基于OS-ELM的风机关键机械部件故障诊断方法*

□ 占 健 □ 吴 斌 □ 王加祥 □ 余建波

1.上海电机学院 电气学院 上海 201306

2.上海电机学院 商学院 上海 201306

3.同济大学 机械与能源工程学院 上海 201804

基于OS-ELM的风机关键机械部件故障诊断方法*

□ 占 健1□ 吴 斌2□ 王加祥1□ 余建波3

1.上海电机学院 电气学院 上海 201306

2.上海电机学院 商学院 上海 201306

3.同济大学 机械与能源工程学院 上海 201804

针对传统故障诊断中前馈神经网络算法诊断效果不佳、泛化能力不强问题，提出了基于在线贯序极限学习机（OS-ELM）的风机关键机械部件故障诊断方法。该方法将测试得到的预测样本加入训练样本，作为下一次的更新信息，建立在线贯序极限学习机诊断模型，从而最大限度提高故障诊断精度，分析了激活函数、隐层节点数目对诊断性能的影响，并同BP神经网络、SVM以及ELM神经网络进行对比。实验表明，该方法在风机关键机械部件出现故障情况下，OS-ELM网络能够作出准确诊断且性能明显优于BP神经网络，与SVM、ELM故障分类准确率相当，但极大地提高了运算速度，便于工程应用。

风力发电机 在线贯序极限学习机 故障诊断

风机传动系统是一个复杂的机械系统，作为风机的关键机械部分，主要由轮毂、主轴、主轴承、齿轮箱、制动器、联轴器、发电机等部分组成，完成风能向机械能转换的重任。风机往往所处工作环境恶劣，面对不断变化的风速，风机需承受较大的冲击和交变载荷，同时受气温变化、潮气腐蚀等影响，传动系统故障频发，尤其在齿轮箱部分，保障整个系统长时间安全、可靠、稳定地运行是一个值得研究的课题。根据系统中各机械部件自身特点，在运行过程中对关键机械部件的正常退化状态进行有效监测，通过获取故障特征信息，掌握其运行规律，对出现的异常进行精确诊断，从而制定有效的控制策略，减少非计划停机次数，降低机组维护成本，提高经济效益。

随着风电的持续发展，风机故障诊断也取得了诸多成果，文献［1］根据韩国风电发展现实存在的限制，运用神经网络和小波变换来保证故障诊断系统的可靠性。文献［2］将小波神经网络应用于风机齿轮箱故障诊断，精确地实现齿轮箱故障诊断。文献［3］提出运用基于统计学习理论的支持向量机（SVM）故障诊断方法，利用其在小样本数据上精确的拟合和分类能力，在仅有少量时域样本的情况下训练故障分类器，通过测试，证明该方法具有较好的分类能力。但是随着机器学习方法的快速发展以及实际应用中对监控及诊断要求的提高，逐渐发现采用梯度下降算法调整权值的方法训练出的前馈神经网络具有学习速度慢、泛化性能差的问题；而SVM容易陷入局部最优解，往往需要借助遗传算法、蚁群算法等进行参数优化，而不得不以牺牲计算速度为代价来获得较高分类精度。文献［4、5］中提出极限学习机（Extreme Learning Machine，ELM）作为一种单隐层前馈神经网络（Single Hidden Layer Feedforward Neural Networks，SLFNs），其输入权值以及偏差项只需随机赋值，整个训练过程中无需再调整，再通过一步计算确定输出层权值。整个过程参数设置简单，学习速度迅速，具备良好的全局寻优能力。

现结合风机传动系统的关键机械部件齿轮及轴承故障特点，提出基于OS-ELM的风机关键部件的故障诊断模型并对其性能进行研究分析。首先选取合适的特征向量作为网络输入，通过OS-ELM建立故障诊断模型，验证分析不同激活函数以及隐层节点数目对OS-ELM神经网络诊断精度的影响。最后通过对比分析BP、SVM、ELM、OS-ELM网络性能，验证OS-ELM网络的有效性。

