張真真，吳立東，陳曉敏，徐志軒，曹善橋

(中國(guó)大唐集團(tuán)新能源科學(xué)技術(shù)研究院有限公司，北京市 西城區(qū) 100052)

0 引言

隨著化石燃料的不斷消耗及其對(duì)環(huán)境不利影響的日益加劇，可再生能源的開(kāi)發(fā)和利用正變得愈發(fā)重要。其中，風(fēng)能作為可再生能源的重要組成部分，在能源革命的背景下得到快速發(fā)展。然而，隨著風(fēng)力發(fā)電場(chǎng)的規(guī)模越來(lái)越大，受限于有限的天氣窗口和高昂的物流成本，對(duì)于風(fēng)電機(jī)組的高效維護(hù)變得更加困難。此外，地形限制進(jìn)一步加劇了風(fēng)電機(jī)組的維護(hù)難度。例如，相較陸地風(fēng)電機(jī)組較為平穩(wěn)的維護(hù)環(huán)境，海上風(fēng)電機(jī)組往往會(huì)面臨更加惡劣的維護(hù)環(huán)境，從而導(dǎo)致維護(hù)時(shí)間更長(zhǎng)。此時(shí)，能否提前準(zhǔn)確診斷風(fēng)電機(jī)組的故障類(lèi)型，對(duì)提升風(fēng)電機(jī)組維護(hù)效率具有至關(guān)重要的作用。據(jù)統(tǒng)計(jì)，在風(fēng)電機(jī)組各項(xiàng)故障中，變槳系統(tǒng)故障占到了28%，由其產(chǎn)生的停機(jī)時(shí)間占到了30%[1]。因此，風(fēng)電機(jī)組故障診斷的重點(diǎn)之一是實(shí)現(xiàn)風(fēng)電機(jī)組變槳系統(tǒng)的故障預(yù)警，避免故障惡化而造成更大的損失。

風(fēng)電機(jī)組變槳系統(tǒng)由一個(gè)異步電機(jī)或永磁同步電機(jī)提供動(dòng)力，通過(guò)與多級(jí)行星齒輪箱耦合來(lái)帶動(dòng)葉片轉(zhuǎn)動(dòng)，進(jìn)而實(shí)現(xiàn)發(fā)電的目的。由于變槳系統(tǒng)在變負(fù)荷和變速度條件下間歇性運(yùn)行，這一工作環(huán)境給變槳系統(tǒng)的故障診斷帶來(lái)了重大挑戰(zhàn)。目前，部分學(xué)者對(duì)于風(fēng)電機(jī)組變槳系統(tǒng)狀態(tài)監(jiān)測(cè)進(jìn)行了相關(guān)研究。文獻(xiàn)[2]采用狀態(tài)估計(jì)技術(shù)對(duì)變槳力矩傳感器故障進(jìn)行識(shí)別與檢測(cè)。文獻(xiàn)[3]提出了一種基于模型的變槳系統(tǒng)故障檢測(cè)方法，成功識(shí)別變槳執(zhí)行器故障。文獻(xiàn)[4]基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)，提出了基于SCADA數(shù)據(jù)的變槳系統(tǒng)故障早期檢測(cè)技術(shù)。此外，文獻(xiàn)[5-7]分別提出了基于神經(jīng)網(wǎng)絡(luò)模型、融合模型等機(jī)器學(xué)習(xí)算法來(lái)處理風(fēng)電機(jī)組變槳系統(tǒng)的故障預(yù)警問(wèn)題。

上述文獻(xiàn)雖然提供了風(fēng)電機(jī)組變槳系統(tǒng)故障識(shí)別的有效思路，但大部分研究以變頻器箱溫度、單線電機(jī)電流等為特征對(duì)分類(lèi)模型進(jìn)行學(xué)習(xí)。雖然基于單線電流頻譜分析的電機(jī)電流特征分析能夠有效檢測(cè)異步電機(jī)的故障類(lèi)別，但是在負(fù)載、速度和故障變化較大的環(huán)境中利用三相電流信息更加可靠[8-10]。因此，本文提出一種基于三相異步電機(jī)電流數(shù)據(jù)的變槳系統(tǒng)故障診斷方法。該方法利用擴(kuò)展帕克矢量作為異步電機(jī)和行星齒輪箱的基本特征，同時(shí)結(jié)合深度自動(dòng)編碼器的深度特征提取優(yōu)勢(shì)[11-12]，采用支持向量機(jī)(support vector machine，SVM)分類(lèi)器進(jìn)行故障檢測(cè)和分類(lèi)。

