汪千程 蘇 春， 文澤軍

1.東南大學機械工程學院，南京，2111892.湖南科技大學機械設備健康維護湖南省重點實驗室，湘潭，411201

0 引言

風能儲量豐富、分布廣泛、污染小、可再生，因此其開發(fā)與利用受到廣泛關注。風力機是風電系統(tǒng)的核心裝備，常年工作于酷暑、寒冬、風沙等極端環(huán)境，其可靠運行面臨挑戰(zhàn)。

有效的狀態(tài)監(jiān)測與故障診斷對減少風力機的非計劃停機、避免災難性后果至關重要，現(xiàn)有的監(jiān)測與診斷方法大致可分為數(shù)學模型方法、專家知識方法和數(shù)據(jù)驅動方法[1-2]。日趨復雜的工業(yè)裝備導致精確的數(shù)學模型和完備的專家知識往往難以獲取，裝備中普遍安裝的監(jiān)控與數(shù)據(jù)采集(supervisory control and data acquisition，SCADA)系統(tǒng)使得數(shù)據(jù)驅動方法逐漸成為狀態(tài)監(jiān)測與故障診斷領域的重要發(fā)展方向。

QIN[3]采用主成分分析(principal component analysis，PCA)模型表征裝備的正常與異常狀態(tài)。NAMDARI等[4]采用支持向量機(support vector machine，SVM)模型完成裝備早期的故障診斷。ZHAO等[5]提出一種稀疏相異度算法，以實現(xiàn)無先驗故障信息的裝備早期故障診斷。上述方法大多假定變量具有平穩(wěn)性，難以描述非平穩(wěn)變量之間的關系。

若一組非平穩(wěn)的被測信號存在協(xié)整關系，利用協(xié)整分析(cointegration analysis，CA)可以消除信號的非線性趨勢和環(huán)境因素等影響，獲得協(xié)整殘差模型，其殘差序列可用于表征變量之間長期均衡的動態(tài)關系[6]。當被檢測對象的殘差偏離平穩(wěn)狀態(tài)時，表明被檢測對象的狀態(tài)出現(xiàn)異常。

陳前等[7]將協(xié)整理論用于非平穩(wěn)工程系統(tǒng)的狀態(tài)監(jiān)測與故障診斷。ZHAO等[8]利用協(xié)整分析設置殘差閾值，完成了風力機狀態(tài)監(jiān)測與齒輪箱故障預警。針對時變轉速下軸承的損傷檢測，TABRIZI等[9]提出一種基于協(xié)整的故障檢測方法。為了消除環(huán)境因素和運行不確定性的影響，ZHANG等[10]采用協(xié)整分析實現(xiàn)風力機的狀態(tài)監(jiān)測。HU等[11]針對非平穩(wěn)故障問題，提出一種雙重協(xié)整分析的故障診斷策略?，F(xiàn)有的協(xié)整分析研究主要關注裝備正常和故障兩種工況，但在工程實際中，裝備通常存在多種運行工況，若不加以區(qū)分可能會造成故障誤報[12]，如受紊流、風向變化和相鄰風力機干擾等因素影響，風力機常處于偏航狀態(tài)，協(xié)整分析時的偏航狀態(tài)會引起殘差幅值超過正常閾值、造成故障誤報。DAO等[13]將偏航狀態(tài)定義為“異常運行狀態(tài)”，采用協(xié)整分析監(jiān)測風力機狀態(tài)和齒輪箱故障，但在確定殘差預警閾值時，該研究未能有效區(qū)分風力機偏航和齒輪箱故障兩種狀態(tài)，影響故障診斷的準確性。

