顧桂梅，張鑫

(蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院,甘肅 蘭州　730070)

?

基于深度信念網(wǎng)絡(luò)的風(fēng)機(jī)葉片結(jié)構(gòu)損傷識(shí)別研究

顧桂梅，張鑫

(蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院,甘肅 蘭州730070)

【目的】 解決由于模態(tài)參數(shù)辨別的不確定性，以及虛假模態(tài)干擾造成的風(fēng)機(jī)葉片結(jié)構(gòu)損傷識(shí)別精度不高的問題.【方法】 采用以深度信念網(wǎng)絡(luò)提取的模態(tài)參數(shù)特征向量作為標(biāo)識(shí)量的損傷檢測方法.首先分別獲取ANSYS仿真和實(shí)驗(yàn)條件下風(fēng)機(jī)葉片的模態(tài)參數(shù)；然后利用深度信念網(wǎng)絡(luò)提取模態(tài)參數(shù)特征向量作為損傷標(biāo)識(shí)量，檢測多種工況下的風(fēng)機(jī)葉片損傷，并與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行對比；最后搭建實(shí)驗(yàn)平臺(tái)，在實(shí)驗(yàn)條件下驗(yàn)證方法的有效性.【結(jié)果】 基于深度信念網(wǎng)絡(luò)的損傷識(shí)別方法相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)精度更高，網(wǎng)絡(luò)訓(xùn)練時(shí)間更長.【結(jié)論】 將深度信念網(wǎng)絡(luò)提取的模態(tài)參數(shù)特征向量作為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入向量，可以減小噪聲和虛假模態(tài)信息等因素對損傷識(shí)別結(jié)果的影響，提高損傷識(shí)別的精度.

深度學(xué)習(xí)；限制玻爾茲曼機(jī)；深度信念網(wǎng)絡(luò)；特征抽??；損傷識(shí)別

風(fēng)機(jī)葉片是風(fēng)力發(fā)電機(jī)組的關(guān)鍵部件，由于惡劣環(huán)境和復(fù)雜載荷的影響，極易造成葉片的結(jié)構(gòu)損傷等問題，風(fēng)機(jī)葉片一旦損毀將造成巨大的經(jīng)濟(jì)損失甚至是人員傷亡.因此，針對風(fēng)機(jī)葉片進(jìn)行結(jié)構(gòu)損傷檢測，準(zhǔn)確地判斷損傷發(fā)生的位置和程度，對于風(fēng)機(jī)的安全運(yùn)行意義重大[1-2].

風(fēng)機(jī)葉片結(jié)構(gòu)損傷檢測的常用方法是基于結(jié)構(gòu)振動(dòng)特性和BP神經(jīng)網(wǎng)絡(luò)的損傷檢測方法，該方法主要通過檢測整體結(jié)構(gòu)損傷前后的模態(tài)參數(shù)等結(jié)構(gòu)動(dòng)力特性的變化，來判斷結(jié)構(gòu)是否存在損傷以及損傷的程度.基于動(dòng)力特性的故障檢測方法是結(jié)構(gòu)損傷識(shí)別領(lǐng)域研究的熱點(diǎn)，模態(tài)參數(shù)識(shí)別更是結(jié)構(gòu)健康監(jiān)測的核心技術(shù)[3].在實(shí)際測量采集信號(hào)的過程中，信號(hào)數(shù)據(jù)不可避免的會(huì)受到測量誤差和測試噪聲的影響，使采集的信號(hào)含有大量的噪聲，而對于結(jié)構(gòu)損傷識(shí)別結(jié)果影響最大的因素恰恰就是噪聲[4-5].因此研究如何降低噪聲對損傷識(shí)別結(jié)果的干擾，提高風(fēng)機(jī)葉片損傷識(shí)別的精度是很有必要的.

深度學(xué)習(xí)網(wǎng)絡(luò)可以直接從低層數(shù)據(jù)出發(fā)，逐層學(xué)習(xí)到高層特定特征的學(xué)習(xí)網(wǎng)絡(luò).利用深度信念網(wǎng)絡(luò)對風(fēng)機(jī)葉片的模態(tài)參數(shù)進(jìn)行特征提取，抽取隱含在數(shù)據(jù)當(dāng)中的本質(zhì)損傷信息作為BP神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)，可以消減噪聲對辨識(shí)結(jié)果的影響，提高風(fēng)機(jī)葉片結(jié)構(gòu)損傷識(shí)別的精度.

