CN110160789B

CN110160789B - 一种基于ga-enn的风电机组轴承故障诊断方法

Info

Publication number: CN110160789B
Application number: CN201910381364.1A
Authority: CN
Inventors: 谢丽蓉; 杨欢; 刘艺明; 李江; 王晋瑞; 晁勤; 李进卫; 包洪印
Original assignee: Xinjiang University
Current assignee: Xinjiang University
Priority date: 2019-05-08
Filing date: 2019-05-08
Publication date: 2021-11-02
Anticipated expiration: 2039-05-08
Also published as: CN110160789A

Abstract

本发明公开了一种基于GA‑ENN的风电机组轴承故障诊断方法，包括以下步骤：采集振动数据信息并从振动数据信息中提取时域、频域、时频域的特征信息，构建以遗传算法GA为主，神经网络ENN为辅的模型对混合域指标集择优筛选，得到最优特征子集，构建以遗传算法GA为主，神经网络ENN为辅的模型，用GA优化ENN的权值和阈值，获得最优的权值和阈值参数，基于得到的最优特征子集和最优的权值和阈值参数，构建以神经网络ENN为主，遗传算法GA为辅的模型进行故障识别，输出诊断结果；本发明能够全面地反映风电机组轴承的运行状况，不仅可以缩短故障识别时间，而且还能够提高故障识别的精度。

Description

一种基于GA-ENN的风电机组轴承故障诊断方法

技术领域

本发明属于机械故障诊断技术领域，尤其涉及一种基于GA-ENN的风电机组轴承故障诊断方法。

背景技术

随着我国风电装机容量的快速发展，对于风电机组的状态监测与维修要求也逐渐增高。其中轴承作为风机传动系统不可或缺的结构部件，由于工作环境的情况较差，成为了引发安全隐患及损失风电场效益的关键部位。若不能实时依据轴承运行状态评估出故障情况并做出合理的检修计划，将有可能使风机因轴承故障的原因被迫停运甚至造成灾难性的后果，这对整个风电场造成资源浪费、经济损失、危险隐患等一系列不利影响。风力发电机一直采用计划维护与事后维修方式，对于人力物力财力的浪费是巨大的，因此建立起实时轴承运行状态评估诊断方法，根据所得结果并做出合理的检修计划，避免事故的发生，将会对保障设备安全、生产正常、提高风机性能以及产品质量，同时促进当地经济效益都富有相当重要的意义。

目前轴承故障诊断中使用最广泛的方法要么不适用于非线性、非平稳信号，要么适用于非线性、非平稳信号却精度不够，要么精度足够却计算量庞大，短时间无法识别故障；如何寻求一种故障识别时间短、精度高的故障诊断方法一直是一个难题。

发明内容

为了达到上述目的，本发明提供一种基于GA-ENN的风电机组轴承故障诊断方法，解决了现有技术中存在的问题。

本发明所采用的技术方案是，一种基于GA-ENN的风电机组轴承故障诊断方法，包括以下步骤：

(一)采集风电机组轴承在不同工作状态下的振动数据信息；

(二)从振动数据信息中提取能够反映滚动轴承不同工况的时域、频域的特征信息；

(三)利用改进经验模态分解结合希尔伯特变换完成对振动数据信息的时频域分析，从振动数据信息中提取能够反映滚动轴承不同工况的时频域的特征信息；

(四)将步骤(二)和步骤(三)中提取的时域、频域、时频域特征信息构成混合域特征指标集；

(五)构建以遗传算法GA为主，神经网络ENN为辅的模型对混合域指标集择优筛选，得到最优特征子集；

(六)构建以遗传算法GA为主，神经网络ENN为辅的模型，用GA优化ENN的权值和阈值，获得最优的权值和阈值参数；

(七)基于步骤(五)得到的最优特征子集和步骤(六)得到的最优的权值和阈值参数，构建以神经网络ENN为主，遗传算法GA为辅的模型进行故障识别，输出诊断结果。

优选的，步骤(一)中，不同工作状态下包括：对应正常、外圈故障、内圈故障及滚动体故障。

优选的，步骤(二)中，时域特征信息包括：均值、峰值、标准差、方根幅值、峭度、偏度、裕度因数、脉冲因数、波形因数、峰值因数；频域特征信息包括：均值频率、均方频率、均方根频率、频率方差、重心频率。

