基于增量深度学习的风机叶片震动异常预测方法研究*

林志灿,彭清和

(1.闽南理工学院实践教学中心,福建 泉州 362700; 2.闽南理工学院光电与机电工程学院,福建 泉州 362700)

0 引言

风能作为一种清洁、可再生能源,受到了广泛关注.风机发电是目前应用最广泛的一种方式.根据国际能源署的预测,到2030年全球风能装机容量将达到2 000 GW[1-2].虽然风机发电行业市场前景广阔,但是在实际应用中,风机叶片震动异常问题却不可避免.风机叶片震动异常是指在风机运行过程中,叶片出现不正常的振动现象.这种现象不仅会影响风机的运行效率和稳定性,还会对风机的寿命造成极大的影响.因此,对于风机叶片震动异常问题的研究和预测显得尤为重要.

随着物联网智能传感器等新一代信息技术在风机行业的快速应用,海量风机设备运行监测数据不断被收集,从而为风机叶片震动监测分析提供了数据基础.机器学习和深度学习因其强大的特征学习能力,为海量数据下的风机叶片震动预测与分析提供了有效工具[3].

风机叶片震动异常预测是根据风机叶片的运行情况,评估风机当前运行状态并预测未来情况,对于设备异常的事前管控具有重要意义.目前常用预测方法主要有三类:物理模型、可靠性理论和数据模型[4].前两者模型通常需要专业知识以及大量的数学模型和系统知识,导致应用前景与能力受限,而基于数据模型的异常预测方法不需要复杂经验知识,仅需要对于异常运转数据进行监测分析,因此,越来越得到重视[5].传统的基于数据的异常预测方法包括RBF方法、决策树方法、小波变换方法、支持向量机等方法[6-8].深度学习模型作为近年发展研究之一,在风机叶片震动异常预测方面也逐渐开展研究.文献[9-10]提出了基于CNN网络的枫叶震动异常预测方法;文献[11]提出了基于长短记忆网络(Long short term memory network,LSTM)进行风机健康状态监测与预测分析;文献[12—13]提出基于统计分析与LSTM相结合的故障预测分析方法,并在实际风机监测系统中得到了应用.

虽然目前基于风机叶片异常预测方面的深度学习研究已经取得了一些进展,但是目前存在的问题主要集中在:a)基于普通深度学习的预测方法直接将海量数据输入模型,训练效率和预测效率比较低;b)目前基于各种复杂深度学习技术的预测模型都属于静态模型,缺少自学习能力与模型更新能力,不能适应风机运行状态变化的趋势,缺少研究考虑利用物联网采集的实时数据动态更新模型;c)传统风机叶片震动预测输出结果通常只输出是否存在异常,缺少异常类型以及异常级别,无法为检修工作提供更为清晰的分析结果[14-15].

基于以上原因,提出一种基于自编码器的时频分析特征提取方法,再结合长短记忆网络、卷积神经网络、增量深度学习共同构建风机叶片震动异常预测方法,其中包括了时频特征分析、增量LSTM、异常诊断器3个功能模块,从而提升了预测的准确性,降低了维护成本,提高了经济效益.

1 风机叶片异常预测方法

1.1 方法整体流程

本文研究的风机叶片异常预测方法框架如图1所示,通过堆叠多个深度学习模型来提升异常预测方法的非线性表达能力.首先通过自编码器来实现时频特征提取,实现数据表达能力的提升,然后利用增量LSTM实现异常数据的中长期预测,并结合增量学习机制实现模型自更新与参数优化.最后利用多层CNN卷积神经网络实现异常类型以及异常程度进行分类输出.

图1 风机叶片异常预测方法整体流程图

1.2 基于自编码器的时频特征提取

时频特征是指从输入原始海量数据中提取有用的关键特征,从而减少模型输入数据量,提升模型运行效率.为了更好提取风机叶片震动数据的时频特征,运用了自编码器的神经网络来提取频率特征,采用Time2Vector方法提取时间特征,从而组成完整的时频特征数据.

自编码器网络结构如图2所示,包括输入层、中间隐藏层以及输出层,实现输入数据从高维空间映射到低维空间,将数据压缩到隐藏层空间,从而实现数据内部空间表征,再经过激活处理后再次将低维空间数据映射到高维空间,实现频率数据编码.

图2 自编码器网络结构

针对于输入数据的时间特征提取,本文采用Time2Vector时间矢量表示学习方法,其能够有效捕获时间周期模式和非周期模式,可对时间尺度的缩放(例如分钟、小时、天)保持稳定不变,易于与许多模型进行集成.Time2Vector数学表示公示如下:

t2ν(τ)[i]=ωiτ+φi,ifi=0,F(ωiτ+φi),if1≤i≤k.

