李東東，趙 陽，趙 耀，蔣海濤

基于深度特征融合網(wǎng)絡的風電機組行星齒輪箱故障診斷方法

李東東，趙 陽，趙 耀，蔣海濤

(上海電力大學電氣工程學院，上海 200090)

行星齒輪箱是風電機組中的重要部件，對風電機組的安全可靠運行具有重要意義。為此，提出一種基于深度特征融合網(wǎng)絡的行星齒輪箱故障診斷方法，用于實現(xiàn)變速工況、樣本不足和強噪聲場景下的故障診斷。首先將原始信號擴展到多個特征域。其次利用多維堆棧稀疏自編碼器提取各域特征。最后針對傳統(tǒng)Softmax分類器對融合信息分類能力不足的問題，提出基于競爭粒子群算法優(yōu)化的回聲狀態(tài)網(wǎng)絡進行特征融合并輸出診斷結(jié)果。經(jīng)多場景不同故障診斷方法對比實驗，所提方法在行星齒輪箱變速工況下分類效果良好，并對訓練樣本的減少和外界噪聲有很強的魯棒性。

行星齒輪箱；故障診斷；多場景；深度學習；堆棧稀疏自編碼器；回聲狀態(tài)網(wǎng)絡；深度特征融合網(wǎng)絡

0 引言

近年來，隨著新能源地位的不斷提升，風能成為當今世界的重要能源之一，風力發(fā)電系統(tǒng)得到了廣泛的研究和應用[1-2]。行星齒輪箱有結(jié)構(gòu)緊湊、功率密度高和傳動效率高等優(yōu)點，是風電機組傳動系統(tǒng)中的重要部件[3]。在動態(tài)載重負荷和頻繁變化的運行工況下，行星齒輪箱易發(fā)生故障，并導致高額維護成本[4]。因此，準確診斷齒輪箱故障對于提高風電機組的安全性、可靠性和經(jīng)濟性有著重要意義。

傳統(tǒng)故障診斷方法通常對故障信號進行分解和處理，提取故障特征，并結(jié)合分類算法進行模式識別[5]。文獻[4]建立了行星齒輪箱正常和分布式故障狀態(tài)下的振動信號模型，推導了各類故障下的故障特征頻率。文獻[6]對原始信號進行經(jīng)驗模態(tài)分解，并以峭度為準則提取故障特征量，以J-散度和KL-散度為指標判別故障。文獻[7]利用多重分形譜從振動信號中提取了多維特征量，將特征量作為支持向量機的輸入，實現(xiàn)了故障識別。然而，由于行星齒輪箱結(jié)構(gòu)復雜，故障工況多變，實際采集的行星齒輪箱故障信號具有較強的非平穩(wěn)性，導致其可區(qū)分性較差。上述方法對人工經(jīng)驗和信號處理技術(shù)的要求較高，普適性較差，在推廣應用中易造成信息缺失[8]。

近年來，由于人工智能技術(shù)的發(fā)展，行星齒輪箱的智能診斷方法得到了廣泛的研究[9]。其中，深度學習具有高智能、高效率和強泛化能力等優(yōu)點[10]，能夠滿足故障診斷對特征自適應提取的要求，減少對人工經(jīng)驗的依賴，并實現(xiàn)對原始數(shù)據(jù)的故障特征信息的充分保留[11]。文獻[12]構(gòu)造了基于LeNet-5的卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network, CNN)，取得了較好的故障分類效果。文獻[13]提出了一種CNN的改進方法，實驗結(jié)果表明改進后的網(wǎng)絡對外界干擾有較強的魯棒性。文獻[14]針對齒輪箱振動信號的多尺度特性，提出了一種多尺度卷積神經(jīng)網(wǎng)絡(Multiscale Convolutional Neural Network, MSCNN)，成功提取了不同尺度下的診斷信息。文獻[15]提出了一種多通道加權(quán)卷積神經(jīng)網(wǎng)絡，以多通道圖像為輸入，有效提取了振動信號的故障特征。文獻[16]設計了一種基于堆棧稀疏自編碼器(Stacked Sparse Auto-Encoder, SSAE)的深度學習模型，以齒輪箱振動信號的時頻圖像為輸入，有效實現(xiàn)了狀態(tài)分類。文獻[17]從風電機組行星齒輪箱的三軸振動信號中分別提取特征，并結(jié)合特征增強與特征融合算法取得了很好的故障診斷效果。