本文提出一種基于協(xié)整分析的裝備多工況監(jiān)測與故障診斷方法，以SCADA系統(tǒng)的運行數(shù)據(jù)為基礎，采用隨機森林(random forest，RF)特征選擇算法提取關鍵特征變量；通過對關鍵特征序列的協(xié)整分析建立協(xié)整殘差模型，獲得最優(yōu)殘差序列；基于殘差序列，采用概率圖(probability plot，PP)確定每種工況對應的殘差區(qū)間和預警閾值，實現(xiàn)狀態(tài)監(jiān)測與故障預警。

1 問題描述與分析步驟

在系統(tǒng)和環(huán)境等多重隨機因素的共同作用下，裝備狀態(tài)常呈現(xiàn)非平穩(wěn)、多工況等特征[16]。協(xié)整分析適合處理非平穩(wěn)時間序列長期均衡的動態(tài)關系，可用于裝備狀態(tài)監(jiān)測與故障診斷?，F(xiàn)有的協(xié)整分析模型存在以下不足[8-11，13，15]：①關鍵特征變量的選取多依靠經驗或只針對某一類信號，適用范圍有限，可能會導致關鍵特征缺失，影響模型精度；②殘差閾值的設定主要基于統(tǒng)計過程控制(statistical process control，SPC)方法，難以有效劃分多重工況，易造成故障誤報，降低故障診斷的準確性。

為了解決上述問題，本文提出一種基于協(xié)整分析的裝備多工況監(jiān)測與故障診斷方法，該方法的主要步驟包括[15]：

(1)構建訓練集。以SCADA系統(tǒng)收集的特征變量歷史數(shù)據(jù)構建訓練集，通過預處理剔除異常狀態(tài)數(shù)據(jù)，得到正常運行狀態(tài)下特征變量的時間序列{xj}，j=1，2，…，J。

(2)提取關鍵特征變量。對序列{xj}采用隨機森林特征選擇算法，提取目標變量的關鍵特征序列{xj′}，j′=1，2，…，J′；J′

(3)關鍵特征的增廣迪基-富勒(augmented Dicky-Fuller，ADF)檢驗[15]。確定關鍵特征序列的單整階數(shù)，即判斷序列是否為一階單整序列。

(4)關鍵特征的Johansen協(xié)整檢驗。確定關鍵特征的協(xié)整關系數(shù)目r并計算協(xié)整系數(shù)矩陣βr。

(5)構建測試集。以SCADA系統(tǒng)收集的關鍵特征運行數(shù)據(jù)構建測試集，保留異常狀態(tài)數(shù)據(jù)，得到運行狀態(tài)下關鍵特征的時間序列{zj′}。

(6)計算協(xié)整殘差模型?；趨f(xié)整系數(shù)矩陣βr以及構建的測試序列{zj′}，計算協(xié)整殘差模型ξ。

(7)協(xié)整殘差模型的ADF檢驗。判斷協(xié)整殘差模型中各殘差序列的平穩(wěn)性，即是否為平穩(wěn)時間序列。

(8)選取最優(yōu)殘差序列。以最大特征值對應的殘差模型為最佳監(jiān)測模型，其殘差序列為最優(yōu)殘差序列。

(9)確定各工況的殘差區(qū)間和預警閾值。利用概率圖分析最優(yōu)殘差序列，劃分多工況狀態(tài)的殘差區(qū)間，并確定每種工況對應的預警閾值。

(10)狀態(tài)監(jiān)測與故障診斷。觀測裝備運行中的殘差是否超過設定的閾值，完成裝備狀態(tài)監(jiān)測與故障預警。

2 基于隨機森林的關鍵特征提取

隨機森林是裝袋算法的一個拓展體，采用重抽樣技術從原始數(shù)據(jù)集中隨機抽取數(shù)據(jù)構建決策樹，在生成決策樹的過程中引入隨機特征選擇策略，從海量特征中提取關鍵特征，達到降維和提升模型性能的目的[16]。