▲图1 典型单隐层前馈神经网络结构图

1 极限学习机

作为典型的单隐层前馈神经网络，其网络结构如图1所示，网络结构中包含位于最下层的输入层、中间层的隐含层和最上层的输出层，层与层各神经元之间全连接［6］。

隐含层与输出层节点之间的连接权值β如下：

式中：βjk表示隐含层第j个神经元与输出层第k个神经元之间的连接权值。

每个隐含层节点的阈值b为：

当具有N个训练样本的输入矩阵X和对应输出矩阵Y为：

隐含层神经节点的激活函数G（w，x，b），则由图1可知，神经网络输出T为：

式中：wi=［wi1，wi2，...，win］；xj=［x1j，x2j，...，xnj］T。

上式经简化可表示为：

式中：T′为矩阵T的转置；H为神经网络的隐含层输出矩阵，如下所示：

Huang［4］证明了对于一个具有N个训练样本的输入集合（xi，ti），其中 xi=［xi1，xi2，...，xin］T∈Rn，ti=［ti1，ti2，...，tim］T∈Rm，其隐含层节点数L与训练样本数N相等的前馈神经网络，当其激活函数G：R→R满足无限可微，那么对任意输入权值wi∈Rn和节点阈值bi∈R，SLFN可以零误差逼近训练样本，即：

式中：yj=［y1j，y2j，...，ymj］T，j=1，2，...，N为测试样本的理论输出。

然而，在实际训练中，隐含层节点数L通常比训练样本数N小，故对于一个具有N个训练样本的输入集合（xi，ti），其中xi=［xi1，xi2，...，xin］T∈Rn，ti=［ti1，ti2，...，tim］T∈Rm，当其激活函数G：R→R满足无限可微，那么对任意输入权值wi∈Rn和节点阈值bi∈R，总存在隐含层节点数L（L≤N）的前馈神经网络以任意给定小误差（ε＞0）来逼近训练样本，即：

因此当激活函数无限可微时，SLFN相关参数并不需要重复调整，输入权值以及阈值只需要在训练之初随机设置，后续训练过程中保持不变。隐含层输出权值β通过最小二乘解来求解方程组。

得到最小二乘解：

其中H+为隐含层输出矩阵H的Moore-Penrose广义逆。

2 在线贯序极限学习机

传统的前馈神经网络通常都是批量离线学习模式，整个学习过程是静止的。在旋转机械故障诊断中采集到的故障数据是及时变化的信息流，当原始数据集更新数据后，如果再次连同历史数据重新训练网络，无疑会在加大计算量的同时耗费大量学习时间。工业应用中往往只需要更新数据后的网络而无需对历史数据重新训练，于是在SLFNs的基础上，为实现在线神经网络的快速诊断，本文采用在线贯序极限学习（Online Sequential Extreme Learning Machine，OS-ELM）方法训练网络［7，8］，其算法流程如下。

（2）在线学习阶段。更新第（K+1）个数据集后，输出权值更新为：

学习过程中，令K=K+1，返回至学习阶段，不断更新参数H和β，直至数据末端。初始阶段，根据历史数据集完成输入权值和阈值初始随机赋值；学习阶段分批次或逐个更新数据，同时丢弃历史数据，由更新数据计算新的输出权值。

这种贯序学习的方法相比于其它神经网络，无疑会提高运行速度。整个过程只需确定隐层节点的数目，而无需反复修正权值等参数。同时，OS-ELM不仅可用于增加隐层节点的神经网络，还可用于RBF神经网络，具有较好的泛化能力。

3 基于OS-ELM分类的风机关键机械部件故障诊断

（2）确定隐含层节点数目L以及激活函数G（w，x，b），并为输入层连接权值w和阈值b随机赋值，计算初始数据集输出矩阵H0；

（3）通过上面的条件，训练样本集并保存训练后的网络模型；

（4）当获得新的故障数据后，按批次将故障数据作为测试数据，进行故障模式识别，输出故障类别；

（5）保存更新后的网络参数，将测试的故障数据信息更新为训练样本信息，作为后续诊断的基础。

4 实验与分析

为验证诊断模型的有效性，本文设计并搭建了风机传动系统故障模拟实验台，模拟风速不断变化的工况下，齿轮箱齿轮及端轴承故障，实验台如图2所示。对齿轮正常、齿轮磨损、点蚀、断齿、轴承内外圈、保持架、滚动体故障8种状态下的振动信号进行模式识别。

