宋 威，林建維，周方澤，李召巖，趙 凱，周 暉

基于改進(jìn)降噪自編碼器的風(fēng)機(jī)軸承故障診斷方法

宋 威1，林建維1，周方澤2，李召巖2，趙 凱2，周 暉2

(1.國(guó)投電力控股股份有限公司，北京 100034；2.北京交通大學(xué)電氣工程學(xué)院，北京 100044)

滾動(dòng)軸承是風(fēng)電機(jī)組中故障最為頻繁的部件之一，準(zhǔn)確有效的軸承故障診斷方法有助于保障風(fēng)電機(jī)組安全穩(wěn)定運(yùn)行。針對(duì)軸承振動(dòng)信號(hào)特征微弱、難以診斷的問(wèn)題，提出了一種基于改進(jìn)降噪自編碼器的風(fēng)電機(jī)組軸承故障檢測(cè)方法。首先引入了一維信號(hào)的圖像化預(yù)處理，將原始的時(shí)域信號(hào)轉(zhuǎn)化為二維特征灰度圖。然后利用卷積神經(jīng)網(wǎng)絡(luò)在圖像特征提取上的強(qiáng)大優(yōu)勢(shì)，構(gòu)建了堆疊降噪自編碼器與卷積神經(jīng)網(wǎng)絡(luò)的集成模型，去除了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中的池化層，進(jìn)一步提升提取特征的魯棒性和泛化性。整體診斷流程由數(shù)據(jù)驅(qū)動(dòng)，減少了對(duì)于經(jīng)驗(yàn)的依賴(lài)。最后的實(shí)驗(yàn)結(jié)果表明，該方法能夠精確診斷不同類(lèi)型的軸承故障。此外，通過(guò)與其他方法的對(duì)比實(shí)驗(yàn)進(jìn)一步驗(yàn)證了該方法在故障診斷方面的優(yōu)越性。

風(fēng)電機(jī)組；軸承；故障診斷；降噪自編碼器

0 引言

在“碳達(dá)峰”“碳中和”國(guó)家戰(zhàn)略減碳目標(biāo)為牽引的能源革命大背景下，風(fēng)電作為一種綠色能源[1]，是推動(dòng)“雙碳”目標(biāo)實(shí)現(xiàn)的關(guān)鍵環(huán)節(jié)。風(fēng)力發(fā)電機(jī)組葉輪通過(guò)主軸與機(jī)艙連接，該過(guò)程的動(dòng)能傳遞樞紐是主軸軸承。主軸軸承在風(fēng)力發(fā)電機(jī)組中的重要性極為突出，其運(yùn)轉(zhuǎn)狀態(tài)關(guān)系著整個(gè)機(jī)組的運(yùn)行狀態(tài)，一旦故障將產(chǎn)生高額的維修費(fèi)用和長(zhǎng)時(shí)間的停機(jī)。研究表明，軸承故障作為風(fēng)電機(jī)組最常見(jiàn)的故障之一，占整體機(jī)械故障的1/3[2]。軸承振動(dòng)信號(hào)通常表現(xiàn)為時(shí)變、非線(xiàn)性、非平穩(wěn)信號(hào)，并且在采集過(guò)程中摻雜著大量噪聲，導(dǎo)致軸承在不同故障情形下的振動(dòng)信號(hào)特征微弱，識(shí)別困難[3]。如何在缺乏先驗(yàn)知識(shí)的情況下對(duì)軸承故障進(jìn)行快速、準(zhǔn)確的診斷，對(duì)于維護(hù)風(fēng)電機(jī)組持續(xù)穩(wěn)定運(yùn)行具有重要的實(shí)際意義。

振動(dòng)分析法是目前應(yīng)用最為廣泛的風(fēng)電機(jī)組軸承故障診斷方法，該方法首先利用加速度或者速度傳感器采集軸承運(yùn)行過(guò)程中的加速度或速度振動(dòng)信號(hào)，然后利用合適的信號(hào)處理方法將故障的特征提取出來(lái)，最后進(jìn)行故障模式的識(shí)別[4]。針對(duì)這一問(wèn)題，長(zhǎng)期以來(lái)國(guó)內(nèi)外專(zhuān)家應(yīng)用了不同的建模方法與數(shù)據(jù)處理技術(shù)進(jìn)行了探索[5]。但大致的過(guò)程基本類(lèi)似，即先對(duì)原始的時(shí)域信號(hào)進(jìn)行處理和變換，然后提取信號(hào)特征，最后應(yīng)用機(jī)器學(xué)習(xí)等方法進(jìn)行故障診斷的建模。如通過(guò)傅里葉變換[6]、小波變換[7]、短時(shí)傅里葉變換[8]等方法，將原始的一維時(shí)域信號(hào)轉(zhuǎn)為頻域或時(shí)頻域信號(hào)，對(duì)振動(dòng)信號(hào)進(jìn)行預(yù)處理和特征提取，再利用機(jī)器學(xué)習(xí)方法對(duì)特征進(jìn)行分類(lèi)，完成軸承故障的識(shí)別與診斷。文獻(xiàn)[9]使用三層小波包分解提取故障特征，并基于改進(jìn)的多分類(lèi)相關(guān)向量機(jī)完成故障分類(lèi)，文獻(xiàn)[10]人為選取了9個(gè)時(shí)域特征向量，利用極限學(xué)習(xí)機(jī)來(lái)對(duì)軸承故障進(jìn)行診斷。以上方法雖然取得了較高的診斷準(zhǔn)確率，但都涉及人工特征選取過(guò)程，而這一過(guò)程具有相當(dāng)?shù)闹饔^(guān)性，特征值選取的準(zhǔn)確性將最終影響到故障診斷結(jié)果。

隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，深度學(xué)習(xí)提供了一種“端到端”的解決方案，通過(guò)構(gòu)建深層次的非線(xiàn)性網(wǎng)絡(luò)，建立振動(dòng)數(shù)據(jù)與設(shè)備運(yùn)行狀態(tài)之間精確的映射關(guān)系，避免了人為的特征設(shè)計(jì)過(guò)程。文獻(xiàn)[11]利用深度信念網(wǎng)絡(luò)直接從原始振動(dòng)數(shù)據(jù)中學(xué)習(xí)分布不變特性，克服了工況變化導(dǎo)致特征分布變化的缺點(diǎn)，提高了故障診斷準(zhǔn)確率；文獻(xiàn)[12]提出了一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的診斷模型，進(jìn)一步增強(qiáng)了網(wǎng)絡(luò)提取特征的魯棒性，提升了診斷精度；文獻(xiàn)[13]提出了一種時(shí)頻域建模方法，綜合考慮了發(fā)電機(jī)軸承故障信號(hào)的時(shí)域信息和頻域信息，通過(guò)門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)五種不同的故障進(jìn)行診斷。

自編碼器(AutoEncoder, AE)作為一種特征提取模型，在數(shù)據(jù)降維和特征提取方面性能優(yōu)越，由AE衍生出的深度神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于軸承故障診斷，并取得了較高的診斷準(zhǔn)確率[14]。文獻(xiàn)[15]以堆疊自編碼器作為主要架構(gòu)，通過(guò)計(jì)算樣本間的特征距離，進(jìn)一步提升了模型的特征提取能力，最后用支持向量機(jī)完成故障的分類(lèi)；文獻(xiàn)[16]提出了由三種不同自編碼器模型構(gòu)成的集成(ensemble)模型，通過(guò)動(dòng)態(tài)加權(quán)平均對(duì)各編碼器學(xué)習(xí)到的特征進(jìn)行集成，整體的故障診斷精度達(dá)到了99%；文獻(xiàn)[17]首先計(jì)算原始時(shí)域信號(hào)的相關(guān)峭度值，基于全連接神經(jīng)網(wǎng)絡(luò)構(gòu)建了深度自編碼器，對(duì)振動(dòng)信號(hào)進(jìn)行故障識(shí)別；文獻(xiàn)[18]構(gòu)建了一種基于奇異值分解的稀疏自編碼器軸承故障診斷模型。以上研究表明，將自編碼器與其他模型進(jìn)行混合集成或者改進(jìn)數(shù)據(jù)預(yù)處理技術(shù)，能夠進(jìn)一步提升其特征學(xué)習(xí)的能力[19]。

基于以上研究，提出了一種改進(jìn)的降噪自編碼器(Denosing AutoEncoder, DAE)軸承故障診斷集成模型，在數(shù)據(jù)預(yù)處理技術(shù)和網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行了改進(jìn)。在數(shù)據(jù)預(yù)處理上，引入了將原始一維時(shí)域信號(hào)轉(zhuǎn)化為二維灰度圖像的方法[20]，利用二維卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)信號(hào)特征的提取，深度挖掘故障特征。在網(wǎng)絡(luò)結(jié)構(gòu)上，去掉了傳統(tǒng)CNN網(wǎng)絡(luò)中的池化層，完整地保留了原始一維振動(dòng)信號(hào)的信息，進(jìn)一步提升了模型的魯棒性和泛化性，在每個(gè)卷積層后加入批歸一化層，加速網(wǎng)絡(luò)訓(xùn)練速度。實(shí)驗(yàn)結(jié)果表明，提出的故障檢測(cè)模型能夠高精度地實(shí)現(xiàn)軸承故障的識(shí)別和分類(lèi)。

1 基本原理

1.1 自編碼器

圖1 自編碼器網(wǎng)絡(luò)結(jié)構(gòu)

Fig. 1 Network structure of AutoEncoder

自編碼器在訓(xùn)練過(guò)程中無(wú)需使用樣本標(biāo)簽，其本質(zhì)是將樣本的輸入同時(shí)作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出，通過(guò)最小化重構(gòu)誤差來(lái)學(xué)習(xí)樣本的有效特征。該特性使得自編碼器可以作為強(qiáng)大的特征提取器，應(yīng)用于深度模型的預(yù)訓(xùn)練。在預(yù)訓(xùn)練結(jié)束后，編碼器的輸出可以直接作為后續(xù)模型的輸入。

