基于MSCNNSA-BiGRU的變工況風電機組滾動軸承故障診斷研究*

安文杰,陳長征,田 淼,金毓林,孫鮮明

(1.沈陽工業(yè)大學 機械工程學院,遼寧 沈陽 110870;2.寧波坤博測控科技有限公司,浙江 寧波 315200)

0 引 言

作為風電機組重要的零部件,滾動軸承的健康狀況直接影響整個風電機組的正常運行[1]。據(jù)風電行業(yè)統(tǒng)計[2],風電機組約30%的機械故障與滾動軸承相關。同時,風電機組在重負載、變轉(zhuǎn)速環(huán)境下長期運行,導致滾動軸承極易損壞。滾動軸承一旦發(fā)生故障,則會影響整個機組的性能穩(wěn)定性,甚至造成停機。因此,對滾動軸承進行快速、有效的故障診斷,對于保證風電機組的穩(wěn)定運行,降低整體維修成本具有重要意義。

傳統(tǒng)的軸承故障診斷主要通過振動信號分析法分析軸承的故障特征。XIANG Ling等人[3]利用最小熵解卷積和1.5維能量譜結(jié)合,實現(xiàn)了對風電機組軸承復合故障的診斷。CHEN Bing-yan等人[4]提出了一種增強組合差分形態(tài)濾波器,用于對強噪聲背景下的軸承故障特征進行檢測。洪達等人[5]提出了一種多元變分模態(tài)分解和分數(shù)階傅里葉變換相結(jié)合的方法,對滾動軸承的早期故障進行了提取。

然而上述方法對先驗知識要求高、效率低,且不具備通用性。

近年來,深度學習理論逐漸成為故障診斷領域中炙手可熱的診斷方法。它能夠自動提取信號特征。研究者基于深度學習理論建立了“端到端”的故障診斷模型[6]。XU Zi-fei等人[7]提出了基于一維卷積神經(jīng)網(wǎng)絡(one-dimensional convolutional neural network,1D-CNN)聯(lián)合特征提取的軸承健康監(jiān)測方法,通過耦合自編碼器可以獲得較高的故障診斷精度,以及較低的診斷延時。張西寧等人[8]采用小尺度卷積核,以跳動的方式進行采樣,解決了卷積神經(jīng)網(wǎng)絡中最大池化丟失大量信息和平均池化模糊重要特征的問題。

雖然上述方法對各自的故障診斷具有較好的診斷效果,但在使用過程中也會受限。主要表現(xiàn)在以下2個方面:

(1)這些方法均采用單尺度卷積核提取故障特征,風電機組軸承與其他部件振動耦合會導致振動信號表現(xiàn)多尺度特性,故障信息呈現(xiàn)不同的頻率變化,單尺度卷積核難以有效提取其全局與局部故障;

(2)振動信號是時序的,在時間維度上也蘊含著豐富的信息。

循環(huán)神經(jīng)網(wǎng)絡[9](recurrent neural network, RNN)能夠在順序步驟之間有選擇傳遞信息,一次只處理順序數(shù)據(jù)的一個元素,非常適合處理時序數(shù)據(jù)問題。然而,RNN存在梯度消失和梯度爆炸的問題。

為了解決上述這些問題,HAO Shi-jie等人[10]提出了長短時記憶網(wǎng)絡(long short-term memory network, LSTM)結(jié)構,在RNN中引入輸入門、遺忘門和輸出門,其特點是隱含層節(jié)點的輸入包含了該隱含層節(jié)點在前一個時刻的輸出,不僅可以有效處理序列數(shù)據(jù),而且能夠解決梯度消失及梯度爆炸問題。

但相對于RNN、LSTM的結(jié)構更加復雜,需要復雜的網(wǎng)絡調(diào)參,導致訓練難度增加。AN Dong等人[11]提出了門控循環(huán)單元(gated recurrent unit, GRU),可以認為是一種改進LSTM網(wǎng)絡結(jié)構的變體,在故障診斷領域中得到了廣泛應用。但是經(jīng)典的門控循環(huán)單元模型中,狀態(tài)是根據(jù)序列由前向后傳遞的,忽略了后序狀態(tài)對前序狀態(tài)的影響。

雙向門控循環(huán)單元(bidirectional gated recurrent unit, BiGRU)是GRU的一個變體,既能提取振動數(shù)據(jù)的前后時間序列問題,又能解決長期依賴問題,適合故障診斷的工程應用。

