鄭梁　劉桂然　朱孝晗

摘要：為提高卷積神經(jīng)網(wǎng)絡(luò)在風(fēng)力發(fā)電機組軸承故障診斷上的準(zhǔn)確率，本文對某2 MW風(fēng)力發(fā)電機組軸承故障數(shù)據(jù)，進行單通道及多通道、多種診斷網(wǎng)絡(luò)模型、不同優(yōu)化算法的故障診斷分析對比，提出將多個振動傳感器的數(shù)據(jù)整合為多通道一維數(shù)據(jù)集，再使用一維殘差卷積神經(jīng)網(wǎng)絡(luò)進行故障診斷。得出基于Adam優(yōu)化算法的多通道一維殘差卷積神經(jīng)網(wǎng)絡(luò)診斷準(zhǔn)確率最高。因此，多通道一維殘差卷積神經(jīng)網(wǎng)絡(luò)在風(fēng)力發(fā)電機組軸承故障診斷中應(yīng)用效果良好，能夠準(zhǔn)確的識別各類故障模式，為機組的安全、穩(wěn)定運行提供了保障。

關(guān)鍵詞：風(fēng)力發(fā)電機組；智能故障診斷；多通道數(shù)據(jù)；一維殘差卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TM315 文獻標(biāo)志碼：A doi：10.3969/j.issn.1006-0316.2023.03.001

文章編號：1006-0316 （2023） 03-0001-07

Application of Multi-Channel One-Dimension Residual Convolution Neural Network in Intelligent Fault Diagnosis of Wind Turbine Bearing

ZHENG Liang1，2，LIU Guiran1，2，ZHU Xiaohan1，2

（ 1.Guodian United Power Technology Co.， Ltd.， Beijing 100039， China;

2.State Key Laboratory of Wind Power Equipment and Control， Baoding 071000， China ）

Abstract：To improve the accuracy of convolution neural network on fault diagnosis of wind turbine bearing，? the bearing fault data of a 2 MW wind turbine generator unit are analyzed and compared with single channel and multiple channels， multiple diagnosis network models? and different optimization algorithm. It is proposed to integrate multiple vibration sensor data for multi-channel one-dimension data set， and then one-dimension residual convolution neural network is used for fault diagnosis. It is concluded that the multi-channel one-dimension residual convolution neural network based on Adam optimization algorithm has the highest diagnostic accuracy. Therefore， multi-channel one-dimension residual convolution neural network has good application effect on failure diagnosis of wind turbine bearing， which can accurately identify various fault modes and provide guarantee for safe and stable operation of the wind turbine.

Key words：wind turbine；intelligent fault diagnosis；multichannel data；one-dimension residual convolution neural network

軸承作為風(fēng)力發(fā)電機組的核心部件，其工作狀態(tài)和故障診斷一直受到整機廠家和學(xué)者的關(guān)注，傳統(tǒng)方法主要采用振動時域和頻域信號進行判斷分類，非常依賴判斷者經(jīng)驗。隨著智能故障診斷興起，診斷常用振動信號作為輸入源，使用EMD（Empirical Mode Decomposition，經(jīng)驗?zāi)B(tài)分解）技術(shù)[1]對時域信號進行分解，得到本征模態(tài)函數(shù)，再使用分類型器進行故障識別，但由于軸承故障模式多樣，故障之間耦合性強，應(yīng)用效果不是很理想。

近年來機器學(xué)習(xí)逐漸應(yīng)用到模式識別[2]、故障診斷[3]中，主要算法有決策樹（Decision Tree Classifier，DTC）、隨機森林法（Random Forest，RF）、支持向量機（Support Vector Machine，SVM）等，但這類算法需要有特征數(shù)據(jù)作為輸入，即需要對數(shù)據(jù)進行預(yù)處理提取特定特征。數(shù)據(jù)處理方法不同，會產(chǎn)生不同的計算模型，計算準(zhǔn)確率也不盡相同。為克服數(shù)據(jù)處理方法帶來的影響，深度學(xué)習(xí)應(yīng)運而生，尤其以神經(jīng)網(wǎng)絡(luò)（Neural Networks，NN）為代表，以數(shù)據(jù)的原始形態(tài)（Raw Data）作為輸入、目標(biāo)任務(wù)作為輸出，實現(xiàn)原始數(shù)據(jù)到目標(biāo)任務(wù)的直接映射，無任何人為干涉。典型的計算方法有深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）、遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）。特別是卷積神經(jīng)網(wǎng)絡(luò)，在圖像分類、分類識別方面得到了成熟廣泛的運用。針對軸承的故障診斷，卷積神經(jīng)網(wǎng)絡(luò)也得到了一些應(yīng)用，輸入數(shù)據(jù)的類型主要是一維的振動時域信號[4]，而卷積神經(jīng)網(wǎng)絡(luò)是為二維圖像設(shè)計的特殊算法，處理二維數(shù)據(jù)時的效果要優(yōu)于處理一維數(shù)據(jù)。

