改進小波結(jié)合BP網(wǎng)絡的風力發(fā)電機故障診斷

郭東杰，王靈梅，郭紅龍，武衛(wèi)紅，韓西貴

（1.山西大學工程學院，太原030013；2.山西省電力科學研究院，太原030001）

風力發(fā)電作為一種綠色、環(huán)保能源，近年來迅猛發(fā)展。我國對風力資源的開發(fā)力度也越來越大。國家電網(wǎng)在2011年3月發(fā)布，到2015年將實現(xiàn)接入風電1億kW。但隨著大規(guī)模風電場的并網(wǎng)，風電場在運行中出現(xiàn)了越來越多的故障［1］；為保證風機的安全穩(wěn)定運行，減少非計劃停機次數(shù)，風力發(fā)電系統(tǒng)的故障診斷功能顯得越來越重要［2］。

風力發(fā)電系統(tǒng)長期工作在惡劣環(huán)境中，極易發(fā)生各種故障。發(fā)電機作為整個系統(tǒng)的核心部分，它的穩(wěn)定運行，直接影響到風力發(fā)電系統(tǒng)的性能和效率，因此開展對風力發(fā)電機故障診斷的研究，發(fā)現(xiàn)其早期故障及故障趨勢，對控制風電企業(yè)的維護成本、優(yōu)化維修策略具有重大意義。目前風力發(fā)電機的早期故障主要有定子匝間短路、轉(zhuǎn)子籠條斷裂、氣隙偏心、軸承磨損四種類型［3，14］。

振動信號分析法是目前故障診斷常用的方法，故障診斷系統(tǒng)的提供商一般希望采用打孔的連接方式來安裝傳感器，這就有可能影響機組的整體結(jié)構(gòu)；由于電流信號的采集是非接觸方式，發(fā)動機及其拖動設備（如齒輪箱）的故障，通過主傳動鏈可直接在定子電流中反映出來，減少了信號的傳遞路徑，增加了信號采集系統(tǒng)的穩(wěn)定性，提高整個機組故障診斷系統(tǒng)的可靠性［7，8，10，11］。因此，本研究采用發(fā)電機定子電流作為診斷信號。發(fā)電機早期故障的特征信號在定子電流中較弱，風場氣流不穩(wěn)定，使得風力發(fā)電機的定子電流及故障信號成為一個時變非平穩(wěn)信號，一般頻域分析法難以實現(xiàn)對混有故障信號的定子電流的處理［8，9］。單子帶重構(gòu)改進算法消除了小波變換算法的頻率混淆現(xiàn)象，時頻分辨能力優(yōu)于傳統(tǒng)的小波變換，適于非穩(wěn)態(tài)信號的研究［5］。人工神經(jīng)網(wǎng)絡具有自學習、自組織、自適應和極強的非線性映射能力，適于因果關(guān)系復雜的非確定性分類問題［4，6］。基于此，本文提出一種基于單子帶重構(gòu)改進算法結(jié)合BP神經(jīng)網(wǎng)絡進行風力發(fā)電機故障診斷的新方法。將定子電流信號進行單子帶重構(gòu)改進小波變換后的子帶信號作為特征域，提取故障特征，作為反向傳播網(wǎng)絡BP輸入，BP網(wǎng)絡根據(jù)訓練好的映射關(guān)系，導出相應輸入信號的故障類型。該方法大大提高了故障分類的準確度。

