基于LVQ神经网络风电机组齿轮箱故障诊断研究
2014-07-19丁硕常晓恒巫庆辉魏洪峰杨友林
丁硕 常晓恒 巫庆辉 魏洪峰 杨友林
摘 要： 针对风电机组齿轮箱故障诊断技术的不足，提出一种基于LVQ神经网络的故障诊断方法，利用小波分析方法对某风电机组齿轮箱正常状态、磨损故障和断齿故障状态下的振动信号进行降噪处理，在时域和频域内提取了5个特征参数对所建立的模型进行训练。为了检验模型的实际诊断能力，与标准BP神经网络的诊断结果进行对比。仿真结果表明：基于LVQ神经网络的故障诊断速度更快、准确率更高、泛化能力更强，验证了所提出方法的实用性和有效性。
关键词： LVQ神经网络； BP神经网络； 风电机组； 齿轮箱； 故障诊断
中图分类号： TP183 文献标识码： A 文章编号： 1004?373X（2014）10?0150?03
Abstract： In view of the deficiency in fault diagnosis technique of wind turbine gearbox， a fault diagnosis method based on LVQ neural network is proposed. Wavelet analysis is used to de?noise the vibration signals of a wind turbine gearbox in its normal condition， wear fault condition and tooth breakage condition. Five characteristic parameters are extracted in the time domain and frequency domain to train the established model. To test its practical diagnosis ability， the diagnosis result of the model is compared with that obtained by a standard BP neural network. The simulation results show that the diagnosis method based on LVQ neural network has a faster diagnosis speed， higher accuracy and stronger generalization ability. The method proposed in this paper was verified to be practical and effective.
Keywords： LVQ neural networks； BP neural networks； wind turbines； gearbox； fault diagnosis
0 引 言
风力发电技术是目前国际上可再生能源领域发展最快的技术手段之一，齿轮箱是风力发电机组故障率最高的部件，风电机组齿轮箱安装空间狭小，而且又位于高空塔顶作业，一旦发生故障，维修非常困难。人工神经网络的快速发展为解决非线性复杂系统的故障诊断问题提供了一种新的解决途径。在众多的人工神经网络类型中，反向传播（Back Propagation，BP）神经网络是应用最为广泛的一类网络。但是，标准BP网络的收敛速度较慢，而且可能陷入局部极小值[1?4]。学习向量量化法（ Learning Vector Quantization，LVQ） 神经网络是在监督状态下对竞争层进行训练的一种学习算法。竞争层自动学习并对输入向量进行分类， 这种分类的结果仅仅依赖于输入向量之间的距离。如果两个输入向量特别相近， 竞争层就把它们分在同一类，从而能较好地克服标准BP网络训练时间长及计算复杂度高等缺点[5]。目前专门研究风电机组齿轮箱故障诊断的文献尚且不多，因此，文中尝试将LVQ神经网络应用于风电机组齿轮箱的故障诊断中，基于Matlab 2007平台，编程建立了LVQ网络诊断模型，并和BP网络诊断模型的结果进行对比。仿真结果表明，基于LVQ神经网络的风电机组齿轮箱故障诊断的准确率高，验证了该方法的有效性。
