鄧子豪， 李錄平， 劉 瑞， 楊 波， 陳 茜， 李重桂

(1.長沙理工大學 能源與動力工程學院，長沙 410014；2.廣州特種承壓設(shè)備檢測研究院，廣州 510000)

風力發(fā)電機組(下文簡稱風電機組)偏航系統(tǒng)承受多重載荷，具有故障頻率高的特點，其產(chǎn)生的故障(即出現(xiàn)偏航類缺陷)具有難以排除與修復、更換難度大和費用高等特點。孫鶴旭等[1]的研究統(tǒng)計表明，風電機組偏航系統(tǒng)故障率可達6.7%，因該系統(tǒng)故障而導致的風電機組停機比例占總停機的13.3%，故障時間占比過高嚴重影響了風電機組運行的安全可靠性。某風電場運行數(shù)據(jù)表明，偏航系統(tǒng)在年平均發(fā)生故障統(tǒng)計次數(shù)與單位容量年損失電量的2項數(shù)據(jù)統(tǒng)計中都位列前三[2]。

通過現(xiàn)場調(diào)研發(fā)現(xiàn)湖南某風電場2019年第一季度的故障構(gòu)成中，有接近48%是偏航故障，更換了偏航電機8臺，偏航齒輪箱3臺，而偏航齒輪箱的更換意味著極其昂貴的維修費用，且會造成長時間停機，因此準確診斷偏航系統(tǒng)故障就顯得刻不容緩。

現(xiàn)有大型風電機組均配有數(shù)據(jù)采集與監(jiān)視控制(Supervisory Control And Data Acquisition，SCADA)系統(tǒng)，可以完成數(shù)據(jù)記錄與儲存、簡單的閾值報警，但這種報警模式往往是風電機組發(fā)生較大故障時采取的不得已的措施，由于運行環(huán)境惡劣、不同部件相互之間的故障聯(lián)系較為緊密以及工況切換頻繁等情況，即使大型風電機組均裝有SCADA系統(tǒng)，但該系統(tǒng)配備的警報系統(tǒng)會在相當短的時間內(nèi)產(chǎn)生大量的警報信號(5 min內(nèi)報警信息可達50多條)[3],難以準確地進行判斷。由于偏航系統(tǒng)在風電機組中的重要位置及功能，對偏航系統(tǒng)的故障診斷提出了較高要求，需要針對偏航故障的診斷系統(tǒng)及時有效地診斷出偏航故障[4]，而現(xiàn)有大部分SCADA系統(tǒng)只能進行電力生產(chǎn)過程的實時監(jiān)測與存儲，無法有效地預測風電機組的故障類型，這就造成了SCADA海量數(shù)據(jù)資源的極大浪費。為更好地利用好SCADA數(shù)據(jù)，筆者針對SCADA大數(shù)據(jù)環(huán)境進行數(shù)據(jù)挖掘與建模，以期對偏航系統(tǒng)故障進行有效預測與診斷。

1 偏航系統(tǒng)故障類型與機理

1.1 偏航系統(tǒng)基本組成

國內(nèi)的大型風電機組主要采用主動偏航驅(qū)動的形式，其中以偏航電機為主進行驅(qū)動，偏航系統(tǒng)的結(jié)構(gòu)如圖1所示[5]。該系統(tǒng)主要由與機艙相連的偏航軸承模塊,驅(qū)使機艙轉(zhuǎn)向正對風向的偏航驅(qū)動模塊(包括偏航電機與偏航齒輪箱)，防止不偏航狀態(tài)下機艙擺動的偏航制動器模塊(也稱偏航剎車器)，還有防止偏航扭纜故障發(fā)生的保護模塊等組成。

圖1 偏航系統(tǒng)結(jié)構(gòu)

偏航系統(tǒng)通常在旋轉(zhuǎn)工況運行，即需要不斷地轉(zhuǎn)動機艙進行對風，偏航電機輸出轉(zhuǎn)速與力矩經(jīng)偏航齒輪箱傳動至偏航齒圈，進一步驅(qū)動偏航大齒圈(即與軸承為一體的齒圈)，使機艙完成偏轉(zhuǎn)，完成偏航。

