吳亞聯(lián)，梁坤鑫，蘇永新＊，詹 俊

（1.湘潭大學 信息工程學院，湖南 湘潭 411105；2.湖南優(yōu)利泰克自動化系統(tǒng)有限公司，湖南 長沙 410205）

作為一種綠色無污染的新能源，風能越來越受到重視，它將成為人類未來主要的能源資源[1]。受復雜多變的環(huán)境因素影響，風電機組各部件性能會在運行中逐漸下降，最終導致部件發(fā)生故障。而對風電機組部件進行故障預警則可提前發(fā)現(xiàn)隱患，有利于優(yōu)化維護計劃，避免因部件故障延誤而導致更加嚴重的整機故障。

傳統(tǒng)風電機組故障預警方法有振動分析、聲學分析、潤滑分析等，這些方法需要采集高頻率的振動數(shù)據(jù)或額外安裝高成本附加設備或者傳感器，導致難以廣泛應用于風場中。風機數(shù)據(jù)采集與監(jiān)控（Supervisory Control And Data Acquisition，SCADA）系統(tǒng)作為風機狀態(tài)監(jiān)測的重要組成部分，能夠提供監(jiān)測風機狀態(tài)與風機部件運行狀態(tài)的數(shù)據(jù)，基于SCADA數(shù)據(jù)驅(qū)動的風機部件故障預警方法已經(jīng)被廣泛應用于風場中。通過SCADA數(shù)據(jù)建立神經(jīng)網(wǎng)絡模型對風機部件進行故障預警不需要對風機組件的機械結(jié)構有深入了解。當SCADA數(shù)據(jù)充足的情況下，能夠?qū)崿F(xiàn)對風機多部件的故障預警。神經(jīng)網(wǎng)絡對風機組件故障預警的這些優(yōu)點，使其成為風機關鍵部件故障預警的重要方法之一[2-4]。

Garcia等[5]在2006年提出通過利用神經(jīng)網(wǎng)絡建立風機組件正常模型對風機齒輪箱進行故障預警，該方法通過神經(jīng)網(wǎng)絡正常模型的預測值與實際值進行比較得到誤差，將在正常行為模型定義的置信區(qū)間之外的誤差判斷為異常。研究結(jié)果表明，使用Garcia提出的方法只能提前26小時監(jiān)測到風機齒輪箱發(fā)生故障，預警時間過短導致無法針對即將發(fā)生的故障制定相應的維護計劃。Zaher等[6]在2009年提出類似的方法，即通過觀察神經(jīng)網(wǎng)絡的預測值與實時數(shù)據(jù)之間的誤差和誤差頻率的增加來實現(xiàn)故障預警。該方法能夠提前6個月對齒輪箱軸承故障進行識別，但是因為缺乏定量的判據(jù)來判斷風機組件是否發(fā)生異常，未曾大量運用于風場。Kusiak等[7]在2012年通過改進神經(jīng)網(wǎng)絡模型，選取最優(yōu)性能模型對風機發(fā)電機軸承進行故障預測。實驗結(jié)果表明，該方法能夠提高神經(jīng)網(wǎng)絡精度，但只能實現(xiàn)提前1.5小時對風機發(fā)電機軸承進行故障預測。由于預警時間過短，風場業(yè)主短時間內(nèi)無法制定有效的維護計劃。

針對以上問題，本文著力解決故障預警時間和預警精度的矛盾。在結(jié)合逐步回歸算法和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡預測模型的基礎上，根據(jù)神經(jīng)網(wǎng)絡預測模型與馬氏距離原理，提出基于SCADA數(shù)據(jù)的風機部件故障預警方法。通過某風場2 MW直驅(qū)式的風機進行試驗、分析，驗證所給出的方法在預警時間、精度方面的有效性。

1 風機故障預警框架

如引言所述，本文提出一種基于遺傳算法的優(yōu)化BP神經(jīng)網(wǎng)絡（Genetic Algorithm-Back Propagation，GA-BP）和風機部件參數(shù)概率分布的風電機組部件故障預警方法，其原理如圖1所示，方法分為風電機組部件正常行為建模、故障預警兩個部分。

圖1 基于SCADA數(shù)據(jù)驅(qū)動的風電機組部件故障預警

1.1 風電機組部件正常行為建模

實際觀測中發(fā)現(xiàn)SCADA數(shù)據(jù)中存在異常數(shù)據(jù)，為保證訓練數(shù)據(jù)的一致性與連續(xù)性，對訓練數(shù)據(jù)進行異常數(shù)據(jù)濾除。同時為了避免輸入?yún)?shù)重復使用與數(shù)據(jù)冗余，采用逐步回歸算法獲取神經(jīng)網(wǎng)絡輸入?yún)?shù)，獲取風機部件參數(shù)相關性較大的輸入?yún)?shù)。

