何 群， 尹飛飛， 武 鑫， 謝 平， 江國(guó)乾

(燕山大學(xué) 電氣工程學(xué)院，河北 秦皇島 066004)

1 引 言

風(fēng)能是一種清潔、可再生能源，近些年發(fā)展迅猛，裝機(jī)容量持續(xù)增加[1]。風(fēng)電機(jī)組通常分布在沿海、山區(qū)等風(fēng)能豐富但自然條件惡劣的地區(qū)，機(jī)組長(zhǎng)時(shí)間連續(xù)運(yùn)行容易發(fā)生各種故障。統(tǒng)計(jì)發(fā)現(xiàn)[2]，齒輪箱是風(fēng)電機(jī)組主要的故障來(lái)源之一。由于其工作在高轉(zhuǎn)速、高負(fù)載的條件下，長(zhǎng)期運(yùn)行容易發(fā)生軸承磨損、齒輪失效等故障，給風(fēng)電場(chǎng)帶來(lái)巨大的經(jīng)濟(jì)損失。因此，研究可靠有效的齒輪箱故障預(yù)測(cè)方法，對(duì)提高風(fēng)電機(jī)組運(yùn)行可靠性和降低機(jī)組維護(hù)成本具有重要的意義。

齒輪箱是由軸承、齒輪等部件組成，在其運(yùn)行過(guò)程中各種機(jī)械部件具有復(fù)雜的耦合關(guān)系，從而產(chǎn)生的各種狀態(tài)信號(hào)往往呈現(xiàn)出非線(xiàn)性特點(diǎn)并包含有大量噪聲，使得齒輪箱早期故障特征難以提取。為此，國(guó)內(nèi)外相關(guān)學(xué)者提出了多種不同的特征提取的方法，如小波包分析[3]、局部時(shí)頻熵[4]、多層去噪自動(dòng)編碼器[5]等。這些方法需要在機(jī)組上二次安裝振動(dòng)傳感器，成本較高；而數(shù)據(jù)采集與監(jiān)視控制(supervisory control and data acquisition, SCADA)系統(tǒng)是集成在風(fēng)電機(jī)組中，無(wú)需安裝額外的監(jiān)控系統(tǒng)，可以大大節(jié)約成本。因此，基于SCADA運(yùn)行數(shù)據(jù)的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)已成為近年來(lái)風(fēng)電領(lǐng)域的研究熱點(diǎn)[6～8]。如文獻(xiàn)[7]利用人工神經(jīng)網(wǎng)絡(luò)方法對(duì)SCADA數(shù)據(jù)進(jìn)行建模實(shí)現(xiàn)了齒輪箱軸承早期故障的檢測(cè)；文獻(xiàn)[8]基于SCADA數(shù)據(jù)建立貝葉斯數(shù)據(jù)驅(qū)動(dòng)模型，用于風(fēng)電機(jī)健康狀態(tài)的監(jiān)測(cè)與評(píng)估;文獻(xiàn)[9]將主成分分析與極限學(xué)習(xí)機(jī)結(jié)合,建立了風(fēng)電主軸承的溫度監(jiān)測(cè)模型，實(shí)現(xiàn)了主軸承溫度過(guò)高故障的提前預(yù)測(cè)。上述方法在風(fēng)電機(jī)組關(guān)鍵部件的狀態(tài)監(jiān)測(cè)問(wèn)題上取得了較好的應(yīng)用成果，然而這些方法本質(zhì)上仍屬于淺層學(xué)習(xí)模型，對(duì)復(fù)雜的狀態(tài)監(jiān)測(cè)數(shù)據(jù)建模能力有限，不能很好地挖掘數(shù)據(jù)的內(nèi)在結(jié)構(gòu)信息和關(guān)聯(lián)性，其建模精度也有待進(jìn)一步提高。

