• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于孤立森林算法的風(fēng)電齒輪箱軸承故障檢測(cè)方法

      2022-06-08 05:06:44湯婷張巖安宗文
      軸承 2022年2期
      關(guān)鍵詞:齒輪箱風(fēng)電軸承

      湯婷,張巖,安宗文

      (1.甘肅省特種設(shè)備檢驗(yàn)檢測(cè)研究院,蘭州 730050;2.蘭州理工大學(xué) 機(jī)電工程學(xué)院,蘭州 730050)

      風(fēng)電機(jī)組大多安裝在自然環(huán)境惡劣的偏遠(yuǎn)或近海地區(qū),隨著服役時(shí)間增加,大部分風(fēng)電機(jī)組逐漸進(jìn)入故障高發(fā)和事故頻發(fā)階段。齒輪箱故障是導(dǎo)致風(fēng)電機(jī)組停機(jī)時(shí)間長(zhǎng),維修費(fèi)用高的原因[1-3]。美國(guó)國(guó)家可再生能源實(shí)驗(yàn)室研究表明76%的齒輪箱故障由軸承故障引起[4],因此對(duì)齒輪箱軸承進(jìn)行故障檢測(cè)可盡早發(fā)現(xiàn)隱患,保證齒輪箱安全運(yùn)行以避免重大經(jīng)濟(jì)損失。

      在工程實(shí)際中,振動(dòng)信號(hào)和聲發(fā)射信號(hào)常用于表征軸承狀態(tài)[5-6]。在基于振動(dòng)信號(hào)的軸承故障檢測(cè)中,文獻(xiàn)[7]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組主軸承故障預(yù)測(cè)方法,并具備自動(dòng)報(bào)警功能;文獻(xiàn)[8]建立了一種基于孤立森林算法的多維離群列車(chē)動(dòng)車(chē)組軸箱軸承溫度異常狀態(tài)監(jiān)測(cè)方法;文獻(xiàn)[9]采用小波濾波對(duì)弱信號(hào)進(jìn)行增強(qiáng)故障識(shí)別并基于自組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行滾動(dòng)軸承性能退化評(píng)估。除振動(dòng)信號(hào)外,聲發(fā)射信號(hào)對(duì)軸承故障同樣敏感[10],文獻(xiàn)[11]針對(duì)多工況下滾動(dòng)軸承故障聲發(fā)射信號(hào)智能識(shí)別問(wèn)題,提出了一種長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)與遷移學(xué)習(xí)相結(jié)合的故障識(shí)別新方法。雖然聲發(fā)射和振動(dòng)信號(hào)對(duì)軸承的故障特征十分敏感,但相應(yīng)的設(shè)備造價(jià)高昂,風(fēng)電機(jī)組監(jiān)測(cè)控制與數(shù)據(jù)采集系統(tǒng)(Supervisory Control and Data Acquisition,SCADA)大多配備的是溫度傳感器,在不增加外在硬件設(shè)備成本的前提下,如何有效利用豐富的溫度監(jiān)測(cè)數(shù)據(jù)進(jìn)行故障檢測(cè)成為風(fēng)場(chǎng)關(guān)注的問(wèn)題。

      國(guó)內(nèi)外學(xué)者以溫度為出發(fā)點(diǎn)展開(kāi)了一系列研究:文獻(xiàn)[12]提出一種基于風(fēng)電機(jī)組主軸承SCADA狀態(tài)監(jiān)測(cè)數(shù)據(jù)逐層編碼網(wǎng)絡(luò)的深度學(xué)習(xí)方法;文獻(xiàn)[13]提出了一種將相關(guān)系數(shù)法、主成分分析法以及極限學(xué)習(xí)機(jī)相結(jié)合的主軸承狀態(tài)監(jiān)測(cè)方法;文獻(xiàn)[14]建立了一種基于軸承溫度的風(fēng)電機(jī)組物理監(jiān)測(cè)模型;文獻(xiàn)[15]提出了一種利用風(fēng)電機(jī)組軸承溫度殘差的貝葉斯推斷和高斯過(guò)程的統(tǒng)計(jì)方法,用于預(yù)測(cè)風(fēng)電機(jī)組狀態(tài)。由于齒輪箱軸承通常在噪聲和干擾較大的惡劣環(huán)境中工作,為提高診斷性能,需要從原始信號(hào)中提取故障敏感特征。與傳統(tǒng)的學(xué)習(xí)方法相比,深度學(xué)習(xí)能夠更好地提取特征[16-18]。