SCADA系統(tǒng)由于結(jié)構復雜狀態(tài)參數(shù)眾多，故障特征與故障之間存在極為復雜的非線性關系。GA-BP神經(jīng)網(wǎng)絡具有強大的非線性映射功能，無需單獨建模，能有效運用于風電場故障診斷中?；贕A-BP神經(jīng)網(wǎng)絡，選取相關參數(shù)，建立風電機組部件正常行為模型，正常行為模型結(jié)合基于馬氏距離的數(shù)據(jù)統(tǒng)計方法，形成故障預警判據(jù)，計算了故障分布概率，能適應多重工況。

1.2 故障預警

通過SCADA系統(tǒng)將風電機組部件實時監(jiān)控數(shù)據(jù)輸入模型，得到其輸出，并計算其與正常值的馬氏距離，如果馬氏距離越限，則判定機組故障，從而實現(xiàn)故障預警。

如圖1所示，基于SCADA數(shù)據(jù)對風電機組部件進行故障預警主要分為以下3個步驟：神經(jīng)網(wǎng)絡選擇；數(shù)據(jù)預處理；風機部件故障判據(jù)確定。

1.3 神經(jīng)網(wǎng)絡選擇

風機部件故障診斷問題本質(zhì)上是非線性的，選擇的神經(jīng)網(wǎng)絡應具有并行處理學習記憶和非線性等特點。針對以上特點，選取BP神經(jīng)網(wǎng)絡建立正常模型對風機部件進行故障診斷，結(jié)果表明BP神經(jīng)網(wǎng)絡在風機故障預警中的適用性[7-8]。結(jié)合具有全局尋優(yōu)能力的遺傳算法，優(yōu)化BP神經(jīng)網(wǎng)絡的權重和閾值，設計基于GA-BP神經(jīng)網(wǎng)絡，構建風電機組部件預警方案，有效改善了BP神經(jīng)網(wǎng)絡速度和收斂速度，也可提高故障預警的成功率[8-9]。本文采用遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡。

2 數(shù)據(jù)預處理

2.1 異常數(shù)據(jù)濾除

神經(jīng)網(wǎng)絡預測模型通過訓練階段的數(shù)據(jù)來確定輸入輸出之間的映射，然而SCADA數(shù)據(jù)在正常情況下很難找到一個完整的、正常的訓練數(shù)據(jù)集。通常情況下通過SCADA系統(tǒng)獲取的數(shù)據(jù)是不連續(xù)、不一致的，為了提高神經(jīng)網(wǎng)絡預測模型的準確性，需要對數(shù)據(jù)進行預處理。

選取風機功率數(shù)據(jù)進行數(shù)據(jù)預處理，圖2為某風機功率數(shù)據(jù)圖，通過數(shù)據(jù)的平均值和偏差δ，對數(shù)據(jù)進行異常濾除，受到其他外部因素的影響導致數(shù)據(jù)具有波動性，對其進行指數(shù)滑差處理：

其中表示t時刻的平均值，xt為t時刻的實際測量值，α（0≤α≤1）為平滑系數(shù)。如式（2）所示，通過獲取到的對數(shù)據(jù)進行異常判斷：

式中：k通過統(tǒng)計小概率事件確定，通過設置k和α對數(shù)據(jù)進行異常判斷，當xt滿足公式（2）時，可以判斷當前數(shù)據(jù)為正常值，否則為異常進行濾除。選取k=3和α=0.3對功率數(shù)據(jù)進行處理，濾除結(jié)果如圖2所示。

圖2 風電機組功率數(shù)據(jù)預處理

2.2 神經(jīng)網(wǎng)絡輸入?yún)?shù)選擇

對于風電場的SCADA數(shù)據(jù)，神經(jīng)網(wǎng)絡選取輸入?yún)?shù)，大多通過主觀經(jīng)驗判斷或者參數(shù)之間的相關性來決定。由于風電場SCADA參數(shù)之間存在相關性，使用參數(shù)相關性選取神經(jīng)網(wǎng)絡輸入?yún)?shù)的方法，當選擇輸入?yún)?shù)存在高度相關時，會造成參數(shù)的重復使用和數(shù)據(jù)冗余的問題。而通過主觀經(jīng)驗法選擇神經(jīng)網(wǎng)絡輸入?yún)?shù)，由于影響風機部件的參數(shù)比較多，存在選擇參數(shù)不準確，導致神經(jīng)網(wǎng)絡效率低，選擇參數(shù)過少，精度不夠等問題。