軸承振動檢測往往會布置多個振動傳感器，得到的原始數(shù)據(jù)是多通道一維振動時域信號。如果只選取其中一個通道數(shù)據(jù)構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)，分析結(jié)果可能遺漏故障源；如果將單通道數(shù)據(jù)融合為二維振動時域信號[5]，數(shù)據(jù)之間存在特征差異，會造成特征信息遺失，影響卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率。葉壯等[6]將多通道一維振動時域信號融合為單通道一維信號，顯著提高了故障診斷準(zhǔn)確率。本文提出將單通道的振動時域信號處理成一維數(shù)組，再將所有一維數(shù)組構(gòu)建成多通道一維數(shù)組集，這樣既避免了數(shù)據(jù)遺漏，又不會造成數(shù)據(jù)間的特征差異。使用殘差卷積神經(jīng)網(wǎng)絡(luò)（ResCNN）進行特征識別[7]，對于非凸優(yōu)化，權(quán)值采用Adam（Adaptive momentum）優(yōu)化算法，可以有效減少計算開銷，并提高計算效率。

1 深度學(xué)習(xí)故障診斷模型構(gòu)建

1.1 殘差卷積神經(jīng)網(wǎng)絡(luò)

典型的卷積神經(jīng)網(wǎng)絡(luò)包含輸入層、卷積層、池化層、全連接層和輸出層，而殘差卷積神經(jīng)網(wǎng)絡(luò)是在池化層的激活函數(shù)上疊加輸入層的恒等映射。針對本文所用輸入數(shù)據(jù)，需要先采用多通道卷積運算，再使用殘差卷積運算，如圖1所示。

關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的基本理論，本文不再贅述，需要說明的是如何對權(quán)值梯度更新優(yōu)化和如何提高殘差網(wǎng)絡(luò)的計算效率。

1.2 殘差模塊優(yōu)化

殘差模塊有兩個分支：一條為殘差函數(shù)，另一條為恒等映射。兩條分支整合后再經(jīng)過一次非線性變換Relu激活函數(shù)，從而形成一個完整的殘差模塊。

如圖2（a）所示，傳統(tǒng)的殘差模塊由兩個3×3卷積堆疊而成，實際應(yīng)用中，當(dāng)網(wǎng)絡(luò)深度較高時，計算效率不理想。圖2（b）所示為一種變形的殘差模塊，一條分支由三層卷積堆疊：1×1卷積層、3×3卷積層和1×1卷積層，1×1卷積層的作用是降低或升高數(shù)據(jù)維度，從而達到提高計算效率的目的，另一條分支只有一個3×3卷積層，稱之為“瓶頸殘差模塊[8]（Bottleneck Residual Block）”，在大深度殘差卷積神經(jīng)網(wǎng)絡(luò)中，能夠大幅減少計算。

1.3? Adam優(yōu)化算法

Adam優(yōu)化算法[8]針對大數(shù)據(jù)集和高維空間、復(fù)雜網(wǎng)絡(luò)需要快速收斂的模型非常適用，同時具有處理稀疏梯度和處理非平穩(wěn)目標(biāo)的優(yōu)點，也適用于大多非凸優(yōu)化求解。

相較于SGD（Stochastic Gradient Descent，隨機梯度）和AdaGrad（Adaptive Gradient，自適應(yīng)學(xué)習(xí)率優(yōu)化）算法，Adam優(yōu)化算法既可以有效避免梯度彌算和梯度消失的問題，又能使梯度迭代更平穩(wěn)。