1 基于異步電機(jī)電流的特征選取方法

本節(jié)主要提出變槳驅(qū)動(dòng)器中基于異步電機(jī)電流的故障特征描述方法。在處于健康的狀態(tài)下，異步電機(jī)是一個(gè)平衡的對(duì)稱系統(tǒng)。然而，這種平衡環(huán)境會(huì)隨著各類(lèi)故障的出現(xiàn)而被打破，包括轉(zhuǎn)子斷條故障、定子繞組故障、軸承斷裂、氣隙偏心等，從而導(dǎo)致異步電機(jī)電路發(fā)生變化。上述電路變化情況會(huì)隨著轉(zhuǎn)子轉(zhuǎn)動(dòng)呈現(xiàn)周期性的變化，從而在供電電流中產(chǎn)生特定的故障頻率，即故障特征。此外，耦合系統(tǒng)中發(fā)生的外生故障也會(huì)影響氣隙的均勻性，如變槳驅(qū)動(dòng)器中的行星齒輪箱故障，此時(shí)表現(xiàn)為電流中產(chǎn)生附加頻率。此時(shí)，直軸和交軸電流(id,iq)可通過(guò)三相電流(ia,ib,ic)綜合表示為：

此時(shí)，通過(guò)擴(kuò)展帕克矢量可將交軸電流空間向量表示為

ip=|id+jiq|

(3)

在通常情況下，ip表示直流偏移量。然而，式(3)中的擴(kuò)展帕克矢量并不適用于變槳系統(tǒng)存在故障的情況。因此，需要根據(jù)變槳系統(tǒng)的不同故障類(lèi)型，分別對(duì)擴(kuò)展帕克矢量的表達(dá)式進(jìn)行討論。

1.1 定子繞組故障

定子繞組故障是電驅(qū)變槳系統(tǒng)中常見(jiàn)的故障之一。高啟動(dòng)負(fù)荷、頻繁的啟停操作和非正常運(yùn)行的冷卻系統(tǒng)都會(huì)導(dǎo)致定子繞組故障。根據(jù)文獻(xiàn)[13]所述，當(dāng)存在定子繞組故障時(shí)，供電電流中會(huì)產(chǎn)生異常的三次諧波，此時(shí)線路電流可以改寫(xiě)為

ia=iscos(2πfst-φ)+ifcos(6πfst)

(4)

式中：is為供電電流；φ為基本供電電流的相位角；fs為供電頻率；if為故障電流。

同樣，ib和ic也可以修改為包含故障電流if的形式。

在定子繞組故障情況下，擴(kuò)展帕克矢量可由式(5)表示：

(5)

此時(shí)，擴(kuò)展帕克矢量的特征故障頻率分量可由供電頻率fs表示為

fSTF=2fs,4fs,6fs,…

(6)

1.2 轉(zhuǎn)子斷條故障

轉(zhuǎn)子斷條故障通常是由于異步電機(jī)中高溫應(yīng)力造成的，該故障會(huì)導(dǎo)致線路電流的供電頻率fs產(chǎn)生額外±2s的邊帶，其中s為異步電機(jī)的滑差。此時(shí)，A相電機(jī)電流可以由式(7)表示：

(7)

式中：βl和βr分別為左右邊帶對(duì)應(yīng)的相位角。此外，可以對(duì)電流ib和ic進(jìn)行相應(yīng)的修改，同時(shí)擴(kuò)展帕克矢量可以通過(guò)上述定子繞組故障的情形討論得出。根據(jù)文獻(xiàn)[9]，三相電流中±2s邊帶所產(chǎn)生的特征故障頻率可由式(8)表示：

fBRB=2sfs,4sfs

(8)