优选的，步骤(三)中，时频域特征信息包括：振动幅值能量比值。

优选的，步骤(五)中具体方法为：以遗传算法GA为主获得最优特征子集，以神经网络ENN为辅构造适应度函数，设计完适应度函数之后，计算种群中每个个体的适应度值，通过选择机制和遗传操作将最低适应度值的个体保存产生新的种群。

优选的，步骤(六)中具体方法为：以遗传算法GA为主获得最优参数，以神经网络ENN为辅构造适应度函数，编码方式采用实数编码，适应度函数只考虑分类识别的准确度，选择机制和遗传操作流程与GA最优特征子集选择中的两个流程相同，经过反复执行直到满足迭代终止条件即可获得轴承故障最优权值和阈值。

优选的，步骤(七)中具体方法为：采用神经网络ENN为主、遗传算法GA为辅进行故障识别，神经网络ENN训练时先用遗传算法GA优化神经网络ENN的权值和阈值，获得权值和阈值最优参数后，接着再用神经网络ENN进行故障识别，最终得出风机轴承故障诊断结果。

本发明的有益效果是：本发明通过结合采集到的轴承原始振动数据信息，进行混合域特征值的提取，然后对获取到的特征指标集进行特征选择得到最优特征子集，接着通过遗传算法GA优化了神经网络ENN的权值和阈值参数，最后通过ENN完成了故障识别；本发明所公开的方法不仅可以缩短故障识别时间，而且还能够提高故障识别的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是一种基于GA-ENN的风电机组轴承故障诊断方法的结构示意图；

图2是轴承故障模拟实验台图；

图3是各种故障状态振动信号波形图；

图4a正常状态方差贡献率百分比图，图4b内圈故障方差贡献率百分比图，图4c滚动体故障方差贡献率百分比图，图4d外圈故障方差贡献率百分比图；

图5a适应度函数变化曲线图，图5b特征选择结果图；

图6a基于GA-ENN特征选择与参数优化的识别结果，图6b基于GA-ENN特征选择与参数优化的识别误差图；

图7a为在MATLAB中导入全特征集的数据分别用ENN、GA-ENN进行识别的识别结果图，图7b为把最优特征子集导入MATLAB中，用ENN和GA-ENN进行识别的结果图；

图8a模型1迭代步数图，图8b模型2迭代步数图，图8c模型3迭代步数图，图8d模型4迭代步数图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参考图1～8d，

一种基于GA-ENN的风电机组轴承故障诊断方法，其特征在于，包括以下步骤：

(一)采集风电机组轴承在不同工作状态下的振动数据信息；

(二)从振动数据信息中提取能够反映滚动轴承不同工况的时域、频域的特征信息；其中：

基于时域分析的特征提取

机械设备出现故障后，时域信号的幅值和概率分布将会发生变化，这可以很直观的反映部分故障信息，而当幅值超过一定限度后也预示着可能相关零部件已失效，预示着会有需要及时更换零部件，但却不能提示零部件的具体信息，一般用作设备的简易诊断。

(1)均值p1

均值可以表明信号的中心趋势，凸显了原始振动信号的静态信息，代表了振动信号的波动中心。

(2)峰值p2 p₂＝max|x(n)|

峰值是信号的最大瞬时幅值，反应了信号的强度，适合诊断有瞬时冲击的轴承振动信号，如表面点状腐蚀损伤等故障。

(3)标准差p3

(4)方根幅值p4

(5)峭度p5

峭度指标对早期故障更为敏感，如果峭度值过大，则说明有故障发生。随着故障情况渐进性的增强，峭度值也会慢慢增加。系统正常时，峭度大约为3，若出现故障时峭度大于3，当轴承内圈出现轻微分裂时峭度大约为5，外圈出现轻微分裂时峭度大约为4，但故障到一定程度后，峭度值会和正常情况大致一样，因此稳定性较差。