1.2 偏航系統(tǒng)故障類型及機理

根據(jù)上節(jié)偏航系統(tǒng)的構(gòu)成可知，按部件功能進行故障劃分主要有風向傳感器故障、偏航驅(qū)動故障和偏航制動故障三大類，但為了更清晰地了解偏航系統(tǒng)故障類型，又可將驅(qū)動故障和制動故障細分為機械類和液壓類，詳細分類見圖2。

圖2 偏航系統(tǒng)主要故障及原因

根據(jù)風電場運行情況可知，偏航系統(tǒng)部件中偏航齒輪箱結(jié)構(gòu)最復雜，也是故障率最高和維修難度最大的部件之一。通過整理風電場整年的運維工作票和故障報告發(fā)現(xiàn)，偏航齒輪箱故障主要分為磨損和斷齒2類。

筆者研究的偏航齒輪箱為三級行星齒輪箱，該部件主要由與偏航電機相連的聯(lián)軸、行星齒輪架、太陽輪和行星輪組成，工作時偏航電機通過聯(lián)軸驅(qū)動太陽輪，進而驅(qū)動行星輪，各級傳動輸出轉(zhuǎn)矩。

1.2.1 偏航齒輪箱磨損故障

在機組日常運行中，偏航打齒現(xiàn)象經(jīng)常出現(xiàn)，主要是由于風的隨機性和偏航齒輪箱輸出小齒與偏航大齒圈存在嚙合間隙，只要潤滑脂潤滑充分，其損傷均在可控范圍內(nèi)。該類故障主要表現(xiàn)為偏航齒輪箱輸出小齒因與偏航大齒圈輪齒相互嚙合，表面發(fā)生磨損、小齒輪與大齒圈齒尖變鈍(倒圓角現(xiàn)象)以及齒尖或輪齒齒面有溝槽、點蝕或剝落現(xiàn)象[6]。處理方式為打磨磨損的輪齒，重新調(diào)整潤滑狀況。

1.2.2 偏航齒輪箱斷齒故障

此類故障一般出現(xiàn)在運行三年以上的風電機組，主要表現(xiàn)為：偏航齒輪箱內(nèi)偏航小齒輪單齒或多齒斷裂和行星架斷裂，斷裂形式為疲勞斷裂或瞬間脆性斷裂。偏航啟動時偏航電機空轉(zhuǎn)，致使機艙偏航無法正常進行，視斷齒程度而定，輕則無法達到偏航預期目標位置，重則導致偏航電機振動異常，造成偏航大齒圈損壞等一系列連鎖反應和昂貴的大部件更換費用，甚至影響機組安全運行。主要原因為運行時長和環(huán)境因素造成疲勞狀態(tài)以及偏航電機之間不對稱驅(qū)動造成沖擊載荷。處理辦法只能是停機，盡快更換偏航齒輪箱，防止情況惡化。

2 偏航系統(tǒng)故障診斷建模方法

2.1 故障診斷策略

筆者提出一種基于SCADA數(shù)據(jù)特征提取的偏航系統(tǒng)故障診斷方法。首先進行SCADA系統(tǒng)中已有參數(shù)的篩選，再進行數(shù)據(jù)預處理(包括數(shù)據(jù)的粗清洗)，最后對已選特征參數(shù)進行故障特征提取和歸一化處理，得到用于神經(jīng)網(wǎng)絡診斷模型尋找參數(shù)間關(guān)系的訓練樣本集以及用于驗證模型準確度的測試樣本集。

該模型分為兩大流程：(1)建模流程。首先訓練出能很好地找出參數(shù)間關(guān)系的模型，再用樣本集去測試模型精度。(2)實施流程。將實時數(shù)據(jù)導入訓練好的模型，得到預測結(jié)果，這步與另一個流程相比無需測試結(jié)果。該診斷方法的技術(shù)路線見圖3。