1　深度信念網(wǎng)絡(luò)

深度學(xué)習(xí)通過學(xué)習(xí)一種深層的非線性結(jié)構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，具有從少量樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的強(qiáng)大能力[6].目前最成功的深度學(xué)習(xí)應(yīng)用就是深度信念網(wǎng)絡(luò)(deep belief nets,DBN)，其優(yōu)異本質(zhì)特征抽取的能力在語音識(shí)別、圖像識(shí)別、數(shù)據(jù)分類等方面均得到了體現(xiàn).

深度信念網(wǎng)絡(luò)是由一系列受限波爾茲曼機(jī)(restricted boltzmann machine,RBM)疊加組成的，通過多個(gè)RBM的堆疊，較好地解決了DBN多層網(wǎng)絡(luò)的訓(xùn)練問題.

由一系列RBM組成的DBN的結(jié)構(gòu)模型如圖1所示.RBM由輸入層即可視層v和隱層h組成，可視層單元和隱含層單元雙向連接，每一層內(nèi)部各單元節(jié)點(diǎn)之間無連接.RBM的學(xué)習(xí)過程通過對比散度算法(contrastive divergence,CD)實(shí)現(xiàn).CD算法的基本思想是：訓(xùn)練過程中，首先將可視層單元向量通過計(jì)算映射到隱含層，計(jì)算出所有隱層節(jié)點(diǎn)的狀態(tài)，然后反向進(jìn)行上述過程，由隱層節(jié)點(diǎn)確定可視層節(jié)點(diǎn)的狀態(tài)，完成原始輸入數(shù)據(jù)的重構(gòu).最后，重構(gòu)后的可視層激活節(jié)點(diǎn)向前傳遞，再次重構(gòu)隱層激活節(jié)點(diǎn)，這種反復(fù)步驟稱為Gibbs采樣，隱層單元和可視單元的關(guān)聯(lián)差異就形成了每次權(quán)值更新的基礎(chǔ).

圖1　DBN模型結(jié)構(gòu)圖Fig.1　Schematic drawing of DBN model structure

2　損傷識(shí)別

2.1風(fēng)機(jī)葉片模型的建立

建立風(fēng)機(jī)葉片結(jié)構(gòu)的有限元模型，通過對葉片結(jié)構(gòu)進(jìn)行模態(tài)分析，得出其在健康和各種有損傷狀態(tài)下的動(dòng)態(tài)特性或模態(tài)參數(shù)，模擬實(shí)測模態(tài)參數(shù)，作為訓(xùn)練樣本.在有限元軟件ANSYS中建立的風(fēng)機(jī)葉片模型如圖2所示.對風(fēng)機(jī)葉片有限元結(jié)構(gòu)進(jìn)行模態(tài)計(jì)算，可以獲得所需的頻率、振型等模態(tài)參數(shù)，再通過求解獲取葉片損傷前后的模態(tài)應(yīng)變能變化率作為損傷標(biāo)識(shí)量.

圖2　風(fēng)機(jī)葉片有限元模型Fig.2　Finite element model of wind turbine blade

在數(shù)值模擬過程中，以不同的單元號(hào)代表不同的損傷位置，以彈性模量折減的多少模擬損傷的程度.建立單損傷和雙損傷幾種損傷狀況，損傷工況如表1所列.

表1　葉片單元損傷工況Tab.1　Damage conditions of blade elements

2.2基于DBN網(wǎng)絡(luò)的損傷識(shí)別

本文設(shè)計(jì)使用的風(fēng)機(jī)葉片結(jié)構(gòu)損傷識(shí)別深度網(wǎng)絡(luò)模型如圖3所示，該網(wǎng)絡(luò)模型的底層由兩層RBM組建而成，加上頂層的BP神經(jīng)網(wǎng)絡(luò)共同構(gòu)成深度信念網(wǎng)絡(luò).