(6)偏度p6

偏度主要表示概率密度函数不对称的程度，若信号符合正态分布，那么偏度值为零，对于一般实际信号来说，偏度也接近于零。偏度小于零，说明非对称状态向更低值的方向变化，偏度大于零，说明非对称状态向更高值的方向变化。

(7)裕度因数p7

裕度指标表征振动信号冲击程度，对引起轴承振动信号冲击的故障类型较敏感。

(8)脉冲因数p8

脉冲指标对信号中出现的冲击脉冲更为敏感。

(9)波形因数p9

波形因数的用处为对区分是什么类别的故障有一定的指导意义。

(10)峰值因数p10

峰值因数表征信号波形尖峰度，当轴承故障程度增加时，值也会相应的增加。

基于频域分析的特征提取

要想获知引起轴承故障的具体位置，属于何种类型的故障，以及故障所造成的影响时，可以考虑用频域分析方法分析振动信号。所谓频域分析，也就是把时间序列上的信号集合利用傅里叶变换转换成频率序列上的信号集合。这样在频域上分析振动信号，观察不同信号谱峰位置变化情况并计算出相关的频域指标来反映故障信息。

在频域上分析振动信号时，普遍用以下几个参数表征：

(1)均方频率MSF

(2)均方根频率RMSF

(3)频率方差

(4)重心频率FC

利用傅里叶变换的性质，可以得到相应的时域计算公式：

(1)均值频率

(2)均方频率

(3)均方根频率

(4)频率方差p₁₄＝MSF-(FC)²

(5)重心频率

式中，

Fs是采样频率。

改进经验模态分解MEEMD算法

排列熵基本原理

其中：m是嵌入维数，λ是时间延迟。

将X(i)的m个向量：X(i)＝{x(i),x(i+λ),…,x(i+(m-1)λ)}

按照升序重新排列，即：

X(i)＝{x(i+(j₁-1)λ)≤x(i+(j₂-1)λ)≤…≤x(i+(j_m-1)λ)}

若存在x(i+(j_i1-1)λ)＝x(i+(j_i2-1)λ)，按j的值的大小来进行排序，即

当j_k1＜j_k2，有：x(i+(j_i1-1)·λ)≤x(i+(j_i2-1)λ)

所以，每个向量X(i)均能获取到一组符号列表

S(g)＝[j₁,j₂…,j_m]

其中，g＝1,2,…,k,k≤m！。m个不同的符号[j₁,j₂…,j_m]共有m！种不同的排列，对应的共有m！种不同的符号序列，计算每一种符号序列出现的概率，

按照Shannon的样式来表示时间序列{x(i),i＝1,2,…,N}的排列熵：

当P_g＝1/m时，H_p(m)达到最大值ln(m！)，因此，可以通过ln(m！)将排列熵H_p(m)进行标准化处理，即：

H_p＝H_p(m)/ln(m！)

显然，H_p的取值范围是0≤H_p≤1。

其中，H_p表征时间序列的随机变化的范围大小，当H_p增大时，表明时间序列随机性变大；当H_p越小时，表明时间序列越规则。因此可以根据每次分解的IMF的排列熵值来判断信号是否随机，是否应该保留，来提高对非平稳、非线性信号分析的有效性。

基于MEEMD的信号降噪分解

(1)对原始信号添加Ne对(经验选取50或100)噪声幅值为a₀的白噪声(经验选取0.01～0.5)，生成2*Ne个加噪信号如式：

式中：S为振动幅值原始信号，N为每次添加的白噪声信号，M₁，M₂分别为正负成对噪声添加完成后的信号。

(2)对每个信号进行EMD分解，设置最大IMF阶数为F_max，求解一组IMF′，其中第i个信号的第m个IMF′为c_im，对2*Ne个加噪信号所得的IMF进行组合求均值，第m个IMF′分量

(3)计算各阶IMF′的排列熵值，设阈值θ，将大于θ的IMF′从原始信号剔除即可得到剩余信号R(t)，对R(t)进行EMD分解，得到一组满足IMF条件的c_i(t)；

