一種基于時域卷積網絡的風機齒輪箱油溫預測模型

唐 昊

（沈陽工業大學 機械工程學院，沈陽 110870）

風能作為最受歡迎的可再生能源之一，受到了各國政府的廣泛關注。為了保證電力系統的安全運行，風力機的早期故障檢測非常重要。齒輪箱是風力機易發生故障的核心部件[1]。潤滑系統是齒輪箱的重要系統之一，具有傳遞負載、散熱和減摩等功能。潤滑油油溫如果過高，會導致齒輪發生磨損、變形和點蝕等故障[2]。如果能準確地預測出油溫的變化趨勢，就能及時消除齒輪箱的潛在隱患，降低維護成本。因此，構建一個高精度的潤滑油溫度預測模型意義重大。為了實現高精度的預測，學者們提出了多種主流的預測方法，其中最著名的是機器學習方法。

與傳統的基于統計的預測模型不同，機器學習模型能分析數據之間的非線性關聯，并有效處理變化復雜的油溫數據。深度學習模型是目前最主流的機器學習算法。文獻[3]提出了基于遞歸神 經網絡（Recursive Neural Network，RNN）的齒輪箱的狀態預測模型，并證明了該模型性能優秀。盡管RNN方法擁有優秀的時序建模能力，但是有學者發現，CNN在典型的序列建模任務上優于RNN，因此時域卷積網絡得到了學術界的廣泛關注。Deng等人[4]首次提出了TCN神經網絡，并將其成功應用于預測股票時間序列。實驗表明，該神經網絡優于傳統RNN網絡的性能。此外，TCN擁有訓練內存低、梯度變化穩定等優勢，因此現采用TCN作為主要的預測器來預測油溫。

基于風機數據采集與監視控制系統（Supervisory Control And Data Acquisition，SCADA）所采集的數據，利用時間序列預測的基本原理，運用TCN神經網絡作為主要的預測器，提出了一種風機齒輪箱油溫預測模型，用于實現對風機狀態的長期預警與監控。

1 時間序列預測

時間序列預測的核心是通過研究某一時刻點的數據與其歷史數據的非線性關聯，總結出波動規律特性，并預測未來若干時刻點的數據。該研究采用的核心技術是預測油溫時間序列。該研究需要將原始的一維油溫時間序列數據轉化為具備多個維度的輸入特征向量和模型輸出樣本標簽格式的數據。目前，學者們通常采用滑動窗口的策略進行一維數據向二維數據的轉化。該策略主要分兩步[5]。一是選定時刻T，按順序收集T～T-N+1時刻的N個歷史值，并將其設定為特征向量，其中N為TCN模型輸入的維度。二是將T+1～T+M時刻的觀測值設置為標簽構建輸出向量，其中M為TCN模型輸出變量的個數。

2 時域卷積網絡

時域卷積網絡的主要組成部分是膨脹的因果卷積層。在建模過程中，多個卷積層通常是堆疊在一起的。為了改善建模難度，模型采用了擴張卷積運算[6]：

式中，F(t)代表TCN網絡的擴張卷積運算，f(i)代表濾波器的基本信息，k為濾波器的尺寸，x代表網絡的輸入（油溫序列），t-di代表過去的方向。擴張卷積等效于在每個相鄰的濾波器之間引入一個額定步長。

為了獲得更大的感受野，TCN的卷積層的擴張因子呈指數增長。假設第k個卷積層的擴張因子為2(k-1)，步數為1，則該網絡的感受野大小R為[7]：

式中，f為濾波器大小。通過改變過濾波器大小和卷積層的層數，可以有效調整感受野的大小和數量或可學習的參數。

TCN架構由多個殘塊組成。每個殘塊包含兩組具有相同擴展因子的擴展因果卷積層，然后是歸一化、ReLU激活和空間丟失層。現采用TCN神經網絡，其基本結構如圖2所示，其中d代表擴張因子）。

圖1 TCN神經網絡基本結構圖

3 實驗分析

3.1 數據集

該研究使用了從SCADA系統中采集的1000個樣本點的油溫數據，按7:3比例劃分訓練集與測試集。表1為原始數據的基本統計信息。本研究中，選取前700個樣本點用作訓練集，后300個樣本點作為測試集，用于驗證模型的性能。

表1 原始數據基本統計信息

3.2 評價指標

本文采用3種非常經典的統計學指標平均絕對誤差（Mean Absolute Error，MAE）、平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）以及均方根誤差（Root Mean Square Error，RMSE），用于對比分析不同算法的精度。這3種指標的計算公式為：

式中，O(n)為實際測量的油溫值為算法預測得到的油溫值，N為本次試驗中測試集的采樣點個數。

3.3 對比實驗

為充分證明TCN神經網絡在油溫時間序列預測領域擁有優異的性能，現分析TCN算法與3種經典算法（ARIMA、SVM和MLP）以及現存的GRU、LSTM以及RNN等算法預測結果的差別。實驗誤差結果如表2所示。TCN神經網絡的預測結果如圖2所示。

表2 模型的誤差結果

圖2 TCN預測結果圖

3.4 實驗結果分析

基于對比實驗結果，可以得到兩個結論。

一是通過對比傳統機器學習算法、統計學方法以及深度學習方法發現，深度學習方法可以取得最準確的預測結果，充分證明深度學習算法在油溫時間序列預測領域具有優異的預測能力。究其原因，在于深度學習算法擁有較多的隱含層結構，能大大提高模型提取時間序列波動特征與深層序列信息的能力。

二是通過對比LSTM、GRU以及RNN等遞歸神經網絡模型發現，TCN神經網絡可以在所有的實驗中取得最準確的預測結果，充分證明該神經網絡在油溫預測領域擁有極好的預測性能。TCN神經網絡能保證訓練過程的并行性和梯度變化的穩定性，從而保證其得到優異的預測結果。因此，TCN神經網絡在該領域擁有廣闊的應用前景和研究價值。

4 結語

基于時域卷積網絡的預測模型可準確預測油溫。一方面是準確性。TCN算法與6種經典預測算法進行比較和分析，結果表明TCN算法的預測精度遠高于其他算法。另一方面是實用性。數據集來源于SCADA系統，具有不同的時間特性。所有的實驗結果都充分證明了TCN神經網絡能準確預測溫度的變化趨勢。因此，基于時域卷積網絡的預測模型在油溫預測領域具有較高的實用價值。該模型可以進一步改進，除了神經網絡，還有集成學習等多種方法可以有效提高模型的精度與實用性，因此可以結合其他算法建立集成模型框架，從而實現更加精確的預測。