基于OS-ELM的風機關鍵機械部件故障診斷方法*

□ 占 健 □ 吳 斌 □ 王加祥 □ 余建波

1.上海電機學院 電氣學院 上海 201306

2.上海電機學院 商學院 上海 201306

3.同濟大學 機械與能源工程學院 上海 201804

基于OS-ELM的風機關鍵機械部件故障診斷方法*

□ 占 健1□ 吳 斌2□ 王加祥1□ 余建波3

1.上海電機學院 電氣學院 上海 201306

2.上海電機學院 商學院 上海 201306

3.同濟大學 機械與能源工程學院 上海 201804

針對傳統故障診斷中前饋神經網絡算法診斷效果不佳、泛化能力不強問題，提出了基于在線貫序極限學習機（OS-ELM）的風機關鍵機械部件故障診斷方法。該方法將測試得到的預測樣本加入訓練樣本，作為下一次的更新信息，建立在線貫序極限學習機診斷模型，從而最大限度提高故障診斷精度，分析了激活函數、隱層節點數目對診斷性能的影響，并同BP神經網絡、SVM以及ELM神經網絡進行對比。實驗表明，該方法在風機關鍵機械部件出現故障情況下，OS-ELM網絡能夠作出準確診斷且性能明顯優于BP神經網絡，與SVM、ELM故障分類準確率相當，但極大地提高了運算速度，便于工程應用。

風力發電機 在線貫序極限學習機 故障診斷

風機傳動系統是一個復雜的機械系統，作為風機的關鍵機械部分，主要由輪轂、主軸、主軸承、齒輪箱、制動器、聯軸器、發電機等部分組成，完成風能向機械能轉換的重任。風機往往所處工作環境惡劣，面對不斷變化的風速，風機需承受較大的沖擊和交變載荷，同時受氣溫變化、潮氣腐蝕等影響，傳動系統故障頻發，尤其在齒輪箱部分，保障整個系統長時間安全、可靠、穩定地運行是一個值得研究的課題。根據系統中各機械部件自身特點，在運行過程中對關鍵機械部件的正常退化狀態進行有效監測，通過獲取故障特征信息，掌握其運行規律，對出現的異常進行精確診斷，從而制定有效的控制策略，減少非計劃停機次數，降低機組維護成本，提高經濟效益。

隨著風電的持續發展，風機故障診斷也取得了諸多成果，文獻［1］根據韓國風電發展現實存在的限制，運用神經網絡和小波變換來保證故障診斷系統的可靠性。文獻［2］將小波神經網絡應用于風機齒輪箱故障診斷，精確地實現齒輪箱故障診斷。文獻［3］提出運用基于統計學習理論的支持向量機（SVM）故障診斷方法，利用其在小樣本數據上精確的擬合和分類能力，在僅有少量時域樣本的情況下訓練故障分類器，通過測試，證明該方法具有較好的分類能力。但是隨著機器學習方法的快速發展以及實際應用中對監控及診斷要求的提高，逐漸發現采用梯度下降算法調整權值的方法訓練出的前饋神經網絡具有學習速度慢、泛化性能差的問題；而SVM容易陷入局部最優解，往往需要借助遺傳算法、蟻群算法等進行參數優化，而不得不以犧牲計算速度為代價來獲得較高分類精度。文獻［4、5］中提出極限學習機（Extreme Learning Machine，ELM）作為一種單隱層前饋神經網絡（Single Hidden Layer Feedforward Neural Networks，SLFNs），其輸入權值以及偏差項只需隨機賦值，整個訓練過程中無需再調整，再通過一步計算確定輸出層權值。整個過程參數設置簡單，學習速度迅速，具備良好的全局尋優能力。

現結合風機傳動系統的關鍵機械部件齒輪及軸承故障特點，提出基于OS-ELM的風機關鍵部件的故障診斷模型并對其性能進行研究分析。首先選取合適的特征向量作為網絡輸入，通過OS-ELM建立故障診斷模型，驗證分析不同激活函數以及隱層節點數目對OS-ELM神經網絡診斷精度的影響。最后通過對比分析BP、SVM、ELM、OS-ELM網絡性能，驗證OS-ELM網絡的有效性。

