陳文華，黃偉稀

（中國船舶科學研究中心，江蘇無錫 214082）

近年來，海上風電發(fā)展迅猛[1-5]，然而由于海上風電機組受到臺風、暴雨等惡劣天氣影響，很容易發(fā)生故障[6-8]。海上風電機組維護成本明顯高于陸上風電機組[9]，其中齒輪箱故障導(dǎo)致的風電機組停機時間最長[10]。目前，風電機組的維護多采用定期檢修的方式，這種方式一方面不能及時發(fā)現(xiàn)故障；另一方面靠維護人員經(jīng)驗進行故障診斷的準確率較低，且對維護人員的依賴性較強。因此，有必要針對海上風電機組齒輪箱開展故障診斷技術(shù)研究。

傳統(tǒng)的故障診斷系統(tǒng)主要基于傅里葉變換頻譜分析，在診斷準確率上有待提高。近年來發(fā)展起來的人工智能方法逐漸被應(yīng)用在故障診斷領(lǐng)域[11-16]，但需要首先對振動信號進行故障特征提取，不僅流程繁雜而且容易造成信息遺漏，難以保證診斷準確性。

文中開展了基于深度學習方法的故障診斷技術(shù)研究。利用卷積神經(jīng)網(wǎng)絡(luò)在圖像處理上的優(yōu)勢，將測試信號經(jīng)連續(xù)小波變換轉(zhuǎn)換為二維時頻圖作為網(wǎng)絡(luò)輸入，卷積神經(jīng)網(wǎng)絡(luò)自動提取故障特征，避免信息遺漏、簡化故障診斷流程；最后進行仿真驗證，并與傳統(tǒng)的機器學習方法對比，驗證文中所述方法的有效性和優(yōu)越性。

1 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks,ANN）是模擬生物神經(jīng)網(wǎng)絡(luò)進行信號處理的一種數(shù)學模型，如圖1 所示。其主要組成包括權(quán)重為wi的連接、信號求和加法器、激活函數(shù)以及外部偏置，數(shù)學表達如式（1）所示：

圖1 典型的神經(jīng)網(wǎng)絡(luò)數(shù)學模型

其中，y為輸出；xi為輸入信號；wi為權(quán)值；f為激活函數(shù)，用于限制數(shù)值范圍；b為偏置，用于調(diào)整激活函數(shù)的輸入。神經(jīng)網(wǎng)絡(luò)實際上是通過學習建立起輸入與輸出之間的非線性映射關(guān)系，從而對相關(guān)輸入進行模式識別，可應(yīng)用于故障診斷。

基于神經(jīng)網(wǎng)絡(luò)的故障診斷可分為機器學習方法和深度學習方法兩種，其中，機器學習方法的故障診斷思路是首先對振動信號進行預(yù)處理，得到能夠反映故障信息的時域和頻域特征，然后將其作為輸入，利用神經(jīng)網(wǎng)絡(luò)建立輸入特征與故障類別的映射關(guān)系，進而實現(xiàn)故障診斷。然而，在人為提取信號故障特征的過程中，不可避免地存在信息遺漏，影響故障診斷結(jié)果的準確性。

深度學習方法可以很好地彌補機器學習方法的缺點，其與機器學習的主要區(qū)別在于該方法可以自動對輸入信號進行特征提取。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）是一種常用的深度學習方法，CNN 層中的單元為二維濾波器（卷積核），卷積核與該層的輸入進行卷積運算，處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，在圖像處理上表現(xiàn)優(yōu)異。

利用卷積神經(jīng)網(wǎng)絡(luò)進行故障診斷的技術(shù)流程如圖2 所示。首先對振動信號進行連續(xù)小波變換，得到能夠反映故障特征的時頻圖；然后直接將時頻圖作為輸入進行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練[17-18]。卷積神經(jīng)網(wǎng)絡(luò)中含有多個卷積層、池化層，可提取二維時頻圖特征信息。經(jīng)過多次循環(huán)迭代，當輸出誤差滿足精度要求后即完成了卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，進而可以進行故障診斷。

圖2 卷積神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)流程圖

2 仿真分析

采用動力學仿真的方式建立齒輪模型，模擬斷齒和齒面磨損故障的仿真模型如圖3 所示，仿真計算正常工況、斷齒故障、齒面磨損故障的振動信號。

圖3 齒輪故障仿真模型

各個工況的振動信號如圖4 所示。從時域的波形圖可以看出，無故障時振動信號平穩(wěn)無沖擊、振動幅值小，如圖4（a）所示。發(fā)生故障后，振動增強并呈現(xiàn)出明顯的沖擊特性，如圖4（b）、（c）所示。

圖4 各個工況的時域振動信號

時域振動信號除了肉眼可見的明顯振動周期外，不能觀察其他信息，對故障信息的表達能力不強。為了提高故障信息的表達能力，需要對時域信號進行處理。時域信號特征量包括反映振動能量的均方值、反應(yīng)沖擊特性的峭度指標等。從圖5 所示的振動信號均方值可以看出，故障工況相較于正常工況來說振動能量增加。從圖6 所示峭度圖可以看出，無故障時峭度指標約為3，發(fā)生故障后由于存在明顯的沖擊現(xiàn)象，峭度指標顯著升高。