(4)计算各阶IMF的方差贡献率，提取贡献率较大的前h阶IMF，即为经MEEMD分解的主要IMF分量。

基于希尔伯特变换的时频域特征提取

除了经验模态分解，结合希尔伯特变换(Hilbert transform，HT)才能完成对要分析信号的时频域分析，HT可获取到每个IMF的瞬时频率和瞬时幅值，从而获得信号的Hilbert谱，Hilbert谱在一个三维空间中刻画出了能量随时间、频率变化的信号。故针对提取到的主要IMF进行希尔伯特变换，来提取风机轴承故障信号的时频域特征指标。

对各IMF分量c_i(t)进行Hilbert变换

得到解析信号：

求得幅值函数：

求得相位函数：

求得瞬时频率：

对各IMF进行希尔伯特变换之后，原始信号可以被表示为实部Re，具体形式如下：

忽略分解余量，将实部展开，得到Hilbert谱为：

我们也可以定义边际谱：

式中：T是总数据长度

Hilbert谱提供了信号能量随着频率和时间的变化趋势，边际谱提供了信号能量随着频率的变化趋势。

进行平方求和即可获得第k阶IMF分量的能量：

求和获得风机轴承振动幅值总的能量E：

将风机轴承振动幅值分能量E_k与式的总能量E相比计算出滚动轴承振动幅值能量比值：

p_k＝E_k/E k＝1,2,…,K

能量比值p_k即为风机轴承振动幅值时频域特征指标集。依据原始振动信号波形特征不同所得到的时频域特征指标集的内部分量个数不同。

在时域和频域中提取原始振动信号的15个特征指标，来表征轴承各元件出现不同类型故障时振动信号的能量大小和分布情况，如时域分析指标p1、p2、p4可以表征振动信号的能量随时间变化的情况；p3、p5-p10反映时域振动信号的分布情况。频域指标p11则表征了能量随频率变化的情况；p12-p15反映反映频谱的分散或集中程度等。基于MEEMD和HT得到能量比时频域指标集，这样就可以从非线性、非平稳的信号中得到具有物理意义的数据，可更加全面精确的体现机械设备的故障情况。

当阈值较小时，分解出的IMF的幅值极小，即相当于剔除了所有原始信号，没有信号被分解出来；当阈值较大时，分解出的IMF趋于一致，且和EMD分解结果一样，即相当于没有剔除虚假信号。而当阈值取恰当值时，其对分解出的IMF影响较小，且可忽略不计，当阈值相对较大时可包含尽可能多的信息；参数设置完，进行MEEMD分解，得到n阶IMF，计算其方差贡献率来筛选出PIMF。选取主要本征模态函数，并进行希尔伯特变换，求出能量比得到若干特征指标。至此，结合求出的能量比特征指标和前面p1-p15提取特征指标构成了混合域特征指标集。

(五)构建以遗传算法GA为主，神经网络ENN为辅的模型对混合域指标集择优筛选，得到最优特征子集；以遗传算法GA为主获得最优特征子集，以神经网络ENN为辅构造适应度函数，设计完适应度函数之后，计算种群中每个个体的适应度值，通过选择机制和遗传操作将最低适应度值的个体保存产生新的种群。

为减小冗余度和不相关信息，采用GA为主、ENN为辅进行特征优化选择：编码方式用二进制编码，适应度函数设计时除了考虑轴承故障识别时准确度，也要考虑选择的特征子集的数目，为了获得最佳评估效果的适应度函数，根据识别误差最小和特征子集数目最少两个目标，用ENN对选出的特征子集进行评估，计算识别的误差，进而来构造适应度函数，再通过适应度函数对GA中的个体评估，为了加快迭代速度避免最优个体被破坏，采用最优保存和联赛选择机制，为提升诊断准确性避免种群单一性，采用均匀交叉和均匀变异的遗传操作，经选择机制和遗传操作生成精英子代、交叉子代、变异子代三种子代即可形成新的种群，再经适应度函数评估，反复执行直到满足迭代终止条件即可得到轴承故障最优特征子集。