深度學(xué)習(xí)[10]方法作為一種新興的機(jī)器學(xué)習(xí)方法，由于其強(qiáng)大的特征學(xué)習(xí)和非線(xiàn)性系統(tǒng)建模的能力，已經(jīng)廣泛應(yīng)用于圖像處理、語(yǔ)音識(shí)別和腦機(jī)接口[11]等領(lǐng)域并取得了突破性成果。近年來(lái)，該方法也逐漸被應(yīng)用于風(fēng)電系統(tǒng)的健康監(jiān)測(cè)與故障檢測(cè)。如文獻(xiàn)[12,13]分別提出深度信念網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)方法，對(duì)風(fēng)電機(jī)組SCADA數(shù)據(jù)進(jìn)行健康行為建模，通過(guò)模型預(yù)測(cè)值與真實(shí)值之間的殘差作為狀態(tài)檢測(cè)量，實(shí)現(xiàn)了對(duì)主軸承和齒輪箱的故障預(yù)測(cè)。

然而，SCADA數(shù)據(jù)本質(zhì)上是由多個(gè)傳感器采集的多維時(shí)間序列。由于不同子系統(tǒng)或子部件間的關(guān)聯(lián)耦合和相互交叉作用，使得數(shù)據(jù)之間存在空間關(guān)聯(lián)性；并且，時(shí)序數(shù)據(jù)當(dāng)前時(shí)刻信息與歷史時(shí)刻信息有密切的時(shí)序關(guān)聯(lián)性[14，15]。已有方法均沒(méi)有很好地考慮SCADA多變量數(shù)據(jù)內(nèi)在的時(shí)空關(guān)聯(lián)性。為了解決這一問(wèn)題，本文提出了基于長(zhǎng)短期記憶(long short-term memory，LSTM)網(wǎng)絡(luò)[16]的齒輪箱故障預(yù)測(cè)方法?？紤]到當(dāng)齒輪箱出現(xiàn)齒輪磨損、齒蝕或疲勞引起的點(diǎn)蝕等各種故障時(shí)，均會(huì)引起齒輪箱油溫升高[17，18]，因此選取油溫作為目標(biāo)預(yù)測(cè)變量；充分考慮其與其它相關(guān)傳感器數(shù)據(jù)之間在時(shí)空維度上的重要關(guān)聯(lián)信息，建立齒輪箱正常運(yùn)行時(shí)的油溫監(jiān)測(cè)模型；進(jìn)一步在正常運(yùn)行模型重構(gòu)殘差的基礎(chǔ)上采用指數(shù)加權(quán)移動(dòng)平均值(exponentially weighted moving-average,EWMA)設(shè)定閾值控制線(xiàn)，用于齒輪箱油溫狀態(tài)的故障預(yù)測(cè);最后通過(guò)實(shí)例分析驗(yàn)證了所提方法的有效性。

2 風(fēng)電機(jī)組SCADA監(jiān)測(cè)數(shù)據(jù)描述

本文所使用的風(fēng)電機(jī)組SCADA監(jiān)測(cè)數(shù)據(jù)來(lái)自?xún)?nèi)蒙古某風(fēng)電場(chǎng)，所安裝的風(fēng)電機(jī)組是額定功率為1.5 MW的變速恒頻發(fā)電機(jī)組，其SCADA系統(tǒng)的采樣間隔為30 s，機(jī)組監(jiān)測(cè)數(shù)據(jù)包括111個(gè)維度，記錄內(nèi)容包括機(jī)組運(yùn)行狀態(tài)、外界環(huán)境狀態(tài)、運(yùn)行時(shí)間等離散信息。其中記錄風(fēng)電機(jī)組運(yùn)行狀態(tài)的有47維數(shù)據(jù)，內(nèi)容包括風(fēng)電機(jī)組整體的發(fā)電量、功率、電流、電壓等信息和機(jī)組各個(gè)部分的信息，如齒輪箱、軸承和輪轂等；記錄外界環(huán)境狀態(tài)的有10維數(shù)據(jù)，分別記錄環(huán)境的風(fēng)速、風(fēng)向和溫度等信息；運(yùn)行時(shí)間記錄每次SCADA系統(tǒng)采集數(shù)據(jù)的具體時(shí)間。

