小波神经理论在风力机齿轮箱故障诊断系统中的应用

樊立云，张培杰

（ 1.北京京能新能源有限公司，北京 100028;2.华北电力大学电站设备状态监测与控制教育部重点实验室，河北保定，071003）

0 引言

风力发电机齿轮箱工作环境恶劣，故障率较高，造成机组停机时间长，齿轮箱的状态监测与故障诊断对风力机安全经济运行至关重要。

风力机齿轮箱振动信号时一种时频特性复杂的非平稳信号，常规的时域和频域分析方法难以有效分析齿轮箱的故障及提取故障特征。小波变换具有多分辨率特性及良好的时频局部变换特性，适用于非平频稳信号。提出一种基于小波分析和神经网络的风力机齿轮箱故障诊断方法，该方法采用小波时频分析技术对风力发电机故障振动信号进行消噪滤波，通过小波包分解系数求取频带能量，根据各个频带能量的变化提取故障特征，为实现智能诊断提供故障特征值。应用BP神经网络进行故障识别，并采用LabVIEW和matlab软件予以实现。结果表明，该方法能有效提高风力发电机组齿轮箱故障诊断的准确性［1，2］。

1 风力发电机组齿轮箱故障及其诊断方法

1.1 风力机齿轮箱的主要故障

风力机齿轮箱的主要结构包括轴、齿轮和轴承，故障从结构上可以分为以下几类［2］:

(1)轴的故障:轴不对中，轴不平衡，轴弯曲等;

(2)轴承故障:轴承内外圈磨损，滚动体磨损等。

(3)齿轮故障:齿面剥落，齿面胶合，齿面磨损断齿等。

针对风力发电机组齿轮箱的故障形式特点，选用松散型小波神经网络比较适合。即利用小波包分析，把故障信号分解在相互独立的频带内，各频带内的能量值形成一个特征向量，不同的故障对应不同的特征向量值，作为神经网络的输入特征向量。齿轮箱故障诊断流程分为以下步骤:将得到的去噪后信号进行小波包分解，把分解后各频带的能量作为输入神经网络的特征向量。

文中分析齿轮箱振动信号诊断其故障，以齿轮的3种典型状态:正常、齿轮磨损、齿轮断齿为例进行研究。

2 小波分析与特征值的提取

2.1 小波变换基本原理

对于非线性振动产生的信号，小波变换则是一种有效的信号处理方法，它是一种时间—频率分析方法，具有多分辨率的特点，在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分需要较高的时间分辨率和较低的频率分辨率［3－4］。小波变换的基本思想与傅里叶变换是一致的，它也是用一族函数来表示信号的函数，称这种函数族为小波函数系，但是与傅里叶变换所用的正弦函数不同，它是由一基本小波函数的平移和伸缩构成的函数。

2.2 小波包能量特征提取的方法

齿轮箱的振动信号中含有丰富的频率成分，小波包分解能够为信号提供一种更精细的分析方法，通过对频带进行多层次划分，使多分辨分析中没有细分的高频部分得到进一步分解。故障信号与正常信号相比，相同频带内信号的能量差别较大。在各频率成分信号中包含着丰富的故障信息，利用小波包分解能够对振动信号进行精确细分，提取信号的特征向量。

假设原始信号x(t)中，最低频率成分为0，最高频率成分为f。实现了对原始信号S整个频率范围内的8频带等间隔分解。因此可以利用各个频带能量的变化来提取故障特征，频带能量可以由小波包分解系数来求取，具体步骤:

(1)利用db小波对采集来的信号S(t)进行3层小波包分解，分别提取第3层从低频到高频8个频率成分的信号特征。

(2)对小波包分解系数重构，提取各频带范围的信号特征。

(3)求各频带信号的能量。

式中xik表示重构信号，Si离散点的幅值。

(4)特征向量的构造。由于齿轮箱出现故障时，会对各频带内信号的能量有一定的影响，所以以能量为元素构造一个特征向量。特征向量构造如下:

对分解后第三层的8个频带分别进行重构，得到信号从低频到高频的信号能量，从而可以构造一个以能量为元素的特征向量，并根据式(5)进行归一化处理，得到可以用于神经网络输入的特征向量。

3 人工神经元网与故障模式识别

3.1 BP神经网络模型简介

BP 神经网络［5，6］是一种单向传播的多层前向网络，源于网络权值的调整规则采用的后向传播的BP学习算法。BP神经网络是三层或者三层以上的人工神经网络，由输入层、隐含层和输出层组成，同一层节点不发生横向联系，相邻层的节点通过连接权值相连，网络学习所获得的知识就体现在这些权值的集合之中。BP神经网络结构图如下:

图1 BP神经网络结构图

BP算法的学习过程包括信号的正向传递和误差的逆向传播。正向传递时，信号经隐含层处理后传向输出层。若输出层未能得到期望的输出，则转入误差的逆向传播阶段，将输出误差按某种形式通过隐含层向输入层逐层返回，并分配给各层的所有单元，从而获得各层单元的误差信号，根据误差调节权值，直至误差控制在允许范围，神经网络训练完毕。

