顾桂梅，张鑫

(兰州交通大学自动化与电气工程学院,甘肃 兰州　730070)



基于深度信念网络的风机叶片结构损伤识别研究

顾桂梅，张鑫

(兰州交通大学自动化与电气工程学院,甘肃 兰州730070)

【目的】 解决由于模态参数辨别的不确定性，以及虚假模态干扰造成的风机叶片结构损伤识别精度不高的问题.【方法】 采用以深度信念网络提取的模态参数特征向量作为标识量的损伤检测方法.首先分别获取ANSYS仿真和实验条件下风机叶片的模态参数；然后利用深度信念网络提取模态参数特征向量作为损伤标识量，检测多种工况下的风机叶片损伤，并与传统BP神经网络方法进行对比；最后搭建实验平台，在实验条件下验证方法的有效性.【结果】 基于深度信念网络的损伤识别方法相比传统BP神经网络精度更高，网络训练时间更长.【结论】 将深度信念网络提取的模态参数特征向量作为BP神经网络训练的输入向量，可以减小噪声和虚假模态信息等因素对损伤识别结果的影响，提高损伤识别的精度.

深度学习；限制玻尔兹曼机；深度信念网络；特征抽取；损伤识别

风机叶片是风力发电机组的关键部件，由于恶劣环境和复杂载荷的影响，极易造成叶片的结构损伤等问题，风机叶片一旦损毁将造成巨大的经济损失甚至是人员伤亡.因此，针对风机叶片进行结构损伤检测，准确地判断损伤发生的位置和程度，对于风机的安全运行意义重大[1-2].

风机叶片结构损伤检测的常用方法是基于结构振动特性和BP神经网络的损伤检测方法，该方法主要通过检测整体结构损伤前后的模态参数等结构动力特性的变化，来判断结构是否存在损伤以及损伤的程度.基于动力特性的故障检测方法是结构损伤识别领域研究的热点，模态参数识别更是结构健康监测的核心技术[3].在实际测量采集信号的过程中，信号数据不可避免的会受到测量误差和测试噪声的影响，使采集的信号含有大量的噪声，而对于结构损伤识别结果影响最大的因素恰恰就是噪声[4-5].因此研究如何降低噪声对损伤识别结果的干扰，提高风机叶片损伤识别的精度是很有必要的.

深度学习网络可以直接从低层数据出发，逐层学习到高层特定特征的学习网络.利用深度信念网络对风机叶片的模态参数进行特征提取，抽取隐含在数据当中的本质损伤信息作为BP神经网络的输入信号，可以消减噪声对辨识结果的影响，提高风机叶片结构损伤识别的精度.

1　深度信念网络

深度学习通过学习一种深层的非线性结构，实现复杂函数逼近，具有从少量样本集中学习数据集本质特征的强大能力[6].目前最成功的深度学习应用就是深度信念网络(deep belief nets,DBN)，其优异本质特征抽取的能力在语音识别、图像识别、数据分类等方面均得到了体现.

深度信念网络是由一系列受限波尔兹曼机(restricted boltzmann machine,RBM)叠加组成的，通过多个RBM的堆叠，较好地解决了DBN多层网络的训练问题.

由一系列RBM组成的DBN的结构模型如图1所示.RBM由输入层即可视层v和隐层h组成，可视层单元和隐含层单元双向连接，每一层内部各单元节点之间无连接.RBM的学习过程通过对比散度算法(contrastive divergence,CD)实现.CD算法的基本思想是：训练过程中，首先将可视层单元向量通过计算映射到隐含层，计算出所有隐层节点的状态，然后反向进行上述过程，由隐层节点确定可视层节点的状态，完成原始输入数据的重构.最后，重构后的可视层激活节点向前传递，再次重构隐层激活节点，这种反复步骤称为Gibbs采样，隐层单元和可视单元的关联差异就形成了每次权值更新的基础.

图1　DBN模型结构图Fig.1　Schematic drawing of DBN model structure

2　损伤识别

2.1风机叶片模型的建立

建立风机叶片结构的有限元模型，通过对叶片结构进行模态分析，得出其在健康和各种有损伤状态下的动态特性或模态参数，模拟实测模态参数，作为训练样本.在有限元软件ANSYS中建立的风机叶片模型如图2所示.对风机叶片有限元结构进行模态计算，可以获得所需的频率、振型等模态参数，再通过求解获取叶片损伤前后的模态应变能变化率作为损伤标识量.

图2　风机叶片有限元模型Fig.2　Finite element model of wind turbine blade

在数值模拟过程中，以不同的单元号代表不同的损伤位置，以弹性模量折减的多少模拟损伤的程度.建立单损伤和双损伤几种损伤状况，损伤工况如表1所列.

