李 鵬，張 凡，馬溪原，姚森敬，王曉東，吳宇航，徐 臻，楊 蘋

(1.南方電網(wǎng)數(shù)字電網(wǎng)研究院，廣東 廣州 510630；2. 國(guó)家電投集團(tuán)廣西電力有限公司，廣西 南寧 530000；3. 華南理工大學(xué)廣東省綠色能源技術(shù)重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510641)

0 引 言

海上風(fēng)電機(jī)組長(zhǎng)期運(yùn)行在環(huán)境多變的海洋氣候環(huán)境下，其維護(hù)工作比陸上風(fēng)電場(chǎng)更加復(fù)雜，運(yùn)維人員需要通過(guò)搭乘專業(yè)運(yùn)維船或直升機(jī)才能到達(dá)檢修地點(diǎn)。受海上氣象條件限制，運(yùn)維人員需要選擇合適的出海條件開(kāi)展維護(hù)工作。然而，當(dāng)機(jī)組發(fā)生故障時(shí)，若不及時(shí)排除故障，可能會(huì)造成故障擴(kuò)散發(fā)展，造成大面積海上風(fēng)電機(jī)組停運(yùn)，造成巨大經(jīng)濟(jì)損失。因此，對(duì)海上風(fēng)電機(jī)組進(jìn)行精準(zhǔn)故障診斷，是海上風(fēng)電場(chǎng)安全穩(wěn)定運(yùn)行的重要保障。

為提升風(fēng)電機(jī)組故障診斷精度，國(guó)內(nèi)外學(xué)者開(kāi)展了大量研究。文獻(xiàn)[1]以風(fēng)電場(chǎng)SCADA系統(tǒng)的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ)進(jìn)行越限報(bào)警；文獻(xiàn)[2]基于SCADA系統(tǒng)的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，給出典型故障的越限診斷指標(biāo)；文獻(xiàn)[3]采用SCADA系統(tǒng)的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)建立風(fēng)電機(jī)組的故障預(yù)警模型。文獻(xiàn)[4]基于主傳動(dòng)鏈振動(dòng)監(jiān)測(cè)系統(tǒng)的振動(dòng)信號(hào)分析，采用神經(jīng)網(wǎng)絡(luò)對(duì)轉(zhuǎn)速和載荷非平穩(wěn)狀態(tài)下的齒輪箱故障進(jìn)行識(shí)別，比較SCADA系統(tǒng)的低速實(shí)時(shí)監(jiān)測(cè)系統(tǒng)的越限報(bào)警信號(hào)可以更精確地定位齒輪箱故障。文獻(xiàn)[5]構(gòu)建了深度變分自編碼網(wǎng)絡(luò)預(yù)測(cè)模型，挖掘了SCADA數(shù)據(jù)的分布特征，提高了風(fēng)電齒輪箱預(yù)警的魯棒性。文獻(xiàn)[6]采用了梯度懲罰Wasserstein生成對(duì)抗網(wǎng)絡(luò)，更精確的預(yù)警了風(fēng)電機(jī)組傳動(dòng)鏈故障。文獻(xiàn)[7]將快速獨(dú)立成分分析與經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)合，對(duì)信號(hào)進(jìn)行分離，并采用基于改進(jìn)遺傳算法的極限學(xué)習(xí)機(jī)，提高了風(fēng)電機(jī)組軸承故障的診斷準(zhǔn)確率。文獻(xiàn)[8-14]分別提出基于小波分解與支持向量機(jī)分類相結(jié)合的齒輪箱典型故障診斷方法、基于噪聲抑制的風(fēng)電軸承振動(dòng)故障的神經(jīng)網(wǎng)絡(luò)診斷方法、基于自適應(yīng)最優(yōu)核時(shí)頻分析的非平穩(wěn)工況下風(fēng)電機(jī)組主傳動(dòng)鏈的行星齒輪箱的故障診斷方法，都是從專業(yè)的主傳動(dòng)鏈振動(dòng)監(jiān)測(cè)系統(tǒng)的振動(dòng)信號(hào)中提取出更加有效的典型故障特征。文獻(xiàn)[15]提出了SCADA數(shù)據(jù)和振動(dòng)信息相結(jié)合的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)方法，利用這兩類數(shù)據(jù)開(kāi)展了風(fēng)電機(jī)組狀態(tài)的實(shí)時(shí)監(jiān)測(cè)，以便對(duì)典型故障進(jìn)行研究。