圖3　風(fēng)機(jī)葉片結(jié)構(gòu)損傷識(shí)別深度網(wǎng)絡(luò)模型Fig.3　Wind turbine blade structure damage identification deep network model

網(wǎng)絡(luò)輸入為風(fēng)機(jī)葉片多個(gè)單元在設(shè)定的損傷狀態(tài)下的模態(tài)參數(shù)，通過兩層RBM構(gòu)建的深度信念網(wǎng)絡(luò)提取模態(tài)參數(shù)數(shù)據(jù)中的損傷特征信息，作為BP網(wǎng)絡(luò)的輸入，選取幾個(gè)單元的損傷狀態(tài)作為網(wǎng)絡(luò)輸出，BP網(wǎng)絡(luò)的中間隱層單元數(shù)由網(wǎng)絡(luò)程序自行確定.當(dāng)完成整個(gè)網(wǎng)絡(luò)的訓(xùn)練之后，就能夠利用網(wǎng)絡(luò)模型識(shí)別風(fēng)機(jī)葉片的損傷狀態(tài).

2.2.1單損傷識(shí)別假設(shè)風(fēng)機(jī)葉片結(jié)構(gòu)同一部位發(fā)生損傷的程度不同.選取風(fēng)機(jī)葉片有限元模型中編號(hào)為1～20的單元中的某個(gè)單元為可能發(fā)生損傷的單元，計(jì)算其中1、5、10、15、20單元分別損傷25%、35%、55%、75%、85%時(shí)，1～20號(hào)單元在每個(gè)損傷狀態(tài)下的模態(tài)應(yīng)變能變化率，對數(shù)據(jù)進(jìn)行歸一化處理，組成網(wǎng)絡(luò)訓(xùn)練樣本.采用CD算法訓(xùn)練RBM，貪婪的無監(jiān)督算法訓(xùn)練DBN， RBM學(xué)習(xí)重構(gòu)誤差變化如圖4所示.

圖4　單損傷樣本訓(xùn)練RBM重構(gòu)表現(xiàn)Fig.4　The performance of RBM reconstruction for single damage sample training

從圖4可以看出，在單損傷樣本訓(xùn)練時(shí)，RBM的重構(gòu)誤差在1.5至0.28之間逐漸下降，后期的下降趨勢逐漸減緩，最終趨于平穩(wěn).網(wǎng)絡(luò)的期望輸出為單元的損傷狀況，即出現(xiàn)損傷的單元位置和損傷程度，網(wǎng)絡(luò)訓(xùn)練結(jié)束后用表1中工況①和工況②測試網(wǎng)絡(luò)，識(shí)別結(jié)果見表2所列.

2.2.2雙損傷識(shí)別選取風(fēng)機(jī)葉片有限元模型中編號(hào)為1～10的單元中的某兩個(gè)單元為可能發(fā)生損傷的單元，計(jì)算其中1、3、5、7、9單元發(fā)生了程度為25%，55%，85%的損傷，構(gòu)造損傷單元所有可能的損傷程度組合，計(jì)算各種損傷狀態(tài)下的模態(tài)應(yīng)變能變化率，對數(shù)據(jù)進(jìn)行歸一化處理，組成網(wǎng)絡(luò)訓(xùn)練樣本，設(shè)置網(wǎng)絡(luò)參數(shù)后對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，RBM學(xué)習(xí)的重構(gòu)表現(xiàn)如圖5所示.

圖5　雙損傷樣本訓(xùn)練RBM重構(gòu)表現(xiàn)Fig.5　The performance of RBM reconstruction

從圖5可以看出，在雙損傷樣本訓(xùn)練時(shí)，RBM的重構(gòu)誤差在1.112至0.25之間逐漸下降，前期誤差減小較為迅速，但很快便趨于平穩(wěn)，RBM模型隨著參數(shù)的更新達(dá)到平穩(wěn)狀態(tài)，說明對于樣本數(shù)據(jù)的重構(gòu)是成功的.訓(xùn)練網(wǎng)絡(luò)后用表1中工況③和④測試網(wǎng)絡(luò)，識(shí)別結(jié)果見表2.識(shí)別誤差δi[7]反映網(wǎng)絡(luò)對結(jié)構(gòu)損傷狀態(tài)的綜合辨識(shí)能力，計(jì)算方法如式(1).

(1)

式中，i為樣本編號(hào)；VRi為第i個(gè)樣本的網(wǎng)絡(luò)實(shí)際輸出向量；V1i為第i個(gè)樣本的網(wǎng)絡(luò)期望輸出向量；n為輸出向量的維數(shù)，這里n取5.

表2　DBN網(wǎng)絡(luò)各損傷工況的識(shí)別結(jié)果Tab.2　DBN networks damage identification results

建立基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)葉片損傷識(shí)別網(wǎng)絡(luò)，以相同的數(shù)據(jù)樣本訓(xùn)練網(wǎng)絡(luò)，用表1中的4種工況測試網(wǎng)絡(luò)，DBN網(wǎng)絡(luò)識(shí)別和BP神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果對比如表3所列.

