基于深度自編碼網(wǎng)絡(luò)模型的風(fēng)電機(jī)組齒輪箱故障檢測(cè)

2017-12-06 16:01:13 來(lái)源：《電工技術(shù)學(xué)報(bào)》　點(diǎn)擊量：評(píng)論 (0)

　　華北電力大學(xué)電氣與電子工程學(xué)院、中國(guó)科學(xué)院大學(xué)物理科學(xué)學(xué)院、國(guó)網(wǎng)冀北電力有限公司電力科學(xué)研究院的研究人員劉輝海、趙星宇、趙洪山等，在2017年第17期《電工技術(shù)學(xué)報(bào)》上撰文，為了實(shí)現(xiàn)風(fēng)機(jī)齒輪箱的故障檢測(cè)分析，提出一種基于風(fēng)電機(jī)組齒輪箱的數(shù)據(jù)采集與監(jiān)視控制（SCADA）數(shù)據(jù)和振動(dòng)信號(hào)的深度自編碼網(wǎng)絡(luò)模型。

　　該模型作為一種典型的深度學(xué)習(xí)方法，通過(guò)逐層智能學(xué)習(xí)初始樣本特征，可以獲取數(shù)據(jù)蘊(yùn)含的規(guī)則與分布特征形成更加抽象的高層表示。首先，利用限制性玻爾茲曼機(jī)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行預(yù)訓(xùn)練和反向傳播算法對(duì)參數(shù)進(jìn)行調(diào)優(yōu)，建立深度自編碼網(wǎng)絡(luò)模型。然后，通過(guò)對(duì)齒輪箱的狀態(tài)變量進(jìn)行編碼和解碼，計(jì)算重構(gòu)誤差并將其作為齒輪箱的狀態(tài)檢測(cè)量。

　　為了有效檢測(cè)重構(gòu)誤差的趨勢(shì)變化，選用自適應(yīng)閾值作為風(fēng)機(jī)齒輪箱故障檢測(cè)的決策準(zhǔn)則。最后，利用對(duì)齒輪箱故障前、后記錄的數(shù)據(jù)進(jìn)行仿真分析，結(jié)果驗(yàn)證了深度自編碼網(wǎng)絡(luò)學(xué)習(xí)方法對(duì)齒輪箱故障檢測(cè)的有效性。

　　風(fēng)電做為一種清潔、高效的新型能源，隨著其裝機(jī)容量的持續(xù)增長(zhǎng)，風(fēng)機(jī)的故障問(wèn)題也變得更加突出。齒輪箱做為風(fēng)電機(jī)組的關(guān)鍵部件，由于承受復(fù)雜的載荷及其特殊的工作環(huán)境，造成風(fēng)電機(jī)組停機(jī)時(shí)間最長(zhǎng)。因此，利用數(shù)據(jù)采集與監(jiān)視控制（Supervisory Control and Data Acquisition，SCADA）數(shù)據(jù)或狀態(tài)監(jiān)測(cè)信息分析研究齒輪箱故障檢測(cè)，能夠有效降低齒輪箱的維修成本，提高經(jīng)濟(jì)效益。

　　通常風(fēng)電機(jī)組齒輪箱處于早期故障階段時(shí)，由于故障產(chǎn)生的沖擊成分比較微弱，并且受到環(huán)境噪聲的干擾，使得齒輪箱早期故障特征難以提取。目前故障檢測(cè)方法一般分為基于數(shù)據(jù)的研究方法和基于模型的分析方法。基于模型的分析方法通常是建立部件的物理模型，根據(jù)模型參數(shù)的變化實(shí)現(xiàn)故障的檢測(cè)。

　　文獻(xiàn)[4]通過(guò)構(gòu)建齒輪箱模型，分析其故障物理機(jī)制，從而提取不同故障狀況下的故障特征。基于數(shù)據(jù)的分析方法又可以分為基于狀態(tài)監(jiān)測(cè)數(shù)據(jù)和基于SCADA運(yùn)行數(shù)據(jù)兩種方法。齒輪箱狀態(tài)監(jiān)測(cè)信息一般用于監(jiān)測(cè)設(shè)備的健康狀況（如振動(dòng)信號(hào)和油分析），利用狀態(tài)監(jiān)測(cè)信息可以實(shí)現(xiàn)對(duì)故障特征準(zhǔn)確提取。

　　文獻(xiàn)[5]運(yùn)用多尺度線性調(diào)頻小波分解法研究了齒輪箱變工況條件下的振動(dòng)信號(hào)，實(shí)現(xiàn)了故障診斷。為了分析振動(dòng)信號(hào)的頻域特征，文獻(xiàn)[6]將非平穩(wěn)的時(shí)域信號(hào)轉(zhuǎn)換為平穩(wěn)或準(zhǔn)平穩(wěn)的頻域信號(hào)，并采用K鄰近度異常檢測(cè)方法，提取了齒輪箱的故障信息。

　　文獻(xiàn)[7, 8]運(yùn)用EMD方法分解齒輪箱振動(dòng)信號(hào)，然后對(duì)其模態(tài)函數(shù)建模分析，從而判斷出齒輪箱軸承的性能退化程度。文獻(xiàn)[9]利用小波包分析提取信號(hào)特征向量，從而提高信號(hào)的分辨效果，然后對(duì)特征向量進(jìn)行降維處理，實(shí)現(xiàn)對(duì)故障診斷時(shí)間的提高，但該方法易受強(qiáng)噪聲的影響。