以上研究大多數(shù)集中在SCADA系統(tǒng)信號(hào)的處理方法和故障檢測(cè)模型的改進(jìn)上，期待通過(guò)大量的故障樣本提取故障特征進(jìn)行典型故障的檢測(cè)。海上風(fēng)電場(chǎng)的建設(shè)剛剛在國(guó)內(nèi)興起，針對(duì)大型海上風(fēng)電機(jī)組這類新興的大型復(fù)雜設(shè)備的典型故障診斷，積累的故障樣本很少，且數(shù)據(jù)源單一，僅包含SCADA數(shù)據(jù)，無(wú)法準(zhǔn)確檢測(cè)故障。因此，本文將SCADA系統(tǒng)和振動(dòng)監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)融合，并提出一種基于自編碼網(wǎng)絡(luò)的海上風(fēng)電機(jī)組典型故障診斷方法。通過(guò)對(duì)SCADA系統(tǒng)和振動(dòng)監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)接口進(jìn)行二次開(kāi)發(fā)對(duì)接，將兩種系統(tǒng)的數(shù)據(jù)進(jìn)行特征融合，進(jìn)一步提高了故障診斷的精度。

1 海上風(fēng)電機(jī)組典型故障診斷框架

海上風(fēng)電機(jī)組的電氣類部件監(jiān)測(cè)數(shù)據(jù)完備，這類故障容易實(shí)現(xiàn)提前預(yù)警，其模塊化結(jié)構(gòu)也方便更換故障部件。而海上風(fēng)電機(jī)組的機(jī)械傳動(dòng)部件實(shí)時(shí)監(jiān)測(cè)成本高、監(jiān)測(cè)數(shù)據(jù)較少，故障難以提前預(yù)警，故障排除也十分困難。針對(duì)海上風(fēng)電機(jī)組故障多發(fā)的主軸、發(fā)電機(jī)軸承和發(fā)電機(jī)繞組三大核心機(jī)械部件，對(duì)其典型故障進(jìn)行重點(diǎn)分析。其中，主軸的主要故障類型包括軸不對(duì)中和軸彎曲兩種，軸不對(duì)中主要是由于設(shè)計(jì)、安裝缺陷等原因造成，軸彎曲則主要是由于材料、安裝缺陷，導(dǎo)致制造過(guò)程中沒(méi)有消除應(yīng)力集中造成的；發(fā)電機(jī)軸承的主要故障類型包括軸斷裂、軸承磨損兩種，軸斷裂主要是由于材料缺陷，導(dǎo)致制造過(guò)程中沒(méi)有消除應(yīng)力集中造成，軸承磨損主要是由于材料、安裝缺陷、潤(rùn)滑不良等原因造成；發(fā)電機(jī)繞組的主要故障類型包括轉(zhuǎn)子故障、定子故障兩種，轉(zhuǎn)子故障是由于轉(zhuǎn)子偏心、軸承變形、制造缺陷、安裝不良等原因造成，定子故障則是由于繞組絕緣老化等原因造成。

針對(duì)故障診斷問(wèn)題，常常采用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模與診斷。然而，海上風(fēng)電機(jī)組大多數(shù)情況下是正常運(yùn)行的，其故障樣本遠(yuǎn)少于正常運(yùn)行樣本，于是，直接采用典型故障的少量樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)效果不佳。針對(duì)這一類問(wèn)題，可以利用深度自編碼網(wǎng)絡(luò)對(duì)正常運(yùn)行狀態(tài)進(jìn)行重構(gòu)，通過(guò)檢測(cè)的重構(gòu)誤差發(fā)現(xiàn)典型故障。同時(shí)，深度自編碼網(wǎng)絡(luò)的中間層輸出結(jié)果提取了輸入數(shù)據(jù)的核心特征，可用于故障的分類。因此，本文設(shè)計(jì)了海上風(fēng)電機(jī)組典型故障診斷框架如圖1所示。