1 LVQ神经网络的结构与算法
LVQ神经网络是一种结合监督学习与非监督学习的混合网络结构，它由三部分组成：输入层、竞争层（隐含层）和输出层。竞争层根据输入向量的距离学习来对输入向量分类，输出层将竞争层传递来的分类信息转换成所定义的类别，每个输出层处理单元表示一个分类[6]。
2 基于LVQ网络的风电机组齿轮箱故障诊断实例
2.1 风电机组齿轮箱故障特征信息提取
文中利用振动传感器测得某风电场风电机组齿轮箱在正常工作、齿面磨损故障和齿轮断齿故障三种状态下的振动数据，每种状态下均取15个不同转速，共45组振动数据。由于测试过程中存在诸多干扰，测得的原始数据包含较多噪声。文中利用小波分析方法对原始振动信号进行小波降噪处理，小波分析进行阈值处理一般有三种方法：默认阈值消噪处理，给定阈值消噪处理和强制消噪处理[7]。文中采用wthresh函数进行阈值量化处理，滤除原始信号中的干扰和噪声，突出了的原始振动信号中的有效信息。为了能够较为全面地反映风电机组齿轮箱的故障特征，从时域和频域两方面提取齿轮箱的特征参数。因此在时域内选取裕度、峭度、峰值和脉冲四项故障评价指标对振动信号进行特征提取；在频域内选取功率谱熵评价指标对振动信号进行特征提取。为了使网络训练收敛速度更快，对输入向量进行归一化处理，经过大量的数据分析归纳，并参考相关的文献资料[8]，由Matlab 2007仿真得到标准化（经过归一化处理）的用于训练神经网络的特征值。最终得到样本集数目为45组，其中42组用于神经网络的学习训练， 3组数据用作神经网络的测试样本数据，部分训练样本数据如表1所示，测试样本数据如表2所示。
2.2 基于LVQ网络的风电机组齿轮箱故障诊断模型的建立
LVQ网络采用有教师的训练学习方式， LVQ网络的训练样本集由输入数据和目标输出组成。在表1的训练样本集中，输入向量维数为5，即输入层神经元为5个，由风电机组齿轮箱的5个故障评价指标组成；目标输出向量对应输出状态，即正常工作、齿面磨损故障和齿轮断齿故障，设置三种状态分别对应代码1，2，3；LVQ网络的竞争层起到聚类作用，竞争层的神经元个数是LVQ网络设计的一个关键问题，一般为输出层神经元数量的整数倍[9?10]，在风电机组齿轮箱的故障诊断中，分别选取竞争层神经元个数为6，9，12，15，18进行了仿真，各自经过26，21，24，22，23次训练，网络达到稳定，学习函数为learnlv1，目标误差设定为0.001，学习速率设为0.1。为了比较标准的BP神经网络和LVQ网络的诊断性能，用BP神经网络的方法对风电机组齿轮箱故障进行诊断，BP神经网络的参数设置为：输入神经元数为5，输出神经元数为3，用3位不同的二进制代码表示三种故障类型，（0 0 1）代表正常工作状态输出，（0 1 0）代表齿面磨损故障输出，（1 0 0）代表齿轮断齿故障输出。综合考虑两种网络的性能和速度， LVQ网络竞争层神经元个数最终取为9个；BP网络隐含层神经元数选择15个，隐含层神经元的传递函数采用tansig，输出层神经元的传递函数采用logsig，目标误差为0.001，学习速率设为0.1。
2.3 LVQ网络故障诊断模型的训练
利用表1中的训练样本数据对LVQ与标准BP网络诊断模型进行训练，LVQ网络训练函数为trainr，标准BP网络训练函数为traingd。在目标精度设置为0.001、最大训练步数设为20 000、训练样本数目相等的条件下，仿真得到如下结果：标准BP网络诊断模型需要9 395步才能达到目标精度，均方误差为0.000 999 983；LVQ网络诊断模型只需要24步就可以达到目标精度，均方误差为0，远远高于目标精度要求。仿真结果表明，标准BP网络的训练速度不但没有优势， 而且训练过程中发生多次震荡甚至陷入局部最小值而使训练中断，而LVQ网络则要稳定得多， 网络性能也比标准BP网络更佳。总的来说，对于训练样本集而言，只要训练步数设置足够大，LVQ网络诊断模型与标准BP网络诊断模型都能在规定的训练步数范围内完成对训练样本的诊断，但相比之下，LVQ网络诊断模型的收敛时间明显比标准BP网络诊断模型少，均方误差也远小于标准BP网络诊断模型。由此可以得出结论，LVQ网络诊断模型对于训练样本诊断的精度更高，收敛速度更快。
