基于多分类支持向量机的风电机组故障诊断

2015-04-13 08:26郑小霞
浙江电力 2015年4期
关键词:时域分类器类别

徐 开,郑小霞

(上海电力学院自动化工程学院,上海 200090)

基于多分类支持向量机的风电机组故障诊断

徐 开,郑小霞

(上海电力学院自动化工程学院,上海 200090)

提出了综合考虑风电机组转速及输入/输出轴水平和垂直方向振动信号,对故障数据依照转动周期分组后分别对每个周期的时域指标进行提取,而后基于SVM(支持向量机)对提取后的数据进行4种状态下故障分类的方法。测试结果表明,该方法简单有效,具有很好的故障识别能力,适合风电机组齿轮箱故障诊断。

多分类;支持向量机;风电机组;故障诊断

0 引言

作为相对成熟的可再生绿色能源,近年来风力发电发展迅速,风能已被广泛认为具有巨大的潜力。在目前国际上能源短缺日益严重的大背景下,大力发展风电是缓解能源短缺和环境污染问题的有效途径和必然趋势。

但是,风电机组存在齿轮箱故障率高且维修困难的问题。对齿轮箱进行高效的故障分类和诊断可减少不必要的经济损失,节约成本,创造更大的社会经济效益。因此,对风电机组齿轮箱的故障进行诊断和分类很有必要[1,2]。

SVM(支持向量机)是一种基于统计学理论的分类方法。本文在研究风电机组齿轮箱正常与故障这2种状态的基础上[3,4],进一步细分了点蚀、断齿、断齿及表面磨损3种故障类型,对正常运行和故障状态进行了分类实验研究,考虑风电机组的转速以及轴水平和垂直方向振动的时域特征参数等多源信息,构建了基于多分类的支持向量机的故障诊断模型,有利于对故障形态进行快速甄别。与常见测试数据的对照表明,本文方法简单有效,具有应用潜力[5]。

1 基于SVM的多分类问题研究

1.1 支持向量机基本概念

支持向量机是一种基于统计学理论的分类方法。分类方法是机器学习的方法,分类也称为模式识别,或者在概率统计中称为判别分析问题。支持向量是指支持(支撑)平面上把2类类别划分开来的超平面上的向量点。线性判别函数一般形式为g(x)=wx+b。将判别函数归一化,使2类样本都满足:

此时分类间隔为2/||w||2,而使间隔最大等价于使||w||2最小。满足条件(1)并且使||w||2最小的分类超平面即为最优分类面。SVM通过选取适当的核函数,将输入空间转换到1个高维的线性可分空间,在映射后的空间内构造最优分类超平面,从而将不同类型的点分类[6]。

1.2 现有的多分类支持向量机算法

SVM算法最初只能解决二分类问题,而一般来说现实中的分类问题以多分类为主,当处理多分类问题时,就需要寻找合适的多类分类器[7]。

目前构造SVM多类分类器解决多分类识别问题时主要有2种方法:一种是直接法,直接在目标函数上进行修改,将基本的二分类支持向量机扩展为多分类支持向量机,通过构造多类分类器来解决多分类问题,通过求解该问题来实现多类分类。不足是其计算复杂度比较高,实现起来较为困难,更适合于小型问题。另一种是间接法,是将多分类问题逐步分解为二分类问题,用多个二分类支持向量机来组成1个多类分类器。下面分别介绍解决多分类问题的现有主要方法。

1.2.1 OAA(一对多)算法

OAA算法在训练时依次把某个类别的样本归为正负2类,1个为正、其余为负,每个类别的样本构造1个SVM。分类时将未知样本分类为具有最大分类函数值的那类。当使用该方法时,训练时间与类别的数量成正比。考虑多个分类器算法对测试错误率累加,当训练样本较多时,样本分类准确率将降低。

