1、第34卷 第5期 2015年9月 许昌学院学报 JOURNAL OF XUCHANG UNIVERSITY Vo134NO5 Sep2015 文章编号：16719824(2015)05005204 基于小波包和改进BP网络的风电机组滚动轴承故障诊断 王 武 ，张 鹏 (1许昌学院电气信息工程学院，河南许昌，461000；2河南南召电力公司，河南南召，473000) 摘 要：针对风电机组存在大量暂态和非稳态信号特点，提出应用小波包变换的“柔性”时 频窗，进行频率提取结合神经网络较强非线性映射能力和自适应特征，提高故障诊断能力详细 分析了小波包的特性，结合风电机组中滚动轴承的故障特征和振动提取方式
2、，通过小波包分解与 重构，实现了小波包算法及特征提取给出了神经网络改进和故障识别方法，通过具体实例研究 了整个诊断流程该方法能够有效地应用于风电机组滚动轴承的故障诊断，并可以推广应用于相 关的其他传动链系统中 关键词：特征提取；小波包；神经网络；故障诊断；滚动轴承 中图分类号：TP277；THI65 文献标识码：A 风力发电有助于改善能源结构、推动节能减排和社会经济可持续发展，以年总装机容量超过20的 速度递增，已成为21世纪最具开发前景和竞争力的新能源之一而在风电系统实际运行中，机组传动链经 常会出现一些故障，导致风电机组停机，甚至造成系统解列，严重危害电力安全生产和电力系统稳定运行， 研究
3、风电机组传动链故障识别及诊断具有明显的工程意义在风力发电系统中，传动链的振动信号能 够较好的反映其故障特征，风电系统中的信号除了具有工频特征的稳态信号外，还存在大量的暂态信号和 非稳态信号 将小波包分析应用于故障诊断系统中，可以提供一种较为精细的信号时频分析手段，发挥 其较强的非平稳信号识别能力，从而有效提高故障诊断效果 神经网络具有很强的非线性映射能力和 自适应特征，通过自身的学习机制形成决策，有效应用于模式识别和故障诊断将小波包分析和神经网络 有效结合，既可以实现神经网络故障诊断中信号样本难以获取和网络训练样本库难以构建的突出问题，提 高故障识别和诊断效率，同时能够有效处理故障特征向量和故
4、障特征之间的非线性映射关系，进一步提高 故障诊断的准确率本文结合小波包的主要性质，分析风电机组滚动轴承的内圈、外圈和滚动体缺陷特征， 进而得出其故障特征提取方法将得到故障特征信号作为RBF神经网络的训练样本，通过神经网络学习 训练，最终实现故障特征识别 1 小波包主要性质及滚动轴承的振动特征提取 11小波包主要性质 小波变换具有良好的时频局部特性和多尺度分辨能力，小波包具有对信号进行多层次划分的能力，从 而提供了一种更为精细的信号分析方法，能够根据信号的具体特征，自适应地选择响应频带，使之与信号 频谱相匹配，具有广泛的应用价值 令 满足下列递归的双尺度方程： f (f)： ha (2f一 )，
5、 ? (1) 【 + ( )= gen (2一 ) 收稿日期：20140928 基金项目：许昌市科技局科技攻关项目(2125)；许昌学院校内科研项目资助(2015077) 作者简介：王 武(1978一)，男，甘肃兰州人，副教授，硕士，研究方向：控制理论与控制工程、智能控制 第34卷第5期 王武，等：基于小波包和改进BP网络的风电机组滚动轴承故障诊断 53 式中h 为尺度系数，g 为小波系数且满足如下关系： h = ， h 一： h 一 ：=6 ， (2) g =(一1) h1 则称函数的集合 (t)为由。(t)= (t)所确定的小波包 小波包具有正交性质，每个 本身满足整数移位正交关系即 ：6
6、 ， z (3) 在同一尺度级下，小波包奇偶序号之间具有正交关系即 ：0 (4) 根据相邻二尺度间空间二剖分完备性，在滤波器组各节点前后输入与输出之间满足： ( )( )=hom-2k) (m)+hl(m-2k) 2( ) (5) 小波包分解是一种精细分解方法，有尺度参数、频率参数和平移参数，用 和： 将空间不断的二 进滤波为相对低频和相对高频的两个子频带，从而得到更好的时频特性由上一频带的小波包系数 ， 按公式 =h 。 ，、 一 (6) =g 计算，可快速分解求得两个子频带的小波包系数。 12 风电机组滚动轴承的故障特征 风电机组传动链结构比较复杂，其振动故障主要涉及到电机轴承、转动轴以及
7、齿轮箱等关键部件，同 时，风电机组的运行环境相对比较恶劣，并不断受到随机变化的冲击载荷作用，从而使得风电机组传动链 系统比风电装备其它部件更脆弱，也更容易发生故障 滚动轴承分布在风电机组传动链的关键位置，当风电机组处于变化负载和重载情况下，滚动轴承可能 产生故障，其常见的失效形式包括：轴承内圈、外圈或滚动体的点蚀和疲劳剥落等，当轴承相关部件出现较 为明显的局部损伤时，其运行过程就会产生明显的故障特征频率内圈缺陷对应的故障特征频率为 厶= (1+昔cos ) (7) 外圈缺陷对应的故障特征频率为 厶= (1一音cos ) (8) 滚动体缺陷对应的故障特征频率为 厶= 1一( ) (9) 上式中，
8、d表示滚动体直径，D表示轴承节径，z表示滚动体个数， 表示接触角 代表内圈旋转频率 13 故障特征提取方法 滚动轴承一旦产生内圈缺陷、外圈缺陷以及滚动体缺陷时，轴承就会会产生异常振动，在发生异常振 动时，会产生反应故障信号的高频分量，与正常情况下的振动频率有较大差别，利用小波包的分解和重构 技术，将所产生的故障特征分量提取出来，通过振动信号能量分布变换情况，获得滚动轴承的故障特征信 息设各子频道信号的能量可描述为 Ej，= ，1 =l 其中 k，为重构信号在各个离散度的幅值，计算出信号的总能量E= 从而得出小波包能量的特征向量 (10) 2i一1 Ei，对能量进行归一化处理， r=0 54 许
9、昌学院学报 2015年9月 2基于改进神经网络的故障诊断 21 BP网络及改进 BP网络算法通过对网络权值修正与阈值的修正，使误差函数沿负梯度下降法离线学习，因传统BP 网络其隐节点的选择缺乏理论指导，此处结合文献，通过灵敏度剪枝算法实现隐节点数目自动获取 22故障诊断试验与分析 故障诊断试验分为故障信号检测、故障特征提取、神经网络设计、网络训练和故障诊断决策五个过程， 首先通过故障诊断试验台和相关检测装置完成信号检测，获取反应振动信号的相关数据；对振动信号进行 三层小波包分解，提取8个频段的信号特征，得出小波包分解系数，对小波包分解系数进行重构，求出信号 总能量，然后以能量为元素，构造特征向
