多通道一维残差卷积神经网络在风力发电机组轴承故障智能诊断中的应用

郑梁　刘桂然　朱孝晗

摘要：为提高卷积神经网络在风力发电机组轴承故障诊断上的准确率，本文对某2 MW风力发电机组轴承故障数据，进行单通道及多通道、多种诊断网络模型、不同优化算法的故障诊断分析对比，提出将多个振动传感器的数据整合为多通道一维数据集，再使用一维残差卷积神经网络进行故障诊断。得出基于Adam优化算法的多通道一维残差卷积神经网络诊断准确率最高。因此，多通道一维残差卷积神经网络在风力发电机组轴承故障诊断中应用效果良好，能够准确的识别各类故障模式，为机组的安全、稳定运行提供了保障。

关键词：风力发电机组；智能故障诊断；多通道数据；一维残差卷积神经网络

中图分类号：TM315 文献标志码：A doi：10.3969/j.issn.1006-0316.2023.03.001

文章编号：1006-0316 （2023） 03-0001-07

Application of Multi-Channel One-Dimension Residual Convolution Neural Network in Intelligent Fault Diagnosis of Wind Turbine Bearing

ZHENG Liang1，2，LIU Guiran1，2，ZHU Xiaohan1，2

（ 1.Guodian United Power Technology Co.， Ltd.， Beijing 100039， China;

2.State Key Laboratory of Wind Power Equipment and Control， Baoding 071000， China ）

Abstract：To improve the accuracy of convolution neural network on fault diagnosis of wind turbine bearing，  the bearing fault data of a 2 MW wind turbine generator unit are analyzed and compared with single channel and multiple channels， multiple diagnosis network models  and different optimization algorithm. It is proposed to integrate multiple vibration sensor data for multi-channel one-dimension data set， and then one-dimension residual convolution neural network is used for fault diagnosis. It is concluded that the multi-channel one-dimension residual convolution neural network based on Adam optimization algorithm has the highest diagnostic accuracy. Therefore， multi-channel one-dimension residual convolution neural network has good application effect on failure diagnosis of wind turbine bearing， which can accurately identify various fault modes and provide guarantee for safe and stable operation of the wind turbine.

Key words：wind turbine；intelligent fault diagnosis；multichannel data；one-dimension residual convolution neural network

軸承作为风力发电机组的核心部件，其工作状态和故障诊断一直受到整机厂家和学者的关注，传统方法主要采用振动时域和频域信号进行判断分类，非常依赖判断者经验。随着智能故障诊断兴起，诊断常用振动信号作为输入源，使用EMD（Empirical Mode Decomposition，经验模态分解）技术[1]对时域信号进行分解，得到本征模态函数，再使用分类型器进行故障识别，但由于轴承故障模式多样，故障之间耦合性强，应用效果不是很理想。

近年来机器学习逐渐应用到模式识别[2]、故障诊断[3]中，主要算法有决策树（Decision Tree Classifier，DTC）、随机森林法（Random Forest，RF）、支持向量机（Support Vector Machine，SVM）等，但这类算法需要有特征数据作为输入，即需要对数据进行预处理提取特定特征。数据处理方法不同，会产生不同的计算模型，计算准确率也不尽相同。为克服数据处理方法带来的影响，深度学习应运而生，尤其以神经网络（Neural Networks，NN）为代表，以数据的原始形态（Raw Data）作为输入、目标任务作为输出，实现原始数据到目标任务的直接映射，无任何人为干涉。典型的计算方法有深度置信网络（Deep Belief Network，DBN）、递归神经网络（Recurrent Neural Network，RNN）和卷积神经网络（Convolution Neural Network，CNN）。特别是卷积神经网络，在图像分类、分类识别方面得到了成熟广泛的运用。针对轴承的故障诊断，卷积神经网络也得到了一些应用，输入数据的类型主要是一维的振动时域信号[4]，而卷积神经网络是为二维图像设计的特殊算法，处理二维数据时的效果要优于处理一维数据。