1.2.2 OAO(一对一)算法

OAO算法是将多个类别中的任意2个类别重新组合,针对每个组合设计二分类SVM,因此对于N个类别而言需要构造个SVM。在构造完个SVM后,采用投票法对未知样本进行预测。然后设每个样本的初始值为0,通过依次带入个决策函数判别来输出分类结论,每个分类器独立对样本进行判据后累加。个分类器都判别完后,累加票数最高的那个类别即为该样本所属的类。

OAO算法的缺点是产生的子分类器数目随类别数目增长较快,当分类类别过大时,训练速度随着类别的增加成指数级降低。

1.2.3 DAG(有向无环图多分类)算法

DAG是一种有方向且不含环的图。DAG算法在训练阶段与OAO一致,对分类采取任意2组两两组合的方式,对于N类样本同样需要构造个二分类器。

与OAO分类相比,DAG提高了分类速度,但是并未考虑样本误差传递对后续产生的影响。

1.2.4 H-SVM(层次支持向量机)算法

H-SVM首先将所有样本分成2类,而后再将每个类一分为二,依次“迭代”形成倒立的二叉树,直到树枝的末端成为1类为止。与DAG相似,该方法将原有的多分类问题分解成一系列的二分类问题,不同的是在初始分成2类后,2类样本不再区分,从而减少了计算复杂度。H-SVM的层次结构分为“偏态树”与“正态树”2类,对同一数据2种树状形态的分类层次不同,直接影响了分类的速度。其中“偏态树”指的是从顶层开始每1个包含2个类别的节点的分类器只将1个类别与其它类别分开的结构,而“正态树”接近于1种倒立的完全二叉树。当层次结构的形态接近于正态树时,分类同样的类型需要的层次较少,具有理想的训练速度,同时分类时仅需要非常少的分类器。

本文针对风电机组齿轮箱常见的3种故障类型进行了四分类的故障研究,选取3层正态树H-SVM解决分类问题。第2层采用各类样本间的欧氏距离较大的数据[8],克服误差累积问题,进而提高分类精度。

2 多源故障信号特征值提取

本文采用某旋转机械振动分析及故障诊断实验平台系统实验数据。该系统可快速模拟旋转机械多种状态及振动,进行各种状态的对比分析,被国际国内众多高校认可,广泛应用于高校、工矿、科研院所的科研、教学、产品开发及人员培训等。为更好地识别风电机组故障,选取了3种最常见的风机齿轮箱故障,分别为点蚀、断齿和断齿及表面磨损,以其所对应的各种有代表性的特征参数作为故障诊断分类样本。

选取了同一转速下以上3种风机齿轮箱故障及正常共4类状态进行故障甄别,分别采集下转速、输入轴水平/垂直方向位移、输入/输出轴的水平/垂直方向加速度和输出轴磁电式速度等共9个传感器数据,选用4种状态所对应的各种有代表性的特征参数作为样本。时域有量纲参数指标分别为:均值um、标准偏差ustd、均方根urms和峰值up;无量纲参数指标分别为波形因数KSF、峰值因子KCF、峭度因子KV、裕度因子KCLF和脉冲因子KIF。

图1表示基于时域指标的SVM故障诊断流程,即在采集故障数据后先对故障数据进行分组预处理,然后提取时域指标,最后对这些时域指标分别学习、训练、观察结果,最后选取最优指标作为故障特征标识。

表1 在不同的时域指标下对故障的识别率

图1 基于时域指标的SVM故障诊断流程

3 故障诊断分析

3.1 故障数据采集

采用实验平台快速模拟旋转机械多种状态及振动,可进行各种状态的对比分析及诊断。在该旋转机械振动分析及故障诊断实验平台系统中,对4种状态下的下转速、输入轴水平/垂直方向位移、输入/输出轴的水平/垂直方向加速度和输出轴磁电式速度共9个传感器数据进行采集,采样频率为5 120 Hz。

