基于模糊神经算法的风电机组齿轮箱故障在线诊断

孟祥萍+田凯乔+王磊

摘 要：文章提出了一种以模糊神经网络（FNN）为核心算法的风电机组齿轮箱故障在线诊断系统。该系统分为数据采集、特征提取和波形识别三部分，通过识别齿轮磨损、齿轮点浊和齿轮断齿三种重要齿轮故障的波形，不仅可以在线检测风电机组齿轮箱运行状态，而且可以对潜在故障进行预警。FNN是对模糊逻辑和神经网络优缺点进行深入分析，再将两者优点相结合的一种算法。通过对振动信号进行分析和处理，用以上三种故障波形对FNN进行训练，同时采取多振动传感器的方式，确保了振动信号的准确性。

关键词：模糊神经网络；故障预警；在线监测；故障波形识别

中图分类号：TH132.41 文献标志码：A 文章编号：2095-2945（2017）35-0031-02

引言

对于任何大型发电设施，例如核电厂的发电机或火力发电机，在线状态监测系统对于故障检测和事故预警是非常重要的。在机器损坏之前及时进行停机检修，可以避免设备损坏带来的不必要的经济损失和人身伤亡[1]。机械振动是工程中普遍存在的现象，风电机组齿轮箱的振动信号，无疑是直接反应其健康状况的重要数据。当齿轮或轴承出现故障时，会有特殊频率的振动，我们可以通过分析这种特征频率的振动来检测齿轮及轴承是否完好。但是，在齿轮箱内部会产生多种振动信号，为了避免系统误报警，需要对采集的振动信号进行深度分析[2]。研究者通常运用模糊逻辑与人工神经网络相结合的模糊神经网络（FNN）来识别和分析以上三种振动信号[3][4]。模糊逻辑强项是逻辑推理，一种用数学模型模拟人脑进行结果分析，但是并不具有对历史数据总结的能力和对已分析结果的储存[5]。神经网络恰恰相反，它具备对历史数据反复学习和挖掘的功能，并且有一定的容错能力。所以才将两个算法合并，取长补短，发挥每种算法的最大优点以解决实际复杂问题[6]。

1 风电机组齿轮箱常见故障

1.1 齿轮磨损

齿轮的磨损是指在齿轮箱在运作过程中，齿轮与齿轮不慎进入金属微粒或沙粒，使齿面擦伤或者齿面涂层掉落。会导致齿轮变薄，侧缝间隙变大，咬合不稳甚至形成断齿。而这种故障占齿轮总故障的14%。本文所涉及到的齿轮磨损均指齿面均匀磨损，在这种情况下，齿轮之间咬合不稳，形成的震动幅度与正常齿轮有明显差别，可以被传感器探测到。

1.2 齿轮点蚀

点蚀是齿轮箱传动系统中普遍故障类型，占总事故比例的31%。指齿轮产生微小裂痕后，由于齿轮长期互相挤压，将润滑剂挤压进裂缝，使之压力增大很容易扩大裂痕。点蚀的出现会使齿轮局部变形，这会进一步加大局部接触压力，最终形成断齿危险。在点蚀发生过程中，由于局部压力大，导致有周期凸起振幅，容易识别。

1.3 齿轮断齿

断齿是齿轮箱中容易发生而且最危险的故障类型，经常会导致停产停工，占齿轮故障的41%。细分为过载断齿，疲劳断齿和缺陷断齿。由于齿轮收到周期性高负荷压力，齿轮会变弯疲劳，长期以往便会出现断齿现象。断齿的震荡波形有别于上述两种，在断齿处的振幅会有大规模扰动。

2 模糊神经网络

2.1 人工神经网络

人工神经网络是用数学模型模拟人类大脑神经元的推理过程，对大量神经元也就是节点互相连接的网络进行计算。这样计算多重联系的关系网，不同經典算法是无能为力的，这就是神经网络的优势。而且神经网络善于模拟人类思考过程，以及推理。

