基于深度置信网络的风电机组主轴承故障诊断方法研究

王春梅

(国网冀北电力有限公司技能培训中心，河北 保定 071051)

0 引言

风电机组是风电场内将风能转化为电能的重要设备，风电机组正常运行是提高风能利用率的关键。风电机主轴承是风电机组支撑桨叶、轮毂及及其附属部件的关键部件[1]。大多数风电机组工作环境恶劣，若发生故障，会直接影响风电机组的运行。因此，快速、有效地诊断风电机组主轴承故障对提高风电机组利用率至关重要。针对上述问题，黄元维[2]采用支持向量机的故障诊断方法，根据风力发电机输出功率预测值与实际值之间的残差变化判断风电机组主轴承健康状况；卢锦玲[3]提出采用极限学习机的故障诊断方法，利用极限学习机建立故障诊断模型，通过粒子群优化(particle swarm optimization,PSO)和交叉验证来优化模型参数，以实现风电机组主轴承健康状况的诊断；安学利[4]提出基于决策融合的风电机组故障诊断方法，先利用灰色关联分析法进行初步诊断，随后根据证据融合理论对不同证据进行决策信息融合，从而得出故障诊断的结果。

上述学者各自采用不同的方法，实现了风电机组主轴承故障诊断。支持向量机(support vector machine,SVM)无法排除其他类型的故障对风电机组主轴故障诊断所造成的干扰，极限学习机和决策融合方法均需采集大量的历史数据来训练模型。针对上述不足，本文提出一种基于深度置信网络的风电机组主轴承的故障诊断方法。该方法利用深度置信网络强大的特征分层提取能力和泛化能力，依据基于Python语言的TensorFlow深度学习框架，实现风电机组主轴承的故障诊断。

1 深度置信网络理论

1.1 限制玻尔兹曼机

深度置信网络(deep belief network,DBN)是由多个限制玻尔兹曼机(restricted boltzmann machine,RBM)逐层叠加形成深层网络结构[5-6]。通过对数据进行深度挖掘，提取重要信息和关键特征。RBM包括隐含层和可见层两层。隐含层和可见层为双向连接。RBM结构如图1所示。

图1 RBM结构图Fig.1 RBM structure diagram

假设RBM结构有i个可视节点和j个隐藏节点，若V为所有可见层神经元，H为所有隐含层神经元，hi为第j个隐含层神经元状态，vi为可视层第i个神经元状态，可视节点的偏移量v=(v1,v2,…,vi)，隐藏节点的偏移量h=(h1,h2,…,hj)，则给定的RBM网络结构能量式为：

(1)

θ={wij,aj,bj}

(2)

式中：wij为可见层vi和隐含层hi之间的权重；aj和bi分别为可见层和隐含层的偏置项。

1.2 深度置信网络训练

DBN是由多层RBM和单层反向传播(back propagation,BP)神经网络组成的深层神经网络。层与层神经元之间存在连接，但层内神经元之间无连接。DBN采用逐层贪婪学习算法优化神经网络连接权重[7-8]，其训练模型步骤分为预训练和参数优化。

①预训练。

深度置信网络预训练过程的本质是RBM网络的训练过程，通过贪婪学习算法逐层对RBM各层进行训练。当上一层RBM训练完毕，将该隐含层的输出作为下一层RBM可见层的输入，依次可得到每层RBM的初始参数。为加速RBM网络的训练速度、降低训练过程中的震荡，本文采用权值动量和对比散度(contrastive divergence,CD)算法相结合的参数更新公式[9]：

(3)

式中：l为RBM的数量；m(l)为第l个RBM中的附加动量；η为RBM训练时的学习率。

②参数优化。

BP网络作为DBN模型的最后一层，其以RBM网络输出的特征向量为输入向量。每层RBM的网络权值虽然相对该层特征向量达到最优，但是无法保证整个DBN网络的网络权值达到最优，因此需要进行参数优化。通过将反向误差自顶向下传播至每层RBM，微调整个DBN网络权值，从而达到整体网络性能最优。反向参数优化各层权值更新公式如下：

(4)

式中：w(t)为DBN层间的权重；m(t)为DBN层间的附加动量；η(t)为DBN层间的学习率。

2 基于深度置信网络的主轴承故障诊断

2.1 样本数据搜集与预处理

本文试验数据来自某风电场提供的历史数据。考虑搜集数据(轴转动频率、外圈故障频率、内圈故障频率、滚动体频率、保持架频率)存在特征数据丢失、无标签、特征及标签均不全等情况[10-12]，因此，需对原始数据进行“择优录取”，以获得对模型更加有效的样本数据。主轴故障特征频率如表1所示。

表1 主轴故障特征频率Tab.1 Simplified table of characteristic frequency of main bearing fault Hz

2.2 构建DBN诊断模型

DBN结构由3个RBM堆叠而成，最后一层为单层BP网络。该DBN网络模型的输入即是5种特征频率。在RBM的输出端连接Softmax函数对故障进行多分类，根据4个神经单元概率最大值判定对应样本的诊断结果。在网络模型进行故障诊断前，需对模型进行预训练和参数优化，从而使网络整体参数最优，否则将导致故障诊断结果不准确。DBN结构如图2所示。