3.2 故障数据分类

对包括正常运行状态在内的4种机组状态类型进行信号采集后,对采集数据进行分组时域信号提取。进行多次分组实验后,发现当每组故障数据N数值为采样频率f/转速w时故障特征最为明显。针对该实验平台数据,即取N为350时所取得的风电机组状态特征时域参数代入SVM训练,从而建立故障诊断模型。每个单独周期提取5个无量纲时域指标,然后针对每种组合(i=1, 2,3,4,5),每种故障类型分别提取对应指标学习训练。

3.3 时域指标诊断结果

在实验平台上对同一频率下的4种状态进行数据的再次采集后,依照上述方式进行分组提取时域指标特征值,对5种时域指标特征值分别进行提取分类。

计算表明,单一时域指标KCF,KCLF和KV对故障最为敏感,诊断正确率在80%左右,而KIF和KSF对故障最不敏感,诊断正确率不到50%。在结合多个时域指标的诊断中,KCF,KCLF及KV3项指标最为敏感,在90%左右。详见表1。

4 结语

(1)本文综合考虑风电机组转速及输入/输出轴的水平/垂直方向振动信号,对故障数据依照转动周期分组后,分别对每个周期的时域指标进行提取诊断,能较为有效地识别机组故障类型。

(2)将3层正态树实现的H-SVM多分类方法应用到风电机组故障诊断中,能够有效地识别齿轮箱中的故障及故障类型。

[1]HAMEED Z,HONG Y,CHO Y,et al.Condition monitoring and faultdetection of wind turbines and related algorithms:a review[J].Renewable and Sustainable Energy Reviews,2009,13(1)∶1-39.

[2]AMIRAT Y,BENBOUZID M,AL-AHMAR E,et al.Abrief status oncondition monitoring and fault diagnosis in wind energy conversionsystems[J].Renewable and Sustainable Energy Reviews,2009,13(9)∶2629-2636.

[3]梁伟宸,许湘莲,庞可,等.风电机组故障诊断实现方法探讨[J].高压电器,2011,47(8)∶57-62.

[4]苏勋文,米增强,王毅.风电场常用等值方法的适用性及其改进研究[J].电网技术,2010,34(6)∶175-180.

[5]方瑞明.支持向量机理论及其应用分析[M].北京:中国电力出版社,2007.

[6]魏于凡.支持向量机在智能故障诊断中的应用研究[D].保定:华北电力大学,2007.

[7]安学利,蒋东翔.风力发电机组运行状态的混沌特性识别及其趋势预测[J].电力自动化设备,2010,30(3)∶15-19.

[8]张周锁,李凌均,何正嘉.基于支持向量机的机械故障诊断方法研究[J].西安交通大学学报,2002,36(12)∶1303-1306.

(本文编辑:龚 皓)

Diagnosis on Wind Turbine Faults Based on Multi-classification Support Vector Machine

XU Kai,ZHENG Xiaoxia
(Shanghai University of Electric Power,Shanghai 200090,China)

The paper introduce a fault classification method.In this method,rotation speed of wind turbine and vibration signal in horizontal and vertical direction of input and output shafts are taken into consideration; in accordance with rotation period,the fault data is grouped and time-domain indexes in each period are extracted,after which faults in four conditions are classified on the basis of extracted data of SVM(support vector machine).The test result show that the method is simple and effective,and it can identify faults and is suitable for diagnosis of faults in gear boxes of wind turbine generating units.

multi-classification;support vector machine(SVM);wind turbine generating units;fault diagnosis

TM614

B

1007-1881(2015)04-0054-03

2015-03-06

徐 开(1990),男,硕士研究生,研究方向为风电机组故障诊断。

猜你喜欢
时域分类器类别
基于朴素Bayes组合的简易集成分类器①
一起去图书馆吧
基于特征选择的SVM选择性集成学习方法
基于复杂网络理论的作战计划时域协同方法研究
网络分析仪时域测量技术综述
山区钢桁梁斜拉桥施工期抖振时域分析
基于差异性测度的遥感自适应分类器选择
一种用于高速公路探地雷达的新型时域超宽带TEM喇叭天线
多类别复合资源的空间匹配
基于层次化分类器的遥感图像飞机目标检测