圖1 海上風(fēng)電機(jī)組故障診斷框架

首先，將SCADA數(shù)據(jù)和振動(dòng)監(jiān)測(cè)系統(tǒng)數(shù)據(jù)進(jìn)行歸一化。然后，分別對(duì)SCADA數(shù)據(jù)和振動(dòng)監(jiān)測(cè)系統(tǒng)數(shù)據(jù)采用自編碼網(wǎng)絡(luò)進(jìn)行降維。由于，振動(dòng)監(jiān)測(cè)系統(tǒng)數(shù)據(jù)是對(duì)機(jī)組關(guān)鍵部件振動(dòng)細(xì)節(jié)的局部放大，與SCADA監(jiān)測(cè)系統(tǒng)低頻數(shù)據(jù)的全局描述聯(lián)合，可以更加全面表征典型故障的特征，因此本文將兩類獨(dú)立故障特征數(shù)據(jù)進(jìn)行了融合。接著，通過(guò)深度自編碼網(wǎng)絡(luò)對(duì)輸入故障特征進(jìn)行重構(gòu)，判斷重構(gòu)誤差是否大于閾值，若大于閾值，說(shuō)明其為故障樣本，否則為正常樣本。最后，通過(guò)深度自編碼故障分類模型將故障樣本進(jìn)行分類，實(shí)現(xiàn)海上風(fēng)電機(jī)組典型故障的診斷。

2 基于兩類獨(dú)立故障特征數(shù)據(jù)的海上風(fēng)電機(jī)組典型故障的特征降維

針對(duì)海上風(fēng)電機(jī)組的典型故障，提取足夠的故障特征才能準(zhǔn)確判斷故障，但是，冗余的故障特征不但對(duì)故障判斷沒(méi)有幫助，還會(huì)降低故障診斷的精度，為此，需要對(duì)故障特征進(jìn)行降維。海上風(fēng)電機(jī)組的SCADA系統(tǒng)以1 s為間隔全面監(jiān)測(cè)機(jī)組的運(yùn)行狀態(tài)，與振動(dòng)監(jiān)測(cè)系統(tǒng)以2 kHz的采集頻率實(shí)時(shí)監(jiān)測(cè)的機(jī)組主傳動(dòng)鏈振動(dòng)信號(hào)數(shù)據(jù)一起，組成兩類原始故障特征數(shù)據(jù)樣本。這2類獨(dú)立數(shù)據(jù)源對(duì)于典型故障的表征能力與表征的角度是不一樣的。海上風(fēng)電機(jī)組的SCADA系統(tǒng)的機(jī)組的運(yùn)行狀態(tài)數(shù)據(jù)包括4大類：機(jī)組運(yùn)行模式及其功率、機(jī)組運(yùn)行狀態(tài)、溫度特征、振動(dòng)特征。其中的運(yùn)行模式及其功率、機(jī)組運(yùn)行狀態(tài)是對(duì)于機(jī)組的全局表征，溫度特征是關(guān)鍵部位的溫度信息，振動(dòng)特征是關(guān)鍵部位的振動(dòng)特征。而基于振動(dòng)監(jiān)測(cè)系統(tǒng)的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)提取的故障特征只有一類：振動(dòng)特征。來(lái)源于2種系統(tǒng)的振動(dòng)數(shù)據(jù)的振動(dòng)特征是不一樣的，SCADA系統(tǒng)是低速采集的振動(dòng)數(shù)據(jù)，振動(dòng)監(jiān)測(cè)系統(tǒng)是采集的多方位的振動(dòng)數(shù)據(jù)，因此，振動(dòng)監(jiān)測(cè)系統(tǒng)的振動(dòng)信號(hào)是SCADA系統(tǒng)振動(dòng)信號(hào)在細(xì)節(jié)上的重要補(bǔ)充。為此，針對(duì)這2類獨(dú)立數(shù)據(jù)源，分別進(jìn)行故障特征提取與特征降維，以保留它們對(duì)于典型故障的獨(dú)立表征能力。