1.3 軸承故障

軸承故障是異步電機(jī)中最常見(jiàn)的故障，能夠占到所有故障比例的40%。風(fēng)電機(jī)組齒輪箱大多數(shù)齒輪故障是由軸承故障引發(fā)的。軸承外圈故障的特征頻率可以表示為

(9)

式中：Nb為軸承中滾子數(shù)目；d和Pd分別表示為直徑和節(jié)圓直徑；φ為軸承接觸角；fr為旋轉(zhuǎn)軸轉(zhuǎn)速。

在軸承故障時(shí)，這些特征頻率也以附加分量(fs+mfv)的形式出現(xiàn)在線電流頻譜中。此時(shí)，特征故障頻率為

fBRB=mfv，m=1,2,3,…

(10)

1.4 行星齒輪故障

行星齒輪在行星齒輪箱中與齒圈、太陽(yáng)齒輪同時(shí)嚙合，與承載板一起繞太陽(yáng)齒輪旋轉(zhuǎn)。雖然行星齒輪故障對(duì)于異步電機(jī)而言是外部因素，但由于異步電機(jī)通過(guò)法蘭安裝，使得行星齒輪產(chǎn)生的周期性擾動(dòng)會(huì)對(duì)ip造成周期性的故障頻率。一個(gè)損壞的行星齒輪在振動(dòng)頻譜中的特征頻率為

(11)

式中：Zs、Zr分別表示太陽(yáng)齒輪和環(huán)形齒輪的齒數(shù)。

此外，行星齒輪故障會(huì)產(chǎn)生|fm±fc|的特征邊帶。其中fm為齒輪嚙合的基本頻率，fc為載板頻率，分別由式(12)—(13)給出：

除了上述故障條件，ip的頻譜還可能受到逆變器諧波和來(lái)自其他連接組件的外源干擾等因素影響。這些因素共同作用時(shí)會(huì)導(dǎo)致頻譜成分增加，從而得到更高的頻率。因此，為了提高變槳系統(tǒng)故障診斷的可靠性，本文提出利用深度自動(dòng)編碼器從ip中提取額外的故障特征。

2 故障檢測(cè)和分類(lèi)方法

本文所提出的故障檢測(cè)和分類(lèi)方法框架如圖1所示。首先通過(guò)三相異步電機(jī)電流計(jì)算ip，并對(duì)ip進(jìn)行快速傅里葉變換(fast Fourier transform，F(xiàn)FT)，進(jìn)而對(duì)頻譜進(jìn)行矢量化和放大，然后使用深度自動(dòng)編碼器提取深度特征。深度自編碼器是一種無(wú)監(jiān)督學(xué)習(xí)算法，通過(guò)不同健康條件下的樣本來(lái)識(shí)別特征。最后，特征集和相應(yīng)的健康狀況作為標(biāo)注數(shù)據(jù)提供給支持向量機(jī)進(jìn)行監(jiān)督學(xué)習(xí)。

圖1 故障檢測(cè)和分類(lèi)方法框架Fig.1 Framework of fault detection and classification methods

2.1 基于深度自動(dòng)編碼器的特征提取方法

深度自動(dòng)編碼器是一種無(wú)監(jiān)督學(xué)習(xí)算法，其試圖將輸入復(fù)制為輸出。作為非線性特征提取方法，深度自動(dòng)編碼器能夠在隱藏層中學(xué)習(xí)輸入的緊湊表示[14-16]。傳統(tǒng)的單級(jí)自動(dòng)編碼器如圖2所示，其中每個(gè)輸入樣本是一個(gè)向量X={x1,x2,…,xn}。向量X通過(guò)sigmoid函數(shù)轉(zhuǎn)換為隱藏表示H={h1,h2,…,hp}。sigmoid函數(shù)可以表示為

圖2 單級(jí)自動(dòng)編碼器結(jié)構(gòu)圖Fig.2 Structure of single stage autoencoder

H=f(WTX+B)

(14)

式中：W為權(quán)重矩陣，B為偏差。

(15)

(16)