表1 特征参量表

▲图2 风力发电机旋转机械故障模拟试验台

实验过程中，每种状态采样频率均设为20 000 Hz，采样时间为2 min，分析过程中将数据样本分为240序列，每个序列包含8 192个数据点，以保证信息的完整性。对每个序列提取6个特征参量［9］，见表1。其中，fr与fm分别为部件旋转频率和啮合频率，β为信号峭度，X（f）为信号频谱幅值。

通过故障特征提取，计算出正常、齿轮磨损、点蚀、断齿、轴承内外圈、保持架、滚动体故障，分别对应输出为0、1、2、3、4、5、6、7八种状态的特征参数进行模式分类，每种状态取120个训练样本，共计960个训练样本。同时按照3∶1的比例，每种状态取40个测试样本，共计320个测试样本。训练和测试均在2.2 GHz的CPU和1 GHz RAM配置环境下进行。

▲图3 不同激活函数对分类准确率的影响分析

▲图4 网络学习时间随隐层节点数目的变化

▲图5 网络分类准确率随隐层节点数目的变化

4.1 建立极限学习机故障诊断模型

（1）激活函数对网络性能的影响分析。为建立在线贯序极限学习机故障诊断模型，首先必须确定最优激活函数，验证不同激活函数对网络性能的影响。ELM网络参数的选取相对简单，只需要选择隐层节点和激活函数，本文选择sigmoid、sine、rbf、hardlim4种函数在隐层节点逐步增加的情况下进行比较。选择初始隐层节点数为3，以1为周期增加隐层节点个数，直到与训练样本相同。网络性能随隐层节点的变化如图3所示。从图中看出激活函数采用sigmoid函数时，网络分类准确率最高且相对平稳；sin函数同样具有较好的稳定性，但是分类准确率相比sigmoid函数稍低；rbf函数在准确率和稳定性两方面均不及sigmoid函数和sin函数；hardlim函数同其它三种函数相比在稳定性和准确率两方面表现误差较大，故在OS-ELM网络中采用性能最优的sigmoid函数作为激活函数。

（2）隐层节点对网络学习时间和分类准确率的影响分析。同样选择初始节点数为10，以1为周期增加隐层节点个数，直到与训练样本相同，网络学习时间和分类准确率随隐层节点数目变化曲线如图4、图5所示。

由图4可知，网络时间主要消耗在训练样本阶段，一旦模型确立，测试阶段所需时间较短。图5中，总体趋势上准确率随着节点数的增加而增加，且到一定程度时趋于稳定。其原因是对含有噪声的故障数据未能有效彻底降噪，且ELM算法仅考虑最小经验风险，测试分类准确率受到部分远离集群点的影响而不能进一步提高。

4.2 在线贯序极限学习机故障诊断模型建立

OS-ELM是在ELM基础上的改进，引进时间概念，通过不断更新网络输出权值及阈值，对连续出现的故障数据进行分类。除引进时间概念外，其在参数选择等方面与ELM相同。网络中选择sigmoid函数作为激活函数，设定初始训练样本数为60，通过随机赋值给输入连接权值及阈值，并确定输出权值及阈值，以初始化网络诊断模型。设定实时更新数据段数目为50，以此模拟连续变化的故障信息流达到训练OS-ELM的目的。960组训练样本即可模拟18次故障数据更新，相应的初始模型相关参数更新了18次。

4.3 风机关键部件故障分类诊断

为进一步验证诊断模型的有效性，利用现有故障类别的320组样本进行测试。同时为体现OS-ELM网络性能，结合BP神经网络、支持向量机（SVM）以及ELM进行对比分析。其中BP神经网络采用6-8-8结构，惯性系数η=0.2，学习速率α=0.01。SVM中核函数采用径向基函数，通过交叉验证得到最优参数，惩罚因子c=26，核函数参数g=0.3。4种分类器性能对比见表2和表3。

