风力发电机叶轮故障识别方法*

2021-11-08连赵斌王馥华

机械制造 2021年10期

□ 连赵斌 □ 王馥华 □ 陆轶

上海市质量监督检验技术研究院上海 200072

笔者提出一种鱼群算法-蚁群优化算法混合改进策略,利用近邻函数准则,对风力发电机叶轮故障进行识别。

1 鱼群算法-蚁群优化算法改进策略

利用鱼群算法较快的收敛品质,避免初期过早集结至信息素浓度高的路径。引入蚁群优化算法,不仅增强算法的全局寻优和邻域搜索能力,而且避免陷入局部最优解,实现算法之间的优缺点互补。两种算法遵循的运动规律有一定的相似性,人工鱼随着拥挤度向浓度高的方向游动,蚂蚁随着信息素向浓度高的方向迁移,人工鱼的聚群行为与蚂蚁的更新信息素均取决于伙伴中心或最优个体状态的最优解。由此可见,鱼群算法-蚁群优化算法改进策略是可行有效的。

将两种算法混合后,利用鱼群的觅食行为、聚群行为,缩小全局搜索范围。利用拥挤度与信息素的相似性,在搜索范围缩小后,过渡至蚁群优化算法,通过分布并行式计算和启发式搜索方式,不仅提高收敛速度,而且适当提高收敛精度,在一定程度上克服局部极值的问题。

针对风力发电机叶轮,基于振动信号分析与处理来完成故障诊断。通过传感器采集叶轮传动的振动信号,对获得的信号进行分析和处理,提取其中与故障类型判别有关的特征向量。根据所提取的故障特征,按照某一规律将故障的形态、部位和原因作为样本,进行定位、训练、分类,进而构造机器学习算法,形成诊断网络进行故障识别。

2 策略机理

鱼群算法是一种高效智能优化算法,主要内容包括鱼群初始化、觅食行为、聚群行为、追尾行为、随机行为。鱼群算法具有克服局部极值,取得全局极值的能力,使用目标问题的函数值,对搜索空间有一定的自适应能力。鱼群算法同时具有对初值与参数选择不敏感、鲁棒性强、简单易实现、收敛速度快、使用灵活等特点,提供了一种解决问题的架构,具有与其它算法融合的基础。

蚁群优化算法的基础为自然界中蚂蚁觅食的群体性行为。蚂蚁觅食过程中,会在经过的路径上释放信息素,并能够感知其它蚂蚁释放的信息素。各个路径上的信息素浓度不同,蚂蚁根据浓度高低,按照一定的随机概率选择路径,进而不断提高适合路径上的信息素浓度,形成正反馈。

蚁群优化算法采用正反馈机制,应用分布式计算和启发式概率搜索方式,大大提高计算能力和运行效率,不容易陷入局部最优解,使搜索过程不断收敛,最终逼近全局最优解。

3 近邻函数准则

对故障特征进行提取后,征兆不能用简单的函数关系或者核函数来映射故障。对此,笔者引入近邻函数准则,解决这一故障分类映射问题,同时有效解决鱼群算法和蚁群优化算法的融合问题。

对于数据集中的任何两个样本yi、yj,若yj为yi的第N个近邻,则称yj对yi的近邻因数为N;若yi为yj的第M个近邻,则称yi对yj的近邻因数为M;当yi和yj互为近邻时,近邻因数为0。由此,近邻函数值τij表示为:

τij=N+M-2

(1)

在聚类过程中,规定类内会损失,即当yi和yj被归为同一类时,两者相互为连接关系,对于每一个这样的连接,存在一个相应的连接损失。连接损失规定为两个样本间的近邻函数值,总类内损失LIA规定为:

(2)

当yi和yj被归为不同类时,两者不存在连接关系,τij为0,总类间损失LIR规定为:

(3)

聚类结果的准则函数为:

(4)

式中:JNN为聚类函数值。

4 故障识别步骤

由故障特征提取的每个故障样本数据类似于蚂蚁将要访问的地点,每只蚂蚁根据样本数据之间的信息素大小及近邻函数,以一定概率适当选择下一个访问的地点,同时加入自身的数据列表。每只蚂蚁对全部数据样本都进行一次访问。在数据列表中,每只蚂蚁的数据列表根据样本之间的近邻函数值大小打断近邻函数值较大的两个样本数据的连接,同时计算每一类故障之间的连接损失,形成初步的叶轮故障分类。如此循环类推,以样本数据之间的连接损失最小解为终止条件,进而形成最终的叶轮故障分类结果。

