基于卷积神经网络的海上风电机组齿轮箱故障诊断

陈文华，黄伟稀

（中国船舶科学研究中心，江苏无锡 214082）

近年来，海上风电发展迅猛[1-5]，然而由于海上风电机组受到台风、暴雨等恶劣天气影响，很容易发生故障[6-8]。海上风电机组维护成本明显高于陆上风电机组[9]，其中齿轮箱故障导致的风电机组停机时间最长[10]。目前，风电机组的维护多采用定期检修的方式，这种方式一方面不能及时发现故障；另一方面靠维护人员经验进行故障诊断的准确率较低，且对维护人员的依赖性较强。因此，有必要针对海上风电机组齿轮箱开展故障诊断技术研究。

传统的故障诊断系统主要基于傅里叶变换频谱分析，在诊断准确率上有待提高。近年来发展起来的人工智能方法逐渐被应用在故障诊断领域[11-16]，但需要首先对振动信号进行故障特征提取，不仅流程繁杂而且容易造成信息遗漏，难以保证诊断准确性。

文中开展了基于深度学习方法的故障诊断技术研究。利用卷积神经网络在图像处理上的优势，将测试信号经连续小波变换转换为二维时频图作为网络输入，卷积神经网络自动提取故障特征，避免信息遗漏、简化故障诊断流程；最后进行仿真验证，并与传统的机器学习方法对比，验证文中所述方法的有效性和优越性。

1 神经网络

人工神经网络（Artificial Neural Networks,ANN）是模拟生物神经网络进行信号处理的一种数学模型，如图1 所示。其主要组成包括权重为wi的连接、信号求和加法器、激活函数以及外部偏置，数学表达如式（1）所示：

图1 典型的神经网络数学模型

其中，y为输出；xi为输入信号；wi为权值；f为激活函数，用于限制数值范围；b为偏置，用于调整激活函数的输入。神经网络实际上是通过学习建立起输入与输出之间的非线性映射关系，从而对相关输入进行模式识别，可应用于故障诊断。

基于神经网络的故障诊断可分为机器学习方法和深度学习方法两种，其中，机器学习方法的故障诊断思路是首先对振动信号进行预处理，得到能够反映故障信息的时域和频域特征，然后将其作为输入，利用神经网络建立输入特征与故障类别的映射关系，进而实现故障诊断。然而，在人为提取信号故障特征的过程中，不可避免地存在信息遗漏，影响故障诊断结果的准确性。

深度学习方法可以很好地弥补机器学习方法的缺点，其与机器学习的主要区别在于该方法可以自动对输入信号进行特征提取。卷积神经网络（Convolutional Neural Network,CNN）是一种常用的深度学习方法，CNN 层中的单元为二维滤波器（卷积核），卷积核与该层的输入进行卷积运算，处理具有网格结构的数据，在图像处理上表现优异。

利用卷积神经网络进行故障诊断的技术流程如图2 所示。首先对振动信号进行连续小波变换，得到能够反映故障特征的时频图；然后直接将时频图作为输入进行卷积神经网络的训练[17-18]。卷积神经网络中含有多个卷积层、池化层，可提取二维时频图特征信息。经过多次循环迭代，当输出误差满足精度要求后即完成了卷积神经网络的训练，进而可以进行故障诊断。

图2 卷积神经网络故障诊断技术流程图

2 仿真分析

采用动力学仿真的方式建立齿轮模型，模拟断齿和齿面磨损故障的仿真模型如图3 所示，仿真计算正常工况、断齿故障、齿面磨损故障的振动信号。

图3 齿轮故障仿真模型

各个工况的振动信号如图4 所示。从时域的波形图可以看出，无故障时振动信号平稳无冲击、振动幅值小，如图4（a）所示。发生故障后，振动增强并呈现出明显的冲击特性，如图4（b）、（c）所示。

图4 各个工况的时域振动信号

时域振动信号除了肉眼可见的明显振动周期外，不能观察其他信息，对故障信息的表达能力不强。为了提高故障信息的表达能力，需要对时域信号进行处理。时域信号特征量包括反映振动能量的均方值、反应冲击特性的峭度指标等。从图5 所示的振动信号均方值可以看出，故障工况相较于正常工况来说振动能量增加。从图6 所示峭度图可以看出，无故障时峭度指标约为3，发生故障后由于存在明显的冲击现象，峭度指标显著升高。