表3　兩種識(shí)別方法比較Tab.3　Comparison of two identification methods

從表3可以看出，基于DBN的葉片損傷識(shí)別方法比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的識(shí)別方法識(shí)別精度更高，但是網(wǎng)絡(luò)訓(xùn)練消耗的時(shí)間較長.

3　試驗(yàn)驗(yàn)證

試驗(yàn)對象采用長度為1.5 m的玻璃鋼材料小型風(fēng)機(jī)葉片，主要的試驗(yàn)設(shè)備有CGJ-1-8595壓電式加速度傳感器、激勵(lì)錘、DH5937振動(dòng)測試系統(tǒng)、微型計(jì)算機(jī)等.在試驗(yàn)中，通過在葉片某處以開裂紋的方式模擬真實(shí)損傷[8]，并以不同裂紋深度模擬結(jié)構(gòu)的不同損傷程度.試驗(yàn)采用單點(diǎn)激勵(lì)、多點(diǎn)拾振的方法來獲取同一激勵(lì)下葉片各測點(diǎn)的加速度響應(yīng).建立試驗(yàn)平臺(tái)時(shí)，將葉片尾部固定，4個(gè)壓電加速度傳感器依次等距分布在葉片表面，每一個(gè)傳感器對應(yīng)一個(gè)通道.試驗(yàn)時(shí)通過力錘激勵(lì)使葉片產(chǎn)生振動(dòng)，傳感器采集結(jié)構(gòu)的動(dòng)態(tài)信息，數(shù)據(jù)分析后得出葉片在各個(gè)工況下自振頻率和振型，進(jìn)而可以得出需要的模態(tài)參數(shù).試驗(yàn)臺(tái)裝置如圖6所示.

圖6　風(fēng)機(jī)葉片結(jié)構(gòu)試驗(yàn)?zāi)Ｐ虵ig.6　Structure test model of wind turbine blade

在葉片無損情況下，測量葉片在瞬態(tài)激勵(lì)下的自由振動(dòng)響應(yīng)信號(hào)，并對振動(dòng)信號(hào)采用自互譜密度法[9]進(jìn)行分析，通道4與通道1～3之間的互功率譜疊加圖如圖7所示.

圖7　通道4與通道1～3互功率譜曲線圖Fig.7　Curve chart of amplitude of cross power spectrum

為獲得葉片結(jié)構(gòu)的真實(shí)頻率，需要根據(jù)互功率譜所對應(yīng)的相位與相干函數(shù)對粗選頻率進(jìn)行判斷，從而剔除毛刺等虛假模態(tài).完好葉片的各階固有頻率如表4所列.

表4　風(fēng)機(jī)葉片頻率測試結(jié)果Tab.4　Frequency test results of wind blade

由模態(tài)分析法可知，通過傳遞率在結(jié)構(gòu)固有頻率位置處的幅值可以得到振型的大小，該頻率處振型的方向可由互功率譜在對應(yīng)頻率位置的相位或傳遞率實(shí)部所對應(yīng)的符號(hào)來確定.在實(shí)際操作時(shí)，先歸一化處理各個(gè)傳感器所對應(yīng)的振型幅值，然后通過曲線擬合的方法便可獲得小型葉片整體結(jié)構(gòu)的振型擬合曲線.一般來說，分析葉片振動(dòng)時(shí)只需前兩階振型即可，圖8為葉片在完好狀態(tài)下第1階振型曲線擬合圖.

圖8　葉片第1階振型擬合曲線圖Fig.8　Fitting curve chart of the first of the blade

通過裂紋深度模擬葉片損傷程度，實(shí)驗(yàn)中模擬的裂紋深度(h/D，D為直徑，h為損傷深度，mm)即損傷工況分別為損傷30%和50%.分別利用DBN網(wǎng)絡(luò)和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)識(shí)別葉片損傷程度，識(shí)別結(jié)果如表5所列，可以看出DBN網(wǎng)絡(luò)對于風(fēng)機(jī)葉片結(jié)構(gòu)損傷程度的識(shí)別要優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò).