我們采取逐步回歸[10-11]解決這一問題，逐步回歸分析具體步驟如下所示：

第一步：輸入SCADA參數(shù)樣本X(m,n)，有n個參數(shù)x1,x2,x3,…,xn，所有參數(shù)的維度為m。

第二步：故障預警部件參數(shù)設為xn計算所有參數(shù)的平均值、離均差平方和sii、協(xié)方差矩陣S=(sij)n×n'和相關系數(shù)矩陣R=(rij)n×n'。

其中i,j=1,2,3,…,n－1,n。

第三步：判斷可選入?yún)?shù)個數(shù)是否大于2，選入?yún)?shù)數(shù)量當大于2繼續(xù)下一步，否則結(jié)束。

第四步：計算各參數(shù)的方差貢獻，以l（l≥1）步為例，計算偏回歸平方和。

第五步：選入?yún)?shù)的顯著性檢驗。檢驗時，先選定信度a，查表得到Fa，挑選未入選的模型中方差貢獻最大的參數(shù)，計算：

若F1＞Fa，說明該參數(shù)對y作用顯著，應該選入?yún)?shù)，同時對相關系數(shù)矩陣R做變換，否則結(jié)束。

第六步：判斷選入?yún)?shù)的數(shù)量是否大于2，當數(shù)量大于2則繼續(xù)下一步，否則執(zhí)行第四步。

第七步：做剔除參數(shù)的顯著性檢驗。挑選入選模型中方差貢獻最小的變量，計算：

若F2＜Fa，說明該變量對y作用不顯著，應該剔除掉，對相關系數(shù)矩陣R做變換。否則將參數(shù)保留。并執(zhí)行下一步

第八步：判斷為剩余可選入?yún)?shù)數(shù)量是否大于2個，當滿足大于2時，執(zhí)行第四步，否則獲得最優(yōu)參數(shù)子集。

3 風機部件故障判據(jù)

針對上文中提出的傳統(tǒng)風機部件故障預警方法的局限性，本文通過馬氏距離設計風電機組部件故障判據(jù)，馬氏距離方本質(zhì)上是一種統(tǒng)計學方法，避免了傳統(tǒng)上單次幅度閾值判斷方法受偶然因素影響劇烈的缺點。

馬氏距離是一種距離測量單位，表示數(shù)據(jù)協(xié)方差距離大小。馬氏距離能夠排除相關變量之間相關性的干擾，給出多元變量中單變量的距離，常用來識別數(shù)據(jù)集中的異常值。由此本文使用該方法以獲取SCADA數(shù)據(jù)集中的異常值，馬氏距離獲取數(shù)據(jù)異常值計算如式（10）所示：

第i個向量Xi=[Xi1,Xi2,Xi3,…,Xim]，m是向量總數(shù)。u=[u1,u2,u3,…,um]是均值向量。

馬氏距離對于訓練數(shù)據(jù)集的計算如下：

式中：Xrefi=[訓練數(shù)據(jù)，訓練誤差]，用于訓練神經(jīng)網(wǎng)絡的歷史數(shù)據(jù)，訓練數(shù)據(jù)所產(chǎn)生的誤差。

通過獲取到的馬氏距離值利用最小二乘法確定威布爾分布函數(shù)：

在訓練階段獲取到的馬氏距離值符合雙函數(shù)威布爾分布，如圖3所示。通過獲取到的馬氏距離值利用最小二乘法確定威布爾分布函數(shù)：

其中：Xnewi=[預測誤差，測量數(shù)據(jù)]，其中測量數(shù)據(jù)指的是預測時SCADA監(jiān)控到的組件的實時數(shù)據(jù)，預測誤差指的是神經(jīng)網(wǎng)絡的預測值與實時數(shù)據(jù)的誤差。

通過獲取到實時的預測誤差與檢測數(shù)據(jù)，計算得到馬氏距離值MDnewi，通過獲取到的馬氏距離值MDnewi計算f（MDnewi）。當滿足f（MDnewi）＜0.01時，則可以判斷當前數(shù)據(jù)為異常[12]。實現(xiàn)風機部件故障診斷。

圖3 人工神經(jīng)網(wǎng)絡訓練過程MD值的直方圖和韋布爾概率密度函數(shù)