雖然編碼器記錄了監(jiān)測(cè)量的安全閾值，但是由于安全閾值是靜態(tài)的并且過(guò)于寬泛，當(dāng)發(fā)出報(bào)警時(shí)風(fēng)電機(jī)組故障已經(jīng)非常嚴(yán)重，無(wú)法起到預(yù)防以減少維修時(shí)間和保證發(fā)電量的效果。為此，針對(duì)SCADA數(shù)據(jù)的多維時(shí)空相關(guān)特點(diǎn)，充分考慮不同傳感器數(shù)據(jù)空間維度之間和時(shí)間維度上的相互耦合關(guān)系，建立反映齒輪箱動(dòng)態(tài)特性的故障預(yù)測(cè)模型，實(shí)現(xiàn)故障的早期檢測(cè)及預(yù)測(cè)。

3 LSTM網(wǎng)絡(luò)原理

LSTM網(wǎng)絡(luò)模型[15]是傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)的變形。該網(wǎng)絡(luò)每個(gè)記憶單元(cell)引入了輸入門(mén)、輸出門(mén)和遺忘門(mén)3個(gè)門(mén)控開(kāi)關(guān)，其結(jié)構(gòu)見(jiàn)圖1。

圖1 LSTM結(jié)構(gòu)示意圖Fig.1 A typical structure of LSTM

如圖1所示，每個(gè)LSTM記憶單元有4個(gè)輸入分別為z、zi、zf和zo。3個(gè)門(mén)控開(kāi)關(guān)使用的是Sigmoid函數(shù)，輸出結(jié)果是0～1之間的實(shí)數(shù)。式 (1)～式(6)是LSTM單元的原理推導(dǎo)。

輸入門(mén)計(jì)算為：

it=σ(wi·[ht-1,xt]+bi)

(1)

式中：it表示輸入門(mén)輸出結(jié)果；σ(·)為Sigmoid函數(shù)；wi和bi分別為輸入門(mén)對(duì)應(yīng)的權(quán)重系數(shù)和偏置項(xiàng)；ht-1為前一時(shí)刻的輸出；xt為當(dāng)前時(shí)刻的輸入。輸入門(mén)決定了輸入信息被保留的程度，輸出為0時(shí)表示完全丟棄，輸出為1時(shí)被完全保留。遺忘門(mén)計(jì)算為：

ft=σ(wf·[ht-1,xt]+bf)

(2)

式中：ft為遺忘門(mén)輸出結(jié)果；wf和bf分別為遺忘門(mén)對(duì)應(yīng)的權(quán)重系數(shù)和偏置項(xiàng)。遺忘門(mén)決定了前一時(shí)刻的記憶是否被保留，當(dāng)輸出為0時(shí)前一時(shí)刻記憶被清除，輸出為1時(shí)，前一時(shí)刻記憶都被保留。當(dāng)前輸入為：

(3)

(4)

式中：Ct為當(dāng)前輸入的信息和經(jīng)過(guò)遺忘門(mén)作用的上一時(shí)刻cell中的信息相加后，cell最終獲得的結(jié)果；Ct-1為前一時(shí)刻cell的狀態(tài)。輸出門(mén)計(jì)算為：

ot=σ(wo·[ht-1,xt]+bo)

(5)

式中：ot為輸出門(mén)輸出結(jié)果;wo和bo分別為輸出門(mén)對(duì)應(yīng)的權(quán)重系數(shù)和偏置項(xiàng)。輸出門(mén)決定了cell中的信息輸出程度，結(jié)果為0時(shí)表示完全不輸出，輸出為1時(shí)cell的信息被全部輸出。LSTM記憶單元的最終輸出為：

ht=ot·tanh(Ct)

(6)