1 單子帶重構(gòu)改進算法

小波多分辨分析（Mallat）算法在時域和頻域內(nèi)都具有表征信號局部特征的能力，很適合分析信號的各種頻率成分。然而，由于Mallat中小波濾波器是非理想的，由Mallat得到的小波系數(shù)，低頻子帶中會含有鄰近的高頻子帶中部分分量；高頻子帶中也會含有鄰近低頻子帶中的部分分量。包含在低頻子帶中的高頻子帶分量和高頻子帶信號經(jīng)隔點采樣后，由于不滿組采樣定理將產(chǎn)生頻率混疊；同時，在小波重構(gòu)中的隔點插零，會產(chǎn)生真實頻率成分的映像，進一步加劇了頻率的混疊現(xiàn)象。用Mallat對復雜信號進行三層或四層分解重構(gòu)時，頻率混疊現(xiàn)象將明顯且嚴重。單子帶重構(gòu)改進算法是在Mallat基礎上發(fā)展并實現(xiàn)的，其基本思想是利用快速傅里葉變換FFT和快速傅里葉逆變換IFFT在Mallat分解和重構(gòu)中，將每一層子帶中多余的頻率分量去掉，這樣經(jīng)過改進的單子帶重構(gòu)信號中將不存在頻率混疊現(xiàn)象［5］。單子帶重構(gòu)算法和單子帶重構(gòu)改進算法如圖1和圖2所示。

圖1 單子帶重構(gòu)小波變換Fig.1 Single－band reconstruction wavelet transform

圖2 單子帶重構(gòu)改進小波變換Fig.2 Wavelet transform improved by single－band reconstruction

圖1和圖2中h、g、H、G分別表示與小波重構(gòu)濾波器h、g和小波分解濾波器H、G進行卷積；↓2表示隔點采樣，↑2表示隔點插零；Aj是第2j尺度上的近似部分（低頻子帶）的小波系數(shù)；Aj＋1和Dj＋1是第2j＋1尺度上的近似部分（低頻子帶）的小波系數(shù)和細節(jié)部分（高頻子帶）的小波系數(shù)，aj＋1和dj＋1分別是第2j＋1尺度上的低頻子帶和高頻子帶的重構(gòu)信號。比較圖1和圖2可知，單子帶重構(gòu)改進算法比單子帶重構(gòu)算法增加了3個算子CG、CH和ch。令x（n）表示2j尺度上的低頻子帶小波系數(shù)W＝e－j2π／Nj，則算子CH和ch的計算式為

式中，Nj表示小波變化第j層分解后數(shù)據(jù)長度；k＝ 0，1，…，Nj－1；n＝ 0，1，…，Nj－1；x～（n）是 算 子CH和ch的輸出。對于算子ch，等于原始信號的長度。算子CG的計算式為x～（n）是算子CG的輸出；其他符號的意義跟上式相同。事實上，在實際計算中，這些算子的實現(xiàn)可以利用FFT和IFFT進行。

為了驗證單子帶重構(gòu)改進算法在消除頻率混疊方面的效果，在Matlab中編寫m語言程序?qū)崿F(xiàn)該算法。利用例子對單子帶重構(gòu)算法和單子帶重構(gòu)改進算法做比較。仿真信號如式（5）所示。

信號y（t）中包含10Hz、85Hz、165Hz、235 Hz和450Hz等六個頻率成分，其中450Hz頻率成分為一瞬態(tài)信號，發(fā)生在0.25s至0.5s內(nèi)。分別用傳統(tǒng)的單子帶重構(gòu)小波變換和單子帶重構(gòu)改進小波變換，選用具有緊支集的Daubechies40（db4）小波進行分析。以1000Hz采樣頻率，采樣點數(shù)為2000個，將信號分解至3層并重構(gòu)；為顯示直觀，在小波分析圖中只顯示了0.5s的數(shù)據(jù)。各子帶的小波系數(shù)及其頻譜如圖3～5所示。

圖3 仿真信號時域波形Fig.3 Time－domain waveform of the simulated signal

圖4 單子帶重構(gòu)小波變換Fig.4 Single－band reconstruction wavelet transform

圖5 單子帶重構(gòu)改進小波變換Fig.5 Wavelet transform improved by single－band reconstruction

