本发明涉及电力系统设备维护领域,尤其是涉及一种基于卷积编码器和闵式距离的行星齿轮箱故障检测方法。
背景技术:
电力系统设备的状态监测是电力系统中不可或缺的一部分。行星齿轮箱作为风力发电机重要的传动装置,它由太阳轮、行星轮、行星轮轴承、齿圈和行星架组成,可以在紧凑的空间中获得高的扭矩比。由于其复杂的振动传输路径、多齿的啮合效应、信号的非平稳性以及工作背景噪声大等原因,导致其故障诊断具有自身的特点和难点。齿轮箱的故障诊断通常基于两个方面:基于指标的故障诊断和基于数据驱动的故障诊断。
基于指标的故障诊断需要对研究对象进行物理建模,获取对象数据的时域和频域等指标,再通过对比分析各指标达到故障诊断的目的。但由于齿轮箱信号一般包含大量噪声,信号存在调制现象,利用指标来诊断故障存在准确度低、稳定性差等缺点。
随着网络和硬件技术发展,数据的获取和存储更为方便,基于数据驱动的故障诊断成为一个新的发展方向。和基于指标的方法不同,数据驱动方法无需进行物理建模,而是通过智能算法对获取的数据进行适当的处理和分析来提取数据特征,从而发现数据之间的规律。
智能学习算法包括监督学习和无监督学习。监督学习对数据敏感度高,并且需要大量的训练数据等缺点。无监督学习可以在无标签的情况下自动提取数据特征,算法适应性更强,已经成为模式识别领域新的研究热点。
在故障诊断技术中,如何有效的提取数据的代表性特征,对诊断的精度起到至关重要的作用。传统神经网络作为特征提取的重要算法,已经在故障诊断领域和电力系统检测领域得到广泛的研究和应用。但是传统的神经网络算法具有难以克服的缺点,如算法本身计算效率低,诊断精度难以达到要求,需要对原始数据进行预处理等。传统的智能算法属于监督学习算法,需要大量的人力去制作数据标签,不仅浪费人力物力,生成的模型适应范围也存在局限性。
技术实现要素:
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卷积编码器和闵式距离的行星齿轮箱故障检测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于卷积编码器和闵式距离的行星齿轮箱故障检测方法,该方法包括如下步骤:
(1)获取行星齿轮箱振动信号;
(2)将行星齿轮箱振动信号输入至预先训练的特征提取模型,所述的特征提取模型为一维卷积编码器;
(3)特征提取模型提取故障特征向量,求取故障特征向量与已知故障类别特征向量的闵式距离,根据闵式距离大小获取故障类型。
所述的一维卷积编码器包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、特征向量层和输出层,所述的输入层用于输入行星齿轮箱振动信号,所述的第一卷积层、第一池化层、第二卷积层和第二池化层依次进行卷积-下采样-卷积-下采样操作,所述的特征向量层将第二池化层的特征映射图首尾连接形成故障特征向量,所述的输出层将故障特征向量进行全连接并输出与输入层行星齿轮箱振动信号维数相同的类振动信号,所述的类振动信号无限趋近行星齿轮箱振动信号。
所述的第一卷积层和第二卷积层具体为:
设一维卷积神经网络中第l层为卷积层,则对应卷积层的计算公式为:
表示l层的第j个特征映射,表示l-1层的第i个特征映射,M表示l-1层特征映射的个数,表示l层可训练的卷积核,表示l层的偏置,*为卷积操作,f(·)为激活函数。
所述的第一池化层和第二池化层具体为:
设一维卷积神经网络中第l+1层为池化层,则对应池化层的计算公式为:
表示l+1层的第j个特征映射,表示l层的第j个特征映射,表示l+1层的偏置,down(·)为下采样函数,f(·)为激活函数。
输出层具体为:
yl+1=f(ul+1)=f(Wl+1xl+1+bl+1),
yl+1表示输出层输出的类振动信号,xl+1表示l+1层的特征映射,Wl+1表示输出层的权重,表示输出层的偏置,f(·)为激活函数。
步骤(3)特征提取模型提取故障特征向量具体为:行星齿轮箱振动信号输入至一维卷积编码器,提取一维卷积编码器特征向量层输出的故障特征向量。
步骤(3)闵式距离通过如下方式获得:
设故障特征向量为a(x11,x12,……,x1n),某一故障类型对应的已知故障类别特征向量为b(x21,x22,……,x2n),则故障特征向量与该已知故障类别特征向量的闵式距离为d12:
其中,p为闵可夫斯基指数。
步骤(3)根据闵式距离大小获取故障类型具体为:分别获得故障特征向量与多个已知故障类别特征向量的闵式距离,选取闵式距离最小值已知故障类别特征向量所对应故障类型作为行星齿轮箱的故障类型。
与现有技术相比,本发明具有如下优点:
(1)本发明采用一维卷积编码器实现故障特征向量的提取,进而结合闵式距离实现故障类型的诊断,卷积自动编码器是近年发展起来的一种高效无监督识别方法,它结合了卷积神经网络和自动编码器各自的优点,卷积算法的局部感知和权值共享特性提高了计算效率;自动编码使得算法训练过程无监督化,不需要大量的时间和人力去制作数据标签,无监督学习也在一定程度上减小了过拟合。
(2)本发明可以达到很高的诊断精确度,并且该方法能够适应实时性的需要,具有良好的实用价值。
附图说明
图1为本发明基于卷积编码器和闵式距离的行星齿轮箱故障检测方法的流程框图;
图2为本发明一维卷积编码器的结构示意图;
图3为本发明一维卷积编码器训练流程图;
图4为行星齿轮箱行星轮振动波形图;
图5为振动冲击波形;
图6为第一池化层作用下的特征向量图;
图7为均方误差随迭代次数的变化;
图8为行星齿轮箱平均故障特征向量图;
图9为不同闵可夫斯基指数p的训练精确;
图10为测试数据的故障特征向量图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1所示,一种基于卷积编码器和闵式距离的行星齿轮箱故障检测方法,该方法包括如下步骤:
(1)获取行星齿轮箱振动信号;
(2)将行星齿轮箱振动信号输入至预先训练的特征提取模型,特征提取模型为一维卷积编码器;
(3)特征提取模型提取故障特征向量,求取故障特征向量与已知故障类别特征向量的闵式距离,根据闵式距离大小获取故障类型。
如图2所示,一维卷积编码器包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、特征向量层和输出层,输入层用于输入行星齿轮箱振动信号,第一卷积层、第一池化层、第二卷积层和第二池化层依次进行卷积-下采样-卷积-下采样操作,特征向量层将第二池化层的特征映射图首尾连接形成故障特征向量,输出层将故障特征向量进行全连接并输出与输入层行星齿轮箱振动信号维数相同的类振动信号,类振动信号无限趋近行星齿轮箱振动信号。
第一卷积层和第二卷积层具体为:
设一维卷积神经网络中第l层为卷积层,则对应卷积层的计算公式为:
表示l层的第j个特征映射,表示l-1层的第i个特征映射,M表示l-1层特征映射的个数,表示l层可训练的卷积核,表示l层的偏置,*为卷积操作,f(·)为激活函数。
第一池化层和第二池化层具体为:
设一维卷积神经网络中第l+1层为池化层,则对应池化层的计算公式为:
表示l+1层的第j个特征映射,表示l层的第j个特征映射,表示l+1层的偏置,down(·)为下采样函数,f(·)为激活函数,激活函数采用ReLU激活函数,ReLU激活函数如下:
f(x)=max(0,x)。
输出层具体为:
yl+1=f(ul+1)=f(Wl+1xl+1+bl+1),
yl+1表示输出层输出的类振动信号,xl+1表示l+1层的特征映射,Wl+1表示输出层的权重,表示输出层的偏置,f(·)为激活函数。
上述此一维卷积编码器命名为CAE-c1(k1)-s1-c2(k2)-s2。其中,c1(k1)和c2(k2)分别表示第一个卷积层经过c1个尺寸为k1×1的卷积核处理得到,第二个卷积层经过c2个尺寸为k2×1的卷积核处理得到,s1和s2表示池化因子。一维卷积编码器每次卷积操作移动步数为1,池化采用平均池化操作。利用BP反向传播算法训练网络,训练流程图如图3所示。
步骤(3)特征提取模型提取故障特征向量具体为:行星齿轮箱振动信号输入至一维卷积编码器,提取一维卷积编码器特征向量层输出的故障特征向量。
步骤(3)闵式距离通过如下方式获得:
设故障特征向量为a(x11,x12,……,x1n),某一故障类型对应的已知故障类别特征向量为b(x21,x22,……,x2n),则故障特征向量与该已知故障类别特征向量的闵式距离为d12:
其中,p为闵可夫斯基指数。