上述文獻表明，深度學習方法在行星齒輪箱智能故障診斷中取得了顯著的成就，然而深度學習的性能依賴于大量含標記、同分布的訓練樣本[18-20]。由于風機行星齒輪箱運行環(huán)境惡劣、運行工況多變、機械故障復雜等因素，獲取符合足夠條件的樣本在實際中需要花費大量的時間與經(jīng)濟成本，樣本的數(shù)量不足、干擾成分過多導致實際分類效果差。

針對在實際風電機組行星齒輪箱故障診斷中可能出現(xiàn)的變速工況、樣本不足和強噪聲場景，本文提出了一種基于深度特征融合網(wǎng)絡(Deep Feature Fusion Network, DFFN)的故障診斷方法。為充分提取原始信號的故障特征信息，盡可能減少信息缺失，該方法將原始時域信號拓展到多特征域，并構(gòu)造多維堆棧稀疏自編碼器(Multi-Dimensional Stack Sparse Auto-Encoder, MD-SSAE)用于從各特征域中提取故障信息。針對傳統(tǒng)Softmax分類器對融合信息處理能力不足的問題，本文引入回聲狀態(tài)網(wǎng)絡(Echo State Network, ESN)對多維故障信息進行融合，并輸出診斷結(jié)果。此外，為解決傳統(tǒng)ESN難以獲得最優(yōu)參數(shù)組合的問題，在粒子群算法(Particle Swarm Optimizer, PSO)中引入混沌初始化策略和基于競爭策略的粒子更新機制，設計了基于競爭粒子群算法(Competitive Swarm Optimizer, CSO)優(yōu)化的ESN，并將其應用于深度特征融合網(wǎng)絡。通過多場景下的故障診斷案例分析，驗證所提方法在實際應用中的可行性與普適性，為風電系統(tǒng)平穩(wěn)運行提供理論和技術(shù)支持。

1 理論基礎(chǔ)

1.1 堆棧稀疏自編碼器

為實現(xiàn)高維數(shù)據(jù)的深層特征提取，可以將多個自編碼器進行堆疊構(gòu)造深度學習模型[22]，即堆棧自編碼器，其損失函數(shù)可以定義為

為降低堆棧自編碼器的計算量并使其容易收斂，本文在自編碼器中添加稀疏約束，使隱藏層中的一些神經(jīng)元處于非激活狀態(tài)，其在損失函數(shù)中表現(xiàn)為稀疏性附加項[23]。因此，標準堆棧稀疏自編碼器的損失函數(shù)為

1.2 回聲狀態(tài)網(wǎng)絡

圖2 ESN結(jié)構(gòu)

1.3 競爭粒子群算法

2 深度特征融合網(wǎng)絡

在行星齒輪箱的故障診斷中，原始信號中不同的特征域具有不同的價值信息和故障特征[27]。而現(xiàn)有的深度學習模型以單維特征提取為主，易造成信息缺失，且分類性能優(yōu)秀、應用廣泛的Softmax分類器在融合信息的處理中表現(xiàn)欠佳。因此，為充分利用故障特征信息，本文提出一種基于MD-SSAE和CSO-ESN的深度特征融合網(wǎng)絡，網(wǎng)絡結(jié)構(gòu)如圖3所示，該網(wǎng)絡利用多個SSAE同時從各特征域中提取特征信息，并使用CSO-ESN實現(xiàn)信息融合，并輸出診斷結(jié)果。

圖3 DFFN網(wǎng)絡結(jié)構(gòu)

2.1 多維堆棧稀疏自編碼器

2.2 競爭粒子群算法優(yōu)化的回聲狀態(tài)網(wǎng)絡

如1.2節(jié)所述，ESN的訓練過程是一種啟發(fā)式的參數(shù)優(yōu)化過程，這使得其難以獲得最優(yōu)的參數(shù)組合。此外，若由人工確定儲存池規(guī)模、譜半徑、稀疏度和輸入變化因子會影響ESN的泛化性能。CSO算法具有操作簡單、所需參數(shù)少和易于實現(xiàn)等優(yōu)點，因此，為了能高效地實現(xiàn)不同特征域的信息融合，本文提出了CSO-ESN，具體優(yōu)化步驟如下：

