（南車株洲電力機(jī)車研究所有限公司風(fēng)電事業(yè)部，湖南 株洲 412001）

（南車株洲電力機(jī)車研究所有限公司風(fēng)電事業(yè)部，湖南 株洲 412001）

為保證維護(hù)風(fēng)電場(chǎng)大型風(fēng)電機(jī)組安全、可靠、經(jīng)濟(jì)和優(yōu)化運(yùn)行，本文提出了一個(gè)基于數(shù)據(jù)挖掘技術(shù)的風(fēng)電機(jī)組在線狀態(tài)監(jiān)測(cè)與故障遠(yuǎn)程診斷系統(tǒng)。介紹了數(shù)據(jù)挖掘故障診斷系統(tǒng)的硬件、軟件體系結(jié)構(gòu)、網(wǎng)絡(luò)技術(shù)及特點(diǎn)，舉實(shí)例說明應(yīng)用的實(shí)用性和有效性。

風(fēng)電機(jī)組；數(shù)據(jù)挖掘；故障遠(yuǎn)程診斷研究

0 引言

隨著能源危機(jī)和環(huán)境污染問題的日益嚴(yán)重，世界各國(guó)爭(zhēng)相發(fā)展可再生新興能源，我國(guó)長(zhǎng)期規(guī)劃明確支持“研究開發(fā)大型風(fēng)力發(fā)電設(shè)備”，風(fēng)電裝備由此得到了迅猛發(fā)展。在風(fēng)電迅猛發(fā)展的同時(shí)，風(fēng)電機(jī)組高額的運(yùn)行維護(hù)成本影響了風(fēng)場(chǎng)的經(jīng)濟(jì)效益。風(fēng)場(chǎng)一般地處偏遠(yuǎn)、環(huán)境惡劣，并且機(jī)艙位于70m至90 m 以上的高空，給機(jī)組的維護(hù)維修工作造成了困難，增加了機(jī)組的運(yùn)行維護(hù)成本。對(duì)于工作壽命為20 年的機(jī)組，運(yùn)行維護(hù)成本估計(jì)占到風(fēng)場(chǎng)收入的10%－15%；對(duì)于海上風(fēng)場(chǎng)，用于風(fēng)電機(jī)組運(yùn)行維護(hù)的成本高達(dá)風(fēng)場(chǎng)收入的20%－25%。高額的運(yùn)行維護(hù)費(fèi)用增加了風(fēng)場(chǎng)的運(yùn)營(yíng)成本，降低了風(fēng)電的經(jīng)濟(jì)效益。但隨著投產(chǎn)的風(fēng)電機(jī)組數(shù)量和容量的不斷增加，風(fēng)電機(jī)組的運(yùn)行維護(hù)、故障檢測(cè)、診斷技術(shù)的優(yōu)化和改進(jìn)已成為風(fēng)力發(fā)電亟待解決的新課題。長(zhǎng)期以來，風(fēng)電機(jī)組一直采用計(jì)劃維修與事后維修方式，計(jì)劃維修即運(yùn)行2500h和5000h 后的例行維護(hù)，如檢查螺栓力矩，加注潤(rùn)滑脂等。該維修體制往往無法全面、及時(shí)地了解設(shè)備運(yùn)行狀況。而事后維修則因事前準(zhǔn)備不足，從而造成維修工作持久，損失重大。并且由于近年來大型風(fēng)電機(jī)組研究的快速發(fā)展，其機(jī)械結(jié)構(gòu)日趨復(fù)雜，不同部件之間的相互聯(lián)系、耦合也更加緊密，一個(gè)部件出現(xiàn)故障，將可能導(dǎo)致整個(gè)發(fā)電過程中斷。因此，有必要對(duì)風(fēng)電機(jī)組的運(yùn)行狀態(tài)進(jìn)行檢測(cè)跟蹤，對(duì)其故障征兆進(jìn)行分析處理，預(yù)測(cè)分析風(fēng)電機(jī)組的故障趨勢(shì)，減少事故發(fā)生造成的財(cái)產(chǎn)損失，也減少?gòu)?qiáng)迫停機(jī)的次數(shù)，降低發(fā)電機(jī)的維護(hù)費(fèi)和提高發(fā)電機(jī)的可用性，指導(dǎo)風(fēng)電機(jī)組的維護(hù)與維修[1]。

據(jù)有色金屬報(bào)網(wǎng)報(bào)道，近日，從世界黃金協(xié)會(huì)獲悉，該機(jī)構(gòu)首次向用戶推出市場(chǎng)權(quán)威的黃金數(shù)據(jù)、洞察和分析工具平臺(tái)——GOLDHUB。該平臺(tái)旨在幫助專業(yè)投資者更好地理解和體驗(yàn)黃金作為戰(zhàn)略資產(chǎn)的價(jià)值。