針對以上問題,考慮風電機組運行工況復雜,采集的數(shù)據(jù)具有多尺度特征,筆者提出一種基于多尺度卷積神經(jīng)網(wǎng)絡(multi-scale convolutional neural network, MSCNN)和自注意力機制(self-attention, SA)的[12]雙向門控循環(huán)單元的,針對變工況條件下風電機組滾動軸承故障的診斷方法(MSCNNSA-BiGRU)。

首先,通過MSCNN提取原始振動信號的多尺度特征信息;然后,BiGRU結(jié)構挖掘原始振動信號的歷史與未來信息,自注意機制重點關注故障特征;最后,將特征信息融合成一個特征向量,輸入到SoftMax層實現(xiàn)故障分類。

筆者采用實際采集的不同工況下風電機組發(fā)電機滾動軸承數(shù)據(jù)集,對所提方法的有效性和可行性進行驗證。

1 理論介紹

1.1 多尺度卷積神經(jīng)網(wǎng)絡

傳統(tǒng)的CNN網(wǎng)絡故障診斷結(jié)構中,采用相同尺度的卷積核提取故障特征,將其中一層的神經(jīng)元作為回歸實現(xiàn)故障分類[13],這樣會導致一些詳細的局部特征丟失。

為了解決該問題,基于MSCNN,研究者們采用不同尺度的卷積核提取特征,有效地提取了全局和局部故障特征,提高了模型的泛化能力及魯棒性,從而獲取了精準的故障分類結(jié)果。ZHU Jun等人[14]將最后一個卷積層與之前的池化層合并形成了一個多尺度層,在人臉識別任務中獲得了良好的效果。JIANG Guo-qian等人[15]構建了一個1D的多尺度模型,對風力發(fā)電機的齒輪箱進行了故障診斷。

在此,筆者提出一種基于多尺度卷積神經(jīng)網(wǎng)絡(MSCNN)和自注意力機制(SA)的,變工況條件下風電機組滾動軸承故障的診斷方法(MSCNNSA-BiGRU)。

在筆者所提方法中,模型輸入為原始振動信號。基于多尺度卷積神經(jīng)網(wǎng)絡(MSCNN)模型,如圖1所示。

圖1 MSCNN網(wǎng)絡模型

圖1中,原始信號首先由4個不同尺度的卷積核進行多尺度的特征提取,再基于多個并行的卷積層和池化層學習特征,最后利用SoftMax分類器進行故障分類。

對于輸入的振動信號X=[x1,x2,x3,…,xn],筆者采用不同尺度的卷積核S對原始振動信號進行特征提取,隨著S取值的增大,遞增的非重疊窗口將特征構造為連續(xù)的粗粒度信號Y(S)。

不同尺度卷積核提取過程,如圖2所示。

圖2 不同尺度卷積核提取特征

(1)

由圖2可知:多尺度特征學習采用多對卷積層和池化層并行結(jié)構,不僅可以提高特征提取能力,而且可以從不同時間尺度的多個粗粒度信號中,提取高級特征信息,進行故障特征提取。

1.2 雙向門控循環(huán)神經(jīng)網(wǎng)絡

由于振動信號是時序信號,為了更好地處理時間序列數(shù)據(jù),筆者引入循環(huán)神經(jīng)網(wǎng)絡門控循環(huán)單元(GRU),如圖3所示。

圖3 門控循環(huán)單元

由圖3可知:通過門控機制有效處理時間序列問題,重置門rt決定如何將t時刻的輸入信息xt與t-1時刻的隱藏信息ht-1相融合,重置門值越大,在t時刻候選狀態(tài)ht中,隱藏狀態(tài)ht-1被重置的程度就越高;

ut和rt是t時刻的輸入,其計算公式如下:

rt=σ[Wr?cat(ht-1,xt)]

(2)

ut=σ[Wu?cat(ht-1,xt)]

(3)

(4)

(5)

在經(jīng)典的GRU模型中,特征向量是根據(jù)序列由前向后單向傳播的,但振動數(shù)據(jù)是時間序列數(shù)據(jù),經(jīng)典的GRU網(wǎng)絡在時刻t只能捕捉t時刻之前的歷史信息。