本文采用自編碼網(wǎng)絡(luò)對(duì)故障特征進(jìn)行降維。自編碼網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示，全連接層1是編碼器，將輸入數(shù)據(jù)進(jìn)行編碼提取其特征，特征維度為輸出的神經(jīng)元個(gè)數(shù)；全連接層2是解碼器，對(duì)提取的特征進(jìn)行解碼，重構(gòu)輸入數(shù)據(jù)。當(dāng)提取的特征維度小于輸入數(shù)據(jù)維度時(shí)，即實(shí)現(xiàn)了故障特征的降維，這一過(guò)程可表示為

圖2 自編碼網(wǎng)絡(luò)結(jié)構(gòu)

(1)

自編碼網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是輸出與輸入的誤差最小，可采用均方誤差作為訓(xùn)練的損失函數(shù)

(2)

為使降維后的故障特征盡可能地保持原始輸入故障特征的表征能力，應(yīng)使得誤差LAE盡可能小。因此，對(duì)故障特征進(jìn)行降維的步驟如下：

(1)從原始特征的維數(shù)開(kāi)始，逐漸減少全連接層1輸出神經(jīng)元的個(gè)數(shù)，并逐一訓(xùn)練自編碼網(wǎng)絡(luò)；

(2)計(jì)算重構(gòu)誤差，當(dāng)誤差顯著增大時(shí)，選定顯著增大前一個(gè)維數(shù)為降維的維數(shù)，并保留相應(yīng)的編碼器的參數(shù)；否則重復(fù)步驟(1)。

3 基于兩類獨(dú)立故障特征數(shù)據(jù)融合的海上風(fēng)電機(jī)組典型故障診斷

SCADA數(shù)據(jù)是對(duì)機(jī)組狀態(tài)全局的描述，而振動(dòng)檢測(cè)系統(tǒng)數(shù)據(jù)是對(duì)機(jī)組振動(dòng)特征的細(xì)節(jié)描述，二者的結(jié)合可以更全面的描述機(jī)組的狀態(tài)。因此，本節(jié)將這2類獨(dú)立的故障特征數(shù)據(jù)融合，構(gòu)建了基于自編碼網(wǎng)絡(luò)的典型故障診斷及分類模型，以充分利用2類故障特征數(shù)據(jù)的特點(diǎn)，對(duì)海上風(fēng)電機(jī)組典型故障進(jìn)行診斷。

3.1 基于深度自編碼器的典型故障診斷模型

海上風(fēng)電機(jī)組的典型故障樣本較少，如果采用少量故障樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練建模，神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)效果不佳。針對(duì)這一類問(wèn)題，可以采用深度自編碼網(wǎng)絡(luò)對(duì)正常運(yùn)行狀態(tài)進(jìn)行重構(gòu)訓(xùn)練，通過(guò)檢測(cè)深度自編碼網(wǎng)絡(luò)[16]的重構(gòu)誤差發(fā)現(xiàn)典型故障。

大量監(jiān)測(cè)數(shù)據(jù)表明，海上風(fēng)電機(jī)組正常運(yùn)行過(guò)程中，其振動(dòng)的頻率、幅值與機(jī)組的運(yùn)行模式及其對(duì)應(yīng)的功率緊密相關(guān)，運(yùn)行功率越大，搖晃和振動(dòng)越大，其關(guān)系是非線性的，無(wú)法采用固定背景振動(dòng)模板或線性背景振動(dòng)模型反映實(shí)際的背景振動(dòng)。而本文利用自編碼神經(jīng)網(wǎng)絡(luò)的重構(gòu)能力，將海上風(fēng)電機(jī)組正常運(yùn)行模式及其對(duì)對(duì)應(yīng)的不同功率范圍的背景振動(dòng)進(jìn)行重構(gòu)，而故障運(yùn)行模式下，相應(yīng)的振動(dòng)與正常運(yùn)行模式相比有較大的區(qū)別，無(wú)法完全重構(gòu)。從而實(shí)現(xiàn)識(shí)別背景振動(dòng)和異常振動(dòng)的目的。對(duì)于非振動(dòng)數(shù)據(jù)，其在故障運(yùn)行狀態(tài)下的特征也會(huì)發(fā)生改變，因此也可以采用自編碼網(wǎng)絡(luò)，對(duì)正常運(yùn)行模式和故障運(yùn)行模式進(jìn)行判斷。

