基于AIS-SA网络的风电机组齿轮箱温度预警方法＊

李友钊，吴斌

（1.上海电机学院电气学院，上海201306；2.上海电机学院商学院，上海201306）

基于AIS-SA网络的风电机组齿轮箱温度预警方法＊

李友钊1，吴斌2

（1.上海电机学院电气学院，上海201306；2.上海电机学院商学院，上海201306）

一种基于人工免疫系统-学习率自适应调节的混合网络温度预测模型，实现了对齿轮箱温度的预警分析。首先根据退化特征矩阵确定齿轮箱的退化状态数目，接着采用人工免疫算法初始化网络参数，后利用一种改进的自适应算法对网络学习率进行调整，最后结合频率变化特性，训练出不同退化模式下的温度预测模型。通过搭建实验平台，采集齿轮箱油液温度数据，验证了此类预测模型的准确性，以及划分不同退化模式的必要性。

风机齿轮箱；人工免疫系统；自适应算法；温度预警

齿轮箱作为风电机组传动系统的关键部件，比其他部件维修难度更大、所需费用更高。因此，学者开始对齿轮箱的故障进行分析，预测其衰退演变趋势，发展出了对齿轮箱状态趋势的预测技术，包括基于统计数据的预测方法、基于数学的预测方法、基于信息融合技术的预测方法等。另外，人工智能技术也在此领域得到了应用[1]。文献[2]提出了一种结合小波分析与BP神经网络的时间序列模型，并成功地对风电机组的齿轮箱温度进行了预警。在文献[3]中，作者提出了一种基于温度数据的部件温度预测与故障预警方法，并以实际风电场温度数据对此方法进行了验证。本文从齿轮箱衰退趋势考虑，认为齿轮箱当前所处的状态对后期衰退趋势有不可忽略的影响，即齿轮箱处于不同退化状态下，应采用不同的预测网络进行预测。首先对齿轮箱当前状态进行评估，而后通过小波包分解提取振动信号的频带能量作为退化特征向量，根据类内紧密度与类间分离度评价指标确定退化矩阵的最佳划分，划分数目即对应退化状态数，然后建立不同退化状态下对应的AIS-SA网络（Artificial Immune System& Self-adaption Adjustment Net）温度预测模型，最后分析预测结果与真值的残差，即可实现对齿轮箱的温度预警，帮助运维人员提前对齿轮箱进行维护动作，降低其故障率，延长使用寿命。与传统的BP神经网络预测模型相比，AIS-SA网络有效地规避了其初始参数选取不定、容易局部最优、学习率与网络稳定性产生矛盾等局限性，并且在全局内近似解寻优过程中有着不可比拟的优势，因此能够有效提高预测精度。

1 基于AIS-SA的齿轮箱温度预测模型

1.1 齿轮箱退化状态的划分

齿轮箱的退化状态可以通过其外部特征（振动信号、温度信号等）来表征。风电机组在运转时，传动部件之间的接触部位受频繁变化的应力作用，极容易对部件造成不可恢复的损伤，继续运行可能加速部件间的磨损，温度则表现为异常上升。齿轮箱退化状态不同，意味着其损伤程度也不相同，因此处于不同退化状态下的齿轮箱其油液温度有着不同的变化趋势。通过振动信号提取齿轮箱退化特征向量，采用一定的聚类方法划分出齿轮箱的若干退化状态，则可以据此训练出对应的若干个温度预测模型。

1.2 基于关键部件温度的齿轮箱故障预警

风电机组传动系统的部件温度变化趋势能够反映其运行状态，通过实时监测齿轮箱关键部位（主轴轴承、齿轮箱主体、关键齿轮、齿轮轴承等）在不同风速下的温度变化，对比预测模型的预测结果，能够实现对齿轮箱某一部件故障的早期分析预测。比如利用历史数据对齿轮箱主要部件主轴轴承的温度变化进行预测，如果温度变化趋势差异明显，则可认为该部件存在潜在故障，在其故障变得严重前，给运维人员一定的时间进行预防维护[4]。