圖3 故障診斷流程圖

2.2 預處理方法

2.2.1 核密度-均值法

由于SCADA系統(tǒng)記錄的參數(shù)多種多樣，變化范圍不同，量綱差異也較大，需要建立SCADA數(shù)據(jù)中提取規(guī)范的特征指標，作為前述“故障診斷模型”的輸入數(shù)據(jù)?，F(xiàn)有大型風力發(fā)電機組受外界環(huán)境和內(nèi)部機械運行不穩(wěn)定等隨機因素的影響，導致SCADA數(shù)據(jù)采樣值分布較廣，難以直接發(fā)現(xiàn)表征偏航系統(tǒng)具體狀態(tài)的相關(guān)標簽參數(shù)，無法對其進行定性分析，因此有必要對采集到的數(shù)據(jù)進行預處理。

目前，風電領(lǐng)域常用的數(shù)據(jù)預處理方法主要有平均數(shù)法、最小二乘法和核密度-均值法[7]。據(jù)相關(guān)研究表明，核密度-均值法充分考慮了數(shù)據(jù)非對稱性分布對處理結(jié)果的影響，具有良好的采樣頻率穩(wěn)健性，能夠更好地進行物理特性評價，也能較好地處理故障數(shù)據(jù)[8]，故本文選用的數(shù)據(jù)預處理方法為核密度-均值法[9]。由于SCADA數(shù)據(jù)之間的關(guān)系錯綜復雜，且包含了很多無用數(shù)據(jù)，需要篩掉部分非正常記錄數(shù)據(jù)，而核密度-均值法通過估計非參數(shù)核密度來分析樣本數(shù)據(jù)，該方法不需要知道樣本數(shù)據(jù)的分布情況。

設(shè)K( )為核函數(shù)，h為窗寬，X1,X2,X3,…,Xn為一元連續(xù)樣本，則在任意點x處的總體密度函數(shù)f(x)的核密度估計為[8]：

(1)

數(shù)據(jù)處理的基本過程為：(1)獲取SCADA源數(shù)據(jù)；(2)刪除機組停機和未及時記錄的數(shù)據(jù)，并對數(shù)據(jù)進行平均處理，用短時間平均值替代瞬時值，降低傳感器信號的偶然誤差；(3)選取切入風速與切出風速之間的數(shù)據(jù)帶，并根據(jù)不同風速將其劃分為若干組；(4)根據(jù)總體密度函數(shù)f(x)，篩掉分布異常的功率數(shù)據(jù)，具體方法為將f(x)曲線中頂點位置數(shù)值的10%作為邊界范圍，去除該范圍內(nèi)的數(shù)值；(5)通過平均處理，計算得到每個風速下對應的功率中位點。

通過上述步驟得到相對風速與相對功率的擬合曲線，如圖4所示。

圖4 相對風速與相對功率擬合曲線

2.2.2 歸一化處理

部分特征參數(shù)不易確定其特征提取模型，因此統(tǒng)一采取最小-最大規(guī)范法，該方法是將數(shù)據(jù)格式轉(zhuǎn)換或統(tǒng)一成適合建模的形式，分別以每個參數(shù)數(shù)據(jù)的最小值和最大值作為界限，以該參數(shù)數(shù)據(jù)平均值作為基準，將每個具體數(shù)值按比例歸一化至[0，1]，相應公式如下[9]：

(2)

找到每個參數(shù)對應數(shù)據(jù)的最大值與最小值(SCADA參數(shù)中大部分有額定值，則視為最大值)，求得每個參數(shù)的平均值后，用上式計算其歸一化后的值。

2.3 偏航齒輪箱狀態(tài)信號選取

利用3種常見的特征選擇方法(即相關(guān)系數(shù)法、主成分分析(PCA)與ReliefF算法)對同一樣本集合進行特征提取，并對其提取效果進行對比。前2種方法特征提取情況分別如表1和圖5所示，表1中1～8對應為表2中的參數(shù)。

表1 SCADA參數(shù)相關(guān)系數(shù)矩陣

圖5 PCA降維結(jié)果

ReliefF算法是通過分析和比較各類參數(shù)間的權(quán)重值來選取參數(shù)的一種方法[10]，其中該權(quán)重值表示參數(shù)間相關(guān)程度。該算法的基本思想為：找到同類樣本集合，將同類樣本歸為一起，并分類不同樣本集合，再通過權(quán)重計算公式更新特征權(quán)重。

