靳玉石，劉 偉，張 浩

（1.安徽吉電新能源有限公司，安徽合肥 231200；2.東北電力大學(xué)，吉林吉林 132012）

風(fēng)電裝機容量的不斷增長，使得風(fēng)機故障問題越來越成為制約風(fēng)力資源應(yīng)用的主要因素。風(fēng)電機組長期工作在惡劣的自然環(huán)境中，各部件的絕緣強度和運行性能將隨運行時間的變化而逐漸下降[1]。齒輪箱作為風(fēng)機的關(guān)鍵部件，其故障運維會增加巨額維修成本且因故障導(dǎo)致的停機時間最長[2]。利用齒輪箱油液信息來診斷風(fēng)機齒輪箱早期故障，可以降低風(fēng)電場運行成本，提升效益。

該文提出一種基于在線監(jiān)測的油液信息識別風(fēng)機齒輪箱磨損狀態(tài)模型，該模型利用BP 神經(jīng)網(wǎng)絡(luò)在識別診斷方面的優(yōu)勢，通過訓(xùn)練學(xué)習(xí)，綜合分析多種油液信息獲取齒輪箱磨損狀態(tài)，避免由單一油液信息導(dǎo)致的診斷準(zhǔn)確率較低的影響，提高了風(fēng)機齒輪箱監(jiān)測的可靠性，為風(fēng)機運維提供科學(xué)依據(jù)。

1 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播的前饋型人工神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。該模型具有強大的信息處理能力以及自適應(yīng)學(xué)習(xí)能力，在控制、圖像識別、信號處理、非線性優(yōu)化等領(lǐng)域得到廣泛應(yīng)用[3]。

典型BP 神經(jīng)網(wǎng)絡(luò)有三層結(jié)構(gòu)，即輸入層、隱含層、輸出層，計算方式主要有輸入信息正向傳播和誤差信息反向傳播[4]。

BP 神經(jīng)網(wǎng)絡(luò)輸入信息正向傳播計算過程如下：

BP 神經(jīng)網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元輸出分別為：

式中，n、m分別為輸入層和隱含層節(jié)點個數(shù)；ω和θ為BP 神經(jīng)網(wǎng)絡(luò)輸入層到隱含層連接的權(quán)值和偏置值；ω′和θ′為BP 神經(jīng)網(wǎng)絡(luò)隱含層到輸出層連接的權(quán)值和偏置值；x為BP 神經(jīng)網(wǎng)絡(luò)的輸入層的輸入；HO為BP 神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元輸出；f′(x)為輸出層神經(jīng)元的激勵函數(shù)。

BP 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程：通過不斷調(diào)整每一個權(quán)值和偏置值來降低模型預(yù)測的誤差大小，誤差信息反向傳播過程如下：

隱含層和輸出層權(quán)值梯度分別為[5]：

因此，各層的權(quán)值和偏置值的更新公式如下：

式中，ωn和ωn+1分別為各層神經(jīng)元第n次和第n+1 次迭代的權(quán)值；θn和θn+1分別為各層神經(jīng)元第n次和第n+1 次迭代的偏置值；ε為網(wǎng)絡(luò)學(xué)習(xí)率；E為網(wǎng)絡(luò)訓(xùn)練誤差。

2 齒輪箱磨損狀態(tài)識別模型

風(fēng)機齒輪箱潤滑油液攜帶大量關(guān)于齒輪磨損等早期故障的特征信息。隨著潤滑油使用時間的增加，齒輪部件表面摩擦產(chǎn)生的金屬顆粒和其他雜質(zhì)會進入油液中，導(dǎo)致潤滑油變質(zhì)[6]。通過油液監(jiān)測技術(shù)，可以獲取有關(guān)齒輪箱磨損狀態(tài)信息，預(yù)測和診斷齒輪箱故障[7]。傳統(tǒng)齒輪箱故障診斷方法有鐵譜分析法[8]、支持向量機[9]、自回歸滑動平均模型[10]、改進的Elman 神經(jīng)網(wǎng)絡(luò)[11]、K-means 聚類[12]等。風(fēng)機油液監(jiān)測可以發(fā)現(xiàn)齒輪箱的潛在故障威脅[13]，能夠判斷齒輪箱的潤滑和磨損狀態(tài)[14]，可以極大地提高設(shè)備的運行可靠性。