1.3 基于AIS网络的寻优算法

利用AIS算法可对BP神经网络的连接权值、阈值进行筛选，按照“优胜劣汰”的自然法则寻求亲和度（适配值的倒数）最高的“抗体”与“抗原”，“抗原”对应目标优化函数，“抗体”对应可行解，即BP网络节点的连接权值和阈值。“免疫记忆”功能是通过记忆细胞实现的，这些“细胞”对应一个与“抗原”亲和度最高的“抗体群”。规模为H的抗体种群中任一抗体h1与抗原之间的亲和度Fh1可用网络中预测值与真实值之间的误差绝对值的倒数表示，抗体h1的浓度Ch1则用该抗体与抗体种群的相似度刻画——当2个抗体的亲和度Fhi，hj（i，j＝1，2，…，H）大于人工设定的相似度阈值CT时，则判断为相似，计算公式如下：

式（1）（2）中：ε为亲和度系数，l为网络的输出节点个数；yk，dk分别为网络输出层第k（1，2，…，l）个节点的计算输出值与期望输出值；CT取值一般大于0.7.

综合亲和度与浓度即可确定该抗体的繁殖概率Ph1：

式（3）中：DEI为多样性评价指标。

记忆细胞库的规模是不变的，因此与抗原亲和度高的抗体将会取代库中浓度最高的原有抗体。根据得到的繁殖概率，即可更新记忆细胞群体，抗体种群也可通过选择、交叉、变异操作进行更新，并与记忆库中贮存的优秀抗体一并组成次代抗体种群，直至达到算法停止准则，最终得到的“抗体”即可反译出神经网络的权值及阈值。

1.4 基于扰动误差大小的学习率SA算法

为尽可能满足网络层与层之间不同节点的权重寻优要求，在任一次迭代寻优过程中，不同节点的连接权值采用大小不同的学习率。参数的调节顺序可总结为：从网络输出层开始向输出层推进，同层网络间自上而下依次调整。设网络的参数矩阵为W*＝[w1，w2，…，wq]，其中，q为包含节点阈值在内的待调节参数总数目，则第n次迭代学习时第i个元素wi（n）的调节原则为以下2点。

式（4）（5）中：ηi为学习率。

式（6）（7）（8）中：α为量化的误差性能。

2.2 两组患者不良反应发生率比较 A组血压波动12例，心肌缺血4例，早搏7例，房颤3例；B组血压波动5例，心肌缺血7例，早搏8例，房颤4例。A组患者不良反应发生率为54.2%(26/48)，显著高于B组的46.2%(24/52)，两组间比较，差异有统计学意义(P<0.05)。

原则二：误差函数E（n）≤e，即权值wi（n）满足误差精度要求，无需调节。

1.5 基于AIS-SA网络的组合预测算法

为了提高模型的预测精度，本文在传统BP神经网络的基础上，提出了一种基于AIS-SA网络的混合算法，其中，AIS起到优化网络初始参数选取的作用，而基于节点误差大小的学习率自适应调节算法起到减小振荡、加速收敛的作用，组合算法能够最大程度地平衡学习率与网络稳定性的关系。其算法流程如图1所示。

图1 AIS-SA网络算法流程图

2 实验验证及数据分析

2.1 实验设置

实验选用型号为NB130-136的齿轮箱；风机载荷选用功率为500 W的磁粉制动器；考虑到磁粉制动器的优良特性，使用变频调速三相异步电机作为动力源；变频器分辨率达到0.01 Hz。选用DAM-PT04温度采集器采集齿轮箱油温与环境温度，MPS-140401动态信号采集卡采集主副轴振动信号数据。其中，振动信号采用“DB8”小波包分解处理，提取频谱能量作为退化特征向量，根据K-means聚类算法可将其分为2类，即对应实验期间齿轮箱的2种衰退模式。

