曾憲旺，孫文磊，王宏偉

（新疆大學(xué)機(jī)械工程學(xué)院，新疆 烏魯木齊 830046）

1 引言

風(fēng)力發(fā)電充分利用可再生風(fēng)能資源是最重要的發(fā)電方式之一[1]。齒輪箱作為風(fēng)力發(fā)電機(jī)（以下稱風(fēng)力機(jī)）組整機(jī)系統(tǒng)中最重要的精密傳動部件，其運(yùn)行狀態(tài)健康與否直接影響整個(gè)設(shè)備[2]。風(fēng)力機(jī)組的運(yùn)行狀況復(fù)雜多變且工作環(huán)境較為惡劣，傳動系統(tǒng)中齒輪箱的故障約占比總故障的60%[3]。因此，對齒輪箱進(jìn)行實(shí)時(shí)的健康狀態(tài)監(jiān)測并及時(shí)發(fā)現(xiàn)故障位置和預(yù)測損傷程度具有重要意義。

目前，針對齒輪箱故障問題國內(nèi)外學(xué)者也進(jìn)行了深入的研究，文獻(xiàn)[4]針對大型風(fēng)力機(jī)齒輪故障問題通過計(jì)算固有模態(tài)分量（Intrinsic Mode Function，IMF）進(jìn)而判斷齒輪劣化的故障類型。文獻(xiàn)[5]將變分模態(tài)分解與概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Net work，PNN）算法相結(jié)合的方法對風(fēng)力機(jī)齒輪箱進(jìn)行了故障類型的識別分類。文獻(xiàn)[6]通過PNN 和極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）算法進(jìn)行對比，提高了故障診斷正確率。文獻(xiàn)[7]提出了一種光纖布拉格光柵技術(shù)結(jié)合支持向量機(jī)（Support Vector Machine，SVM）的故障檢測方法，提高了故障識別概率。文獻(xiàn)[8]通過對多尺度排列熵（Multi-scale Permutation Entropy，MPE）的計(jì)算進(jìn)而分析信號的沖擊成分并利用聚類算法進(jìn)行診斷，驗(yàn)證了該方法的有效性。

基于上述研究，該文將光纖布拉格光柵（Fiber Bragg Grating，F(xiàn)BG）傳感技術(shù)與故障診斷算法相互結(jié)合進(jìn)而能夠更加有效的提取風(fēng)力機(jī)齒輪箱的故障狀態(tài)特征。首先通過光纖布拉格光柵動態(tài)監(jiān)測系統(tǒng)對風(fēng)力機(jī)齒輪箱故障平臺進(jìn)行數(shù)據(jù)采集，其次通過變分模態(tài)分解（Variational Mode Decomposition，VMD）和MPE算法對信號進(jìn)行固有模態(tài)分量的有效分離和時(shí)頻域劃分并構(gòu)建特征向量集。最后通過SVM、PNN、ELM算法進(jìn)行對比完成對風(fēng)力機(jī)齒輪箱的故障診斷分析。

2 光纖動態(tài)監(jiān)測系統(tǒng)設(shè)計(jì)

2.1 光纖光柵檢測技術(shù)原理分析

FBG傳感器的纖芯中具有折射率周期性變化結(jié)構(gòu)，通過標(biāo)定光柵能夠?qū)Σ祭駰l件進(jìn)行調(diào)整進(jìn)而依據(jù)耦合模理論可以將符合條件的波長反射回去，F(xiàn)BG的中心波長可以表示為：

式中：λB—FBG的中心波長；n—折射率；Λ—柵格周期。FBG的工作原理地，如圖1所示。

圖1 FBG的工作原理Fig.1 How FBG Works

當(dāng)FBG傳感器的檢測端光纖光柵柵區(qū)受到由于應(yīng)變的變化而產(chǎn)生縱向的拉伸或壓縮時(shí)，F(xiàn)BG波長的漂移Δλ和縱向應(yīng)變Δε的關(guān)系為：