(六)构建以遗传算法GA为主，神经网络ENN为辅的模型，用GA优化ENN的权值和阈值，获得最优的权值和阈值参数；以遗传算法GA为主获得最优参数，以神经网络ENN为辅构造适应度函数，编码方式采用实数编码，适应度函数只考虑分类识别的准确度，选择机制和遗传操作流程与GA最优特征子集选择中的两个流程相同，经过反复执行直到满足迭代终止条件即可获得轴承故障最优权值和阈值。

(七)基于步骤(五)得到的最优特征子集和步骤(六)得到的最优的权值和阈值参数，构建以神经网络ENN为主，遗传算法GA为辅的模型进行故障识别，输出诊断结果；采用神经网络ENN为主、遗传算法GA为辅进行故障识别，神经网络ENN训练时先用遗传算法GA优化神经网络ENN的权值和阈值，获得权值和阈值最优参数后，接着再用神经网络ENN进行故障识别，最终实现风机轴承故障准确识别的效果。

实施例一：

本发明选取美国凯斯西储大学电气工程实验室的滚动轴承振动数据进行分析。该实验室提供了轴承正常运行和出现不同故障时驱动端和风扇端的数据，采集数据的试验台如图2所示，包括1470W的电机，扭矩传感器/编码器，测力计和控制电子装置。

使用加速度计收集振动数据，加速度计连接到具有磁性底座的壳体，放置在电机驱动端和风扇端的12点钟位置，外圈故障是固定故障，因此故障相对于轴承的负载区域的放置对电动机/轴承系统的振动响应具有直接影响，为了量化这种影响，把加速度计分别放在外圈的风扇和驱动端3点钟(直接在负载区域)和6点钟(正交于负载区域)位置，并在靠近和远离电动机轴承的位置处测量加速度数据。

电机轴承使用电火花加工，分别在实验轴承的内圈、滚动体、外圈加上故障并装入测试装置进行试验，故有正常、内圈故障(内故)、滚动体故障(滚故)、外圈故障(外故)这四种状态。本发明主要研究的原始振动信号波形，如图3所示，采样点数为102400，采样长度为2048，图中只列举了第一组数据，采样频率为48kHz，每种状态选取50组数据，几乎包含了所有采集的数据。总共200组数据，其中180组数据进行训练，20组数据用于测试。

混合域特征提取实例

基于MATLAB平台，对上述200组数据先进行简单的时域、频域特征提取，主要在MATLAB中编写公式，输入划分好的数据即可直接获取到所有特征指标，每组数据可以得到15个时域、频域特征指标。

对于时频域特征提取，需要设置MEEMD的相关参数，白噪声的幅值Nstd＝0.2，白噪声对数Ne＝50，＝8，排列熵的嵌入维数为8，时间延时tao＝1，对于阈值θ的选取，以内圈故障第一组待分解的信号为例，通过改变阈值θ的大小，对其进行MEEMD分解，得到每个IMF的波形图，因IMF1包含了更多原始振动信号的信息，故主要对IMF1的上下幅值进行分析来观察阈值大小对分解结果的影响，如表1所示，在求取多组规则和不规则信号排列熵值的基础上θ取0.55～0.6较为合适。故本发明主要列出了该范围内IMF1的幅值变化情况。

表1

从表1中可以看出，当阈值较小时，分解出的IMF1的幅值极小，即相当于剔除了所有原始信号，没有信号被分解出来；当阈值大于0.9时，分解出的IMF1趋于一致，且和EMD分解结果一样，即相当于没有剔除虚假信号。而当阈值取0.55～0.6时，其对分解出的IMF1影响较小，且可忽略不计，当阈值θ相对较大时可包含尽可能多的信息，故取θ＝0.6，即大于0.6的为伪分量。参数设置完，进行MEEMD分解，得到8阶IMF，即h＝8，计算其方差贡献率来筛选出PIMF。本发明列出了四种状态下前四组方差贡献率如图所示(图4a正常状态方差贡献率，图4b内圈故障方差贡献率，图4c滚动体故障方差贡献率，图4d外圈故障方差贡献率)，从图中可以看出，第6阶之后的IMF方差贡献率均较小可忽略不计，故选取前6阶IMF作为主要本征模态函数，并进行希尔伯特变换，求出能量比得到6个特征指标。至此，总共提取了21个特征指标构成了混合域特征指标集。

