康 杰

（國(guó)電電力湖南新能源開(kāi)發(fā)有限公司）

0 引言

風(fēng)電機(jī)組的齒輪箱是風(fēng)力發(fā)電機(jī)組的核心部件，其工作環(huán)境惡劣，承受著來(lái)自機(jī)械、電氣、液壓等多種載荷的作用。因此，在風(fēng)電機(jī)組正常運(yùn)行過(guò)程中，其一旦發(fā)生故障將會(huì)造成巨大的經(jīng)濟(jì)損失和嚴(yán)重的環(huán)境污染。因此，為了保證風(fēng)電機(jī)組長(zhǎng)期可靠運(yùn)行，必須對(duì)風(fēng)電機(jī)組齒輪箱進(jìn)行有效故障預(yù)警。相關(guān)人員要對(duì)風(fēng)電機(jī)組齒輪箱故障原因進(jìn)行深入研究，采用機(jī)器學(xué)習(xí)的方法提高風(fēng)電機(jī)組齒輪箱故障診斷精度［1］。

1 機(jī)器學(xué)習(xí)概述

機(jī)器學(xué)習(xí)是一門(mén)新興的學(xué)科，其主要研究如何利用已有數(shù)據(jù)對(duì)未知數(shù)據(jù)進(jìn)行分析、判斷和預(yù)測(cè)。在機(jī)器學(xué)習(xí)中，一般將訓(xùn)練集作為學(xué)習(xí)對(duì)象，將測(cè)試集作為評(píng)估標(biāo)準(zhǔn)，通過(guò)將測(cè)試數(shù)據(jù)與訓(xùn)練集進(jìn)行比較來(lái)分析問(wèn)題并作出判斷。通常情況下，機(jī)器學(xué)習(xí)模型是在大量訓(xùn)練數(shù)據(jù)的基礎(chǔ)上建立起來(lái)的，所以在模型建立之前需要對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理。目前常用的預(yù)處理方法有歸一化、均值漂移和主成分分析。歸一化是將數(shù)據(jù)按照標(biāo)準(zhǔn)化后的大小進(jìn)行歸一化處理，均值漂移則是通過(guò)離群值的修正來(lái)實(shí)現(xiàn)對(duì)數(shù)據(jù)的篩選。主成分分析是將原始數(shù)據(jù)按照相關(guān)性大小進(jìn)行降維，然后通過(guò)線性回歸模型對(duì)降維后的數(shù)據(jù)進(jìn)行預(yù)測(cè)。機(jī)器學(xué)習(xí)方法在實(shí)際應(yīng)用中可以分為三種：監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。其中監(jiān)督學(xué)習(xí)是指訓(xùn)練樣本帶標(biāo)簽的模型訓(xùn)練，如分類、回歸等；無(wú)監(jiān)督學(xué)習(xí)是指訓(xùn)練樣本沒(méi)有標(biāo)簽的模型訓(xùn)練，如關(guān)聯(lián)分析、聚類；強(qiáng)化學(xué)習(xí)是指通過(guò)與環(huán)境交互，根據(jù)反饋評(píng)估來(lái)優(yōu)化模型。最后，機(jī)器學(xué)習(xí)模型建立之后還需要對(duì)其進(jìn)行驗(yàn)證。

2 風(fēng)電機(jī)組齒輪箱故障原因

2.1 工作環(huán)境惡劣

風(fēng)電機(jī)組齒輪箱長(zhǎng)期工作在惡劣的環(huán)境中，通常溫度為-40～40℃，而且風(fēng)速常年變化幅度較大。此外，風(fēng)電機(jī)組齒輪箱還經(jīng)常承受來(lái)自機(jī)械、電氣、液壓等多種載荷的作用。因此，在這樣的工作環(huán)境下，風(fēng)電機(jī)組齒輪箱部件長(zhǎng)期工作在極端惡劣的工況中，極易發(fā)生故障。

2.2 設(shè)計(jì)制造不合理

風(fēng)電機(jī)組齒輪箱部件在制造過(guò)程中，如果沒(méi)有嚴(yán)格按照相關(guān)要求進(jìn)行制造加工，就會(huì)造成零件尺寸不合格、零件加工精度不高、裝配質(zhì)量差等問(wèn)題。此外，風(fēng)電機(jī)組齒輪箱部件在實(shí)際安裝過(guò)程中也會(huì)存在許多問(wèn)題。例如，由于安裝不當(dāng)而造成風(fēng)電機(jī)組齒輪箱部件產(chǎn)生較大的變形；由于安裝時(shí)沒(méi)有按照規(guī)定進(jìn)行拆卸而造成風(fēng)電機(jī)組齒輪箱部件發(fā)生損壞。