圖3 基于深度自編碼器的故障診斷模型

(3)

(4)

故障診斷模型的訓(xùn)練過(guò)程如下：

(1)對(duì)海上風(fēng)電機(jī)組典型故障的樣本數(shù)據(jù)集(含正常運(yùn)行狀態(tài)和故障狀態(tài)的樣本數(shù)據(jù))進(jìn)行歸一化處理，再按第2節(jié)所述故障特征降維方法進(jìn)行降維。將數(shù)據(jù)集按一定比例分為訓(xùn)練集和測(cè)試集。其中，訓(xùn)練集只包含正常運(yùn)行狀態(tài)的樣本數(shù)據(jù)，測(cè)試集既包含有故障樣本數(shù)據(jù)，又包含正常狀態(tài)樣本數(shù)據(jù)。

(2)確定深度自編碼網(wǎng)絡(luò)的隱藏層數(shù)量，采用貪婪訓(xùn)練法，通過(guò)堆疊自動(dòng)編碼器逐層進(jìn)行預(yù)訓(xùn)練。

(3)預(yù)訓(xùn)練完成后，通過(guò)反向傳播法進(jìn)行網(wǎng)絡(luò)參數(shù)微調(diào)，得到故障診斷模型。

當(dāng)完成深度自編碼網(wǎng)絡(luò)的整個(gè)訓(xùn)練后，需要確定重構(gòu)誤差閾值。重構(gòu)誤差閾值可由以下方法確定[17]

T=1.2(ER+σR)

(5)

3.2 基于深度自編碼器的典型故障分類

3.1節(jié)的故障診斷模型訓(xùn)練過(guò)程主要用于判斷是否存在故障，但無(wú)法判斷故障的類別，因此本節(jié)設(shè)計(jì)了一個(gè)基于深度自編碼器的故障分類模型，進(jìn)行故障類別的判斷。模型結(jié)構(gòu)如圖4所示。模型的歸一化、降維以及深度自編碼網(wǎng)絡(luò)的編碼器部分與故障診斷模型的結(jié)構(gòu)相同，不同之處在于此模型利用自編碼網(wǎng)絡(luò)提取的數(shù)據(jù)特征進(jìn)行分類，即將深度自編碼器中的編碼器的輸出H，輸入到一個(gè)全連接層中，該全連接層采用softmax激活函數(shù)以計(jì)算各類故障的概率，從而判斷輸入樣本故障所屬的類別。該模型的訓(xùn)練樣本和測(cè)試樣本均只采用故障狀態(tài)的樣本，同時(shí)還需要使用故障類別標(biāo)簽數(shù)據(jù)，進(jìn)行有監(jiān)督訓(xùn)練。在進(jìn)行訓(xùn)練時(shí)，所采用的損失函數(shù)為交叉熵誤差，計(jì)算公式為

圖4 基于深度自編碼器的故障分類模型

(6)

式中，Lc為故障分類模型的損失值；n為樣本數(shù)；C為故障的種類數(shù)；pic為第i個(gè)樣本屬于第c類故障的概率；tic為故障類別標(biāo)簽，當(dāng)故障屬于第c類時(shí)，值為1，否則為0。

故障分類網(wǎng)絡(luò)的訓(xùn)練過(guò)程如下：

(1)取海上風(fēng)電機(jī)組的故障樣本集進(jìn)行歸一化和降維。并將數(shù)據(jù)集按一定比例分為訓(xùn)練集和測(cè)試集。

(2)采用貪婪訓(xùn)練法，通過(guò)堆疊自動(dòng)編碼器逐層進(jìn)行預(yù)訓(xùn)練。

(3)預(yù)訓(xùn)練完成后，運(yùn)用故障類型標(biāo)簽，進(jìn)行有監(jiān)督訓(xùn)練，微調(diào)模型，得到故障分類模型。