圖5 各個工況振動信號均方值

圖6 各個工況振動信號峭度指標

時域特征僅能反映是否存在故障，而不能進行故障定位，相對來說頻域特征表達的信息更加充分，有利于故障定位。對信號進行FFT 變換得到的各工況頻譜如圖7 所示。從圖7 可以看出，無故障時振動幅值小，頻譜中僅有一個轉(zhuǎn)頻的線譜。兩種故障工況的頻譜特征相似，僅振動幅值不同，相對來說斷齒故障振動更大，因此僅根據(jù)頻譜特征不能準確定位故障，需進一步進行數(shù)據(jù)處理以提取特征。

圖7 各個工況振動信號頻譜

2.1 小波分析

小波分析是近年來受到廣泛關(guān)注的一種數(shù)字信號處理方法，在時頻分析上具有優(yōu)勢，連續(xù)小波變換的數(shù)學表達式為：

其中，f(t)為原始信號；*表示共軛；＜＞表示內(nèi)積；滿足一定條件的時間函數(shù)ψ(t)為母小波，將母小波伸縮或平移之后得到的函數(shù)族為：

其中，a為尺度參數(shù)，a＞1 表示沿時間軸方向拉伸，a＜1 表示沿時間軸方向壓縮；b為平移參數(shù)，b＞0表示沿時間軸向右平移，b＜0 表示沿時間軸向左平移。這樣得到的一簇小波可以根據(jù)實際信號改變尺度參數(shù)及平移參數(shù)，對原始信號進行等效，進而得到能夠同時反映時域和頻域信息的信號時頻圖，表達信息更加全面。

連續(xù)小波變換中時頻窗在時頻空間連續(xù)移動，實際應(yīng)用中為了減少信息冗余，一般采用離散小波變換，使a和b按2 的整數(shù)次冪變化，離散小波核函數(shù)見式（4）。離散小波變換能夠?qū)⑿盘柗纸?，得到不同頻率的信號分量，從而反映信號的故障特征。

2.2 基于機器學習方法的故障診斷

首先基于機器學習的方法進行故障診斷。采用小波分析對各工況振動信號進行分解，得到各工況振動信號的小波能量譜，如圖8 所示，橫坐標表示信號分解后的各頻帶序號，縱坐標表示各頻帶信號所對應(yīng)的振動能量占比。將各工況的小波能量譜作為故障特征，輸入至神經(jīng)網(wǎng)絡(luò)進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

圖8 各個工況小波能量譜

基于Matlab 建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖9 所示，完成神經(jīng)網(wǎng)絡(luò)訓(xùn)練后進行故障診斷，得到的診斷結(jié)果如表1 所示。表1 給出了各個工況下神經(jīng)網(wǎng)絡(luò)預(yù)測的故障類別及可能性，可以看出機器學習方法對于不同的故障均取得到了較好的診斷結(jié)果，但診斷準確率仍有提高空間。

圖9 基于Matlab建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

表1 故障診斷結(jié)果

2.3 基于深度學習方法的故障診斷

“特征提取-特征降維-算法診斷”的故障診斷模式高度依賴經(jīng)驗和所選特征類別，存在不確定性。深度學習方法無需人工提取信號特征，簡化了繁雜的信號處理過程。根據(jù)圖2 所示的深度學習故障診斷技術(shù)路線進行故障診斷，并與機器學習方法得到的故障診斷結(jié)果相對比，以驗證文中所述卷積神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢。

將振動信號經(jīng)連續(xù)小波變換后得到的時頻圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入并自動提取特征。采用遷移學習的方式解決訓(xùn)練數(shù)據(jù)不足的問題，利用現(xiàn)有的AlexNet 框架提取特征，然后根據(jù)研究需求進行網(wǎng)絡(luò)調(diào)整，最終形成完整的深度學習神經(jīng)網(wǎng)絡(luò)，如圖10所示。

圖10 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框架示意圖

對訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進行驗證，每種工況選取5 個時頻圖樣本，如圖11 所示。無故障工況下的時頻圖中無明顯周期性沖擊，故障工況下的時頻圖中存在2～3 個沖擊亮條。

圖11 典型工況時頻圖

圖12 所示為驗證集混淆矩陣，可以看出文中所述的卷積神經(jīng)網(wǎng)絡(luò)對全部的15 個驗證樣本均診斷正確，診斷準確率達到100%。

圖12 診斷結(jié)果混淆矩陣

3 結(jié)束語

針對人為提取信號故障特征容易造成信息遺漏、診斷準確率低的問題，采用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學習方法對海上風電機組齒輪箱進行故障診斷。文中介紹了卷積神經(jīng)網(wǎng)絡(luò)故障診斷的技術(shù)路線，并進行仿真驗證，結(jié)果顯示，文中所述方法相較于機器學習方法，簡化了故障診斷流程，提高了診斷準確率，有限數(shù)據(jù)的診斷結(jié)果準確率為100%。