▲圖1 典型單隱層前饋神經網絡結構圖

1 極限學習機

作為典型的單隱層前饋神經網絡，其網絡結構如圖1所示，網絡結構中包含位于最下層的輸入層、中間層的隱含層和最上層的輸出層，層與層各神經元之間全連接［6］。

隱含層與輸出層節點之間的連接權值β如下：

式中：βjk表示隱含層第j個神經元與輸出層第k個神經元之間的連接權值。

每個隱含層節點的閾值b為：

當具有N個訓練樣本的輸入矩陣X和對應輸出矩陣Y為：

隱含層神經節點的激活函數G（w，x，b），則由圖1可知，神經網絡輸出T為：

式中：wi=［wi1，wi2，...，win］；xj=［x1j，x2j，...，xnj］T。

上式經簡化可表示為：

式中：T′為矩陣T的轉置；H為神經網絡的隱含層輸出矩陣，如下所示：

Huang［4］證明了對于一個具有N個訓練樣本的輸入集合（xi，ti），其中 xi=［xi1，xi2，...，xin］T∈Rn，ti=［ti1，ti2，...，tim］T∈Rm，其隱含層節點數L與訓練樣本數N相等的前饋神經網絡，當其激活函數G：R→R滿足無限可微，那么對任意輸入權值wi∈Rn和節點閾值bi∈R，SLFN可以零誤差逼近訓練樣本，即：

式中：yj=［y1j，y2j，...，ymj］T，j=1，2，...，N為測試樣本的理論輸出。

然而，在實際訓練中，隱含層節點數L通常比訓練樣本數N小，故對于一個具有N個訓練樣本的輸入集合（xi，ti），其中xi=［xi1，xi2，...，xin］T∈Rn，ti=［ti1，ti2，...，tim］T∈Rm，當其激活函數G：R→R滿足無限可微，那么對任意輸入權值wi∈Rn和節點閾值bi∈R，總存在隱含層節點數L（L≤N）的前饋神經網絡以任意給定小誤差（ε＞0）來逼近訓練樣本，即：

因此當激活函數無限可微時，SLFN相關參數并不需要重復調整，輸入權值以及閾值只需要在訓練之初隨機設置，后續訓練過程中保持不變。隱含層輸出權值β通過最小二乘解來求解方程組。

得到最小二乘解：

其中H+為隱含層輸出矩陣H的Moore-Penrose廣義逆。

2 在線貫序極限學習機

傳統的前饋神經網絡通常都是批量離線學習模式，整個學習過程是靜止的。在旋轉機械故障診斷中采集到的故障數據是及時變化的信息流，當原始數據集更新數據后，如果再次連同歷史數據重新訓練網絡，無疑會在加大計算量的同時耗費大量學習時間。工業應用中往往只需要更新數據后的網絡而無需對歷史數據重新訓練，于是在SLFNs的基礎上，為實現在線神經網絡的快速診斷，本文采用在線貫序極限學習（Online Sequential Extreme Learning Machine，OS-ELM）方法訓練網絡［7，8］，其算法流程如下。

（2）在線學習階段。更新第（K+1）個數據集后，輸出權值更新為：

學習過程中，令K=K+1，返回至學習階段，不斷更新參數H和β，直至數據末端。初始階段，根據歷史數據集完成輸入權值和閾值初始隨機賦值；學習階段分批次或逐個更新數據，同時丟棄歷史數據，由更新數據計算新的輸出權值。

這種貫序學習的方法相比于其它神經網絡，無疑會提高運行速度。整個過程只需確定隱層節點的數目，而無需反復修正權值等參數。同時，OS-ELM不僅可用于增加隱層節點的神經網絡，還可用于RBF神經網絡，具有較好的泛化能力。

3 基于OS-ELM分類的風機關鍵機械部件故障診斷

（2）確定隱含層節點數目L以及激活函數G（w，x，b），并為輸入層連接權值w和閾值b隨機賦值，計算初始數據集輸出矩陣H0；

（3）通過上面的條件，訓練樣本集并保存訓練后的網絡模型；

（4）當獲得新的故障數據后，按批次將故障數據作為測試數據，進行故障模式識別，輸出故障類別；

（5）保存更新后的網絡參數，將測試的故障數據信息更新為訓練樣本信息，作為后續診斷的基礎。

4 實驗與分析

為驗證診斷模型的有效性，本文設計并搭建了風機傳動系統故障模擬實驗臺，模擬風速不斷變化的工況下，齒輪箱齒輪及端軸承故障，實驗臺如圖2所示。對齒輪正常、齒輪磨損、點蝕、斷齒、軸承內外圈、保持架、滾動體故障8種狀態下的振動信號進行模式識別。

