基于GA-BP神经网络的风机齿轮箱故障预警算法

时间：2024-05-04

戴幸泽窦慧洋

（内蒙古工业大学信息工程学院内蒙古自治区呼和浩特市 010051）

风电机组运行环境通常较为恶劣，由风机部件频繁发生故障造成的停机发电损失，以及产生的维护费用都会对风电场的效益产生严重影响[1]。齿轮箱是风机的核心传动部件，其故障发生率一直居高不下，必要时需要下塔进行周期较长的维修，从而造成经济损失。为此，及时准确的发现隐患，有计划性的定期维护，可以有效预防齿轮箱出现严重故障[2]。

针对齿轮箱故障诊断，可以通过对采集的高频振动数据进行分析，文献[3]和文献[4]分别提出了一种基于粒子群优化和纵横交叉法优化的BP 神经网络算法，提取振动信号特征，建立误差模型，进行故障诊断。但由于高频振动数据需要在机舱内安装大量传感器，也会出现故障且成本较高，而有效利用风机SCADA 系统采集的多通道数据同样可以对齿轮箱故障进行诊断预警[5,6]。文献[7]利用随机森林算法对SCADA 数据的特征进行提取。文献[8]对SCADA 数据建立的神经网络模型，依据马氏距离对主轴承进行故障预警。

本文提出了一种基于遗传算法优化的BP 神经网络模型，可以解决网络易陷入局部极小值问题，从而有效的进行全局搜索。以齿轮箱轴承温度为预测目标，利用L1 正则化对SCADA 数据进行特征选取作为网络输入，建立齿轮箱故障预警模型。测试表明了该方法的有效性，对齿轮箱故障的更深层次分析提供了一种新的研究方法。

1 基于GA-BP的神经网络模型

采用误差反向传播(BackPropagation,BP)算法的多层前馈神经网络，由输入层，隐含层和输出层组成[9]，图1 为有n 个输入节点，m 个隐层节点，l 个输出节点的单隐层神经网络结构。

图1：单隐层神经网络结构图

式中，η 代表学习率，在0-1 范围取值，wjk为隐含层第j 个节点到输出层第k 个节点的权值，vij代表输入层第i 个节点到隐含层第j个节点的权值。通过链式求导法则，可以推算出各权值的改变量，进而优化整个网络。

由于BP 算法采用梯度下降法搜索最优解，从而很容易使得误差函数陷入局部极小，网络的初始权值对最终结果影响较大[10]。

遗传算法(Genetic Algorithms,GA)是模拟自然界优胜劣汰的进化过程建立的数学模型，依据遗传概率在解空间中搜索全局最优解，可以用来解决多参数的最优化问题[11]。所以，利用遗传算法优化BP 神经网络的初始权值，对网络进行训练可以进一步逼近全局最小。

GA-BP 算法首先需要确立BP 神经网络的拓扑结构，从而确定网络权值和阈值的个数，并对其进行编码生成初始种群，种群中的任一个体均携带了整个网络的权值和阈值信息；其次需要计算种群个体适应度，适应度函数F(x)=-E(x)，E(x)为网络训练误差，根据设定的选择、交叉、变异算子，循环迭代搜索种群最优个体；最后利用最优个体解码得到的权值和阈值对网络进行训练，预测样本输出。GA-BP 算法流程如图2所示。

2 齿轮箱故障预警算法

2.1 模型特征选取及数据预处理

由于完整的SCADA 数据特征较多，里面存在着大量的多重共线性特征，且许多属性与齿轮箱故障分析并不相关，所以在确定网络输入参数时，需要对SCADA 数据特征进行选取。