式中：ΔΛ—彈性變形量；Δneff—纖芯彈光效應(yīng)。當(dāng)由于應(yīng)變變化進(jìn)而引起檢測端光纖光柵柵區(qū)受力改變，使得彈光效應(yīng)和彈性形變都會受到影響，故應(yīng)變引起光纖光柵的波長變化可表示為：

2.2 光纖動態(tài)監(jiān)測系統(tǒng)架構(gòu)設(shè)計(jì)

光纖動態(tài)監(jiān)測系統(tǒng)的靈敏性好、分辨率高、抗電磁干擾并且可以實(shí)現(xiàn)分布式布設(shè)。結(jié)構(gòu)組成主要包括光源部分、標(biāo)定光柵部分、解調(diào)電路板以及數(shù)據(jù)采集卡。首先由ASE寬帶光源發(fā)出寬帶光傳遞到單向隔離器中，單向隔離器主要是為了防止光返回進(jìn)而對光源造成損傷，其次由濾波FBG進(jìn)行布拉格條件篩選并通過分路器進(jìn)行多端檢測，最后經(jīng)過信號處理系統(tǒng)進(jìn)而傳遞給數(shù)據(jù)采集卡并通過系統(tǒng)控制計(jì)算機(jī)進(jìn)行信息呈現(xiàn)。光纖光柵動態(tài)監(jiān)測系統(tǒng)框架，如圖2所示。光纖動態(tài)監(jiān)測系統(tǒng)，如圖3所示。

圖2 光纖光柵動態(tài)監(jiān)測系統(tǒng)框架Fig.2 Framework of FBG Dynamic Monitoring System

圖3 光纖動態(tài)監(jiān)測系統(tǒng)Fig.3 Optical Fiber Dynamic Monitoring System

3 故障診斷實(shí)驗(yàn)平臺總體布局

3.1 風(fēng)力機(jī)齒輪箱故障動態(tài)監(jiān)測系統(tǒng)設(shè)計(jì)

風(fēng)力機(jī)齒輪箱故障動態(tài)檢測系統(tǒng)主要是通過光纖光柵檢測技術(shù)對信號進(jìn)行采集并通過相關(guān)的算法對其進(jìn)行故障狀態(tài)預(yù)測分析。首先由FBG動態(tài)監(jiān)測系統(tǒng)對風(fēng)力機(jī)實(shí)驗(yàn)平臺進(jìn)行信號采集，并對信號進(jìn)行降噪處理之后用VMD算法獲得變分問題的最優(yōu)解。其次通過MPE算法對故障信號進(jìn)行相空間重構(gòu)并對不同尺度因子下的排列熵值進(jìn)行特征向量集的構(gòu)建。最后通過PNN、ELM、SVM分別從正確概率和時(shí)間方面進(jìn)行模型診斷分析。系統(tǒng)框架，如圖4所示。實(shí)驗(yàn)采集平臺，如圖5所示。

圖4 故障狀態(tài)預(yù)測系統(tǒng)框架Fig.4 Framework of Fault State Prediction System

圖5 FBG動態(tài)監(jiān)測實(shí)驗(yàn)采集平臺Fig.5 FBG Dynamic Monitoring Experimental Acquisition Platform

3.2 模態(tài)參數(shù)K的確定及特征向量集的構(gòu)建

變分模態(tài)分解算法的關(guān)鍵是將時(shí)間序列分解為K個(gè)具有固定中心頻率的模態(tài)分量，所以中心頻率K的選取正確與否直接關(guān)系到分解出信號的優(yōu)劣。通過中心頻率法對其進(jìn)行分析，不同K值對應(yīng)的中心頻率，如表1所示。當(dāng)所選取的K值過小將導(dǎo)致經(jīng)過分解之后的固有模態(tài)分量所包含的重要故障信息被過濾產(chǎn)生欠分解現(xiàn)象，當(dāng)K值選擇過大會使得信號產(chǎn)生頻率混疊現(xiàn)象。由表1可知，當(dāng)K值小于5時(shí)后兩者的中心頻率數(shù)值之間的相差較大，當(dāng)K值等于6時(shí)后兩個(gè)中心頻率之間的差值較小可能已經(jīng)出現(xiàn)了頻率混疊，故模態(tài)個(gè)數(shù)K選擇5最為合適。