2.3 檢修維護(hù)不當(dāng)

由于風(fēng)電機(jī)組齒輪箱部件長(zhǎng)期工作在惡劣的工況中，其所承受的載荷非常大，其在長(zhǎng)期使用過(guò)程中極易出現(xiàn)疲勞損傷、磨損等現(xiàn)象。為了保證風(fēng)電機(jī)組齒輪箱部件的安全運(yùn)行，需定期安排相關(guān)人員對(duì)風(fēng)電機(jī)組齒輪箱部件開(kāi)展日常檢修維護(hù)工作。另外，在達(dá)到一定的使用標(biāo)準(zhǔn)后需要對(duì)風(fēng)電機(jī)組齒輪箱部件進(jìn)行大修。上述過(guò)程如果維護(hù)不當(dāng)都會(huì)對(duì)風(fēng)電機(jī)組齒輪箱的安全運(yùn)行產(chǎn)生影響［2］。

2.4 產(chǎn)品質(zhì)量不合格

由于風(fēng)電機(jī)組齒輪箱部件在制造過(guò)程中不符合要求或存在一定缺陷，因此在風(fēng)電機(jī)組齒輪箱部件投入使用后可能會(huì)發(fā)生故障。例如，由于設(shè)計(jì)制造原因而造成產(chǎn)品質(zhì)量不合格；由于安裝過(guò)程中存在不規(guī)范操作而造成風(fēng)電機(jī)組齒輪箱部件損壞等。如果不能及時(shí)發(fā)現(xiàn)產(chǎn)品質(zhì)量問(wèn)題并采取有效措施加以解決，那么就會(huì)造成風(fēng)電機(jī)組齒輪箱部件過(guò)早失效和過(guò)早損壞，從而影響風(fēng)電機(jī)組齒輪箱部件的正常運(yùn)行。

3 基于機(jī)器學(xué)習(xí)的風(fēng)電機(jī)組齒輪箱故障預(yù)警策略

3.1 建立齒輪箱故障預(yù)警指標(biāo)

在實(shí)際工作中，風(fēng)電機(jī)組齒輪箱發(fā)生故障的原因具有復(fù)雜性和多樣性，在對(duì)齒輪箱故障進(jìn)行預(yù)警時(shí)，必須對(duì)影響風(fēng)電機(jī)組齒輪箱故障的因素進(jìn)行全面分析，建立相應(yīng)的預(yù)警指標(biāo)。根據(jù)風(fēng)電機(jī)組齒輪箱的運(yùn)行特點(diǎn)，可以建立以下預(yù)警指標(biāo)： （1）齒輪箱振動(dòng)能量變化率，其是反映齒輪箱工作狀態(tài)的重要指標(biāo)之一，通過(guò)對(duì)齒輪箱振動(dòng)能量變化率進(jìn)行分析，可以實(shí)現(xiàn)對(duì)齒輪箱工作狀態(tài)的有效判斷；（2）故障溫度值，通過(guò)對(duì)風(fēng)電機(jī)組運(yùn)行過(guò)程中的溫度進(jìn)行監(jiān)測(cè)，可以實(shí)現(xiàn)對(duì)齒輪箱油液溫度值的有效監(jiān)控； （3）軸承溫度變化率，通過(guò)對(duì)軸承溫度變化率進(jìn)行分析，可以實(shí)現(xiàn)對(duì)風(fēng)電機(jī)組齒輪箱油液溫度值的有效監(jiān)控； （4）齒輪箱振動(dòng)速度變化率，通過(guò)對(duì)齒輪箱振動(dòng)速度變化率進(jìn)行分析，可以實(shí)現(xiàn)對(duì)齒輪箱振動(dòng)速度值的有效監(jiān)控；（5）故障溫度變化率和故障頻率變化率。上述最主要的預(yù)警指標(biāo)是齒輪箱振動(dòng)能量變化率。