      為了在不新增額外硬件成本的前提下,有效利用豐富、海量的SCADA監(jiān)測(cè)數(shù)據(jù),減少資源浪費(fèi),同時(shí)提高風(fēng)電齒輪箱軸承的故障檢測(cè)精度,本文以齒輪箱軸承為研究對(duì)象,溫度參數(shù)為故障檢測(cè)模型的輸出變量進(jìn)行研究。首先,使用多尺度圖相關(guān)(Multiscale Graph Correlation,MGC)算法[19]選擇輸入變量以保證選擇過(guò)程相對(duì)客觀(guān)、合理;然后,采用自組織映射(Self-Organizing Map,SOM)神經(jīng)網(wǎng)絡(luò),將提取的故障敏感特征值進(jìn)行特征融合以改善輸入變量的數(shù)據(jù)質(zhì)量;最后,運(yùn)用孤立森林(Isolation Forest,iForest)算法[20]進(jìn)行異常點(diǎn)檢測(cè),并與多個(gè)模型進(jìn)行檢測(cè)精度對(duì)比,驗(yàn)證本模型的有效性。

      1 齒輪箱軸承故障檢測(cè)模型構(gòu)建

      如圖1所示,首先,將SCADA歷史運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理,采用MGC算法選擇與輸出變量——軸承溫度非線(xiàn)性相關(guān)程度最高的9個(gè)輸入變量;其次,提取輸入變量的均方根和包絡(luò)線(xiàn)并進(jìn)行SOM特征融合,得到融合指標(biāo);最后,將融合指標(biāo)作為樣本集,以隨機(jī)不放回抽取的方式構(gòu)建孤立樹(shù)進(jìn)一步形成孤立森林,通過(guò)計(jì)算孤立樹(shù)上測(cè)試樣本的路徑長(zhǎng)度得出每個(gè)樣本的異常分?jǐn)?shù)進(jìn)而判斷是否為故障。

      圖1 故障檢測(cè)流程

      1.1 基于多尺度圖相關(guān)算法選擇輸入變量

      為提高風(fēng)電齒輪箱軸承故障檢測(cè)模型精度,需合理選擇模型輸入變量。MGC作為距離相關(guān)算法的推廣,在非線(xiàn)性、多變量和噪聲依賴(lài)等綜合仿真上均更具優(yōu)勢(shì),一個(gè)原始樣本的MGC可定義為所有樣本局部相關(guān)性的最大值,即

      (1)

      對(duì)于作為輸入的一對(duì)數(shù)據(jù)集(Xn,Yn),MGC算法的具體步驟如下:

      1.2 基于自組織映射神經(jīng)網(wǎng)絡(luò)的特征融合

      將輸入向量的故障敏感特征值進(jìn)行SOM特征融合是提高齒輪箱軸承故障檢測(cè)精度的關(guān)鍵。首先,隨機(jī)設(shè)置初始權(quán)值,對(duì)m個(gè)輸入神經(jīng)元的連接權(quán)值賦予較小值;然后,將輸入向量X=(x1,x2,x3,…,xm)T置于輸入層;最后,計(jì)算映射層各神經(jīng)元的權(quán)值向量和輸入向量間的歐氏距離,距離計(jì)算公式為

      (2)

      式中:ωij為輸入神經(jīng)元i與映射神經(jīng)元j之間的權(quán)值。將最小距離的神經(jīng)元稱(chēng)為最佳匹配單元;然后更新最佳匹配單元的權(quán)重向量及其拓?fù)溧徲?,使其在輸入空間中更接近輸入向量。其中,輸入向量在映射層形成一組一維融合值,用最小量化誤差[21](Minimum Quantization Error,MQE)表示為

      eMQE==X-mBMU=,

      (3)

