果蝇优化算法融合SVM的风机叶片损伤识别研究

Study on Identification of Damage for Wind Turbine Blade by Fusing FOA and SVM

顾桂梅　胡　让　李远远

(兰州交通大学自动化与电气工程学院，甘肃 兰州　730070)



果蝇优化算法融合SVM的风机叶片损伤识别研究

Study on Identification of Damage for Wind Turbine Blade by Fusing FOA and SVM

顾桂梅胡让李远远

(兰州交通大学自动化与电气工程学院，甘肃 兰州730070)

摘要：为提高风机叶片裂纹损伤和边缘损伤识别的准确率，提出使用果蝇优化(FOA)算法和支持向量机(SVM)相结合的方法。使用硬件系统采集两类损伤故障的声发射信号，然后对信号进行小波处理，提取能量特征，根据能量特征信息，建立支持向量机模型，测试其准确率；采用果蝇优化算法优化支持向量机参数，使模型损伤识别更准确，并将优化后模型识别结果与粒子群优化(PSO)算法优化支持向量机后的识别结果相比较。仿真结果表明，使用果蝇优化算法优化后的支持向量机模型的识别精度更高，能够准确地实现对风机叶片损伤的识别。

关键词：风机叶片损伤识别小波处理支持向量机果蝇优化算法新能源风力发电神经网络智能识别

Abstract：In order to improve the identification accuracy of crack damage and edge damage for wind turbine blade,the method combining fruit fly optimization algorithm (FOA) and support vector machine (SVM) is proposed.The acoustic emission signals of two types of damage fault are collected using hardware system; then processed with wavelet method and the energy features are extracted.In accordance with the information of energy features,the support vector machine model is established,the accuracy is tested.The SVM parameters are optimized with FOA,to get more accurate damage identification.The model identification result is compared with the result by using particle swarm optimization (PSO) and SVM.The simulation result indicates that the identification accuracy of FOA+SVM is more accurate.Precise identification of blade damage can be implemented by the method proposed.

Keywords:Wind turbine bladeDamage identificationWavelet processingSVAFOANew energyWind power generation

Neural networkIntelligent identification

0引言

风电机组风轮叶片是机组能量转换的关键部件，在风电机组安全运行中起重要作用[1]。叶片工作环境恶劣，定期人工维护困难，且维护成本高。因此，无论考虑降低运行风险还是减少维护成本，研究风机叶片损伤识别都具有一定的意义[2]。

近年来，人工智能识别方法在风机叶片损伤识别中得到应用。文献[3]使用人工神经网络实现叶片不同损伤等级的识别；文献[4]～[8]提取叶片声发射信号的特性差别信息，建立模式识别模型实现模式识别。本文针对裂纹损伤和边缘损伤，选用支持向量机(support vector machine,SVM)进行损伤识别。果蝇优化算法(fruit fly optimization algorithm,FOA),具有适应性强和速度快的特点，且在煤矿开采[9]、轴承故障诊断[10]、船舶操纵预报[11]等领域得到应用，在风机叶片损伤识别中还未得到应用。本文使用果蝇优化算法(FOA)优化风机叶片损伤识别模型，并从叶片损伤声发射信号采集和数据模式识别两部分进行研究，其中数据采集部分通过硬件完成，模式识别通过SVM实现。

1声发射信号采集

风机叶片直接面对风能，将风能转换为自身旋转的机械能，是风力发电过程中最重要的一步，因此，检测叶片的状态特征信息是监测其健康状况的关键问题[12]。材料或结构在外力作用下，其异常部位因应力集中而产生变形或者断裂等，并伴随能量的快速释放，产生瞬态弹性波现象，称为声发射[13](acoustic emission,AE)。与振动信号相比，声发射信号的幅值大小和自身能量变化有关，与振动状态无关，所以本文使用声发射技术采集叶片损伤声发射信号，避免因振动因素对损伤识别产生影响。信号采集的硬件系统结构图如图1所示。

其中图1(a)所示的是位于叶片上的声发射信号采集和无线发送结构图，图1(b)所示的是位于机舱中的信号无线接收以及和位于地面的上位机通信部分结构图。

图1　系统硬件结构示意图

传感器选用北京声华SR150M声发射传感器，模数转换选用维斯特公司的USB2.0数据采集卡，无线收发模块选用JASK1000无线开发板，无线接收与上位机通过RS-485通信，上位机通过串口接收数据并处理数据。实验对象是长度为1.5 m的小型玻璃钢叶片，实验的采样频率是500 kHz，采样点数是4 096，对裂纹损伤和边缘损伤两类故障分别采集300组数据。人为模拟两类损伤。对于裂纹损伤，先人为在叶片上制造一条裂纹，然后在裂纹处施加压力，使其出现细小裂纹，产生声发射信号并采集。对于边缘损伤，使用外力挤压叶片边缘，使之产生塑性变形，产生声发射信号并采集。选取两类损伤具有代表性的声发射信号，其波形如图2所示。其中图2(a)为裂纹损伤声发射波形，图2(b)为边缘损伤声发射波形。