具體步驟如下：

(1) 置零所有特征權(quán)重；

(2) 設(shè)置抽樣次數(shù)m，隨機選取樣本集D中的一個作為初始樣本，接著找到k個同類和不同類的最相近樣本；

(3) 設(shè)置運行次數(shù)N，為取得更好效果，運行20次，以其平均值作為最終權(quán)重，根據(jù)權(quán)重計算公式更新每個特征權(quán)重W。

(3)

式中：p(C)為類別C的概率分布情況；Class(R)為樣本集R的類別；Hj為Class(R)中R的第j個最相近的樣本；Mj(C)為類別C中的第j個最相近的樣本；diff(A,R1,R2)為R1和R2這2個樣本集在特征值A(chǔ)上的差值。

對于連續(xù)型特征

(4)

對于離散型特征

(5)

(4) 對特征權(quán)重W進行排序。

對特征提取結(jié)果進行比較，發(fā)現(xiàn)ReliefF算法能直觀地判斷參數(shù)的重要性程度，這種優(yōu)勢在實際運行情況下能較好地選定同一種機型的特征參數(shù)，更好地適用于同一風電場的機組?；诤嗣芏?均值法的處理結(jié)果和ReliefF算法得出的各項參數(shù)權(quán)重見表2，本文從所列的SCADA參數(shù)中選定前7個參數(shù)作為偏航齒輪箱狀態(tài)信號參數(shù)，即液壓制動壓力、輪轂轉(zhuǎn)速、5s偏航對風平均值、變頻器發(fā)電機側(cè)功率、風向角絕對值、扭纜圈數(shù)(偏航扭纜值)和機艙氣象站風速。

表2 SCADA參數(shù)特征權(quán)重排名

2.4 故障提取特征模型

2.4.1 基于變化速率公式特征提取

由于風速具有時速性，但風輪是一個巨大的慣性系統(tǒng)，風輪轉(zhuǎn)速不具備突變性，其數(shù)值的變化不僅與當前的風速值有關(guān)，同樣與前一陣時間內(nèi)的風速平均值有關(guān)。據(jù)以上分析，需要通過分析特征參數(shù)變化速率來判斷故障情況。

定義狀態(tài)參數(shù)變化速率的計算公式如下[9]：

若y=y(x)為連續(xù)函數(shù)，則函數(shù)y(x)的導數(shù)為：

(6)

式中：X為采樣間隔。

根據(jù)變化速率公式(6)和歸一化公式(2)，得到扭纜圈數(shù)特征x1、輪轂轉(zhuǎn)速特征x2、5s偏航對風平均值特征x3和風向角絕對值特征x4的提取公式，分別如式(7)～式(10)所示：

(7)

(8)

(9)

(10)

2.4.2 風速-功率特征x5的提取

實際運行工況下，風電機組的有效輸出功率P為：

(11)

正常運行工況下的風電機組額定功率為：

(12)

風電機組輸出功率與來流風速有直接聯(lián)系，可用來表述偏航系統(tǒng)故障特征[11]，即來流風速-輸出功率特征指標：

(13)

Vi的取值范圍為[0，1]。偏航系統(tǒng)無故障時，Vi=0；偏航系統(tǒng)發(fā)生嚴重故障(無法進行電力輸出)時，Vi=1。

2.4.3 液壓制動壓力特征x6的提取

風電機組液壓制動系統(tǒng)分為常規(guī)型制動器(18 MPa)和高壓型制動器(20 MPa)。在實際偏航過程中，偏航制動壓力始終不能完全為零，在報警故障系統(tǒng)中偏航制動壓力低于13 MPa持續(xù)超過30 s，則報偏航制動壓力太低的警報，偏航過程中偏航制動器始終保持2.5 MPa左右的阻尼制動力；風電機組停電時，偏航制動器壓力背壓調(diào)至2.5 MPa。偏航制動器在偏航結(jié)束后保持17.5 MPa左右的制動力，進行抱死措施；無偏航動作時，偏航制動器壓力為18 MPa，此時偏航剎車抱死；若偏航時液壓制動壓力為0 MPa，則機艙處于極度危險的狀態(tài)。設(shè)液壓制動壓力為pY，定義液壓制動壓力特征指標為：