4 仿真及結(jié)果分析

相比于傳統(tǒng)的風電機組需要齒輪箱的多級增速，直驅(qū)式風電機組忽略了增益齒輪箱，結(jié)構較為簡單。但是由于風輪和發(fā)電機的整個重量作用在主軸承上，一旦主軸承發(fā)生故障，若不能及時處理，將導致更為嚴重的風電機組整機故障。本文基于Matlab 2016a平臺對直驅(qū)式風電機組關鍵部件主軸承的故障預警進行上述方法試驗分析。

4.1 神經(jīng)網(wǎng)絡型輸入?yún)?shù)選擇

SCADA系統(tǒng)主要監(jiān)測主軸承運行時的溫度，選取SCADA系統(tǒng)參數(shù)主軸承溫度2（前端）作為因變量，其他參數(shù)為自變量，如圖4所示，使用SPSS軟件進行逐步回歸分析，獲得主軸承溫度2正常模型輸入?yún)?shù)。

圖4 模型輸入輸出參數(shù)

4.2 異常數(shù)據(jù)濾除

根據(jù)第2節(jié)所提到的方法對主軸承溫度2數(shù)據(jù)進行預處理。如圖4所示選取輸入?yún)?shù)為自變量對主軸承溫度2分別進行異常數(shù)據(jù)濾除，同時當主軸承溫度2處于異常時，濾除對應所有輸入?yún)?shù)數(shù)據(jù)。如圖5所示，當主軸承溫度2處于異常狀態(tài)時，濾除對應的輸入?yún)?shù)如風速、輪廓轉(zhuǎn)速、機艙溫度等數(shù)據(jù)。將濾除后的數(shù)據(jù)用于神經(jīng)網(wǎng)絡訓練和測試。

4.3 主軸承故障診斷

本文通過兩臺直驅(qū)式風機主軸承故障診斷仿真試驗，驗證上述故障預警方法的有效性，并與其他傳統(tǒng)風機部件故障預警方法進行比較。

神經(jīng)網(wǎng)絡訓練階段原始SCADA數(shù)據(jù)具有較大的波動性，為了降低波動性，對數(shù)據(jù)進行10 min平均標準化處理。在24 h內(nèi)可獲取144個測量值，進行故障診斷的馬氏距離值根據(jù)經(jīng)驗法應當選取12 h平均，每24 h生成2個馬氏距離值。

圖5 風電機組主軸承溫度2異常數(shù)據(jù)濾除

4.3.1 風機P01主軸承發(fā)生故障

風電場SCADA系統(tǒng)通過簡單設置主軸承溫度閾值的方法來對主軸承溫度進行狀態(tài)監(jiān)測，當主軸承溫度高于設定的閾值時SCADA就會向風場業(yè)主發(fā)出報警。

使用本文方法結(jié)合SCADA數(shù)據(jù)對風機P01在2016年1月到2017年1月進行主軸承故障診斷，結(jié)果如圖6所示。由圖可得SCADA系統(tǒng)第一次發(fā)出警報的時間在5月份，隨著時間的推移，SCADA系統(tǒng)報警的次數(shù)隨之增加，最終業(yè)主進行維護，主軸承故障消失，SCADA系統(tǒng)報警停止。

圖6 P01主軸承故障監(jiān)測結(jié)果

相比于SCADA報警方法，使用本文方法在3月份時馬氏距離值已經(jīng)超出了故障閾值從而得到第一次報警。隨著時間的增加，SCADA系統(tǒng)在5月份開始報警，相比于SCADA系統(tǒng)狀態(tài)監(jiān)測的方法，使用本文方法能夠提前2個月對風機主軸承進行故障報警。

為了避免本文方法由于神經(jīng)網(wǎng)絡輸入?yún)?shù)值異常，導致馬氏距離值超出閾值產(chǎn)生故障報警。如圖7所示，對神經(jīng)網(wǎng)絡輸入?yún)?shù)進行分析，圖7中的最大值和最小值分別對應的是訓練數(shù)據(jù)中的最大值和最小值，可以觀察到在圖7中，輸入正常模型的參數(shù)在訓練神經(jīng)網(wǎng)絡數(shù)據(jù)的范圍內(nèi)，輸入?yún)?shù)值并未產(chǎn)生異常。因此可以判斷使用本文方法檢測到的異常為組件狀態(tài)異常。

圖7 P01主軸承故障監(jiān)測輸入數(shù)據(jù)

在同一時間內(nèi)獲取風機P01神經(jīng)網(wǎng)絡預測誤差值如圖8所示。由圖7、圖9可得當誤差閾值絕對值設定在1.5時，預測誤差并沒有超過該閾值，并未能產(chǎn)生報警。驗證了本文方法優(yōu)于傳統(tǒng)利用預測誤差進行風機部件進行故障預警的方法。