圖4是采用傳統(tǒng)的單子帶重構(gòu)算法分析后的小波系數(shù)及其頻譜圖，在其各個子帶的頻譜圖中不僅存在信號本身具有的頻率分量，而且由于頻率混疊現(xiàn)象，還存在信號本身并不具有的虛假頻率分量，以第一層分解的低頻子帶為例（ca1），理論上其頻譜值中應只存在10Hz，85Hz，165Hz，235Hz，而在ca1頻譜中，存在5Hz，42Hz，85Hz，118Hz，132Hz，165Hz，235Hz等頻率，且在第一層分解的高頻子帶（cd1）的頻譜圖中完全識別不出瞬態(tài)信號的存在。圖5是采用單子帶重構(gòu)改進算法分析后的小波系數(shù)及其頻譜圖，觀察圖5可發(fā)現(xiàn)，該方法消除了頻率混疊現(xiàn)象，在cd1頻譜中，450Hz的瞬態(tài)信號已清晰可見，且發(fā)生在0.25s時刻，各次頻率信號也被清晰的分配在各個子帶中。

2 特征信息的提取

以上分析可知，利用單子帶重構(gòu)改進小波變換，不僅能檢測到微弱瞬態(tài)信號的存在，而且還能確定瞬態(tài)信號的發(fā)生時間，這是常規(guī)頻譜分析不能實現(xiàn)的；同時單子帶重構(gòu)改進小波變換可把信號的頻帶分解，不產(chǎn)生頻率混疊現(xiàn)象，有利于從子帶信號中提取特征量而不產(chǎn)生混淆。經(jīng)小波變換后的小波系數(shù)，并行數(shù)量較多，將其作為神經(jīng)網(wǎng)絡輸入，會導致神經(jīng)網(wǎng)絡結(jié)構(gòu)龐大、計算緩慢，在工程應用上不現(xiàn)實。為有效提取發(fā)電機定子電流故障波形中的特征信息，本文選取小波分解后的各高頻子帶和最高層的低頻子帶作為特征域；計算各特征域的峰值系數(shù)C、脈沖系數(shù)I、裕度系數(shù)L、偏態(tài)系數(shù)P和峭度系數(shù)K為輸入特征量。計算公式如下：

3 系統(tǒng)模型建立

3.1 BP神經(jīng)網(wǎng)絡的模型

BP神經(jīng)網(wǎng)絡由輸入層、隱含層和輸出層組成。單隱含層的BP神經(jīng)網(wǎng)絡具備任意精度的函數(shù)逼近能力。應用中，選用具有一個隱含層的BP神經(jīng)網(wǎng)絡即可。具有單隱含層的BP神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖6。圖中設有m個輸入節(jié)點x1，x2，…，xm，l個輸出節(jié)點y1，y2，…，yl，網(wǎng)絡隱含層共有q個神經(jīng)元。

本文采用3層BP神經(jīng)網(wǎng)絡對故障進行最后定位，將定子電流信號進行四層單子帶重構(gòu)改進的小波分析，選取各層小波系數(shù)的高頻子帶及第四層小波系數(shù)的低頻子帶作為特征域（即ca4，cd1，cd2，cd3，cd4），對各特征域分別計算其特征量：峰值系數(shù)C、脈沖系數(shù)I、裕度系數(shù)L、偏態(tài)系數(shù)P和峭度系數(shù)K，作為BP輸入；因此，BP具有25個輸入節(jié)點，同時隱含層神經(jīng)元選用30個，輸出節(jié)點為3個；網(wǎng)絡隱含層和輸出層的神經(jīng)元函數(shù)都為Sigmoid函數(shù)，采用動量梯度下降反向傳播算法對網(wǎng)絡訓練，選取訓練精度為0.00001，最高訓練次數(shù)2000次。BP神經(jīng)網(wǎng)絡輸出的訓練目標如表1。

圖6 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig.6 Structure of BP Neural Network

