黃海

（國電電力發(fā)展股份有限公司 北京市 100101）

由于風(fēng)力發(fā)電機(jī)組安裝環(huán)境比較惡劣，因此其轉(zhuǎn)動系統(tǒng)故障問題也越來越多。風(fēng)電機(jī)組一旦發(fā)生故障，可能引起非計劃停機(jī)，導(dǎo)致重大的經(jīng)濟(jì)損失[1]。據(jù)報道，風(fēng)力發(fā)電機(jī)故障中40%～50%與軸承有關(guān)[2]。故障的及時準(zhǔn)確診斷對風(fēng)力發(fā)電機(jī)組的可靠安全運(yùn)行至關(guān)重要。

傳統(tǒng)的智能故障診斷方法主要分為特征提取和分類兩步[3]。在軸承故障診斷領(lǐng)域，常用的特征提取方法主要快速傅里葉變換（fast Fourier transform,FFT）、經(jīng)驗?zāi)B(tài)分解、主成分分析、小波變換等。而在故障分類方面常用的方法主要有支持向量機(jī)（support vector machine,SVM）、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)、貝葉斯分類器、多層感知（Multi-Layer Perceptron,MLP）、深度神經(jīng)網(wǎng)絡(luò)等。然而隨著機(jī)械健康監(jiān)測進(jìn)入“大數(shù)據(jù)時代”，上述方法已無法滿足工程中軸承故障診斷及時準(zhǔn)確的需求[4]。

近年來，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)在故障診斷領(lǐng)域取得了巨大的成果[5]。它擁有可以自動從信號和圖像中提取特征，取代傳統(tǒng)算法繁瑣的特征提取工程[6]。因此，相應(yīng)的一系列關(guān)于CNN 的軸承故障模型被提出。Zhang[7]等人提出了一種新的寬第一層核深度卷積神經(jīng)網(wǎng)絡(luò)（WDCNN）算法，但存在測試數(shù)據(jù)集過度擬合的問題。Jian[8]等人提出了一種將CNN 與D-S 證據(jù)理論相結(jié)合的一維融合神經(jīng)網(wǎng)絡(luò)(OFNN)，但該算法在實際應(yīng)用中效率有待提高。因此，本文針對上述問題，提出提出一種基于寬卷積核卷積神經(jīng)網(wǎng)絡(luò)（WKCNN）的故障診斷方法。

1 基本理論

1.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN 主要由輸入層，卷積層、池化層、全連接層和輸出層組成[9]，如圖1所示。

圖1：卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積層具有稀疏連接和參數(shù)共享兩種特性，多層卷積結(jié)構(gòu)的組合能夠自適應(yīng)提取信號的深層特征。公式如下：

在選擇激活函數(shù)上，針對傳統(tǒng)的Sigmoid 激活函數(shù)面臨深度網(wǎng)絡(luò)結(jié)構(gòu)容易梯度消失和訓(xùn)練時間過長的問題，本文采用了線性校正函數(shù)(ReLU)。公式如下：

池化層也是降采樣層，在卷積得到特征后，常采用均值池化和最大池化來減少輸入矩陣的參數(shù)，本文選擇使用最大池化函數(shù)來處理卷積運(yùn)算得到的特征映射結(jié)果來減少計算量。

全連接層中的每個神經(jīng)元經(jīng)過平滑擴(kuò)展后與代表上一層輸出特征向量的神經(jīng)元交叉連接，卷積計算后實現(xiàn)局部信息的分類。輸出層利用Softmax 函數(shù)輸出結(jié)果為：

2 寬卷積核卷積神經(jīng)網(wǎng)絡(luò)模型

2.1 數(shù)據(jù)增強(qiáng)

為了提高模型的深度神經(jīng)網(wǎng)絡(luò)泛化能力，本文采用重疊采樣的數(shù)據(jù)增強(qiáng)方式增加訓(xùn)練樣本，即從原始聲信號中采集樣本數(shù)據(jù)時，聲信號的每一段都與其偏移聲信號的下一段重疊，這就是數(shù)據(jù)增強(qiáng)的部分，如圖2所示。

圖2：通過重疊采樣進(jìn)行數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)后樣本總數(shù)計算公式為：

其中，n為數(shù)據(jù)采樣點(diǎn)個數(shù)，G為樣本組數(shù)，L為每個訓(xùn)練樣本的采集長度，w為移位，N為可得到的數(shù)據(jù)總數(shù)。

例如，我們可以假設(shè)n=1000，L=200，w=20。根據(jù)式（4）和式（5），共可得到40 組樣本，每組包含200個樣本點(diǎn)，8000 個樣本點(diǎn)，點(diǎn)數(shù)增加了8 倍。

通過數(shù)據(jù)增強(qiáng)后的樣本容量擴(kuò)大，防止由于數(shù)據(jù)不足造成模型泛化性能弱。因此，通過重疊采樣進(jìn)行數(shù)據(jù)增強(qiáng)，可以很好地滿足深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需求

2.2 寬卷積核

針對傳統(tǒng)基于特征提取和分類相結(jié)合的診斷方法診斷不及時且診斷準(zhǔn)確度不足的問題，本文提出了一種WKCNN 故障診斷方法，為了獲得更全面的數(shù)據(jù)特征，WKCNN 提出了寬卷積核的方法，拓寬卷積核的整體，使其盡可能覆蓋輸入信號的長度。利用寬卷積核的卷積運(yùn)算公式為：

2.3 批量歸一化

為了確保寬卷積核卷積神經(jīng)網(wǎng)絡(luò)在樣本訓(xùn)練早期具有良好的梯度，本文在CNN 結(jié)構(gòu)中的卷積層和池化層之間加入了批量歸一化層（batch normalization,BN），并用ReLU 進(jìn)行激活，如圖3所示。

