基于小波神经网络的风机齿轮箱故障趋势预测方法与流程

本发明属于风力发电机组故障趋势预测领域，具体涉及一种基于小波神经网络的风机齿轮箱故障趋势预测方法。

背景技术：

风力发电机组是风电厂的重要设备，齿轮箱作为风机的关重零部件，其故障往往导致长时间停机，造成严重经济损失，开展风机齿轮箱的故障诊断可以提高风机运行可靠性、降低运维费用，为风力发电机组的智能健康管理提供了可行性。目前国内对风力发电机齿轮箱的故障趋势预测的研究还处于单信号处理阶段，为了提高风力发电机运行的安全可靠性，减少安全事故，开展风机齿轮箱故障预报工作势在必行。现有的处理方法主要是利用振动传感器采集风机的振动信号，然后利用传统的信号处理方法(如傅里叶变换)进行信号的时域、频域等分析，最后进行故障趋势预测。近年来，随着大数据理论的发展，深度挖掘数据中蕴含的大量信息，运用人工智能进行风电机组故障趋势预测成为新的研究方向。

随着人工智能技术的发展，故障预测的方法越来越多，预测精度越来越高。但每一种方法均有其优缺点，小波神经网络(waveletneuralnetwork，wnn)是小波理论与神经网络相结合的产物，从形式结构上看，可以把它分为松散型和融合型两类，松散型：利用小波分析对神经网络的输入进行初步处理，使得输入神经网络的信息更易于网络处理，再利用常规神经网络完成分类和函数逼近等功能。融合型：将小波与神经网络直接融合，其基本思想是用小波元代替神经元，输入层到隐含层的权值及隐含层阈值分别由小波函数的尺度与平移参数代替。

小波神经网络相比于普通神经网络，它有明显的优点：首先小波神经网络的基元和整个结构是依据小波分析理论确定的，可以避免bp神经网络等结构设计上的盲目性；其次小波神经网络有更强的学习能力，精度更高，因为小波理论是全尺度分析，不仅有全局最优解，还保持局部细节最优解；最后小波神经网络通过尺度和平移对信号进行多尺度分析，能有效提取信号的局部信息。总的而言，对同样的学习任务，小波神经网络结构更简单，收敛速度更快。

在风机上，常用的大数据采集系统主要有cms(conditionmonitoringsystems)系统和scada系统(supervisorycontrolanddataacquisition)，因此多数的研究均围绕这两个系统中的数据信号来展开，充分挖掘其中蕴含的信息。

技术实现要素：

针对现有技术存在的问题，本发明所要解决的技术问题就是提供一种基于小波神经网络的风机齿轮箱故障趋势预测方法，它能对风力发电机运行状态的实时监测，并实现对风机齿轮箱故障趋势进行预测，对其故障进行诊断和维护，提高预知维修能力和降低运维费用。

本发明所解决的技术问题可以采用以下技术方案来实现，基于小波神经网络的风机齿轮箱故障趋势预测方法，包括如下步骤：

步骤1、数据采集：深度挖掘scada和cms系统中蕴含的大量信息，包括齿轮箱温度信号，振动信号，发电机电信号；

步骤2、信号数据预处理：包括剔除信号数据的奇异点、数据归一化处理以及将输入信号进行相似化处理；

步骤3、确定神经网络的结构参数：结构参数有隐含层节点数、显示中间结果的周期、最大迭代次数、学习因子、动量因子和误差阈值；

步骤4、确定小波神经网络的训练参数并初始化：训练参数有小波的尺度因子ai，平移因子bi，输出层节点k与隐含层节点i之间的权值wki和输出初始值y0；

步骤5、将步骤2所得的输入信号样本分为训练集和测试集，输入信号样本中既要包含风机正常运行时候的数据又要包含风机各种故障时候的数据；

步骤6、构建小波神经网络模型：使用步骤3所得的结构参数和步骤4所得的训练参数进行网络训练，获得小波神经网络模型；

步骤7、小波神经网络优化，测试小波神经网络模型：将网络的输出值与理想输出进行比较，得到误差，利用最小均方误差函数更新模型，直到误差满足要求，得出最优小波神经网络模型，并用测试集的数据对网络进行测试，检验网络的性能；

步骤8、输出故障趋势预测结果：将结果送入预测系统中进行分析，得到最终的预测结果呈现在人机交互界面中。

本发明在深度挖掘企业信息系统的数据基础上，结合大数据理论、小波理论、人工智能技术等工具，基于多信息融合理论，利用小波神经网络来对发电机组齿轮箱的故障趋势进行预测，显著提高了预测结果的准确率，表现了大数据理论和人工智能在风机故障趋势预测上的优越性。