1.2 降噪自編碼器

高維數(shù)據(jù)一般都具有一定的信息冗余，使用自編碼器是為了得到有效的數(shù)據(jù)表示，而有效的數(shù)據(jù)表示除了具有最小重構(gòu)錯(cuò)誤的性質(zhì)外，還可以要求其具備其他性質(zhì)，比如對(duì)數(shù)據(jù)部分損壞(Partial Destruction)的魯棒性。降噪自編碼器是一種通過(guò)引入噪聲來(lái)增加編碼魯棒性的自編碼器[22]，核心思想是在輸入層中加入隨機(jī)噪聲進(jìn)行訓(xùn)練，通過(guò)對(duì)污染數(shù)據(jù)的特征映射還原原始無(wú)污染的數(shù)據(jù)，從而使得編碼器能夠?qū)W習(xí)到更具魯棒性和泛化性的特征表達(dá)。

式中，下標(biāo)opt代表了網(wǎng)絡(luò)權(quán)重和偏置的最優(yōu)值。

1.3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)是一種具有局部連接、權(quán)重共享等特性的深層前饋神經(jīng)網(wǎng)絡(luò)，在模式分類(lèi)領(lǐng)域被廣泛使用，關(guān)于CNN的詳細(xì)結(jié)構(gòu)與原理可參見(jiàn)文獻(xiàn)[24]。

在信號(hào)處理中，通常采用一維卷積神經(jīng)網(wǎng)絡(luò)。由于一維卷積神經(jīng)網(wǎng)絡(luò)存在感受野(Receptive Field)受限和過(guò)擬合的風(fēng)險(xiǎn)，一些研究者將一維的原始信號(hào)轉(zhuǎn)化為二維特征圖來(lái)對(duì)模式進(jìn)行識(shí)別。文獻(xiàn)[20]引入了一種灰度圖像變換方法，文獻(xiàn)[25]則將原始信號(hào)映射至極坐標(biāo)系，轉(zhuǎn)化為格拉姆角場(chǎng)(Gramian Angular Field, GAF)特征圖，再利用卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的強(qiáng)大優(yōu)勢(shì)，完成原始信號(hào)的診斷與分類(lèi)。這些預(yù)處理方法能夠更多地保留原信號(hào)的特征，提升故障診斷的精度。

2 軸承故障診斷框架

2.1 改進(jìn)的降噪自編碼器

本文提出了一種降噪自編碼器與卷積神經(jīng)網(wǎng)絡(luò)的集成模型，整體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，包含了一個(gè)編碼器、一個(gè)解碼器和一個(gè)故障分類(lèi)器。其中自編碼器網(wǎng)絡(luò)由4層卷積神經(jīng)網(wǎng)絡(luò)(C1～C4)和兩層全連接神經(jīng)網(wǎng)絡(luò)構(gòu)成(F5～F6)，在每個(gè)2D卷積層后均添批歸一化(Batchnorm)層，提升神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度[26]，激活函數(shù)選擇整流線(xiàn)性單元(Rectified Linear Unit, ReLU)，避免深度網(wǎng)絡(luò)中梯度消失的問(wèn)題。

圖2 基于降噪自編碼器的軸承故障診斷框架

Fig. 2 Bearing fault diagnosis framework based on denosing AutoEncoder

為了充分保留信號(hào)的邊緣信息，對(duì)輸入卷積層的灰度圖像進(jìn)行像素填充，padding取值為1；同時(shí)考慮到原始振動(dòng)信號(hào)特征微弱，且輸入灰度圖像維度較低，去除了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中的池化層(Pooling)。原始輸入在經(jīng)過(guò)編碼器后被壓縮為(1×16)的一維有效特征，解碼器的網(wǎng)絡(luò)結(jié)構(gòu)與編碼器基本對(duì)稱(chēng)，區(qū)別在于用反卷積層(C5～C8)替代了編碼器中的卷積層。相似地，在解碼器的每一個(gè)反卷積層后添加批歸一化層，激活函數(shù)選擇ReLU。在編碼器完成有效特征提取后，設(shè)置了一個(gè)由全連接神經(jīng)網(wǎng)絡(luò)構(gòu)成的分類(lèi)器(F10)，完成軸承故障分類(lèi)的任務(wù)。

2.2 軸承故障診斷流程

軸承故障檢測(cè)模型訓(xùn)練過(guò)程分為兩個(gè)階段，自編碼器預(yù)訓(xùn)練和分類(lèi)器訓(xùn)練，整體流程如圖3所示。

圖3 軸承故障訓(xùn)練-診斷流程

Fig. 3 Bearing fault training-diagnosis process

預(yù)訓(xùn)練階段通過(guò)向灰度圖像中添加隨機(jī)噪聲，得到含噪數(shù)據(jù)，進(jìn)一步通過(guò)自編碼器得到重構(gòu)圖像。預(yù)訓(xùn)練的目標(biāo)是保證編碼器能夠在含噪聲的情況下提取到輸入的有效特征，使得解碼器的重構(gòu)輸出盡可能地與輸入接近，即最小化均方誤差損失。

