為一種時頻分析的方法經(jīng)常被應(yīng)用在信號特征提取中，所以小波變換在齒輪箱振動信號特征提取中的應(yīng)用也是當(dāng)下較為火熱的研究內(nèi)容。其核心思想可以簡單描述為：利用可以平移和伸縮的小波基，通過分解風(fēng)力發(fā)電機組齒輪箱振動信號以實現(xiàn)既可以總體全面地了解信號，又可以深入分析信號細節(jié)。

3 齒輪箱振動信號的消噪預(yù)處理

在對風(fēng)力發(fā)電機組齒輪箱振動特征信號提取之前，需要對齒輪箱振動信號做消噪預(yù)處理。通常情況下，在振動信號的全頻段范圍內(nèi)都會涉及到噪聲頻率，但是具有很弱的相關(guān)性；齒輪箱振動信號的特征信號主要集中在低頻段，這部分信號也是實際中最需要的信號，具有很強的相關(guān)性，小波正交變換的作用就是對數(shù)據(jù)相關(guān)性的處理，原始的齒輪箱振動信號經(jīng)過小波正交變換后，有關(guān)噪聲信號的相關(guān)系數(shù)就會變小，而所需的那部分特征信號的相關(guān)系數(shù)會變大。所以，通過舍棄小系數(shù)的分解信號，保留大系數(shù)的分解信號后對信號進行重新處理，便可實現(xiàn)利用小波變換對風(fēng)力發(fā)電機組齒輪箱振動信號消除噪聲的預(yù)處理。

信號分解相關(guān)性系數(shù)的大小直接影響小波分解去噪的效果。通常情況下采用閾值確定系數(shù)。而閾值的確定需要選擇閾值函數(shù)。

4 改進小波變換在信號特征提取中的應(yīng)用

通過以上各種小波原理分析可知，小波變換在分析信號時只能進一步地對低頻段范圍內(nèi)的信號進一步分解。Coifman團隊為了獲得更加全面的信號分析結(jié)果，細化分析信號的高頻段，克服小波變換只能進一步分解低頻范圍之內(nèi)的信號這個固有缺陷，利用小波包變換對風(fēng)力發(fā)電機組上的齒輪箱振動信號進行分解。小波包在分析齒輪箱振動信號方面比小波變換的處理結(jié)果更為細致，每個頻段上最后都可以得到高分辨率的分解重構(gòu)信號，從而實現(xiàn)小波包從低頻到高頻段范圍的齒輪箱振動信號的分解。

在實際應(yīng)用中，采用小波包分析齒輪箱振動信號時，首先要確定齒輪箱振動信號特性，然后確定小波包對齒輪箱振動信號所需的分解層數(shù)，確定低頻段或者高頻段上獲得所分析信號的有用分量。濾波算法在分析信號時常常會導(dǎo)致所分析信號出現(xiàn)一定程度的損失。而在分析風(fēng)力發(fā)電機組齒輪箱振動信號時，小波包卻變得非常適用。

5 模糊神經(jīng)網(wǎng)絡(luò)簡介

模糊控制是近代控制理論中被普遍運用的一種重要的智能控制技術(shù)，它可以模擬人的控制方法和過程處理一種非線性的、時變的復(fù)雜網(wǎng)絡(luò)，即使被控制的系統(tǒng)沒有精確的數(shù)學(xué)模型，模糊控制系統(tǒng)也能很好地進行建模，所以，模糊控制技術(shù)適合應(yīng)用于各種行業(yè)中[6-8]。但是，模糊控制只是處理一些模糊的、抽象的、定性的系統(tǒng)，沒有很好的自學(xué)習(xí)和記憶能力，這是模糊控制的不足之處。

神經(jīng)網(wǎng)絡(luò)的輸入和輸出不需要人為設(shè)置，它通過模擬生物神經(jīng)網(wǎng)絡(luò)，具有很強的自學(xué)習(xí)能力和記憶能力，通過設(shè)置的樣本進行自學(xué)習(xí)，然后將學(xué)習(xí)后的知識通過相應(yīng)的權(quán)系數(shù)進行存儲，一般不設(shè)定特定的初值。缺點是神經(jīng)網(wǎng)絡(luò)的神經(jīng)元比較多，在描述映射關(guān)系時數(shù)據(jù)比較復(fù)雜，其計算量很大而且難于理解，所以，神經(jīng)網(wǎng)絡(luò)不能利用已知的專家經(jīng)驗，進行離線訓(xùn)練時需要很長的時間。

基于這兩種人工智能的優(yōu)缺點，將這兩種技術(shù)結(jié)合來模擬人腦，并應(yīng)用于控制優(yōu)化方面將能獲得很好的效果，既能減小訓(xùn)練時間，又能優(yōu)化系統(tǒng)。模糊神經(jīng)網(wǎng)絡(luò)在制造業(yè)和工業(yè)中也廣泛應(yīng)用，帶來不錯的經(jīng)濟效益。

