戴幸澤 竇慧洋

（內(nèi)蒙古工業(yè)大學(xué)信息工程學(xué)院 內(nèi)蒙古自治區(qū)呼和浩特市 010051）

風(fēng)電機(jī)組運行環(huán)境通常較為惡劣，由風(fēng)機(jī)部件頻繁發(fā)生故障造成的停機(jī)發(fā)電損失，以及產(chǎn)生的維護(hù)費用都會對風(fēng)電場的效益產(chǎn)生嚴(yán)重影響[1]。齒輪箱是風(fēng)機(jī)的核心傳動部件，其故障發(fā)生率一直居高不下，必要時需要下塔進(jìn)行周期較長的維修，從而造成經(jīng)濟(jì)損失。為此，及時準(zhǔn)確的發(fā)現(xiàn)隱患，有計劃性的定期維護(hù)，可以有效預(yù)防齒輪箱出現(xiàn)嚴(yán)重故障[2]。

針對齒輪箱故障診斷，可以通過對采集的高頻振動數(shù)據(jù)進(jìn)行分析，文獻(xiàn)[3]和文獻(xiàn)[4]分別提出了一種基于粒子群優(yōu)化和縱橫交叉法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)算法，提取振動信號特征，建立誤差模型，進(jìn)行故障診斷。但由于高頻振動數(shù)據(jù)需要在機(jī)艙內(nèi)安裝大量傳感器，也會出現(xiàn)故障且成本較高，而有效利用風(fēng)機(jī)SCADA 系統(tǒng)采集的多通道數(shù)據(jù)同樣可以對齒輪箱故障進(jìn)行診斷預(yù)警[5,6]。文獻(xiàn)[7]利用隨機(jī)森林算法對SCADA 數(shù)據(jù)的特征進(jìn)行提取。文獻(xiàn)[8]對SCADA 數(shù)據(jù)建立的神經(jīng)網(wǎng)絡(luò)模型，依據(jù)馬氏距離對主軸承進(jìn)行故障預(yù)警。

本文提出了一種基于遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型，可以解決網(wǎng)絡(luò)易陷入局部極小值問題，從而有效的進(jìn)行全局搜索。以齒輪箱軸承溫度為預(yù)測目標(biāo)，利用L1 正則化對SCADA 數(shù)據(jù)進(jìn)行特征選取作為網(wǎng)絡(luò)輸入，建立齒輪箱故障預(yù)警模型。測試表明了該方法的有效性，對齒輪箱故障的更深層次分析提供了一種新的研究方法。

1 基于GA-BP的神經(jīng)網(wǎng)絡(luò)模型

采用誤差反向傳播(BackPropagation,BP)算法的多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層，隱含層和輸出層組成[9]，圖1 為有n 個輸入節(jié)點，m 個隱層節(jié)點，l 個輸出節(jié)點的單隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖1：單隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

式中，η 代表學(xué)習(xí)率，在0-1 范圍取值，wjk為隱含層第j 個節(jié)點到輸出層第k 個節(jié)點的權(quán)值，vij代表輸入層第i 個節(jié)點到隱含層第j個節(jié)點的權(quán)值。通過鏈?zhǔn)角髮?dǎo)法則，可以推算出各權(quán)值的改變量，進(jìn)而優(yōu)化整個網(wǎng)絡(luò)。

由于BP 算法采用梯度下降法搜索最優(yōu)解，從而很容易使得誤差函數(shù)陷入局部極小，網(wǎng)絡(luò)的初始權(quán)值對最終結(jié)果影響較大[10]。

遺傳算法(Genetic Algorithms,GA)是模擬自然界優(yōu)勝劣汰的進(jìn)化過程建立的數(shù)學(xué)模型，依據(jù)遺傳概率在解空間中搜索全局最優(yōu)解，可以用來解決多參數(shù)的最優(yōu)化問題[11]。所以，利用遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練可以進(jìn)一步逼近全局最小。