2.4 LVQ网络故障诊断模型的泛化能力测试
LVQ神经网络经过非监督的聚类和有监督的学习之后，最终形成的分类器网络就可以对测试数据进行分类了。为了测试LVQ网络诊断模型的实际诊断性能，文中利用表2中的测试样本数据对所建立的LVQ网络诊断模型进行泛化能力测试，利用仿真函数sim得到网络的输出。针对LVQ网络诊断模型利用函数ind2vec将类别向量转换成最终的目标向量输出。标准BP网络诊断模型对测试样本的诊断结果如表3所示。
表3可以看出，标准BP网络的分类性能对隐含层神经元的个数要求较高，隐含层神经元的个数越多分类结果越接近于目标输出，诊断性能越优。但仿真实验表明，过多的隐含层神经元的个数势必增加网络的复杂度，最终导致陷入局部极小值而不能收敛；而对于LVQ网络而言，只要竞争层神经元数目大于输出层神经元，就可实现正确分类，即LVQ网络对竞争层（隐含层）神经元的个数设计要求较低。相比之下，LVQ网络的故障隶属度之间的差别比和标准BP网络诊断的结果要明显得多，故障诊断的结果更加明确。总的来说，LVQ网络和标准BP网络诊断模型都能在规定的精度范围内完成对测试样本的诊断，诊断正确率为100%。但是，在LVQ网络和标准BP网络诊断模型的隐含层神经元数目相同情况下，LVQ网络诊断模型的诊断结果更为精确直观，且LVQ网络的收敛速度要比BP网络快得多，诊断性能更优；而标准BP网络诊断模型的诊断结果随着隐含层神经元数目的变化，且误差较大，诊断性能较差。
3 结 语
文中构建了一个LVQ神经网络分类器，对某风电场风电机组齿轮箱的故障进行诊断，并与标准BP神经网络的诊断结果进行对比。仿真结果表明：只要训练步数设置足够大，LVQ网络诊断模型与标准BP网络诊断模型都能在规定预设精度范围内完成诊断任务。但相比之下，LVQ网络诊断模型的收敛速度更快、训练准确性和诊断精度更高、诊断性能更优。所以基于LVQ神经网络的风电机组齿轮箱的故障诊断方法是可行的。
参考文献
[1] DING Shuo， CHANG Xiao?heng， WU Qing?hui. Approximation performance of BP neural networks improved by heuristic approach [J]. Applied Mechanics and Materials， 2013 （411/414）： 1952?1955.
[2] 余妹兰，匡芳君.BP神经网络学习算法的改进及应用[J].沈阳农业大学学报，2011，42（3）：382?384.
[3] 丁硕，常晓恒，巫庆辉，等.LM算法改进的BP网络在模式分类中的应用研究[J].电子测试，2014（2）：33?35.
[4] DING Shuo， CHANG Xiao?heng， WU Qing?hui. A study on the application of learning vector quantization neural network in pattern classification [J]. Applied Mechanics and Materials， 2014 （525）： 657?660.
[5] 刘军.基于学习矢量神经网络的电力变压器故障诊断[J].自动化与仪器仪表，2008（1）：86?88.
[6] 刘文轩，严凤，田霖，等.基于LVQ神经网络的配电网故障定位方法[J].电力系统保护与控制，2012（5）：90?95.
[7] 林渊，肖峰.小波变换阈值降噪方法及在武器自动机数据处理中的应用[J].电子测量技术，2009，32（1）：128?130.
[8] 王斌.面向风电机组齿轮箱的故障诊断系统研究[D].北京：华北电力大学，2012.
[9] 王凯，任子晖，谷林柱，等.LVQ神经网络在煤矿风机故障诊断中的研究[J].煤矿机械，2011，32（11）：256?258.
[10] 赵培，谷立臣.基于LVQ神经网络的异步电动机故障诊断[J].机械制造与自动化，2010，39（1）：172?174.
