國電電力河北新能源開發(fā)有限公司 張光軍 孫立志

現(xiàn)階段風(fēng)電行業(yè)蓬勃發(fā)展，發(fā)展高峰期建設(shè)的大量風(fēng)電場現(xiàn)已進(jìn)入運(yùn)維高壓期，風(fēng)力發(fā)電機(jī)造價(jià)高昂，維護(hù)工作重要性不言而喻。各發(fā)電企業(yè)深刻認(rèn)識(shí)到風(fēng)機(jī)運(yùn)維工作緊急性，一方面采取定檢定修運(yùn)維方式保障常規(guī)維護(hù)，另一方面積極借助信息技術(shù)發(fā)展東風(fēng)，采取智能化手段，向狀態(tài)檢修靠近，取得了一定成果。如王斐斐在《基于狀態(tài)監(jiān)測信息的風(fēng)電機(jī)組齒輪箱故障預(yù)測研究》一文中闡述了應(yīng)用改進(jìn)灰色算法和時(shí)間序列法獲取齒輪箱故障信息，取得預(yù)期效果。

T-S 模糊神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于各個(gè)行業(yè)故障預(yù)測類業(yè)務(wù)，本研究課題在各行業(yè)應(yīng)用T-S 模糊神經(jīng)網(wǎng)絡(luò)算法的經(jīng)驗(yàn)和總結(jié)基礎(chǔ)上，結(jié)合風(fēng)力發(fā)電特點(diǎn)，應(yīng)用T-S 模糊神經(jīng)網(wǎng)絡(luò)算法進(jìn)行風(fēng)電機(jī)組設(shè)備狀態(tài)劣化分析。

1 模糊控制基本原理

風(fēng)機(jī)結(jié)構(gòu)復(fù)雜，各大部件自成一體又相互影響，不同運(yùn)行數(shù)據(jù)所占權(quán)重也很分散，造成評(píng)價(jià)結(jié)果水平不一。要在錯(cuò)綜復(fù)雜的海量數(shù)據(jù)中準(zhǔn)確識(shí)別個(gè)別數(shù)據(jù)在狀態(tài)評(píng)判中所起作用和影響，應(yīng)用模糊評(píng)判進(jìn)行預(yù)測。應(yīng)用多層評(píng)價(jià)的方法對(duì)風(fēng)機(jī)劣化狀態(tài)進(jìn)行評(píng)價(jià)，該方法的算法思想是，首先對(duì)運(yùn)行數(shù)據(jù)做低層次模糊綜合評(píng)價(jià)，再對(duì)評(píng)價(jià)結(jié)果進(jìn)行再評(píng)價(jià)，然后形成評(píng)價(jià)矩陣，再對(duì)評(píng)價(jià)矩陣做二次模糊綜合評(píng)價(jià)，評(píng)價(jià)結(jié)果即為多層次評(píng)價(jià)結(jié)果。

以二級(jí)模糊綜合評(píng)判為例,多級(jí)模糊綜合評(píng)判分為幾個(gè)步驟:首先將目標(biāo)變量的影響因素按層級(jí)依次結(jié)構(gòu)化，如將引起風(fēng)機(jī)狀態(tài)劣化因素集的風(fēng)機(jī)大部件--齒輪箱類故障因素運(yùn)行數(shù)據(jù)層級(jí)分為齒輪箱入口油溫、齒輪箱軸承溫度等更小的子影響因素；對(duì)子影響因素進(jìn)行一級(jí)模糊評(píng)判，結(jié)合子因素集權(quán)重和隸屬度矩陣得到單因素評(píng)判結(jié)果，再將單因素權(quán)重集和隸屬度舉證結(jié)合得到二級(jí)模糊評(píng)判結(jié)果。模糊神經(jīng)網(wǎng)絡(luò)算法核心在于權(quán)重系數(shù)和隸屬函數(shù)的確定。

本研究課題狀態(tài)劣化程度具有實(shí)時(shí)性，對(duì)應(yīng)單一故障子影響因素出現(xiàn)程度和不同故障子因素在不同時(shí)間的隸屬度由權(quán)重系數(shù)決定，這個(gè)系數(shù)不應(yīng)該是固定的，故障因素間的相互影響關(guān)系也絕不是簡單的線性關(guān)系，而根據(jù)故障影響因素分布關(guān)系的不同，其權(quán)重計(jì)算方式也不同。如呈指數(shù)分布權(quán)重計(jì)算ci=f(t)×ai=(1-e-kt)×ai，將由影響因素集合組成的矩陣做歸一化處理，滿足的ci即為最終所求權(quán)值向量。