表1 不同K值對應(yīng)的中心頻率Tab.1 Center Frequencies Corresponding to Different K Values

多尺度排列熵算法能夠?qū)Σ煌叨认碌墓收闲盘栠M(jìn)行更加直觀地分析，當(dāng)嵌入維度m=6；尺度因子s=12；延遲時(shí)間τ=2時(shí)。4種類型故障狀態(tài)下的多尺度排列熵值，如圖6所示。隨著尺度因子的增加不同故障類型的排列熵值變化差異性較大。由于齒輪斷半齒和缺齒屬于相似故障類型在尺度因子小于4時(shí)兩者的變化趨勢類似。當(dāng)尺度因子等于5時(shí)裂紋狀態(tài)的熵值發(fā)生相應(yīng)突變。正常狀態(tài)的齒輪變化最為平緩無較大波動。如圖6所示可明顯分析出故障狀態(tài)與正常狀態(tài)的熵值變化的異同故引入MPE來量化故障特征信號。

圖6 不同類型故障信號MPEFig.6 MPE of Different Fault Signals

對于故障狀態(tài)特征向量集的構(gòu)建可利用光纖光柵動態(tài)監(jiān)測系統(tǒng)對風(fēng)力機(jī)齒輪箱的故障實(shí)驗(yàn)平臺進(jìn)行數(shù)據(jù)采集，所采集到的波長信號需進(jìn)行處理進(jìn)而使得數(shù)據(jù)所受外界環(huán)境的影響盡可能的小。首先利用VMD 算法對信號進(jìn)行分析得到相應(yīng)的IMF，不同IMF之間所包含故障信號的豐富程度有差異，所以需要引入排列熵算法對IMF進(jìn)行計(jì)算并通過IMF 之間對比分析篩選出包含故障信號最豐富的序列。最后通過選擇最優(yōu)的數(shù)據(jù)長度進(jìn)行MPE的計(jì)算將熵值分類排序構(gòu)造特征向量集。每種狀態(tài)的信號選取20組排列熵值數(shù)據(jù)，對4種故障狀態(tài)進(jìn)行組合共80組特征向量數(shù)據(jù)并對其進(jìn)行分析。部分特征向量，如表2所示。

表2 部分特征向量Tab.2 Shows Part of Eigenvectors

4 風(fēng)力機(jī)齒輪箱故障診斷分析

利用光纖布拉格光柵監(jiān)測系統(tǒng)采集風(fēng)力機(jī)齒輪故障狀態(tài)的數(shù)據(jù)，并且利用VMD和MPE進(jìn)行故障特征向量集構(gòu)建。數(shù)據(jù)集包括齒輪正常狀態(tài)、齒輪產(chǎn)生裂紋的狀態(tài)、齒輪斷半齒的狀態(tài)以及齒輪缺齒狀態(tài)。共80組數(shù)據(jù)并且將其導(dǎo)入極限學(xué)習(xí)機(jī)算法中進(jìn)行故障診斷。由于樣本集選取的隨機(jī)性故需要進(jìn)行超過30次的實(shí)驗(yàn)。ELM的故障診斷結(jié)果，如圖7所示。測試正確概率和時(shí)間，如表3所示。