(14)

當ξ=0時，偏航制動裝置處于正常狀態(tài)；當ξ=1時，偏航制動裝置處于故障狀態(tài)，ξ∈[0，1]。

2.5 故障診斷神經(jīng)網(wǎng)絡結(jié)構(gòu)設(shè)計

反向(Back Propagation，BP)神經(jīng)網(wǎng)絡[12]是一種按誤差逆?zhèn)鞑サ亩鄬忧梆伨W(wǎng)絡，結(jié)構(gòu)簡單，通過采用最速下降方法，將每次計算的權(quán)重和誤差不斷反向傳遞，進而通過不斷調(diào)整權(quán)值和閾值來達到要求的精度，具有極強的非線性映射能力[13]，在風電機組的故障診斷與預測中應用比較普遍。BP神經(jīng)網(wǎng)絡基本結(jié)構(gòu)包括輸入、輸出和隱含層3層結(jié)構(gòu)[14]。

筆者基于Matlab軟件平臺建立3層BP神經(jīng)網(wǎng)絡模型，用以預測偏航齒輪箱故障，輸入層為6個輸入指標：液壓制動壓力特征指標、扭纜圈數(shù)特征指標、輪轂轉(zhuǎn)速特征指標、風速-功率特征指標、5s偏航對風平均值特征指標和風向角絕對值特征指標。

(15)

式中：n=1，2，3；當輸出為000時代表機組處于正常狀態(tài),輸出為010時代表偏航齒輪箱處于磨損狀態(tài),輸出為100時代表偏航齒輪箱發(fā)生斷齒故障，應緊急處理。診斷詳情見表3。

表3 神經(jīng)網(wǎng)絡輸出診斷結(jié)果

將Singmoid型正切tansing信號用于激活隱含層，隱含層節(jié)點數(shù)為：

(16)

式中：m′為輸入節(jié)點數(shù)；l為輸出節(jié)點數(shù)；a為常數(shù)，a∈[1，10]。

根據(jù)枚舉原則可得，在本文構(gòu)建的模型中n=10時的網(wǎng)絡訓練效果最好。輸出為3個數(shù)值構(gòu)成的目標向量，該層利用Singmoid型對數(shù)函數(shù)logsig進行激活。建立的神經(jīng)網(wǎng)絡模型結(jié)構(gòu)見圖6,其中z1、z2和z3代表BP神經(jīng)網(wǎng)絡的輸出。

圖6 BP神經(jīng)網(wǎng)絡診斷模型

3 偏航齒輪箱故障診斷應用

3.1 應用對象

研究對象為湖南某風電場一臺直驅(qū)型風電機組，其基本參數(shù)見表4。選取該風電機組2019年全年發(fā)生的偏航齒輪箱磨損和斷齒故障的數(shù)據(jù)。

表4 風電機組基本參數(shù)

3.2 神經(jīng)網(wǎng)絡訓練樣本數(shù)據(jù)的構(gòu)建

整理該風電場某一臺風電機組一整年的故障記錄數(shù)據(jù)，選取其中偏航系統(tǒng)故障狀態(tài)中的偏航齒輪箱故障數(shù)據(jù)作為故障樣本數(shù)據(jù)，磨損和斷齒狀態(tài)各選取50組，共100組，選取該機組正常狀態(tài)運行數(shù)據(jù)作為正常狀態(tài)樣本數(shù)據(jù)，共356組，整個樣本集合共456組。構(gòu)建故障特征部分訓練樣本，如表5所示。