1 研究背景

國(guó)外監(jiān)測(cè)和故障診斷技術(shù)發(fā)展早而且比較成熟，有專門用于風(fēng)電機(jī)組的監(jiān)測(cè)設(shè)備，國(guó)內(nèi)由于風(fēng)電機(jī)組行業(yè)本身起步較晚，在線監(jiān)測(cè)與故障診斷技術(shù)在國(guó)內(nèi)風(fēng)電機(jī)組上的運(yùn)用還處于起步狀態(tài)。目前，大型風(fēng)電機(jī)組的就地控制器都有運(yùn)行數(shù)據(jù)采集、故障報(bào)警和通信功能，配合風(fēng)電場(chǎng)中央監(jiān)控系統(tǒng)，可以實(shí)現(xiàn)風(fēng)電場(chǎng)機(jī)群的集中監(jiān)控，甚至異地監(jiān)控。但中央監(jiān)控系統(tǒng)信息量的采集十分有限，一般只采集功率、轉(zhuǎn)速、電流、風(fēng)速等參數(shù)，無振動(dòng)量采集，造成故障預(yù)警功能欠缺。比如，當(dāng)中央監(jiān)控系統(tǒng)報(bào)“傳動(dòng)比錯(cuò)誤”時(shí)，可能齒輪箱或發(fā)電機(jī)已經(jīng)嚴(yán)重?fù)p壞或卡死[2]。

鑒于風(fēng)電場(chǎng)獨(dú)特的環(huán)境，以風(fēng)電機(jī)組安全經(jīng)濟(jì)運(yùn)行出發(fā)，以風(fēng)電場(chǎng)風(fēng)電機(jī)組為研究對(duì)象，利用小波多分辨率分析技術(shù)，對(duì)風(fēng)電機(jī)組的振動(dòng)和噪聲信號(hào)進(jìn)行處理，提取故障特征，實(shí)現(xiàn)風(fēng)電機(jī)組早期顯現(xiàn)故障的有效監(jiān)測(cè)與識(shí)別。由于風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷過程中產(chǎn)生的大規(guī)模數(shù)據(jù)信息（包括統(tǒng)計(jì)數(shù)據(jù)、試驗(yàn)數(shù)據(jù)） 可方便地被收集和存儲(chǔ)在各種數(shù)據(jù)庫(kù)中，具備了事務(wù)數(shù)據(jù)庫(kù)特點(diǎn)和數(shù)據(jù)挖掘的基本要求，若采用傳統(tǒng)的數(shù)據(jù)分析方法，對(duì)這些巨量的數(shù)據(jù)進(jìn)行分析，不僅費(fèi)時(shí)且難以有效地挖掘出隱含的知識(shí)；另一方面，盡管專家系統(tǒng)和智能診斷等方法在故障診斷中得到廣泛應(yīng)用，但專家系統(tǒng)的知識(shí)瓶頸和智能診斷方法所帶來的推理過程困難等問題仍未得到很好地解決，將數(shù)據(jù)庫(kù)、數(shù)據(jù)挖掘應(yīng)用在風(fēng)電機(jī)組故障診斷的基本思路，就是利用數(shù)據(jù)挖掘技術(shù)得到產(chǎn)生故障的特征數(shù)據(jù)、故障規(guī)則等，對(duì)故障進(jìn)行檢測(cè)和診斷，其診斷過程就是模式獲取及模式匹配的過程，數(shù)據(jù)挖掘卻可以有效地解決這些問題，將數(shù)據(jù)挖掘技術(shù)應(yīng)用于故障診斷中是必然的也是可行的。因此，提出了以數(shù)據(jù)庫(kù)、數(shù)據(jù)挖掘技術(shù)和網(wǎng)絡(luò)技術(shù)為支撐的風(fēng)電機(jī)組在線故障診斷方案，實(shí)現(xiàn)了風(fēng)電機(jī)組故障診斷的網(wǎng)絡(luò)化、信息化[3]。

where k is the fault joint label.Eq.(3)is subjected to singularvalue decomposition as

2 數(shù)據(jù)挖掘技術(shù)在故障診斷中的應(yīng)用

課堂上，自學(xué)與合作不是并列關(guān)系，而是先后關(guān)系，每一部分的知識(shí)都要提倡自學(xué)，學(xué)生自學(xué)不會(huì)的可以通過小組合作來解決，小組合作不會(huì)的通過全班研討來解決，大家都不會(huì)的才由教師來點(diǎn)撥。教師要退到最后一步，本著“先學(xué)后教、以學(xué)定教”的原則，只講學(xué)生不會(huì)、不對(duì)的。這樣，教師就會(huì)知道課堂上應(yīng)該講什么，講多長(zhǎng)時(shí)間。