設(shè)置預(yù)訓(xùn)練輪次為50次，采用 Adma優(yōu)化器更新網(wǎng)絡(luò)參數(shù)，批次大小為32，學(xué)習(xí)率設(shè)置為0.001，通過(guò)輸出損失函數(shù)判斷模型的魯棒性。

對(duì)于分類(lèi)器，同樣設(shè)置訓(xùn)練輪次為50次，優(yōu)化器選擇Adam，批次大小為32，學(xué)習(xí)率為0.001，通過(guò)數(shù)據(jù)集驗(yàn)證故障診斷模型的分類(lèi)準(zhǔn)確率。

3 實(shí)驗(yàn)驗(yàn)證

使用配置為Intel I7 3.0 GHz CPU、16 GB RAM、 GTX 1050 Ti GPU 以及系統(tǒng)為Windows10 64 位操作系統(tǒng)的PC，以Pytorch為深度學(xué)習(xí)框架編制Python程序，以公開(kāi)數(shù)據(jù)集對(duì)所提模型的性能進(jìn)行了驗(yàn)證。

3.1 實(shí)驗(yàn)數(shù)據(jù)集

采用美國(guó)凱斯西儲(chǔ)大學(xué)(Case Western Reserve University, CWRU)的公開(kāi)軸承數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集，CWRU數(shù)據(jù)集作為標(biāo)準(zhǔn)數(shù)據(jù)集，被廣泛用于滾動(dòng)軸承故障診斷算法的測(cè)試[27]。軸承故障采集實(shí)驗(yàn)平臺(tái)如圖4所示，由1個(gè)2hp的電機(jī)、力矩傳感器、測(cè)力器和控制系統(tǒng)組成，采用電火花加工模擬軸承故障。其中故障類(lèi)型分為內(nèi)圈故障(IR Fault)、外圈故障(OR Fault)和滾動(dòng)體故障(BA Fault)，不同故障類(lèi)型又分為0.007 mm、0.014 mm和0.021 mm三種不同的損傷尺寸，故數(shù)據(jù)集中共包括9種故障信號(hào)和1種正常信號(hào)。

圖4 CWRU數(shù)據(jù)實(shí)驗(yàn)平臺(tái)

Fig. 4 Experimental platform of CWRU dataset

選擇驅(qū)動(dòng)端傳感器數(shù)據(jù)用于分析，將原始信號(hào)按1 024個(gè)點(diǎn)進(jìn)行截取，共得到1 305條時(shí)域數(shù)據(jù)。將數(shù)據(jù)的80%隨機(jī)劃分為訓(xùn)練集、20%隨機(jī)劃分為測(cè)試集進(jìn)行實(shí)驗(yàn)。

3.2 數(shù)據(jù)預(yù)處理

為了保證數(shù)據(jù)符合卷積神經(jīng)網(wǎng)絡(luò)的輸入要求，將一維的時(shí)域信號(hào)按照文獻(xiàn)[20]的方法轉(zhuǎn)換成為二維灰度圖像，轉(zhuǎn)換后的信號(hào)維度為(32×32)。這種數(shù)據(jù)處理方法的優(yōu)點(diǎn)是不依賴(lài)人工經(jīng)驗(yàn)，并保留了原始信號(hào)特征。不同類(lèi)型故障對(duì)應(yīng)的灰度圖如圖5所示。

圖5 軸承故障信號(hào)灰度轉(zhuǎn)化圖

Fig. 5 Bearing fault signal grey-image conversion

信噪比(Signal Noise Ratio, SNR)是指在某段信號(hào)中目標(biāo)信號(hào)功率與噪聲信號(hào)功率的比值，在一定程度上能夠反映信號(hào)的質(zhì)量，信噪比計(jì)算公式為

式中，、分別為目標(biāo)信號(hào)功率和噪聲信號(hào)功率，單位為dB。信噪比越大，混雜在該信號(hào)中的噪聲越少。在原始信號(hào)中加入10 dB的隨機(jī)噪聲信號(hào)，加入噪聲后的故障信號(hào)灰度轉(zhuǎn)化結(jié)果如圖6所示。

Fig. 6 Bearing fault grey-image with random noise

可以看出，不同軸承故障類(lèi)型表征出不同的紋理和形狀，這意味著可以利用降噪自編碼器的特征提取能力，隱式地學(xué)習(xí)到這些特征并利用其進(jìn)行識(shí)別和分類(lèi)。

3.3 實(shí)驗(yàn)結(jié)果

為了進(jìn)一步提升訓(xùn)練速度，整體訓(xùn)練過(guò)程部署在GPU上運(yùn)行，整體訓(xùn)練過(guò)程中的損失函數(shù)變化如圖7所示。