图5 各个工况振动信号均方值

图6 各个工况振动信号峭度指标

时域特征仅能反映是否存在故障，而不能进行故障定位，相对来说频域特征表达的信息更加充分，有利于故障定位。对信号进行FFT 变换得到的各工况频谱如图7 所示。从图7 可以看出，无故障时振动幅值小，频谱中仅有一个转频的线谱。两种故障工况的频谱特征相似，仅振动幅值不同，相对来说断齿故障振动更大，因此仅根据频谱特征不能准确定位故障，需进一步进行数据处理以提取特征。

图7 各个工况振动信号频谱

2.1 小波分析

小波分析是近年来受到广泛关注的一种数字信号处理方法，在时频分析上具有优势，连续小波变换的数学表达式为：

其中，f(t)为原始信号；*表示共轭；＜＞表示内积；满足一定条件的时间函数ψ(t)为母小波，将母小波伸缩或平移之后得到的函数族为：

其中，a为尺度参数，a＞1 表示沿时间轴方向拉伸，a＜1 表示沿时间轴方向压缩；b为平移参数，b＞0表示沿时间轴向右平移，b＜0 表示沿时间轴向左平移。这样得到的一簇小波可以根据实际信号改变尺度参数及平移参数，对原始信号进行等效，进而得到能够同时反映时域和频域信息的信号时频图，表达信息更加全面。

连续小波变换中时频窗在时频空间连续移动，实际应用中为了减少信息冗余，一般采用离散小波变换，使a和b按2 的整数次幂变化，离散小波核函数见式（4）。离散小波变换能够将信号分解，得到不同频率的信号分量，从而反映信号的故障特征。

2.2 基于机器学习方法的故障诊断

首先基于机器学习的方法进行故障诊断。采用小波分析对各工况振动信号进行分解，得到各工况振动信号的小波能量谱，如图8 所示，横坐标表示信号分解后的各频带序号，纵坐标表示各频带信号所对应的振动能量占比。将各工况的小波能量谱作为故障特征，输入至神经网络进行神经网络的训练。

图8 各个工况小波能量谱

基于Matlab 建立的神经网络结构如图9 所示，完成神经网络训练后进行故障诊断，得到的诊断结果如表1 所示。表1 给出了各个工况下神经网络预测的故障类别及可能性，可以看出机器学习方法对于不同的故障均取得到了较好的诊断结果，但诊断准确率仍有提高空间。

图9 基于Matlab建立的神经网络结构

表1 故障诊断结果

2.3 基于深度学习方法的故障诊断

“特征提取-特征降维-算法诊断”的故障诊断模式高度依赖经验和所选特征类别，存在不确定性。深度学习方法无需人工提取信号特征，简化了繁杂的信号处理过程。根据图2 所示的深度学习故障诊断技术路线进行故障诊断，并与机器学习方法得到的故障诊断结果相对比，以验证文中所述卷积神经网络方法的优势。

将振动信号经连续小波变换后得到的时频图作为卷积神经网络的输入并自动提取特征。采用迁移学习的方式解决训练数据不足的问题，利用现有的AlexNet 框架提取特征，然后根据研究需求进行网络调整，最终形成完整的深度学习神经网络，如图10所示。

图10 卷积神经网络结构框架示意图

对训练好的卷积神经网络进行验证，每种工况选取5 个时频图样本，如图11 所示。无故障工况下的时频图中无明显周期性冲击，故障工况下的时频图中存在2～3 个冲击亮条。

图11 典型工况时频图

图12 所示为验证集混淆矩阵，可以看出文中所述的卷积神经网络对全部的15 个验证样本均诊断正确，诊断准确率达到100%。

图12 诊断结果混淆矩阵

3 结束语

针对人为提取信号故障特征容易造成信息遗漏、诊断准确率低的问题，采用基于卷积神经网络的深度学习方法对海上风电机组齿轮箱进行故障诊断。文中介绍了卷积神经网络故障诊断的技术路线，并进行仿真验证，结果显示，文中所述方法相较于机器学习方法，简化了故障诊断流程，提高了诊断准确率，有限数据的诊断结果准确率为100%。