改进阴性选择算法的风机振动故障诊断方法

邬春明　银海燕

东北电力大学,吉林,132012

改进阴性选择算法的风机振动故障诊断方法

邬春明银海燕

东北电力大学,吉林,132012

摘要：为了正确、快速地判断风电机组振动故障类型,减小其对发电效率及人身财产安全的影响，提出了一种改进型阴性选择算法。在传统的阴性选择算法中引入马氏距离进行振动数据的初步筛选，并将算法应用于风电机组振动故障的预测。研究结果表明,改进的阴性选择算法可以更为快速、准确地判断风电机组振动的故障类型，诊断正确率达到97.5%,从而提高了风电机组运行的可靠性和发电效率。

关键词:马氏距离;阴性选择;风电机组;故障诊断

0引言

风电机组的振动故障不但降低了风电机的发电效率而且影响其自身的安全运行,甚至可能造成财产损失,殃及人身安全,因此,配置实时的风电机组振动故障检测预警系统是科研人员不断研究开发的重要课题。

国外的故障检测技术起初用于航空航天系统的故障监测预警、数据预测和故障类型诊断等方面，然后逐渐扩散到各领域的机组设备上[1]。我国风电机组振动故障在线监测技术还处于起步阶段，主要是在吸收一些国外先进技术的基础上逐渐发展起来的，其中较先进的算法是人工免疫算法。算法中的阴性选择机理拥有超强的记忆与学习能力，具有训练时间短、所需故障样本少、对故障感应能力强等优点，受到国内外研究人员的关注。本文通过建立改进的阴性选择算法数学模型,来提高风电机组振动故障检测的准确性，大大缩短了算法的运算时间，有效提高了风电机组的可靠性和发电效率。

1阴性选择算法

阴性选择算法[2]作为人工免疫系统的重要分支之一,由Forrest等首次提出,通过模拟淋巴细胞的产生过程生成检测器,用于区分“自我/非我”，并成功应用于异常检测系统。信息安全领域的众多问题(如病毒检测、入侵检测等)可转化为免疫系统中区分自我和非我的过程[3]。

1.1问题定义

定义1:机组正常工作的监测数据称为自我空间,记为S。

定义2:机组故障的监测数据称为故障类型空间,记为M。M=(M1,M2,…,Mn),Mi(i=1,2,…,n)为第i类故障类型，n为已知故障类型个数。

定义3：表示机组故障类型的待测数据称为非己向量，记为N。

定义4：将非己向量N按故障类型的独有特征和共有特征划分，即N=N1∪N2∪…∪Nn∪N0。其中N0为两个或两个以上故障类型公共特征向量,Ni(i=1,2,…,n)为第i类故障类型的特有空间。

1.2算法概述

阴性选择算法可以概括为以下几步[4]:

(1)产生与自我向量S不相配的检测器向量R，使检测器向量R检测不到自我向量，只能检测非己向量的特征。

(3)用优化后的检测器向量R′来监测自我向量S，如检测器向量与自我向量匹配,则认为S发生改变。

(4)监测检测器对应R′中的故障类型,可以诊断设备存在哪种故障。

2阴性选择算法的改进

2.1马氏距离算法

马氏距离算法引入了待测样本间的协方差,以测试两组待测数据相匹配的程度。该算法考虑数据样本的特征关系更为全面，尤其对于具有测试数据丢失类型的判别，能够得到较为切合实际的推断结果,是一种很好的多元、非线性、多特征属性的综合评价方法[5]。

d2(Y,M′)=(Y-μ)TR(Y-μ)

(1)

(2)

2.2免疫系统中的亲和度

在免疫系统中，抗原-抗体相互结合程度由它们的亲和度(也称亲和力)来衡量,即测试数据与历史数据的亲密程度,从而来判断待测数据是何种故障类型[6]。由此故障模式检测器R′与待测故障样本Y之间的匹配程度，即亲和度aij为

(3)