在深度自動(dòng)編碼器中，上一層的隱藏表示H會(huì)作為下一層的輸入，并按順序?qū)γ恳粚舆M(jìn)行訓(xùn)練。本文在利用深度自動(dòng)編碼器得到故障特征后，使用支持向量機(jī)對(duì)故障進(jìn)行分類(lèi)。

2.2 基于支持向量機(jī)的故障分類(lèi)方法

支持向量機(jī)分類(lèi)器根據(jù)自動(dòng)編碼器提取的故障特征對(duì)故障進(jìn)行分類(lèi)。相關(guān)研究證明支持向量機(jī)可以基于電流和振動(dòng)信號(hào)為變槳電機(jī)和變槳系統(tǒng)提供可靠、準(zhǔn)確的故障檢測(cè)和分類(lèi)結(jié)果[17-19]。與決策樹(shù)和基于規(guī)則的分類(lèi)方法不同，支持向量機(jī)的優(yōu)勢(shì)在于算法復(fù)雜度不會(huì)隨著特征空間的增加而增加。支持向量機(jī)通過(guò)在多維空間中構(gòu)造最優(yōu)超平面來(lái)區(qū)分樣本類(lèi)別。為了方便解釋支持向量機(jī)的原理，本節(jié)僅考慮二維特征空間，當(dāng)然二維分類(lèi)問(wèn)題中的概念可以推廣到多類(lèi)線性和非線性分類(lèi)問(wèn)題。二維訓(xùn)練數(shù)據(jù)集的輸入和二進(jìn)制輸出分別表示為xi∈Rm，yi∈{±1}，此時(shí)訓(xùn)練樣本可以表示為

(xi,yi|xi∈Rm,yi∈{±1}),i=1,2,…,N

(17)

通過(guò)訓(xùn)練，支持向量機(jī)能夠構(gòu)造如式(18)所示的決策函數(shù)：

fw,b(x)=sgn(wTx+b)

(18)

式中：wT為系數(shù)向量；b為超平面的偏差；sgn為二值函數(shù)。支持向量機(jī)的分離超平面應(yīng)滿足以下條件：

yi(wTxi+b)≥1,i=1,2,…,N

(19)

在滿足式(19)的超平面中，最優(yōu)超平面是到最近點(diǎn)距離最大的超平面?；诮Y(jié)構(gòu)風(fēng)險(xiǎn)最小化歸納法，支持向量機(jī)的訓(xùn)練目標(biāo)為

(20)

式中：ei≥0，為松弛變量。

支持向量機(jī)在定義最優(yōu)分離超平面時(shí)只考慮到支持向量的影響。支持向量機(jī)可以同時(shí)處理線性和非線性分類(lèi)問(wèn)題。

3 試驗(yàn)與結(jié)果分析

3.1 試驗(yàn)平臺(tái)搭建

為驗(yàn)證上述方法的有效性，搭建風(fēng)電機(jī)組變槳驅(qū)動(dòng)器模擬試驗(yàn)平臺(tái)，以獲取不同故障狀態(tài)下變槳驅(qū)動(dòng)器三相電流數(shù)據(jù)。其中測(cè)試電機(jī)為三相四極異步電機(jī)，通過(guò)驅(qū)動(dòng)一個(gè)兩級(jí)的行星齒輪箱與負(fù)載相連，負(fù)載則使用三相八極異步電機(jī)。為模擬不同故障狀態(tài)下異步電機(jī)的三相電流情況，除健康狀態(tài)外，試驗(yàn)過(guò)程中分別人為增加轉(zhuǎn)子斷條故障、定子繞組故障、軸承斷裂、行星齒輪故障的故障形式。