图2为实验台及传感器位置设置。

2.2 AIS-SA网络的温度预测结果分析

在齿轮箱温度采集实验中，电机以20 Hz的频率连续运行6 h后，每隔3 s采集一次温度数据，连续采集了2 000组数据，以此训练AIS-SA网络预测模型。本文选定的Net输入变量为当前时刻风速（电机频率）、前5个时刻的齿轮箱中心油液温度（t1，t2，t3，t4，t5）、环境温度T，因此可构成1 995组输入—输出对应数据样本，将前1 600组作为训练样。对应的AIS-SA网络的大小为7-11-1，抗体种群规模为15，长度为100，记忆细胞库包含10个cell，抗体种群更新20次，每代抗体精英保留3个。此时，对2种算法的20次预算结果如表1所示。

图2 试验台及传感器位置设置

表1 AIS-SA预测算法与BP神经网络算法误差能量比较

图3 AIS算法抗体适配值收敛曲线

图4 BP神经网络与AIS-SA预测结果对比

抗体的进化曲线如图3所示。从图3可以看出，在进化繁殖的过程中，虽然种群的平均适配值存在波动，但整体呈下降趋势；而且精英保留策略的存在保证了当代最佳可行解不会反方向搜索，在第6代进化繁殖后不再变化，得到了最佳的目标函数近似解，寻优效果明显。

2.3 不同退化状态下AIS-SA网络预测结果

在齿轮箱的退化状态进行一次衰退后，进行第2类温度采集实验，训练自己的AIS-SA网络，经过20次重复训练，计算得到网络的平均误差能量为0.803 2.为验证不同退化状态下应对应不同的预测网络，将训练得到的2个网络记为AIS-SA1与AIS-SA2，并对第2类温度数据进行预测，如图5所示，其中，AIS-SA2网络的误差能量为0.287 3，而AIS-SA1的误差能量则达到了1.452 5，且在温度变化趋势骤变的时间段，预测效果明显变差。这说明齿轮箱“良好”状态下的温度预测网络并不适应于另一退化状态的温度预测。因此针对齿轮箱的不同退化状态，训练各自的AIS-SA网络是必要的。

图5 AIS-SA1与AIS-SA2预测结果对比

3 结束语

本文建立了一种基于AIS-SA网络的齿轮箱温度预测算法，可以对齿轮箱不同退化状态下的部件温度进行跟踪预测分析，对比实时温度数据判断是否在可接受的范围内，从而达到部件故障预警的目的。

经齿轮箱油液温度实验验证：①AIS-SA网络较传统BP神经网络有更为精确的预测结果；②针对齿轮箱阶段寿命周期内进行退化状态划分，并确定各自的AIS-SA网络来实现温度预测是有效而且合理的。以此类推，可以针对齿轮箱其他关键部件建立温度预警模型，帮助运维人员提前发现故障征兆，规避生产风险并降低运维成本。

参考文献：

［1］马玉峰.风电机组齿轮箱故障趋势预测方法研究［D］.北京：华北电力大学，2013.

［2］孙建平，朱雯.基于小波BP-时间序列的齿轮箱温度预警［J］.电子测量与仪器学报，2012（03）：197-201.

［3］张小田.基于回归分析的风机主要部件的故障预测方法研究［D］.北京：华北电力大学，2013.

［4］Feng Z，Liang M.Fault diagnosis of wind turbine planetary gearbox under nonstationary conditions via adaptive optimal kernel time–frequency analysis.Renewable Energy，2014，66（3）：468-477.

［5］齐俊德，李山，陈冰.基于小波包能量矩阵的轴承信号特征提取［J］.振动与冲击，2013（21）：107-111.

［6］张著洪.人工免疫系统中智能优化及免疫网络算法理论与应用研究［D］.重庆：重庆大学，2004.

［7］付光杰，胡明哲.基于改进型学习率自适应BP神经网络的风力发电变桨距控制技术［J］.自动化与仪器仪表，2016（06）：8-10.

〔编辑：刘晓芳〕

TM315

：A

10.15913/j.cnki.kjycx.2017.16.032

2095－6835（2017）16－0032－04

上海市教育委员会科研创新项目（15ZS079）；上海电机学院重点学科建设项目（16YSXK02）