      式中:X為輸入數(shù)據(jù)向量;mBMU為最佳匹配單元的權(quán)重向量。eMQE值越小,表明當(dāng)前齒輪箱軸承狀態(tài)離基準(zhǔn)健康狀態(tài)越近;反之則越可能接近故障狀態(tài)。

      1.3 基于孤立森林算法的異常點(diǎn)檢測(cè)

      孤立森林算法無(wú)需計(jì)算樣本之間的距離,實(shí)現(xiàn)簡(jiǎn)單且可快速區(qū)分出異常數(shù)據(jù),對(duì)群體異常數(shù)據(jù)以及離散異常數(shù)據(jù)都有很好的檢測(cè)能力。

      1.3.1 構(gòu)建孤立樹(shù)

      1.3.2 建立孤立森林

      設(shè)定孤立樹(shù)的限制高度l近似于平均高度,l與子樣本數(shù)量ψ的關(guān)系為l=ceiling(log2ψ),當(dāng)孤立樹(shù)生長(zhǎng)至平均高度即停止,n棵互不影響且相互獨(dú)立的孤立樹(shù)組成孤立森林。孤立森林算法的構(gòu)建過(guò)程為:首先,初始化孤立森林,設(shè)置孤立樹(shù)最大高度l=ceiling(log2ψ);然后,在待監(jiān)測(cè)樣本集X中隨機(jī)抽取容量為ψ的樣本集,將采樣樣本放入集合X′并將X′作為根節(jié)點(diǎn),按照孤立樹(shù)算法得到孤立樹(shù);最后,將孤立樹(shù)放入孤立森林。

      1.3.3 確定路徑長(zhǎng)度

      樣本點(diǎn)x的路徑長(zhǎng)度h(x)為從孤立樹(shù)的根節(jié)點(diǎn)到葉子節(jié)點(diǎn)所經(jīng)過(guò)的邊的數(shù)量。路徑長(zhǎng)度越短隔離敏感性越高,反之則越低。h(x)的計(jì)算步驟為:如果測(cè)試樣本點(diǎn)x是葉子結(jié)點(diǎn)或樹(shù)的當(dāng)前高度h大于其最大高度l,則返回至h+c(T);如果xq≤p,則返回至路徑長(zhǎng)度PathLength(x,Tleft,h+1)處,反之則返回至路徑長(zhǎng)度PathLength(x,Tright,h+1)處。

      孤立森林算法進(jìn)行異常檢測(cè)的本質(zhì)是將被檢測(cè)點(diǎn)的反應(yīng)異常程度進(jìn)行排序,根據(jù)樣本點(diǎn)的路徑長(zhǎng)度計(jì)算異常得分。排序越靠前,得分越高。異常點(diǎn)得分s定義為

      (4)

      (5)

      H(n)=lnn+ε,

      式中:h(x)為待檢測(cè)樣本x在孤立樹(shù)中的路徑長(zhǎng)度;E[h(x)]為h(x)的期望值;c(ψ)為孤立樹(shù)的平均路徑長(zhǎng)度;ψ為子采樣大??;n為T(mén)的根節(jié)點(diǎn)所包含的樣本量;H(n)為調(diào)和函數(shù);ε為歐拉常數(shù),ε=0.577 215 664 9。

      根據(jù)s與E[h(x)]的關(guān)系確定異常點(diǎn)判定方法:當(dāng)E[h(x)]→c(ψ)時(shí),s→0.5,無(wú)法判定是否異常;當(dāng)E[h(x)]→0時(shí),s→1,判定為異常;當(dāng)E[h(x)]→n-1時(shí),s→0,判定為正常。其中,異常點(diǎn)得分0≤s≤1。

      2 齒輪箱軸承故障檢測(cè)模型驗(yàn)證

      風(fēng)電機(jī)組SCADA數(shù)據(jù)具有豐富的類(lèi)型和海量的存儲(chǔ),但由于系統(tǒng)技術(shù)不成熟或其他環(huán)境因素導(dǎo)致有用信息十分匱乏,僅根據(jù)歷史運(yùn)行數(shù)據(jù)(表1)無(wú)法判別是否故障以及何處發(fā)生故障。因此,為保障風(fēng)電機(jī)組的故障檢測(cè)、診斷與預(yù)測(cè)精度,需借助數(shù)據(jù)挖掘技術(shù)及其相應(yīng)算法從原始數(shù)據(jù)中獲取有效信息和優(yōu)質(zhì)數(shù)據(jù)。