由圖7可知，大約經(jīng)過(guò)35個(gè)訓(xùn)練輪次后，預(yù)訓(xùn)練過(guò)程中的均方誤差損失函數(shù)開(kāi)始收斂，在0.01上下小幅振蕩。第二階段的分類(lèi)器交叉熵?fù)p失約在訓(xùn)練20個(gè)輪次后開(kāi)始收斂，在第40個(gè)輪次后達(dá)到穩(wěn)定，在訓(xùn)練集上的損失約為0.000 1，略小于在測(cè)試集上的損失。預(yù)訓(xùn)練耗時(shí)為59.86 s，分類(lèi)器訓(xùn)練耗時(shí)為26.78 s，第二階段耗時(shí)比預(yù)訓(xùn)練階段短，其原因是無(wú)須將編碼器提取得到的有效特征送入解碼器進(jìn)行重構(gòu)，分類(lèi)器為一層全連接神經(jīng)網(wǎng)絡(luò)，其參數(shù)遠(yuǎn)少于由4層卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成的解碼器。需要指出的是，在預(yù)訓(xùn)練完成后才進(jìn)行分類(lèi)器的訓(xùn)練。

圖7 訓(xùn)練損失函數(shù)變化

Fig. 7 Change of training loss function

為了驗(yàn)證模型自適應(yīng)提取特征的能力，利用Tsne降維算法將測(cè)試集原始的高維數(shù)據(jù)映射至二維空間，繪制散點(diǎn)圖如圖8所示，每一種顏色代表不同類(lèi)型的軸承故障?？梢钥吹剑驾S承振動(dòng)故障信號(hào)的特征相互重疊，難以進(jìn)行區(qū)分。同樣地，將編碼器卷積層C4提取出的特征映射至二維空間進(jìn)行可視化，如圖9所示，經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)的特征提取后，不同類(lèi)型的故障分布在二維空間的不同區(qū)域，區(qū)分度明顯，證明了模型在特征提取上的有效性。

圖8 原始數(shù)據(jù)特征降維可視化

Fig. 8 Dimension reduction visualization of original data

圖9 卷積層C4提取特征降維可視化

Fig. 9 Dimension reduction visualization of the output features of convolutional layer C4

訓(xùn)練集和測(cè)試集的故障診斷準(zhǔn)確率如圖10所示，隨著訓(xùn)練輪次的增加，模型整體的檢測(cè)精確率逐步上升，約在20個(gè)訓(xùn)練輪次后達(dá)到穩(wěn)定，在測(cè)試集上的準(zhǔn)確率達(dá)到了99.60%。在圖像像素為32×32和10 dB噪聲信號(hào)干擾的情況下，診斷準(zhǔn)確率較文獻(xiàn)[20]提升了約7%。

圖10 訓(xùn)練集與測(cè)試集診斷準(zhǔn)確率

Fig. 10 Diagnosis accuracy of train set and test set

采用混淆矩陣來(lái)評(píng)估分類(lèi)器可信度，混淆矩陣顯示了分類(lèi)器所有可能的分類(lèi)結(jié)果。圖11為模型在測(cè)試集上的故障識(shí)別矩陣，其中列對(duì)應(yīng)于故障的實(shí)際類(lèi)別，行對(duì)應(yīng)于分類(lèi)器的預(yù)測(cè)類(lèi)別，0～9分別代表軸承不同類(lèi)型的故障標(biāo)簽?？梢钥闯觯艘粋€(gè)實(shí)際為BA0.021的故障被誤識(shí)別為BA0.007的故障外，其余故障檢測(cè)結(jié)果均正確。實(shí)驗(yàn)結(jié)果證明提出的降噪自編碼器風(fēng)機(jī)軸承故障識(shí)別模型能夠提取原始數(shù)據(jù)的有效特征，故障分類(lèi)準(zhǔn)確率高。

圖11 故障診斷結(jié)果混淆矩陣

Fig. 11 Confusion matrix of fault diagnosis results

3.4 噪聲干擾驗(yàn)證

為了驗(yàn)證模型在不同噪聲信號(hào)下的表現(xiàn)，向數(shù)據(jù)集中的故障信號(hào)分別加入14 dB、12 dB、8 dB和6 dB的隨機(jī)噪聲信號(hào)進(jìn)行實(shí)驗(yàn)，驗(yàn)證結(jié)果如表1所示。

表1 不同噪聲信號(hào)下診斷準(zhǔn)確率

由表1可知，在噪聲信號(hào)較小(14 dB和12 dB)時(shí)，降噪自編碼器所提取的特征泛化性和魯棒性相較于10 dB噪聲時(shí)稍弱，但是整體識(shí)別率仍然保持在一個(gè)較高的水平。隨著噪聲信號(hào)的進(jìn)一步增大，在一定程度上破壞了原始數(shù)據(jù)的分布，導(dǎo)致整體識(shí)別率開(kāi)始下降。這說(shuō)明降噪自編碼器在預(yù)訓(xùn)練時(shí)需要加入合適的噪聲信號(hào)，過(guò)大或過(guò)小的噪聲信號(hào)都會(huì)影響降噪自編碼器的性能。因而，人為加入的噪聲信號(hào)可以視為一個(gè)超參數(shù)，加入合適的噪聲信號(hào)可以增強(qiáng)模型特征提取的魯棒性。