4 故障診斷案例分析

以某海上風(fēng)電場(chǎng)的5臺(tái)4 MW海上風(fēng)電機(jī)組為實(shí)際分析對(duì)象。該風(fēng)電場(chǎng)配備了完善的SCADA系統(tǒng)和主傳動(dòng)鏈振動(dòng)監(jiān)測(cè)系統(tǒng)，并通過(guò)技術(shù)改造打通這兩類系統(tǒng)的數(shù)據(jù)接口，建立了基于這兩類獨(dú)立故障特征數(shù)據(jù)融合的海上風(fēng)電機(jī)組典型故障診斷系統(tǒng)。針對(duì)4 MW海上風(fēng)電機(jī)組典型故障的故障特征，利用風(fēng)電場(chǎng)2021年8月10日～2021年10月11日的實(shí)際運(yùn)行數(shù)據(jù)共8 183個(gè)，對(duì)該海上風(fēng)電場(chǎng)進(jìn)行故障診斷。將6 144個(gè)正常狀態(tài)樣本作為故障診斷模型的訓(xùn)練集，剩余1 536個(gè)正常狀態(tài)樣本和503個(gè)故障樣本作為測(cè)試集。采用自編碼網(wǎng)絡(luò)對(duì)故障特征進(jìn)行降維，最終得到降維后SCADA系統(tǒng)故障特征和振動(dòng)監(jiān)測(cè)系統(tǒng)的故障特征共232維。基于深度自編碼器的故障診斷模型對(duì)應(yīng)的編碼器的三層隱藏層神經(jīng)元個(gè)數(shù)分別設(shè)置為128、64和16。根據(jù)深度自編碼器的對(duì)稱性，可相應(yīng)確定解碼器的三層隱藏層神經(jīng)元的個(gè)數(shù)分別為64、128和232。

4.1 不同模型診斷結(jié)果分析

為驗(yàn)證本文所采用的SCADA數(shù)據(jù)和振動(dòng)監(jiān)測(cè)系統(tǒng)數(shù)據(jù)融合的故障診斷方法的有效性，本文將其與單獨(dú)采用SCADA數(shù)據(jù)和單獨(dú)采用振動(dòng)監(jiān)測(cè)數(shù)據(jù)的故障診斷方法進(jìn)行了對(duì)比，并采用正常樣本檢出率和故障樣本檢出率評(píng)估故障診斷模型的效果。其中，正常樣本檢出率表示正常樣本中被故障診斷模型檢測(cè)為正常樣本的占比，其計(jì)算公式為

(7)

式中，RP為正常樣本檢出率；nTP為實(shí)際為正常狀態(tài)且檢測(cè)為正常狀態(tài)的樣本；nFN為實(shí)際為正常狀態(tài)但檢測(cè)為故障狀態(tài)的樣本。

故障樣本檢出率表示故障樣本中被故障診斷模型檢測(cè)為故障樣本的占比。計(jì)算公式為

(8)

式中，RN為正常樣本檢出率；nTN為實(shí)際為故障狀態(tài)且檢測(cè)為故障狀態(tài)的樣本；nFP為實(shí)際為故障狀態(tài)但檢測(cè)為正常狀態(tài)的樣本。

3種方法的正常樣本檢出率和故障樣本檢出率如表1所示。

表1 故障診斷模型評(píng)估結(jié)果 %

可以看出，采用不同的方法對(duì)正常樣本進(jìn)行檢測(cè)時(shí)并不存在較大的區(qū)別。這是因?yàn)檎颖緮?shù)據(jù)具有相似的規(guī)律，可以被基于深度自編碼網(wǎng)絡(luò)的故障診斷模型重構(gòu)。而對(duì)于故障樣本的檢測(cè)，三種不同的方法則存在較大的差異。采用SCADA數(shù)據(jù)和振動(dòng)監(jiān)測(cè)系統(tǒng)數(shù)據(jù)融合的故障樣本檢出率最高。這是因?yàn)椴捎眠@兩種獨(dú)立故障特征數(shù)據(jù)融合的方法，既可以利用SCADA數(shù)據(jù)對(duì)機(jī)組狀態(tài)全方位表征的能力，又可以利用振動(dòng)監(jiān)測(cè)系統(tǒng)對(duì)振動(dòng)故障特征的細(xì)節(jié)表征能力，從而提高故障檢出率。而僅采用SCADA數(shù)據(jù)時(shí)，雖可全面的檢測(cè)各類故障，但對(duì)于某些振動(dòng)故障，SCADA系統(tǒng)采集的數(shù)據(jù)無(wú)法檢測(cè)出異常，因此故障檢出率比本文的方法要低。而對(duì)于僅振動(dòng)監(jiān)測(cè)系統(tǒng)的方法來(lái)說(shuō)，由于只能采集機(jī)組振動(dòng)信息，從而只能判斷具有異常振動(dòng)的故障，無(wú)法判斷其他故障，因此故障檢出率最低。