式中,ai j为介于0和1之间常数,ai j越大,Y与M′越匹配。

2.3算法改进的步骤

(1)根据故障诊断案例向量确定测量的范围[7]。

(2)将历史正常数据定义为自我向量S,将历史故障数据定义为非己串N。

(3)在自我空间检测产生候选检测器R,在历史故障空间训练产生优秀故障模式检测器R′。

(4)产生待测数据串即抗体向量Y。

(5)给定常数n,当待测数据d2(Y,M′)>n时,证明有故障产生,执行步骤(6)。否则，证明没有故障产生，将数据转入步骤(2)的自我向量S。

(6)判断抗体数目是否达到预设值。如果是，则执行步骤(7)；如果不是，则跳转到步骤(5)。

(7)将训练好的优秀检测器R′与步骤(6)中输出的数据按照阴性选择机制来监测，当亲和度ai j在某类故障范围内时，则认为S已发生变化，说明待测数据与检测器M中的某种故障类型相匹配，这样就可以判断机组产生了何种故障类型。

3实验验证与仿真分析

3.1标准与实验条件

按照德国工程师协会发布的《VDI3834风电标准》[8]以及国家能源局发布的《风力发电机组振动状态监测导则》[9],风力发电机特定运行条件、风力强度和流动方向的变化，以及可能发生的海浪排挤海上风机引起额外激励，导致持续变化的振动激励，其结果是测量值的短暂变动，并有频繁的振幅跳跃，因此，将测量值在特定时间段内取平均值生成特征参数，以平衡波动，对于风力发电机来说是绝对必要的。高温或强磁场环境振动状态监测应优先选择加速度传感器，风电机组滚动轴承和齿轮箱的状态监测应选择加速度传感器。可接受的测量应在垂直径向、径向水平和轴向，并需要20%的最低负荷。

本文选用某风电场运行3年的一台GE77-1500型正常机组和一台同型号的故障机组进行实验。主要采用AC102低速加速度传感器和AC135高速加速度传感器来采集正常运行工况下齿轮箱和发电机相关部位的加速度数据。将采集到的数据首先用小波软阈值去噪方法进行去噪处理，低速加速度传感器测得的数据每10min取一次平均值，高速加速度传感器每1min取一次平均值。然后将均值数据按下式进行归一化处理,即

(4)

3.2实验仿真及结果分析

首先,选取处理后的10组故障数据与5组正常数据进行训练，如表1～表3所示。表中,m1、m2、m3为齿轮箱输入垂直、水平、轴向加速度；m4、m5为齿轮箱内齿圈垂直、水平加速度;m6、m7为齿轮箱低速轴垂直、水平加速度;m8、m9、m10为齿轮箱中间轴垂直、水平、轴向加速度；m11、m12为齿轮箱高速轴垂直、水平加速度；m13、m14、m15为发电机驱动端垂直、水平、轴向加速度;m16、m17为发电机非驱动端垂直、水平加速度。

表1　齿轮箱中间轴故障样本

表2　发电机轴承故障样本

表3　正常数据样本

其次，随机选择1000组归一化的正常数据与17阶零矩阵进行马氏距离计算，计算结果如图1所示。图1中测量正常范围马氏距离阈值n=1.9130。当n<1.9130时为正常数据,当n>1.9130时为故障数据。通过马氏距离计算可以排除大量的正常数据，仅对少量故障数据进行分类。

将6组测试数据进行归一化处理，如表4所示。其中,*代表正常数据;1代表齿轮箱中间轴故障数据; 2代表发电机轴承故障数据。利用亲和度进行故障分类判断，其中包括故障一数据两组(标注“1”)、故障二数据两组(标注“2”)、正常数据两组(标注“3”)，判断结果如表5所示。

图1　1000组正常数据的马氏距离

表4　测试数据

表5　故障诊断结果

图2　故障数据亲和度

故障数据亲和度如图2所示。故障数据亲和度在[0,0.4]与[0.6,0.7]范围内,故障点明显聚集在一起,能够清楚地分辨出两种故障类型。在亲和度大约等于0.5处有一个点没有被识别出,可计算出故障诊断的正确率为39/40=97.5%。与文献[6]中采用引入“疫苗”的人工免疫算法相比,正确率提高了2.5%。

最后,通过选取500组、1000组、2000组包含故障的数据进行实验,BP神经网络算法及本文所提算法改进前后所用时间的对比如图3所示。由图3可知,BP神经网络算法所用时间分别为0.582s、1.158s、1.716s;改进前的阴性选择算法所用时间分别为0.562s、1.124s、1.686s，改进后阴性选择算法所用时间分别为0.136s、0.345s、0.621s。通过对比可知,改进后的算法与改进前的算法及传统的BP神经网络算法相比节约了大量时间，而且数据量越大，结果越明显。

图3　三种算法所用时间对比

4结语

在风电机组振动故障诊断中，机组大部分的时间都是处于正常运行状态，所以加入马氏距离进行初步的筛选就显得尤为必要，同时用两种算法进行故障诊断也提高了诊断精度。将加入了马氏距离的阴性选择算法应用于风电机组振动故障诊断中，不仅提高了故障诊断的准确率，而且还节约了大量的时间，数据量越大，算法的优越性就越明显。

参考文献:

[1]刘文艺.风电机组振动监测与故障诊断研究[D].重庆：重庆大学，2010.