1) 初始化參數(shù)，設置最大迭代次數(shù)、種群規(guī)模，并以ESN的4個關(guān)鍵參數(shù)(儲存池規(guī)模、譜半徑、稀疏度、輸入變化因子)為優(yōu)化變量；

2) 利用Logistic映射對粒子群初始位置和速度進行混沌初始化；

3) 根據(jù)式(10)計算每個粒子對應的ESN模型在訓練集上的均方根誤差，作為適應度值；

4) 將兩組粒子兩兩競爭，根據(jù)適應度值的大小分別標記為勝者和敗者；

5) 根據(jù)式(11)、式(12)更新敗者粒子的速度與位置，計算更新粒子的適應度值、全局最優(yōu)值和對應的最優(yōu)解；

6) 若達到最大迭代次數(shù)或適應度值達標，則優(yōu)化結(jié)束，轉(zhuǎn)到步驟7)，否則返回步驟4)；

7) 得到最優(yōu)粒子，即最優(yōu)網(wǎng)絡參數(shù)組合。

2.3 故障診斷模型

圖4 基于DFFN的故障診斷流程

3 實驗分析

3.1 實驗介紹

風電機組行星齒輪箱故障模擬平臺如圖5所示，該平臺包含6個設備：驅(qū)動電機、轉(zhuǎn)速控制器、連軸罩、行星齒輪箱、平行齒輪箱和磁粉制動負載。圖6(a)為實驗使用的行星輪，包括正常(Normal Condition, NC)、點蝕(Chipped Tooth Fault, CTF)、磨損(Surface Wear Fault, SWF)和斷齒(Miss Tooth Fault, MTF)4種狀態(tài)。為獲取故障數(shù)據(jù)，選取行星齒輪箱中的某一行星輪，將其替換為故障行星輪，使用加速度傳感器采集箱體振動信號，傳感器安裝位置如圖6(b)所示。

1) 定速實驗

設定電機轉(zhuǎn)速恒定為1 800 rpm，傳感器采樣率設置為12 kHz，分別采集4種工況下不同健康狀態(tài)行星齒輪箱的振動信號，如圖7(a)所示。

2) 變速實驗

改變負載大小，調(diào)節(jié)電動機的轉(zhuǎn)速從900 rpm至1 500 rpm，持續(xù)時間為100 s，變速工況下1 s內(nèi)的振動波形如圖7(b)所示，轉(zhuǎn)速變化如圖8所示。

圖7中縱坐標表示多少重力加速度。

旋轉(zhuǎn)機械工作時產(chǎn)生的振動信號具有周期性，為保證每個樣本數(shù)據(jù)都包含至少一個完整故障周期，且為了利于網(wǎng)絡的訓練，設置樣本集中的每個樣本包含2 048個采樣點，每種工況和轉(zhuǎn)速均取400個樣本，共計3 200個樣本。

圖5 風電機組故障診斷實驗臺

圖6 故障設置與信號采集

圖8 行星齒輪箱轉(zhuǎn)速變化曲線

3.2 模型參數(shù)

網(wǎng)絡結(jié)構(gòu)如圖3所示，各特征域樣本對應的SSAE隱藏層節(jié)點數(shù)如表1所示，其中第一層節(jié)點數(shù)為各樣本的輸入維度。CSO-ESN使用sigmoid為激活函數(shù)，種群大小設置為100，優(yōu)化迭代次數(shù)為200。訓練過程使用Adam優(yōu)化算法，初始學習率設置為0.01，訓練迭代次數(shù)為200。

表1 MD-SSAE結(jié)構(gòu)參數(shù)

3.3 算例分析

3.3.1樣本充足場景下的故障診斷

樣本充足情況下的訓練集和測試集按3：1隨機劃分，即定速訓練樣本為1 200個，定速測試樣本為400個，變速訓練樣本為1 200個，變速測試樣本為400個。使用深度學習網(wǎng)絡CNN[12](①)、MSCNN(②)[14]、SSAE[16](③)、深度增強融合網(wǎng)絡(Deep Enhanced Fusion Network, DEFN)[17](④)、MD-SSAE(⑤)、MD-SSAE-ESN(⑥)與使用PSO優(yōu)化ESN的MD-SSAE-PSO-ESN(⑦)作為對比。其中，MSCNN以時域樣本粗粒度化后的3個尺度為輸入，單個CNN結(jié)構(gòu)與方法①相同；SSAE以時域樣本為輸入，隱藏層節(jié)點數(shù)同表1第一行；DEFN以各特征域樣本為輸入，特征增強后使用四維的稀疏自編碼器提取故障信息；MD-SSAE結(jié)構(gòu)參數(shù)同表1，特征全連接后采用Softmax分類器進行故障識別；MD-SSAE-ESN參數(shù)人為設定，儲存池規(guī)模為300，譜半徑設置為1，稀疏度為10%，輸入變化因子為0.1。

