唐　珂，　谢　源，　曾明杰，　高志飞，　徐永斌，　汪永海

(1. 上海电机学院 电气学院, 上海 201306；2. 辰阔机电科技(上海)有限公司, 上海 200240)

基于EMD-GANN的风力发电机齿轮箱故障诊断

唐珂1，谢源1，曾明杰1，高志飞1，徐永斌1，汪永海2

(1. 上海电机学院 电气学院, 上海 201306；2. 辰阔机电科技(上海)有限公司, 上海 200240)

摘要基于经验模态分解(EMD)和遗传算法优化的神经网络，研究了一种风力发电机组齿轮箱的故障诊断方法。使用EMD将齿轮箱振动信号序列分解成一系列内蕴模式函数分量(IMF)；然后提取各分量的特征参数，对特征参数采用主成分分析法进行降维处理；使用降维后的特征参数集训练神经网络，建立故障诊断模型；在训练过程中，采用了遗传算法优化神经网络的权值和阈值。仿真实验表明，该模型能有效提取振动信号的主要特征，完成对风力发电机组齿轮箱故障的诊断，效果良好。

关键词齿轮箱; 经验模态分解; 遗传算法; 神经网络; 故障诊断

风力发电机组单机容量越大，整套系统就越复杂，一旦发生故障造成停机的损失就越大[1]。在风力发电机组的传动链系统中，齿轮箱是核心部件之一，承受了巨大的负载，受风力随机性的影响负荷处于交变状态[2]。齿轮箱也是风力发电机组中故障率最高的部件之一，其技术参数、工作性能、可靠性对整个传动链系统至关重要。因此，对齿轮箱故障做出快速、有效的诊断，可大大缩短故障维护造成的停机时间，保证风电机组的供电可靠性和安全性。

统计表明[3]，在常见的齿轮箱故障中，齿裂故障约占41%，齿面疲劳(如点蚀、剥落等)造成的故障约占31%，齿面划痕引起故障约占10%，齿面磨损约占10%，其他故障如齿面龟裂、腐蚀、塑性变形等约占8%；主要由制造缺陷、安装不当、磨损、工况环境差等原因造成。齿轮箱故障会加大机组振动，使轴承寿命降低。因此，齿轮箱的振动情况直接反映着设备的运行状态[4]。通过监测设备的振动情况、分析振动数据可以判定机组的运行状态，查找并发现故障，及时排除隐患，以达到安全运行的目的[5]。

目前，国内外学者通过分析机组振动信号进行齿轮箱故障诊断取得了许多成果。文献[6-9]中，对齿轮箱振动信号采用时域特征参数(均值、方差、最值、均方根值)分析、幅值谱分析、倒频谱、奇异值分解等方法，分析比较了正常信号与故障信号，从而诊断出齿轮箱的故障状况。文献[10]中通过经验模态分解(Empiricad Mode Decomposition, EMD)和Hilbert谱对齿轮箱振动信号进行分析，完成了故障诊断，诊断效果较连续小波变换更加高效，但未结合智能算法进行深入研究。此外，还有模糊理论、支持向量机、灰色理论和神经网络等[11-13]基于人工智能的故障诊断方法，在齿轮箱故障诊断研究中取得了不错的诊断效果。本文研究了一种基于经验模态分解和遗传算法优化神经网络(Genetic Algorithm Neural Network, GANN)结合的风力发电机组齿轮箱故障诊断方法，得到了较好的故障诊断效果。

1经验模态分解(EMD)

EMD可以将复杂的非平稳、非线性的时变序列分解成有限多个独立的内蕴模式函数分量(Intrinsic Mode Functions, IMF)[14]。IMF能够清晰地分辨出交叠复杂的内蕴模式，故针对齿轮箱非线性、非平稳的振动数据可以用EMD进行信号处理。采用EMD可以将振动信号数据逐级分解，得到多组独立不相关的IMF序列。与原振动数据相比，IMF序列具有明显的规律性。

对振动数据时间序列进行EMD步骤如下：

(1) 识别信号x(t)中所有的极值点，采用3次样条插值法，将所有的极大值点拟合形成数据上包络线E1(t)，所有极小值点拟合形成下包络线E2(t)。

(2) 计算上、下包络线的平均值为

m1(t)=(E1(t)+E2(t))/2

(1)