与现有技术相比，本发明具有如下技术效果：

1、本发明对相关性强的数据进行了归一化处理，大大加快了神经网络收敛的速度。

2、充分利用系统中的正常工况和故障工况数据对小波神经网络进行训练，得到了最优的模型，然后再次利用数据对模型进行检验，确保了模型的准确性。

3、小波神经元的良好局部特性和多分辨学习实现了与信号的良好匹配，使得小波神经网络有更快的收敛速度、更强的自学习和自适应能力以及更高的预报精度。

4、通过融合多维信号(振动、温度和电信号)，进一步提高了风机齿轮箱故障趋势预测的准确率，为风力发电机组的智能健康管理提供了可行性。

附图说明

本发明的附图说明如下：

图1为本方法发明的流程图；

图2为本发明中的小波神经网络拓扑结构图；

图3为本发明中的小波神经网络优化和测试流程图。

具体实施方式

下面结合附图对本发明作进一步说明：

目前大型风场中都安装有cms(状态监视系统)和scada(数据采集与监视控制系统)这两个系统，cms系统采集的是风机的振动信号，采样频率要高一些，scada系统能够采集多种类型的信号，包括振动，温度，电等，但采样频率要低一些，这些信息系统采集的数据都蕴含有大量的信息，根据需要对这些数据能够进行相应的预处理。

如图1所示，本发明包括以下步骤：

步骤1、数据采集：深度挖掘scada和cms系统中蕴含的大量信息，包括齿轮箱温度信号，振动信号，发电机电信号。

振动信号是采用齿轮箱高速轴振动加速度(m/s²)、温度信号采用齿轮箱进出口油温差(℃)、电信号采用发电机输出电流(a)，由于温度为缓变信号，输入数据取5分钟的平均值，即输入信号x＝[x振动x温度x电]′。

步骤2、信号数据预处理：包括剔除信号数据的奇异点、数据归一化处理以及将输入信号进行相似化处理。

奇异点就是突然出现的比前一时刻和后一时刻信号大或小很多的信号，由于风机的运行环境比较恶劣，其传感器可能因为外界的干扰或者某个传感器失效，那么这个传感器所测得的数据可能就会是错误的，必须将它测得的数据剔除，否则会严重影响最终的结果。剔出奇异点的原则：计算采集数据的标准偏差σ，再按照统计概率理论将偏差大于3σ的数据剔除。

输入量具有不同的物理意义和不同的量纲，归一化后的数据都在[0，1]之间变化，从而使网络训练中各输入分量有同等重要的地位。同时输出层小波函数选用sigmoid函数，该函数输出在0～1之间，因此必须对数据归一化处理才能用于预测问题。数据归一化处理的公式如下：

式中：为数据归一化后的值，xj为输入第j个数据，xmax和xmin分别为样本数据的最大值和最小值。

相似化处理即是在输入相同而输出偏差很小时，将输出数据调整为相同，这样做的目的是为了加快运算的收敛速度。

步骤3、确定神经网络的结构参数：结构参数有隐含层节点数、显示中间结果的周期、最大迭代次数、学习因子、动量因子和误差阈值；

隐含层节点数的确定公式：

式中：m是隐含层节点数，n是输入层节点数，l是输出层节点数，β是1-10之间的常数。

显示中间结果的周期、最大迭代次数、学习因子、动量因子等参数的确定是根据网络的训练效果来确定的。比如学习因子的确定，一般倾向于选取较小的学习因子以保持系统稳定，通过观察误差下降曲线来判断，下降较快说明学习因子比较合适，若有较大振荡则说明学习因子偏大。

误差阈值根据工程实际精度要求选取。

步骤4、确定小波神经网络的训练参数并初始化：训练参数有小波的尺度因子ai，平移因子bi，输出层节点k与隐层节点i之间的权值wki和输出初始值y0；

上述的小波神经网络参数初始化为：

步骤41、尺度因子ai的确定：一个母波函数的窗口中心和窗口宽度是固定的，设隐含层第i个节点的小母波函数的窗口中心为t0i，窗口宽度为δt0i，有m个输入，每段小区间为则小区间长度为：其中，xjmax为输入层第j个节点的输入样本中最大值，xjmin为最小值，则：

步骤42、平移因子bi初始值的求取：将窗口中心t0i对应于小区间中心则：

步骤43、输出层节点k与隐层节点i之间的权值wki的确定：采取在[-1，1]区间上均匀分布的随机数作为权值的初始值。

步骤44、输出初始值y0的确定：将样本输出的平均值作为y0的初始值。

步骤5、将步骤2所得的输入信号样本分为训练集和测试集，输入信号样本中既要包含风机正常运行时候的数据又要包含风机各种故障时候的数据；

步骤6、构建小波神经网络模型：使用步骤3所得的结构参数和步骤4所得的训练参数进行网络训练，获得小波神经网络模型；

小波神经网络是小波理论与神经网络相结合的产物，目前应用比较广的形式是将小波分解与神经网络相融合，其基本思想是将常规单隐含层神经网络的节点函数用小波函数代替，相应的输入层到隐含层的权值及隐含层阈值分别由小波函数的尺度与平移参数代替。