图2　声发射信号波形

2果蝇优化算法

果蝇优化算法(FOA)是台湾潘文超博士于2011年提出的一种基于果蝇觅食行为推演出寻求全局最优化的方法，是群体智能的一种新方法，属于演化式计算范畴，亦属于人工智能领域。FOA在应用上无领域限制，使用上非常灵活[14]。

果蝇寻优流程图如图3所示。本文使用果蝇优化算法优化支持向量机参数。

图3　果蝇优化算法流程图

果蝇以其超强的嗅觉和视觉优于其他物种，可以大范围内搜寻空中的食物气味，然后飞近食物后依靠敏锐的视觉发现食物。一个个体发现食物位置则果蝇群体将全部朝着这个方向飞去，最终找到食物。搜寻步骤如下。

① 随机初始化果蝇群体位置：Xaxis、Yaxis。

② 设定果蝇个体搜寻食物的随机方向和距离：

Xi=Xaxis+RrandomYi=Yaxis+Rrandom

③ 由于无法得知食物位置，因此先估计与原点的距离Ddist，再计算出味道浓度判定值S，此值为距离的倒数：

④ 味道浓度判定值Si代入到味道浓度判定函数(或称为Fitnessfunction)中，求出该果蝇个体位置的味道浓度Ssmelli=F(Si)。

⑤ 求出此果蝇群体中味道浓度最高的果蝇(求极大值)[Bbestsmell,Bbestindex]=max(Ssmell)。

⑥ 保留最佳味道浓度值和x,y坐标，此时果蝇群体利用视觉朝该位置飞去：Ssmellbest=Bbestsmell。

Xaxis=X(Bbestindex)Yaxis=Y(Bbestindex)

⑦ 进行迭代寻优，重复执行步骤②～⑤，并判断味道浓度是否优于前一次迭代的味道浓度，若是则执行步骤⑥。

3果蝇优化算法优化支持向量机模型

上位机接收数据后将对数据进行处理。为了建立支持向量机模型，提取故障信号的特征信息，作为支持向量机的输入。本文利用Matlab作为工具处理数据。首先对数据进行[-1,1]归一化处理，其映射关系如式(1)所示。

(1)

式中：x,y∈Rn；xmin=min(x);xmax=max(x)，归一化后y∈[-1,1]。然后求取两类信号的包络谱，包络谱反应信号的频谱分布，两类代表性信号的包络谱如图4所示。其中图4(a)为裂纹损伤信号的包络谱，图4(b)为边缘损伤信号的包络谱。

从图4中可以发现，两类损伤信号的声发射频率主要集中在[0,250 kHz]，而实验采样频率量程为500 kHz，即故障频率主要在前半段，得出故障信号的能量主要集中在前半部分。

根据对信号包络谱的分析，将提取信号的前半段能量特征作为支持向量机的输入。使用db5小波对故障信号进行4层分解，得到16个频段，提取前8个频段的8个能量值作为一组支持向量机的输入。能量值通过式(2)求得。

(2)

式中：n为采样点数；j=1,2,…,7。

利用能量特征向量建立支持向量机模型。本文针对叶片裂纹损伤和边缘损伤两类故障，选用二分类支持向量机。支持向量机分类思想是将输入的特征向量通过决策面函数映射到高维空间，在高维空间中求出最大间隔分类面，实现模式识别。实现模式识别的关键是决策面函数的构造。决策面函数为：

(3)

式中:K(xi,xj)为支持向量机的核函数，本文选用的核函数为径向基函数,K(xi,xj)=exp(-γ‖xi-xj‖2)，γ=1/σ2,σ为核参数；ai(i=1,2,…,n)是下列二次优化问题的解。

(4)

(5)

式中:C为冗余参数；b通过使式(6)成立的样本xj(即特征向量数据)求得[15]。

(6)

将裂纹损伤作为一类故障，标签设定为1；将边缘损伤作为二类故障，标签设定为2。模式识别使用LIBSVM工具箱，实验对两类损伤分别采集300组数据，通过数据处理分别提取出300组特征向量，其中200组作为训练集，建立支持向量机模型，剩余100组作为测试集，测试模型预测的准确率。使用粒子群优化算法(particle swarm optimization,PSO)对支持向量机参数(c,g)进行求取，粒子群种群数量为20，迭代次数为100，利用求取的参数建立支持向量机模型，并测试模型分类的准确率。分类的结果为185/200，准确率为92.5%；使用粒子群优化算法求取的支持向量机参数(c,g)分别为(57.224 2,0.01)。两类损伤各自的误判结果如表1所示。