2.1 隨機森林特征重要性度量方法

隨機森林特征重要性的度量主要依據(jù)特征隨機置換前后生成的袋外數(shù)據(jù)和袋外數(shù)據(jù)誤差。袋外數(shù)據(jù)是指利用重抽樣技術建立決策樹時沒有參與決策樹構建的數(shù)據(jù)，這部分數(shù)據(jù)可以用于對決策樹的性能進行評估。袋外數(shù)據(jù)誤差為將袋外數(shù)據(jù)代入所建立的決策樹而計算得到的模型預測誤差率。特征置換后的袋外數(shù)據(jù)誤差通常會增大，而特征重要性越高，隨機森林袋外數(shù)據(jù)誤差的變化值越大[16]。因此，通過分析特征置換前后袋外數(shù)據(jù)誤差的變化，可評估每個特征對目標變量的重要性。

定義1 第k棵決策樹的袋外數(shù)據(jù)

對于訓練集D，通過bootstrap方法生成數(shù)據(jù)集Dk，建立第k棵決策樹，則未參與第k棵決策樹構建的數(shù)據(jù)D-Dk稱為第k棵決策樹的袋外數(shù)據(jù)Ok。

定義2 基于袋外數(shù)據(jù)誤差的特征j重要性度量

將袋外數(shù)據(jù)分別代入各自的決策樹，計算袋外數(shù)據(jù)誤差，然后對袋外數(shù)據(jù)中的特征j進行隨機置換，計算新的袋外數(shù)據(jù)誤差。決策樹在特征j置換前后的袋外數(shù)據(jù)誤差的平均變化量即為特征j的重要性。

2.2 隨機森林特征重要性計算步驟

假設隨機森林中的決策樹總數(shù)為K，原始數(shù)據(jù)集有J個特征。對于特征j，基于袋外數(shù)據(jù)誤差分析的特征重要性計算步驟如下：

(1)計算第k棵決策樹對應的袋外數(shù)據(jù)Ok和袋外數(shù)據(jù)誤差Ek。

(2)保持其他特征不變，對Ok中的特征j進行隨機序列置換，計算新的袋外數(shù)據(jù)Okj和袋外數(shù)據(jù)誤差Ekj。

(3)重復步驟(1)、步驟(2)，得到{Ek|k=1，2，…，K}和{Ekj|k=1，2，…，K；j=1，2，…，J}。

(4)計算決策樹在特征j置換前后袋外數(shù)據(jù)誤差的平均變化量[17]：

(1)

式中，V(j)為特征j對于目標變量的重要性。

依次計算各特征對目標變量的重要性，按由大到小排序得到關鍵特征變量。

3 基于協(xié)整分析的建模

3.1 單整與協(xié)整的定義

若一個時間序列在成為平穩(wěn)序列之前需經過d(d>0)次差分，則稱該序列為d階單整，記作I(d)。如果序列{xit}(i=1,2,…,n)為d階單整，且存在一個向量η=(η1，η2，…，ηn)，使得η·Xt～I(d-b)，其中，b>0，Xt=({x1t},{x2t},…,{xnt})，則稱Xt為d-b階協(xié)整，記作Xt～CI(d-b)，η為協(xié)整系數(shù)[8]。

由協(xié)整的定義可知，如果一組變量具有保持線性關系的共同趨勢，那么協(xié)整分析可以建立這種線性關系，即協(xié)整分析可以對兩個或多個單整階數(shù)均為一階的非平穩(wěn)序列進行線性組合，使其變?yōu)橐粋€平穩(wěn)序列。例如，{xit}為一階單整的非平穩(wěn)序列，如果它們滿足協(xié)整關系，則存在一組系數(shù)a1，a2，…，al，使得φ=a1x1t+a2x2t+…+alxlt成立，其中，φ為協(xié)整殘差。

3.2 協(xié)整分析建模步驟

對于非平穩(wěn)時間序列，通常將其轉變?yōu)槠椒€(wěn)序列再開展相關研究。時間序列單位根檢驗也稱為時間序列平穩(wěn)性檢驗，常用方法是增廣迪基-富勒檢驗。若非平穩(wěn)時間序列存在單位根，則采用差分方法得到平穩(wěn)序列。