LSTM網(wǎng)絡(luò)不僅根據(jù)當(dāng)前的輸入調(diào)整權(quán)重，還根據(jù)之前的輸入調(diào)整權(quán)重，并且通過(guò)引入遺忘門(mén)解決了傳統(tǒng)RNN模型梯度消失的問(wèn)題，是目前實(shí)際應(yīng)用中最高效的時(shí)間序列模型[19,20]。由于SCADA系統(tǒng)是由大量傳感器每隔一定時(shí)間采集的數(shù)據(jù)，每個(gè)傳感器采集的數(shù)據(jù)在本質(zhì)上是一維時(shí)間序列，因此當(dāng)前信息變化與之前信息有著緊密的時(shí)間依賴(lài)性。為此，LSTM網(wǎng)絡(luò)非常適合于具有動(dòng)態(tài)時(shí)空相關(guān)性特點(diǎn)的多變量SCADA數(shù)據(jù)建模，以期建立更為可靠精確的預(yù)測(cè)模型。

4 基于LSTM網(wǎng)絡(luò)的齒輪箱故障預(yù)測(cè)

圖2為所提出的風(fēng)電齒輪箱故障預(yù)測(cè)方法流程圖，該方法主要包括齒輪箱油溫模型離線(xiàn)訓(xùn)練和在線(xiàn)監(jiān)測(cè)兩部分。其中，離線(xiàn)訓(xùn)練部分使用大量正常運(yùn)行的數(shù)據(jù)訓(xùn)練出健康模型；在線(xiàn)監(jiān)測(cè)部分實(shí)時(shí)預(yù)測(cè)油溫并通過(guò)EWMA控制圖加權(quán)計(jì)算其殘差，若超出閾值，則對(duì)故障發(fā)出故障預(yù)警。

圖2 風(fēng)電齒輪箱故障預(yù)測(cè)流程圖Fig.2 Flowchart of wind turbine gearbox fault prediction

4.1 模型構(gòu)建

以齒輪油溫T為目標(biāo)建模變量，建立風(fēng)電齒輪箱的健康狀態(tài)LSTM網(wǎng)絡(luò)模型。首先應(yīng)確定輸入特征，由于SCADA數(shù)據(jù)維數(shù)較多，為減少訓(xùn)練時(shí)間和無(wú)關(guān)變量的影響，根據(jù)文獻(xiàn)[7,13]建議，選取7個(gè)變量：齒輪箱前軸承溫度T1、齒輪油入口溫度T2、齒輪箱后軸承溫度T3、環(huán)境溫度T4、機(jī)艙溫度T5、發(fā)電機(jī)轉(zhuǎn)速S1和齒輪箱轉(zhuǎn)速S2，則模型的輸入X表示為：

X=[T1，T2，T3，T4，T5，S1，S2]

(7)

圖3 LSTM網(wǎng)絡(luò)模型Fig.3 LSTM network model

確定好模型的層數(shù)和每層的記憶單元后，采用基于時(shí)間的反向傳播算法來(lái)學(xué)習(xí)模型的各個(gè)權(quán)重和偏置。模型的激活函數(shù)采用式(8)的雙曲正切函數(shù)，訓(xùn)練時(shí)采用式(9)所示的損失函數(shù)。

(8)

L(T,f(X))=(T-f(X))2

(9)

4.2 閾值設(shè)定

使用已經(jīng)訓(xùn)練好的LSTM網(wǎng)絡(luò)模型對(duì)齒輪箱的溫度進(jìn)行預(yù)測(cè)，并計(jì)算出預(yù)測(cè)溫度與真實(shí)溫度之間的重構(gòu)誤差(reconstruction error,ER)：

(10)

當(dāng)齒輪箱在健康狀態(tài)時(shí)，ER在一定范圍內(nèi)變化，當(dāng)健康狀變化時(shí)，ER也隨之增大，實(shí)時(shí)監(jiān)測(cè)ER的大小對(duì)于防止即將發(fā)生的齒輪箱故障有重要意義。注意到在齒輪箱健康狀態(tài)下預(yù)測(cè)誤差也存在較小的波動(dòng)性，所以EWMA設(shè)定閾值控制線(xiàn)。該方法有效地消除了噪聲并且對(duì)均值小漂移敏感。根據(jù)健康狀態(tài)下的誤差，計(jì)算出齒輪箱油溫的閾值，如果預(yù)測(cè)誤差超過(guò)閾值，在線(xiàn)監(jiān)測(cè)系統(tǒng)將會(huì)發(fā)出故障報(bào)警。