步骤(3)根据闵式距离大小获取故障类型具体为:分别获得故障特征向量与多个已知故障类别特征向量的闵式距离,选取闵式距离最小值已知故障类别特征向量所对应故障类型作为行星齿轮箱的故障类型。
验证本方法有效性的数据来源于风机齿轮箱模拟平台。测试行星齿轮安装在变速箱齿轮箱内,加速度计安装在齿轮箱壳体上以测量振动信号。可以通过速度控制器来改变电动机转速,旋转频率可设定范围是0~60Hz。信号的采样频率为12kHz。故障行星齿轮故障包括磨损、点蚀、断齿故障。行星齿轮的健康状况包括:正常、磨损、点蚀以及断齿状况,当驱动电机转速为40Hz,采集的行星轮时域波形如图4所示。
设定电动机旋转频率为1800r/min,采样率为12000时,对不同健康状况分别采取数据。不同健康状况一级行星轮数据均采集100组数据,共包含400组数据样本。
①卷积自动编码器参数选取:
首选根据经验,选取c1值为4,c2值为8,s1值和s2值均为10。
当每个样本至少包含一个冲击信号,这段样本可以更有效的代表故障特征。当样本包含2400个数据点可以使每个样本至少包含一个冲击信号,故卷积自动编码器的输入尺度取2400×1。
如图5所示,是某一断齿信号的冲击信号放大图,观察可知一个冲击信号从冲击开始到冲击结束包含约20个数据点。在卷积核局部特征提取过程中,认为当卷积核完整的覆盖从冲击开始到冲击结束,可以有效的提取冲击特征,故选择k1值为21。经过第一层卷积和池化之后,得到该信号在第一池化层作用下的一组特征表达,其图形如图6所示,可见其一个冲击包含约10个数据点,k1值取9。故网络结构为CAE-4(21)-10-8(9)-10。
②卷积自动编码器的特征提取:
样本数据的安排如表1。随机选取50%的样本来训练网络,剩下的50%最为待检测的样本来测试网络的精确度。
表1样本安排
利用训练数据对卷积自动编码器进行训练。图7为迭代过程中均方误差的变化曲线,可以看出,当迭代次数到达1000次时,均方误差的变化趋于平缓,故可以认为此时网络趋于稳定,选取迭代次数为1000作为迭代停止条件。
由训练好的网络得到训练数据的特征向量的集合。由于实验数据存在噪声,提取的特征向量也同样含有噪声因素,噪声一般为很小的随机值,为了减小噪声的影响,以特征向量集合中的最大值为基础,保留最大的90%特征向量值,从而减少噪声的影响,突出每种健康状况的特征区别。
对正常情况、磨损故障、齿根有裂缝故障和断齿故障的特征向量集合分别取平均值,得到平均特征向量,如图8所示。可以看出它们之间的平均特征差异明显。说明利用平均向量可以有效地区分不同的故障类型,提取的平均特征向量可以作为判断健康类型的指标向量。
③闵可夫斯基指数的选取:
按照p=1~10,求取具有标签的训练样本特征向量和指标向量的闵式距离,得到不同p值下的训练精度变化如图9所示。当p值为4时,训练精度最高,故取p=4。
④健康诊断:
将一组测试数据作为输入得到该数据的故障特征向量图,如图10所示。从幅值和波形形状上来观测,该波形和齿根有裂缝的已知故障类别特征向量最为相似,该数据可能属于齿根有裂缝故障。
计算该特征向量和指标向量之间的闵式距离,得到其与正常、磨损、齿根有裂缝和断齿故障的指标向量的闵式距离分别为2.61、6.90、2.09、2.61。判断其为齿根有裂缝故障,经验证,该数据确实为齿根有裂缝故障数据。
将全部200组测试数据经过特征提取和闵式距离判断得到表3的分类情况。最终的分类准确度为96%。其中断齿故障50组数据中,有2组判断为正常,6组判断为齿根有裂缝故障,其原因可能在于断齿故障和齿根有裂缝故障均属于局部式故障。
操作中,计算机处理器为英特尔奔腾g2030,内存为2GB的DDR3内存。迭代1000次所需时间大约7分钟。若将1秒的振动数据输入训练好的网络,获得特征向量和闵式距离计算的总时间小于0.07秒。考虑到网络只需要训练一次,网络计算速度能够适应实时诊断的需要。
根据上述实施实例可以看出,本方法无需对振动数据进行预处理的情况下,振动信号样本训练网络,并可以达到很高的诊断精确度,并且该方法能够适应实时性的需要。具有良好的实用价值。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。