3.2.1關鍵特征的ADF單位根檢驗

考慮下列回歸模型：

xt=ρxt-1+et

(2)

式中，x0=0；t為觀測時刻；ρ為系數(shù)；et～(0，σ2)為均值是0、標準差是σ的白噪聲序列隨機誤差。

對于時間序列{xt}，若|ρ|<1，則{xt}是平穩(wěn)的；若|ρ|=1，則{xt}是非平穩(wěn)的，{xt}的單整階數(shù)為1并含有一個單位根。

變量yt的ADF檢驗方程為

Δyt=γyt-1+θ1Δyt-1+θ2Δyt-2+…+

θp-1Δyt-p+1+et

(3)

γ=ρ-1

其中，Δyt為yt的差分；{yt-1}為{yt}的一階滯后序列；θi為系數(shù)，i=1，2，…，p-1；p為滯后階數(shù)，通常采用赤池信息準則(Akaike information criterion，AIC)確定；Δyt-i為yt的i階差分；et為隨機誤差[18]。

使用最小二乘法對式(3)中的系數(shù)γ進行估計，通過檢驗系數(shù)γ的t統(tǒng)計量，從而判斷序列yt是否為一階單整序列。檢驗假設H0：γ=0(yt非平穩(wěn))；H1：γ<0(yt平穩(wěn))。計算系數(shù)γ的t檢驗統(tǒng)計量：

(4)

式中，σγ為γ的標準差。

由ADF分布臨界值表查得在給定顯著性水平下對應γ的臨界值。若tγ小于臨界值，則拒絕H0假設，即原序列不存在單位根，是平穩(wěn)時間序列；否則原序列不平穩(wěn)，則必須對其差分進一步檢驗單位根，建立相應的檢驗模型再次開展假設檢驗，若差分序列的t檢驗統(tǒng)計量小于臨界值，則拒絕H0假設，說明差分序列是平穩(wěn)時間序列，原序列為一階單整序列。

3.2.2關鍵特征的Johansen協(xié)整檢驗

假設有一階單整分量的向量時間序列{yt}，它的p階向量自回歸(vector auto regression，VAR)可以表示為

yt=A1yt-1+A2yt-2+…+Apyt-p+ξt

(5)

式中，yt=(y1t，y2t，…，ymt)T是由m個一階單整非平穩(wěn)變量構成的m×1維向量，t=1，2，…，T；yt-1，yt-2，…，yt-p是與yt對應的p個m×1維滯后項；A1，A2，…，Ap為m×m維參數(shù)矩陣；ξt是m×1維殘差向量。

式(5)兩邊同時減去yt-1完成差分變換，可得到對應于p階向量自回歸的誤差修正模型[11]：

(6)

(7)

式中，Em為單位矩陣；α為調整系數(shù)矩陣；β為協(xié)整系數(shù)矩陣；ξt～N(0，Ω)為平穩(wěn)的殘差向量；Ω為ξt的方差。

α和β均為m×r維矩陣，其秩均為r。

整合式(6)、式(7)，可得

(8)

為確定協(xié)整關系數(shù)目r和協(xié)整系數(shù)矩陣β，建立兩個輔助回歸方程，并完成系數(shù)的最小二乘估計[19]：

(9)

(10)

利用殘差矩陣R0t、R1t構建積矩陣Swz(w，z=0，1)：

(11)

建立并求解特征值方程，可得協(xié)整系數(shù)矩陣β：

(12)

(13)

式中，λ為特征方程的解；βi(i=1，2，…，m)為λi的特征向量且λ1≥λ2≥…≥λm。

如果由r個最大的特征值給出了協(xié)整向量，則剩余m-r個非協(xié)整組合的特征值λr+1，λr+2，…，λm為0。以特征值的跡統(tǒng)計量Qr來檢驗變量的協(xié)整關系，給出Johansen檢驗假設H0：存在r(r=0，1，…，m-1)個協(xié)整關系。跡統(tǒng)計量Qr為[9]