2.2 模糊逻辑控制

如果让计算机计算很庞大的数学运算是很容易的，但如果让计算机告诉你一杯水烫不烫，这个人是否年轻，这就很难。但是实际生活中的问题，往往都是不能用0，1去表示，所以我们引入了模糊逻辑控制。模糊控制善于模仿一种抽象的思维方式，提供了一种对不确定的非线性问题的控制方法。但是由于这种模仿的抽象思维方式，对于处理少量、单一的数据时往往精度不够。但如果一味增加个体数据，却会让处理时间增加，运算速度降低。

2.3 模糊神经网络

以上两种算法的合并，便成为模糊神经网络，结合了两种算法的优点，又避免了二者的缺点。模糊神经网络，由大量的模糊或非模糊神经元互相连接而成的网络系统。既有模糊算法中的非线性数据处理能力，又有神经网络的优良的自学习功能以及运算时间短的优点。模糊神经网络扩大了系统处理信息的范围，使系统对确定行与非确定性信息能力加大，处理变得更灵活。

3 实现方法

FNN系统包括三个组件：数据采集，特征提取和模式识别。下面将分别进行讨论。

3.1 数据采集

在对FNN系统进行学习和训练时，由于不能人为地制造出振动波形图，因此我们使用三种齿轮箱故障波形图来对神经网络进行学习和训练。但是单个传感器的精度和鲁棒性难以满足我们的需求，多传感器测量齿轮箱振动成为必要。通过添加生成三个相应的数据集高斯函数值，取平均值为0，方差为0.1的数据收集为震动信号，这三个数据集代表三种不同类型的故障振动波形图。

3.2 特征提取

我们知道，旋转机械中潜在的故障会产生特定的振动频率，这种频率可以通过频谱分析振动幅度在旋转频率的倍数处的变化得到。典型频率可以通过以下方式获得：

（1）找到哪些频率以及他们特定机械动作。

（2）每个频率的幅度和幅值。

（3）频率和峰值之间的相互联系。

使用FNN的频谱分析的最常用的方法是直接输入频率方法，其中输入神经元被分配给每个频率。

3.3 模式识别

从训练数据中提取的特征的FNN，用于识别振动模式并且确定齿轮箱中是否存在一些故障，最终结果将提示FNN是否可以成功诊断齿轮中的故障。在该过程中，采用三层前馈FNN。网络架构包括六个输入单元，它们连接到四个输出单元的三十二个隐藏单元。当成本函数或误差低于0.1%时，认为任务被解决。反向传播（BP）学习算法用于训练。然而，BP学习算法通常缺乏在合理时间内为给定任务产生有效网络的能力。因此，有必要在实际应用中克服这个问题。在研究中，通过动态更新训练参数，模糊模型被用来加速BP学习算法的收敛速度。

4 结束语

在本文中，使用的FNN诊断系统为大型电机机组的安全运行和事故预警提供了理论依据。用多传感器采集信息比单传感器更加准确可靠并减小了随机振动信号对总数据的干扰。尽管对于神经网络的算法已经被广泛应用，但是它缺乏在合理时间内针对给定任务产生有效网络的能力。 而模糊逻辑理论提供了一个数学框架来捕捉与人类认知过程相关的不确定性，如思维和推理。它还提供了数学形态学来模仿与人类认知相关的某些感知和语言属性。

参考文献：

[1]彭华东.风电机组故障智能诊断技术及系统研究[J].电网与清洁能源，2011：1673-3814.

[2]彭春阳.基于振动信号分析的齿轮箱故障诊断仪的研究[D].重庆大学，2011.

[3]韩力群.人工神经网络教程[M].北京：北京邮电大学出版社，2006.

[4]刘强.人工神经网络及其在汽轮发电机组振动故障预测中的应用[D].杭州：浙江大学，2005.

[5]周润景，张丽娜.基于MATLAB与Fuzzy TECH的模糊与神经网络设计[M].电子工业出版社，2010.

[6]闫春望，黄玮，王劲松.一种并行模糊神经网络最短路径算法[J].算法研究探讨，2016（11）.endprint