3.2 BP网络步骤设计

文中利用小波包变换后的特征向量作为BP神经网络的输入值，即小波分析和神经网络的结合为松散型结合，以实现故障模式识别。BP网络设计步骤如下［6－7］:

1)以小波包分解提取电机状态信号的特征向量作为输入样本 Ti=［E0，E1，E2，E3，E4，E5，E6，E7］。为简化网络结构用3个输出神经元节点，其中神经元输出(1，0，0)表示齿轮正常，(0，1，0)表示齿轮磨损，(0，0，1)表示齿轮断齿。

2)根据输入特征向量的维数和设备的故障数确定神经网络的输入和输出层节点数。根据小波包三层分解得到的能量特征向量，确定神经网络的输入节点数为8;输出节点数为3。中间层神经元选择tansig(S型正切函数)为激活函数，输出层神经元选择logsig(S型对数函数)为激活函数。

3)利用编写BP神经网络程序并进行训练，训练结束后，查看训练结果是否满足要求，如果能够满足要求，则选择新的测试样本作为训练完毕的神经网络的输入，查看识别结果，测试网络性能;否则继续增加样本进行训练，重复步骤3)，直至输出满足要求。

4 小波神经网络故障诊断方法的实现

在LabVIEW和MATLAB环境下编程实现对齿轮箱中轴承的正常以及各种故障状态下的信号进行分析，采用sym8小波函数对原始信号进行三层分解消噪，采用db1小波函数对消噪后的信号进行三层小波包分解，构造出各自的特征向量，建立“特征向量—系统状态”的对应关系。对轴承的正常信号、外圈故障信号、内圈故障信号三种信号进行分析研究［8］。

利用LabVIEW和MATLAB混合编程实现对信号的小波包特征值的程序编写，如下图2所示。

图2 信号特征能量提取模块前面板

对采集样本信号进行特征提取，分别得到10组样本信号特征向量.根据所述BP神经网络设计步骤，利用LabVIEW和matlab混合编程编写BP网络程序，输入样本信号特征向量和期望输出训练神经网络，根据以上的分析来训练网络，误差变化曲线如图4所示:

图3 特征向量提取的程序框图

图4 BP网络训练误差图

当误差允许范围内期望输出和实际输出基本符合，表明该网络组成的状态分类器训练成功。同样利用另外不同于样本信号的12组测试信号用于测试训练完毕的神经网络性能。

根据所述BP神经网络设计步骤，利用Lab-VIEW和MATLAB混合编程编写BP网络程序，利用训练好的神经网络，对测试样本进行计算检验。

将12组测试向量输入到神经网络进行状态识别，测试结果如图5所示。测试结果符合实际测试信号对应的状态，证明了利用小波包分析能够有效提取故障特征向量，并且经过训练的BP神经网络确实能够对风力机齿轮箱故障状态做出准确的诊断分类。

5 结论

文中通过在风力机齿轮箱故障诊断中应用小波包分析和BP神经网络理论，可得结论如下:

图5 小波神经网络诊断前面板

(1)小波包理论对振动信号做特征值提取的研究，并通过实验数据实现特征值提取，为实现故障类型的辨别提供依据。。

(2)测试结果符合实际测试信号对应的状态，证明了小波神经理论可以有效的用于齿轮箱的故障诊断系统的实际应用，能够对风力机齿轮箱故障状态做出准确的诊断分类。

［1］姚兴佳.风力发电技术的研究现状［J］.太阳能，2006，(1):47 －48.

［2］李心月，杨荣海，韩慧岷，等.柴油燃烧室外预热对发动机性能的影响［J］.森林工程，2011(3):64－66.

［3］李少华，赵明浩，陈杰，蒋东翔.小波变换在风力机齿轮箱故障特征提取中的应用［J］.振动与冲击.2010，29(5):201 －203.

［4］王红君，刘冬生，岳有军.基于小波分析和神经网络的电机故障诊断方法研究［J］.电气传动，2010，40(3):69－73.

［5］朱启兵.基于小波理论的非平稳信号特征提取与智能诊断方法研究［D］.沈阳:东北大学，2005.

［6］袁曾任.人工神经元网络及其应用［M］.北京:清华大学出版社，1999.

［7］王效 ，杨平.基于BP人工神经网络的冻土融沉系数预测方法研究［J］.森林工程，2008(5):18－21.

［8］Yuzhong Li，“Study on Incipient Fault Diagnosis for Rolling Bearings Based on Wavelet and Neural Networks”，Fourth International Conference on Natural Computation，Vol 04，pp.262 －265，June 2008.

［9］吴松林，张福明，林晓东.基于小波神经网络的滚动轴承故障诊断［J］.空军工程大学学报(自然科学版)，2008，9(1):17 －21.

［10］王昱峰，李健，朱玉杰.基于复杂网络模型的协同制造服务网建立主法［J］.森林工程，2010(6):79－81.