表1　叶片单元损伤工况Tab.1　Damage conditions of blade elements

2.2基于DBN网络的损伤识别

本文设计使用的风机叶片结构损伤识别深度网络模型如图3所示，该网络模型的底层由两层RBM组建而成，加上顶层的BP神经网络共同构成深度信念网络.

图3　风机叶片结构损伤识别深度网络模型Fig.3　Wind turbine blade structure damage identification deep network model

网络输入为风机叶片多个单元在设定的损伤状态下的模态参数，通过两层RBM构建的深度信念网络提取模态参数数据中的损伤特征信息，作为BP网络的输入，选取几个单元的损伤状态作为网络输出，BP网络的中间隐层单元数由网络程序自行确定.当完成整个网络的训练之后，就能够利用网络模型识别风机叶片的损伤状态.

2.2.1单损伤识别假设风机叶片结构同一部位发生损伤的程度不同.选取风机叶片有限元模型中编号为1～20的单元中的某个单元为可能发生损伤的单元，计算其中1、5、10、15、20单元分别损伤25%、35%、55%、75%、85%时，1～20号单元在每个损伤状态下的模态应变能变化率，对数据进行归一化处理，组成网络训练样本.采用CD算法训练RBM，贪婪的无监督算法训练DBN， RBM学习重构误差变化如图4所示.

图4　单损伤样本训练RBM重构表现Fig.4　The performance of RBM reconstruction for single damage sample training

从图4可以看出，在单损伤样本训练时，RBM的重构误差在1.5至0.28之间逐渐下降，后期的下降趋势逐渐减缓，最终趋于平稳.网络的期望输出为单元的损伤状况，即出现损伤的单元位置和损伤程度，网络训练结束后用表1中工况①和工况②测试网络，识别结果见表2所列.

2.2.2双损伤识别选取风机叶片有限元模型中编号为1～10的单元中的某两个单元为可能发生损伤的单元，计算其中1、3、5、7、9单元发生了程度为25%，55%，85%的损伤，构造损伤单元所有可能的损伤程度组合，计算各种损伤状态下的模态应变能变化率，对数据进行归一化处理，组成网络训练样本，设置网络参数后对网络进行训练，RBM学习的重构表现如图5所示.

图5　双损伤样本训练RBM重构表现Fig.5　The performance of RBM reconstruction

从图5可以看出，在双损伤样本训练时，RBM的重构误差在1.112至0.25之间逐渐下降，前期误差减小较为迅速，但很快便趋于平稳，RBM模型随着参数的更新达到平稳状态，说明对于样本数据的重构是成功的.训练网络后用表1中工况③和④测试网络，识别结果见表2.识别误差δi[7]反映网络对结构损伤状态的综合辨识能力，计算方法如式(1).

(1)

式中，i为样本编号；VRi为第i个样本的网络实际输出向量；V1i为第i个样本的网络期望输出向量；n为输出向量的维数，这里n取5.

表2　DBN网络各损伤工况的识别结果Tab.2　DBN networks damage identification results

建立基于BP神经网络的风机叶片损伤识别网络，以相同的数据样本训练网络，用表1中的4种工况测试网络，DBN网络识别和BP神经网络识别结果对比如表3所列.

表3　两种识别方法比较Tab.3　Comparison of two identification methods

从表3可以看出，基于DBN的叶片损伤识别方法比传统BP神经网络的识别方法识别精度更高，但是网络训练消耗的时间较长.

3　试验验证

试验对象采用长度为1.5 m的玻璃钢材料小型风机叶片，主要的试验设备有CGJ-1-8595压电式加速度传感器、激励锤、DH5937振动测试系统、微型计算机等.在试验中，通过在叶片某处以开裂纹的方式模拟真实损伤[8]，并以不同裂纹深度模拟结构的不同损伤程度.试验采用单点激励、多点拾振的方法来获取同一激励下叶片各测点的加速度响应.建立试验平台时，将叶片尾部固定，4个压电加速度传感器依次等距分布在叶片表面，每一个传感器对应一个通道.试验时通过力锤激励使叶片产生振动，传感器采集结构的动态信息，数据分析后得出叶片在各个工况下自振频率和振型，进而可以得出需要的模态参数.试验台装置如图6所示.

图6　风机叶片结构试验模型Fig.6　Structure test model of wind turbine blade

在叶片无损情况下，测量叶片在瞬态激励下的自由振动响应信号，并对振动信号采用自互谱密度法[9]进行分析，通道4与通道1～3之间的互功率谱叠加图如图7所示.