在故障特征向量提取中,筆者希望從全局層面來提取故障特征,不僅考慮t-1時刻,也要考慮t+1時刻的狀態(tài)信息,顯然經(jīng)典的GRU顯然無法滿足這一需求。

雙向門控循環(huán)單元(BiGRU)是GRU的一個變體,既能提取振動數(shù)據(jù)的前后時間序列問題,又能解決長期依賴問題,適合故障診斷的工程應用。

BiGRU網(wǎng)絡結(jié)構模型,如圖4所示。

圖4 雙向GRU(BiGRU)的結(jié)構

由圖4可知:BiGRU由向前傳播和向后傳播組成。

(6)

(7)

(8)

式中:Wt—前向傳播的權重;Vt—后向傳播的權重;bt—偏差項。

1.3 自注意力機制

自注意力是指關注重要信息,而忽略不重要信息的能力。注意力機制最早出現(xiàn)在圖像處理領域,其作用是在特征提取時,重點關注某些特征信息。

在MSCNN神經(jīng)網(wǎng)絡中引入自注意力機制,可以使神經(jīng)網(wǎng)絡有選擇性地進行訓練,提高其學習能力。對于輸入的振動信號X=[x1,x2,x3,…,xn],無需將所有的數(shù)據(jù)都輸入到神經(jīng)網(wǎng)絡進行計算,只需選擇一些與任務相關的信息輸入到神經(jīng)網(wǎng)絡中,這樣不僅可以提高運算效率,而且可以節(jié)省計算資源。

筆者使用注意變量z∈[1,n]來表示所選輸入數(shù)據(jù)的索引。已知與任務相關的查詢向量q和輸入數(shù)據(jù)x,選擇第m個輸入數(shù)據(jù)的注意分布αm表示注意分布,是給定x和q下選擇第i個輸入向量的概率。

自注意力機制,如圖5所示。

圖5 自注意力機制

(9)

式中:s(xm,q)—評分函數(shù),用于計算每個輸入向量與查詢向量之間的相關性。

s(xm,q)的表達式為:

s(xm,q)=VTtanh(Wsxm+Usq)

(10)

筆者計算出每個輸入向量所占權重,然后通過注意力機制加權融合得到y(tǒng)SA,即:

(11)

式中:U，V，W—神經(jīng)網(wǎng)絡訓練中學習到的網(wǎng)絡參數(shù)。

2 基于MSCNNSA-BiGRU的故障診斷

在變工況背景下,基于多尺度卷積和自注意力機制的雙向門控循環(huán)神經(jīng)單元,筆者提出了一種風電機組滾動軸承故障診斷模型(MSCNNSA-BiGRU),其總體框架如圖6所示。

圖6 MSCNNSA-BiGRU網(wǎng)絡結(jié)構

對于輸入的一維振動信號X=[x1,x2,x3,…,xn],經(jīng)4個不同尺寸的卷積核S1,S2,S3,S4進行多尺度的特征提取,不同尺度的卷積核雖然能夠很好地提取故障特征;但隨著網(wǎng)絡訓練次數(shù)的增加,容易產(chǎn)生梯度消失和梯度爆炸等問題。

為解決這些問題,筆者引入雙門控循環(huán)單元(BiGRU)結(jié)構,不僅可以有效解決MSCNN梯度消失和梯度爆炸問題,還可以有效挖掘原始振動信號的時序特征信息。

同時,為了提高模型對重點故障特征的提取,忽略不重要信息,筆者采用自注意力(self-attention)重點關注故障特征,以增強模型的泛化能力及魯棒性,提高模型在實際風電機組滾動軸承故障診斷中的故障分類精度。

漢諾威國際林業(yè)木工展覽會的參展商將來自全球50多個國家和地區(qū)，約9萬多名觀眾遍布100個國家和地區(qū)，是同類展會中國際化程度最高的盛會。Christian Pfeiffer在新聞發(fā)布會上說道：“來自世界各地的參展商將向全球?qū)I(yè)觀眾展示他們的解決方案、應用和理念，來講述如何塑造木材行業(yè)的未來。漢諾威國際林業(yè)木工展覽會是創(chuàng)新成果的第一展示平臺，它涵蓋數(shù)字化、自動化、物聯(lián)網(wǎng)平臺及協(xié)作系統(tǒng)，展覽規(guī)模無與倫比。從林業(yè)技術、家具和門窗制造到工具系統(tǒng)和表面處理技術，觀眾將領略各個領域的創(chuàng)新成果。展會將為觀眾帶來家具生產(chǎn)設備、工業(yè)4.0物聯(lián)網(wǎng) 平臺的現(xiàn)場演示，以及覆蓋木工行業(yè)各領域的研究項目與交流活動。”