3.2 試驗(yàn)結(jié)果分析

為了驗(yàn)證基于深度自動(dòng)編碼器和支持向量機(jī)的風(fēng)電機(jī)組變槳系統(tǒng)故障診斷模型的優(yōu)越性，在上述模擬試驗(yàn)平臺(tái)設(shè)置的基礎(chǔ)上，計(jì)算擴(kuò)展帕克矢量ip及其快速傅里葉變換，以矢量的形式提供給深度自動(dòng)編碼器。具體的，試驗(yàn)平臺(tái)共生成3 860個(gè)樣本，其中50%的測(cè)試樣本被用于培訓(xùn)深度自動(dòng)編碼器。本節(jié)的深度自動(dòng)編碼器架構(gòu)如圖3所示，其采用三階段堆疊式自動(dòng)編碼器進(jìn)行搭建。對(duì)于每一個(gè)樣本，通過(guò)每5 s采集一次的三相電流構(gòu)造擴(kuò)展帕克矢量ip，并計(jì)算其對(duì)應(yīng)的快速傅里葉變換來(lái)構(gòu)造輸入特征向量。經(jīng)深度自動(dòng)編碼器特征提取后的深度特征維度為200，然后使用這些特征集監(jiān)督訓(xùn)練一個(gè)分類(lèi)器。為測(cè)試支持向量機(jī)的分類(lèi)優(yōu)劣性，本節(jié)采用BP神經(jīng)網(wǎng)絡(luò)作為對(duì)比分類(lèi)器。

圖3 深度自動(dòng)編碼器架構(gòu)Fig.3 Structure of deep autoencoder

在測(cè)試階段，利用訓(xùn)練好的深度自動(dòng)編碼器和支持向量機(jī)或BP神經(jīng)網(wǎng)絡(luò)對(duì)1 930個(gè)新的測(cè)試集生成分類(lèi)結(jié)果，結(jié)果以混淆矩陣的形式呈現(xiàn)在圖4中。其中，故障1、故障2、故障3和故障4分別對(duì)應(yīng)轉(zhuǎn)子斷條故障、定子繞組故障、軸承斷裂和行星齒輪故障。混淆矩陣的對(duì)角線元素表示成功診斷故障類(lèi)型的樣本數(shù)量，非對(duì)角線元素表示錯(cuò)誤診斷故障類(lèi)型的樣本數(shù)量。

從圖4(a)中可以看出，支持向量機(jī)對(duì)于轉(zhuǎn)子斷條故障和定子繞組故障識(shí)別準(zhǔn)確率達(dá)到99%以上，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)的故障識(shí)別率約為97%和98%。支持向量機(jī)對(duì)于軸承斷裂和行星齒輪故障識(shí)別準(zhǔn)確率分別為95%和96%，而神經(jīng)網(wǎng)絡(luò)為92%和91%。在所有的測(cè)試樣本中，沒(méi)有一個(gè)故障類(lèi)型被誤分類(lèi)為健康，這表明僅依靠三相電流數(shù)據(jù)對(duì)變槳系統(tǒng)進(jìn)行故障檢測(cè)是可行的。在支持向量機(jī)中，約有5%的軸承斷裂故障被誤判為行星齒輪故障，這可能是因?yàn)樵谶@些故障情況下缺乏明確的主導(dǎo)頻率。

圖4 測(cè)試集分類(lèi)結(jié)果(混淆矩陣)Fig.4 Classification results of test sets (confusion matrix)

4 結(jié)論

本文提出了一種基于深度自編碼器的故障檢測(cè)和分類(lèi)方法，用于基于異步電機(jī)三相電流的變槳系統(tǒng)故障檢測(cè)。由于不需要重新搭設(shè)傳感器，該方法適用于海上風(fēng)電場(chǎng)等維護(hù)條件惡劣的風(fēng)電機(jī)組進(jìn)行實(shí)施。直軸和交軸電流可以從變頻驅(qū)動(dòng)器本身獲得，通過(guò)基于深度自編碼器和支持向量機(jī)的故障檢測(cè)系統(tǒng)就可以確定變槳系統(tǒng)的健康狀態(tài)。然而，所提出的方法僅在實(shí)驗(yàn)平臺(tái)上進(jìn)行了測(cè)試，因此在推廣之前該方法應(yīng)該在實(shí)際系統(tǒng)上進(jìn)行驗(yàn)證。同時(shí)，在未來(lái)需要改進(jìn)當(dāng)前信號(hào)的預(yù)處理方法，以達(dá)到更好的故障識(shí)別精度。