内容发布更新时间 : 2024/5/2 20:04:40星期一 下面是文章的全部内容请认真阅读。

龙源期刊网 http://www.qikan.com.cn

补偿模糊神经网络在风电机组齿轮箱故障诊断上的应用

作者：焦俊汉 姜宵园

来源：《经营管理者·上旬刊》2016年第03期

摘 要：风电机组齿轮箱的工作条件复杂，所处自然环境恶劣，发生故障的类型种类众多，为了能够实现准确有效的故障分类，采用基于补偿模糊神经网络的风电机组齿轮箱故障分类方法，结合模糊系统较强的知识抽取表达能力与神经网络强大的自学习自适应性能力，提出一种动态调整学习步长的机制。实验分析结果表明所提出的方法适用于齿轮箱故障诊断问题，可有效加快学习和迭代速度，提高迭代精度。

关键词：风电机组齿轮箱故障诊断 补偿模糊神经网络 动态调整学习步长

风力发电机组中的齿轮箱是一个非常重要的机械零部件，随着机组单机容量的不断增加，齿轮箱的受力状况变得越来越复杂，加之齿轮箱的运行环境比较恶劣等等一些不确定的内因及外因，造成齿轮箱的发生故障的概率大大增加。风力发电机组中半数以上的故障来源于齿轮箱。齿轮箱安装在狭小的空间，所处环境交通不便，一旦发现故障，必须对风电机组采取停机措施，并且修复十分困难，对人力物力都是极大的挑战。并且齿轮箱的故障类型众多，如齿轮、轴承、轴等组成部件的故障以及各种损伤形式，加大了故障的分析与监测工作的难度。因此，加强对齿轮箱的研究，重视对其的故障分析和诊断技术，采取准确、快速的故障诊断措施显得十分重要。

近年来，随着人工智能的发展，诊断智能化、自动化的要求逐渐变成现实。人工神经网络技术作为人工智能的重要分支之一，由于它强大的并行计算能力和自学习功能及联想能力，很适合应用于故障分类和模式识别，因此在故障诊断中很受欢迎。

大量的文献对神经网络的结构计算进行了研究。模糊神经网络将适用于表达模糊或定性的知识、其推理方式类似于人的思维模式的模糊系统与具有并行运算、分布式信息储存，容错能力强以及具备适应学习功能等一系列优点的神经网络适当的结合起来，吸取两者的长处，用于处理不确定、非线性等问题，这对研究非确定因素造成齿轮箱的众多故障类型的分析具有很好的适应性。通过引入模糊神经元，优化学习算法，加快迭代速率，提高啮合精度。 一、问题描述

随着技术的进步，风电齿轮箱的组成结构和工作运行情况更加复杂，风电齿轮箱可能发生的故障形式有很多，为了快速有效的判断风电齿轮箱发生故障的类型，这里提取齿轮箱输入轴电机侧轴承Y、输出轴电机侧轴承Y、输入轴负载侧轴承Y、输出轴负载下侧轴承Y、输出轴负载下侧轴承X的加速度5个参数，提取原始数据，利用补偿模糊神经网络将数据进行模糊

龙源期刊网 http://www.qikan.com.cn

化，在相应的规则下，引入了补偿神经元，利用动态的、全局的模糊运算优化方法，判断出齿轮的齿轮，轴承，轴，箱体，紧固件零件失效5个典型故障。并且本文对学习速率η进行动态调节，提高学习速率，加收敛速度。 二、带补偿的模糊神经网络

1.带补偿的模糊神经网络的结构。带补偿的模糊神经网络是补偿模糊逻辑系统与神经网络系统的结合，两者通过结构等价型的形式结合在一起。补偿模糊神经网络是在基于Mamdini模型的模糊神经网络的基础上引入了补偿模糊神经元，使网络在匹配正确的模糊规则后进行网络训练，使网络的容错率更高。

一般的，一个带补偿的模糊网络结构具有5层结构，输入层、模糊化层、模糊推理层、补偿运算层、反模糊化层。

1.1第一层为输入层，该层的各个神经元节点直接与输入分量相连，起着将输入值传送到下一层的作用。

1.2第二层每个节点代表一个语言变量值，它的作用是将计算各输入分量的属于各语言变量模糊集合的隶属函数，这里采用的是高斯型函数：

上式中aki与σki分别表示第k条模糊推理规则对应的输入隶属函数的中心和宽度，bki与ωki分别表示第k条模糊推理规则对应的输出隶属函数的中心和宽度，论域U=U1×U2×…Un×。

1.3第三层的每个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前件，计算出每条规则的适用度，其第k条模糊推理规则描述如下：

第四层的神经元进行补偿模糊规则运算，这里的模糊规则蕴含着积运算： 采用单值模糊化运算后，其函数的隶属度应该为：

第五层的神经元节点用来进行反模糊计算，获得网络输出的精确值 目標函数为： 其网络结构如下图1。

2.补偿模糊神经网络网络的学习算法。采用动态调整步长的梯度下降法训练系统的输入/出隶属函数的中心和宽度以及补偿运算的补偿度，其相应的迭代公式为： 训练补偿度时，由于补偿度γk∈[0，1] （15）

龙源期刊网 http://www.qikan.com.cn

在常规的模糊神经网络在计算过程中其输入输出隶属函数的中心和宽度都在发生变化，但是学习速率η却是一个静态常数，没有进行动态调节。当η设置过大时收敛速度加快，当接近最终结果时会出现反复震荡的现象有时甚至不能收敛到最优结果；当η值设置过小时震荡现象减弱甚至消失，但是收敛速度减慢。学习速率η是模糊神经网络应用中中重要的因子，大量的文献对此作出了研究，这里把改进的VLBP算法中其学习速率类比于模糊神经网络系统中提出一种新的学习速率变化函数。 且λ，ρ均为调节学习速率参数。

对于m，针对不同的隶属函数有不同的计算方法。

将mb、mω、ma、mσ、mγ分别带入公式（22）计算出输入/出隶属函数的中心和宽度以及补偿运算的补偿度的学习率ηb、ηω、ηa、ησ、ηγ，然后在将学习率带入公式（11）、（12）、（13）、（14）以及（19）、（20），完成迭代过程，实现动态调整步长。 三、实验设计与结果分析

以某风场风电机组的运行数据进行研究所提出的方法。通过对该机组全年的监控数据进行分析，取40组数据作为训练样本，30组数据作为测试样本。

其神经网络输入节点5个，对应着提取齿轮箱输入轴电机侧轴承Y、输出轴电机侧轴承Y、输入轴负载侧轴承Y、输出轴负载下侧轴承Y、输出轴负载下侧轴承X的加速度5个参数，输出节点5个，对应着5种故障类型。

对数据进行归一化处理。f个样本第j个指标的平均值：； 模糊神经网络模型运行中的一些参数设置，如下： 定义学习速率：n=0.5；

定义输入空间分割xspan1=[-0.012，0.506，1]； xspan2=[0.246，0.623，1]； xspan3=[0.805，0.9025，1]； xspan4=[0.721，0.8605，1]； xspan5=[0.811，0.9055，1]； 定义初使误：eee=1；

调节学习速率参数：λ=0.866，ρ=1。