基于EMD-1DCNN的風電齒輪箱聲信號故障診斷研究

摘要：針對風電齒輪箱常年處于變負載、變轉速等非平穩工況下導致的故障診斷方法精度下降的問題，文章提出了一種基于EMD-1DCNN的風電齒輪箱聲信號故障診斷方法。此方法利用經驗模態分解（Empirical Mode Decomposition，EMD）將聲音信號分解為一系列的本征模態函數（Intrinsic Mode Function，IMF）。然后，將多通道IMF輸入一維卷積神經網絡（1DCNN）進行自動特征學習和故障分類。實驗表明，采用EMD-1DCNN模型對風電齒輪箱進行故障診斷的診斷精度高且收斂速度快，有助于智能算法在實際工程中的應用。

關鍵詞：卷積神經網絡；齒輪箱；故障診斷；聲信號

doi：10.3969/J.ISSN.1672-7274.2023.07.012

中圖分類號：TH 132.41，TH 17 " " " " " "文獻標志碼：A " " " " " "文章編碼：1672-7274（2023）07-00-03

Research on Acoustic Signal Fault Diagnosis of Wind Power Gearbox

Based on EMD-1DCNN

HUANG Hai

（Guodian Power Development Co.， Ltd.， Beijing 100101，China）

Abstract： In order to solve the problem that the accuracy of fault diagnosis methods for wind power gearboxes is reduced due to non-stationary conditions such as varying load and rotating speed， this study proposes an acoustic signal fault diagnosis method for wind power gearboxes based on EMD-1DCNN. This method utilizes empirical mode decomposition （EMD） to decompose the sound signal into a series of intrinsic mode functions （IMFs）. Then， multi-channel IMFs are input into a one-dimensional convolutional neural network （1DCNN） for automatic feature learning and fault classification. Experiments show that using EMD-1DCNN model for fault diagnosis of wind power gearbox has high diagnostic accuracy and fast convergence speed， which is conducive to the application of intelligent algorithms in practical engineering.

Key words： convolutional neural network; gear box; fault diagnosis; acoustic signal

1 " 研究背景

自第二次工業革命以來，電能已成為世界各國人民日常生產生活中必不可少的能源。然而僅依靠化石能源發電會產生許多有害廢物，對生態環境造成嚴重威脅。因此為改善日益惡化的生態環境，新能源發電項目備受重視。風能因其資源豐富、開發成本適中逐漸成為全球能源結構中的重要組成部分[1]。在風電行業中，發電設備可靠性較差、機組故障頻發、并網適應性差等問題阻礙著我國風電產業的進一步發展[2]。據統計，在風電傳動系統所有機械故障中，齒輪箱故障所占比最高[3]。因此，為減少風力機組的運維成本，保障風力機長期安全穩定地運行，對風電齒輪箱進行故障診斷是十分有必要的[4]。

風電齒輪箱運行工況復雜，常年變工況的運行狀態將加速齒輪箱的退化，因此如何在變工況下保證風電齒輪箱故障診斷的精度成為研究熱點[5]。黎陽羊[6]等提出了一種基于一維卷積神經網絡（1DCNN）和長短期記憶網絡（LSTM）混合模型的故障智能診斷方法，能有效抑制干擾信號，提高故障識別的準確率。孫文卿[7]等通過比例沖突分配規則的模型融合，能獲得穩定性較高的結果，并在一定條件下提高故障診斷的準確率。吳磊[8]等人利用最大重加權峭度盲解卷積來解決經典的基于峭度最大化方法傾向于恢復單個主導沖擊序列的問題。Chen[9]等提出了一種適用于變速工況和負載工況的機電剛柔耦合動力學模型，研究機電剛柔耦合特性對風力機傳動系統的意義。

上述研究很少考慮風電齒輪箱非平穩的工況問題，即使考慮變工況的問題，方法診斷準確率也不理想。因此，本文提出一種經驗模態分解-卷積神經網絡（EMD-1DCNN）的故障診斷方法，直接將現場采集的聲學信號輸入到EMD-1DCNN進行預處理，將聲音信號分解為一系列的本征模態函數（IMF），提高深度模型的訓練效率和泛化能力，從而在變工況下具有更好的故障診斷效果。

2 " 基本理論

2.1 經驗模態分解

經驗模態分解（EMD）是時頻域信號處理方式的一種，它會將給定信號分解成一組本征模態函數（IMF）和一個殘差分量，殘差分量表示一個趨勢項，而IMF則構成了原始信號完整且幾乎正交的基。不同的IMF傾向于提取原始信號的不同頻率分量，這可以簡化要解決的問題。一般情況下IMF滿足以下兩個性質：一是在整個時間序列中，極值（局部極大值和局部極小值）的個數和過零的個數必須相等或最多相差1；二是在任意一點上，由局部極大值定義的包絡與由局部極小值定義的包絡的均值為零。

對于一段信號，EMD不需要做預先分析與研究就能直接分解，因此它能較好地處理基函數無自適應性的問題；在處理非平穩及非線性數據時也具有明顯的優勢，因此適合分析非線性非平穩的信號序列，并具有較高的信噪比。