GA-BP 算法首先需要確立BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，從而確定網(wǎng)絡(luò)權(quán)值和閾值的個數(shù)，并對其進(jìn)行編碼生成初始種群，種群中的任一個體均攜帶了整個網(wǎng)絡(luò)的權(quán)值和閾值信息；其次需要計算種群個體適應(yīng)度，適應(yīng)度函數(shù)F(x)=-E(x)，E(x)為網(wǎng)絡(luò)訓(xùn)練誤差，根據(jù)設(shè)定的選擇、交叉、變異算子，循環(huán)迭代搜索種群最優(yōu)個體；最后利用最優(yōu)個體解碼得到的權(quán)值和閾值對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，預(yù)測樣本輸出。GA-BP 算法流程如圖2所示。

2 齒輪箱故障預(yù)警算法

2.1 模型特征選取及數(shù)據(jù)預(yù)處理

由于完整的SCADA 數(shù)據(jù)特征較多，里面存在著大量的多重共線性特征，且許多屬性與齒輪箱故障分析并不相關(guān)，所以在確定網(wǎng)絡(luò)輸入?yún)?shù)時，需要對SCADA 數(shù)據(jù)特征進(jìn)行選取。

利用L1 正則化可以對數(shù)據(jù)進(jìn)行降維選取主要特征，進(jìn)而有效避免變量特征較多時造成的過擬合現(xiàn)象，提高模型的泛化能力[12]。

圖2：GA-BP 算法流程圖

圖3：遺傳算法進(jìn)化曲線

L1 正則化代價函數(shù)如式（2）所示：

式中hθ(x)為預(yù)測值，y 為真實值，m 為樣本個數(shù)，λ 為正則化系數(shù)，n 為特征數(shù)量。通過增添約束項使得部分特征權(quán)重置0 獲得稀疏解，進(jìn)而降低維度。

針對齒輪箱軸承溫度對SCADA 數(shù)據(jù)進(jìn)行特征選取，表1 為按相關(guān)度排序前10 的主要特征：

特征選取后，為了消除量綱之間的差別，需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，如式（3）所示：

式中，x 為某一特征的樣本數(shù)據(jù)，μ 為均值，σ 為標(biāo)準(zhǔn)差。

2.2 故障預(yù)警算法

風(fēng)電機(jī)組齒輪箱故障預(yù)警算法主要分為三步:

表1：齒輪箱軸承溫度特征選擇

圖4：殘差概率分布

圖5：殘差預(yù)警限值

第一步，根據(jù)特征選擇結(jié)果，利用風(fēng)機(jī)無故障歷史運行數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型；第二步，利用測試數(shù)據(jù)得到風(fēng)機(jī)正常運行下的齒輪箱軸承溫度預(yù)測值，計算與實際值的殘差E 及其均值μ 和標(biāo)準(zhǔn)差σ，設(shè)定預(yù)警限值第三步，對實時SCADA 數(shù)據(jù)進(jìn)行預(yù)測，設(shè)定容錯個數(shù)k=6，當(dāng)連續(xù)k 個運行數(shù)據(jù)預(yù)測得到的殘差超過預(yù)警限值時，對齒輪箱進(jìn)行故障預(yù)警。

3 實例分析

本文選取某風(fēng)場1.5MW 機(jī)組進(jìn)行了測試，其齒輪箱結(jié)構(gòu)為一級平行軸加二級行星輪的傳動形式。訓(xùn)練數(shù)據(jù)集為SCADA 系統(tǒng)2016年12月-2017年1月的10min 運行數(shù)據(jù)，為無故障運行數(shù)據(jù)，以2017年2月的10min 運行數(shù)據(jù)作為測試數(shù)據(jù)，進(jìn)行驗證。

3.1 GA-BP參數(shù)設(shè)置

本文采用單隱層網(wǎng)絡(luò)，輸入層節(jié)點個數(shù)為10，隱層節(jié)點個數(shù)為21，輸出層節(jié)點個數(shù)為1，網(wǎng)絡(luò)隱層激活函數(shù)使用Sigmoid 函數(shù)，輸出層激活函數(shù)使用ReLu 函數(shù)，f(x)=max(0,x)，訓(xùn)練次數(shù)設(shè)為2000，學(xué)習(xí)率為0.11。