(3) 计算h1(t)=x(t)-m1(t)。

(4) 判断h1(t)是否满足IMF条件，若满足，则h1(t)就是x(t)的第1个IMF；否则，将h1(t)作为x(t)重复迭代步骤(1)～(3)，直到第k次，h1k(t) 满足IMF条件。记c1(t)=h1k(t)，c1(t)为振动信号序列x(t)的第1组IMF分量，即x(t)中最短周期分量。

(5) 从原始振动信号中去除c1(t)，记作r1(t)，即

r1(t)=x1(t)-c1(t)

(2)

(6) 对r1(t)重复步骤(1)～(5)，直到n次后，rn(t)中没有极大和极小值或|rn(t)|很小，结束分解。

因此，振动信号x(t)经EMD分解后得到多个IMF和一组余量，即

(3)

故

(4)

2基于EMD-GANN的齿轮箱故障诊断

利用EMD可以将振动信号中交叠的IMF分量分离出来，但仍不能识别故障，且IMF分量的数据量庞大，故识别风力发电机组齿轮箱的故障类型还需要进一步提取和分析IMF的特征参数。针对复杂的非线性的系统识别，遗传算法优化的反向误差传播(Back Error Propagation, BP)神经网络具有极强的全局搜索能力、强鲁棒性、适用于并行处理，其收敛的有效性也得到了理论与实践的检验[13]。利用已知的数据进行神经网络训练，找到输入和输出间的内在联系，不依赖先验性的知识和规则，具有很强的适应性。因此，将EMD和GANN相结合可以有效地解决风力发电机组齿轮箱故障识别的问题。

齿轮箱振动信号的特征参数包含着齿轮箱运行状态的信息。在实验室中，采集齿轮箱正常和高发、且具有典型特征的断齿、点蚀和齿面裂纹3种故障状态的振动信号；然后，利用MATLAB软件进行编程并运行；对振动信号做EMD处理，得到它们相应的IMF，并提取特征值建立特征参数集，根据其维数确定神经网络的拓扑结构。本文建立的EMD-GANN故障诊断模型选择3层BP神经网络，训练时，利用遗传算法求取BP神经网络的权重，将计算结果与实际值的绝对值之差求和后作为适应度评价；对适应度排序，选择适应度评价高的个体作为父代个体交换部分基因编码串，以此产生新个体完成交叉操作。随机选择种群中一个个体，按照变异概率(0.7 除以染色体结构的长度)改变该个体编码串的值，产生新个体完成变异操作。GANN算法流程如图1所示。

本文建立的基于EMD-GANN的故障诊断模型进行故障诊断的步骤如下：

(1) 根据采集的风力发电机齿轮箱正常和故障情况下的振动信号数据，采用EMD得到多个代表单一、简单、独立振荡模式的IMF。

(2) 选取主要的IMF提取均方根、峭度、峰值因子和裕度因子的特征参数[7]，得到正常和故障情况下的振动信号的IMF的特征信号数据集。

(3) 由于特征参数组成集合的维度较高，信息冗余度大，故利用主成分分析法对特征参数集进行降维处理，既可简化工作量，又可优化神经网络输入节点个数，减少了运算时间。本文采用主分量分析法，对由步骤(2)得到的数据集合进行降维处理。

(4) 建立BP神经网络，以降维参数作为输入样本训练BP神经网络的权值和阈值。

(5) 通过遗传算法优化BP神经网络权值和阈值，完善BP神经网络。

(6) 将振动信号数据输入神经网络分析，判断是否发生故障，确定故障发生的类型。

EMD-GANN风力发电机机组齿轮箱故障诊断流程如图2所示。

图2　EMD-GANN风力发电机组齿轮箱故障识别流程Fig.2　Flow chart of EMD-GANN fault diagnosis for wind turbine gearbox

3实验及分析

在实验室中，从一台正在运行的处于故障状态的风力发电机组齿轮箱上测得振动信号。振动信号采集设备为位移传感器，安装于齿轮箱箱体。本文以齿轮箱断齿故障为例，采集到的原始数据如图3所示。通过EMD得到IMF，图4为前1～8个IMF。