表1 特征參量表

▲圖2 風力發電機旋轉機械故障模擬試驗臺

實驗過程中，每種狀態采樣頻率均設為20 000 Hz，采樣時間為2 min，分析過程中將數據樣本分為240序列，每個序列包含8 192個數據點，以保證信息的完整性。對每個序列提取6個特征參量［9］，見表1。其中，fr與fm分別為部件旋轉頻率和嚙合頻率，β為信號峭度，X（f）為信號頻譜幅值。

通過故障特征提取，計算出正常、齒輪磨損、點蝕、斷齒、軸承內外圈、保持架、滾動體故障，分別對應輸出為0、1、2、3、4、5、6、7八種狀態的特征參數進行模式分類，每種狀態取120個訓練樣本，共計960個訓練樣本。同時按照3∶1的比例，每種狀態取40個測試樣本，共計320個測試樣本。訓練和測試均在2.2 GHz的CPU和1 GHz RAM配置環境下進行。

▲圖3 不同激活函數對分類準確率的影響分析

▲圖4 網絡學習時間隨隱層節點數目的變化

▲圖5 網絡分類準確率隨隱層節點數目的變化

4.1 建立極限學習機故障診斷模型

（1）激活函數對網絡性能的影響分析。為建立在線貫序極限學習機故障診斷模型，首先必須確定最優激活函數，驗證不同激活函數對網絡性能的影響。ELM網絡參數的選取相對簡單，只需要選擇隱層節點和激活函數，本文選擇sigmoid、sine、rbf、hardlim4種函數在隱層節點逐步增加的情況下進行比較。選擇初始隱層節點數為3，以1為周期增加隱層節點個數，直到與訓練樣本相同。網絡性能隨隱層節點的變化如圖3所示。從圖中看出激活函數采用sigmoid函數時，網絡分類準確率最高且相對平穩；sin函數同樣具有較好的穩定性，但是分類準確率相比sigmoid函數稍低；rbf函數在準確率和穩定性兩方面均不及sigmoid函數和sin函數；hardlim函數同其它三種函數相比在穩定性和準確率兩方面表現誤差較大，故在OS-ELM網絡中采用性能最優的sigmoid函數作為激活函數。

（2）隱層節點對網絡學習時間和分類準確率的影響分析。同樣選擇初始節點數為10，以1為周期增加隱層節點個數，直到與訓練樣本相同，網絡學習時間和分類準確率隨隱層節點數目變化曲線如圖4、圖5所示。

由圖4可知，網絡時間主要消耗在訓練樣本階段，一旦模型確立，測試階段所需時間較短。圖5中，總體趨勢上準確率隨著節點數的增加而增加，且到一定程度時趨于穩定。其原因是對含有噪聲的故障數據未能有效徹底降噪，且ELM算法僅考慮最小經驗風險，測試分類準確率受到部分遠離集群點的影響而不能進一步提高。

4.2 在線貫序極限學習機故障診斷模型建立

OS-ELM是在ELM基礎上的改進，引進時間概念，通過不斷更新網絡輸出權值及閾值，對連續出現的故障數據進行分類。除引進時間概念外，其在參數選擇等方面與ELM相同。網絡中選擇sigmoid函數作為激活函數，設定初始訓練樣本數為60，通過隨機賦值給輸入連接權值及閾值，并確定輸出權值及閾值，以初始化網絡診斷模型。設定實時更新數據段數目為50，以此模擬連續變化的故障信息流達到訓練OS-ELM的目的。960組訓練樣本即可模擬18次故障數據更新，相應的初始模型相關參數更新了18次。

4.3 風機關鍵部件故障分類診斷

為進一步驗證診斷模型的有效性，利用現有故障類別的320組樣本進行測試。同時為體現OS-ELM網絡性能，結合BP神經網絡、支持向量機（SVM）以及ELM進行對比分析。其中BP神經網絡采用6-8-8結構，慣性系數η=0.2，學習速率α=0.01。SVM中核函數采用徑向基函數，通過交叉驗證得到最優參數，懲罰因子c=26，核函數參數g=0.3。4種分類器性能對比見表2和表3。