轴承振动检测往往会布置多个振动传感器，得到的原始数据是多通道一维振动时域信号。如果只选取其中一个通道数据构建一维卷积神经网络，分析结果可能遗漏故障源；如果将单通道数据融合为二维振动时域信号[5]，数据之间存在特征差异，会造成特征信息遗失，影响卷积神经网络的准确率。叶壮等[6]将多通道一维振动时域信号融合为单通道一维信号，显著提高了故障诊断准确率。本文提出将单通道的振动时域信号处理成一维数组，再将所有一维数组构建成多通道一维数组集，这样既避免了数据遗漏，又不会造成数据间的特征差异。使用残差卷积神经网络（ResCNN）进行特征识别[7]，对于非凸优化，权值采用Adam（Adaptive momentum）优化算法，可以有效减少计算开销，并提高计算效率。

1 深度学习故障诊断模型构建

1.1 残差卷积神经网络

典型的卷积神经网络包含输入层、卷积层、池化层、全连接层和输出层，而残差卷积神经网络是在池化层的激活函数上叠加输入层的恒等映射。針对本文所用输入数据，需要先采用多通道卷积运算，再使用残差卷积运算，如图1所示。

关于卷积神经网络的基本理论，本文不再赘述，需要说明的是如何对权值梯度更新优化和如何提高残差网络的计算效率。

1.2 残差模块优化

残差模块有两个分支：一条为残差函数，另一条为恒等映射。两条分支整合后再经过一次非线性变换Relu激活函数，从而形成一个完整的残差模块。

如图2（a）所示，传统的残差模块由两个3×3卷积堆叠而成，实际应用中，当网络深度较高时，计算效率不理想。图2（b）所示为一种变形的残差模块，一条分支由三层卷积堆叠：1×1卷积层、3×3卷积层和1×1卷积层，1×1卷积层的作用是降低或升高数据维度，从而达到提高计算效率的目的，另一条分支只有一个3×3卷积层，称之为“瓶颈残差模块[8]（Bottleneck Residual Block）”，在大深度残差卷积神经网络中，能够大幅减少计算。

1.3  Adam优化算法

Adam优化算法[8]针对大数据集和高维空间、复杂网络需要快速收敛的模型非常适用，同时具有处理稀疏梯度和处理非平稳目标的优点，也适用于大多非凸优化求解。

相较于SGD（Stochastic Gradient Descent，随机梯度）和AdaGrad（Adaptive Gradient，自适应学习率优化）算法，Adam优化算法既可以有效避免梯度弥算和梯度消失的问题，又能使梯度迭代更平稳。

1.4 智能故障诊断的流程

多通道一维残差卷积神经网络的学习流程为：设置多个传感器采集轴承运行时的振动信号，按诊断需求将每个传感器的时域振动信号分段，然后合成多通道一维数据矩阵，从而形成多通道振动数据集。将数据集划分为：训练数据集、验证数据集和测试数据集，其中训练数据集和验证数据集共用，随机交叉分配。训练数据集用作卷积神经网络训练，验证数据集用作训练完成后残差卷积神经网络的验证，以此检查残差卷积神经网络的准确率。测试数据集用作故障诊断，检验残差卷积神经网络对新数据的诊断准确性，也可理解为实际故障诊断过程。

构建残差卷积神经网络，设置超参数、初始权重和偏差，导入训练数据集和验证数据集，同时对各层权重和偏差进行反馈和更新，迭代至最大次数或设置的准确率，符合要求后保存训练后的残差卷积神经网络，至此可以用来对测试数据集进行故障诊断分类，如图3所示。

2 实验验证

2.1 实验装置

本文使用某2 MW双馈风力发电机组进行试验验证，轴承为SKF品牌，通过构建主传动链监测方案，对机组传动链各轴承故障（润滑不良、内外圈故障、滚动体故障、保持夹故障等）进行研究。实现针对主轴承为主的传动链轴承类故障的监测和诊断，采用的实验装置如图4所示。