EWMA統(tǒng)計(jì)量st為：

st=ψERt+(1-ψ)st-1

(11)

式中：t表示時(shí)間；s0為風(fēng)電機(jī)組某一段健康狀態(tài)下ER的均值；ψ為歷史ER對(duì)當(dāng)前EWMA的統(tǒng)計(jì)權(quán)重，ψ∈(0,1]，基于實(shí)驗(yàn)分析該過(guò)程中取ψ為0.2。μst為風(fēng)電場(chǎng)中同種類(lèi)型風(fēng)電機(jī)組齒輪箱ER的均值:

μst=μER

(12)

st的方差為：

(13)

式中：σER為ER的標(biāo)準(zhǔn)差；nm為采樣長(zhǎng)度。

根據(jù)式(12)、式(13),得出齒輪箱的閾值函數(shù)為：

LU(t)=μst+Lσst

(14)

式中：L通常取3。得到的閾值[21]作為故障警告界限。

5 數(shù)據(jù)預(yù)處理與參數(shù)選擇

5.1 數(shù)據(jù)預(yù)處理

為了更真實(shí)地反映各個(gè)變量隨時(shí)間的變化關(guān)系，消除因各種環(huán)境變化的隨機(jī)因素干擾，使用圖4所示的滑動(dòng)平均窗口的方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。考慮數(shù)據(jù)量大小和更好地包含時(shí)間維度信息，選取的時(shí)間窗大小N為60，步長(zhǎng)為1。

圖4 滑動(dòng)平均窗口示意圖Fig.4 Schematic of sliding window

5.2 模型參數(shù)選擇

5.2.1 LSTM記憶單元個(gè)數(shù)選擇

為了研究記憶單元個(gè)數(shù)對(duì)預(yù)測(cè)精度的影響，使用單個(gè)隱藏層作為訓(xùn)練模型，采用記憶單元逐漸遞增的方式對(duì)溫度進(jìn)行預(yù)測(cè)，記錄不同記憶單元個(gè)數(shù)的平均絕對(duì)誤差(MAPE)和損失(loss)值，見(jiàn)表1。

表1 不同記憶單元個(gè)數(shù)的MAPE和loss值比較Tab.1 Comparison of MAPE and loss values for different number of memory units

由表1可知，在記憶單元個(gè)數(shù)為128時(shí)，預(yù)測(cè)精度達(dá)到最高，因此,本文網(wǎng)絡(luò)模型第1個(gè)隱藏層記憶單元的個(gè)數(shù)選擇為128。

5.2.2 網(wǎng)絡(luò)隱藏層數(shù)選擇

進(jìn)一步討論網(wǎng)絡(luò)深度對(duì)模型預(yù)測(cè)性能的影響，選擇網(wǎng)絡(luò)隱含層數(shù)。此模型第一個(gè)隱藏層記憶單元個(gè)數(shù)與上節(jié)一致，采用逐層遞減的方式進(jìn)行模型構(gòu)造并對(duì)預(yù)測(cè)精度進(jìn)行測(cè)試，結(jié)果見(jiàn)表2。

表2 不同層數(shù)的MAPE和loss值比較Tab.2 Comparison of MAPE and loss values for different hidden layers

由表2可知，當(dāng)模型層數(shù)為3時(shí)，預(yù)測(cè)精度達(dá)到最高。因此，此網(wǎng)絡(luò)模型采用3個(gè)隱藏層，每個(gè)隱藏層的記憶單元個(gè)數(shù)分別為128,64,32。