基于GA-ENN的特征选择与参数优化

得到混合域特征指标后，根据混合域特征指标的个数和种群规模大小对种群进行初始化，其中混合域特征指标的个数就是染色体的长度，即单个染色体所拥有的基因的个数。算出种群中单个个体的适应度值，最低适应度值的个体更有可能生存到下一代，为选择机制和遗传操作提供依据。然后更新种群，再次计算适应度值，直到满足设定的最大迭代次数，直接输出适应度值最小的个体即为最优特征子集。

得到的最优特征子集后，用GA对ENN的权值、阈值矩阵进行优化，以便进行故障识别，具体实现过程和特征优化选择大体类似，为通过适应度函数评估种群中每个个体的差异性能，本发明调用了MATLAB2015自带的工具箱(gads)，gads规定所有优化算法对一个函数进行优化时，均是遵照使目标函数最小为目的来设计该函数，也就是当所列出的适应度函数是求最大值，可以通过加一个负号来构造该函数。

基于GA-ENN的特征选择方法

(1)方法描述

(2)适应度函数构建

在用GA进行特征选择时，初始种群形成后，将其划分为训练集和测试集，定义输入层为一个子集并定义输出层的评估值；设置参数并选择训练函数，经训练集训练获取到网络连接的最优权值和阈值后，输入测试集得到输出值，与对应评估值相比计算出相对误差err，第一个子集评估完后，返回定义输入层为下一个子集，对这个子集进行的操作；反复评估直到一个种群中的个体都评估完。输入到ENN构造适应度函数，适应度函数构造有两个目标：一是故障识别精度高，也就是相对误差err最小；二是特征子集数目少。

若每次筛选出来的特征子集数目为featnum，开始构建出来的混合域特征集总数的numall，相对误差表示为err，那么适应度函数可表示为：

fitness＝W₁*featnum/numall+W₂*err

式中：

O_d为测试集输出；Y_D为测试集对应评估值；W₁为评估特征子集的权重；W₂为评估识别精度的权重。

设计完适应度函数之后，就要计算种群中每个个体的适应度值，通过选择机制和遗传操作将最低适应度值的个体保存产生新的种群。

根据上述GA-ENN方法，在进行特征降维优化时，因要同时考虑故障识别精度和特征子集数目两个目标，式中的W₁取1，W₂取1。

基于GA-ENN的故障识别

(1)方法描述

选出最优子集后，如果直接用ENN进行故障识别，将会由于训练时用最速下降法更新权值和阈值使其很容易陷入局部最小值，为准确找到ENN中的权值和阈值最优参数，采用GA为主、ENN为辅进行参数优化：编码方式采用实数编码，适应度函数只考虑分类识别的准确度，选择机制和遗传操作流程与GA最优特征子集选择中的两个流程相同，经过反复执行直到满足迭代终止条件即可获得轴承故障最优权值和阈值。

为准确识别故障，采用ENN为主、GA为辅进行故障识别：ENN训练时先用GA优化ENN的权值和阈值，获得权值和阈值最优参数后，接着再用ENN进行故障识别，最终实现风机轴承故障准确识别的效果。

(2)相关参数设置

输入层数目就是获取的最优特征子集的数目U，若隐含层数目为K，因ENN特殊的反馈结构，故其承接层数目为K，输出层数目为O，就可以确定ENN的网络结构U-K-K-O，因ENN训练时采用梯度下降法来修正权值和阈值直到满足误差精度，但很容陷入局部最优，所以用GA来修正ENN的权值和阈值。先确定权值和阈值的个数为U*K+K+K+K*O+O，其中U*K为输入层到隐藏层的连接权值W₁，K为隐藏层阈值B1，K*O为隐藏层到输出层的权值W₂，O为输出层阈值B2。得到权值和阈值个数后，即可初始化种群，再用ENN输出层的实际输出与真实值的相对误差err为适应度评估函数，经上述选择机制和遗传操作来反复迭代直到满足设定的最大迭代次数即可获取最优的权值和阈值。在进行参数优化时，因只需考虑识别精度一个目标，式中W₁取0，W₂取1。