(14)

按順序依次檢驗統(tǒng)計量Qr的顯著性，Qr大于檢驗臨界值時，拒絕H0假設，繼續(xù)按順序開展統(tǒng)計量顯著性檢驗，直到檢驗假設H0不被拒絕為止。確定協(xié)整關系數(shù)目r后，即可得到協(xié)整系數(shù)矩陣βr，由此建立協(xié)整殘差模型[20]：

(15)

ξt即為所求的協(xié)整殘差模型。

若殘差模型對應的r個殘差序列均為平穩(wěn)時間序列，則都可用于描述系統(tǒng)的穩(wěn)定性。這r個殘差序列中，最大特征值對應的模型包含系統(tǒng)信息最多，為最佳監(jiān)測模型，稱為最優(yōu)殘差序列。

3.3 協(xié)整殘差區(qū)間和預警閾值的確定

3.3.1基于SPC的殘差閾值確定方法

殘差處于控制限之內表明裝備運行正常；殘差超出控制限，則認為裝備運行異常。目前，利用最優(yōu)殘差序列確定裝備狀態(tài)殘差區(qū)間和預警閾值的方法主要為：①以v±3σ為殘差閾值的上下限即方法1，其中，v、σ分別為殘差序列的均值和標準差；②以裝備正常運行狀態(tài)下殘差的最大幅值、最小幅值確定殘差閾值的上下限即方法2[8-11，13，15]。

上述兩種方法均可用于裝備狀態(tài)監(jiān)測和提前預警，但也存在不足：方法1殘差閾值區(qū)間過大，提前預警效果較差，甚至會造成報警延誤；方法2沒有考慮裝備運行中可能存在的多種工況，具有局限性。為此，本文基于概率圖，提出考慮裝備多重工況以確定殘差閾值的第3種方法。

3.3.2基于概率圖的殘差閾值確定方法

概率圖是根據(jù)樣本的真實數(shù)據(jù)以及指定理論分布的累積概率所繪制的散點圖，能直觀檢測樣本數(shù)據(jù)是否符合某一概率分布。由統(tǒng)計學理論可知：若樣本總體服從正態(tài)分布，則它在散點圖上近似呈一條直線[21]。

裝備正常運行時，殘差序列多服從正態(tài)分布，具體表現(xiàn)為：均值附近的概率較大；離均值越遠，點越少、出現(xiàn)的概率越小。裝備出現(xiàn)異常時，系統(tǒng)會偏離正常狀態(tài)，輸出的殘差幅值也會偏離正常值，概率密度曲線將出現(xiàn)偏移，正常狀態(tài)下發(fā)生概率較小的數(shù)據(jù)點會大量出現(xiàn)[12]。因此，通過概率圖擬合得到的最優(yōu)殘差序列，繪制多重工況概率圖，根據(jù)不同工況下殘差序列小概率點對應的殘差最小幅值、最大幅值，可以確定各工況對應的殘差分布區(qū)間及預警閾值，實現(xiàn)裝備多工況狀態(tài)監(jiān)測與故障診斷。

4 案例分析

本節(jié)以某風電場3 MW直驅式風力機為研究對象，利用其2014年6月至12月的SCADA數(shù)據(jù)和故障維修數(shù)據(jù)進行分析，已知該風力機每隔10 min獲取一條狀態(tài)數(shù)據(jù)。根據(jù)零部件類型，故障可分為電機故障、控制系統(tǒng)故障、空冷系統(tǒng)故障、勵磁故障和饋電故障，故障統(tǒng)計如表1所示。