3 實驗及結(jié)果分析

為了驗證該方法的有效性,筆者采用實際采集的風電機組發(fā)電機軸承數(shù)據(jù)進行實驗驗證。

3.1 軸承數(shù)據(jù)介紹

實驗數(shù)據(jù)來源于天津某風場,筆者主要采集發(fā)電機驅(qū)動端和自由端數(shù)據(jù)。該發(fā)電機型號為湘潭電機DFWG1500/4,軸承型號為SKF6330 M/C3 H深溝球軸承,通過安裝在發(fā)電機軸承座側(cè)面位置的ICP壓電加速度傳感器,針對其水平和垂直2個方向,不同工況下的振動信號進行數(shù)據(jù)采集。其中,采樣頻率為16 384 Hz,采樣時間10 s。

風電機組發(fā)電機振動數(shù)據(jù)采集,如圖7所示。

圖7 風電機組發(fā)電機振動數(shù)據(jù)采集

筆者根據(jù)該風場25臺風電機組采集到的發(fā)電機軸承數(shù)據(jù),劃分出4種狀態(tài),并針對不同轉(zhuǎn)速下4種狀態(tài),采用起點隨機的方式截取1 638個數(shù)據(jù)點作為數(shù)據(jù)樣本,每種狀態(tài)下生成1 000個樣本,隨機選取80%作為訓練集,20%作為測試集[16]。

風電機組滾動軸承具體標簽如表1所示。

表1 風電機組滾動軸承數(shù)據(jù)樣本構造

不同狀態(tài)下的軸承時域圖如圖8所示。

圖8 不同狀態(tài)軸承時域圖

3.2 實驗結(jié)果分析

筆者將表1中的訓練樣本A輸入網(wǎng)絡,進行訓練,同時,為防止過擬合,引入Dropout層,采用梯度下降法,對神經(jīng)網(wǎng)絡損失誤差反向傳播進行優(yōu)化(其中,迭代次數(shù)、學習率、Dropout分別為150,0.001,0.5)。

文獻[17,18]中,研究人員采用128*1、64*1、32*1的卷積核進行特征提取,取得了較好的效果。

表2 不同尺度卷積核診斷準確率

由表2可知:筆者提出的實驗2故障識別準確率最高,并且采用不同尺寸的卷積核(實驗1～3)時的故障診斷準確率高于相同尺度的卷積核(實驗4～6);

由于風電機組在變工況環(huán)境下運行,軸承與其他部件振動耦合會導致振動信號表現(xiàn)多尺度特性,單一尺度的卷積核難以有效提取全局和局部特征,并且卷積核過大易出現(xiàn)過提取特征情況,導致模型過擬合;卷積核過小無法有效提取全局特征,進而影響故障識別精度。

表1中,數(shù)據(jù)集A在MSCNNSA-BiGRU網(wǎng)絡迭代50次,得到的故障識別準確率與損失值曲線,如圖9所示。

圖9 模型故障識別曲線圖

為了保證測試結(jié)果的準確性,筆者采用十倍交叉驗證法(10-fold cross-validation method)來降低訓練集和測試集隨機分配的偶然性,將原始振動數(shù)據(jù)劃分成10個大小相等的子集(其中,9個子集作為訓練集,1個子集用于測試模型),交叉驗證重復10次(每個子集只使用一次作為驗證),最終結(jié)果為10次交叉驗證的平均值;并且在MSCNNSA-BiGRU網(wǎng)絡中添加判斷語句,當訓練集數(shù)據(jù)連續(xù)迭代10次,損失值同時小于0.15時,停止迭代,加快診斷速度。

對比故障識別準確率和損失值變化曲線可知:在迭代到30次時,訓練集的準確率達到95.69%,測試集的準確率達到94.18%,故障識別準確率曲線和損失值曲線趨于穩(wěn)定,模型達到收斂狀態(tài)。