3 遠(yuǎn)程故障診斷過程決策模型

風(fēng)電機(jī)組遠(yuǎn)程在線診斷的主要內(nèi)容是從大量的風(fēng)電機(jī)組運(yùn)行監(jiān)測(cè)信息中發(fā)現(xiàn)潛在的規(guī)律，提取有用的知識(shí)，智能地判斷當(dāng)前風(fēng)電機(jī)組運(yùn)行狀態(tài)，發(fā)現(xiàn)隱含的或已經(jīng)存在的故障。數(shù)據(jù)挖掘是一個(gè)需要經(jīng)過反復(fù)多次處理的過程，它可利用不斷充實(shí)的診斷知識(shí)庫(kù)和恰當(dāng)?shù)乃惴ㄖ鸩酵诰蛘鎸?shí)的故障機(jī)理及診斷規(guī)則。其實(shí)現(xiàn)過程為：首先將原始數(shù)據(jù)整理為與挖掘主題相關(guān)的信息；然后根據(jù)挖掘主題以及各種學(xué)習(xí)算法的特點(diǎn)設(shè)計(jì)數(shù)據(jù)挖掘算法，并對(duì)指定數(shù)據(jù)集進(jìn)行知識(shí)的提取。通過對(duì)挖掘結(jié)果進(jìn)行一致性、合理性檢查，與預(yù)期目標(biāo)進(jìn)行對(duì)比。如果結(jié)果與預(yù)期目標(biāo)偏差較大，返回算法設(shè)計(jì)階段，調(diào)整或重新設(shè)計(jì)挖掘算法；如果偏差較小，返回算法設(shè)計(jì)階段，對(duì)挖掘算法進(jìn)行調(diào)整；如果結(jié)果理想，返回?cái)?shù)據(jù)階段，擴(kuò)大數(shù)據(jù)集，重新開始一次挖掘過程。重復(fù)上述步驟，直至達(dá)到最終目標(biāo)。數(shù)據(jù)挖掘模型處理過程如圖5所示。

在數(shù)據(jù)準(zhǔn)備階段，隨時(shí)序變化的故障信息，采用時(shí)間分割法，把時(shí)序變量轉(zhuǎn)化為實(shí)數(shù)變量進(jìn)行考察。具體做法是：把t。到t 時(shí)刻的時(shí)間間隔T等分為N個(gè)At(At=T/N)時(shí)間間隔，T時(shí)間內(nèi)的連續(xù)變量用t0=ta ，t1=ta + At，t2=ta+2At,……,tn=ta+ Nat,t6時(shí)刻的值來表征，在構(gòu)建故障診斷模型時(shí)，要考慮這些值之間在時(shí)間上的先后序列關(guān)系。根據(jù)故障信息內(nèi)在相互關(guān)聯(lián)的特點(diǎn)，從診斷信息中抽取樣本數(shù)據(jù)，采用關(guān)聯(lián)規(guī)則挖掘有價(jià)值的知識(shí)，描述如下：規(guī)則項(xiàng)集I= ( i1,i2,i3,……im )是由m個(gè)不同故障規(guī)則組成的集合，故障事務(wù)x是I的一個(gè)子集，即TI,D是S的集合。設(shè)X 是I 的一個(gè)子集，如果XS，稱故障事務(wù)S包含X。關(guān)聯(lián)規(guī)則具有如下形式：XY，其中，XI,YI，且X∩Y=, X為條件，Y為結(jié)果[6]。

4 系統(tǒng)硬件結(jié)構(gòu)

綜上所述，可以認(rèn)定裂縫產(chǎn)生的主要原因之一應(yīng)為行車荷載，包括超限重載車、車流量過大、荷載的持續(xù)時(shí)間過長(zhǎng)等。