（1）安装部署振动监控硬件，振动加速度传感器分别安装在浮动轴承座的径向方向、止推动轴承座的轴向方向和径向方向。

（2）基于机组服务网络和IT（Internet Technology，互联网技术）架构，包括CMS（Condition Monitoring System，状态检测系统）数据传输网口、软件部署环境要求，构建监测数据传输网络。

（3）在边缘侧完成神经网络服务器部署。

（4）基于潜在风险，以及可能影响的主要故障和失效模式，确定模型构建的方向和数量。

（5）基于算法模型和运行数据进行迭代优化，得到稳定和准确的诊断效果。

2.2 实验数据采集

实验采集了止推轴承的外滚道、滚子、内滚道故障及健康情况下的数据，使用振动加速度传感器记录不同负载条件下的振动加速度数据，故障情况如图5所示。

传感器数据采样频率为10 kHz，风机负载分为300 kW、700 kW、1200 kW和2000 kW。为保持统一，每种故障不区分负载大小，归为同一类故障，故障模式包括：外圈故障、滚子故障、内圈故障以及健康。

每种故障模式均包含三个振动传感器的数据，为：浮动轴承径向振动加速度数据（FB_R）、止推轴承径向振动加速度数据（TB_R）和止推轴承轴向振动加速度数据（TB_A）。本文采用三组振动传感器数据，分成单通道和多通道两种形式，以验证卷积神经网络的准确率。

2.3 数据处理

每通道振动传感器的数据按每1000个采样点划分成一个数据段，可划分为2000个数据段，三个通道共划分为6000段，三种故障模式和一种健康模式共有96000段数据。对于这些数据，采用不同的处理方法和网络模型分别进行分类验证。

（1）单通道一维卷积神经网络：每种故障模式数据只选择一个通道，进行故障模式识别验证，作为对比，共采用五种不同的网络模型，分别为ResCNN、CNN、DBN、RNN和BPNN（Back Propagation Neural Network，反向传播神经网络），其中ResCNN采用Adam和SGD两种优化算法作对比。

（2）多通道一维卷积神经网络：每种故障模式数据选择所有通道，将数据整合为多通道一维数组，进行故障模式识别验证，同样，作为对比，采用的网络模型和单通道一维卷积神经网络一致。

按照图3将所有数据集按65%：25%：10%比例划分为训练数据集、验证数据集和测试数据集。其中10%的测试数据集是独立的，不参与网络的训练和验证，而训练数据集和验证数据集共用，每一次计算开始前，数据集随机重新划分，充分保证网络不会陷入局部最优解。

2.4 网络模型构建

单通道一维卷积神经网络和多通道一维卷积神经网络的结构相同，输入层的维度不同。本文中多通道一维卷积神经网络的通道数为3，输入层大小为1000×1×3，而单通道一维卷积神经网络的输入层大小为1000×1×1。网络的结构依次为：输入层、卷积层、批量归一化层、Relu激活层、最大池化层、4个瓶颈残差模块、Relu激活层、平均池化层、全连接层、随机失活层（丢弃层）、SoftMax层（输出层）和分类层，共43层，详细参数如表1所示。

单个瓶颈残差模块（Bottleneck Residual Block）的参数如表2所示，网络模型如图6所示。瓶颈残差模块之间使用Relu激活层连接。

2.5 實验结果

使用数据集中65%样本对六种网络分别进行训练，同步使用25%样本每50次迭代进行一次验证。单通道数据集的验证准确率如图7所示，测试数据集的准确率达到97.65%，各种故障的诊断结果混淆矩阵如图8所示。混淆矩阵中数值表示该种故障的识别准确度。

