姜寅，任葒葳，陳凱，朱長(zhǎng)江

（1.浙江運(yùn)達(dá)風(fēng)電股份有限公司，杭州310012；2.浙江省風(fēng)力發(fā)電技術(shù)重點(diǎn)實(shí)驗(yàn)室，杭州310012）

0 引言

風(fēng)電控制系統(tǒng)輸入/輸出（I/O）信號(hào)通道（以下簡(jiǎn)稱(chēng)I/O 信道）硬件眾多，其質(zhì)量和高損耗問(wèn)題較為集中，常以個(gè)別異常的故障形式出現(xiàn)。該問(wèn)題在庫(kù)存階段無(wú)法察覺(jué)，在后續(xù)整機(jī)生產(chǎn)或風(fēng)機(jī)故障排除及更換備件時(shí)產(chǎn)生故障隱患，影響產(chǎn)能效率。另外，若用戶(hù)明確I/O 硬件的故障問(wèn)題，也可更好地進(jìn)行返修追溯。

重工業(yè)大型控制系統(tǒng)自帶完備的診斷功能，通過(guò)使用專(zhuān)用指令庫(kù)和軟、硬件組態(tài)，依靠校驗(yàn)算法實(shí)現(xiàn)工業(yè)網(wǎng)絡(luò)內(nèi)遠(yuǎn)程I/O 軟、硬件在線故障診斷監(jiān)測(cè)［1-3］和日志記錄。然而其他定制型控制器和小型可編程邏輯控制器（PLC）不具備上述大型控制系統(tǒng)的硬件配置和網(wǎng)絡(luò)環(huán)境，其I/O 硬件故障尚無(wú)標(biāo)準(zhǔn)的診斷方法。傳統(tǒng)的PLC 故障診斷方法是結(jié)合故障指示對(duì)I/O 信道逐一進(jìn)行排查和信號(hào)測(cè)量［4-5］。這種診斷方法對(duì)故障發(fā)掘雖然行之有效，但是依靠人工在大批量模塊中去發(fā)掘零星的故障難免疏忽遺漏，且效率低下；使用控制器制造商提供的專(zhuān)用硬件檢測(cè)設(shè)備又有成本高、功能冗余，且存在技術(shù)服務(wù)響應(yīng)周期長(zhǎng)等問(wèn)題，對(duì)于在有時(shí)效性要求的風(fēng)電場(chǎng)和風(fēng)機(jī)整機(jī)制造場(chǎng)所推廣可行性不佳；通過(guò)控制輸出信道對(duì)輸入信道反饋?zhàn)詸z的方式具有較高的可行性［6］，但若輸出信道發(fā)生故障則無(wú)法有效查驗(yàn)對(duì)應(yīng)輸入信道的狀態(tài)。通過(guò)對(duì)比外接設(shè)備在參考I/O硬件和待測(cè)I/O硬件中的反饋信號(hào)的診斷方法可以快速、準(zhǔn)確地進(jìn)行診斷［7］，但對(duì)外接設(shè)備和參考I/O 硬件的依賴(lài)，會(huì)限制其在備件缺乏的風(fēng)電場(chǎng)應(yīng)用。

隨著近年來(lái)人工智能技術(shù)的發(fā)展，反向傳播（BP）神經(jīng)網(wǎng)絡(luò)模型在故障診斷領(lǐng)域的應(yīng)用逐漸增多［8-13］。文獻(xiàn)［8］將基于神經(jīng)網(wǎng)絡(luò)的診斷模型移植到控制單元，實(shí)現(xiàn)了控制系統(tǒng)故障監(jiān)測(cè)功能，提高了系統(tǒng)整體的安全性和可靠性，且用戶(hù)無(wú)須專(zhuān)業(yè)知識(shí)便可快速定位故障。文獻(xiàn)［9］在沒(méi)有額外設(shè)備支持的條件下實(shí)現(xiàn)了低成本、便捷的光伏陣列故障診斷方法。文獻(xiàn)［10］提出的BP 神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了變壓器遠(yuǎn)程故障診斷，并較傳統(tǒng)變壓器故障分析法有更高的準(zhǔn)確率和更廣的測(cè)試范圍?；谏鲜龇治?，結(jié)合風(fēng)電控制系統(tǒng)I/O 硬件用戶(hù)檢測(cè)的實(shí)際應(yīng)用需求，本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)算法的診斷模型，輔以常用的中間繼電器，在風(fēng)電控制系統(tǒng)上構(gòu)建一個(gè)I/O 故障自診斷系統(tǒng)。實(shí)現(xiàn)了一種低成本，不依賴(lài)特殊備件和專(zhuān)用診斷設(shè)備，易于風(fēng)電生產(chǎn)和運(yùn)維場(chǎng)合使用的控制系統(tǒng)I/O 硬件自診斷方法。