風(fēng)電機(jī)組故障診斷數(shù)據(jù)挖掘系統(tǒng)結(jié)構(gòu)如圖4所示。其中知識(shí)庫(kù)是基于征兆事實(shí)庫(kù)、傳統(tǒng)專家經(jīng)驗(yàn)診斷規(guī)則和數(shù)據(jù)挖掘診斷規(guī)則的混合系統(tǒng)，各診斷機(jī)制充分發(fā)揮各自的優(yōu)點(diǎn)，征兆事實(shí)庫(kù)用于存放經(jīng)過數(shù)據(jù)庫(kù)處理并提取的系統(tǒng)推理所需要的征兆事實(shí)。知識(shí)庫(kù)的維護(hù)包括擴(kuò)展、修改和刪除3 種操作。授權(quán)用戶可通過HTML 輸入風(fēng)電機(jī)組診斷信息，信息處理與診斷推理模塊利用知識(shí)庫(kù)中的知識(shí)，根據(jù)故障信息診斷設(shè)備故障，最后利用知識(shí)庫(kù)對(duì)所有診斷方法得到的結(jié)果綜合決策，判斷具體的故障類型，并將診斷結(jié)論和維護(hù)參考信息在遠(yuǎn)端客戶瀏覽器上顯示。結(jié)論解釋模塊為用戶提供診斷推理過程和結(jié)論的解釋，同時(shí)將故障實(shí)例經(jīng)過知識(shí)提取存放知識(shí)庫(kù)中。知識(shí)庫(kù)采用傳統(tǒng)經(jīng)驗(yàn)、專家經(jīng)驗(yàn)、粗糙集知識(shí)及關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘方法來獲取診斷知識(shí)。關(guān)聯(lián)規(guī)則挖掘從特征數(shù)據(jù)中挖掘出特征變量間隱含的因果或關(guān)聯(lián)關(guān)系，可用于故障趨勢(shì)預(yù)測(cè)，基于粗糙集方法的規(guī)則挖掘可適用于離散型及連續(xù)型特征數(shù)據(jù)，它先約簡(jiǎn)知識(shí)，再根據(jù)知識(shí)約簡(jiǎn)挖掘規(guī)則[5]。

數(shù)據(jù)倉(cāng)庫(kù)是支持決策過程的、面向主題的、集成的、隨時(shí)間變化的、持久的數(shù)據(jù)集合。系統(tǒng)中把故障類型、設(shè)備類型、設(shè)備使用狀況作為數(shù)據(jù)倉(cāng)庫(kù)的主題，形成面向一個(gè)個(gè)特定主題的小規(guī)模的數(shù)據(jù)倉(cāng)庫(kù)，即數(shù)據(jù)集市。從數(shù)據(jù)挖掘的角度看，數(shù)據(jù)倉(cāng)庫(kù)是數(shù)據(jù)挖掘?qū)嵤┑钠脚_(tái)。數(shù)據(jù)挖掘是一種分析和決策手段，主要根據(jù)人工智能、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)的原理，以數(shù)據(jù)倉(cāng)庫(kù)或數(shù)據(jù)集市為基礎(chǔ)，分析和挖掘歷史數(shù)據(jù)，找出隱藏在這些數(shù)據(jù)內(nèi)的關(guān)系模式，反映數(shù)據(jù)的內(nèi)在特性，對(duì)數(shù)據(jù)所包含的信息做更高層次的抽象。數(shù)據(jù)挖掘過程分為以下階段：數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)選擇、預(yù)處理、數(shù)據(jù)縮減、目標(biāo)確定、算法確定、數(shù)據(jù)挖掘、模式識(shí)別和知識(shí)評(píng)價(jià)，前四個(gè)階段完成數(shù)據(jù)倉(cāng)庫(kù)，為知識(shí)發(fā)現(xiàn)做準(zhǔn)備；后五個(gè)階段挖掘有用的知識(shí)。數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘有著密不可分的聯(lián)系。一個(gè)典型的數(shù)據(jù)倉(cāng)庫(kù)主要有數(shù)據(jù)導(dǎo)入、數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)集市、訪問工具。數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘技術(shù)在遠(yuǎn)程監(jiān)測(cè)和故障診斷領(lǐng)域的應(yīng)用，大大提高了數(shù)據(jù)分析的效率和深度，為智能化故障診斷，特別是故障預(yù)測(cè)提供了有力的手段，從而使設(shè)備享有遠(yuǎn)程專家級(jí)的診斷[4]。