10、量；对特征信号进行归一化处理，得到神经网络的训练样本，神经 网络结构设计为8个输入层神经元，X： 。， ”， ，代表经过小波包分解得到的八个频段信号特征矢 量，神经网络的输出层设计为2个神经元节点，Y= Yo以二进制形式表示具体故障特征，其中向量 (0，0)表示正常、向量(0，1)表示内圈缺陷故障、向量(1，0)表 示外圈缺陷故障、向量(1，1)表示出现滚动体缺陷故障隐层 节点单元通过改进BP算法获得；通过编程实现BP网络训 练，构成网络测试数据，并结合数据分析诊断准确率，并给出 诊断决策结果-o 在MATLAB环境下进行离线仿真，网络隐层节点通过灵 敏度剪枝算法实现，在选择隐层单元为l2，即
11、网络结构设计 为8122时，其灵敏度剪枝算法仿真波形如图1所示，对 系统提供的36组样本数据进行测试，表1给出了部分滚动轴 承的归一化样本数据，网络训练步长为2 000，i,Jil练误差为 0O1，网络训练曲线如图2所示，大约需要600步完成网络训 练经过改进BP网络进行测试，其输出结果如表2所示，可见 其识别结果与故障状态完全对应 表1部分样本数据 o 2oo 400 600 8oo1 ooo1 200l 400l 6o01 800 2ooo 图1 应用灵敏度剪枝算法确定网络隐层节点 3 结语 风电系统实际运行过程中，风电机组传动链故障造成机组停机时间最多，严重影响电力生产安全稳定 运行，研
12、究风电机组传动链故障诊断具有明显的工程价值根据风电机组滚动轴承的故障频域特征，引入 小波包变换技术进行故障特征提取，以此作为改进BP神经网络的训练样本，从而获得较高的故障特征识 别率给出了MATLAB离线仿真实例，说明了采用本方法能够较好的反映滚动轴承故障特征和其频域特 O O 0 O O O O 第34卷第5期 王武，等：基于小波包和改进BP网络的风电机组滚动轴承故障诊断 55 征向量之间的对应关系，结合神经网络较强的自学习和非线性映射能力，获得比较理想的故障诊断效果， 该方法可有效利用于风电机组传动链故障诊断，为风电装备制造和风电运行安全提供有效保障 图2神经网络训练曲线 表2网络测试数据
13、 参考文献： 1 谭勋琼，唐佶，吴政球10MW变速直驱型风力发电机组的建模及Matlab仿真J电力系统保护与控制，2011，39 2 3 4 5 6 (24)：3l一37 陈雪峰，李继猛，程航，等风力发电机状态检测和故障诊断技术的研究与进展J机械工程学报，201l，47(9)：45 52 孙 伟，熊邦书，黄建萍，等小波包降噪与LMD相结合的滚动轴承故障诊断方法J振动与冲击，2012，31(18)：153 156 徐展基于振动法的风电机组传动链状态检测与故障诊断研究D杭州：浙江大学，2012 王 武，汤 三，张元敏基于神经网络的高速铣削表明粗糙度预报J机械设计与制造，2010(3)：216217
14、 胡耀斌，厉善元，胡良斌基于神经网络的滚动轴承故障诊断方法的研究J机械设计与制造，2012(2)：187188 Fault Diagnosis for Rolling Bearing of Wind Turbines based on Wavelet Packet and Improved BP Neural Network WANG Wu，ZHANG Peng (1School of Electrical and Information Engineering，Xuchang University，Xuchang 46 1 000，China； 2Nanzhao Electric Power
15、 Company，Nanzhao 473000，China) Abstract：Vibration signal was a carrier of fault features of the wind turbine driving chain，and it can effec- tively reflect most of the fault information of the wind turbine drive trainWavelet packet transform with“flexi- ble”frequency window for feature extraction wa
16、s proposed as the characteristics of wind turbines in the presence of a large number of transient and nonstationary signalsWith the application of nonlinear mapping and adaptive feature of neural networks，the fault diagnosis capability was enhancedThe characteristics of wavelet packet was analyzed，c
17、ombined with the wind turbines in the rolling bearing fault characteristic vibration extraction methods， and the rolling bearing fault diagnosis was realized through the wavelet packet decomposition and reconstruction The improved BP neural network was designed and the procedure was given with an example，which shows that this method can be effectively applied in the rolling bearing fault diagnosis，and can also be adopted in other drive train systems Key words：feature extraction；wavelet packet；neural networks；fault diagnosis；rolling bearing 责任编辑：赵秋宇