2.2 基于LVQ网络的风电机组齿轮箱故障诊断模型的建立
LVQ网络采用有教师的训练学习方式， LVQ网络的训练样本集由输入数据和目标输出组成。在表1的训练样本集中，输入向量维数为5，即输入层神经元为5个，由风电机组齿轮箱的5个故障评价指标组成；目标输出向量对应输出状态，即正常工作、齿面磨损故障和齿轮断齿故障，设置三种状态分别对应代码1，2，3；LVQ网络的竞争层起到聚类作用，竞争层的神经元个数是LVQ网络设计的一个关键问题，一般为输出层神经元数量的整数倍[9?10]，在风电机组齿轮箱的故障诊断中，分别选取竞争层神经元个数为6，9，12，15，18进行了仿真，各自经过26，21，24，22，23次训练，网络达到稳定，学习函数为learnlv1，目标误差设定为0.001，学习速率设为0.1。为了比较标准的BP神经网络和LVQ网络的诊断性能，用BP神经网络的方法对风电机组齿轮箱故障进行诊断，BP神经网络的参数设置为：输入神经元数为5，输出神经元数为3，用3位不同的二进制代码表示三种故障类型，（0 0 1）代表正常工作状态输出，（0 1 0）代表齿面磨损故障输出，（1 0 0）代表齿轮断齿故障输出。综合考虑两种网络的性能和速度， LVQ网络竞争层神经元个数最终取为9个；BP网络隐含层神经元数选择15个，隐含层神经元的传递函数采用tansig，输出层神经元的传递函数采用logsig，目标误差为0.001，学习速率设为0.1。
2.3 LVQ网络故障诊断模型的训练
利用表1中的训练样本数据对LVQ与标准BP网络诊断模型进行训练，LVQ网络训练函数为trainr，标准BP网络训练函数为traingd。在目标精度设置为0.001、最大训练步数设为20 000、训练样本数目相等的条件下，仿真得到如下结果：标准BP网络诊断模型需要9 395步才能达到目标精度，均方误差为0.000 999 983；LVQ网络诊断模型只需要24步就可以达到目标精度，均方误差为0，远远高于目标精度要求。仿真结果表明，标准BP网络的训练速度不但没有优势， 而且训练过程中发生多次震荡甚至陷入局部最小值而使训练中断，而LVQ网络则要稳定得多， 网络性能也比标准BP网络更佳。总的来说，对于训练样本集而言，只要训练步数设置足够大，LVQ网络诊断模型与标准BP网络诊断模型都能在规定的训练步数范围内完成对训练样本的诊断，但相比之下，LVQ网络诊断模型的收敛时间明显比标准BP网络诊断模型少，均方误差也远小于标准BP网络诊断模型。由此可以得出结论，LVQ网络诊断模型对于训练样本诊断的精度更高，收敛速度更快。
2.4 LVQ网络故障诊断模型的泛化能力测试
LVQ神经网络经过非监督的聚类和有监督的学习之后，最终形成的分类器网络就可以对测试数据进行分类了。为了测试LVQ网络诊断模型的实际诊断性能，文中利用表2中的测试样本数据对所建立的LVQ网络诊断模型进行泛化能力测试，利用仿真函数sim得到网络的输出。针对LVQ网络诊断模型利用函数ind2vec将类别向量转换成最终的目标向量输出。标准BP网络诊断模型对测试样本的诊断结果如表3所示。
表3可以看出，标准BP网络的分类性能对隐含层神经元的个数要求较高，隐含层神经元的个数越多分类结果越接近于目标输出，诊断性能越优。但仿真实验表明，过多的隐含层神经元的个数势必增加网络的复杂度，最终导致陷入局部极小值而不能收敛；而对于LVQ网络而言，只要竞争层神经元数目大于输出层神经元，就可实现正确分类，即LVQ网络对竞争层（隐含层）神经元的个数设计要求较低。相比之下，LVQ网络的故障隶属度之间的差别比和标准BP网络诊断的结果要明显得多，故障诊断的结果更加明确。总的来说，LVQ网络和标准BP网络诊断模型都能在规定的精度范围内完成对测试样本的诊断，诊断正确率为100%。但是，在LVQ网络和标准BP网络诊断模型的隐含层神经元数目相同情况下，LVQ网络诊断模型的诊断结果更为精确直观，且LVQ网络的收敛速度要比BP网络快得多，诊断性能更优；而标准BP网络诊断模型的诊断结果随着隐含层神经元数目的变化，且误差较大，诊断性能较差。
3 结 语
文中构建了一个LVQ神经网络分类器，对某风电场风电机组齿轮箱的故障进行诊断，并与标准BP神经网络的诊断结果进行对比。仿真结果表明：只要训练步数设置足够大，LVQ网络诊断模型与标准BP网络诊断模型都能在规定预设精度范围内完成诊断任务。但相比之下，LVQ网络诊断模型的收敛速度更快、训练准确性和诊断精度更高、诊断性能更优。所以基于LVQ神经网络的风电机组齿轮箱的故障诊断方法是可行的。
参考文献
[1] DING Shuo， CHANG Xiao?heng， WU Qing?hui. Approximation performance of BP neural networks improved by heuristic approach [J]. Applied Mechanics and Materials， 2013 （411/414）： 1952?1955.