1 自診斷系統(tǒng)設(shè)計(jì)

自診斷系統(tǒng)由風(fēng)電控制系統(tǒng)和自診斷電路2大部分構(gòu)成。風(fēng)電控制系統(tǒng)由控制器硬件和I/O 信道硬件組成，其中I/O 信道硬件上的待測(cè)信道與自診斷電路相連接。控制器加載程序后，采集自診斷電路的信號(hào)，并將其數(shù)據(jù)處理后，輸入診斷程序進(jìn)行分類(lèi)運(yùn)算，并輸出相應(yīng)的參考結(jié)果，進(jìn)而實(shí)現(xiàn)故障診斷。自診斷系統(tǒng)示意圖如圖1所示。

1.1 自診斷電路

自診斷電路由5 個(gè)輸出信道（SO1—SO5）、5 個(gè)輸入信道（SI1—SI5），以及中間繼電器組成，其原理如圖2 所示。各輸出信道分別連接所有輸入信道。診斷運(yùn)行時(shí)，程序控制各輸出信道依序分別單獨(dú)輸出片刻，在此期間，5 個(gè)輸入信道通過(guò)反饋回路同時(shí)對(duì)當(dāng)前受控輸出的輸出信道進(jìn)行采樣處理，形成一組控制系統(tǒng)自反饋信號(hào)。未受控輸出的輸出信道所在回路在繼電器的常閉觸點(diǎn)互鎖保護(hù)下保持開(kāi)路，避免硬件被干擾或損壞。例如當(dāng)輸出信道SO1有輸出時(shí)，其余SO2—SO5 回路開(kāi)路，此時(shí)輸入信道SI1—SI5可對(duì)SO1的輸出情況實(shí)現(xiàn)多重采集。

圖1 自診斷系統(tǒng)示意Fig.1 Fault self-detecting system

在個(gè)別信道故障的情況下，診斷電路可以依靠多重自反饋信號(hào)的相補(bǔ)和復(fù)核以識(shí)別故障特征。當(dāng)某輸出信道故障時(shí)，SI1—SI5 仍可依靠其他正常的輸出信道的反饋信號(hào)進(jìn)行自診斷。

圖2 自診斷電路原理Fig.2 Sketch of fault self-detecting circuit

本文設(shè)計(jì)特征矩陣來(lái)描述信道故障時(shí)診斷電路的狀態(tài)，并作為診斷程序的輸入。將處理后的自反饋信號(hào)數(shù)據(jù)依序記錄排列，可構(gòu)成特征矩陣，見(jiàn)表1。反饋信號(hào)正常時(shí)特征值用1表示，異常時(shí)特征值用0 表示。當(dāng)某輸入信道SIi有故障時(shí)，其所在列的特征值都為0；同理，當(dāng)某輸出信道SOj有故障時(shí)，則所在行的特征值都為0；其余正常信道的特征值都為1。

1.2 診斷程序設(shè)計(jì)

診斷程序依次按照初始化、采樣處理、自診斷模型，以及輸出參考結(jié)果流程運(yùn)行，如圖3所示。

初始化階段，程序?yàn)樽栽\斷模型中的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行參數(shù)賦值，并讀取預(yù)設(shè)的訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練；采樣處理階段，程序控制各輸出信道逐一向自診斷電路輸出高電平1 s。在此時(shí)段內(nèi)，各輸入信道分別對(duì)當(dāng)前有高電平的輸出信道采樣處理，形成表1 中的一行特征值，各特征值為采樣周期內(nèi)自反饋信號(hào)的平均值。當(dāng)數(shù)據(jù)采樣處理完成后，自診斷模型遂獲得特征矩陣數(shù)據(jù)，并輸入BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行計(jì)算，形成參考結(jié)果，最后在人機(jī)界面上顯示。