5.2.3 訓(xùn)練次數(shù)選擇

對(duì)模型進(jìn)行訓(xùn)練時(shí)，如果訓(xùn)練次數(shù)不足，模型就不能達(dá)到最佳的收斂狀態(tài)；反之訓(xùn)練次數(shù)過(guò)多，預(yù)測(cè)精度將不會(huì)再提升，并且耗費(fèi)時(shí)間。為了選擇最佳的訓(xùn)練次數(shù)，在每層記憶單元的個(gè)數(shù)和網(wǎng)絡(luò)模型層數(shù)確定的基礎(chǔ)上，逐漸增大訓(xùn)練次數(shù)，得到的結(jié)果見(jiàn)圖5所示。

圖5 loss值隨訓(xùn)練次數(shù)變化曲線(xiàn)Fig.5 Loss value changes with training times

由圖5可得出，訓(xùn)練集的損失曲線(xiàn)在0～10次迅速下降，10次后下降緩慢；測(cè)試集的損失曲線(xiàn)雖然有小的波動(dòng)，但一直呈下降趨勢(shì)。考慮到訓(xùn)練耗時(shí)問(wèn)題，選擇訓(xùn)練次數(shù)為30次。

6 實(shí)例分析

6.1 數(shù)據(jù)說(shuō)明

選取內(nèi)蒙古某風(fēng)電場(chǎng)機(jī)組SCADA數(shù)據(jù)，選取2014年5月14日～2014年5月30日50號(hào)機(jī)組健康狀態(tài)37 000個(gè)數(shù)據(jù)，其中前32 000作為訓(xùn)練數(shù)據(jù)集，后5 000個(gè)作為測(cè)試數(shù)據(jù)集。因?yàn)橥伙L(fēng)電機(jī)沒(méi)有齒輪箱故障，選取2014年7月22日～2014年7月24日同一線(xiàn)路的49號(hào)機(jī)組的5 000個(gè)數(shù)據(jù)作為故障驗(yàn)證數(shù)據(jù)集，所有數(shù)據(jù)的采樣間隔為30 s。

6.2 正常狀態(tài)下的齒輪箱模型測(cè)試

按照上述方法選擇合適的參數(shù)構(gòu)建LSTM網(wǎng)絡(luò)模型，對(duì)齒輪箱油溫進(jìn)行預(yù)測(cè)。為了驗(yàn)證此方法的優(yōu)勢(shì)，與神經(jīng)網(wǎng)絡(luò)(BP)、SVM、隨機(jī)森林(random forest,RF)、嶺回歸(ridge regression,RR)4種方法[22]進(jìn)行比較。所有方法均采用相同的預(yù)處理，并在相同的數(shù)據(jù)集上進(jìn)行模型訓(xùn)練、測(cè)試和驗(yàn)證。圖6給出了在正常狀態(tài)下，齒輪箱模型測(cè)試時(shí)幾種不同方法的預(yù)測(cè)曲線(xiàn)。計(jì)算每一種方法的MAPE和標(biāo)準(zhǔn)差(SDAPE)個(gè)指標(biāo)，結(jié)果見(jiàn)表3所示。

圖6 5種模型溫度預(yù)測(cè)曲線(xiàn)Fig.6 Five model temperature prediction curves

表3 5種模型的MAPE和SDAPE比較Tab.3 Comparison of five considered models in terms of MAPE and SDAPE

由圖6可以看出：LSTM網(wǎng)絡(luò)模型在健康狀態(tài)下對(duì)齒輪箱油溫?cái)M合的更好；由表3可知：相比于其它4種模型，LSTM模型得到的MAPE和SDAPE誤差指標(biāo)最小，分別為0.52和0.57，這同樣說(shuō)明LSTM方法具有較強(qiáng)的油溫建模擬合能力，更適合作為齒輪箱油溫的預(yù)測(cè)模型。