為減少隨機性的影響，將每組實驗重復10次，對測試集的平均分類準確率與訓練時間見表2，準確率定義為正確分類的樣本占測試樣本總數(shù)的百分比。可見在樣本充足的條件下，各方法都可以實現(xiàn)較高識別準確率，其中本文提出的DFFN模型的診斷結(jié)果：定速工況為98.03% ± 0.47%，變速工況為97.83% ± 0.49%，相較于經(jīng)典多尺度特征提取網(wǎng)絡MSCNN與新型特征融合網(wǎng)絡DEFN具有更高的準確率和更低的標準差。其中，由于將時域信號多尺度表達后特征信息易受轉(zhuǎn)速影響，MSCNN在變速工況下的分類效果明顯不如定速工況。而DEFN輸入為多特征域樣本，故障識別效果優(yōu)于僅提取時域特征信息的方法，說明特征融合理論在實際應用中有明顯的優(yōu)勢。

表2 診斷結(jié)果對比

此外，相較于傳統(tǒng)的一維特征提取結(jié)合Softmax分類器的深度學習網(wǎng)絡，多維特征提取結(jié)合Softmax分類器的故障識別效果較差，據(jù)此推斷Softmax分類器對不同特征域的信息融合能力較差，因此本文引入ESN進行特征融合并輸出診斷結(jié)果。由方法⑥和方法⑦的診斷結(jié)果可以看出，ESN的結(jié)構(gòu)參數(shù)對其性能影響較大，由人工經(jīng)驗設定的結(jié)構(gòu)參數(shù)易導致其泛化能力不足，因此需要引入合適的優(yōu)化算法對ESN的結(jié)構(gòu)參數(shù)進行調(diào)整。對比方法⑦與DFFN可以看出，CSO-ESN的特征融合與分類性能優(yōu)于PSO-ESN，且CSO的迭代速度較快。

因權(quán)值矩陣數(shù)量的增加與優(yōu)化迭代過程中網(wǎng)絡訓練次數(shù)的增加，DFFN的訓練相較于傳統(tǒng)方法需要花費更多的時間，但所需的測試時間增加在較小的范圍內(nèi)，因此訓練后的診斷模型不會增加計算負擔。

除準確率指標外，本文引入受試者工作特征曲線(Receiver Operating Characteristic, ROC)，根據(jù)真實類別和預測類別的組合，測試樣本可以劃分為真陽性(True Positive, TP)、假陽性(False Positive, FP)、真陰性(True Negative, TN)和假陰性(False Negative, FN)，因此真正類率(True Positive Rate, TPR)和負正類率(False Positive Rate, FPR)計算如下：

利用ROC曲線對CSO-ESN的特征融合、分類性能進行評估。繪制方法③、方法④、方法⑤和DFFN對變速樣本分類的ROC曲線，并計算曲線面積(Area Under Curve, AUC)，如圖9所示?？梢娫谏鲜?組實驗中，使用ESN進行特征融合和健康狀態(tài)分類的AUC值顯著優(yōu)于Softmax分類器。在不同參數(shù)的ESN中，參數(shù)由人工經(jīng)驗設置的ESN對點蝕和斷齒故障的分類性能較差，CSO-ESN的AUC值優(yōu)于PSO-ESN且均接近于1，分類性能優(yōu)秀。