表1 特征矩陣數(shù)據(jù)Tab.1 Data in a characteristic matrix

圖3 診斷程序執(zhí)行流程Fig.3 Executive process of the diagnostic procedure

1.3 歸一化處理

根據(jù)采樣處理階段獲取信道特征值的方式，當(dāng)某信道的自反饋信號(hào)在各周期中均為低電平，按采樣周期取平均值，即獲得特征矩陣中最小特征值0；反之，若各周期自反饋信號(hào)均為高電平，取均值后獲得特征矩陣中最大特征值1。其余情況下，采樣獲得的特征值介于0～1之間。

為防止神經(jīng)網(wǎng)絡(luò)模型收斂慢、訓(xùn)練時(shí)間長(zhǎng)和數(shù)據(jù)值偏小或超限的問(wèn)題，結(jié)合激活函數(shù)值域有限的特點(diǎn)，本文采用線性轉(zhuǎn)換算法［14］，對(duì)上述采樣處理階段獲得的各特征值進(jìn)行處理

式中:x為實(shí)際采樣獲得特征值，且x∈［0，1］。xMin和xMax分別為最小特征值0 和最大特征值1，因此歸一化的特征值x*∈［0，1］。

進(jìn)一步處理x*，為防止特征值0 輸入神經(jīng)網(wǎng)絡(luò)模型造成診斷失敗，將x*轉(zhuǎn)化為i，令其落在［0.01，1］區(qū)間內(nèi):

使用各特征值i作為元素構(gòu)造特征矩陣I，

其中，特征值元素ijk∈［0.01，1］，j∈［1，5］，k∈［1，5］。

2 自診斷模型設(shè)計(jì)

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

本文設(shè)計(jì)的自診斷模型基于3 層BP 神經(jīng)網(wǎng)絡(luò)。根據(jù)自診斷電路5路I/O 信道的數(shù)量，特征矩陣應(yīng)含有25 個(gè)特征值，利用25 個(gè)特征值構(gòu)建輸入矩陣，即設(shè)置輸入層為25個(gè)節(jié)點(diǎn)，對(duì)應(yīng)的輸入矩陣為

輸出層為10 個(gè)節(jié)點(diǎn)，分別表示5 個(gè)輸入信道和5 個(gè)輸出信道的狀態(tài)。參考隱含層單元數(shù)確認(rèn)方法［15］，經(jīng)過(guò)多次試驗(yàn)，設(shè)置效果最佳的隱含層節(jié)點(diǎn)數(shù)為10，其網(wǎng)絡(luò)模型如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)模型Fig.4 Neural network model

為訓(xùn)練神經(jīng)網(wǎng)絡(luò)調(diào)整權(quán)值，還需構(gòu)造出用于計(jì)算輸出誤差的目標(biāo)矩陣

式中:t1—t5分別對(duì)應(yīng)SO1—SO5 的目標(biāo)值，t6—t10分別對(duì)應(yīng)SI1—SI5的目標(biāo)值。

自診斷應(yīng)用程序執(zhí)行初始化時(shí)，神經(jīng)網(wǎng)絡(luò)模型讀取訓(xùn)練數(shù)據(jù)集，按照指定的訓(xùn)練次數(shù)調(diào)整權(quán)值。

單次訓(xùn)練輸出時(shí)，輸出層獲得各節(jié)點(diǎn)的輸出值與目標(biāo)值的誤差后反向傳播回神經(jīng)網(wǎng)絡(luò)，使用梯度下降法，根據(jù)隱含層和輸出層之間已有各權(quán)值的大小，進(jìn)行一次校準(zhǔn)［16］。以連接當(dāng)前節(jié)點(diǎn)j前一級(jí)節(jié)點(diǎn)i的權(quán)值wij的一次反向傳播校準(zhǔn)為例，新的權(quán)值wnew為