對(duì)于模型隸屬度的確定采取以下方法：首先采用專家知識(shí)并根據(jù)專家間水平和經(jīng)驗(yàn)調(diào)整權(quán)重，解決隸屬度計(jì)算的定性，再使用指派法確定隸屬函數(shù)。根據(jù)故障影響因素自身屬性的不同，模糊分布呈不同表現(xiàn)形式，如風(fēng)機(jī)齒輪箱油溫因素，其分布形式即為梯形分布，對(duì)質(zhì)變現(xiàn)象做定性，當(dāng)溫度超出閾值上限將會(huì)出現(xiàn)故障。

神經(jīng)網(wǎng)絡(luò)和模糊控制的結(jié)合。神經(jīng)網(wǎng)絡(luò)算法具備優(yōu)秀的學(xué)習(xí)能力，基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行模糊推理可優(yōu)化模糊推理的參數(shù)，方法的實(shí)現(xiàn)需先簡化模糊推理形式。如多輸入單輸出模糊推理神經(jīng)網(wǎng)絡(luò)需三步實(shí)現(xiàn)：首先選取輸入量并將輸入量模糊化，再構(gòu)造模糊規(guī)則表確定輸出量對(duì)應(yīng)的模糊關(guān)系[1]，最后進(jìn)行模糊判定，反模糊化輸出量并輸出最終結(jié)果。其中簡化模糊推理形式構(gòu)造神經(jīng)網(wǎng)絡(luò)實(shí)質(zhì)上是實(shí)現(xiàn)輸入變量到輸出結(jié)果的非線性映射，映射過程采取多層前饋網(wǎng)絡(luò)，應(yīng)用誤差反傳算法，屬于局部逼近網(wǎng)絡(luò)。

2 具體實(shí)施方式

2.1 模糊變權(quán)部分

2.1.1 數(shù)據(jù)的獲取

本文的數(shù)據(jù)獲取，均通過實(shí)際的風(fēng)機(jī)測點(diǎn)提取。數(shù)據(jù)結(jié)構(gòu)如下：風(fēng)力發(fā)電機(jī)組運(yùn)行狀態(tài)評(píng)價(jià)包括齒輪箱R1（齒輪箱油溫R11、齒輪箱輸入軸shaft1油溫R12、齒輪箱輸入軸shaft2油溫R13、齒輪箱入口油溫R14）、發(fā)電機(jī)系統(tǒng)R2（發(fā)電機(jī)組U 相繞組溫度R21、發(fā)電機(jī)V 相繞組溫度R22、發(fā)電機(jī)W 相繞組溫度R23、發(fā)電機(jī)軸承a 溫度R24、發(fā)電機(jī)軸承b 溫度R25）、控制因素R3（發(fā)動(dòng)機(jī)轉(zhuǎn)速R31、有功功率R32、無功功率R33、電網(wǎng)電壓R34）、機(jī)艙系統(tǒng)R4（偏航位置R41、機(jī)艙外溫度R42、機(jī)艙溫度R43）。

通過收集某風(fēng)機(jī)上述相關(guān)數(shù)據(jù)，每個(gè)Rij標(biāo)簽還包括其二級(jí)子標(biāo)簽，例如有齒輪箱軸承溫度、齒輪箱入口油溫、齒輪箱油溫、發(fā)電機(jī)軸承溫度、發(fā)電機(jī)繞組溫度、發(fā)電機(jī)冷卻風(fēng)溫度等78個(gè)子標(biāo)簽，數(shù)據(jù)集大小為56G。以下列出齒輪箱和發(fā)電機(jī)系統(tǒng)1～20測點(diǎn)：齒輪箱軸承溫度R111、齒輪箱入口油溫R112、齒輪箱油溫R113、發(fā)電機(jī)軸承溫度R121、發(fā)電機(jī)繞組溫度R122、發(fā)電機(jī)冷卻風(fēng)溫度R123、發(fā)電機(jī)轉(zhuǎn)速R124、電容器溫度R131、變流器溫度R132、塔頂控制柜溫度R133、塔底柜溫度R134、機(jī)艙位置R141、機(jī)艙震動(dòng)R142、風(fēng)速R211、環(huán)境溫度R212、相電壓R221、相電流R222、無功功率R223、有功功率R224、電網(wǎng)頻率R225。

2.1.2 數(shù)據(jù)處理

由于每個(gè)測點(diǎn)海量數(shù)據(jù)存在參差不齊的問題，需將每個(gè)標(biāo)簽的數(shù)據(jù)量整理到相同的范圍之內(nèi)。對(duì)于缺值、少值問題本文采用平均值替代的方法進(jìn)行數(shù)據(jù)的補(bǔ)充，對(duì)于某些元素的數(shù)據(jù)值范圍過大的情況，選擇采用min-max 標(biāo)準(zhǔn)化函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化的處理。該函數(shù)輸出值都在[0,1]之間。表達(dá)式 如 下：指標(biāo)集R11=[]、R12=[]、R13=[]、R14=[]，采 用matlab 中 的mapminmax 的數(shù)學(xué)公式為y=(ymax-ymin)×(x-xmin)/(xmax-xmin)+ymin，其中ymax及ymin分別為歸一化區(qū)間，本程序中為[0,1]。