1.4 智能故障診斷的流程

多通道一維殘差卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)流程為：設(shè)置多個傳感器采集軸承運行時的振動信號，按診斷需求將每個傳感器的時域振動信號分段，然后合成多通道一維數(shù)據(jù)矩陣，從而形成多通道振動數(shù)據(jù)集。將數(shù)據(jù)集劃分為：訓(xùn)練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集，其中訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集共用，隨機交叉分配。訓(xùn)練數(shù)據(jù)集用作卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，驗證數(shù)據(jù)集用作訓(xùn)練完成后殘差卷積神經(jīng)網(wǎng)絡(luò)的驗證，以此檢查殘差卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率。測試數(shù)據(jù)集用作故障診斷，檢驗殘差卷積神經(jīng)網(wǎng)絡(luò)對新數(shù)據(jù)的診斷準(zhǔn)確性，也可理解為實際故障診斷過程。

構(gòu)建殘差卷積神經(jīng)網(wǎng)絡(luò)，設(shè)置超參數(shù)、初始權(quán)重和偏差，導(dǎo)入訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集，同時對各層權(quán)重和偏差進行反饋和更新，迭代至最大次數(shù)或設(shè)置的準(zhǔn)確率，符合要求后保存訓(xùn)練后的殘差卷積神經(jīng)網(wǎng)絡(luò)，至此可以用來對測試數(shù)據(jù)集進行故障診斷分類，如圖3所示。

2 實驗驗證

2.1 實驗裝置

本文使用某2 MW雙饋風(fēng)力發(fā)電機組進行試驗驗證，軸承為SKF品牌，通過構(gòu)建主傳動鏈監(jiān)測方案，對機組傳動鏈各軸承故障（潤滑不良、內(nèi)外圈故障、滾動體故障、保持夾故障等）進行研究。實現(xiàn)針對主軸承為主的傳動鏈軸承類故障的監(jiān)測和診斷，采用的實驗裝置如圖4所示。

（1）安裝部署振動監(jiān)控硬件，振動加速度傳感器分別安裝在浮動軸承座的徑向方向、止推動軸承座的軸向方向和徑向方向。

（2）基于機組服務(wù)網(wǎng)絡(luò)和IT（Internet Technology，互聯(lián)網(wǎng)技術(shù)）架構(gòu)，包括CMS（Condition Monitoring System，狀態(tài)檢測系統(tǒng)）數(shù)據(jù)傳輸網(wǎng)口、軟件部署環(huán)境要求，構(gòu)建監(jiān)測數(shù)據(jù)傳輸網(wǎng)絡(luò)。

（3）在邊緣側(cè)完成神經(jīng)網(wǎng)絡(luò)服務(wù)器部署。

（4）基于潛在風(fēng)險，以及可能影響的主要故障和失效模式，確定模型構(gòu)建的方向和數(shù)量。

（5）基于算法模型和運行數(shù)據(jù)進行迭代優(yōu)化，得到穩(wěn)定和準(zhǔn)確的診斷效果。

2.2 實驗數(shù)據(jù)采集

實驗采集了止推軸承的外滾道、滾子、內(nèi)滾道故障及健康情況下的數(shù)據(jù)，使用振動加速度傳感器記錄不同負載條件下的振動加速度數(shù)據(jù)，故障情況如圖5所示。

傳感器數(shù)據(jù)采樣頻率為10 kHz，風(fēng)機負載分為300 kW、700 kW、1200 kW和2000 kW。為保持統(tǒng)一，每種故障不區(qū)分負載大小，歸為同一類故障，故障模式包括：外圈故障、滾子故障、內(nèi)圈故障以及健康。

每種故障模式均包含三個振動傳感器的數(shù)據(jù)，為：浮動軸承徑向振動加速度數(shù)據(jù)（FB_R）、止推軸承徑向振動加速度數(shù)據(jù)（TB_R）和止推軸承軸向振動加速度數(shù)據(jù)（TB_A）。本文采用三組振動傳感器數(shù)據(jù)，分成單通道和多通道兩種形式，以驗證卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率。