表5　風(fēng)機(jī)葉片損傷識(shí)別結(jié)果Tab.5　Damage identification results of wind blade

4　結(jié)論

本文針對風(fēng)機(jī)葉片結(jié)構(gòu)損傷識(shí)別過程中模態(tài)參數(shù)的不確定性以及虛假模態(tài)干擾等影響辨識(shí)準(zhǔn)確性的問題，提出了利用深度信念網(wǎng)絡(luò)抽取模態(tài)參數(shù)本質(zhì)特征，采用模態(tài)參數(shù)特征向量作為風(fēng)機(jī)葉片損傷檢測標(biāo)識(shí)量識(shí)別葉片結(jié)構(gòu)損傷的方法.ANSYS仿真及實(shí)驗(yàn)驗(yàn)證結(jié)果表明，采用深度信念網(wǎng)絡(luò)提取風(fēng)機(jī)葉片結(jié)構(gòu)模態(tài)參數(shù)，降低了噪聲等造成的模態(tài)參數(shù)辨識(shí)的不確定性，消除了虛假模態(tài)信息的干擾，識(shí)別效果比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有了明顯的提高，且該方法可以推廣到其他大型復(fù)雜結(jié)構(gòu).

[1]陶金,張雪,劉煜龍,等.我國風(fēng)力發(fā)電的現(xiàn)狀和前景探討[J].現(xiàn)代機(jī)械,2013(3):26-28

[2]徐金龍.風(fēng)機(jī)葉片疲勞損傷的DPP-BOTDA監(jiān)測與評(píng)價(jià)方法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2013

[3]孫兆偉.基于現(xiàn)代信號(hào)處理的結(jié)構(gòu)模態(tài)參數(shù)識(shí)別與損傷識(shí)別研究[D].北京：北京郵電大學(xué),2012

[4]曹暉,林秀萍.結(jié)構(gòu)損傷識(shí)別中噪聲的模擬[J].振動(dòng)與沖擊,2010,29(5):106-109

[5]馮立芳.小波和神經(jīng)網(wǎng)絡(luò)相結(jié)合的結(jié)構(gòu)損傷識(shí)別方法[D].杭州:浙江大學(xué),2006:49-59

[6]陳翠平.基于深度信念網(wǎng)絡(luò)的文本分類算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2015,24(2):121-126

[7]羅武,趙美英,萬小朋.基于模態(tài)應(yīng)變能比與神經(jīng)網(wǎng)絡(luò)的復(fù)合材料結(jié)構(gòu)損傷辨識(shí)[J].機(jī)械強(qiáng)度,2006,28(1):146-149

[8]李錄平,李芒芒,晉風(fēng)華,等.振動(dòng)檢測技術(shù)在風(fēng)力機(jī)葉片裂紋故障監(jiān)測中的應(yīng)用[J].熱能動(dòng)力工程,2013,28(2):23-27

[9]姜大正,洪明.運(yùn)行模態(tài)分析技術(shù)在船舶結(jié)構(gòu)振動(dòng)中的應(yīng)用[J].中國船艦研究,2010,6(5):22-26

(責(zé)任編輯胡文忠)

Structural damage identification of wind turbine blade based on deep belief networks

GU Gui-mei,ZHANG Xin

(College of Automation and Electrical Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China)

【Objective】 To solve the problem of the low identification accuracy of the wind turbine blade structure damage caused by the uncertainty of the modal parameter identification and spurious modes.【Method】 A method of taking deep belief nets was adopted to extract features of modal parameters as damage signature.Firstly,the structural vibration modal parameters of the wind turbine blade were gotten under the condition of ANSYS simulation and experiments.Then,the characteristic vector of modal parameters were extracted as the signature for damage detection and identify the damage of the wind turbine blade under different situation.A comparison was conducted with the traditional BP neural network approach.Finally,the validity of the method were verified under the foundation of experiments.【Result】 The damage identification method based on the deep belief nets was more accurate than the traditional BP neural network with longer training time.【Conclusion】 It can reduce the influence of noise and false mode information on damage identification results,and improve the accuracy of damage identification,taking deep belief nets to extract features of modal parameters as damage signature.

deep learning；RBM；DBNs；feature extraction；damage identification

顧桂梅(1970-)，女，副教授，碩士生導(dǎo)師，研究方向?yàn)橹悄苄畔⑻幚砼c故障診斷.E-mail:386509464@qq.com

甘肅省高等學(xué)?？蒲许?xiàng)目(42015274)；蘭州交通大學(xué)科技支撐基金(ZC2012008).

2016-05-25；

2016-06-18

TB 332

A

1003-4315(2016)04-0134-05