(1)

式(1)中i=0表示周期模式,与线性函数表示方式比较接近,采用非周期模式进行表示.

1.3 增量LSTM网络

在接收到时频特征数据后,LSTM网络可以对其进行深度网络训练,实现基于时序数据信息来预测下一时刻的输出.LSTM网络典型结构如图3所示,采用链式结构,引入细胞状态和记忆体来存储序列的长期信息,并借助遗忘门、输入门和输出门进行信息筛选和更新,以降低模型梯度消失和梯度爆炸的问题,从而提升模型的泛化性.

图3 LSTM网络结构

为了保证预测模型的有效性,通过利用增量机制来实现异常预测模型参数的动态更新机制,从而提升模型的自学习能力.动态更新机制主要利用残差反馈网络来实现,从而实现误差结果反馈,更新LSTM网络的权重信息以及参数信息.

图4 增量学习的动态更新机制

迭代误差反馈机制通过迭代计算修正预测值,并在不同修正的过程中更加接近真实值.迭代误差反馈网络的数学模式可表示为:

εt=f(xt),

(2)

yt+1=yt+εt,

(3)

xt+1=I⊕g(yt+1).

(4)

其中表示迭代误差反馈网络的输入数据,表示为使得预测值更为接近真实值的校正值,并可以通过模型转换g与原始数据进行连接从而使生成新输入数据,然后迭代循环此过程,直到满足预定目标为止.

1.4 异常诊断器

异常诊断器主要是对于增量LSTM输出结果进行诊断分析,预测异常类型和异常级别,从而更好的为设备维护人员提供决策信息参考.本文中的异常诊断器采用多任务CNN级联网络进行构建,同时输出异常类型以及异常级别,网络结构示意图如图5所示.对于两个任务的输出Softmax层,第一个任务共有四个输出,分别为无异常、叶片撕裂、轴承外圈故障、轴承滚动体故障四个类型,第二个任务Softmax层共有3个输出,对应三个不同异常级别.

图5 异常诊断器网络结构图

2 实验验证

2.1 数据集介绍

为了验证本文所提出的风机震动异常增量深度学习算法的有效性,使用Pytorch深度学习框架进行算法训练,GPU硬件配置为Invidia 3080Ti.

采用实验数据集为实际风机场站采集数据,采集传感器以及场景示意图如图6所示,其由电机、控制器、传感器等部分组成,采样频率64 kHz,采样结果如表1所示,其中包括叶片故障、轴承故障两种故障位置,可以划分为叶片撕裂、轴承外圈故障、轴承滚动体故障三种故障类型以及轻微、中等、严重三种异常级别.针对每种故障类型选取1 000个样本,每个样本包括500个采样点,并将全部样本划分500个样本为训练集,300个样本为增量更新测试集,200个样本为测试集.在增量深度学习算法训练过程中,采用Adam算法进行训练,学习率设置为0.001.

图6 实际风机震动数据采集场景

表1 数据集描述

2.2 实验结果

实验数据在不同运行状态下的风机叶片震动信号的时域波形如图7所示,其中包括三种异常类型以及正常状态的信号波形.

图7 不同状态的时域波形

本文提出基于增量深度学习的风机叶片震动异常预警算法进行训练,训练过程损失函数变化如图8所示,从图中可以明确看出本文所提出方法的损失函数稳步收敛,从而可以实现异常预测结果.另外为了验证本文提出算法的优越性,还将其与其他深度学习算法,例如RNN算法、CNN算法、LSTM算法进行对比.这些模型直接将传感器原始数据进行输入,不需要进行特征提取,并以均方根误差(Root mean square error,RMSE)作为评估指标,实验对比结果如表2所示.

图8 损失函数变化过程

从表2中可以看出,本文提出的综合方法效果最优,其他依次为LSTM算法、RNN算法以及CNN算法.另外相比于无增量学习版本,本文提出算法也具有一定优势,由此可见通过增量学习持续对于模型进行优化,可以有效降低模型预测误差.

表2 多模型实验RMSE对比结果

3 结论

本文提出了一种基于时频分析特征数据的增量深度学习的预测方法,其可以通过对大量数据的分析和处理,建立增量深度学习模型以及CNN异常诊断器,从而实现风力涡轮机叶片的振动异常预测.通过此方法可以评估风机当前运行状态并预测未来情况,对于设备异常的事前管控具有重要意义.未来随着技术的不断进步和应用的不断推广,相信风机叶片震动异常预测技术会更加成熟和完善,为风机发电行业的发展提供更加可靠的保障.