圖8 P01主軸承預測誤差

圖9 P07主軸承故障監(jiān)測結(jié)果

4.3.2 風機P07SCADA系統(tǒng)誤報警

使用本文方法對相同型號風機P07在2016年1月到2017年1月進行主軸承故障診斷，結(jié)果如圖9所示。

由圖9可知，該風機SCADA系統(tǒng)在1月出現(xiàn)第一次報警，隨著時間的增加SCADA系統(tǒng)報警數(shù)量增加。而根據(jù)本文方法，馬氏距離的值全程均未曾超過閾值，可以得到主軸承沒有發(fā)生故障的結(jié)論，與事實相符?？梢娢覀兲岢龅姆椒ǎ€能輔助風場業(yè)主分辨現(xiàn)有SCADA系統(tǒng)報警是否有效，有利于風場業(yè)主制定有效的維護計劃。

5 結(jié)語

對風電機組關鍵部件進行故障預警的關鍵是預警準確、及時。本文以神經(jīng)網(wǎng)絡在風電機組部件故障預警的應用為背景，著力解決故障預警時間和預警精度的矛盾，提出了一種SCADA數(shù)據(jù)驅(qū)動的風電機組部件故障預警方法。

（1）方法結(jié)合逐步回歸算法與指數(shù)滑差算法，給出SCADA數(shù)據(jù)預處理方法，準確找出對風電機組影響較大參數(shù)，并濾除這些參數(shù)的噪聲。

（2）方法通過神經(jīng)網(wǎng)絡預測模型與馬氏距離算法，將傳統(tǒng)故障預警方法改為統(tǒng)計方法，并且這種統(tǒng)計方法計算了故障分布概率，能夠適應運行工況復雜多變情況。

（3）以兩臺2 MW直驅(qū)式風機為對象，對本文方法進行實例驗證。試驗結(jié)果表明：使用該方法能夠提前2個月識別主軸承故障信號，同時該方法能發(fā)現(xiàn)SCADA系統(tǒng)誤報故障。本方案能有效贏得備件和維護計劃優(yōu)化時間，也能剔除SCADA系統(tǒng)誤報降低維護量，有效降低風電場維護成本。

下一步將根據(jù)風機內(nèi)部零部件之間的相關性，針對風機整機研究風電機組整機故障預警方法。

[1]GWEC.Global wind energy outlook 2016 available online[EB/OL].（2016-04-04）[2018-05-08].http：//www.gwec.net.

[2]郭清，夏虹，韓文偉.基于小波熵與BP神經(jīng)網(wǎng)絡的電機故障信號研究[J].儀表技術與傳感器，2014（1）：96-99.

[3]范文，孫冬梅，熊鑫，等.基于信息融合技術的磁軸承轉(zhuǎn)子故障診斷[J].儀表技術與傳感器，2015（12）：136-140.

[4]張偉，鄭恩讓.基于多層前向神經(jīng)網(wǎng)絡的應力傳感器故障診斷[J].儀表技術與傳感器，2001（4）：1-2.

[5]GARCIA M C，SANZ-BOBI M A，DEL PICO J.SIMAP： intelligent system for predictive maintenance： application to the health condition monitoring of a windturbine gearbox[J].Computers in Industry，2006（6）：552-568.

[6]ZAHER A，MCARTHUR S D J，INFIELD D G，et al.Online wind turbine fault detection through automated SCADA data analysis[J].Wind Energy，2009（6）：574-593.

[7]KUSIAK A，VERMA A.Analyzing bearing faults in wind turbines： a data-mining approach[J].Renewable Energy，2012（48）：110-116.

[8]SUN P，LI J，WANG C，et al.A generalized model for wind turbine anomaly identification based on SCADA data[J].Applied Energy，2016（168）：550-567.

[9]郭東杰，王靈梅，郭紅龍，等.改進小波結(jié)合BP網(wǎng)絡的風力發(fā)電機故障診斷[J].電力系統(tǒng)及其自動化學報，2012（2）：53-58.

[10]ZHANG Z Y，WANG K S.Wind turbine fault detection based on SCADA data analysis using ANN[J].Advances in Manu Facturing，2014（1）：70-78.

[11]高興良.基于逐步回歸分析的組合神經(jīng)網(wǎng)絡股指預測研究[D].哈爾濱：哈爾濱工業(yè)大學，2015.

[12]BANGALORE P，LETZGUS S，KARLSSON D，et al.An artificial neural network‐based condition monitoring method for wind turbines，with application to the monitoring of the gearbox[J].Wind Energy，2017（8）：1421-1438.