圖9 不同算法故障分類的ROC曲線

3.3.2樣本不足場景下的故障診斷

在風電機組實際工作中，行星齒輪箱發(fā)生故障的頻率較低，因此會產(chǎn)生數(shù)據(jù)樣本不足的問題。為模擬小樣本情況，定義樣本充足時的訓練集樣本數(shù)量為100%，以變速工況下的實驗為例，實驗分別在訓練樣本-訓練集樣本總數(shù)比例為10%、20%、30%、40%、50%、60%、70%、80%和90%的情況下對網(wǎng)絡進行訓練，同時測試集樣本數(shù)量保持不變，每組重復10次后診斷結(jié)果均值見圖10?？梢姀亩嗵卣饔蛱崛」收闲畔⒌姆椒ㄔ诓煌柧殬颖颈壤略\斷準確率均高于僅從時域信號提取特征的方法。在訓練樣本比例大于60%的情況下，各方法的分類準確率趨于穩(wěn)定，說明此時訓練樣本充足。當訓練樣本比例小于60%后，傳統(tǒng)深度學習網(wǎng)絡CNN、MSCNN和SSAE的分類能力出現(xiàn)明顯下降，相比之下，特征融合網(wǎng)絡DEFN與DFFN對樣本的減少有很強的魯棒性，且DFFN總體表現(xiàn)更好，在10%的訓練樣本比例下仍有90%以上的分類準確率。

圖10 10%～90%訓練樣本比例下診斷結(jié)果

為進一步驗證DFFN在小樣本情況下的分類性能，對在70%、50%、30%、10%訓練樣本比例下的40組實驗進行可視化分析，分類結(jié)果混淆矩陣如圖11所示，可以看出，隨著訓練樣本的減少，網(wǎng)絡對磨損與斷齒故障的識別率降低較為明顯，但總體識別率穩(wěn)定在較高水平，可以滿足實際應用中的故障診斷要求。此外在10%訓練樣本比例下，采用t-分布鄰域嵌入算法對原始信號與DFFN網(wǎng)絡特征映射層的特征降維可視化，如圖12所示?？梢奙D-SSAE從原始信號多個特征域提取出的特征全連接后表現(xiàn)出良好的類間可分性和類內(nèi)聚集性，這些特征可以在CSO-ESN中有效融合，并輸出較準確的診斷結(jié)果。

圖11 故障診斷混淆矩陣

圖12 特征散點圖

3.3.3強噪聲干擾場景下的故障診斷

在風電機組實際工作中，振動信號易受外界噪聲影響，導致傳統(tǒng)故障診斷模型在實際應用中泛化能力不足。為檢驗DFFN在樣本相對充足條件下和樣本相對不足條件下的抗噪性，選取上述訓練樣本-訓練集樣本總數(shù)比例為70%和20%情況下的訓練故障診斷模型，保持訓練集樣本不變，在原測試集樣本中加入高斯白噪聲來模擬外界環(huán)境?？紤]到診斷模型在訓練中無法獲取到實時的噪聲信息，這樣的訓練和測試方法符合實際應用場景。測試樣本中的噪聲含量通過信噪比來表示。

為了測試不同噪聲含量下DFFN模型的診斷效果，在測試集中添加不同含量的噪聲，診斷結(jié)果均值見表3、表4?？梢钥闯觯跇颖鞠鄬Τ渥愕那闆r下，各方法對信噪比大于8 dB的測試集均有較好的診斷效果；而對信噪比小于8 dB的測試集，DFFN診斷模型表現(xiàn)出明顯的優(yōu)勢。此外，在測試樣本信噪比為-2 dB的強噪聲干擾下，傳統(tǒng)深度學習方法的可靠性大大降低，而DFFN仍可以實現(xiàn)85%以上的診斷準確率。在樣本相對不足的場景下，傳統(tǒng)深度學習方法在測試集添加強噪聲后表現(xiàn)很差，分類效果近乎于隨機劃分，相比之下，DFFN診斷模型在測試集信噪比大于2 dB的條件下可以實現(xiàn)85%以上的診斷準確率。綜上所述，本文所提方法抗干擾能力強于傳統(tǒng)深度學習方法，噪聲無法掩蓋所有特征域的故障信息，多維特征提取可以顯著提升深度學習方法在強噪聲干擾下的特征提取能力。

表3 70%訓練樣本比例下診斷結(jié)果對比

表4 20%訓練樣本比例下診斷結(jié)果對比

4 結(jié)論

針對風電機組行星齒輪箱故障診斷中可能出現(xiàn)的變速工況、樣本不足和強噪聲場景，提出了基于MD-SSAE與CSO-ESN的深度特征融合網(wǎng)絡。該網(wǎng)絡可以同時從行星齒輪箱的多個特征域中提取特征信息，并使用CSO-ESN進行信息融合，實現(xiàn)樣本故障信息的充分利用。主要結(jié)論如下：