表2 4种分类器准确率对比

表3 4种分类器时间消耗对比

由表2可知，OS-ELM分类准确率与ELM、SVM基本相当，远远高于BP神经网络，说明该算法在旋转机械故障诊断中的可用性。另一方面，通过表3对比可知，OS-ELM时间消耗远小于其它3种分类器，分类效率高于其余三者。ELM总体消耗时间是OS-ELM的2倍左右，相比SVM总体运行速度提高了约67%。综合评价采用OS-ELM算法训练连续的故障信息流，由输出权值β和输出矩阵H储存学习后得到的网络参数。当采集得到新的故障信息或故障信息存储在其它终端，只需将最近更新得到的β和H移植过去即可，而无需对历史数据再次进行训练学习。整个学习过程中无需储存历史数据，相反可以及时更新最新的故障信息，提高了网络对故障的辨识能力。

5 实验结论

针对故障样本少、种类多、故障数据不断变化的信息流问题，提出建立在线贯序极限学习机故障分类模型。在激活函数确定的情况下，只需确定隐层节点数，过程中无需调整连接权值、阈值等参数。网络训练完毕后，可通过更新参数H、β，对新故障数据进行辨识，有效提高分类准确率及泛化能力。验证了sigmoid、sine作为激活函数的适用性，网络训练时间与隐层节点数之间的正比例关系，通过对比分析验证了OS-ELM诊断模型性能明显优于BP神经网络，与SVM的诊断精度相当，但是运行速度得到了提高，具有实际应用意义。

［1］Ming-Shou，Sang-June，Hye-Youn.Implementation of AutomaticFailure DiagnosisforWind Turbine Monitoring System Based on Neural Network［C］.7th FTRA International Conference on Multimedia and Ubiquitous Engineering，Daegu，Korea，2013：1181-1188.

［2］Huang Qin，Liangyou Ding.Application of Wavelet Neural Networks on Vibration Fault Diagnosis for Wind Turbine Gearbox ［C］.Lecture Notes in Computer Science，5th International Symposium on Neural Networks，Beijing，China，2008.

［3］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.

［4］Huang G B，Zhu Q Y.Extreme Learning Machine：Theory and Applications［J］.Neuroputing，2006，70（1）：489-451.

［5］Guang-Bin Huang，Hongming Zhou，Xiaojian Ding，et al. ExtremelearningMachine for Regression and Multiclass Classification ［J］.IEEE Transactions on Systems，Man，and Cybernetics Part B：2012，42（2）：513-528.

［6］苑津莎，张利伟，王瑜，等.基于极限学习机的变压器故障诊断方法研究［J］.电测与仪表，2013，50（12）：21-26.

［7］Rong H J，Huang G B，Sundararajan N.Online Sequential Fuzzy Extreme Learning Machine for Functionapproximation and Classification Problems［J］.IEEE Transactions on Systems，Man and Cybernetics PartB，2009，39（4）：1067-1072.

［8］杨易旻.基于极限学习的系统辨识方法及应用研究［D］.长沙：湖南大学，2013：19-22.

［9］张青.风力发电机齿轮箱振动监测与故障诊断系统研究［D］.上海：华东理工大学，2013.

（编辑 功 成）

潍柴自主研发成功燃气ECU

2014年，潍柴燃气发动机产销两旺，占据很大的市场份额。但是，发动机中利润丰厚的子系统电控ECU，则完全依赖于国外进口。为此，潍柴发动机技术研究院电控技术部耗时一年时间，成功研发出一款自主燃气ECU。

目前，这款智慧产品正处于客户配套验证阶段，待批量投产后，将打破潍柴燃气ECU长期处于国外垄断的局面，为燃气车辆安装一颗奔腾澎湃的“中国芯”。

2015年1月26日，一辆配装潍柴燃气发动机的陕西重卡在-26℃的极限环境下冷启动一次成功。据试验人员反馈，参与此次试验的重卡车辆其发动机上安装了潍柴自主研发的燃气ECU，通过近半月的高寒挑战，发动机各项性能指标均达到设计要求，某些数据甚至优于配装国外燃气ECU的发动机。

2015年，潍柴将加大研发力度，按流程做好自主ECU的开发和验证工作，同时做好自主系统集成的技术准备，逐渐实现自主ECU的替换配套。

（张潇卓）

TH165.3

A

1000-4998（2015）04-0066-05

*国家自然科学基金资助项目（编号：51375290）

教育部人文社会科学研究青年基金项目（编号：10YJC630274）

2014年9月