对网络模型的最后一个卷积层做降维聚类可视化分析，如图9所示，可以看出，仍有少量故障呈现未完全分离状态。

多通道数据集的验证准确率如图10所示，测试数据集的准确率达到99.36%，各种故障的诊断结果混淆矩阵如图11所示。

对网络模型的最后一个卷积层做降维聚类可视化分析，如图12所示，可以看出，所有故障呈现完全分离状态。

2.6 对比分析

对比单通道数据和多通道数据在不同神经网络模型上的表现，可知：

（1）基于多通道数据集的诊断结果准确率优于基于单通道数据集。原因是，同样长度的数据，其维度越深，即通道数越多，对于卷积运算来说，相当于增加了初始样本的数量，在网络训练过程中，权值的更新约束条件增加，如不陷于局部最优解，则训练损失会更小，准确度相应提高。

（2）带有残差模块的卷积神经网络，故障识别准确率优于传统的卷积神经网络。原因是，每个残差模块的两条分支网络，其卷积核大小不同，卷积运算次数也不同，在各自算完毕后会进行一次叠加运算，再重新激活，提高了网络权值更新的准确性，减小偏差，从而提高了准确性。

（3）对于深度较大的卷积残差神经网络，应用Adam优化算法，迭代更平稳，加快了网络的收敛。

3 结论

本文将多通道一维残差卷积神经网络用于风力发电机组轴承的多故障智能诊断，结合某2 MW机组测试数据，其故障诊断准确率达到99.36%。实验结果证明，多通道一维残差卷积神经网络，在多故障的诊断上，优于传统的神经网络，准确度极高。

本次使用的轴承实验数据，故障模式较少，数据样本库不充足，后续需不断收集各种故障样本数据进行补充，提高多通道一维残差卷积神经网络的泛化能力。

参考文献：

[1]池永为，杨世锡，焦卫东，等. 基于EMD-DCS的滚动轴承伪故障特征识别方法[J]. 振动与冲击，2020，39（9）：9-16.

[2]Mrutyunjaya Sahani，P.K. Dash，Debashisa Samal. A real-time power quality events recognition using variational mode decomposition and online-sequential extreme learning machine[J]. Measurement，2020（157）：107597.

[3]Thomas Walter Rauber，Antonio Luiz da Silva Loca. An experimental methodology to evaluate machine learning methods for fault diagnosis based on vibration signals[J]. Expert Systems with Applications，2021（167）：114022.

[4]Gao Fan，Jun Li，Hong Hao. Vibration signal denoising for structural health monitoring by residual convolutional neural networks[J]. Measurement，2020（157）：107651.

[5]LU C，WANG Z，ZHOU B. Intelligent fault diagnosis of rolling bearing using hierarchical convolutional network based health state classification[J]. Advanced Engineering Informatics，2017（32）：139-151.

[6]叶壮，余建波. 基于多通道一维卷积神经网络特征学习的齿轮箱故障诊断方法[J]. 冲击与振动，2020，39（20）：55-66.

[7]Jiao Jinyang，Zhao Ming，Lin Jing，et al. A comprehensive review on convolutional neural network in machine fault diagnosis[J]. Neurocomputing，2020（417）：36-63.

[8]Feilong Cao，Baijie Chen. Densely connected network with improved pyramidal bottleneck residual units for super-resolution[J]. Journal of Visual Communication and Image Representation，2021，74（1）：102963.

[9]Hung Van Le，Duc Anh Hoang，Chuyen Trung Tran，Phi Quoc Nguyen. A new approach of deep neural computing for spatial prediction of wildfire danger at tropical climate areas[J]. Ecological Informatics，2021，63（7）：101300.

收稿日期：2022-11-04

基金项目：国家重点研发计划（2019YFB2005005-02）

作者简介：郑梁（1981－），男，湖北黄冈人，硕士，工程师，主要研究方向为风力发电机组设计及故障诊断，E-mail：12015018@ceic.com。*通讯作者：刘桂然（1981－），男，河北沧州人，硕士，高级工程师，主要研究方向为风力发电机组轴承设计，E-mail：12079947@ceic.com。