      表1 SCADA原始數(shù)據(jù)樣式

      2.1 軸承故障監(jiān)測(cè)點(diǎn)

      SCADA系統(tǒng)可對(duì)齒輪箱的軸承溫度、潤(rùn)滑油溫度等參數(shù)進(jìn)行監(jiān)測(cè)和記錄。配置有不同軸承的3級(jí)行星齒輪箱如圖2所示[22],其中A和B分別為行星齒輪架兩端軸承。C,D和E分別為齒輪箱高速軸上的軸承。本文選取的齒輪箱軸承溫度監(jiān)測(cè)點(diǎn)是位于齒輪箱高速軸靠近發(fā)電機(jī)側(cè)的軸承E。

      圖2 齒輪箱軸承位置示意圖

      2.2 選擇輸入變量

      根據(jù)SCADA數(shù)據(jù)可以繪制風(fēng)電機(jī)組各參數(shù)隨時(shí)間的變化以及不同參數(shù)之間的相互關(guān)系圖。齒輪箱軸承溫度的變化以及有功功率與風(fēng)速之間的關(guān)系如圖3、圖4所示,SCADA參數(shù)自相關(guān)和互相關(guān)均成非線(xiàn)性且復(fù)雜的關(guān)系,難以直接定性分析或得出明確物理關(guān)系。

      圖3 齒輪箱軸承溫度

      圖4 風(fēng)速-有功功率

      為避免因人工選擇或線(xiàn)性相關(guān)算法導(dǎo)致的主觀(guān)臆斷或參數(shù)選擇不合理,采用MGC算法選擇與軸承溫度非線(xiàn)性相關(guān)程度較高的參數(shù),結(jié)果見(jiàn)表2,從中選擇前9個(gè)非線(xiàn)性相關(guān)程度較高的參數(shù)作為軸承故障檢測(cè)模型的輸入變量。

      表2 軸承溫度與輸入變量的相關(guān)程度

      2.3 輸入變量進(jìn)行SOM特征融合

      為進(jìn)一步提高故障檢測(cè)的性能和精度,從9個(gè)輸入變量中分別提取均方根和包絡(luò)線(xiàn)這2種故障敏感特征,并將其進(jìn)行SOM特征融合,使故障趨勢(shì)更為明顯。以輸入變量電源柜NCC300溫度為例,其均方根和包絡(luò)線(xiàn)如圖5所示,經(jīng)過(guò)SOM特征融合后得到的最小量化誤差如圖6所示,由圖可知電源柜NCC300的溫升異常且有3處超過(guò)閾值。

      圖5 電源柜NCC300溫度的均方根和包絡(luò)線(xiàn)

      圖6 電源柜NCC300溫度的最小量化誤差

      閾值根據(jù)輸入變量正常范圍的上限值確定,即在數(shù)據(jù)樣本最后處設(shè)置上限值,將其一同按照數(shù)據(jù)處理步驟進(jìn)行處理,最終得到的位置即為閾值,圖6中電源柜NCC300溫度的閾值約為1.1。由于不同輸入變量的正常范圍值不同,因此均需與樣本點(diǎn)一同做量綱一化預(yù)處理。由于風(fēng)速長(zhǎng)時(shí)間小于切入風(fēng)速導(dǎo)致風(fēng)電機(jī)組停機(jī),風(fēng)速雖已慢慢超過(guò)3 m/s,但為保護(hù)風(fēng)電機(jī)組,仍處于停機(jī)保護(hù)狀態(tài)而非故障停機(jī)。

      進(jìn)一步,將所有輸入變量的均方根和包絡(luò)線(xiàn)進(jìn)行SOM特征融合,即輸入變量由3 400×9組原始數(shù)據(jù)變?yōu)? 700×1組融合值最小量化誤差eMQE,融合結(jié)果如圖7所示。將9組輸入變量進(jìn)行特征融合后,故障異常點(diǎn)明顯,超過(guò)閾值的異常點(diǎn)一共有4處,其中所有輸入變量融合值的閾值約為1.0。