由图可见，前7组IMF几乎包含了断齿故障信号的全部能量，故选取前7组的IMF分别提取均方根、峭度、峰值因子和裕度因子作为特征参数(见表1)。

图3　断齿信号时频图谱Fig.3　Spectrogram of signal from broken gears

图4　断齿信号IMF(第1～8个)Fig.4　Intrinsic mode function 1～8 of signal from broken gears

表1　断齿信号内蕴模态分量特征参数

由表1可知，特征参数组成的集合维度较高，信息冗余度大。本文使用主成分分析法将表1的参数进行降维处理，得到的主成分的特征值和累计贡献率如表2所示。

表2　主成分的特征值和累计贡献率

由表2可知，前5组主成分参数已经包含了原数据信息的98.93%，满足数据要求。同理，分别利用采集到的正常状态和点蚀、齿面裂纹故障状态的信号，可以提取到它们的特征值，并建立特征参数集。

GANN选择输入节点为5，隐层节点为10，输出节点为1的网络结构。本文的误差学习目标值设为0.001，学习速率为0.01。遗传算法编码采用二进制编码，编码长度20，将神经网络所有权值、阈值作为染色体初始化，建立种群进行迭代更新。

图5为GANN性能跟踪曲线。这是反映迭代次数与种群中的个体和目标值之差的绝对值之和的关系曲线；随着差值的减小，GANN的识别能力就越强，当迭代次数达到最大次数或满足寻优条件时，遗传算法结束。由图可见，GANN能够快速收敛，进化到约23代时达到收敛稳定。当达到最大迭代次数39次后，种群所对应的目标函数值有明显的下降，这表明GANN的计算结果已经达到预期精度，对于GANN权值和阈值的训练结束。此时，将待诊断数据输入EMD-GANN，利用输出结果就可以识别故障。由此完成了风力发电机组齿轮箱故障诊断模型的建立。

图5　遗传神经网络性能跟踪图Fig.5　Performance of genetic neural network

为了验证EMD-GANN算法进行齿轮箱故障诊断的准确性，本文选取另外8组故障状态下齿轮箱振动信号加以检验，并与GANN算法进行比较。选取的8组故障状态分别为点蚀(第1、5组)、断齿(第2、6组)、正常(第3、7组)和裂纹(第4、8组)的振动信号。将待诊断的故障风力发电机组齿轮箱振动信号，输入MATLAB软件，利用EMD-GANN算法和GANN算法分别进行故障识别。设置点蚀、断齿、正常、裂纹的期望输出值分别为1、2、3、4。表3给出了EMD-GANN和GANN算法进行故障诊断的结果比较。

由表3可见，与GANN算法相比，EMD-GANN算法的输出更接近于期望输出，表明EMD-GANN算法的故障识别率有明显提高，可见，EMD-GANN对于故障类型的泛化外推能力效果较好，可以准确地进行齿轮箱故障诊断。此外，由于神经网络具有一定的容错能力，针对早期故障振动信号不具有典型特征值的情况也能够实现轻微故障识别，实现故障预测；对于已经出现故障现象的振动数据，则通过EMD能够准确地分层提取故障特征值，进而为GANN诊断功能提供准确反映故障状态的数据，提高故障诊断的精确度。本文研究的风力发电机组齿轮箱故障诊断算法在训练得到最佳神经网络参数后不必进行重复训练，因此在实际应用中，只需将待测振动数据输入模型进行分析即可，节省了故障诊断的时间。

表3　GANN和EMD-GANN算法故障诊断结果比较

4结语

为了提高风力发电机组齿轮箱的故障诊断的效率，缩短诊断运行时间，本文研究了EMD-GANN故障诊断模型。该模型能准确地识别故障振动信号，实现故障诊断；利用主分量分析的降维运算和遗传算法并行性，简化了冗余的计算量，提高了计算效率；EMD-GANN算法容错率高，外推泛化能力较强，适用于轻微故障诊断。实验证明，EMD-GANN算法识别故障精度高，诊断效果好，实际应用中，故障诊断系统无需重新训练节省了诊断时间。

参考文献

[1]左子阳.信息融合技术在风力发电机故障诊断中的应用[D].上海： 华东理工大学，2009： 12-36.