齒輪箱振動(dòng)能量變化率是指在對(duì)齒輪箱振動(dòng)信號(hào)進(jìn)行采集時(shí)，在沒(méi)有外界干擾的情況下，齒輪箱振動(dòng)信號(hào)中所包含的能量變化量，其可以對(duì)齒輪箱故障的發(fā)生程度進(jìn)行有效反映，進(jìn)而實(shí)現(xiàn)對(duì)齒輪箱工作狀態(tài)的有效判斷。在風(fēng)電機(jī)組運(yùn)行過(guò)程中，由于外界環(huán)境的干擾以及齒輪箱內(nèi)齒輪、軸承等零部件的影響，在信號(hào)采集過(guò)程中不可避免地會(huì)出現(xiàn)信號(hào)干擾情況。因此，在對(duì)齒輪箱振動(dòng)能量變化率進(jìn)行分析時(shí)，必須要對(duì)信號(hào)進(jìn)行有效過(guò)濾和提?。?］。

3.2 數(shù)據(jù)歸一化

在進(jìn)行風(fēng)電機(jī)組齒輪箱故障預(yù)警研究時(shí)，首先要對(duì)風(fēng)電機(jī)組齒輪箱的數(shù)據(jù)進(jìn)行預(yù)處理，將數(shù)據(jù)進(jìn)行歸一化處理，避免由于數(shù)據(jù)異常導(dǎo)致的分析結(jié)果異常。常用的數(shù)據(jù)歸一化方法有三種：第一種是均值歸一化方法，第二種是方差歸一化方法，第三種是極差歸一化方法。均值歸一化是對(duì)原始數(shù)據(jù)進(jìn)行線性變換，其目的是使原始數(shù)據(jù)的均值在所有可能的值之間產(chǎn)生最小差異。方差歸一化是對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，其目的是消除因樣本規(guī)格不同而引起的方差不一致的影響，使標(biāo)準(zhǔn)化后的樣本值具有可比性。極差歸一化是對(duì)原始數(shù)據(jù)進(jìn)行區(qū)間縮放處理，使其變化范圍轉(zhuǎn)換在0～1之間。在進(jìn)行風(fēng)電機(jī)組齒輪箱故障預(yù)警研究時(shí)，風(fēng)電機(jī)組齒輪箱信號(hào)存在明顯的噪聲和突變現(xiàn)象，而在實(shí)際應(yīng)用中常用的小波變換法存在著一定不足之處，因此可以考慮采用數(shù)據(jù)歸一化方法對(duì)小波變換法進(jìn)行改進(jìn)。數(shù)據(jù)歸一化后可以消除小波變換法中由于信號(hào)長(zhǎng)度不同而產(chǎn)生的數(shù)據(jù)異?，F(xiàn)象，而且可以使小波變換法在保留信號(hào)本身特性的同時(shí)更加有效地提取信號(hào)特征，使信號(hào)特征更具有代表性。

3.3 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱藏層和輸出層三個(gè)部分構(gòu)成。其中，輸入層、隱藏層、輸出層節(jié)點(diǎn)數(shù)分別為1、2和3，輸入和輸出節(jié)點(diǎn)的權(quán)值均為1。BP神經(jīng)網(wǎng)絡(luò)中輸入和輸出節(jié)點(diǎn)之間的權(quán)值系數(shù)都是非線性函數(shù)，需要對(duì)其進(jìn)行訓(xùn)練學(xué)習(xí)。在風(fēng)電機(jī)組齒輪箱故障預(yù)警分析過(guò)程中，將信號(hào)特征作為輸入向量，將風(fēng)電機(jī)組齒輪箱故障特征作為輸出向量，可將二者作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。為了使BP神經(jīng)網(wǎng)絡(luò)模型能夠?qū)崿F(xiàn)對(duì)風(fēng)電機(jī)組齒輪箱故障預(yù)警的分析與預(yù)測(cè)，需要先對(duì)其進(jìn)行特征提取。在進(jìn)行特征提取時(shí)需要注意以下幾點(diǎn)：第一，利用信號(hào)特征作為輸入向量時(shí)，要確保信號(hào)特征與風(fēng)電機(jī)組齒輪箱故障之間存在明顯的關(guān)聯(lián)性。第二，為了使風(fēng)電機(jī)組齒輪箱故障預(yù)警分析結(jié)果更加準(zhǔn)確、可靠，在進(jìn)行特征提取時(shí)需要先對(duì)風(fēng)電機(jī)組齒輪箱信號(hào)進(jìn)行預(yù)處理。在進(jìn)行預(yù)處理過(guò)程中，可以通過(guò)小波分析的方法對(duì)信號(hào)進(jìn)行處理。第三，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電機(jī)組齒輪箱故障預(yù)警進(jìn)行分析與預(yù)測(cè)時(shí)，需要保證輸入向量與輸出向量之間的誤差函數(shù)在誤差范圍內(nèi)。在訓(xùn)練學(xué)習(xí)時(shí)需要采用網(wǎng)格搜索法對(duì)神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行優(yōu)化［4］。