图2 DBN结构图Fig.2 Structure of DBN

2.3 风电机主轴故障诊断流程

风电机组主轴故障诊断流程如图3所示。

图3 主轴故障诊断流程图Fig.3 Flowchart of main bearing fault diagnosis

根据深度置信网络的预训练和参数优化过程，风电机组主轴的故障诊断网络模型训练步骤如下。

①采集风电机主轴的不同故障频率信号，并对数据进行预处理[11]，划分测试集和训练集，设置标签并进行归一化处理。

②确定网络参数(包括学习率、迭代次数、隐含层数和各层节点数等)。

③将当前隐含层输出作为下层隐含层的输入，得到每层的权重和偏置最优时的参数值，通过逐层训练，从而达到局部性能最优。

④采用BP算法反向微调参数，通过反向微调，使最初的权重和偏置参数达到全局性能最优。

⑤判断准确率是否满足要求，若满足，则网络训练结束，否则重复步骤③和步骤④。

3 仿真分析

3.1 参数选取

DBN网络性能高低与参数选取有关。为获得最优参数配置，本文采用网格化搜索技术[11]来确定最优学习率η及惯量参数m。其中，m共取10个值；学习率α=[1×10-2,5×10-3,1×10-3,5×10-4,1×10-4,5×10-5,1×10-5]。不同参数配置下的平均准确率如图4所示。

图4 平均准确率示意图Fig.4 Average accuracy diagram

由图4可知，不同的参数配置对算法性能有较大的影响。根据仿真结果可知，当学习率η=1×10-5、惯量参数m=0.3时，平均测试准确率为86.18%，DBN网络性能达到最优。因此，选择η=1×10-5、m=0.3。

3.2 试验结果分析

由于Tensorflow学习框架自带的Tensorboard工具能够对训练过程、参数和结果等可视化，有助于理解神经网络模型中数据流动机理及优化策略，故采用基于Python语言的Tensorflow框架来实现风电机组主轴的故障诊断。

DBN算法预测结果与实际结果对比如图5所示。由图5可知，在不同的训练集下，训练样本大小对故障诊断结果影响不大，几乎所有预测值与实际值重合。因此，将DBN算法用于风电机组主轴故障诊断具有良好的诊断效果。

图5 预测值与实际值对比图Fig.5 Comparison between the predicted value and the actual value

3.3 与传统方法对比

为与传统故障诊断方法进行对比，在训练样本和测试样本相同的情况下，采用人工神经网络(artificial neural network，ANN)和SVM分别进行对比试验。ANN采取5-9-4的网络结构，即隐藏层包含9个神经元，学习率为0.08，迭代次数为2 000次。SVM选取径向基核函数，惩罚系数为2 048，核函数参数为0.03。在测试集和训练集分别占样本总数不同比例时，3种算法平均准确率对比结果如表2所示。

表2 准确率对比结果Tab.2 Comparison of the accuracy

由表2可知：DBN网络的平均准确率明显高于ANN和SVM；随着训练样本数增加，平均测试准确率随之升高。

4 结束语

本文提出了一种基于深度置信网络的风电机组主轴承的故障诊断方法。其利用深度置信网络强大的信息提取特征表达能力和整体网络微调机制，实现高精度的风电机组主轴承的故障诊断。通过对比试验分析发现，深度置信网络相较传统故障诊断方法具有以下优点。

①摆脱了对大量故障信号处理技术与诊断经验的依赖，能够实现自适应提取故障特征和智能诊断设备健康状态。

②对时域信号无周期性要求，通用性和适用性强。

③具有高维、非线性数据的能力，可有效避免维数灾害和诊断能力等问题。

参考文献:

[1] 唐贵基,庞彬.ITT变换在风电机组滚动轴承故障诊断中的应用[J].电力自动化设备,2017(9):1-6.

[2] 黄元维.基于支持向量机的风电机组主轴轴承故障诊断[J].仪器仪表用户,2016,23(11):88-92.

[3] 卢锦玲,绳菲菲,赵洪山.基于极限学习机的风电机组主轴承故障诊断方法[J].可再生能源,2016,34(11):1588-1594.

[4] 安学利,蒋东翔,李少华.基于决策融合的直驱风力发电机组轴承故障诊断[J].电网技术,2011,35(7):36-41.

[5] 袁建虎,韩涛,唐建,等.基小波时频图和CNN的滚动轴承智能故障诊断方法[J].机械设计与研究,2017,33(2):93-97.

[6] 任浩,屈剑锋,柴毅,等.深度学习在故障诊断领域中的研究现状与挑战[J].控制与决策,2016,9(1):161-171.

[7] ZHANGQ C,YANG T,CHEN Z K.Deep computation model for unsupervised feature learning on big data[J].IEEE Transaction on Services Computing,2016,9(1):161-171.

[8] 刘秀丽,徐小力.基于深度信念网络的风电机组齿轮箱故障诊断方法[J].可再生能源,2017(12):1862-1868.

[9] 李飞,高晓光,万开方.基于权值动量的RBM加速学习算法研究[J].自动化学报,2017,43(7):1142-1159.

[10]赵光权,葛强强,刘小勇,等.基于DBN的故障特征提取及诊断方法研究[J].仪器仪表学报,2016,37(9):1946-1953.

[11]徐建军,杜蔷楠,徐建勇,等.WPT-MSE结合PNN的电机轴承故障诊断方法[J].自动化仪表,2017,38(4):85-89.

[12]王美丁,马见青,樊金生.基于Surfer软件的数据网格化方法探析[J].工程地球物理学报,2017,14(6):694-700.