[2]李海波.大型风力发电机齿轮箱故障模糊诊断技术研究[D].沈阳： 沈阳工业大学，2014： 8-15.

[3]LU Bin，LI Yaoyu，WU Xin.A review of recent advances in wind turbine condition monitoring and fault diagnosis[C]∥Power Electronics and Machines in Wind Applications.Lincoln： IEEE，2009： 1-7.

[4]ZHANG Yan，LIU Xiangjun.The fault vibration signal analysis of wind turbine gearbox based on wavelet transform[C]∥2013 International Conference on Measurement, Information and Control(ICMIC).Harbin： IEEE，2013： 724-727.

[5]黄志坚，高立新，廖一凡.机械设备振动故障监测与诊断[M].北京： 化学工业出版社，2010： 135-139.

[6]王哲.风力发电机组主传动链的故障诊断[J].诊断与测试，2007(3)： 118-119.

[7]丁显，易莉，柳亦兵，等.风电机组齿轮箱非平稳振动信号微弱故障特征提取[J].可再生能源，2014，32(5)： 619-623.

[8]付胜，徐斌，杜晓帆，等.基于奇异值分解和支持向量机的齿轮故障诊断[J].机械传动，2013(9)： 90-92.

[9]吕跃刚，赵倩男，刘承俊.基于LabVIEW的倒频谱与包络谱分析在风电机组齿轮箱故障诊断中的应用[J].化工自动化及仪表，2013，40(7)： 864-867.

[10]LI Yanyong.A discussion on using empirical mode decomposition for incipient fault detection and diagnosis of the wind turbine gearbox[C]∥World Non-Grid-Connected Wind Power and Energy Conference(WNWEC).Nanjing： IEEE，2010： 1-5.

[11]张小田.基于回归分析的风机主要部件的故障诊断方法研究[D].北京： 华北电力大学，2013： 37-56.

[12]周志刚.随机风作用下风力发电机齿轮传动系统动力学及动态可靠性研究[D].重庆： 重庆大学，2012： 20-52.

[13]周培毅，张新燕，张华中.基于遗传算法与BP神经网的风力发电机齿轮箱故障诊断研究[J].华北电力技术，2010(7)： 6-11.

[14]康晨晖，崔玲丽，胥永刚，等.EMD熵值谱在轴承故障信号特征提取中的应用[J].振动与冲击，2010(8)： 204-206.

Fault Diagnosis of Wind Turbine Gearbox Based on EMD-GANN

TANG Ke1，XIE Yuan1，ZENG Mingjie1，GAO Zhifei1，XU Yongbin1，WANG Yonghai2

(1. School of Electrical Engineering, Shanghai Dianji University, Shanghai 201306, China；2.Chenkoo Mechanical and Electrical Technology(Shanghai) Co., Ltd., Shanghai 200240, China)

AbstractAn EMD-GANN fault diagnosis model of wind turbine gearbox is proposed based on empirical mode decomposition (EMD) and genetic algorithm neural network (GANN). EMD is used to decompose the vibration signal sequence into a series of intrinsic mode functions (IMF). Feature parameters of each component are extracted. The dimension of the feature parameters set is reduced with principal component analysis. A training neural network for the feature parameters set is used to establish a fault diagnosis model. In the training process, genetic algorithm is used to optimize weights and thresholds of the BP neural network. Experimental results show that the above mentioned model can effectively extract main features of the vibration signal and identify faults of the gearbox. The model is effective.

Keywordsgearbox; empirical mode decomposition(EMD); genetic algorithm; neural network; fault diagnosis

收稿日期：2015-09-11

基金项目：国家自然科学基金资助项目(61374136)；上海市自然科学基金项目资助(12ZR1411800)；上海市教育委员会创新项目资助(12YZ186，14YZ157，13YZ139)；闵行科委区校合作项目资助(2014MH157)

作者简介：唐珂(1991-)，男，硕士生，主要研究方向为风力发电状态监测与故障诊断，E-mail： 402645153@qq.com

文章编号2095-0020(2016)02-0099-06

中图分类号TP 277.3

文献标识码A