      圖7 所有輸入變量的最小量化誤差

      2.4 基于孤立森林算法的故障檢測(cè)

      基于孤立森林算法的異常值檢測(cè)方法可將數(shù)據(jù)樣本的特征通過(guò)無(wú)監(jiān)督學(xué)習(xí)方式存儲(chǔ)在森林中,穩(wěn)定性高且能準(zhǔn)確檢測(cè)出數(shù)據(jù)樣本中的異常值,因此以孤立森林算法作為齒輪箱軸承故障檢測(cè)的核心算法,其流程如圖8所示,具體步驟如下:

      圖8 基于孤立森林算法的齒輪箱軸承故障檢測(cè)流程圖

      1)建立輸入變量的特征融合數(shù)據(jù)集X′,SOM融合指標(biāo)eMQE為數(shù)據(jù)集第1列,對(duì)應(yīng)的標(biāo)簽為第2列,正常和異常數(shù)據(jù)點(diǎn)分別以“0”和“1”作為標(biāo)簽,共1 700條。由于異常點(diǎn)僅有4處,在數(shù)據(jù)集中占比太小,故人為加入260組異常值以平衡數(shù)據(jù)比例。

      2)采用隨機(jī)不放回取樣方式,抽取n個(gè)訓(xùn)練子樣本構(gòu)建孤立樹(shù),合并成孤立森林。孤立森林中孤立樹(shù)為100棵,每棵樹(shù)所含的樣本數(shù)為256。

      3)計(jì)算每個(gè)子樣本集中的數(shù)據(jù)點(diǎn)在孤立樹(shù)中的路徑長(zhǎng)度,并計(jì)算孤立樹(shù)的平均路徑長(zhǎng)度。

      4)綜合所有數(shù)據(jù)點(diǎn)的路徑長(zhǎng)度,計(jì)算相應(yīng)的異常點(diǎn)得分,判斷是否異常。

      3 算例分析

      考慮到西北地區(qū)的四季氣溫變化巨大,為保證模型精度,以2013年3月23日至4月底甘肅某風(fēng)場(chǎng)第56臺(tái)風(fēng)電機(jī)組的SCADA數(shù)據(jù)作為研究對(duì)象,該數(shù)據(jù)每10 min記錄一次,共包含38個(gè)監(jiān)測(cè)參數(shù),共計(jì)3400×38組。風(fēng)電機(jī)組在3~20 m/s的風(fēng)速范圍內(nèi)正常運(yùn)行和發(fā)電,當(dāng)小于切入風(fēng)速(3 m/s)時(shí),風(fēng)電機(jī)組處于停機(jī)狀態(tài);當(dāng)大于額定風(fēng)速(20 m/s)時(shí),會(huì)因轉(zhuǎn)速過(guò)快損傷風(fēng)電機(jī)組。因此首先剔除風(fēng)速范圍外的相關(guān)參數(shù),同時(shí)對(duì)SCADA數(shù)據(jù)進(jìn)行量綱一化處理以消除各參數(shù)變量的量綱和數(shù)量級(jí)不一致問(wèn)題,以更好地研究各參數(shù)間相關(guān)關(guān)系。

      取包含自然異常點(diǎn)的4月15日11點(diǎn)30分、4月17日21點(diǎn)20分、4月17日21點(diǎn)30分和4月25日17點(diǎn)20分共4組數(shù)據(jù)進(jìn)行故障檢測(cè),根據(jù)上述訓(xùn)練過(guò)程得到的基于孤立森林算法的異常點(diǎn)檢測(cè)結(jié)果如圖9所示,基于孤立森林算法的風(fēng)電齒輪箱軸承故障檢測(cè)方法準(zhǔn)確識(shí)別出了4個(gè)自然異常點(diǎn)。

      圖9 某風(fēng)場(chǎng)風(fēng)電齒輪箱軸承故障檢測(cè)結(jié)果

      為驗(yàn)證基于孤立森林算法的風(fēng)電齒輪箱軸承故障檢測(cè)方法的有效性,在使用相同數(shù)據(jù)集的前提下,分別采用反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、隨機(jī)森林(RF)和支持向量機(jī)(SVM)進(jìn)行齒輪箱軸承故障檢測(cè),各檢測(cè)模型的參數(shù)見(jiàn)表3。