1) 為實現(xiàn)ESN主要結(jié)構(gòu)參數(shù)的優(yōu)化，本文在PSO的基礎(chǔ)上引入混沌初始化策略和基于競爭策略的粒子更新機制，在樣本充足場景下的診斷實驗結(jié)果表明，本文提出的深度特征融合網(wǎng)絡的故障識別率優(yōu)于經(jīng)典多尺度特征提取網(wǎng)絡MSCNN與新型特征融合網(wǎng)絡DEFN，且CSO-ESN的特征融合與分類性能優(yōu)于Softmax分類器，以及依據(jù)人工經(jīng)驗設置參數(shù)的ESN和PSO-ESN 3種方法。

2) 針對風電機組行星齒輪箱的定速工況和變速工況，在樣本充足情況下，DFFN對變速工況下的故障診斷平均準確率為97.83%，略低于定速工況下的98.03%，符合實際需求且均優(yōu)于其他對比算法。因此，本文提出的DFFN可以應用于變速工況下的行星齒輪箱狀態(tài)識別。

3) 在樣本不足場景下的故障診斷實驗結(jié)果表明，DFFN在訓練樣本-訓練集樣本總數(shù)比例為10%的情況下，故障識別準確率仍能達到90%以上，對樣本的減少表現(xiàn)出很強的魯棒性。

4) 相較于傳統(tǒng)深度學習方法，DFFN對外界噪聲干擾的敏感度較低。在樣本相對充足的情況下，信噪比為-2 dB的強噪聲干擾下可以實現(xiàn)85%以上的識別準確率。在樣本相對不足的情況下，信噪比大于2 dB的條件下可以實現(xiàn)85%以上的診斷準確率。實驗結(jié)果表明，所構(gòu)建的網(wǎng)絡可以有效地應用于較惡劣條件下風電機組行星齒輪箱的故障診斷。

[1] NADOUR M, ESSADKI A, NASSER T. Improving low-voltage ride-through capability of a multimegawatt DFIG based wind turbine under grid faults[J]. Protection and Control of Modern Power Systems, 2020, 5(4): 370-382.

[2] 薛帥, 高厚磊, 郭一飛, 等. 大規(guī)模海上風電場的雙層分布式有功控制[J]. 電力系統(tǒng)保護與控制, 2021, 49(3): 1-9.

XUE Shuai, GAO Houlei, GUO Yifei, et al. Bi-level distributed active power control for a large-scale wind farm[J]. Power System Protection and Control, 2021, 49(3): 1-9.

[3] 張露江, 張利, 楊要偉, 等. 基于改進貝葉斯網(wǎng)絡的風機齒輪箱自動診斷策略研究[J]. 電力系統(tǒng)保護與控制, 2019, 47(19): 145-151.

ZHANG Lujiang, ZHANG Li, YANG Yaowei, et al. Research on automatic diagnosis strategy of wind turbine gearbox based on improved Bayesian network[J]. Power System Protection and Control, 2019, 47(19): 145-151.

[4] 馮志鵬, 褚福磊. 行星齒輪箱齒輪分布式故障振動頻譜特征[J]. 中國電機工程學報, 2013, 33(2): 118-125.

FENG Zhipeng, CHU Fulei. Vibration spectral characteristics of distributed gear fault of planetary gearboxes[J]. Proceedings of the CSEE, 2013, 33(2): 118-125.

[5] 趙若妤, 馬宏忠, 魏旭, 等. 基于EWT及多尺度形態(tài)譜的高壓并聯(lián)電抗器故障診斷研究[J]. 電力系統(tǒng)保護與控制, 2020,48(17): 68-75.

ZHAO Ruoyu, MA Hongzhong, WEI Xu, et al. Research on fault diagnosis of a high voltage shunt reactor based on EWT and multiscale spectral spectrum[J]. Power System Protection and Control, 2020, 48(17): 68-75.

[6] 郭艷平, 顏文俊, 包哲靜, 等. 基于經(jīng)驗模態(tài)分解和散度指標的風力發(fā)電機滾動軸承故障診斷方法[J]. 電力系統(tǒng)保護與控制, 2012, 40(17): 83-87.