本地?cái)?shù)據(jù)庫(kù)服務(wù)器將診斷下位機(jī)數(shù)據(jù)采集站上傳的數(shù)據(jù)寫入數(shù)據(jù)庫(kù)中，備份風(fēng)電機(jī)組的故障征兆信息；同時(shí)，為診斷中心的WEB 應(yīng)用服務(wù)器和推理診斷服務(wù)器提供數(shù)據(jù)支撐，診斷服務(wù)器通過使用監(jiān)測(cè)分析軟件和故障診斷軟件提取本地?cái)?shù)據(jù)庫(kù)服務(wù)器數(shù)據(jù)，對(duì)機(jī)組故障進(jìn)行診斷，并將結(jié)果返回給現(xiàn)場(chǎng)用戶。若故障類型比較復(fù)雜，本地中心還可以向遠(yuǎn)程診斷中心求助，專家可遠(yuǎn)程通過互聯(lián)網(wǎng)登錄到WEB，應(yīng)用服務(wù)器使用自己的知識(shí)進(jìn)行診斷，將結(jié)果返回診斷中心，并由診斷中心反饋給現(xiàn)場(chǎng)用戶，指導(dǎo)現(xiàn)場(chǎng)運(yùn)行。在診斷服務(wù)器根據(jù)征兆信息進(jìn)行診斷推理，得到推理結(jié)果以后，將信息傳給WEB服務(wù)器，并組成診斷結(jié)果HTML頁面，供授權(quán)用戶進(jìn)行訪問。同時(shí)，作為局域網(wǎng)WEB 服務(wù)器，直接面向風(fēng)電廠局域網(wǎng)，使局域網(wǎng)內(nèi)用戶通過WEB 瀏覽器監(jiān)測(cè)機(jī)組的振動(dòng)及相關(guān)狀態(tài)量變化情況。遠(yuǎn)程故障診斷中心各服務(wù)器功能類同本地診斷中心服務(wù)器，在遠(yuǎn)程故障診斷中心，數(shù)據(jù)庫(kù)服務(wù)器里面存放著不同風(fēng)電場(chǎng)的不同型號(hào)的風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)，由此實(shí)現(xiàn)風(fēng)電機(jī)組運(yùn)行參數(shù)共享。推理機(jī)可以將這些共享的數(shù)據(jù)進(jìn)行診斷推理分析，使每個(gè)風(fēng)電機(jī)組都可以享受到專家級(jí)診斷，從而提高診斷效率，減少誤判率。若本地診斷中心出現(xiàn)不能解決的故障推理問題，還可以通過Internet 向遠(yuǎn)程故障診斷中心求助。

圖1 過程決策模型示意圖

圖2 風(fēng)電機(jī)組智能故障診斷系統(tǒng)原理圖

5 軟件設(shè)計(jì)

5.1 平臺(tái)數(shù)據(jù)挖掘結(jié)構(gòu)

下位機(jī)系統(tǒng)結(jié)構(gòu)如圖3所示，利用各種傳感器將風(fēng)電機(jī)組狀態(tài)參數(shù)進(jìn)行提取，利用數(shù)據(jù)采集模塊進(jìn)行放大、濾波、補(bǔ)償和A/D 轉(zhuǎn)換等處理以后，通過小波分析、Fourier 變換等信號(hào)分析等技術(shù)處理，根據(jù)信號(hào)的特征由下位機(jī)對(duì)風(fēng)電機(jī)組初步故障進(jìn)行診斷。并將風(fēng)電機(jī)組運(yùn)行參數(shù)上傳至本地診斷中心，供上位機(jī)分析處理。

從大量的設(shè)備監(jiān)測(cè)信息中發(fā)現(xiàn)潛在的規(guī)律，提取有用的知識(shí)，智能地判斷機(jī)器當(dāng)前運(yùn)行狀態(tài)，發(fā)現(xiàn)隱含的或已經(jīng)存在的故障，是遠(yuǎn)程故障診斷的主要內(nèi)容。它是一個(gè)基于現(xiàn)有知識(shí)的決策過程，遠(yuǎn)程故障診斷決策模型可以描述為RDDM={M，K，D，E，P)。其中，診斷技術(shù)方法集合為M，診斷所需的知識(shí)集合為K，設(shè)備原始信息數(shù)據(jù)集合為D，實(shí)驗(yàn)設(shè)施為E，專家知識(shí)的集合為P，設(shè)C為診斷效益，L為故障所造成的損失，則診斷決策的目標(biāo)為：

5.2 關(guān)聯(lián)規(guī)則挖掘風(fēng)電機(jī)組故障知識(shí)的算法

RDDM 的目標(biāo)是合理地配置M，K，D，E，P 等資源，以獲得最大的診斷效益或使故障的損失最小。數(shù)據(jù)挖掘技術(shù)利用不斷完善的診斷知識(shí)、技術(shù)方法逐步挖掘接近真實(shí)的故障原因和診斷方法，這是一個(gè)多次反復(fù)的過程。首先根據(jù)挖掘目標(biāo)收集、整理與決策有關(guān)的有用信息和知識(shí)，建立模型，分析對(duì)決策有影響的關(guān)鍵因素，歸納、提煉出有關(guān)的滿足系統(tǒng)約束的控制規(guī)則。在此基礎(chǔ)上針對(duì)學(xué)習(xí)算法的特點(diǎn)設(shè)計(jì)挖掘算法的詳細(xì)步驟，進(jìn)行數(shù)據(jù)挖掘，并對(duì)挖掘結(jié)果進(jìn)行合理性、一致性檢查。通過評(píng)價(jià)體系與預(yù)期目標(biāo)進(jìn)行比較，若結(jié)果與預(yù)期目標(biāo)偏差較大，重新優(yōu)化系統(tǒng)模型，調(diào)整或重新設(shè)計(jì)算法，重復(fù)上述步驟，直至達(dá)到最終目標(biāo)。過程決策模型如圖1所示。