6.3 故障狀態(tài)下齒輪箱模型測(cè)試

使用5種模型在驗(yàn)證數(shù)據(jù)集上進(jìn)行模型故障測(cè)試，驗(yàn)證數(shù)據(jù)集有5 000個(gè)數(shù)據(jù)，根據(jù)SCADA數(shù)據(jù)的狀態(tài)碼顯示，風(fēng)電機(jī)齒輪箱在4 421個(gè)點(diǎn)時(shí)發(fā)生油溫過(guò)高故障。使用LSTM網(wǎng)絡(luò)模型對(duì)驗(yàn)證集油溫預(yù)測(cè)的曲線(xiàn)如圖7所示，與之相對(duì)應(yīng)的EWMA閾值控制圖如圖8所示。

圖7 基于LSTM網(wǎng)絡(luò)模型的油溫預(yù)測(cè)曲線(xiàn)Fig.7 Oil temperature prediction curve based on LSTM network

根據(jù)圖7和圖8可得：LSTM模型在未發(fā)生故障時(shí)真實(shí)值和預(yù)測(cè)值之間的殘差很小，對(duì)齒輪箱油溫有很好的擬合能力；當(dāng)發(fā)生故障時(shí)殘差迅速變大，在第3 594個(gè)點(diǎn)時(shí)達(dá)到式(14)計(jì)算所得閾值并持續(xù)上升;與狀態(tài)碼記錄的數(shù)據(jù)點(diǎn)相比提前了821個(gè)點(diǎn)，根據(jù)30 s記錄1次數(shù)據(jù)計(jì)算，此模型提前了6.84 h預(yù)測(cè)出齒輪箱故障。

圖8 故障狀態(tài)齒輪箱EWMA閾值控制圖Fig.8 The EWMA chart of gearbox under fault condition

分別使用5種模型對(duì)故障數(shù)據(jù)進(jìn)行預(yù)測(cè)，把計(jì)算所得閾值、預(yù)測(cè)故障的數(shù)據(jù)點(diǎn)個(gè)數(shù)和預(yù)測(cè)時(shí)間分別記錄在表4中。

表4 不同模型閾值與故障預(yù)測(cè)時(shí)間比較Tab.4 Comparison of different models in terms of detection thresholds and failure prediction time

由表4和表3中的數(shù)據(jù)可得：模型的預(yù)測(cè)精度越高，所得故障閾值越小，預(yù)測(cè)時(shí)間就越早；相比于其它4種模型，LSTM模型閾值最小，能最先預(yù)測(cè)出齒輪箱故障，有利于更早地采取措施，避免更嚴(yán)重的故障發(fā)生。

7 結(jié) 論

針對(duì)風(fēng)電機(jī)組SCADA運(yùn)行數(shù)據(jù)的多變量時(shí)空相關(guān)性特點(diǎn)，提出了基于LSTM網(wǎng)絡(luò)的風(fēng)電齒輪箱故障預(yù)測(cè)方法，旨在深層挖掘SCADA數(shù)據(jù)在時(shí)空維度的特征信息，為風(fēng)電機(jī)組故障預(yù)測(cè)提供一種新思路。首先，建立健康狀況下的LSTM網(wǎng)絡(luò)模型，進(jìn)行齒輪箱油溫的預(yù)測(cè)；然后根據(jù)故障狀態(tài)下，齒輪箱內(nèi)部各種關(guān)系被破壞，其預(yù)測(cè)值與真實(shí)值之間的殘差增大，從而對(duì)故障進(jìn)行預(yù)測(cè)。該模型與SVM、RR、RF和BP等4種模型在MAPE和SDAPE兩種誤差指標(biāo)上進(jìn)行對(duì)比，結(jié)果顯示所提出的LSTM故障預(yù)測(cè)模型對(duì)真實(shí)油溫?cái)?shù)據(jù)有更好的擬合能力，可以構(gòu)建更為精確的重構(gòu)模型。風(fēng)電機(jī)組內(nèi)部結(jié)構(gòu)復(fù)雜，SCADA數(shù)據(jù)維數(shù)較多，在后續(xù)的研究中，應(yīng)更加注重各種變量之間的耦合關(guān)系，選擇合適的特征，對(duì)各種故障進(jìn)行早期的識(shí)別和預(yù)測(cè)。