[xmin,xmax]為參數(shù)的最大值和最小值。目的是通過對(duì)數(shù)據(jù)的每一個(gè)維度的值進(jìn)行重新調(diào)節(jié)（這些維度可能是相互獨(dú)立的），這對(duì)后續(xù)工作十分重要，因?yàn)楹芏嗄J(rèn)參數(shù)（如PCA-白化中的epsilon）都假定數(shù)據(jù)已被縮放到合理區(qū)間[2]。對(duì)此步驟輸出數(shù)據(jù)數(shù)據(jù)計(jì)算劣化度。如發(fā)電機(jī)軸承溫度數(shù)據(jù)分布符合梯形分布，計(jì)算方法如1和0分別表示劣化和正常。其中x 為實(shí)測值，[xmin,xmax]為參數(shù)的正常范圍。評(píng)估指標(biāo)常權(quán)值，以表1說明。

表1 齒輪箱和發(fā)電機(jī)部分評(píng)估結(jié)果

2.1.3 模型方法具體實(shí)現(xiàn)

應(yīng)用上步實(shí)現(xiàn)的劣化度結(jié)果，結(jié)合專家知識(shí)，做隸屬度計(jì)算。

用r11(g)、r12(g)、r13(g)、r14(g)依次表示當(dāng)劣化度為g 時(shí)隸屬度狀態(tài)，分別為正常、良好、注意以及嚴(yán)重劣化。通過隸屬度函數(shù)計(jì)算得到模糊關(guān)系矩陣R1，其中n 為單一評(píng)判單元個(gè)數(shù)，本研究課題中n=4，評(píng)判集矩陣為式（1），m 為評(píng)價(jià)指標(biāo)數(shù)量。

齒輪箱變權(quán)處理后權(quán)重為:AR11=[0.5656,0.0804,0.3540]、AR12=[0.3792,0.2426,0.16 61,0.2121]、AR13=[0.2448,0.1015,0.1692,0.2 609,0.1357,0.0879]、AR14=[0.7758,0.2242]、AR21=[0.9290,0.0710]、AR22=[0.1138,0.1314,0.124 9,0.4042,0.2258]。對(duì)齒輪箱R11運(yùn)行狀態(tài)進(jìn)行評(píng)估：B11=AR1×VR11=[0.1267,0.7146,0.1588,0]。同 理可得其他評(píng)估指標(biāo)評(píng)估結(jié)果，經(jīng)整理得：

為增強(qiáng)多項(xiàng)指標(biāo)發(fā)生嚴(yán)重偏移時(shí)變權(quán)算法的穩(wěn)定性，當(dāng)劣化度g>0.9時(shí)判定劣化狀態(tài)為“嚴(yán)重”，停止后續(xù)計(jì)算；當(dāng)劣化度<0.9時(shí)繼續(xù)后續(xù)算法變權(quán)。只需要在第一級(jí)模糊評(píng)判時(shí)采用變權(quán)算法，之后的第二級(jí)和第三級(jí)直接應(yīng)用給出的權(quán)重值。由一級(jí)模糊綜合評(píng)判得到的各評(píng)估指標(biāo)的評(píng)估結(jié)果，進(jìn)行二級(jí)模糊綜合評(píng)判，相應(yīng)的權(quán)重為：

AR1(0)=[0.3022 0.2816 0.2919 0.1243]、AR2(0)=[0.3188 0.3806 0.1153 0.1923]。結(jié)合權(quán)重分配可得B1=AR1(0)×VR1=[0.4527 0.4649 0.0777 0]、B2=AR2(0)×VR2=[1.0000 0 0 0]。

采用二級(jí)模糊綜合評(píng)判得到的各評(píng)估結(jié)果，進(jìn)而得到三級(jí)模糊綜合評(píng)估矩陣，相應(yīng)權(quán)重為AR(0)=[0.7397 0.2603]，結(jié)合權(quán)重分配可得[3]：B=AR

(0)×VR=[0.5952 0.3473 0.0575 0]，基于最大隸屬度原則，由bmax=b1=0.5952，可知狀態(tài)評(píng)定為處于“良好”。

2.2 神經(jīng)網(wǎng)絡(luò)部分

采用四層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，首末為輸入輸出層，中間層計(jì)算隸屬度和變權(quán)值。

2.2.1 設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)

每層都含有一個(gè)一維X 特征矩陣即為輸入數(shù)據(jù)，一個(gè)二維W 權(quán)值矩陣，一個(gè)一維的誤差矩陣error，同時(shí)該神經(jīng)網(wǎng)絡(luò)中還包含了一個(gè)一維的目標(biāo)矩陣target，記錄樣本的真實(shí)類標(biāo)。