GUO Yanping, YAN Wenjun, BAO Zhejing, et al. Fault diagnosis of bearing in wind turbine based on empirical mode decomposition and divergence index[J]. Power System Protection and Control, 2012, 40(17): 83-87.

[7] 李東東, 周文磊, 鄭曉霞, 等. 基于多重分形譜和支持向量機的風電機組行星齒輪箱故障診斷與研究[J]. 電力系統(tǒng)保護與控制, 2017, 45(11): 43-48.

LI Dongdong, ZHOU Wenlei, ZHENG Xiaoxia, et al. Diagnosis and research of wind turbine planetary gearbox faults based on multifractal spectrum support vector machine (SVM)[J]. Power System Protection and Control, 2017, 45(11): 43-48.

[8] WEI D, HAN T, CHU F, et al. Weighted domain adaptation networks for machinery fault diagnosis[J]. Mechanical Systems and Signal Processing, 2021, 158.

[9] LIU R, YANG B, ZIO E, et al. Artificial intelligence for fault diagnosis of rotating machinery: a review[J]. Mechanical Systems and Signal Processing, 2018, 108: 33-47.

[10] 孔祥軒, 鄭楚韜, 仇志成, 等. 基于廣義深度學習的含DG配網(wǎng)故障診斷方法[J]. 電網(wǎng)與清潔能源, 2020, 36(11): 53-57.

KONG Xiangxuan, ZHENG Chutao, QIU Zhicheng, et al. Fault location of distribution network with DG based on GDL[J]. Power System and Clean Energy, 2020, 36(11): 53-57.

[11] 王挺韶. 基于深度學習的風力發(fā)電機故障診斷研究[D]. 廣州: 華南理工大學, 2020.

WANG Tingshao. Researches on fault diagnosis of wind power systems using deep learning algorithms[D]. Guangzhou: South China University of Technology, 2020.

[12] WEN L, LI X, GAO L, et al. A new convolutional neural network-based data-driven fault diagnosis method[J]. IEEE Transactions on Industrial Electronics, 2018, 65(7): 5990-5998.

[13] 常淼, 沈艷霞. 基于改進卷積神經(jīng)網(wǎng)絡的風電軸承故障診斷策略[J]. 電力系統(tǒng)保護與控制, 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.

[14] JIANG G, HE H, YAN J, et al. Multiscale convolutional neural networks for fault diagnosis of wind turbine gearbox[J]. IEEE Transactions on Industrial Electronics, 2019, 66(4): 3196-3207.

[15] 葉壯, 余建波. 基于多通道加權(quán)卷積神經(jīng)網(wǎng)絡的齒輪箱振動信號特征提取[J]. 機械工程學報, 2021, 57(1): 110-120.

YE Zhuang, YU Jianbo. Feature extraction of gearbox vibration signals based on multi-channels weighted convolutional neural network[J]. Journal of Mechanical Engineering, 2021, 57(1): 110-120.

[16] SAUFI S R, AHMAD Z A B, LEONG M S, et al. Gearbox fault diagnosis using a deep learning model with limited data sample[J]. IEEE Transactions on Industrial Informatics, 2020, 16(10): 6263-6271.

[17] PU Z, LI C, ZHANG S, et al. Fault diagnosis for wind turbine gearboxes by using deep enhanced fusion network[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70.

[18] MAO W, LIU Y, DING L, et al. A new structured domain adversarial neural network for transfer fault diagnosis of rolling bearings under different working conditions[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70.

[19] LI X, ZHANG W, DING Q, et al. Diagnosing rotating machines with weakly supervised data using deep transfer learning[J]. IEEE Transactions on Industrial Informatics, 2020, 16(3): 1688-1697.

[20] 李帷韜, 焦點, 張倩, 等. 基于深度遷移學習的玻璃絕緣子自爆狀態(tài)智能認知方法研究[J]. 中國電機工程學報, 2020, 40(11): 3710-3721.

LI Weitao, JIAO Dian, ZHANG Qian, et al. Research on intelligent cognition method of self-exploding state of glass insulator based on deep migration learning[J]. Proceedings of the CSEE, 2020, 40(11): 3710-3721.