4.2 實(shí)際運(yùn)行案例分析

2021年12月23日，該海上風(fēng)電場(chǎng)風(fēng)電機(jī)組故障預(yù)警系統(tǒng)發(fā)出故障告警信號(hào)，根據(jù)系統(tǒng)故障預(yù)警結(jié)果，A機(jī)組主傳動(dòng)鏈運(yùn)行狀態(tài)異常。圖5所示為本文提出的基于深度自編碼器的故障診斷模型在2021年12月18日至2021年12月26日的重構(gòu)誤差結(jié)果?？梢?jiàn)，通過(guò)該模型計(jì)算得出，在2021年12月23日時(shí)計(jì)算的重構(gòu)誤差R大于檢測(cè)閾值，從而觸發(fā)了風(fēng)電機(jī)組主傳動(dòng)鏈故障預(yù)警系統(tǒng)發(fā)出故障告警信號(hào)。經(jīng)過(guò)故障分類模型判斷，該故障屬于發(fā)電機(jī)軸承故障。

圖5 風(fēng)電機(jī)組故障診斷模型重構(gòu)誤差

3日后，機(jī)組SCADA閾值報(bào)警系統(tǒng)發(fā)生異常工作狀態(tài)告警，經(jīng)值班人員檢測(cè)，發(fā)現(xiàn)發(fā)電機(jī)溫度過(guò)高，運(yùn)維人員隨即安排該機(jī)組的檢修計(jì)劃。現(xiàn)場(chǎng)檢修工作人員發(fā)現(xiàn)在人孔門處有部分金屬鐵削，工作人員檢查發(fā)電機(jī)后軸承間隙，發(fā)現(xiàn)發(fā)電機(jī)后軸承存在碎裂情況?？梢?jiàn)，主傳動(dòng)鏈故障預(yù)警系統(tǒng)順利發(fā)現(xiàn)了機(jī)組主傳動(dòng)鏈的運(yùn)行異常，比SCADA溫度預(yù)警系統(tǒng)先一步發(fā)現(xiàn)機(jī)組的典型故障，具有出色的故障預(yù)警靈敏度。

5 結(jié) 論

針對(duì)目前常用的典型故障診斷方法僅利用單一數(shù)據(jù)來(lái)源的缺點(diǎn)，本文提出了一種基于多種數(shù)據(jù)源的故障診斷方法。將SCADA數(shù)據(jù)和振動(dòng)監(jiān)測(cè)數(shù)據(jù)融合，并構(gòu)建了基于自編碼網(wǎng)絡(luò)的海上風(fēng)電機(jī)組典型故障診斷模型，對(duì)海上風(fēng)電機(jī)組典型故障進(jìn)行檢測(cè)和分類。該方法有效地利用了風(fēng)電機(jī)組的SCADA系統(tǒng)對(duì)于風(fēng)電機(jī)組實(shí)時(shí)監(jiān)測(cè)的全局性和主傳動(dòng)鏈振動(dòng)監(jiān)測(cè)系統(tǒng)對(duì)于風(fēng)電機(jī)組主傳動(dòng)鏈振動(dòng)特征實(shí)時(shí)監(jiān)測(cè)的針對(duì)性和深入程度，克服了單一數(shù)據(jù)源難以診斷故障的缺點(diǎn)。實(shí)際診斷案例表明，基于多類數(shù)據(jù)源的故障診斷模型的故障診斷正確率比僅采用單一數(shù)據(jù)源的故障診斷模型更高，且能夠更早發(fā)現(xiàn)故障。本文所提的故障診斷方法準(zhǔn)確定位了海上風(fēng)電機(jī)組典型故障，對(duì)海上風(fēng)電機(jī)組的高效運(yùn)維提供了強(qiáng)有力的技術(shù)支撐。