3.5 對(duì)比實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證該方法的優(yōu)越性，分別將一維原始振動(dòng)信號(hào)和二維灰度圖像作為輸入，進(jìn)行普通降噪自編碼器、稀疏自編碼器、降噪自編碼器三種模型的對(duì)比實(shí)驗(yàn)。區(qū)別在于普通自編碼器去掉了噪聲輸入，稀疏自編碼器在普通自編碼器的基礎(chǔ)上加入了一個(gè)稀疏性損失，以限制神經(jīng)網(wǎng)絡(luò)神經(jīng)元的激活概率[28]，施加的稀疏性損失用KL散度(Kullback-Leibler Divergence)度量，表示為

對(duì)于原始一維時(shí)域信號(hào)，三種自編碼器網(wǎng)絡(luò)的編碼器(F1～F4)和解碼器(F6～F9)均用四層全連接網(wǎng)絡(luò)構(gòu)建，網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表2所示。為了提升全連接神經(jīng)網(wǎng)絡(luò)的泛化性，隱藏層的神經(jīng)元數(shù)設(shè)置為64，同樣在各全連接層間加入批歸一化層加速運(yùn)算，激活函數(shù)選擇ReLU。對(duì)于降噪自編碼器，在輸入中加入10 dB的隨機(jī)噪聲信號(hào)。

對(duì)于二維灰度圖像信號(hào)，普通自編碼器和稀疏自編碼器的網(wǎng)絡(luò)結(jié)構(gòu)均與第2節(jié)中一致，對(duì)比實(shí)驗(yàn)結(jié)果如表3所示。

由表3可知，三種自編碼器網(wǎng)絡(luò)在原始時(shí)域信號(hào)的表現(xiàn)均不佳，整體軸承故障分類(lèi)識(shí)別率在70%左右，引入二維灰度圖像的數(shù)據(jù)預(yù)處理方式能夠顯著地提高模型的識(shí)別能力，這也說(shuō)明了卷積神經(jīng)網(wǎng)絡(luò)在特征提取上的性能要顯著優(yōu)于全連接神經(jīng)網(wǎng)絡(luò)。普通自編碼器和稀疏自編碼器在以二維灰度圖像作為輸入時(shí)，均取得了較高的分類(lèi)準(zhǔn)確率，稀疏自編碼器略高于普通自編碼器。實(shí)驗(yàn)結(jié)果表明，所提出的模型能夠作為風(fēng)機(jī)軸承故障檢測(cè)與分類(lèi)的有效診斷方法。

表2 一維自編碼器網(wǎng)絡(luò)結(jié)構(gòu)

表3 對(duì)比實(shí)驗(yàn)結(jié)果

4 結(jié)論

針對(duì)風(fēng)電機(jī)組滾動(dòng)軸承故障特征微弱、診斷困難等問(wèn)題，提出了一種改進(jìn)的降噪自編碼器診斷方法，引入了一維振動(dòng)信號(hào)灰度圖像化的數(shù)據(jù)預(yù)處理方法，并對(duì)自編碼器的特征提取網(wǎng)絡(luò)進(jìn)行了改進(jìn)。該方法能夠從帶噪信號(hào)中學(xué)習(xí)到更具魯棒性和泛化性的有效特征表征，避免了需要經(jīng)驗(yàn)的人為特征選取過(guò)程，是一種端到端(end to end)的故障識(shí)別與檢測(cè)方法。通過(guò)與普通自編碼器和稀疏自編碼的對(duì)比實(shí)驗(yàn)，證明了該集成方法在故障診斷上的優(yōu)越性。

[1] BADAL F R, DAS P, SARKER S K, et al. A survey on control issues in renewable energy integration and microgrid[J]. Protection and Control of Modern Power Systems, 2019, 4(1): 87-113.

[2] HUANG W, CHENG J, YANG Y. Rolling bearing fault diagnosis and performance degradation assessment under variable operation conditions based on nuisance attribute projection[J]. Mechanical Systems & Signal Processing, 2019, 114(1): 165-188.

[3] 常淼, 沈艷霞. 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電軸承故障診斷策略[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(6): 131-137.

CHANG Miao, SHEN Yanxia. Fault diagnosis strategy of a wind power bearing based on an improved convolutional neural network[J]. Power System Protection and Control, 2021, 49(6): 131-137.

[4] 劉文藝. 風(fēng)力發(fā)電機(jī)組振動(dòng)監(jiān)測(cè)與故障診斷技術(shù)[M].北京: 中國(guó)礦業(yè)大學(xué)出版社, 2016.

[5] 王致杰, 徐余法, 劉三明. 大型風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)與智能故障診斷[M]. 上海: 上海交通大學(xué)出版社, 2013.

[6] 歐璐, 于德介. 路圖傅里葉變換及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 機(jī)械工程學(xué)報(bào), 2015, 51(23): 76-83.

OU Lu, YU Dejie. Path graph fourier transformation and its applications to rolling bearing fault diagnosis[J]. Journal of Mechanical Engineering, 2015, 51(23): 76-83.