設(shè)定種群數(shù)目為10，最大遺傳代數(shù)為500。使用二進(jìn)制編碼方式對網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行編碼，選擇操作使用輪盤賭算子，交叉操作使用兩點交叉，交叉概率pc為0.7，變異操作使用二進(jìn)制染色體的變異算子，變異概率pm為0.01。

3.2 網(wǎng)絡(luò)訓(xùn)練

對GA-BP 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，圖3 為遺傳算法進(jìn)化曲線，可以看出當(dāng)進(jìn)化約300 次后，種群最優(yōu)個體適應(yīng)度函數(shù)值趨于穩(wěn)定。

由于適應(yīng)度函數(shù)為網(wǎng)絡(luò)訓(xùn)練誤差的相反數(shù)，即最優(yōu)個體適應(yīng)度值和訓(xùn)練誤差成反比，對進(jìn)化后的最優(yōu)個體進(jìn)行解碼后，開始訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)，用無故障運行的數(shù)據(jù)計算預(yù)測值與真實值的殘差，其概率分布如圖4所示，計算預(yù)警限值如圖5所示。

用該模型對2017年2月SCADA 數(shù)據(jù)進(jìn)行測試，得到殘差如圖6所示。

可以看出自2月13日起已經(jīng)出現(xiàn)連續(xù)預(yù)警，2月15日出現(xiàn)明顯異常，由此推斷齒輪箱可能發(fā)生故障。對有明顯超過報警限值的2月15日齒輪箱溫度數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)油溫明顯偏高，其風(fēng)速-功率-油溫曲線如圖7所示。

根據(jù)曲線可看出在6:55 以前齒輪箱油溫與風(fēng)速及功率呈正相關(guān)，即將達(dá)到75℃時，機(jī)組出現(xiàn)了一次停機(jī)，油溫迅速下降至69℃。在此期間，齒輪箱油溫和功率隨風(fēng)速變化而變化。11:35 以后風(fēng)速增加，功率達(dá)到滿發(fā)，油溫迅速上升至75.6℃，導(dǎo)致機(jī)組限功率運行在1000kW。20:15 油溫降至74.6℃，機(jī)組限功率解除達(dá)到滿發(fā)，油溫再次迅速上升至75.7℃，機(jī)組繼續(xù)限功率運行，嚴(yán)重影響機(jī)組發(fā)電效率，而且油溫高直接導(dǎo)致齒輪油粘度降低，油膜變薄，致使齒輪箱內(nèi)部齒輪、軸承等部件磨損加重，壽命降低，同時油溫高加速齒輪油的氧化速度，導(dǎo)致齒輪箱油使用壽命降低，形成惡性循環(huán)。經(jīng)檢查，導(dǎo)致油溫過高的原因為齒輪箱配套冷卻器風(fēng)側(cè)流道污染，堵塞嚴(yán)重。過高的油溫導(dǎo)致軸承溫度持續(xù)增加，從而產(chǎn)生SCADA 報警。

根據(jù)測試數(shù)據(jù)殘差可以發(fā)現(xiàn)，在SCADA 自身報警前已經(jīng)多次出現(xiàn)預(yù)測異常點，且在15日當(dāng)天殘差值達(dá)到最大。由此表明，該方法可以有效判斷風(fēng)機(jī)齒輪箱是否發(fā)生故障，且能夠提前預(yù)警，結(jié)合SCADA 自身報警可以有效的對齒輪箱故障進(jìn)行診斷，及時維護(hù)。

4 結(jié)論

由于風(fēng)機(jī)配備的SCADA 系統(tǒng)報警經(jīng)常存在誤報、延報現(xiàn)象。本文采用遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)對風(fēng)機(jī)齒輪箱軸承溫度進(jìn)行預(yù)測，設(shè)定預(yù)警限值，結(jié)合實例驗證表明該方法可以有效判斷機(jī)組齒輪箱是否發(fā)生故障且提前預(yù)警，對風(fēng)電場檢修人員進(jìn)行維護(hù)工作具有一定的指導(dǎo)意義。

圖6：測試數(shù)據(jù)殘差

圖7：風(fēng)速-功率-油溫曲線