[21] LI Y, REN J, LIU J, et al. Deep sparse autoencoder prediction model based on adversarial learning for cross-domain recommendations[J]. Knowledge-Based Systems, 2021, 220.

[22] 解穎, 王豐華, 傅正財. 基于棧式自編碼器的變壓器機械故障診斷[J]. 高壓電器, 2020, 56(9): 46-53.

XIE Ying, WANG Fenghua, FU Zhengcai. Mechanical fault diagnosis of power transformer based on stacked auto encoder[J]. High Voltage Apparatus, 2020, 56(9): 46-53.

[23] 田昊洋, 馬文嘉, 王豐華, 等. 基于稀疏自動編碼器的特高壓變壓器可聽噪聲分析[J]. 高壓電器, 2020, 56(9): 67-73.

TIAN Haoyang, MA Wenjia, WANG Fenghua, et al. Research on audible noise of UHV power transformer based on sparse autoencoder[J]. High Voltage Apparatus, 2020, 56(9): 67-73.

[24] WU Z, LI Q, XIA X. Multi-timescale forecast of solar irradiance based on multi-task learning and echo state network approaches[J]. IEEE Transactions on Industrial Informatics, 2021, 17(1): 300-310.

[25] CHENG R, JIN Y. A competitive swarm optimizer for large scale optimization[J]. IEEE Transactions on Cybernetics, 2015, 45(2): 191-204.

[26] 孟榮, 趙冀寧, 周通. 基于改進慣性權(quán)重粒子群算法的搶修小組快速調(diào)配策略[J]. 電網(wǎng)與清潔能源, 2021, 37(7): 17-24.

MENG Rong, ZHAO Jining, ZHOU Tong. Rapid deployment strategy of emergency repair team based on improved inertial weighted PSO[J]. Power System and Clean Energy, 2021, 37(7): 17-24.

[27] 陳仁祥, 黃鑫, 胡小林, 等. 多源信息深度融合的行星齒輪箱故障診斷方法[J]. 振動工程學報, 2020, 33(5): 1094-1102.

CHEN Renxiang, HUANG Xin, HU Xiaolin, et al. Planetary gearbox fault diagnosis technique based on multi-source information deep fusion[J]. Journal of Vibration Engineering, 2020, 33(5): 1094-1102.

A fault diagnosis method for a wind turbine planetary gearbox based on a deep feature fusion network

LI Dongdong, ZHAO Yang, ZHAO Yao, JIANG Haitao

(College of Electrical Engineering, Shanghai University of Electric Power, Shanghai 200090, China)

The planetary gearbox is a critical part of a wind turbine. It is of great significance for safety and reliability. Therefore, a fault diagnosis method for a planetary gearbox based on a deep feature fusion network is proposed to operate under variable speed conditions, with limited numbers of samples and in strong noise scenarios. First, the original signal is expanded into multiple characteristic domains. Then a multi-dimensional stack sparse autoencoder is used to extract the features of each domain. Finally, to solve the problem that the traditional Softmax classifier is not capable of classifying the fusion information, an echo state network optimized by competitive swarm optimizer is proposed to perform feature fusion and output the diagnostic results. The experimental results of fault diagnosis in multiple scenarios show that the proposed method has a good classification performance in variable speed conditions. In addition, it is also robust to a reduction in the number of training samples and external noise.

planetary gearbox; fault diagnosis;multiple scenarios; deep learning; stack sparse autoencoder; echo state network; deep feature fusion network

10.19783/j.cnki.pspc.210919

國家自然科學基金項目資助(51977128)；上海市青年科技啟明星計劃項目資助(21QC1400200)；上海市自然科學基金項目資助(21ZR1425400)

This work is supported by the National Natural Science Foundation of China (No. 51977128).

2021-07-18；

2021-08-26

李東東(1976—)，男，博士，教授，博士生導師，研究方向為風力發(fā)電與電力系統(tǒng)穩(wěn)定控制、智能用電；E-mail: powerldd@163.com

趙 陽(1997—)，男，碩士研究生，研究方向為風電機組行星齒輪箱故障診斷；E-mail: zhaoyang9704@foxmail.com

趙 耀(1987—)，男，通信作者，博士，副教授，研究方向為電機設計與控制、電力系統(tǒng)穩(wěn)定性分析。E-mail: nihaozhaoyao@163.com

(編輯 姜新麗)