表1 網(wǎng)絡輸出的訓練目標Tab.1 Training target of the network output

3.2 智能故障診斷系統(tǒng)模型

圖7 智能故障診斷系統(tǒng)Fig.7 Intelligent fault diagnosis system

至此，建立一個基于單子帶重構(gòu)改進算法和BP神經(jīng)網(wǎng)絡結(jié)合的風力發(fā)電機智能故障診斷模型。由定子電流傳感器采集的電流信號經(jīng)前置濾波放大后，輸入計算機，在Matlab中用單子帶重構(gòu)改進算法對時域信號分析，選取各小波系數(shù)的子信號帶中的高頻子帶和最高層的低頻子帶作為特征域，提取特征量，歸一化后將其作為BP輸入，同時在NN中加入自學習策略，使智能故障診斷系統(tǒng)在測試中不斷自我完善。首先利用訓練樣本訓練診斷模型，模型訓練好后，輸入測試數(shù)據(jù)，智能故障診斷系統(tǒng)將輸出相應的故障類型。系統(tǒng)框圖如圖7所示。

4 實驗結(jié)果分析

應用 Matlab／Simulink，搭建了1.5MW 雙饋風力發(fā)電系統(tǒng)的模型。模型的額定電壓為690V、額定風速為11m／s。為獲取故障數(shù)據(jù)，基于發(fā)電機的故障原理，通過修改模型中風力發(fā)電機參數(shù)模擬了定子匝間短路、轉(zhuǎn)子斷條、氣隙偏心三種常見故障。風速模擬采用線性濾波法［17］，當風速穩(wěn)定為12 m／s時，以1000Hz的采樣頻率，采樣時段2s，采集了40組風力發(fā)電機發(fā)生以上故障時的數(shù)據(jù)。采集的電流信號歸一化后如圖8所示。

選取25組數(shù)據(jù)為訓練樣本，剩余15組數(shù)據(jù)作為測試樣本。經(jīng)過多次訓練，BP網(wǎng)絡達到了訓練精度要求。用測試樣本對訓練好的網(wǎng)絡進行測試，均實現(xiàn)了對測試樣本的故障分類。其中兩組測試樣本的特征量如表2所示。觀察表2可發(fā)現(xiàn)，特征量的數(shù)值變化較大。為避免神經(jīng)網(wǎng)絡陷入局部最小值，加快網(wǎng)絡的收斂速度，在應用數(shù)據(jù)訓練神經(jīng)網(wǎng)絡之前，將特征量進行歸一化處理。表3是測試樣本的輸出結(jié)果，觀察表3，與表1的輸出目標對比可發(fā)現(xiàn)，該方法準確定位了發(fā)電機的四種狀態(tài)。

圖8 發(fā)電機定子電流Fig.8 Stator current of the generator

表2 測試樣本的特征量Tab.2 Feature quantities of the test samples

表3 測試樣本的網(wǎng)絡輸出Tab.3 Network output of the test samples

5 結(jié)語

故障診斷中，從原始信號中提取有效的特征信號至關(guān)重要。風力發(fā)電機早期故障中的特征信息在定子電流信號中是時變、非平穩(wěn)，極其微弱，用一般頻域分析法提取其有效特征較為困難［16］。利用單子帶重構(gòu)改進算法的小波變換對故障發(fā)電機定子電流進行頻帶分解，消除了傳統(tǒng)小波變換中使定子電流頻帶成分混疊的現(xiàn)象，有效提取出定子電流中的發(fā)電機故障信號；結(jié)合BP輸入輸出的非線性映射能力，完成對故障的分類和定位。實踐證明，本文提出的單子帶重構(gòu)改進算法結(jié)合BP神經(jīng)網(wǎng)絡，對風力發(fā)電機定子電流進行分析的故障診斷新方法，準確實現(xiàn)了對發(fā)電機故障的分類和定位。

［1］ 蔣東翔，洪良友，黃乾，等（Jiang Dongxiang，Hong Liangyou，Huang Qian，et al）.風力機狀態(tài)監(jiān)測與故障診斷技術(shù)研究（Condition monitoring and fault diagnostic techniques for wind turbine）［J］.電網(wǎng)與清潔能源（Power System and Clean Energy），2008，24（3）：40－44.