2.3 數(shù)據(jù)處理

每通道振動傳感器的數(shù)據(jù)按每1000個采樣點劃分成一個數(shù)據(jù)段，可劃分為2000個數(shù)據(jù)段，三個通道共劃分為6000段，三種故障模式和一種健康模式共有96000段數(shù)據(jù)。對于這些數(shù)據(jù)，采用不同的處理方法和網(wǎng)絡(luò)模型分別進行分類驗證。

（1）單通道一維卷積神經(jīng)網(wǎng)絡(luò)：每種故障模式數(shù)據(jù)只選擇一個通道，進行故障模式識別驗證，作為對比，共采用五種不同的網(wǎng)絡(luò)模型，分別為ResCNN、CNN、DBN、RNN和BPNN（Back Propagation Neural Network，反向傳播神經(jīng)網(wǎng)絡(luò)），其中ResCNN采用Adam和SGD兩種優(yōu)化算法作對比。

（2）多通道一維卷積神經(jīng)網(wǎng)絡(luò)：每種故障模式數(shù)據(jù)選擇所有通道，將數(shù)據(jù)整合為多通道一維數(shù)組，進行故障模式識別驗證，同樣，作為對比，采用的網(wǎng)絡(luò)模型和單通道一維卷積神經(jīng)網(wǎng)絡(luò)一致。

按照圖3將所有數(shù)據(jù)集按65%：25%：10%比例劃分為訓(xùn)練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集。其中10%的測試數(shù)據(jù)集是獨立的，不參與網(wǎng)絡(luò)的訓(xùn)練和驗證，而訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集共用，每一次計算開始前，數(shù)據(jù)集隨機重新劃分，充分保證網(wǎng)絡(luò)不會陷入局部最優(yōu)解。

2.4 網(wǎng)絡(luò)模型構(gòu)建

單通道一維卷積神經(jīng)網(wǎng)絡(luò)和多通道一維卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)相同，輸入層的維度不同。本文中多通道一維卷積神經(jīng)網(wǎng)絡(luò)的通道數(shù)為3，輸入層大小為1000×1×3，而單通道一維卷積神經(jīng)網(wǎng)絡(luò)的輸入層大小為1000×1×1。網(wǎng)絡(luò)的結(jié)構(gòu)依次為：輸入層、卷積層、批量歸一化層、Relu激活層、最大池化層、4個瓶頸殘差模塊、Relu激活層、平均池化層、全連接層、隨機失活層（丟棄層）、SoftMax層（輸出層）和分類層，共43層，詳細參數(shù)如表1所示。

單個瓶頸殘差模塊（Bottleneck Residual Block）的參數(shù)如表2所示，網(wǎng)絡(luò)模型如圖6所示。瓶頸殘差模塊之間使用Relu激活層連接。

2.5 實驗結(jié)果

使用數(shù)據(jù)集中65%樣本對六種網(wǎng)絡(luò)分別進行訓(xùn)練，同步使用25%樣本每50次迭代進行一次驗證。單通道數(shù)據(jù)集的驗證準(zhǔn)確率如圖7所示，測試數(shù)據(jù)集的準(zhǔn)確率達到97.65%，各種故障的診斷結(jié)果混淆矩陣如圖8所示。混淆矩陣中數(shù)值表示該種故障的識別準(zhǔn)確度。

對網(wǎng)絡(luò)模型的最后一個卷積層做降維聚類可視化分析，如圖9所示，可以看出，仍有少量故障呈現(xiàn)未完全分離狀態(tài)。

多通道數(shù)據(jù)集的驗證準(zhǔn)確率如圖10所示，測試數(shù)據(jù)集的準(zhǔn)確率達到99.36%，各種故障的診斷結(jié)果混淆矩陣如圖11所示。

對網(wǎng)絡(luò)模型的最后一個卷積層做降維聚類可視化分析，如圖12所示，可以看出，所有故障呈現(xiàn)完全分離狀態(tài)。

2.6 對比分析

對比單通道數(shù)據(jù)和多通道數(shù)據(jù)在不同神經(jīng)網(wǎng)絡(luò)模型上的表現(xiàn)，可知：

（1）基于多通道數(shù)據(jù)集的診斷結(jié)果準(zhǔn)確率優(yōu)于基于單通道數(shù)據(jù)集。原因是，同樣長度的數(shù)據(jù)，其維度越深，即通道數(shù)越多，對于卷積運算來說，相當(dāng)于增加了初始樣本的數(shù)量，在網(wǎng)絡(luò)訓(xùn)練過程中，權(quán)值的更新約束條件增加，如不陷于局部最優(yōu)解，則訓(xùn)練損失會更小，準(zhǔn)確度相應(yīng)提高。