表3 ELM的測試正確概率和時(shí)間Tab.3 Correct Probability and Time of ELM Test

圖7 ELM的故障診斷結(jié)果Fig.7 Fault Diagnosis Results of ELM

利用PNN算法對風(fēng)力機(jī)齒輪進(jìn)行故障診斷預(yù)測，同時(shí)綜合運(yùn)用了光纖光柵檢測技術(shù)與算法相結(jié)合的方法對數(shù)據(jù)進(jìn)行處理，通過VMD算法求得最優(yōu)解。并通過MPE進(jìn)行相空間重構(gòu)，計(jì)算出MPE值并構(gòu)造特征向量集。最后通過PNN進(jìn)行模型診斷。由于PNN 能夠?qū)⒐收蠘颖究臻g映射到故障模式中進(jìn)行非線性分析，使其具有較強(qiáng)的自適應(yīng)能力。將故障特征向量集導(dǎo)入PNN模型中并對數(shù)據(jù)進(jìn)行不同故障狀態(tài)的分類以便更好的進(jìn)行概率預(yù)測，為了得出更加優(yōu)化的結(jié)果需要進(jìn)行超過30次的實(shí)驗(yàn)，隨機(jī)選取一次的PNN測試正確率，如圖8所示。隨機(jī)選取12次的測試概率以及運(yùn)行時(shí)間，如表4所示。

表4 PNN測試正確概率和時(shí)間Tab.4 Correct Probability and Time of PNN Test

圖8 PNN的故障診斷結(jié)果Fig.8 Fault Diagnosis Results of PNN

支持向量機(jī)算法具有較高的泛化性能，SVM引入核函數(shù)能夠在高維空間中映射訓(xùn)練數(shù)據(jù)進(jìn)而構(gòu)建非線性函數(shù)。首先通過光纖光柵動態(tài)監(jiān)測系統(tǒng)在實(shí)驗(yàn)平臺上進(jìn)行數(shù)據(jù)采集，其次對原始數(shù)據(jù)進(jìn)行降噪等信號處理并用VMD算法進(jìn)行包含重要故障特征信號的模態(tài)重構(gòu)進(jìn)而對5個(gè)IMF進(jìn)行分離得到故障信號的有效分解，最后通過MPE算法構(gòu)件特征向量集并將其導(dǎo)入支持向量機(jī)算法中進(jìn)行VMD-MPE-SVM的故障診斷方法進(jìn)行故障識別。選取正確率最高的一次預(yù)測結(jié)果，如圖9所示。隨機(jī)選取12次的測試概率和時(shí)間，如表5所示。

表5 SVM測試正確概率和時(shí)間Tab.5 Correct Probability and Time of SVM Test

圖9 SVM的故障診斷結(jié)果Fig.9 Fault Diagnosis Results of SVM

通過對SVM、PNN、ELM算法在測試的正確概率和測試時(shí)間方面進(jìn)行對比分析可知，ELM算法的平均正確率為99.47%優(yōu)于SVM和PNN并且ELM算法在運(yùn)行過程所用耗時(shí)也是最短，能夠快速高效的完成故障特征的分類和預(yù)測。

5 結(jié)論

該文基于光纖光柵檢測技術(shù)并將其與PNN、SVM和ELM算法進(jìn)行結(jié)合有效地對風(fēng)力機(jī)齒輪箱故障進(jìn)行識別診斷，并通過實(shí)驗(yàn)驗(yàn)證了該方法的準(zhǔn)確性和可靠性主要得出如下結(jié)論：（1）實(shí)現(xiàn)了對光纖動態(tài)監(jiān)測系統(tǒng)的設(shè)計(jì)，并完成了風(fēng)力機(jī)齒輪箱故障狀態(tài)實(shí)驗(yàn)平臺的搭建通過光纖光柵檢測平臺完成齒輪箱不同類型故障狀態(tài)的數(shù)據(jù)采集。（2）利用VMD對信號重構(gòu)進(jìn)而實(shí)現(xiàn)IMF的有效分離和信號的頻域劃分并獲得變分問題的最優(yōu)解，然后通過MPE算法提取包含故障特征盡可能豐富的序列，并構(gòu)建不同類型的故障特征向量集。（3）通過SVM、PNN、ELM算法對特征向量集合進(jìn)行分類和預(yù)測，并從測試的正確概率和測試時(shí)間方面進(jìn)行對比分析表明極限學(xué)習(xí)機(jī)算法能夠準(zhǔn)確實(shí)現(xiàn)故障模式分類且提高了故障識別正確率。