先利用鱼群算法的寻优特点,淘汰部分加权距离指标反映出的JNN较大的故障样本数据。再利用蚁群优化算法,通过对JNN的最优解求解,获得与映射关系相近的叶轮故障征兆,实现对叶轮故障特征进行分类识别。叶轮故障识别方法的具体步骤分为七步。

第一步,人工鱼群初始化,通过觅食行为、聚群行为,对已获得的故障征兆特征淘汰部分故障样本数据,建立新的故障样本数据。

第二步,利用故障征兆样本数据进行加权距离处理,获得近邻因数M。

(5)

式中:Mij为样本yi对yj的近邻函数值;Pk为故障征兆样本数据中不同特征的加权因子;k为m只蚂蚁中的第k只蚂蚁;yik为第k只蚂蚁对应征兆i的故障样本数据;yjk为第k只蚂蚁对应征兆j的故障样本数据;

第三步,构建近邻函数矩阵L,其元素Lij为:

Lij=Mij+Mji-2

(6)

式中:Mij为样本yi对yj的近邻函数值;Mji为样本yj对yi的近邻函数值。

(7)

第五步,蚂蚁按照以上迁移概率选择预计转移路径,并将故障样本数据加入数据列表,之后判断是否所有蚂蚁完成一次访问,如为否,则返回第四步。

第六步,在数据列表中,根据样本之间的近邻函数值大小,打断近邻函数值较大的两个样本数据的连接,同时计算每一类故障之间的连接损失,形成初步的叶轮故障分类。

第七步,重复第六步,直至找到每一只蚂蚁的JNN最小,完成一次故障识别,取所有蚂蚁中JNN最小的识别结果作为一次循环的求解结果。

5 试验分析

依据标准GB/T 29531—2013《泵的振动测量与评价方法》,对叶轮的振动信号进行采集,通过时域、频域分析等方法对故障特征进行提取。不同时域故障指标与叶轮故障类型关系见表1。

表1 时域故障指标与叶轮故障类型关系

通过特征提取获得叶轮状态征兆与故障数据样本的映射关系。建立正常叶轮信号输入时域图、点蚀叶轮信号输入时域图、剥落叶轮信号输入时域图、断裂叶轮信号输入时域图,依次如图1～图4所示。

由图1～图4获得叶轮信号输入测量数据样本,通过特征时域指标提取后,加载至鱼群算法-蚁群优化算法混合改进策略诊断仿真。叶轮时域故障指标X1K、X2K、X3K、X4K、X5K、X6K、X7K依次为第K只蚂蚁的均值、均方差、峰值、波形因子、峭度、裕度、脉冲。建立加权距离指标(X1K,X2K)、(X2K,X4K)、(X3K,X6K,X7K)、(X3K,X4K,X5K)、(X3K,X5K,X6K,X7K),结合不同时域故障指标与叶轮故障类型关系,建立故障样本数据,进一步与叶轮信号输入测量数据样本进行测试对比,得到加权距离指标的故障征兆诊断正确率,见表2。

▲图1 正常叶轮信号输入时域图

▲图2 点蚀叶轮信号输入时域图

▲图3 剥落叶轮信号输入时域图

▲图4 断裂叶轮信号输入时域图

表2 故障征兆诊断正确率

基于上述试验,鱼群算法-蚁群优化算法混合改进策略在不同时域故障指标与叶轮故障类型关系作为征兆样本数据时,利用不同叶轮信号输入时域图进行仿真测试,故障征兆诊断识别的正确率均在85%以上,误差在可接受范围内。产生误差的原因可能是,在验台上拆装时轴向间的同轴度较难保证一致,叶轮润滑油内部和油温等存在不确定因素,在建立故障征兆类型关系初期,会因特征提取而产生误差。针对部分因素,需要相关研究人员进行进一步优化。笔者通过试验确认叶轮故障识别方法的有效性和可行性,误差在可接受范围内。