图7　通道4与通道1～3互功率谱曲线图Fig.7　Curve chart of amplitude of cross power spectrum

为获得叶片结构的真实频率，需要根据互功率谱所对应的相位与相干函数对粗选频率进行判断，从而剔除毛刺等虚假模态.完好叶片的各阶固有频率如表4所列.

表4　风机叶片频率测试结果Tab.4　Frequency test results of wind blade

由模态分析法可知，通过传递率在结构固有频率位置处的幅值可以得到振型的大小，该频率处振型的方向可由互功率谱在对应频率位置的相位或传递率实部所对应的符号来确定.在实际操作时，先归一化处理各个传感器所对应的振型幅值，然后通过曲线拟合的方法便可获得小型叶片整体结构的振型拟合曲线.一般来说，分析叶片振动时只需前两阶振型即可，图8为叶片在完好状态下第1阶振型曲线拟合图.

图8　叶片第1阶振型拟合曲线图Fig.8　Fitting curve chart of the first of the blade

通过裂纹深度模拟叶片损伤程度，实验中模拟的裂纹深度(h/D，D为直径，h为损伤深度，mm)即损伤工况分别为损伤30%和50%.分别利用DBN网络和传统BP神经网络识别叶片损伤程度，识别结果如表5所列，可以看出DBN网络对于风机叶片结构损伤程度的识别要优于传统BP神经网络.

表5　风机叶片损伤识别结果Tab.5　Damage identification results of wind blade

4　结论

本文针对风机叶片结构损伤识别过程中模态参数的不确定性以及虚假模态干扰等影响辨识准确性的问题，提出了利用深度信念网络抽取模态参数本质特征，采用模态参数特征向量作为风机叶片损伤检测标识量识别叶片结构损伤的方法.ANSYS仿真及实验验证结果表明，采用深度信念网络提取风机叶片结构模态参数，降低了噪声等造成的模态参数辨识的不确定性，消除了虚假模态信息的干扰，识别效果比传统BP神经网络有了明显的提高，且该方法可以推广到其他大型复杂结构.

[1]陶金,张雪,刘煜龙,等.我国风力发电的现状和前景探讨[J].现代机械,2013(3):26-28

[2]徐金龙.风机叶片疲劳损伤的DPP-BOTDA监测与评价方法研究[D].哈尔滨:哈尔滨工业大学,2013

[3]孙兆伟.基于现代信号处理的结构模态参数识别与损伤识别研究[D].北京：北京邮电大学,2012

[4]曹晖,林秀萍.结构损伤识别中噪声的模拟[J].振动与冲击,2010,29(5):106-109

[5]冯立芳.小波和神经网络相结合的结构损伤识别方法[D].杭州:浙江大学,2006:49-59

[6]陈翠平.基于深度信念网络的文本分类算法[J].计算机系统应用,2015,24(2):121-126

[7]罗武,赵美英,万小朋.基于模态应变能比与神经网络的复合材料结构损伤辨识[J].机械强度,2006,28(1):146-149

[8]李录平,李芒芒,晋风华,等.振动检测技术在风力机叶片裂纹故障监测中的应用[J].热能动力工程,2013,28(2):23-27

[9]姜大正,洪明.运行模态分析技术在船舶结构振动中的应用[J].中国船舰研究,2010,6(5):22-26

(责任编辑胡文忠)

Structural damage identification of wind turbine blade based on deep belief networks

GU Gui-mei,ZHANG Xin

(College of Automation and Electrical Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China)

【Objective】 To solve the problem of the low identification accuracy of the wind turbine blade structure damage caused by the uncertainty of the modal parameter identification and spurious modes.【Method】 A method of taking deep belief nets was adopted to extract features of modal parameters as damage signature.Firstly,the structural vibration modal parameters of the wind turbine blade were gotten under the condition of ANSYS simulation and experiments.Then,the characteristic vector of modal parameters were extracted as the signature for damage detection and identify the damage of the wind turbine blade under different situation.A comparison was conducted with the traditional BP neural network approach.Finally,the validity of the method were verified under the foundation of experiments.【Result】 The damage identification method based on the deep belief nets was more accurate than the traditional BP neural network with longer training time.【Conclusion】 It can reduce the influence of noise and false mode information on damage identification results,and improve the accuracy of damage identification,taking deep belief nets to extract features of modal parameters as damage signature.

deep learning；RBM；DBNs；feature extraction；damage identification

顾桂梅(1970-)，女，副教授，硕士生导师，研究方向为智能信息处理与故障诊断.E-mail:386509464@qq.com

甘肃省高等学校科研项目(42015274)；兰州交通大学科技支撑基金(ZC2012008).

2016-05-25；

2016-06-18

TB 332

A

1003-4315(2016)04-0134-05