[2] 余妹兰，匡芳君.BP神经网络学习算法的改进及应用[J].沈阳农业大学学报，2011，42（3）：382?384.
[3] 丁硕，常晓恒，巫庆辉，等.LM算法改进的BP网络在模式分类中的应用研究[J].电子测试，2014（2）：33?35.
[4] DING Shuo， CHANG Xiao?heng， WU Qing?hui. A study on the application of learning vector quantization neural network in pattern classification [J]. Applied Mechanics and Materials， 2014 （525）： 657?660.
[5] 刘军.基于学习矢量神经网络的电力变压器故障诊断[J].自动化与仪器仪表，2008（1）：86?88.
[6] 刘文轩，严凤，田霖，等.基于LVQ神经网络的配电网故障定位方法[J].电力系统保护与控制，2012（5）：90?95.
[7] 林渊，肖峰.小波变换阈值降噪方法及在武器自动机数据处理中的应用[J].电子测量技术，2009，32（1）：128?130.
[8] 王斌.面向风电机组齿轮箱的故障诊断系统研究[D].北京：华北电力大学，2012.
[9] 王凯，任子晖，谷林柱，等.LVQ神经网络在煤矿风机故障诊断中的研究[J].煤矿机械，2011，32（11）：256?258.
[10] 赵培，谷立臣.基于LVQ神经网络的异步电动机故障诊断[J].机械制造与自动化，2010，39（1）：172?174.
2.2 基于LVQ网络的风电机组齿轮箱故障诊断模型的建立
LVQ网络采用有教师的训练学习方式， LVQ网络的训练样本集由输入数据和目标输出组成。在表1的训练样本集中，输入向量维数为5，即输入层神经元为5个，由风电机组齿轮箱的5个故障评价指标组成；目标输出向量对应输出状态，即正常工作、齿面磨损故障和齿轮断齿故障，设置三种状态分别对应代码1，2，3；LVQ网络的竞争层起到聚类作用，竞争层的神经元个数是LVQ网络设计的一个关键问题，一般为输出层神经元数量的整数倍[9?10]，在风电机组齿轮箱的故障诊断中，分别选取竞争层神经元个数为6，9，12，15，18进行了仿真，各自经过26，21，24，22，23次训练，网络达到稳定，学习函数为learnlv1，目标误差设定为0.001，学习速率设为0.1。为了比较标准的BP神经网络和LVQ网络的诊断性能，用BP神经网络的方法对风电机组齿轮箱故障进行诊断，BP神经网络的参数设置为：输入神经元数为5，输出神经元数为3，用3位不同的二进制代码表示三种故障类型，（0 0 1）代表正常工作状态输出，（0 1 0）代表齿面磨损故障输出，（1 0 0）代表齿轮断齿故障输出。综合考虑两种网络的性能和速度， LVQ网络竞争层神经元个数最终取为9个；BP网络隐含层神经元数选择15个，隐含层神经元的传递函数采用tansig，输出层神经元的传递函数采用logsig，目标误差为0.001，学习速率设为0.1。
2.3 LVQ网络故障诊断模型的训练
利用表1中的训练样本数据对LVQ与标准BP网络诊断模型进行训练，LVQ网络训练函数为trainr，标准BP网络训练函数为traingd。在目标精度设置为0.001、最大训练步数设为20 000、训练样本数目相等的条件下，仿真得到如下结果：标准BP网络诊断模型需要9 395步才能达到目标精度，均方误差为0.000 999 983；LVQ网络诊断模型只需要24步就可以达到目标精度，均方误差为0，远远高于目标精度要求。仿真结果表明，标准BP网络的训练速度不但没有优势， 而且训练过程中发生多次震荡甚至陷入局部最小值而使训练中断，而LVQ网络则要稳定得多， 网络性能也比标准BP网络更佳。总的来说，对于训练样本集而言，只要训练步数设置足够大，LVQ网络诊断模型与标准BP网络诊断模型都能在规定的训练步数范围内完成对训练样本的诊断，但相比之下，LVQ网络诊断模型的收敛时间明显比标准BP网络诊断模型少，均方误差也远小于标准BP网络诊断模型。由此可以得出结论，LVQ网络诊断模型对于训练样本诊断的精度更高，收敛速度更快。