3.4 K均值聚類算法

K均值聚類算法是一種無(wú)監(jiān)督的聚類方法，該算法的基本思想是將數(shù)據(jù)集分配到k個(gè)簇中，不斷迭代更新簇中心，直到所有簇內(nèi)數(shù)據(jù)相似性最高。K均值聚類算法常使用歐氏距離進(jìn)行相似性度量。在聚類過(guò)程中需要為每個(gè)簇分配一個(gè)初始聚類中心。具體而言，就是在每個(gè)簇的數(shù)據(jù)中選取一個(gè)數(shù)據(jù)點(diǎn)作為聚類中心，然后根據(jù)數(shù)據(jù)點(diǎn)之間距離來(lái)計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到聚類中心間的距離，并以此來(lái)決定數(shù)據(jù)集中各對(duì)象被分配到哪個(gè)聚類中心上。K均值聚類算法分為三個(gè)步驟：第一步是確定每個(gè)對(duì)象屬于哪個(gè)聚類，即根據(jù)數(shù)據(jù)集中所有數(shù)據(jù)點(diǎn)距離計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到各個(gè)聚類中心的距離；第二步是確定每個(gè)聚類中每個(gè)對(duì)象分配到哪個(gè)聚類中心上；第三步是每次迭代更新簇中心時(shí)重新計(jì)算該對(duì)象與其他對(duì)象之間的距離。K均值聚類算法主要有兩個(gè)主要缺點(diǎn)：一是對(duì)數(shù)據(jù)規(guī)模敏感，隨著數(shù)據(jù)規(guī)模的增大，聚類結(jié)果不穩(wěn)定；二是容易陷入局部最優(yōu)解。為解決這兩個(gè)問(wèn)題，K均值聚類算法常采用動(dòng)態(tài)規(guī)劃方法來(lái)尋找最佳聚類中心。動(dòng)態(tài)規(guī)劃是一種基于概率論原理的優(yōu)化問(wèn)題求解方法，其核心思想是通過(guò)對(duì)系統(tǒng)中某些變量進(jìn)行預(yù)測(cè)或處理來(lái)達(dá)到使系統(tǒng)總體效用最大化的目的。在K均值算法中，將每個(gè)對(duì)象作為一個(gè)對(duì)象集來(lái)進(jìn)行分析，當(dāng)某個(gè)對(duì)象被分配到某個(gè)類時(shí)，系統(tǒng)中其他對(duì)象都將被分配到該類中［5］。

3.5 SVM 分類器模型

支持向量機(jī)（Support Vector Machine，SVM）是由Vapnik等人提出的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的新型機(jī)器學(xué)習(xí)算法。在訓(xùn)練過(guò)程中，SVM將原問(wèn)題轉(zhuǎn)變成線性可分問(wèn)題，使得目標(biāo)函數(shù)趨于最小。支持向量機(jī)作為一種新的機(jī)器學(xué)習(xí)方法，它可以在有限的樣本數(shù)據(jù)中，以最小的損失獲得最大的分類精度，在處理非線性分類問(wèn)題時(shí)具有明顯的優(yōu)勢(shì)。在對(duì)故障特征進(jìn)行提取時(shí)，不僅可以對(duì)風(fēng)電機(jī)組齒輪箱的狀態(tài)參數(shù)進(jìn)行監(jiān)測(cè)，還可以通過(guò)SVM模型將故障特征提取出來(lái)。SVM是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則建立起來(lái)的。所謂結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，即在任何一個(gè)訓(xùn)練樣本上取得一個(gè)最優(yōu)解的同時(shí)，對(duì)于未知樣本也取得一個(gè)最優(yōu)解。對(duì)于風(fēng)電機(jī)組齒輪箱故障診斷來(lái)說(shuō)，SVM分類器主要包括以下兩個(gè)方面：首先是分類算法的選擇；其次是核函數(shù)參數(shù)的選擇。分類算法主要包括兩個(gè)方面：第一個(gè)方面是建立一個(gè)訓(xùn)練樣本集；第二個(gè)方面是通過(guò)核函數(shù)對(duì)訓(xùn)練樣本集進(jìn)行學(xué)習(xí)。核函數(shù)是SVM分類器中至關(guān)重要的組成部分，通常使用兩種形式：線性核函數(shù)和非線性核函數(shù)。