      表3 各檢測(cè)模型的參數(shù)選取

      每種模型測(cè)試10次后取平均值表征其檢測(cè)性能,檢測(cè)結(jié)果見(jiàn)表4,孤立森林算法的故障檢測(cè)平均精度為100.0%,平均運(yùn)行時(shí)間為0.207 s,整體表現(xiàn)最優(yōu)。

      表4 故障檢測(cè)模型效果對(duì)比

      為驗(yàn)證SOM特征級(jí)融合的有效性,將量綱一化后的輸入變量直接進(jìn)行10次孤立森林算法異常點(diǎn)檢測(cè),SOM融合前、后模型的檢測(cè)性能如圖10所示。曲線(xiàn)下的面積可以表征精度,明顯發(fā)現(xiàn)數(shù)據(jù)融合后的面積更大,說(shuō)明其檢測(cè)精度更高。定量分析得到SOM融合前的平均檢測(cè)精度為78.44%,平均運(yùn)行時(shí)間為0.330 s。因此,對(duì)輸入變量進(jìn)行SOM特征級(jí)融合處理后,平均檢測(cè)精度提高21.56%,平均運(yùn)行時(shí)間縮短0.123 s。

      圖10 孤立森林算法檢測(cè)性能對(duì)比圖

      4 結(jié)束語(yǔ)

      以風(fēng)電齒輪箱軸承為研究對(duì)象,引入MGC算法選擇輸入量,采用SOM神經(jīng)網(wǎng)絡(luò)特征融合獲得輸入值eMQE,構(gòu)建了一種基于孤立森林算法的風(fēng)電齒輪箱軸承故障檢測(cè)方法。本方法可在不新增外部硬件的前提下,通過(guò)一段關(guān)鍵部件的歷史運(yùn)行數(shù)據(jù)準(zhǔn)確獲取故障信息。與BPNN,RF,SVM模型相比,本方法綜合性能最優(yōu),采用信息融合技術(shù)使檢測(cè)時(shí)間縮短了0.123 s,檢測(cè)精度提高了21.56%。

      猜你喜歡
      齒輪箱風(fēng)電軸承
      軸承知識(shí)
      哈爾濱軸承(2022年2期)2022-07-22 06:39:32
      風(fēng)電齒輪箱軸承用鋼100CrMnSi6-4的開(kāi)發(fā)
      山東冶金(2022年3期)2022-07-19 03:24:36
      軸承知識(shí)
      哈爾濱軸承(2022年1期)2022-05-23 13:13:24
      軸承知識(shí)
      哈爾濱軸承(2021年2期)2021-08-12 06:11:46
      軸承知識(shí)
      哈爾濱軸承(2021年1期)2021-07-21 05:43:16
      海上風(fēng)電躍進(jìn)隱憂(yōu)
      能源(2018年6期)2018-08-01 03:42:00
      分散式風(fēng)電破“局”
      能源(2018年6期)2018-08-01 03:41:56
      風(fēng)電:棄風(fēng)限電明顯改善 海上風(fēng)電如火如荼
      能源(2018年8期)2018-01-15 19:18:24
      提高齒輪箱式換檔機(jī)構(gòu)可靠性的改進(jìn)設(shè)計(jì)
      重齒風(fēng)電
      風(fēng)能(2016年12期)2016-02-25 08:46:38
      英吉沙县| 江源县| 莲花县| 松原市| 新郑市| 平定县| 宾川县| 太保市| 安远县| 和林格尔县| 左权县| 宜城市| 清新县| 云阳县| 桂东县| 麦盖提县| 如东县| 丰原市| 古蔺县| 乳源| 巴东县| 金乡县| 都匀市| 峨边| 赫章县| 罗江县| 台前县| 墨竹工卡县| 新和县| 库车县| 长沙县| 肇东市| 平罗县| 丹寨县| 巢湖市| 通许县| 贵港市| 鞍山市| 武邑县| 西安市| 安龙县|