式中:oi為前一級(jí)節(jié)點(diǎn)i的輸出值；Oij為節(jié)點(diǎn)j的輸出函數(shù)；ej為節(jié)點(diǎn)j的誤差函數(shù)的值，滿足

式中:tj∈T，為輸出節(jié)點(diǎn)j的目標(biāo)值。

鑒于本文采用Sigmoid激活函數(shù)

節(jié)點(diǎn)j的輸出函數(shù)表達(dá)式為

將式（8）和式（10）代入式（7），可得

最終，將式（11）代入式（6）可完成權(quán)值wij的一次校準(zhǔn)。

自診斷應(yīng)用程序初始化階段，診斷模型讀取訓(xùn)練數(shù)據(jù)集，并按照指定的訓(xùn)練次數(shù)，逐次調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值，使其具備故障數(shù)據(jù)分類(lèi)能力。

2.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

構(gòu)造各信道單獨(dú)故障時(shí)的理想特征矩陣和目標(biāo)矩陣的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集。例如SO1故障時(shí)理想特征矩陣的數(shù)據(jù)樣本見(jiàn)表2。

表2 SO1故障時(shí)理想特征矩陣的數(shù)據(jù)樣本Tab.2 Sample of training data in the characteristic matrix during SO1 fault

鑒于激活函數(shù)Sigmoid(x)∈(0，1)，為防止權(quán)值飽和，調(diào)整對(duì)應(yīng)目標(biāo)矩陣的異常和正常特征值分別為0.01 和0.99。SO1 故障時(shí)目標(biāo)矩陣數(shù)據(jù)樣本見(jiàn)表3。

表3 SO1故障時(shí)目標(biāo)矩陣數(shù)據(jù)樣本Tab.3 Sample of training data in the targeted matrix during SO1 fault

整合表2 和表3 可知SO1 單獨(dú)故障的訓(xùn)練數(shù)據(jù)集。結(jié)合1.1 節(jié)自診斷電路，以此類(lèi)推構(gòu)造其他被測(cè)信道單獨(dú)故障的訓(xùn)練數(shù)據(jù)集，由此整合獲得5 輸出和5輸入信道的自診斷訓(xùn)練數(shù)據(jù)總集。使用服從標(biāo)準(zhǔn)正態(tài)分布的初始權(quán)值參與訓(xùn)練，提高訓(xùn)練效率?？紤]到BP 神經(jīng)網(wǎng)絡(luò)有“訓(xùn)練樣本順序敏感性”的特點(diǎn)［17］，各訓(xùn)練數(shù)據(jù)集按隨機(jī)順序輸入訓(xùn)練。經(jīng)過(guò)驗(yàn)證，設(shè)定學(xué)習(xí)率l為0.3，總訓(xùn)練次數(shù)達(dá)到50 000 次，可令自診斷模型獲得有效的故障分類(lèi)能力。

3 實(shí)例分析

使用訓(xùn)練好的自診斷模型對(duì)歸一化處理后的輸入數(shù)據(jù)進(jìn)行計(jì)算分類(lèi)，參考結(jié)果輸出在風(fēng)電控制系統(tǒng)人機(jī)界面上。用戶(hù)可按照常規(guī)方式登錄人機(jī)界面，并瀏覽指定菜單位置的自診斷參考結(jié)果。人機(jī)界面顯示的數(shù)據(jù)結(jié)果如圖5 所示，“DETECTING OUTPUT”欄顯示SO1—SI5 信道自診斷后的故障可能性數(shù)據(jù)。通常數(shù)量級(jí)為10-1且數(shù)值上接近1 的數(shù)據(jù)表明對(duì)應(yīng)信道具有很大的故障概率。

圖5 人機(jī)界面顯示的數(shù)據(jù)結(jié)果Fig.5 Detecting results on the user interface

以2個(gè)有故障的I/O 模塊為例驗(yàn)證自診斷系統(tǒng)。驗(yàn)證前對(duì)待測(cè)的I/O 信道逐一進(jìn)行信號(hào)排查:單獨(dú)用萬(wàn)用表測(cè)量各輸出信道的高電平輸出時(shí)的電壓值；使用標(biāo)準(zhǔn)24 V 直流高電平接入各輸入信道，查看其邏輯反饋狀態(tài)（true 或false）。記錄上述測(cè)量結(jié)果作為自診斷模型對(duì)照組。