表1 故障次數(shù)及維修時間

由表1可知，電機故障導致的維修時間最長，因此，本文主要考慮風力機正常、偏航和電機故障3種狀態(tài)，其中，正常和偏航狀態(tài)下的電機狀況良好，但利用協(xié)整分析進行狀態(tài)監(jiān)測與故障診斷時，偏航狀態(tài)會引起殘差幅值超過正常閾值，造成電機故障誤報。為排除這一干擾，本文提出一種裝備多工況監(jiān)測與故障診斷方法，具體分析過程如下。

已知該風力機SCADA系統(tǒng)采集風速、轉速、功率、環(huán)境溫度等42個特征變量，利用隨機森林特征選擇算法提取反映電機故障的關鍵特征變量。由文獻[22]可知，轉速是能反映電機故障與否的有效特征變量。對SCADA數(shù)據(jù)進行預處理，篩除異常狀態(tài)數(shù)據(jù)，得到正常運行狀態(tài)下各特征變量的時間序列，以轉速作為隨機森林的輸出變量，將其余41個特征作為隨機森林的輸入變量，計算得到最重要的前4個特征變量：風速、功率、無功功率和定子溫度2。繪制上述關鍵特征的時間序列，如圖1所示。

(a)風力機風速時間序列 (b)風力機轉速時間序列 (c)風力機功率時間序列

(d)風力機無功功率時間序列 (e)風力機定子溫度2時間序列圖1 風力機正常運行狀態(tài)的SCADA數(shù)據(jù)Fig.1 SCADA data under normal operation of wind turbine

由圖1可知，風力機運行環(huán)境的變化使其特征變量的變化為典型的非平穩(wěn)隨機變化。ADF檢驗表明上述5個特征變量均為非平穩(wěn)時間序列，一階差分后可得到平穩(wěn)時間序列，即原序列均為一階單整序列。通過AIC準則確定模型的滯后階數(shù)為5。利用Johansen協(xié)整檢驗確定協(xié)整關系的數(shù)目，如表2所示。

風力機的風速、轉速、功率、無功功率和定子溫度2之間存在4個協(xié)整關系，計算可以得到4個協(xié)整向量，由4列的協(xié)整向量組成的協(xié)整系數(shù)矩陣為

(16)

將協(xié)整系數(shù)矩陣β代入式(15)，并結合SCADA系統(tǒng)收集的關鍵特征運行數(shù)據(jù)，計算得到協(xié)整殘差模型：

表2 Johansen協(xié)整檢驗結果

(17)

Johanson協(xié)整檢驗是基于最大特征值的統(tǒng)計方法，特征值越大，對應模型包含的信息越多，監(jiān)測系統(tǒng)運行狀態(tài)的能力越好。殘差模型的特征值是從大到小排列的，故選取特征值最大的殘差模型ξ1t進行歸一化處理，得到風力機運行狀態(tài)的最佳監(jiān)測模型：

ξ1t=y1t-0.7794y2t-0.0022y3t+

0.0319y4t+0.0076y5t

(18)

將風力機的上述5個特征變量代入式(18)，構造最優(yōu)殘差序列并開展ADF檢驗，得到檢驗值為-13.29，小于5%臨界值-1.9416，表明最優(yōu)殘差序列為平穩(wěn)時間序列，可用于評估風力機的運行狀態(tài)。

為排除因風速未達到切入風速導致的偏航狀態(tài)對風力機電機故障診斷的干擾，本文將風力機分為正常、偏航、電機故障3種狀態(tài)。通過數(shù)據(jù)預處理得到3種狀態(tài)對應的殘差序列，其中，電機故障狀態(tài)殘差序列包含故障數(shù)據(jù)、偏航數(shù)據(jù)和正常數(shù)據(jù)，偏航狀態(tài)殘差序列包含偏航數(shù)據(jù)和正常數(shù)據(jù)，正常狀態(tài)殘差序列只包含正常數(shù)據(jù)。繪制3種狀態(tài)的殘差序列概率圖(圖2)。