[7] CHEN J, PAN J, LI Z, et al. Generator bearing fault diagnosis for wind turbine via empirical wavelet transform using measured vibration signals-ScienceDirect[J]. Renewable Energy, 2016, 89: 80-92.

[8] GAO H, LIANG L, CHEN X, et al. Feature extraction and recognition for rolling element bearing fault utilizing short-time fourier transform and non-negative matrix factorization[J]. Chinese Journal of Mechanical Engineering, 2015, 1(1): 96-105.

[9] 王波, 王志樂(lè), 熊鑫州, 等. 一種改進(jìn)的MRVM方法及其在風(fēng)電機(jī)組軸承診斷中的應(yīng)用[J]. 太陽(yáng)能學(xué)報(bào), 2021, 42(1): 215-221.

WANG Bo, WANG Zhile, XIONG Xinzhou, et al. An improved multi-class relevance vector and its application to wind turbine bearing diagnosis[J]. Acta Energiae Solaris Sinica, 2021, 42(1): 215-221.

[10] 盧錦玲, 繩菲菲, 趙洪山. 基于極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組主軸承故障診斷方法[J]. 可再生能源, 2016, 34(11): 1588-1594.

LU Jinling, SHENG Feifei, ZHAO Hongshan. Fault diagnosis method of wind turbine main bearing based on extreme learning machine[J]. Renewable Energy Resources, 2016, 34(11): 1588-1594.

[11] XING S B, LEI Y G, WANG S H, et al. Distribution in variant deep belief network for intelligent fault diagnosis of machines under new working conditions[J]. IEEE Transactions on Industrial Electronics, 2021, 68(3): 2617-2625.

[12] 許子非, 金江濤, 李春. 基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[J]. 振動(dòng)與沖擊, 2021, 40(18): 212-220.

XU Zifei, JIN Jiangtao, LI Chun. New method for the fault diagnosis of rolling bearings based on a multiscale convolutional neural network[J]. Journal of Vibration and Shock, 2021, 40(18): 212-220.

[13] 尹詩(shī), 侯國(guó)蓮, 胡曉東, 等. 風(fēng)力發(fā)電機(jī)組發(fā)電機(jī)前軸承故障預(yù)警及辨識(shí)[J]. 儀器儀表學(xué)報(bào), 2020, 41(5): 242-251.

YIN Shi, HOU Guolian, HU Xiaodong, et al. Fault warning and identification of front bearing of wind turbine generator[J]. Chinese Journal of Scientific Instrument, 2020, 41(5): 242-251.

[14] 杜先君, 賈亮亮. 基于優(yōu)化堆疊降噪自編碼器的滾動(dòng)軸承故障診斷[J/OL]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版): 1-10[2021-10-11].https://doi.org/10.13229/j.cnki.jdxbgxb20210415.

DU Xiangjun, JIA Liangliang. Fault diagnosis of rolling bearing based on optimized stacked denoising auto encoders[J/OL]. Journal of Jilin University (Engineering and Technology Edition): 1-10[2021-10-11]. https://doi. org/10.13229/j.cnki.jdxbgxb20210415.

[15] CUI M, WANG Y, LIN X, et al. Fault diagnosis of rolling bearings based on an improved stack Autoencoder and support vector machine[J]. IEEE Sensors Journal, 2021, 21(4): 4927-4937.

[16] ZHANG Y, LI X, GAO L, et al. Intelligent fault diagnosis of rotating machinery using a new ensemble deep auto-encoder method[J]. Measurement, 2020, 151.

[17] 楊蕊, 李宏坤, 王朝閣, 等. 利用FCKT以及深度自編碼神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障智能診斷[J]. 機(jī)械工程學(xué)報(bào), 2019, 55(7): 65-72.

YANG Rui, LI Hongkun, WANG Chaoge, et al. Intelligent fault detection for rolling element bearing based on FCKT and deep auto-coding neural network[J]. Journal of Mechanical Engineering, 2019, 55(7): 65-72.

[18] 曹浩, 陳里里, 司吉兵, 等. 奇異值分解和稀疏自編碼器的軸承故障診斷[J]. 計(jì)算機(jī)工程與應(yīng)用, 2019, 55(20): 257-262, 270.

CAO Hao, CHEN Lili, SI Jibing, et al. Singular value decomposition and sparse automatic encoder for bearing fault diagnosis[J]. Computer Engineering and Applications, 2019, 55(20): 257-262, 270.

[19] 陳志強(qiáng), 陳旭東, DE OLVIRA JV, 等. 深度學(xué)習(xí)在設(shè)備故障預(yù)測(cè)與健康管理中的應(yīng)用[J]. 儀器儀表學(xué)報(bào), 2019, 40(9): 209-229.

CHEN Zhiqiang, CHEN Xudong, DE OLIVIRA J V, et al. Application of deep learning in equipment prognostics and health management[J]. Chinese Journal of Scientific Instrument, 2019, 40(9): 209-229.

[20] 肖雄, 王健翔, 張勇軍, 等. 一種用于軸承故障診斷的二維卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(15): 4558-4568.