小波神经网络的拓扑结构如图2所示，小波神经网络一共有3层，分别是输入层、隐含层和输出层，j为输入层节点数的序号，i为隐含层节点数的序号，k为输出层节点数的序号，输入层一共有n个节点，隐含层一共有m个节点，输出层一共有l个节点，x表示输入数据，即输入信号x＝[x振动x温度x电]′，y表示输出的结果，齿轮箱常见的故障有：风机齿轮故障，轴承故障，轴故障，正常，4种故障域，输出层对应有4个节点，每一个节点输出分别对应一种故障模式，故障对应输出为1，正常对应输出为0，(如输入的是齿轮发生故障时候的齿轮箱高速轴振动加速度、齿轮箱进出口油温差、发电机输出电流为输入样本，则对应理想输出即为：y＝[1,0,0,0]′)，wki表示输出层节点k与隐含层节点i之间的权值，p为样本分组号，p0为训练样本组总数，表示小波神经网络第p组样本第j个输入量，表示小波神经网络第p组样本第k个输出层节点的输出。

σ(uk)为sigmoid激活函数(sigmoid激活函数表达式：)，小波基采用morlet小波，其母波表达式为：

h(c)＝cos(1.75c)exp(-c²/2)

令则h(c′j)即为尺度、平移参数可变的分析小波。

小波神经网络各层处理过程如下：

设输入层第j个输入数据为xj，隐含层第i个节点输出分别是输出层第k个节点的输入、输出分别是和则有：

步骤61、隐含层：式中：表示第p组样本第j个输入量，表示输入层第j个节点和隐含层第i个节点的权函数；

步骤62、输出层：

式中，σ[]为sigmoid激活函数。

步骤7、小波神经网络优化，测试小波神经网络模型；

将网络的输出值与理想输出(理想输出为训练集的预定结果)进行比较，得到误差，利用最小均方误差函数更新模型，直到误差满足要求，得出最优小波神经网络模型，并用测试集的数据对网络进行测试，检验网络的性能。

如图3所示，小波神经网络优化和测试包括以下步骤：

步骤71、给小波神经网络提供多组输入样本和对应的理想输出

步骤72、输入初始化的训练参数；

步骤73、确定网络输出误差阈值ε和学习次数上限q；

步骤74、得到网络实际输出

步骤75、将上述网络的实际输出与理想输出进行对比，利用最小均方误差函数优化误差e

式中：p0为训练样本组总数，l为输出节点数。

通过基于trainscg量化共轭梯度方法，实现均方误差函数最小化，进行网络的训练以求取尺度因子ai、平移因子bi和权值wki的修正量。

步骤76、判断误差是否小于误差阈值ε，如果是则执行步骤79，否则执行步骤77；

步骤77、网络学习次数z是否达到学习次数上限q，如果是，则执行步骤711，学习结束(网络训练失败)；否则执行步骤78；

步骤78、网络未达到学习次数上限q，则进行网络训练参数修正，训练参数ai、bi、wki的梯度表达式如下：

式中，

由于sigmoid函数则

将表达式和sigmoid函数的导函数代入3个训练参数的梯度函数表达式，即可得到相应参数的梯度值。

在最小化误差的过程中，为使各层加快收敛和防止振荡，一般要保证权值的变化比较平稳，根据bp神经网络的训练经验，在此引入适当的学习因子η和动量因子α；则小波神经网络各训练参数的更新方法如下：

式中：d为迭代次数，δwki(d)，δai(d)和δbi(d)分别为对应参数第d次与第d-1次迭代权值变化量；ηw(d)、ηa(d)、ηb(d)分别是连接权值、尺度因子、平移因子第d次迭代的学习因子。

然后，执行步骤74；

步骤79、误差小于误差阈值，得到最优小波神经网络模型；

步骤710、用测试集数据检验网络的性能；

步骤711，学习结束，网络训练失败。

步骤8、输出故障趋势预测结果；

将结果送入预测系统中进行分析，得到最终的预测结果呈现在人机交互界面中。该步骤具体运行过程是：将故障预测结果送入信息库保存，并输送至推理机，所述推理机对信息库中的预测结果进行分析，匹配知识库中的信息，得到相应的故障原因及趋势。将所述故障原因及趋势输出至解释器中，得到相应的解释并呈现在人机交互界面中，用户可以得到相应的推理过程。