圖2 風力機3種狀態(tài)的殘差分布概率圖Fig.2 Probability plot ofresidual distribution of 3 states of wind turbine

風力機正常狀態(tài)的殘差區(qū)間為[-3.8957，3.9020]，偏航狀態(tài)的殘差區(qū)間為[-4.8234，7.7697]，故障狀態(tài)的殘差區(qū)間為[-4.8234，43.3767]。當風力機出現(xiàn)偏航和故障時，殘差下限變化不大，而殘差上限會出現(xiàn)明顯偏離，因此，本文通過分析3種狀態(tài)的殘差上限完成工況劃分。殘差幅值3.9020是風力機正常狀態(tài)與偏航狀態(tài)的分界線，殘差幅值7.7697是風力機偏航狀態(tài)與電機故障狀態(tài)的分界線，從而得到如下的劃分結果：風力機正常狀態(tài)的殘差區(qū)間為[-4.8234，3.9020]，偏航狀態(tài)的殘差區(qū)間為(3.9020，7.7697]，電機故障狀態(tài)的殘差區(qū)間為(7.7697，43.3767]。

取同一臺風力機運行狀態(tài)下的SCADA數(shù)據(jù)來驗證模型、殘差預警閾值的有效性。根據(jù)風力機SCADA系統(tǒng)采集的數(shù)據(jù)可知，在樣本點207附近，風速未達到切入風速，風力機轉速和功率很小，處于偏航狀態(tài)；在樣本點362附近，風速達到切入風速，但風力機轉速和功率很小，處于電機故障狀態(tài)。根據(jù)得到的最優(yōu)殘差序列，利用基于概率圖的殘差閾值確定方法(方法3)進行分析，并與基于統(tǒng)計過程控制的殘差閾值確定方法(方法1和方法2)進行比較，結果如圖3所示。

圖3 不同殘差閾值確定方法的工況劃分Fig.3 Condition division of different residual threshold determination methods

由圖3可知，根據(jù)概率圖確定的電機故障預警閾值為7.7697，風力機在樣本點360.6時，殘差幅值超出方法3確定的閾值上限，此時風力機電機發(fā)生故障。而利用SCADA系統(tǒng)直接進行監(jiān)測，直到樣本點362時系統(tǒng)才會發(fā)出電機故障警報。風力機每隔10 min記錄一個樣本點，獲取一條狀態(tài)數(shù)據(jù)，故與傳統(tǒng)方法相比，方法3能提前14 min監(jiān)測到電機故障。根據(jù)殘差序列均值和標準差確定的電機故障預警閾值為13.2728，即方法1在樣本點361.2時發(fā)出警報，并能較準確地識別出電機故障，但報警提前期僅為8 min，提前預警能力不如方法3。根據(jù)正常狀態(tài)下殘差序列最大幅值確定的電機故障預警閾值為3.902，即方法2在樣本點360.3時發(fā)出警報，能提前17 min識別出電機故障，但不能有效排除樣本點207時偏航狀態(tài)造成的干擾，預警準確度不如方法3。

5 結論

本文基于風力機的SCADA數(shù)據(jù)，在協(xié)整分析的基礎上集成隨機森林和概率圖等理論，針對非平穩(wěn)多工況的裝備提出一種狀態(tài)監(jiān)測與故障診斷方法。本文在協(xié)整分析之前利用隨機森林特征選擇算法、提取關鍵特征，提高了協(xié)整殘差的精度。在協(xié)整分析之后提出基于概率圖的殘差閾值確定方法，有效實現(xiàn)了多種工況的狀態(tài)監(jiān)測與提前預警，提高了故障診斷的準確性。

后續(xù)可結合不同類型工業(yè)裝備以及故障類型展開故障診斷方法研究。此外，可根據(jù)裝備不同月份、季度故障次數(shù)的統(tǒng)計，尋找其季節(jié)性特征，并通過調整裝備故障診斷的殘差閾值，開展維修策略優(yōu)化研究。