全文总字数：6390字

摘 要：提出了一种基于深度信念网络(DBN)的风机轴承智能诊断方法研究。为了降低建模难度并减少训练时间，首先利用相关系数法选取建模变量,进而建立主轴承正常行为的DBN温度模型并用于主轴承温度预测。该模型克服了传统神经网络随机初始化网络权重、易陷入局部最小值等缺点，能有效提高主轴承温度的预测精度。然后采用指数加权移动平均法(EWMA)对主轴承温度残差序列进行分析，并利用核密度估计方法确定故障阈值。最后基于实测的数据采集与监视控制(SCADA)系统数据对主轴承故障进行模拟。结果表明,与传统预测方法相比,该方法能有效地实现主轴承的异常状态监测。

关键词: 数据采集与监视控制；深度信念网络；温度建模；状态监测；风机轴承

引言

风言能是近期最具有大规模开发利用前景的可再生资源。截至2016年底,全球累计装机容量达486749MW,新增装机容量达54600MW。随着风能的快速发展,机组的故障率和维修费用也在不断升高,因此,开展风电机组的状态监测研究,对及时掌握风电机组运行状态,保证风电机组安全高效发电运行有重要意义。振动和油液监测是两种常用的状态监测技术,但需要额外安装传感器,增加了检测成本。数据采集与监视控制 (supervisory control and data acquisition,SCA-DA)系统可以定期对机组子系统或部件的运行状态数据进行采集与记录,已在风电状态监测方面 得到了广泛应用。目前，许多学者已开展了关于风机轴承故障诊断方法的研究，如人工神经网络（ANN）、支持向量机（SVM）、极限学习机（ELM）等。然而，上述的方法均属于浅层学习模型，需要人工提取特征，并且很大程度上依赖于专家的先验知识。因此，为了解决这一问题，一种深度信念网络（DBN）由国外学者由 Geoffrey Hinton 在 2006 年提出。深度信念网络（DBN）是一种生成模型，通过训练其神经元之间的权重，可以让整个神经网络按照最大概率来生成训练数据。DBN网络模型通常由若干个受限玻尔兹曼机（RBM）通过层层堆叠而组成，其中，上一个RBM的隐层，即为下一个RBM的显层，上一个RBM的输出，即为下一个RBM的输入。目前，深度信念网络（DBN）已经成功地应用于各个领域，如语音识别、图像识别和机械故障诊断等。因此，开展基于深度信念网络（DBN）的滚动轴承故障诊断方法的研究是具有重要的现实意义。

2 深度信念网络

深度信念网络模型

深度信念网络由若干个受限玻尔兹曼机（Restricted Boltzmann Machines，RBM）的堆叠和一层有监督的反向传播网络组成，训练时可通过由低到高逐层训练这些 RBM 来实现。整个训练的过程可以概括为两个部分：一个是预训练（pre-Training），采用无监督逐层学习的方式对神经网络结构的参数进行初始化，另一个是精调 （Fine-Tuning）在模型的最后使用反向传播算法对网络参数进行全局微调。即使整个网络积累了多层，依旧可以合理地优化参数，这种学习方法解决了梯度消失问题，使得深度神经网络的学习更加高效。

• • 1. 受限玻尔兹曼机

受限玻尔兹曼机（RBM）最早起源于玻尔兹曼机（Boltzmann Machine，BM），BM 不仅有着强大的无监督学习能力，而且还能够学习数据中复杂的规则[4]，但是，这种训练相对比较复杂，且训练时间较长，为了克服这一问题，Smolensky引入了一种限制的玻尔兹曼机，则为受限玻尔兹曼机，其结构如图（1）所示。

RBM 是由一层可见层（visible）和一层隐含层（hidden）组成，且层内无连接。h1到hn是n 个实数，v1到vm是m个实数，这些实数都是0到1之间的数字，它们各自组成了一个h向量和一个v向量。每个显层和隐层之间都存在一个权重w，一共有n·m权重，c和b分别是隐藏和显层的偏置向量。

• • 1. 深度信念网络的基本结构

深度信念网络是由多个受限玻尔兹曼机和一层有监督的分类器堆叠而成，如图（2）所示。DBN 在整个学习过程中总共可以总结为两个阶段：第一阶段是：无监督学习，第二阶段是：有监督的微调。

(1) 第一阶段是对多层 RBM 进行贪婪式训练，即逐层训练，对模型自底向上逐层训练。将前一个 RBM 的输出值作为下一层 RBM的输入值，从而实现网络参数的初始化。