XIAO Xiong, WANG Jianxiang, ZHANG Yongjun, et al. A two-dimensional convolutional neural network optimization method for bearing fault diagnosis[J]. Proceedings of the CSEE, 2019, 39(15): 4558-4568.

[21] 邱錫鵬. 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)[M]. 北京: 機(jī)械工業(yè)出版社, 2019.

[22] VINCENT P, LAROCHELLE H, BENGIO Y, et al. Extracting and composing robust features with denoising autoencoders[C] // Proceedings of the Twenty-Fifth International Conference on Machine Learning (ICML 2008), June 5-9, 2008, Helsinki, Finland.

[23] 殷敬偉, 羅五雄, 李理, 等. 基于降噪自編碼器的水聲信號(hào)增強(qiáng)研究[J]. 通信學(xué)報(bào), 2019, 40(10): 119-126.

YIN Jingwei, LUO Wuxiong, LI Li, et al. Enhancement of underwater acoustic signal based on denoising automatic-encoder[J]. Journal on Communications, 2019, 40(10): 119-126.

[24] 王維博, 張斌, 曾文入, 等. 基于特征融合一維卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類(lèi)[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(6): 53-60.

WANG Weibo, ZHANG Bin, ZENG Wenru, et al. Power quality disturbance classification of one-dimensional convolutional neural networks based on feature fusion[J]. Power System Protection and Control, 2020, 48(6): 53-60.

[25] 鄭煒, 林瑞全, 王俊. 基于GAF與卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類(lèi)[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(11): 97-104.

ZHENG Wei, LIN Ruiquan, WANG Jun. Power quality disturbance classification based on GAF and a convolutional neural network[J]. Power System Protection and Control, 2021, 49(11): 97-104.

[26] IOFFE S, CHRISTIAN S. Batch normalization: accelerating deep network training by reducing internal covariate shift[C] // International Conference on Machine Learning, PMLR, July6-11, 2015, Lille, France.

[27] SMITH W A. Rolling element bearing diagnostics using the Case Western Reserve University data: a benchmark study[J]. Mechanical Systems and Signal Processing, 2015, 64-65: 100-131.

[28] 趙晶晶, 賈然, 陳凌漢, 等. 基于深度學(xué)習(xí)和改進(jìn)K-means聚類(lèi)算法的電網(wǎng)無(wú)功電壓快速分區(qū)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(14): 89-95.

ZHAO Jingjing, JIA Ran, CHEN Linghan, et al.Research on fast partition of reactive power and voltage based on deep learning and an improved K-means clustering algorithm[J]. Power System Protection and Control, 2021, 49(14): 89-95.

Wind turbine bearing fault diagnosis method based on an improved denoising AutoEncoder

SONG Wei1, LIN Jianwei1, ZHOU Fangze2, LI Zhaoyan2, ZHAO Kai2, ZHOU Hui2

(1. SDIC Power Holding Co., Ltd., Beijing 100034, China; 2. College of Electrical Engineering, Beijing Jiaotong University, Beijing 100044, China)

The rolling bearing is one of the most frequently faulty components in wind turbines. Accurate and effective bearing fault diagnosis methods can help ensure safe and stable operation. Bearing vibration signal characteristics are weak and difficult to diagnose, so a fault diagnosis method based on an improved denoising AutoEncoder is proposed. First, a one-dimensional signal imaging method to convert the original time domain signal into a two-dimensional feature grayscale image is introduced. Secondly, using the advantage of a convolutional neural network in image feature extraction, a combination model based on a stacked denoising AutoEncoder and convolutional neural network is proposed. The pooling layer in the traditional convolutional neural network is removed to ensure the robustness and generalization of extracted features. The overall diagnosis process is driven by data, reducing reliance on expert experience. Lastly, experimental results show that this method can accurately diagnose different types of bearing faults. Comparison experiments with other methods further verify the superiority of this method in fault diagnosis.

wind turbine; rolling bearing; fault diagnosis; denosing AutoEncoder

10.19783/j.cnki.pspc.210939

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目資助(2017YFB0903403)；國(guó)投電力控股股份有限公司科技項(xiàng)目大規(guī)模風(fēng)電場(chǎng)設(shè)備檢修維護(hù)優(yōu)化決策研究(000052-21XB0008)

This work is supported by the National Key Research and Development Program of China (No. 2017YFB0903403).

2021-07-20；

2021-11-10

宋 威(1973—)，男，本科，高級(jí)工程師，研究方向?yàn)榘l(fā)電工程生產(chǎn)技術(shù)、風(fēng)電設(shè)備可靠性管理；E-mail: songwei@ sdic.com.cn

林建維(1991—)，男，碩士，工程師，研究方向?yàn)榘l(fā)電工程生產(chǎn)技術(shù)、風(fēng)電場(chǎng)技術(shù)監(jiān)督管理；E-mail: 10021912@ sdic.com.cn

周方澤(1993—)，男，通信作者，博士研究生，研究方向?yàn)榕潆娋W(wǎng)建模仿真以及深度學(xué)習(xí)在新能源中的應(yīng)用。E-mail: zhoufangze@gmail.com

(編輯 許 威)