2.4 LVQ网络故障诊断模型的泛化能力测试
LVQ神经网络经过非监督的聚类和有监督的学习之后，最终形成的分类器网络就可以对测试数据进行分类了。为了测试LVQ网络诊断模型的实际诊断性能，文中利用表2中的测试样本数据对所建立的LVQ网络诊断模型进行泛化能力测试，利用仿真函数sim得到网络的输出。针对LVQ网络诊断模型利用函数ind2vec将类别向量转换成最终的目标向量输出。标准BP网络诊断模型对测试样本的诊断结果如表3所示。
表3可以看出，标准BP网络的分类性能对隐含层神经元的个数要求较高，隐含层神经元的个数越多分类结果越接近于目标输出，诊断性能越优。但仿真实验表明，过多的隐含层神经元的个数势必增加网络的复杂度，最终导致陷入局部极小值而不能收敛；而对于LVQ网络而言，只要竞争层神经元数目大于输出层神经元，就可实现正确分类，即LVQ网络对竞争层（隐含层）神经元的个数设计要求较低。相比之下，LVQ网络的故障隶属度之间的差别比和标准BP网络诊断的结果要明显得多，故障诊断的结果更加明确。总的来说，LVQ网络和标准BP网络诊断模型都能在规定的精度范围内完成对测试样本的诊断，诊断正确率为100%。但是，在LVQ网络和标准BP网络诊断模型的隐含层神经元数目相同情况下，LVQ网络诊断模型的诊断结果更为精确直观，且LVQ网络的收敛速度要比BP网络快得多，诊断性能更优；而标准BP网络诊断模型的诊断结果随着隐含层神经元数目的变化，且误差较大，诊断性能较差。
3 结 语
文中构建了一个LVQ神经网络分类器，对某风电场风电机组齿轮箱的故障进行诊断，并与标准BP神经网络的诊断结果进行对比。仿真结果表明：只要训练步数设置足够大，LVQ网络诊断模型与标准BP网络诊断模型都能在规定预设精度范围内完成诊断任务。但相比之下，LVQ网络诊断模型的收敛速度更快、训练准确性和诊断精度更高、诊断性能更优。所以基于LVQ神经网络的风电机组齿轮箱的故障诊断方法是可行的。
参考文献
[1] DING Shuo， CHANG Xiao?heng， WU Qing?hui. Approximation performance of BP neural networks improved by heuristic approach [J]. Applied Mechanics and Materials， 2013 （411/414）： 1952?1955.
[2] 余妹兰，匡芳君.BP神经网络学习算法的改进及应用[J].沈阳农业大学学报，2011，42（3）：382?384.
[3] 丁硕，常晓恒，巫庆辉，等.LM算法改进的BP网络在模式分类中的应用研究[J].电子测试，2014（2）：33?35.
[4] DING Shuo， CHANG Xiao?heng， WU Qing?hui. A study on the application of learning vector quantization neural network in pattern classification [J]. Applied Mechanics and Materials， 2014 （525）： 657?660.
[5] 刘军.基于学习矢量神经网络的电力变压器故障诊断[J].自动化与仪器仪表，2008（1）：86?88.
[6] 刘文轩，严凤，田霖，等.基于LVQ神经网络的配电网故障定位方法[J].电力系统保护与控制，2012（5）：90?95.
[7] 林渊，肖峰.小波变换阈值降噪方法及在武器自动机数据处理中的应用[J].电子测量技术，2009，32（1）：128?130.
[8] 王斌.面向风电机组齿轮箱的故障诊断系统研究[D].北京：华北电力大学，2012.
[9] 王凯，任子晖，谷林柱，等.LVQ神经网络在煤矿风机故障诊断中的研究[J].煤矿机械，2011，32（11）：256?258.
[10] 赵培，谷立臣.基于LVQ神经网络的异步电动机故障诊断[J].机械制造与自动化，2010，39（1）：172?174.