表5 偏航齒輪箱故障特征訓練樣本

3.3 神經(jīng)網(wǎng)絡訓練

以trainlm作為訓練函數(shù)，學習率設(shè)置為0.1，最大訓練數(shù)為1 000，目標誤差為0.000 1。將表3中的樣本數(shù)據(jù)作為神經(jīng)網(wǎng)絡訓練集合，用獲取和整理后的SACDA訓練樣本不斷試驗，發(fā)現(xiàn)當隱含層節(jié)點數(shù)為10時，神經(jīng)網(wǎng)絡經(jīng)過6次迭代就快速達到所要求的預測精度，其訓練誤差精度收斂曲線見圖7。由圖7可知，本文所搭建的神經(jīng)網(wǎng)絡能很好地收斂到給定的誤差精度，其最佳誤差為5.4×10-5。

圖7 訓練誤差變化

3.4 測試結(jié)果分析

選取包含該風電場正常運行工況、磨損故障和斷齒狀態(tài)的3組SCADA數(shù)據(jù)作為測試集合，測試樣本如表6所示。將測試樣本輸入達到診斷精度的模型中進行測試驗證，具體測試樣本的測試結(jié)果及神經(jīng)網(wǎng)絡結(jié)構(gòu)分別為3層和4層時的測試結(jié)果見表7，為與3層結(jié)構(gòu)下表征狀態(tài)的a、b和c進行區(qū)分，將4層結(jié)構(gòu)下的狀態(tài)分別對應表征為a1、b1和c1。由表7可以看出，該診斷模型可以對應地判斷出偏航齒輪箱運行狀態(tài)，即分類出正常與故障的情況，測試結(jié)果與實際結(jié)果基本一致，可見BP神經(jīng)網(wǎng)絡用于處理偏航齒輪箱故障可獲得較為準確的診斷結(jié)果。

表6 偏航齒輪箱故障特征值測試樣本

表7 測試結(jié)果

圖7為神經(jīng)網(wǎng)絡模型達到訓練誤差精度與迭代訓練次數(shù)的變化情況。由圖7和表7所示的測試結(jié)果表明，在本文的研究情況下，神經(jīng)網(wǎng)絡層數(shù)的增加對診斷結(jié)果影響甚微，但是運行速率有一定下降趨勢，故選擇3層結(jié)構(gòu)具有可行性。所建立的神經(jīng)網(wǎng)絡診斷模型達到了很好的訓練效果，其誤差精度可以收斂至10-4以內(nèi)，即基本能正確識別故障狀態(tài)。

測試結(jié)果與實際結(jié)果之間存在一定誤差，可能原因是：(1)機組運行環(huán)境較為惡劣，造成傳感器本身記錄數(shù)據(jù)存在錯誤[15]；(2)神經(jīng)網(wǎng)絡診斷模型的算法還不夠精確，存在局限性；(3)記錄數(shù)據(jù)的頻率較低，即精度還不夠；(4)現(xiàn)場統(tǒng)計分析人員對故障的分類精度不夠等。

4 結(jié) 論

(1) 利用核密度-均值法對SCADA數(shù)據(jù)進行整理，剔除了由于傳感器故障等原因造成的非正常數(shù)據(jù)，在此基礎(chǔ)上采用ReliefF算法進行偏航齒輪箱故障相關(guān)參數(shù)特征選擇，選取液壓制動壓力、輪轂轉(zhuǎn)速、5s偏航對風平均值、變頻器發(fā)電機側(cè)功率、風向角絕對值、扭纜圈數(shù)(偏航扭纜值)和機艙氣象站風速共7個特征參數(shù)。

(2) 基于變化速率計算公式提取了扭纜圈數(shù)特征、輪轂轉(zhuǎn)速特征、5s偏航對風平均值特征和風向角絕對值特征，并進行了歸一化處理，通過分析風電機組實際運行情況，進行了風速-功率特征和液壓制動壓力特征的提取，并且各個特征參數(shù)提取值范圍為[0，1]。

(3) 采用BP神經(jīng)網(wǎng)絡算法對偏航齒輪箱正常狀態(tài)、磨損狀態(tài)和斷齒狀態(tài)這3種狀態(tài)進行分類，經(jīng)測試結(jié)果分析表明，該方法能有效地辨別出故障狀態(tài)，可以為現(xiàn)場運行維護人員提供最直觀的故障信息，判斷故障類型，從而有效地進行風電機組運行維護，減少風電場經(jīng)濟損失。