（2）帶有殘差模塊的卷積神經(jīng)網(wǎng)絡(luò)，故障識別準(zhǔn)確率優(yōu)于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)。原因是，每個殘差模塊的兩條分支網(wǎng)絡(luò)，其卷積核大小不同，卷積運算次數(shù)也不同，在各自算完畢后會進行一次疊加運算，再重新激活，提高了網(wǎng)絡(luò)權(quán)值更新的準(zhǔn)確性，減小偏差，從而提高了準(zhǔn)確性。

（3）對于深度較大的卷積殘差神經(jīng)網(wǎng)絡(luò)，應(yīng)用Adam優(yōu)化算法，迭代更平穩(wěn)，加快了網(wǎng)絡(luò)的收斂。

3 結(jié)論

本文將多通道一維殘差卷積神經(jīng)網(wǎng)絡(luò)用于風(fēng)力發(fā)電機組軸承的多故障智能診斷，結(jié)合某2 MW機組測試數(shù)據(jù)，其故障診斷準(zhǔn)確率達到99.36%。實驗結(jié)果證明，多通道一維殘差卷積神經(jīng)網(wǎng)絡(luò)，在多故障的診斷上，優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，準(zhǔn)確度極高。

本次使用的軸承實驗數(shù)據(jù)，故障模式較少，數(shù)據(jù)樣本庫不充足，后續(xù)需不斷收集各種故障樣本數(shù)據(jù)進行補充，提高多通道一維殘差卷積神經(jīng)網(wǎng)絡(luò)的泛化能力。

參考文獻：

[1]池永為，楊世錫，焦衛(wèi)東，等. 基于EMD-DCS的滾動軸承偽故障特征識別方法[J]. 振動與沖擊，2020，39（9）：9-16.

[2]Mrutyunjaya Sahani，P.K. Dash，Debashisa Samal. A real-time power quality events recognition using variational mode decomposition and online-sequential extreme learning machine[J]. Measurement，2020（157）：107597.

[3]Thomas Walter Rauber，Antonio Luiz da Silva Loca. An experimental methodology to evaluate machine learning methods for fault diagnosis based on vibration signals[J]. Expert Systems with Applications，2021（167）：114022.

[4]Gao Fan，Jun Li，Hong Hao. Vibration signal denoising for structural health monitoring by residual convolutional neural networks[J]. Measurement，2020（157）：107651.

[5]LU C，WANG Z，ZHOU B. Intelligent fault diagnosis of rolling bearing using hierarchical convolutional network based health state classification[J]. Advanced Engineering Informatics，2017（32）：139-151.

[6]葉壯，余建波. 基于多通道一維卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)的齒輪箱故障診斷方法[J]. 沖擊與振動，2020，39（20）：55-66.

[7]Jiao Jinyang，Zhao Ming，Lin Jing，et al. A comprehensive review on convolutional neural network in machine fault diagnosis[J]. Neurocomputing，2020（417）：36-63.

[8]Feilong Cao，Baijie Chen. Densely connected network with improved pyramidal bottleneck residual units for super-resolution[J]. Journal of Visual Communication and Image Representation，2021，74（1）：102963.

[9]Hung Van Le，Duc Anh Hoang，Chuyen Trung Tran，Phi Quoc Nguyen. A new approach of deep neural computing for spatial prediction of wildfire danger at tropical climate areas[J]. Ecological Informatics，2021，63（7）：101300.

收稿日期：2022-11-04

基金項目：國家重點研發(fā)計劃（2019YFB2005005-02）

作者簡介：鄭梁（1981－），男，湖北黃岡人，碩士，工程師，主要研究方向為風(fēng)力發(fā)電機組設(shè)計及故障診斷，E-mail：12015018@ceic.com。*通訊作者：劉桂然（1981－），男，河北滄州人，碩士，高級工程師，主要研究方向為風(fēng)力發(fā)電機組軸承設(shè)計，E-mail：12079947@ceic.com。