以上結(jié)果進一步驗證了筆者提出的基于MSCNNSA-BiGRU模型在風電機組滾動軸承故障診斷應用中的有效性。

3.3 變工況下模型性能分析

為驗證所提模型在變工況下的故障分類準確率,筆者選用不同轉(zhuǎn)速下的數(shù)據(jù),分別構建數(shù)據(jù)集和測試集,并且將其與采用①CNN、②MSCNN、③CNN-BiGRU、④MSCNN-BiGRU、⑤MSCNNSA-GRU方法所得結(jié)果進行對比實驗。

例如,筆者選取表1中的數(shù)據(jù)集A和數(shù)據(jù)集B作為訓練集,數(shù)據(jù)集C作為測試集,對變工況下模型故障診斷性能進行評估(AVG表示3組實驗結(jié)果的平均值),最終診斷結(jié)果如圖10所示。

圖10 變工況下模型故障識別準確率

由圖10可知:在變工況條件下,MSCNN方法故障分類平均準確率為92.7%,高于對比方法;

對比實驗①和②可知:在風電機組滾動軸承故障診斷特征提取時,采用經(jīng)典CNN網(wǎng)絡結(jié)構難以有效提取全局和局部特征,在變工況下模型診斷效果較差;多尺度卷積神經(jīng)網(wǎng)絡采用不同尺度的卷積核提取特征,可有效提取全局和局部故障特征,提高模型故障診斷能力[19];

對比實驗①和③可知:在變工況條件下,雙向門控循環(huán)單元能夠提高模型的故障分類精度,提高模型的泛化能力;

對比MSCNN方法和④可知:引入自注意力機制,重點關注有效特征,神經(jīng)網(wǎng)絡有選擇性地進行訓練,可提高模型診斷能力;

對比MSCNN方法和⑤可知:相比于經(jīng)典的門控循環(huán)單元,雙向門控單元能夠提取振動數(shù)據(jù)t+1的特征信息,更適用于對變工況下實際工程故障進行診斷應用。

由此可證明,基于MSCNNSA-BiGRU的風電機組滾動軸承故障診斷方法,變工況條件下具有良好的診斷性能。

為進一步驗證該方法對時域信號全局和局部特征的自適應提取能力,筆者引入T-SNE算法,對輸出層進行可視化分析,針對圖10中的AB-C數(shù)據(jù)集進行可視化分析,結(jié)果如圖11所示。

圖11 AB-C可視化分析

由圖11可知:基于MSCNNSA-BiGRU的風電機組滾動軸承故障診斷方法故障識別準確率高,能夠精準地區(qū)分不同故障的類型,表明該方法具備一定的泛化能力和魯棒性,適用于在實際工程變工況條件下,對滾動軸承進行故障診斷。

4 結(jié)束語

針對風電機組滾動軸承運行工況復雜,采集的數(shù)據(jù)具有多尺度特征的問題,筆者提出了一種基于MSCNNSA-BiGRU的變工況風電機組滾動軸承故障診斷方法,實現(xiàn)了對變工況背景下滾動軸承的故障診斷。

研究結(jié)論如下:

(1)基于MSCNNSA-BiGRU的變工況風電機組滾動軸承故障診斷模型,采用MSCNN提取原始振動數(shù)據(jù)全局與局部特征信息,BiGRU結(jié)構考慮了原始振動信號的歷史與未來信息,更全面地提取了數(shù)據(jù)時序特征信息;同時,引入Self-Attention,重點關注故障特征,最后將特征信息融合成一個特征向量,輸入到SoftMax層,實現(xiàn)故障分類;

(2)針對實際采集的風電機組電機驅(qū)動端數(shù)據(jù),通過不同的模型進行了對比分析,所述模型10次平均結(jié)果94.18%的故障識別準確率,優(yōu)于對比實驗;

(3)采用變工況數(shù)據(jù)集進行故障識別,筆者提出的模型的平均故障識別準確率為92.7%,高于對比實驗;通過T-SNE可視化分析,不同的故障類型能夠精準的區(qū)分開,進一步說明了在變工況下,基于MSCNNSA-BiGRU的模型可對實際工程中的風電機組滾動軸承進行故障診斷。

在后續(xù)的研究中,筆者將重點研究背景噪聲及其他設備激勵源對多尺度卷積神經(jīng)網(wǎng)絡的影響,并提出相應的解決方案,以提高其故障識別的準確率。