5.1 模糊神經(jīng)診斷故障的網(wǎng)絡(luò)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由5層組成，包括對輸入信號進行模糊化的輸入模糊化層、中間的強度釋放層和模糊系統(tǒng)中的計算和推理層，以及對輸出信號的去模糊層。模糊控制中的模糊推理一般都是通過經(jīng)驗人為實現(xiàn)的，具有一定的抽象性，而神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)能力，可以將模糊控制中的參數(shù)適當(dāng)調(diào)整，因此，將這兩種智能技術(shù)相結(jié)合。

5.2 模糊神經(jīng)網(wǎng)絡(luò)診斷故障建模

將模糊推理應(yīng)用于建模系統(tǒng)，其規(guī)則結(jié)構(gòu)基本上由用戶對模型中變量的特性解釋來確定。輸出隸屬函數(shù)的特點由用戶對模型中變量的特性參數(shù)來決定，但不是唯一決定因素。

如果已經(jīng)有輸入/輸出數(shù)據(jù)集的模糊推理，要將這種模糊推理應(yīng)用于一個系統(tǒng)用來對它進行建模或者跟蹤，則根據(jù)系統(tǒng)中變量的特性，不一定有預(yù)定的模型結(jié)構(gòu)。即使是在有模型結(jié)構(gòu)的情況下，也不能從簡單的數(shù)據(jù)中看出成員函數(shù)應(yīng)該是什么樣子。它可以根據(jù)給定的隸屬度函數(shù)的輸入/輸出數(shù)據(jù)的參數(shù)進行編制，使用神經(jīng)網(wǎng)絡(luò)工具箱中的模糊邏輯工具箱設(shè)定數(shù)值和建立模型。

由于模糊神經(jīng)網(wǎng)絡(luò)結(jié)合了模糊控制和神經(jīng)網(wǎng)絡(luò)這兩種人工智能技術(shù)，既能發(fā)揮各自的優(yōu)點，又能彌補兩者的不足。而且模糊神經(jīng)網(wǎng)絡(luò)可以自動地產(chǎn)生模糊規(guī)則，利用反向傳播算法和最小二乘算法對變量的數(shù)目、規(guī)則的數(shù)目進行結(jié)構(gòu)調(diào)整和隸屬參數(shù)等的調(diào)整，通過自學(xué)習(xí)可以逐步調(diào)整結(jié)構(gòu)，然后計算出最適合的參數(shù)。

ANFIS所采用的建模第一步將采集到的輸入信號的模型結(jié)構(gòu)與要設(shè)置的模糊規(guī)則輸出到隸屬度函數(shù)中，然后在工具箱中編輯模糊規(guī)則，將輸入的數(shù)據(jù)和形成的輸出數(shù)據(jù)存儲，方便ANFIS對數(shù)據(jù)訓(xùn)練。第三步，ANFIS通過記憶能力和自學(xué)習(xí)能力對訓(xùn)練樣本實現(xiàn)函數(shù)逼近，達到訓(xùn)練的目的。

所以，ANFIS建立模型的主要任務(wù)是選取訓(xùn)練的數(shù)據(jù)和評價的數(shù)據(jù)，然后對這兩種數(shù)據(jù)存儲，并對數(shù)據(jù)初始化后，利用ANFIS的自學(xué)習(xí)和記憶能力進行訓(xùn)練學(xué)習(xí)，訓(xùn)練完成后得到相應(yīng)的模型結(jié)構(gòu)。

ANFIS根據(jù)訓(xùn)練樣本離線訓(xùn)練后驗證數(shù)據(jù)是否滿足要求時一般采用evalfis、plot等函數(shù)。

在對簡單的變量x、y作為訓(xùn)練數(shù)據(jù)進行訓(xùn)練時，設(shè)參數(shù)為：

模糊規(guī)則設(shè)置為5條，訓(xùn)練次數(shù)設(shè)置為30次，在對FIS結(jié)構(gòu)初始化后，訓(xùn)練數(shù)據(jù)的曲線和輸出數(shù)據(jù)的曲線近乎一致，說明模糊神經(jīng)網(wǎng)絡(luò)通過自身的自學(xué)習(xí)和自適應(yīng)能力可以將數(shù)據(jù)訓(xùn)練成期望值。