［2］ 莊哲民，殷國華，李芬蘭，等（Zhuang Zhemin，Yin Guohua，Li Fenlan，et al）.基于小波神經(jīng)網(wǎng)絡的風力發(fā)電機故障診斷（Fault diagnosis of wind power generation based on wavelet neural network）［J］.電工技術(shù)學報（Transactions of China Electrotechnical Society），2009，24（4）：224－228.

［3］ 張征平，陳艷峰.小波分析在高壓電機故障檢測中的應用［M］.北京：中國電力出版社，2009.

［4］ 馮定.神經(jīng)網(wǎng)絡專家系統(tǒng)［M］.北京：科學出版社，2006.

［5］ 楊建國.小波分析及其工程應用［M］.北京：機械工業(yè)出版社，2005.

［6］ 米江，紀國宜（Mi Jiang，Ji Guoyi）.改進的BP神經(jīng)網(wǎng)絡在風機故障診斷中的應用（Application of improved BP neural network in fault diagnosis of Fans）［J］.噪聲與振動控制（Noise and Vibration Control），2011，31（2）：94－98.

［7］ Amirat Y，Benbouzid M E H，Bensaker B，et al.Condition monitoring and fault diagnosis in wind energy conversion systems：a review［C］∥IEEE International Electric Machines and Drives Conference，Antalya，Turkey：2007.

［8］ 周昆鵬（Zhou Kunpeng）.直驅(qū)型同步風力發(fā)電機組故障診斷系統(tǒng)的研究和設計（Research and Design of Fault Diagnosis System for Direct－Driven Synchro－nous Wind Turbine）［D］.長沙：中南大學機電工程學院（Changsha：Mechanical ＆ Electrical Engineering College of Central South University），2010.

［9］ 藍會立，張認成（Lan Huili，Zhang Rencheng）.基于小波分析的故障電弧伴生弧聲特征提取（Study on the feature extraction of fault arc sound signal based on wavelet analysis）［J］.電力系統(tǒng)及其自動化學報（Proceedings of the CSU－EPSA），2008，20（4）：57－62.

［10］ Wilkinson M R，Spinato F，Tavner P J.Condition monitoring of generators ＆other subassemblies in wind turbine drive trains［C］∥IEEE Symposium on Diagnostics for Electric Machines，Power Electronics and Drives，Cracow，Poland：2007.

［11］Yang W，Tavner P J，Wilkinson M R.Condition monitoring and fault diagnosis of a wind turbine synchronous generator drive train［J］.IET Renewable Power Generation，2009，3（1）：1－11.

［12］ Tavner P J，Xiang J，Spinato F.Reliability analysis for wind turbines［J］.Wind Energy，2007，l0（1）：1－l8.

［13］Hameed Z，Hong Y S，Cho Y M，et al.Condition monitoring and fault detection of wind turbines and related algorithms：A review［J］.Renewable and Sustainable Energy Reviews，2009，13（1）：1－39.

［14］馬宏忠.電機狀態(tài)監(jiān)測與故障診斷［M］.北京：機械工業(yè)出版社，2007.

［15］ Wenxian Yang，Tavner P J，Wilkinson M.Wind turbine condition monitoring and fault Diagnosis using both mechanical and electrical signatures［C］∥IEEE International Conference on Advanced Intelligent Mechatronics，Xi＇an，China：2008.

［16］Tavner P J.Review of condition monitoring of rotating electrical machines［J］.IET Electric Power Applications，2008，2（4）：215－247.

［17］袁波，應惠清，徐佳煒（Yuan Bo，Ying Huiqing，Xu Jiawei）.基于線性濾波法的脈動風速模擬及其MATLAB程序的實現(xiàn)（Simulation of turbulent wind velocity based on linear filter method and MATLAB program realization）［J］.結(jié)構(gòu)工程師（Structural Engineers），2007，23（4）：55－61.