利用L1 正则化可以对数据进行降维选取主要特征，进而有效避免变量特征较多时造成的过拟合现象，提高模型的泛化能力[12]。

图2：GA-BP 算法流程图

图3：遗传算法进化曲线

L1 正则化代价函数如式（2）所示：

式中hθ(x)为预测值，y 为真实值，m 为样本个数，λ 为正则化系数，n 为特征数量。通过增添约束项使得部分特征权重置0 获得稀疏解，进而降低维度。

针对齿轮箱轴承温度对SCADA 数据进行特征选取，表1 为按相关度排序前10 的主要特征：

特征选取后，为了消除量纲之间的差别，需要对数据进行标准化处理，如式（3）所示：

式中，x 为某一特征的样本数据，μ 为均值，σ 为标准差。

2.2 故障预警算法

风电机组齿轮箱故障预警算法主要分为三步:

表1：齿轮箱轴承温度特征选择

图4：残差概率分布

图5：残差预警限值

第一步，根据特征选择结果，利用风机无故障历史运行数据训练网络模型；第二步，利用测试数据得到风机正常运行下的齿轮箱轴承温度预测值，计算与实际值的残差E 及其均值μ 和标准差σ，设定预警限值第三步，对实时SCADA 数据进行预测，设定容错个数k=6，当连续k 个运行数据预测得到的残差超过预警限值时，对齿轮箱进行故障预警。

3 实例分析

本文选取某风场1.5MW 机组进行了测试，其齿轮箱结构为一级平行轴加二级行星轮的传动形式。训练数据集为SCADA 系统2016年12月-2017年1月的10min 运行数据，为无故障运行数据，以2017年2月的10min 运行数据作为测试数据，进行验证。

3.1 GA-BP参数设置

本文采用单隐层网络，输入层节点个数为10，隐层节点个数为21，输出层节点个数为1，网络隐层激活函数使用Sigmoid 函数，输出层激活函数使用ReLu 函数，f(x)=max(0,x)，训练次数设为2000，学习率为0.11。

设定种群数目为10，最大遗传代数为500。使用二进制编码方式对网络权值和阈值进行编码，选择操作使用轮盘赌算子，交叉操作使用两点交叉，交叉概率pc为0.7，变异操作使用二进制染色体的变异算子，变异概率pm为0.01。

3.2 网络训练

对GA-BP 网络进行训练，图3 为遗传算法进化曲线，可以看出当进化约300 次后，种群最优个体适应度函数值趋于稳定。

由于适应度函数为网络训练误差的相反数，即最优个体适应度值和训练误差成反比，对进化后的最优个体进行解码后，开始训练BP 神经网络，用无故障运行的数据计算预测值与真实值的残差，其概率分布如图4所示，计算预警限值如图5所示。

用该模型对2017年2月SCADA 数据进行测试，得到残差如图6所示。

可以看出自2月13日起已经出现连续预警，2月15日出现明显异常，由此推断齿轮箱可能发生故障。对有明显超过报警限值的2月15日齿轮箱温度数据进行分析，发现油温明显偏高，其风速-功率-油温曲线如图7所示。

根据曲线可看出在6:55 以前齿轮箱油温与风速及功率呈正相关，即将达到75℃时，机组出现了一次停机，油温迅速下降至69℃。在此期间，齿轮箱油温和功率随风速变化而变化。11:35 以后风速增加，功率达到满发，油温迅速上升至75.6℃，导致机组限功率运行在1000kW。20:15 油温降至74.6℃，机组限功率解除达到满发，油温再次迅速上升至75.7℃，机组继续限功率运行，严重影响机组发电效率，而且油温高直接导致齿轮油粘度降低，油膜变薄，致使齿轮箱内部齿轮、轴承等部件磨损加重，寿命降低，同时油温高加速齿轮油的氧化速度，导致齿轮箱油使用寿命降低，形成恶性循环。经检查，导致油温过高的原因为齿轮箱配套冷却器风侧流道污染，堵塞严重。过高的油温导致轴承温度持续增加，从而产生SCADA 报警。

根据测试数据残差可以发现，在SCADA 自身报警前已经多次出现预测异常点，且在15日当天残差值达到最大。由此表明，该方法可以有效判断风机齿轮箱是否发生故障，且能够提前预警，结合SCADA 自身报警可以有效的对齿轮箱故障进行诊断，及时维护。