6 基于小波包和模糊神經(jīng)網(wǎng)絡(luò)對故障信號的提取和訓(xùn)練測試

所采用齒輪箱的數(shù)據(jù)為山西北部某風(fēng)電場實際運行且機組容量為1.5 MW的雙饋風(fēng)力發(fā)電機組，所分析數(shù)據(jù)主要為雙饋風(fēng)力發(fā)電機組在運行過程中的齒輪箱振動信號。運行中的風(fēng)力發(fā)電機組并不能一直保持穩(wěn)定的運行狀態(tài)，因而磨損軸承現(xiàn)象在齒輪箱中十分常見，這也是造成特別豐富的振動信號頻率的主要原因。通常情況下的頻帶能量會因為風(fēng)力發(fā)電機組齒輪箱故障的發(fā)生而變化，所以可以將特征用每個頻帶的能量來表示，而通過小波包分解可以得到上述所說的頻帶能量的特征向量。本文將小波應(yīng)用到齒輪箱振動數(shù)據(jù)的分析中并對采集的齒輪箱振動信號進行三層分解消躁，然后將處理后的振動信號利用小波包進行三層分解，并可以在分解之后求解得到各個時刻的特征向量，最后建立軸承狀態(tài)與特征向量在故障狀態(tài)下的模型。其中，軸承外圈故障、軸承內(nèi)圈故障以及軸承滾動體故障都可以包含在齒輪箱故障樣本振動信號中。在進行算例分析時，選取十三組數(shù)據(jù)作為故障分析的案例數(shù)據(jù)，其中前十組數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，最后的三組數(shù)據(jù)用于樣本測試。三層小波包分解后的部分訓(xùn)練樣本的特征向量分解結(jié)果如表1所示。

表1 三層小波包分解后的部分訓(xùn)練樣本的特征向量分解結(jié)果

從表1可以看出，信號x(t)作為振動采集原始信號，將其頻率最高成分用fmax表示，頻率最低成分用fmin表示。振動信號被小波包平分成八個信號頻帶的結(jié)果如表2所示。

表2 振動信號被小波包平分成八個信號頻帶的結(jié)果

為使后續(xù)計算更加方便，歸一化處理特征向量是一個必不可少的環(huán)節(jié)。經(jīng)過歸一化處理的特征向量如式（2）所示。

本研究選用模糊神經(jīng)網(wǎng)絡(luò)對齒輪箱故障數(shù)據(jù)進行訓(xùn)練測試，并將模糊神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的分析結(jié)果相比較，對比結(jié)果如圖1、2所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練迭代曲線

分析圖1和圖2可以清楚地看到，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)如果想要實現(xiàn)期望的誤差數(shù)值必須經(jīng)過訓(xùn)練代數(shù)不少于58次，而本文所采用的經(jīng)過優(yōu)化之后的模糊神經(jīng)網(wǎng)絡(luò)要想實現(xiàn)期望誤差數(shù)值經(jīng)過訓(xùn)練，代數(shù)僅10次。模糊神經(jīng)網(wǎng)絡(luò)在完成算法分析數(shù)據(jù)的過程中比BP神經(jīng)網(wǎng)絡(luò)更加快速地將誤差所希望的期望數(shù)值實現(xiàn)，明顯提升了訓(xùn)練速度。

圖2 模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練迭代曲線

另外，本文對模糊神經(jīng)網(wǎng)絡(luò)以及BP神經(jīng)網(wǎng)絡(luò)這兩種算法分別進行10次訓(xùn)練和測試，并將每次測試結(jié)果進行平均計算處理以后對比分析如表3所示。

通常情況下，故障診斷中將大于或者等于0.5的值取為1，小于0.5的值取為0，其主要目的是為了讓測試結(jié)果盡可能接近數(shù)值1或0，以便于分析。觀察表3，利用BP神經(jīng)網(wǎng)絡(luò)測試的第4組數(shù)據(jù)出現(xiàn)了偏離診斷故障情況，第5組和第8組測試數(shù)據(jù)的輸出結(jié)果偏離數(shù)值1或0比較大，尤其是第5組測試數(shù)據(jù)比較接近0.5的限值，沒有達到測試結(jié)果盡可能接近數(shù)值0或1的目的。而模糊神經(jīng)網(wǎng)絡(luò)的測試結(jié)果實際輸出和期望輸出相差無幾，精度高于BP神經(jīng)網(wǎng)絡(luò)。因此，進行測試分析后說明在風(fēng)機故障數(shù)據(jù)中，模糊神經(jīng)網(wǎng)絡(luò)故障診斷的準確性比BP神經(jīng)網(wǎng)絡(luò)的準確性高。

表3 兩種算法每次測試結(jié)果進行平均計算處理對比分析結(jié)果

7 結(jié)論

采用小波包和模糊神經(jīng)網(wǎng)絡(luò)算法分析風(fēng)力發(fā)電機組齒輪箱振動信號，通過對風(fēng)力發(fā)電機組采集樣本數(shù)據(jù)的分析，驗證了所提方法的有效性。