在數(shù)據(jù)量較少的情況下，相關(guān)人員可對(duì)風(fēng)電機(jī)組齒輪箱信號(hào)特征提取進(jìn)行研究，對(duì)于風(fēng)電機(jī)組齒輪箱故障診斷模型選擇支持向量機(jī)作為分類器進(jìn)行故障診斷，首先根據(jù)風(fēng)電機(jī)組齒輪箱信號(hào)的時(shí)域和頻域特征，利用主成分分析（Principal Component Analysis）方法對(duì)風(fēng)電機(jī)組齒輪箱信號(hào)進(jìn)行降維處理；其次將特征降維后的信號(hào)輸入到SVM模型中進(jìn)行訓(xùn)練，最終得到故障診斷模型；最后通過(guò)對(duì)風(fēng)電機(jī)組齒輪箱進(jìn)行故障診斷仿真實(shí)驗(yàn)，驗(yàn)證該方法在風(fēng)電機(jī)組齒輪箱故障診斷中的有效性和準(zhǔn)確性。

3.6 故障預(yù)警模型建立及驗(yàn)證

為了驗(yàn)證故障預(yù)警模型的準(zhǔn)確性，可以通過(guò)某風(fēng)電場(chǎng)采集到的數(shù)據(jù)進(jìn)行分析，結(jié)果表明風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測(cè)模型能夠較好地對(duì)風(fēng)電機(jī)組齒輪箱故障進(jìn)行預(yù)警。為了驗(yàn)證模型的準(zhǔn)確性，可以分別對(duì)正常和故障狀態(tài)下采集到的信號(hào)進(jìn)行分析，從而得到不同工況下的信號(hào)。結(jié)果表明，正常狀態(tài)下的信號(hào)比故障狀態(tài)下的信號(hào)呈現(xiàn)出更明顯的波動(dòng)性，且在整個(gè)特征空間中有較為明顯的差異性，這一差異性是由于不同工況下信號(hào)本身存在差異性所致。因此，該模型能夠有效地對(duì)風(fēng)電機(jī)組齒輪箱故障進(jìn)行預(yù)警。

4 結(jié)束語(yǔ)

總之，風(fēng)電機(jī)組齒輪箱故障預(yù)警是風(fēng)電機(jī)組安全穩(wěn)定運(yùn)行的重要保障，需要對(duì)齒輪箱信號(hào)特征進(jìn)行提取，同時(shí)結(jié)合機(jī)器學(xué)習(xí)的方法對(duì)齒輪箱進(jìn)行狀態(tài)監(jiān)測(cè)，從而實(shí)現(xiàn)故障預(yù)警。采用機(jī)器學(xué)習(xí)的方法對(duì)風(fēng)電機(jī)組齒輪箱進(jìn)行故障診斷，需要對(duì)風(fēng)電機(jī)組信號(hào)特征進(jìn)行分析，包括特征提取、特征選擇和特征優(yōu)化三個(gè)方面。通過(guò)分析風(fēng)電機(jī)組齒輪箱信號(hào)，將故障狀態(tài)劃分為正常、輕載、重載、超載、斷軸五種狀態(tài)，并基于此設(shè)計(jì)信號(hào)特征提取流程。對(duì)風(fēng)電機(jī)組齒輪箱各信號(hào)進(jìn)行特征選擇和特征優(yōu)化后，將選取的特征向量作為輸入特征向量，利用BP神經(jīng)網(wǎng)絡(luò)、SVM和K均值聚類分別進(jìn)行故障診斷，可以為實(shí)現(xiàn)風(fēng)電機(jī)組齒輪箱故障預(yù)警提供有效參考，對(duì)提高風(fēng)電機(jī)組的安全性和可靠性具有重要意義。