規(guī)則項(xiàng)集A 的支持度是D 中包含A 的故障事務(wù)數(shù)量與D 的總故障事務(wù)數(shù)量之比。置信度是在規(guī)則的先決條件發(fā)生的前提下，規(guī)則結(jié)果發(fā)生的條件概率，求解關(guān)聯(lián)規(guī)則，可以分解成兩個(gè)子問題：(1)找出D 中所有大于最小支持度的事件子集X，XS，即“頻繁”出現(xiàn)的事件子集一頻繁項(xiàng)集。本文采用了基于頻集理論的遞推方法，即Apriori算法。Apriori使用一種稱作逐層搜索的迭代方法，K項(xiàng)集用于探索(K+1)項(xiàng)集。首先，找出頻繁1項(xiàng)集的集合。該集合記作L1 。L1 用于找頻繁2項(xiàng)集的集合L2 ，而L2用于找L3，如此下去，直到不能找到頻繁K項(xiàng)集。每次找LK 需要一次數(shù)據(jù)庫(kù)掃描。(2)從“頻繁”出現(xiàn)的事件子集中找出關(guān)聯(lián)規(guī)則。一旦由數(shù)據(jù)庫(kù)中的事務(wù)找出頻繁項(xiàng)集，由此產(chǎn)生關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則滿足最小支持度和最小置信度，其置信度如下：con fi dence(AB)=support(AUB)/supprot(A)。其中，support(AUB)是包含項(xiàng)集AUB的支持度，support(A)是包含項(xiàng)集A的支持度。根據(jù)該公式，關(guān)聯(lián)規(guī)則產(chǎn)生如下：① 對(duì)于每個(gè)頻繁項(xiàng)集z，產(chǎn)生z的所有非空子集；② 對(duì)于z的每個(gè)非空子集S，如果support(z)/supprot(s)≥ min－conf，則輸出規(guī)則“S(L－s)”。其中，min-conf是最小置信度閾值[7]。在遠(yuǎn)程故障診斷系統(tǒng)中，該算法用于發(fā)現(xiàn)故障信息間內(nèi)在的聯(lián)系，挖掘風(fēng)電機(jī)組設(shè)備故障的產(chǎn)生原因(知識(shí))，對(duì)風(fēng)電機(jī)組設(shè)備運(yùn)行狀況進(jìn)行預(yù)報(bào)。以南車1.65MW級(jí)風(fēng)電設(shè)備的運(yùn)行為例，采集故障信號(hào)，該算法基于如表1所示故障事務(wù)數(shù)據(jù)庫(kù)，其中故障事務(wù)中的項(xiàng)按順序存放[7]。

圖3 風(fēng)電機(jī)組故障診斷系統(tǒng)框圖

圖4 風(fēng)電機(jī)組故障診斷數(shù)據(jù)挖掘系統(tǒng)結(jié)構(gòu)圖

圖5 數(shù)據(jù)挖掘模型處理過程圖

圖6 風(fēng)電機(jī)組遠(yuǎn)程監(jiān)測(cè)診斷系統(tǒng)的軟件體系

其中I1—I5表示從故障事務(wù)中抽取出的幾個(gè)不同的項(xiàng)，I1主機(jī)過電流停機(jī)，I2主機(jī)風(fēng)電機(jī)組故障,I3主機(jī)調(diào)速器故障,I4主機(jī)急停,I5主機(jī)通訊故障。在尋找頻繁項(xiàng)集的過程中，取最小支持度為0.22。算法的第一次迭代掃描數(shù)據(jù)庫(kù)中的所有事務(wù)，統(tǒng)計(jì)每個(gè)項(xiàng)的出現(xiàn)次數(shù)，確定滿足最小支持度的頻繁1項(xiàng)集L1 集合，算法使用L1 產(chǎn)生候選2項(xiàng)集的集合C2 ,C2 由(I L1 I/2)個(gè)2項(xiàng)集組成，計(jì)算C2 中每個(gè)候選項(xiàng)集的支持度，確定頻繁2項(xiàng)集的集合L2 。根據(jù)Apriori的逐層搜索技術(shù)，直到產(chǎn)生的候選項(xiàng)集為空，算法結(jié)束。找到滿足最小支持度的所有頻繁項(xiàng)集，然后調(diào)用一個(gè)過程，由頻繁項(xiàng)集產(chǎn)生關(guān)聯(lián)規(guī)則。本系統(tǒng)中取最小置信度0.7以基于以上事務(wù)數(shù)據(jù)庫(kù)產(chǎn)生的頻繁項(xiàng)集L={I1，I2，I5}為例，由L產(chǎn)生關(guān)聯(lián)規(guī)則，L的非空子集有{I1,I2},{I1,I5},{I2,I5},{I1}，{I2}和{I5}。實(shí)驗(yàn)結(jié)果如表2所示。