經(jīng)過(guò)排查，模塊1 的“發(fā)電機(jī)加熱”輸出信道存在故障。使用文中的自診斷系統(tǒng)采樣處理獲取模塊1 的歸一化特征矩陣數(shù)據(jù)，見(jiàn)表4。輸入診斷模型，判斷其中“偏航扭纜”接收“左偏航”的反饋信號(hào)受干擾，其數(shù)據(jù)值偏低（為0.67）。經(jīng)過(guò)自診斷模型運(yùn)算后，輸出結(jié)果見(jiàn)表5。根據(jù)表5 可知“發(fā)電機(jī)加熱”信道診斷結(jié)果接近1，且其數(shù)量級(jí)明顯大于其他數(shù)據(jù)，因此有較大的概率出現(xiàn)故障。該結(jié)果與“排查結(jié)果”列的數(shù)據(jù)相符。并且在測(cè)試中，通過(guò)自診斷電路與之相連的“機(jī)艙緊停”“緊急順槳控制（EFC）反饋”“過(guò)振動(dòng)”“風(fēng)輪過(guò)速”和“偏航扭纜”輸入信道的診斷未受其故障的影響，且未對(duì)受信號(hào)干擾的信道造成誤診。

表4 模塊1的歸一化特征矩陣數(shù)據(jù)Tab.4 Normalized data in the characteristic matrix of No.1 module

表5 模塊1的故障診斷輸出結(jié)果Tab.5 Detected fault output from No.1 module

模塊2的排查結(jié)果顯示輸出信道“偏航斷電”和輸入信道“順槳到位”都有故障。自診斷系統(tǒng)采樣獲得其歸一化特征矩陣數(shù)據(jù)見(jiàn)表6。經(jīng)過(guò)自診斷模型運(yùn)算后，輸出結(jié)果見(jiàn)表7。根據(jù)表7的“診斷結(jié)果”列可知“偏航斷電”和“順槳到位”2 個(gè)信道有很大概率出現(xiàn)故障，與“排查結(jié)果”列的數(shù)據(jù)相符。表6 中UPS表示不間斷電源。

表6 模塊2的歸一化特征矩陣數(shù)據(jù)Tab.6 Normalized data in the characteristic matrix of No.2 module

表7 模塊2的故障診斷輸出結(jié)果Tab.7 Detected fault output from No.2 module

4 結(jié)論

本文提出了一種基于BP 神經(jīng)網(wǎng)絡(luò)算法的控制器I/O 硬件故障的自診斷方法，經(jīng)過(guò)試驗(yàn)論證，結(jié)果表明:

（1）自診斷電路配件為常用的風(fēng)機(jī)備件，成本低，易獲取，特征電路連接搭建一次可反復(fù)使用，適用于批量檢測(cè)，無(wú)須依賴(lài)專(zhuān)用檢測(cè)設(shè)備。可用于缺少備件、出行維護(hù)等成本較高的場(chǎng)合；

（2）診斷電路一對(duì)多的連接結(jié)構(gòu)可靠性高，多重自反饋信號(hào)的設(shè)計(jì)可對(duì)待測(cè)信道的狀態(tài)形成復(fù)合校驗(yàn)，具備了在個(gè)別信道故障的情況下仍可全面診斷的能力；診斷模型對(duì)個(gè)別干擾輸入不敏感，可以減少誤判，具備穩(wěn)定性；

（3）硬件搭建完備的條件下可快速診斷，實(shí)現(xiàn)短時(shí)間內(nèi)逐一、高效排查；

（4）參考結(jié)果展示簡(jiǎn)潔，操作人員無(wú)須專(zhuān)業(yè)知識(shí)，可快速掌握參考結(jié)果查閱方法并定位故障。

此外，神經(jīng)網(wǎng)絡(luò)算法程序具有一定的泛化能力，通過(guò)完善信號(hào)采樣和數(shù)據(jù)處理方法，以及權(quán)值調(diào)整算法，可提升自診斷系統(tǒng)的性能，并拓展到其他控制器的功能診斷。因此，本方法具有良好的應(yīng)用前景。