特征选择实例参数设置

用MEEMD对200组数据进行分解，取Ne＝100，a₀＝0.2，每组数据可得到6个IMF，经Hilbert变换用公式求得6个能量比指标，这样总共获取了21个特征指标。即得到一个200*21的特征指标集矩阵，行号用D＝1，2，…，200表征。四种状态分别用Y_D＝1，2，3，4作为评估值，其中“1”代表正常，“2”代表内圈故障，“3”代表外圈故障，“4”代表滚动体故障，定义分类准确率：若实际输出的4个数值误差均在0.1范围内则认为分类正确。划分好样本数据后，用newff创建一个Elman神经网络，训练函数为trainlm，学习率为0.01，误差设置为le-8，因状态识别属于函数逼近，故输出层采用了线性函数purelin，隐藏层的激励函数采用Sigmoid型正切函数tansig。

隐含层节点数可通过经验公式与实验相结合来确定。借鉴确定BP隐藏层节点数的经验公式为：

其中m为隐藏层神经元数目，n为输入层神经元个数，l为输出层神经元个数，a为调节常数，在1-10之间。Elman神经网络隐含层神经元数越多，则逼近复杂函数的精度就越高，故本发明取a＝10。

特征选择实例验证实现

GA和ENN相关的参数设置完成后，初始化一个种群规模为30，即包含30个染色体(个体)，每个染色体包含21个基因(特征指标)，得到一个30*21的初始种群，精英子代为2，交叉概率＝0.8，变异概率＝0.2。设置学习率lr＝0.01，训练精度goal＝le-8，训练步长epochs＝200，用上述ENN构造的适应度函数对种群中的个体进行评估，依据遗传算法中的选择机制和遗传操作来更新种群，直到满足设定的最大迭代次数Itera_max＝100，直接输出适应度值最小的个体即为最优特征子集，如图所示(图5a适应度函数变化曲线，图5b特征选择结果)。

参数优化实例参数设置

选出最优特征子集后，用GA来优化ENN的权值和阈值，根据获取的最优特征子集的个数7，可以确定输入层数目为7，输出层数目为4，依据式

可以确定隐含层数目为13，可以确定ENN的网络结构7-13-13-4，确定权值和阈值的个数为7*13+13*4+13+13+13+4＝186，采用实数编码的方式随机初始化一个30*186的种群，其余相关参数与基于GA-ENN的特征优化选择设置一样，最后通过反复迭代直到满足设定的最大迭代次数即可获取最优的权值和阈值。

基于GA-ENN故障识别

基于ENN-GA的故障识别实现

在获取最优特征子集和最优权值和阈值参数后，通过最优特征子集的20组测试集来显示分类性能。如图(图6a基于GA-ENN特征选择与参数优化的识别结果，图6b基于GA-ENN特征选择与参数优化的识别误差图)所示，基于GA-ENN特征选择与参数优化的识别结果与相应的评估值吻合度较高且相对误差均小于0.05。

四种模型识别结果对比分析

为了验证提出方法的有效性，把全特征集指标经ENN识别记为模型1，全特征集用GA-ENN识别记为模型2，最优特征子集用ENN识别记为模型3，本发明所提方法记为模型4。先在MATLAB中导入全特征集的数据分别用ENN、GA-ENN进行识别，识别结果如图7a所示，结果表明在对外圈故障识别时偏差都较大；再把最优特征子集导入MATLAB中，用ENN和GA-ENN进行识别结果如图7b所示，结果表明选出最优特征子集后整体吻合度较好，若再用GA优化权值和阈值参数吻合度更高。4种模型的识别结果如图(图7a为在MATLAB中导入全特征集的数据分别用ENN、GA-ENN进行识别的识别结果图，图7b为把最优特征子集导入MATLAB中，用ENN和GA-ENN进行识别的结果图)所示。