風(fēng)電機(jī)組智能故障診斷系統(tǒng)總體結(jié)構(gòu)如圖2所示，系統(tǒng)由現(xiàn)場(chǎng)的下位機(jī)、本地故障診斷中心和遠(yuǎn)程故障診斷中心組成?，F(xiàn)場(chǎng)下位機(jī)由用于風(fēng)電機(jī)組狀態(tài)參數(shù)提取的診斷下位機(jī)和其他數(shù)據(jù)采集工作站組成；本地、遠(yuǎn)程診斷中心均由數(shù)據(jù)庫(kù)服務(wù)器、WEB 服務(wù)器和推理診斷服務(wù)器組成。

表2中第2、3、6條規(guī)則的置信度大于預(yù)先給定最小置信度閾值，對(duì)滿足條件規(guī)則進(jìn)行基于知識(shí)的模糊評(píng)價(jià)，對(duì)達(dá)到精確度要求，從數(shù)據(jù)集市中刪除樣本數(shù)據(jù)，規(guī)則存人知識(shí)庫(kù)，樣本數(shù)據(jù)蘊(yùn)涵的知識(shí)，在智能診斷中用規(guī)則表達(dá)。新的數(shù)據(jù)集作為訓(xùn)練樣本集，構(gòu)造診斷神經(jīng)網(wǎng)絡(luò)模型，經(jīng)測(cè)試，凡診斷結(jié)果誤差小于給定閾值的數(shù)據(jù)樣本從數(shù)據(jù)集中刪除，數(shù)據(jù)隱含的知識(shí)由該診斷模型表達(dá)。領(lǐng)域?qū)＜覍?duì)剩余數(shù)據(jù)進(jìn)行去噪、檢驗(yàn)后存放到實(shí)例庫(kù)中，用于基于實(shí)例的故障診斷。

5.3 系統(tǒng)軟件體系結(jié)構(gòu)

風(fēng)電機(jī)組遠(yuǎn)程監(jiān)測(cè)診斷軟件系統(tǒng)采用瀏覽器/ 服務(wù)器（B/S）模式，如圖6所示，這種模式是一種3 層的結(jié)構(gòu)，它們分別是表示層、功能層和數(shù)據(jù)層。表示層是應(yīng)用系統(tǒng)的用戶接口，即客戶瀏覽器；功能層是應(yīng)用的主體，即推理服務(wù)器和WEB 應(yīng)用服務(wù)器，其主要功能是連接用戶和數(shù)據(jù)庫(kù)，當(dāng)用戶提出請(qǐng)求時(shí)，由它執(zhí)行相應(yīng)的應(yīng)用程序與數(shù)據(jù)庫(kù)進(jìn)行連接，并按照用戶需求向數(shù)據(jù)庫(kù)提出數(shù)據(jù)處理申請(qǐng)， 最后將數(shù)據(jù)以HTML 的形式返回給客戶瀏覽器；數(shù)據(jù)層就是數(shù)據(jù)庫(kù)管理系統(tǒng)，負(fù)責(zé)處理數(shù)據(jù)的存取[8]。

線粒體自噬機(jī)制、相關(guān)疾病及中藥對(duì)其調(diào)節(jié)作用的研究進(jìn)展 ……………………………………………… 李鳳嬌等（20）：2865

軟件系統(tǒng)采用現(xiàn)場(chǎng)運(yùn)行實(shí)時(shí)分析系統(tǒng)和遠(yuǎn)程診斷系統(tǒng)相結(jié)合的形式?，F(xiàn)場(chǎng)運(yùn)行分析系統(tǒng)位于電場(chǎng)本地服務(wù)器上，只允許場(chǎng)內(nèi)授權(quán)用戶訪問。直接面向運(yùn)行人員、生產(chǎn)管理人員，系統(tǒng)實(shí)時(shí)監(jiān)測(cè)機(jī)組的振動(dòng)數(shù)據(jù)及相關(guān)的運(yùn)行參數(shù)，并對(duì)振動(dòng)數(shù)據(jù)進(jìn)行波形、頻譜等分析處理。遠(yuǎn)程監(jiān)測(cè)診斷系統(tǒng)運(yùn)行于監(jiān)測(cè)診斷應(yīng)用服務(wù)器上，面向互聯(lián)網(wǎng)授權(quán)用戶。它具有遠(yuǎn)程監(jiān)測(cè)、歷史查詢、故障診斷和數(shù)據(jù)管理等功能。當(dāng)用戶經(jīng)過授權(quán)后，通過網(wǎng)頁瀏覽器登錄到服務(wù)器，可以對(duì)機(jī)組的運(yùn)行狀態(tài)進(jìn)行遠(yuǎn)程監(jiān)測(cè)，也可以查看機(jī)組的歷史狀態(tài)和趨勢(shì)。當(dāng)發(fā)現(xiàn)機(jī)組異常時(shí)，啟動(dòng)基于數(shù)據(jù)挖掘的故障診斷軟件，結(jié)合專家的知識(shí)對(duì)機(jī)組進(jìn)行診斷并將診斷結(jié)果反饋給現(xiàn)場(chǎng)。