該文選擇潤滑油液的粘度、水分、污染度、磨粒信息以及介電常數(shù)作為風(fēng)機齒輪箱磨損狀態(tài)識別的特征值。構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)的風(fēng)機齒輪箱磨損狀態(tài)識別模型，使用不同磨損狀態(tài)類型的風(fēng)機齒輪箱油液數(shù)據(jù)作為輸入樣本，將磨損狀態(tài)類型作為輸出來實現(xiàn)磨損狀態(tài)的識別。磨損狀態(tài)可劃分為正常運行、輕微磨損、異常磨損、嚴(yán)重磨損、失效停機五種類型[15]。網(wǎng)絡(luò)模型訓(xùn)練中對五種磨損狀態(tài)進行編碼，如表1 所示。

表1 齒輪箱磨損程度編碼

基于BP 神經(jīng)網(wǎng)絡(luò)的風(fēng)機齒輪箱磨損狀態(tài)識別方法，在本質(zhì)上是一種故障分類問題。將提出的BP神經(jīng)網(wǎng)絡(luò)模型用于風(fēng)機齒輪箱磨損狀態(tài)識別，將風(fēng)機齒輪箱油液數(shù)據(jù)和對應(yīng)磨損狀態(tài)類別標(biāo)簽組成的實驗數(shù)據(jù)劃分為訓(xùn)練集和測試集，利用訓(xùn)練集數(shù)據(jù)訓(xùn)練該文所提出的BP 神經(jīng)網(wǎng)絡(luò)模型。網(wǎng)絡(luò)模型識別流程如圖1 所示。

圖1 網(wǎng)絡(luò)模型識別流程

網(wǎng)絡(luò)模型識別的具體步驟如下：

1）根據(jù)油液參數(shù)以及輸出磨損狀態(tài)類型個數(shù)確定BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；

2）對油液樣本數(shù)據(jù)進行歸一化處理，使其符合網(wǎng)絡(luò)的輸入條件；

3）初始化網(wǎng)絡(luò)權(quán)值與偏置；

4）將訓(xùn)練集樣本輸入神經(jīng)網(wǎng)絡(luò)；

5）開始網(wǎng)絡(luò)學(xué)習(xí)，計算網(wǎng)絡(luò)模型誤差，更新網(wǎng)絡(luò)權(quán)值與偏置；

6）判斷誤差是否滿足終止條件，若否，則返回第4步；若是，則輸出BP 神經(jīng)網(wǎng)絡(luò)最優(yōu)結(jié)構(gòu)；

7）利用訓(xùn)練好的網(wǎng)絡(luò)模型對測試集樣本進行識別。

3 算例分析

3.1 數(shù)據(jù)預(yù)處理與參數(shù)設(shè)置

由于不同的油液信息有不同的單位、大小以及量綱值，因此對于神經(jīng)網(wǎng)絡(luò)模型輸入的油液信息采用以下公式進行歸一化：

式中,y為歸一化后的樣本數(shù)據(jù)；xmax、xmin分別為樣本數(shù)據(jù)最大值和最小值。

BP 神經(jīng)網(wǎng)絡(luò)隱含層的節(jié)點數(shù)會對模型的訓(xùn)練精度與識別結(jié)果產(chǎn)生的一定的影響，但是隱含層節(jié)點數(shù)沒有固定的確定方法，該文根據(jù)以下公式來確定范圍：

式中，n為輸入節(jié)點數(shù)，m為輸出節(jié)點數(shù)，a為[0,10]之間的常數(shù)。由此確定，BP 神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)范圍在[3,13]之間。由實驗確認(rèn)，當(dāng)隱含層節(jié)點數(shù)為5 時，BP 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練誤差最小，訓(xùn)練精度最高，因此確定該文提出的BP 神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)為5。