为更精确的表征故障识别精度，4种模型测试结果的相对误差如2所示。

表2

分析表2结果，若相对误差在0.1以内表示分类准确，则模型1的分类准确率为17/20＝85％，模型2的分类准确率为18/20＝90％，模型3的分类准确率为18/20＝90％，模型4的分类准确率为20/20＝100％。由此可知，本发明所用方法比基于ENN对全特征指标集进行故障识别时准确率会提高0.15。

图8a模型1迭代步数图，图8b模型2迭代步数图，图8c模型3迭代步数图，图8d模型4迭代步数图；结果表明本发明方法只需迭代6步即可收敛，模型1需要迭代244步，模型2需要迭代131步，模型3需要迭代70步。故基于GA-ENN的特征选择与参数优化方法，即可提高精度也可缩短故障识别时间。

本实施例结合采集的滚动轴承的原始信号，实现了混合域特征值的提取，通过参数的设置完成了时频域特征指标集的提取；然后对获取到的特征指标集进行特征选择，将GA和ENN相结合实现特征选择，然后用GA优化了ENN的权值和阈值参数，最后通过ENN完成了故障识别，识别结果表明对选择敏感特征不仅可以在时间上提高识别效率，而且会在空间上改善识别效率。

综上所述，本发明一种基于GA-ENN的风电机组轴承故障诊断方法，本发明所用方法比基于ENN对全特征指标集进行故障识别时准确率会提高15％，且本发明方法只需迭代6步即可收敛，故本发明基于GA-ENN的特征选择与参数优化方法，即可提高精度也可缩短故障识别时间，最后通过ENN完成了故障识别，识别结果表明对选择敏感特征不仅可以在时间上提高识别效率，而且会在空间上改善识别效率，总而言之，本发明提供了一种故障识别时间短、精度高的故障诊断方法。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims

1.一种基于GA-ENN的风电机组轴承故障诊断方法，其特征在于，包括以下步骤：

(一)采集风电机组轴承在不同工作状态下的振动数据信息；

(七)基于步骤(五)得到的最优特征子集和步骤(六)得到的最优的权值和阈值参数，构建以神经网络ENN为主，遗传算法GA为辅的模型进行故障识别，输出诊断结果；

所述步骤(五)中具体方法为：以遗传算法GA为主获得最优特征子集，以神经网络ENN为辅构造适应度函数，设计完适应度函数之后，计算种群中每个个体的适应度值，通过选择机制和遗传操作将最低适应度值的个体保存产生新的种群；

所述步骤(六)中具体方法为：以遗传算法GA为主获得最优参数，以神经网络ENN为辅构造适应度函数，编码方式采用实数编码，适应度函数只考虑分类识别的准确度，选择机制和遗传操作流程与GA最优特征子集选择中的两个流程相同，经过反复执行直到满足迭代终止条件获得轴承故障最优权值和阈值；

所述步骤(七)中具体方法为：采用神经网络ENN为主、遗传算法GA为辅进行故障识别，神经网络ENN训练时先用遗传算法GA优化神经网络ENN的权值和阈值，获得权值和阈值最优参数后，接着再用神经网络ENN进行故障识别，最终得出风机轴承故障诊断结果。

2.根据权利要求1所述的一种基于GA-ENN的风电机组轴承故障诊断方法，其特征在于，所述步骤(一)中，不同工作状态下包括：对应正常、外圈故障、内圈故障及滚动体故障。

3.根据权利要求1所述的一种基于GA-ENN的风电机组轴承故障诊断方法，其特征在于，所述步骤(二)中，时域特征信息包括：均值、峰值、标准差、方根幅值、峭度、偏度、裕度因数、脉冲因数、波形因数、峰值因数；频域特征信息包括：均值频率、均方频率、均方根频率、频率方差、重心频率。

4.根据权利要求1所述的一种基于GA-ENN的风电机组轴承故障诊断方法，其特征在于，所述步骤(三)中，时频域特的征信息包括：振动幅值能量比值。