[2]刘忠,周建中,张勇传,等.基于免疫原理的水电机组故障诊断方法[J].水力发电,2007,33(3):54-56.

LiuZhong,ZhouJianzhong,ZhangYongchuan,etal.FaultDiagnosisMethodofHydro-generatingUnitBasedonIimmunologyPrinciples[J].WaterPower,2007,33(3):54-56.

[3]芦天亮,郑康锋,傅蓉蓉,等.基于阴性选择算法的异常检测系统黑洞覆盖优化[J].通信学报，2013,34(1):128-135.

LuTianliang,ZhengKangfeng,FuRongrong,etal.AnomalyDetectionSystemwithHoleCoverageOptimizationBasedonNegativeSelectionAlgorithm[J].JournalofCommunications,2013,34(1):128-135.

[4]张清华.基于人工免疫系统的机组故障诊断技术研究[D].广州：华南理工大学,2004.

[5]冯翔.基于马氏距离算法的配电网故障定位系统研究[J].水电能源科学,2012,30(9):165-167.

FengXiang.StudyonDistributionNetworkFaultLocationSystemBasedonMahalanobisDistanceAlgorithm[J].WaterResourcesandPower,2012,30(9):165-167.

[6]韩中合,王峰,郝晓冬.基于人工免疫算法的机组振动故障诊断方法[J].华北电力大学学报,2010,37(5):38-42.

HanZhonghe,WangFeng,HaoXiaodong.FaultDiagnosisofTurbineVibrationBasedonArtificialImmuneAlgorithm[J].JournalofNorthChinaElectricPowerUniversity,2010,37(5):38-42.

[7]徐克虎,黄大山,王天召.改进的人工免疫算法求解武器目标分配问题[J].系统工程与电子技术，2013,35(10):2121-2126.

XuKehu,HuangDashan,WangTianzhao.ImprovedArtificialImmuneAlgorithmforSolvingWeapon-targetAssignmentProblems[J].SystemEngineeringandElectronics,2013,35(10):2121-2126.

[8]TheAssociationofGermanEngineers.VDI3834Part1.MeasurementandEvaluationoftheMechanicalVibrationofWindTurbineandTheirComponents[S].Berlin:VerlagDesVereinsDeutscherIngenieurePublications,2009．

[9]国家能源局.NB/T31004-2011.风力发电机组振动状态监测导则[S].北京:中国电力出版社，2011.

(编辑王艳丽)

FaultDiagnosisMethodforWindTurbineVibrationBasedonImprovedNegativeSelectionAlgorithm

WuChunmingYinHaiyan

NortheastDianliUniversity,Jilin,Jilin,132012

Abstract:In order to correctly judge wind turbine vibration fault types,reduce its impacts on power generation efficiency and personal property safety,this paper proposed an improved algorithm.In the traditional negative selection algorithm Mahalanobis distance was introduced for preliminary screening of vibration data,and the prediction algorithm was applied to the wind turbine vibration faults.At the same time with the two algorithms the diagnostic accuracy of fault diagnosis was improved.Studies show that the improved negative selection algorithm can be more quickly and accurately determine the fault type units and the diagnostic accuracy of 97.5% are achieved.And it can improve the wind turbine operation reliability and power efficiency.

Key words:Mahalanobis distance;negative selection;wind turbine;fault diagnosis

收稿日期：2015-02-09

基金项目：国家自然科学基金资助项目(61301257)；吉林省科技发展计划资助项目(2013020605GX)；吉林省教育厅“十二五”科学技术研究项目(吉教科合字[2015]第250号)

中图分类号:TP181;TP391

DOI：10.3969/j.issn.1004-132X.2016.04.010

作者简介：邬春明，男，1966年生。东北电力大学信息工程学院教授。主要研究方向为智能电网信息技术、故障诊断技术。银海燕,女,1989年生。东北电力大学信息工程学院硕士研究生。