表1　两类损伤的分类结果

(7)

式中:n1为各个训练集中果蝇数目;yij为真实值;f(xij)为支持向量机预测值。

寻找果蝇群体中味道浓度的最小值，[bF,BI]=min(F)，其中bF为F的最小值，bI为F最小值所处的位置。保留最佳浓度值和果蝇位置，其他果蝇利用视觉向该位置飞去，Fbest=bF，X1=(bI)，Y1=Y(bI)。重复寻优过程，当味道浓度优于前一次味道浓度时，则更新果蝇位置;否则继续寻优。当达到最大迭代次数时，寻优过程结束。预测值与真实值之间的均方根误差(root mean squared error,RMSE)变化如图5所示。

图5　FOA寻优过程RMSE变化图

从图5可以看出，果蝇寻优在第3次迭代时，均方根误差收敛到最小，即第3次迭代时的浓度值最佳，对应的位置最优，求出的参数(c,g)分别为(52.021 7,0.03)，优化后的分类结果为191/200，准确率为95.5%。果蝇优化后的两类损伤各自误判结果如表2所示。

表2　优化后两类损伤的分类结果

从表2可以看出，参数优化后，两类损伤故障的误判数明显减少。使用果蝇优化算法优化支持向量机参数与使用粒子群优化算法优化相比，前者优化后能减

少误判数，显著提高模式识别的准确度。

4结束语

本文利用声发射技术监测叶片状态，使用无线通信方式传输信号。实验结果表明，系统信号采集和无线传输可靠；同时无线技术解决了有线检测的缠线问题，为旋转部件状态监测提供方法。

本文利用故障信号的能量特征建立支持向量机模型，利用果蝇优化算法优化支持向量机参数，并与粒子群优化算法优化相比较。结果表明，使用果蝇优化算法优化参数，增加了损伤分类的准确度，提高了模式识别的准确率，能够完成对叶片损伤的识别。

参考文献

[1] 胡燕平,戴巨川,刘德顺.大型风力机叶片研究现状与发展趋势[J].机械工程学报,2013,49(20):140-151.

[2] 郭万龙.大型风电机组叶片损坏原因与对策[J].电力安全技术,2014,16(5):10-13.

[3] Anastassopoulos A,Kouroussis D A,Nikolaidis V N,et al.Structural integrity evaluation of wind turbine blades using pattern recognition analysis on acoustic emission data[J].Journal of Acoustic Emission,2003(20):229-237.

[4] 曲弋,陈长征,吴昊,等.基于声发射和神经网络的风机叶片裂纹识别研究[J].机械设计与制造,2012(3):152-154.

[5] 曲弋.MW级风力发电机组关键部件振动分析与故障诊断方法研究[D].沈阳:沈阳工业大学,2012.

[6] 杜文超.基于声发射技术的大型风力机叶片材料的损伤研究[D].南京:南京航空航天大学,2011.

[7] 韩敬宇.基于声发射技术的风电叶片裂纹无线监测系统研究[D].北京:北京化工大学,2010.

[8] 袁洪芳,周璐,柯细勇,等.基于声发射信号的风机叶片裂纹定位分析[J].计算机工程与设计,2011,32(1):320-323.

[9] 王素英,张喆,赵悦品.果蝇算法融合SVM的开采沉陷预测模型[J].煤矿安全,2014,45(5):43-46.

[10]张翔,陈林.基于果蝇优化算法的支持向量机故障诊断[J].电子设计工程,2013,21(16):90-93.

[11]王雪刚,邹早建.基于果蝇优化算法的支持向量机参数优化在船舶操纵预报中的应用[J].上海交通大学学报,2013,47(6):884-888.

[12]崔晓伟.风力发电机叶片疲劳测试机的仿真研究与设计[D].上海:华东理工大学,2014.

[13]程静,王维庆,何山.风电机组噪声检测及故障诊断研究[J].自动化仪表,2014,35(3):39-41.

[14]潘文超.果蝇最佳化演算法[M].台湾:沧海书局,2011:9-14.

[15]张学工.模式识别[M].3版.北京:清华大学出版社,2010:104-110.

中图分类号：TH878;TP211+.2

文献标志码：A

DOI:10.16086/j.cnki.issn1000-0380.201602003

甘肃省高等学校科研基金资助项目(编号：42015274)；

兰州交通大学科技支撑基金资助项目(编号：ZC2012008)。

修改稿收到日期：2015-05-29。

第一作者顾桂梅(1970-)，女，2005年毕业于兰州交通大学交通信息工程及控制专业，获硕士学位，副教授；主要从事故障诊断、智能信息处理的研究。