表2 4種分類器準確率對比

表3 4種分類器時間消耗對比

由表2可知，OS-ELM分類準確率與ELM、SVM基本相當，遠遠高于BP神經網絡，說明該算法在旋轉機械故障診斷中的可用性。另一方面，通過表3對比可知，OS-ELM時間消耗遠小于其它3種分類器，分類效率高于其余三者。ELM總體消耗時間是OS-ELM的2倍左右，相比SVM總體運行速度提高了約67%。綜合評價采用OS-ELM算法訓練連續的故障信息流，由輸出權值β和輸出矩陣H儲存學習后得到的網絡參數。當采集得到新的故障信息或故障信息存儲在其它終端，只需將最近更新得到的β和H移植過去即可，而無需對歷史數據再次進行訓練學習。整個學習過程中無需儲存歷史數據，相反可以及時更新最新的故障信息，提高了網絡對故障的辨識能力。

5 實驗結論

針對故障樣本少、種類多、故障數據不斷變化的信息流問題，提出建立在線貫序極限學習機故障分類模型。在激活函數確定的情況下，只需確定隱層節點數，過程中無需調整連接權值、閾值等參數。網絡訓練完畢后，可通過更新參數H、β，對新故障數據進行辨識，有效提高分類準確率及泛化能力。驗證了sigmoid、sine作為激活函數的適用性，網絡訓練時間與隱層節點數之間的正比例關系，通過對比分析驗證了OS-ELM診斷模型性能明顯優于BP神經網絡，與SVM的診斷精度相當，但是運行速度得到了提高，具有實際應用意義。

［1］Ming-Shou，Sang-June，Hye-Youn.Implementation of AutomaticFailure DiagnosisforWind Turbine Monitoring System Based on Neural Network［C］.7th FTRA International Conference on Multimedia and Ubiquitous Engineering，Daegu，Korea，2013：1181-1188.

［2］Huang Qin，Liangyou Ding.Application of Wavelet Neural Networks on Vibration Fault Diagnosis for Wind Turbine Gearbox ［C］.Lecture Notes in Computer Science，5th International Symposium on Neural Networks，Beijing，China，2008.

［3］張周鎖，李凌均，何正嘉.基于支持向量機的機械故障診斷方法研究［J］.西安交通大學學報，2002，36（12）：1303-1306.

［4］Huang G B，Zhu Q Y.Extreme Learning Machine：Theory and Applications［J］.Neuroputing，2006，70（1）：489-451.

［5］Guang-Bin Huang，Hongming Zhou，Xiaojian Ding，et al. ExtremelearningMachine for Regression and Multiclass Classification ［J］.IEEE Transactions on Systems，Man，and Cybernetics Part B：2012，42（2）：513-528.

［6］苑津莎，張利偉，王瑜，等.基于極限學習機的變壓器故障診斷方法研究［J］.電測與儀表，2013，50（12）：21-26.

［7］Rong H J，Huang G B，Sundararajan N.Online Sequential Fuzzy Extreme Learning Machine for Functionapproximation and Classification Problems［J］.IEEE Transactions on Systems，Man and Cybernetics PartB，2009，39（4）：1067-1072.

［8］楊易旻.基于極限學習的系統辨識方法及應用研究［D］.長沙：湖南大學，2013：19-22.

［9］張青.風力發電機齒輪箱振動監測與故障診斷系統研究［D］.上海：華東理工大學，2013.

（編輯 功 成）

濰柴自主研發成功燃氣ECU

2014年，濰柴燃氣發動機產銷兩旺，占據很大的市場份額。但是，發動機中利潤豐厚的子系統電控ECU，則完全依賴于國外進口。為此，濰柴發動機技術研究院電控技術部耗時一年時間，成功研發出一款自主燃氣ECU。

目前，這款智慧產品正處于客戶配套驗證階段，待批量投產后，將打破濰柴燃氣ECU長期處于國外壟斷的局面，為燃氣車輛安裝一顆奔騰澎湃的“中國芯”。

2015年1月26日，一輛配裝濰柴燃氣發動機的陜西重卡在-26℃的極限環境下冷啟動一次成功。據試驗人員反饋，參與此次試驗的重卡車輛其發動機上安裝了濰柴自主研發的燃氣ECU，通過近半月的高寒挑戰，發動機各項性能指標均達到設計要求，某些數據甚至優于配裝國外燃氣ECU的發動機。

2015年，濰柴將加大研發力度，按流程做好自主ECU的開發和驗證工作，同時做好自主系統集成的技術準備，逐漸實現自主ECU的替換配套。

（張瀟卓）

TH165.3

A

1000-4998（2015）04-0066-05

*國家自然科學基金資助項目（編號：51375290）

教育部人文社會科學研究青年基金項目（編號：10YJC630274）

2014年9月