圖3：加入批量歸一化層

BN 層首先求取mini-batch 內(nèi)樣本的均值和方差，可以保持隱藏層中聲信號特征值的方差、均值穩(wěn)定性，讓數(shù)值更穩(wěn)定，為后面風(fēng)力發(fā)電機(jī)軸承故障診斷提供堅實的基礎(chǔ)；然后使用他們對該批次的訓(xùn)練數(shù)據(jù)做歸一化；最后進(jìn)行尺度變換和偏移，且尺度變換和偏移量都是在樣本訓(xùn)練過程中網(wǎng)絡(luò)自己學(xué)習(xí)獲得的。

2.4 WKCNN故障診斷流程

WKCNN 故障診斷具體步驟如下：

（1）將采集的風(fēng)電機(jī)組軸承聲信號采用重疊采樣的數(shù)據(jù)增強(qiáng)方法進(jìn)行數(shù)據(jù)預(yù)處理，并分為測試集和訓(xùn)練集；

（2）將經(jīng)過預(yù)處理的訓(xùn)練集數(shù)據(jù)輸入到WKCNN模型中提取軸承聲信號特征，并進(jìn)行分類；

（3）將測試集數(shù)據(jù)輸入到WKCNN 訓(xùn)練好的網(wǎng)絡(luò)模型中診斷，得出風(fēng)電機(jī)組軸承診斷結(jié)果。

WKCNN 故障診斷流程圖4所示。

圖4：WKCNN 故障診斷流程圖

3 實驗研究

3.1 實驗基本信息

實驗測試采用的數(shù)據(jù)為天津某風(fēng)場采集的風(fēng)電機(jī)組發(fā)電機(jī)軸承數(shù)據(jù)，軸承型號為SKF6300，采樣頻率為12 kHz。軸承有三種故障類型，即滾動體故障、外圈故障和內(nèi)圈故障。每種狀態(tài)的故障標(biāo)簽如表1所示。

表1：故障標(biāo)簽表

本文所提WKCNN 算法結(jié)構(gòu)由一個輸入層、四個寬卷積層，四個池化層、一個全連接層、一個Softmax組成。在本實驗中，研究了WKCNN 在不同載荷下的精度。在模型訓(xùn)練過程中，訓(xùn)練數(shù)據(jù)集的數(shù)量為7000，測試數(shù)據(jù)集為1000，優(yōu)化器選用Adam，學(xué)習(xí)率為0.01，mini-batch 的大小為256，迭代次數(shù)為50，其網(wǎng)絡(luò)參數(shù)如表2所示。在該模型中，數(shù)據(jù)增強(qiáng)后的聲音信號經(jīng)過第一卷積層，然后進(jìn)入批量歸一化層，并用ReLU 激活，成為一組特征圖，然后通過最大池化進(jìn)行下采樣操作。隨著層數(shù)的增加，輸出信號的寬度減小。信號分類操作由全連接層完成。最后使用Softmax 函數(shù)輸出WKCNN模型對軸承的故障診斷結(jié)果。

表2：WKCNN 網(wǎng)絡(luò)參數(shù)

3.2 實驗結(jié)果及分析

為了驗證本文方法的及時性，本文將與傳統(tǒng)的故障診斷方法FFT-MLP、FFT-SVM 和WDCNN 進(jìn)行比較，每種方法迭代100次，所用時間如表3所示。由表顯示出，本文方法首先較FFT-SVM 方法故障診斷速率快55s，其次比FFT-MLP 方法快75s，這是由于傳統(tǒng)的FFT-MLP和FFT-SVM 方法需要繁雜的特征提取算法，因此需要浪費(fèi)大量時間，而本文所提方法可以自動提取特征。最后比WDCNN 快25s，充分驗證了本文所提方法故障診斷具有較高的及時性。

表3：各方法迭代時間

為了進(jìn)一步驗證WKCNN 方法的優(yōu)越性，各方法對風(fēng)力發(fā)電機(jī)軸承不同故障準(zhǔn)確率如圖5所示。

圖5：對比結(jié)果準(zhǔn)確率

從圖5 中可以看出，上述四種方法中，本文所提的WCKNN 模型的風(fēng)力發(fā)電機(jī)組軸承故障診斷準(zhǔn)確率最高達(dá)到98.2%，而FFT-MLP 和FFT-SVM 的力發(fā)電機(jī)組軸承故障診斷準(zhǔn)確率為80.3%和79.5%；WDCNN 故障識別準(zhǔn)確率為91.4%，這是由于與WDCNN 相比本文方法卷積層更寬，特征提取更全面。因此，采用本文所提的WKCNN 網(wǎng)絡(luò)模型在對風(fēng)電機(jī)組軸承進(jìn)行故障診斷，診斷效果均優(yōu)于其他三種方法。

4 結(jié)論

為了提高風(fēng)力發(fā)電機(jī)組軸承故障診斷的準(zhǔn)確性和效率，本文利用目前流行的深度學(xué)習(xí)技術(shù)，結(jié)合一維振動信號的特點(diǎn)，提出了WKCNN 模型。為了驗證WKCNN方法的優(yōu)越性，本文將WKCNN 與傳統(tǒng)方法進(jìn)行比較，主要結(jié)論如下：

（1）WCKNN 方法對風(fēng)力發(fā)電機(jī)軸承故障診斷速率快，與傳統(tǒng)方法相比，本文方法省去了特征提取的過程，因此，本文方法診斷速率更快。

（2）本文方法故障診斷準(zhǔn)確率高，與其他卷積神經(jīng)網(wǎng)絡(luò)相比，WKCNN 得到的聲音信號特征更具有全局性，可以更好地揭示風(fēng)力發(fā)電機(jī)組軸承樣本中保留的隱藏特征。