　　文獻(xiàn)[10，11]通過(guò)對(duì)齒輪箱油液采樣分析，根據(jù)油液粒子成分對(duì)比反映齒輪箱的故障。SCADA信息一般指的是設(shè)備的運(yùn)行數(shù)據(jù)，可利用這些數(shù)據(jù)的趨勢(shì)變化來(lái)實(shí)現(xiàn)故障檢測(cè)。

　　文獻(xiàn)[12, 13]針對(duì)齒輪箱油溫和軸承溫度的實(shí)際值與估計(jì)值，運(yùn)用統(tǒng)計(jì)過(guò)程控制法分析溫度的殘差趨勢(shì)，實(shí)現(xiàn)了齒輪箱異常狀態(tài)的檢測(cè)。文獻(xiàn)[14, 15]通過(guò)采用內(nèi)存批處理技術(shù)和Storm實(shí)時(shí)流數(shù)據(jù)處理方法構(gòu)建風(fēng)電機(jī)組在線預(yù)警和故障診斷模型，能夠?qū)崿F(xiàn)對(duì)齒輪箱故障的判定。風(fēng)機(jī)在運(yùn)行過(guò)程中產(chǎn)生的SCADA數(shù)據(jù)蘊(yùn)含著特定的規(guī)則與結(jié)構(gòu)，這使得數(shù)據(jù)挖掘方法在齒輪箱的故障研究中得到應(yīng)用。

　　文獻(xiàn)[16]分析了風(fēng)機(jī)SCADA數(shù)據(jù)變量間的相關(guān)性，從而實(shí)現(xiàn)對(duì)風(fēng)機(jī)不同運(yùn)行狀況下的健康狀態(tài)的定量評(píng)估。風(fēng)電機(jī)組SCADA數(shù)據(jù)與狀態(tài)監(jiān)測(cè)數(shù)據(jù)具有變量多、數(shù)據(jù)量大、類(lèi)型復(fù)雜的特點(diǎn)。深度學(xué)習(xí)方法能夠深層學(xué)習(xí)數(shù)據(jù)內(nèi)在的結(jié)構(gòu)特征，并將學(xué)習(xí)到的特征信息融入模型的建立過(guò)程中，從而減少了人為設(shè)計(jì)特征的不充分性和傳統(tǒng)特征提取所帶來(lái)的復(fù)雜性。深度學(xué)習(xí)算法與傳統(tǒng)故障診斷方法相比，克服了傳統(tǒng)方法對(duì)診斷經(jīng)驗(yàn)的依賴(lài)性和大數(shù)據(jù)下模型診斷能力與泛化能力的不足。

　　本文基于風(fēng)電機(jī)組SCADA數(shù)據(jù)和振動(dòng)信號(hào)，提出深度自編碼網(wǎng)絡(luò)（Deep Autoencoder，DA）模型，對(duì)齒輪箱的狀態(tài)進(jìn)行整體分析，深度學(xué)習(xí)數(shù)據(jù)規(guī)則，挖掘其蘊(yùn)含的分布式特征，從而提取齒輪箱狀態(tài)檢測(cè)量，實(shí)現(xiàn)故障檢測(cè)。

　　DA網(wǎng)絡(luò)模型的分析過(guò)程包括：首先采集正常狀態(tài)下風(fēng)機(jī)齒輪箱的SCADA數(shù)據(jù)和振動(dòng)數(shù)據(jù)創(chuàng)建訓(xùn)練數(shù)據(jù)集；基于訓(xùn)練數(shù)據(jù)集建立DA模型，然后運(yùn)用建立的DA模型計(jì)算風(fēng)機(jī)齒輪箱的重構(gòu)誤差Re序列；根據(jù)將要發(fā)生故障的齒輪箱的Re的趨勢(shì)會(huì)發(fā)生變化，運(yùn)用自適應(yīng)閾值法檢測(cè)Re的趨勢(shì)，在風(fēng)電機(jī)組齒輪箱發(fā)生故障但未失效之前，檢測(cè)出即將發(fā)生的故障，實(shí)現(xiàn)齒輪箱的故障預(yù)測(cè)。

　　圖1 DA模型的逐層學(xué)習(xí)過(guò)程

　　結(jié)論

　　針對(duì)齒輪箱故障檢測(cè)方法的研究，本文提出了基于風(fēng)電機(jī)組齒輪箱SCADA數(shù)據(jù)與振動(dòng)信號(hào)相結(jié)合的齒輪箱DA網(wǎng)絡(luò)模型故障檢測(cè)方法，實(shí)現(xiàn)了齒輪箱的故障檢測(cè)。通過(guò)運(yùn)用正常狀態(tài)下齒輪箱的狀態(tài)數(shù)據(jù)建立DA模型，使其深度學(xué)習(xí)齒輪箱運(yùn)行數(shù)據(jù)的內(nèi)在特征。

　　選取重構(gòu)誤差Re做為齒輪箱故障檢測(cè)變量，并引入Re的自適應(yīng)閾值做為齒輪箱故障預(yù)警的決策準(zhǔn)則，仿真結(jié)果驗(yàn)證了該方法能夠基于SCADA數(shù)據(jù)與振動(dòng)信號(hào)對(duì)齒輪箱故障實(shí)現(xiàn)有效檢測(cè)。

責(zé)任編輯：lixin

免責(zé)聲明：本文僅代表作者個(gè)人觀點(diǎn)，與本站無(wú)關(guān)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實(shí)，對(duì)本文以及其中全部或者部分內(nèi)容、文字的真實(shí)性、完整性、及時(shí)性本站不作任何保證或承諾，請(qǐng)讀者僅作參考，并請(qǐng)自行核實(shí)相關(guān)內(nèi)容。

我要收藏

個(gè)贊