表1 故障事務(wù)數(shù)據(jù)庫(kù)(部分)

表2 實(shí)驗(yàn)結(jié)果表

6 結(jié)語

本系統(tǒng)將數(shù)據(jù)庫(kù)技術(shù)和數(shù)據(jù)挖掘技術(shù)引入風(fēng)電機(jī)組故障診斷領(lǐng)域，可有效地解決專家系統(tǒng)的知識(shí)瓶頸和智能診斷方法所帶來的推理過程困難問題，使生產(chǎn)現(xiàn)場(chǎng)大規(guī)?！皵?shù)據(jù)資料”得到有效利用。系統(tǒng)面向領(lǐng)域?qū)＜液蛯I(yè)工程師。除了在線實(shí)時(shí)監(jiān)測(cè)之外，更強(qiáng)調(diào)網(wǎng)絡(luò)化、數(shù)據(jù)完備性和具有高水平的分析與診斷功能。且系統(tǒng)采用B/S 三層開放模式，于軟件復(fù)用技術(shù)的編程模式，使該系統(tǒng)具有良好的集成性和安全性。遠(yuǎn)程技術(shù)服務(wù)與故障診斷系統(tǒng)是其重要內(nèi)容之一。制造業(yè)的全球化發(fā)展，必將對(duì)設(shè)備的遠(yuǎn)程監(jiān)測(cè)與故障診斷提出更高的要求。對(duì)推動(dòng)我國(guó)遠(yuǎn)程監(jiān)測(cè)、預(yù)報(bào)、故障診斷技術(shù)的發(fā)展，具有一定的參考價(jià)值。

[1]賀嬌. 風(fēng)能資源詳查將推動(dòng)產(chǎn)業(yè)發(fā)展[N].中國(guó)能源報(bào)，2010-02-01(15).

[2]王哲.關(guān)于風(fēng)電機(jī)組組組狀態(tài)監(jiān)測(cè)的思考[J].中國(guó)設(shè)備程,2007,23(4):43-44.

[3]李俊峰，高虎，王仲穎，等. 2008 年中國(guó)風(fēng)電發(fā)展報(bào)告[R].北京:中國(guó)環(huán)境科學(xué)出版社，2008.

[4]時(shí)軼,崔新維,李春蘭,等.在線監(jiān)測(cè)系統(tǒng)在風(fēng)電機(jī)組組上的應(yīng)用[J].風(fēng)機(jī)技術(shù)，2007(4):74- 76.

[5]YANG Jie，YE Chenzhou．Data mining used in modeling，opti—mization and fault diagnosis[J]．Computer Integrated Manu—facturing Systems CIMS，2000，6(5)：72-76.

[6] 鄧亮.基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘技術(shù)在火電廠運(yùn)行優(yōu)化中的應(yīng)用[D].華北電力大學(xué)碩士論文,2006.

[7]郭慶琳, 鄭玲. 基于粗糙集數(shù)據(jù)挖掘的汽輪機(jī)故障預(yù)報(bào)及診斷研究[J].現(xiàn)代電力，2006.23(3): 64- 69.

[8]張積堅(jiān). 基于B/S模式的風(fēng)電機(jī)組組遠(yuǎn)程狀態(tài)監(jiān)測(cè)系統(tǒng)研究與開發(fā)[D] .大連理工大學(xué). 碩士論文, 2009.

基于數(shù)據(jù)挖掘風(fēng)力發(fā)電設(shè)備故障遠(yuǎn)程診斷研究

葉盛，李龍，胡旭馗

Remote Diagnosis Research of Wind Power Generation Equipment Faults Based on Data Mining

Ye Sheng, Li Long, Hu Xukui
(CSR Zhuzhou Electric Locomotive Research Institute Co., Ltd., Wind Power Business Unit, Zhuzhou, Hunan 412001, China)

In order to maintain the security, reliability, economy and optimal operation of the large-scale wind turbine, this paper proposed a condition monitoring and fault remote diagnostic system based on data mining technology. It also introduced the hardware of Data mining fault diagnosis system, software architecture, network technology and features practical examples . Meanwhile, it explained the practicality and eff ectiveness of the application.

wind turbine; data mining; remote fault diagnosis research

TM614

A

1674-9219(2013)07-0076-07

2013-04-23。

葉盛（1975-），男，碩士，工程師，主要從事風(fēng)電設(shè)備管理與維修工作。