3.2 實驗分析

選用某風(fēng)機齒輪箱各磨損狀態(tài)下的油液數(shù)據(jù)共計2 500 組作為實驗樣本，樣本包括訓(xùn)練集和測試集，取10%的樣本作為測試集。將歸一化后的訓(xùn)練集數(shù)據(jù)輸入BP 神經(jīng)網(wǎng)絡(luò)模型進行網(wǎng)絡(luò)訓(xùn)練。圖2 為BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練交叉熵?fù)p失函數(shù)曲線。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練誤差曲線

從圖2 中可以看出，BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型經(jīng)過66 次迭代達到最佳驗證性能點，此時的交叉熵誤差函數(shù)值為2.418 3×10-6。通過混淆矩陣給出模型的訓(xùn)練結(jié)果，如表2 所示，混淆矩陣橫坐標(biāo)為目標(biāo)輸出，縱坐標(biāo)為實際輸出。由此可以看到，在2 250 組訓(xùn)練樣本中，樣本的訓(xùn)練結(jié)果準(zhǔn)確率為99.6%。

表2 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練樣本仿真結(jié)果

為驗證BP 神經(jīng)網(wǎng)絡(luò)模型的性能，在經(jīng)過訓(xùn)練后，將測試樣本輸入模型進行磨損狀態(tài)識別。模型識別結(jié)果的混淆矩陣如表3 所示，分析250 組測試樣本的識別結(jié)果，在五種磨損狀態(tài)的實驗分析中，每種磨損狀態(tài)的識別結(jié)果均在96%以上。由此可知，BP神經(jīng)網(wǎng)絡(luò)模型的整體識別準(zhǔn)確率為98%。

3.3 對比實驗分析

K 均值聚類是將樣本劃分為K個簇的動態(tài)聚類方法，使劃分到每個簇的樣本是相似的，以達到分類的目的[16]。K 均值聚類算法具有操作簡單、聚類效果好等特點，在群體分類、數(shù)據(jù)處理、故障診斷等方面得到了廣泛的應(yīng)用。

為對比該文提出的BP 神經(jīng)網(wǎng)絡(luò)模型與其他算法的識別性能，將測試集樣本通過K 均值聚類算法進行磨損狀態(tài)識別。圖3 為BP 神經(jīng)網(wǎng)絡(luò)和聚類算法對測試集樣本在不同磨損狀態(tài)下的識別準(zhǔn)確率。由圖3 可以看出，在5 種磨損狀態(tài)類型識別中，該文所提出的BP 神經(jīng)網(wǎng)絡(luò)模型的識別準(zhǔn)確率均高于傳統(tǒng)聚類算法。

圖3 不同模型對磨損狀態(tài)的識別結(jié)果

在不同磨損狀態(tài)類型的識別中，BP 神經(jīng)網(wǎng)絡(luò)模型具有較強的識別穩(wěn)定性，每種磨損狀態(tài)的識別準(zhǔn)確率均保持在96%以上。表4 是BP 神經(jīng)網(wǎng)絡(luò)對于風(fēng)機齒輪箱磨損狀態(tài)的識別結(jié)果。由表4 可看出，對不同程度磨損狀態(tài)樣本進行測試，BP 神經(jīng)網(wǎng)絡(luò)模型均可以準(zhǔn)確地識別磨損狀態(tài)類型。

表4 樣本的BP神經(jīng)網(wǎng)絡(luò)模型歸一化識別結(jié)果

4 結(jié)論

針對離線油液監(jiān)測風(fēng)機齒輪箱故障的缺陷與傳統(tǒng)聚類算法識別風(fēng)機齒輪箱磨損狀態(tài)準(zhǔn)確率較低的問題，該文利用BP 神經(jīng)網(wǎng)絡(luò)模型基于在線油液監(jiān)測的數(shù)據(jù)樣本識別風(fēng)機齒輪箱磨損狀態(tài)。對算法進行測試，識別準(zhǔn)確率達到了預(yù)期，為今后進一步深入研究基于在線油液監(jiān)測的風(fēng)電機組齒輪箱故障診斷提供了新思路。