X 特征矩陣：第一層隱含層特征矩陣長度比輸入層輸入數(shù)據(jù)的特征個(gè)數(shù)多1，隱含層的X 矩陣的長度比上一層多1，x[0]=1；W 權(quán)值矩陣：第一維長度設(shè)計(jì)為節(jié)點(diǎn)個(gè)數(shù)，第二維的長度比上一層節(jié)點(diǎn)多1；w[0][0]為該節(jié)點(diǎn)的偏置量；error 誤差矩陣：數(shù)組長度設(shè)計(jì)為該層的節(jié)點(diǎn)個(gè)數(shù)；目標(biāo)矩陣target：輸出層的節(jié)點(diǎn)個(gè)數(shù)與其一致；激活函數(shù)：采用sigmoid 函數(shù)1/1+e-x。

2.2.2 神經(jīng)網(wǎng)絡(luò)的計(jì)算過程

按照以上的設(shè)計(jì)，向前傳播得到下一層的輸出結(jié)果如圖1；求誤差過程如圖2；反向傳播過程，調(diào)整權(quán)值，如圖3。

向前傳播得到下一層數(shù)據(jù)：向前傳播的過程，即數(shù)據(jù)從輸入層輸入，經(jīng)過隱含層，最后輸出層的計(jì)算得到Y(jié) 值，Y 值為輸出層的輸出結(jié)果。輸出矩陣即該層中所有節(jié)點(diǎn)（神經(jīng)元）的輸出值的集合。

求誤差過程：根據(jù)樣本的真實(shí)因變量，計(jì)算模型預(yù)測的結(jié)果與真實(shí)因變量的誤差。然后將該誤差反向傳播到各個(gè)隱含層。誤差從后往前傳播。

圖1 下一層輸出結(jié)果

圖2 求誤差過程

圖3 反向傳播過程，調(diào)整權(quán)值

反向傳播過程調(diào)整權(quán)值：計(jì)算出各層的誤差，再根據(jù)各層的誤差，更新權(quán)重。新的權(quán)值計(jì)算方式如圖3，依次更新輸入層與第一層隱含層直接的權(quán)值、第一層隱含層與第二層隱含層之間的權(quán)值、第二層隱含層與輸出層之間的權(quán)值。最終通過向前傳播得到預(yù)測值。

評(píng)價(jià)模型結(jié)構(gòu)：對(duì)單一評(píng)價(jià)指標(biāo)進(jìn)行劣化度和隸屬度計(jì)算，將數(shù)據(jù)進(jìn)行模糊化處理，對(duì)子影響因素進(jìn)行一級(jí)模糊評(píng)判，結(jié)合子因素集權(quán)重和隸屬度矩陣得到單一指標(biāo)評(píng)判結(jié)果，再將單因素權(quán)重集和隸屬度舉證結(jié)合得到指標(biāo)集綜合評(píng)價(jià)結(jié)果。

圖4 T-S 模糊神經(jīng)網(wǎng)絡(luò)的綜合評(píng)價(jià)模型

3 結(jié)果

此實(shí)驗(yàn)結(jié)果是結(jié)合子因素集權(quán)重和隸屬度矩陣得到單因素評(píng)判結(jié)果，是為一級(jí)評(píng)判結(jié)果。以時(shí)間為軸表示出單因素狀態(tài)優(yōu)劣變化趨勢。再將單因素權(quán)重集和隸屬度矩陣結(jié)合得到二級(jí)模糊評(píng)判結(jié)果。根據(jù)二級(jí)模糊評(píng)判得分即可得出風(fēng)機(jī)狀態(tài)評(píng)語結(jié)果，實(shí)際應(yīng)用時(shí)，可采取以時(shí)間維度根據(jù)得分用不同顏色柱狀圖表示風(fēng)機(jī)狀態(tài)變化過程。

綜上，通過應(yīng)用T-S 模糊神經(jīng)網(wǎng)絡(luò)算法對(duì)風(fēng)機(jī)重要部件進(jìn)行狀態(tài)劣化評(píng)價(jià)，并用可視化方式展示，直觀了解風(fēng)機(jī)部件健康狀態(tài)；應(yīng)用部件運(yùn)行狀態(tài)數(shù)據(jù)，對(duì)風(fēng)機(jī)整機(jī)運(yùn)行狀態(tài)進(jìn)行指標(biāo)集綜合評(píng)價(jià)，用量化結(jié)果進(jìn)行評(píng)價(jià)，以可視化方式展示，用以指導(dǎo)工作人員安排檢修。

圖5 風(fēng)機(jī)部件評(píng)價(jià)具體實(shí)現(xiàn)結(jié)果