2.2 一維卷積神經網絡（1DCNN）

卷積神經網絡是深度學習特別是計算機視覺領域發展的重要推動力之一，其主要結構由輸入層、卷積層、池化層、全連接層、輸出層五部分組成（如圖1所示）。

由于CNN具有較強的空間相關復雜數據建模能力，已成功擴展到結構化數據、自然語言、振動信號等應用領域。卷積神經網絡對于一維輸入x和長度為n的核k，由x和k之間的一維卷積運算產生的輸出的第i個元素被定義為

（1）

式中，表示卷積運算。直觀地說，它只是輸入和內核之間的滑動點積。

卷積層之后通常是池化層，池化層聚集相鄰的特征并降低輸入的維度，有助于減少信息冗余和模型復雜性。有兩種典型的池化操作，即平均池化和最大池化，后者在實踐中經常用作噪聲抑制。假設內核大小和striding參數等于S，一維最大池化操作定義為

（2）

池化操作作為一種降尺度技術，許多池化層的組成使EMD-1DCNN模型能夠從振動信號中提取低頻特征。

2.3 EMD-1DCNN故障診斷方法

EMD-1DCNN故障診斷模型具體步驟如下。

（1）將采集的風電齒輪箱聲信號數據進行EMD預處理，將聲信號分解為一系列的IMF，構建風電齒輪箱數據集，并劃分訓練集與測試集。

（2）初始化EMD-1DCNN網絡參數并用訓練集數據訓練模型，得到齒輪箱EMD-1DCNN故障診斷模型。

（3）將測試集數據輸入到所訓練好的網絡模型中診斷，得出風電齒輪箱診斷結果。

EMD-1DCNN故障診斷模型具體步驟如圖2所示。

3 " 實驗研究

3.1 實驗基本信息

為驗證所提方法的有效性，采用實驗室風電齒輪箱實驗臺進行實驗，實驗中使用的齒輪箱是一級行星齒輪箱，內部結構由內齒圈、太陽輪、行星齒輪及行星架組成。采集的齒輪箱故障數據由正常狀態、內齒圈斷齒、內齒圈齒根開裂、太陽輪齒斷、行星齒輪斷齒五種狀態組成。每種狀態的故障標簽如表1所示。

對于5種狀態數據試驗的聲信號，采用滑動窗口法進行數據增強切片，窗口長度為4 096，步長為1。

本文所提出的EMD-1DCNN算法結構由一個輸入層、三個卷積層、三個池化層、一個全連接層、一個輸出層組成。輸入樣本是由4 096個數據點組成的一維數據。

3.2 實驗結果及分析

將在風電齒輪箱實驗臺進行實驗所采集的數據分別輸入到EMD-1DCNN模型和1DCNN模型中，在模型不斷迭代下，齒輪箱準確度和損失如圖3所示。

從圖3可以看出，EMD-1DCNN模型與普通模型相比精確度更高，收斂速度更快，訓練效率也更好。此外，兩個模型在收斂損失上有明顯的差異。EMD-1DCNN模型比普通模型收斂更快，在迭代次數達到15次時，本文所設計模型損失曲線達到收斂。

因此，采用本文所提出的EMD-1DCNN網絡模型在對風電齒輪箱進行故障診斷時，其效果均優于傳統的深度學習方法。

4 " 結束語

針對風電齒輪箱常年處于變負載、變轉速等非平穩工況下導致的故障診斷方法精度下降的問題，本文提出了一種基于EMD-1DCNN的聲信號風電齒輪箱故障診斷方法。此方法利用EMD，提高了深度模型的訓練效率和泛化能力，從而在變工況下具有更好的故障診斷效果。與傳統方法相比EMD-1DCNN模型優勢為：

（1）EMD-1DCNN方法具有自動特征學習、訓練中快速收斂和更好的準確性等優勢。

（2）EMD-1DCNN模型證明了此方法可以從輸入中自動學習特征表示，具有更高的訓練效率和更好的測試集泛化能力。

參考文獻

[1] Liu X， Du J， Ye Z S. A Condition Monitoring and Fault Isolation System for Wind Turbine based on SCADA Data[J]. IEEE Transactions on Industrial Informatics， 2021， 18（2）： 986-995

[2] 金曉航，孫毅，單繼宏，等．風力發電機組故障診斷與預測技術研究綜述[J]．儀器儀表學報，2017， 38（05）： 1041-1053.

[3] 鄭洋．風力發電系統的故障診斷方法研究[D]．無錫：江南大學，2019.

[4] 高遠俊，戴虎，李興林．風電齒輪箱高速軸軸承振動的應用分析[J]．軸承，2016（04）： 50-51.

[5] 鄢小安．基于數學形態學的滾動軸承故障診斷方法研究[D]．南京：東南大學，2019.

[6] 黎陽羊，胡金磊，賴俊駒，王偉，等．基于1D-CNN-LSTM混合神經網絡模型的風電行星齒輪箱故障診斷[J]．電氣自動化，2021， 43（05）：20-26.

[7] 孫文卿，鄧艾東，鄧敏強，等．基于模型融合的風電齒輪箱故障診斷[J]．太陽能學報，2022， 43（01）：64-72.

[8] 吳磊，王家序，張新，等．基于最大重加權峭度盲解卷積的風電故障診斷[J]．中國機械工程，2022， 33（19）：2356-2363.

[9] Ruibo Chen， Datong Qin， Changzhao Liu. Dynamic modelling and dynamic characteristics of wind turbine transmission gearbox-generator system electromechanical-rigid-flexible coupling[J]. Alexandria Engineering Journal， 2023，65： 307-325.