收稿日期：2022-02-19

通信作者：馬永光（1964—），男，博士、教授，主要從事智能技術(shù)在工業(yè)過程建模、仿真與故障診斷中的應(yīng)用，網(wǎng)絡(luò)化控制系統(tǒng)理論方法研究

與系統(tǒng)開發(fā)方面的研究。mr_ma@163.com

DOI：10.19912/j.0254-0096.tynxb.2021-1465 文章編號：0254-0096（2023）04-0067-07

摘 要：為充分挖掘數(shù)據(jù)采集與監(jiān)控（SCADA）數(shù)據(jù)的隱藏信息，減少特征間的冗余性，提升模型預(yù)測和預(yù)警的精度，提出一種雙重改進(jìn)的完全噪聲輔助聚合經(jīng)驗(yàn)?zāi)B(tài)分解（IICEEMDAN）、主成分分析（PCA）、門控循環(huán)網(wǎng)絡(luò)（GRU）融合的風(fēng)電機(jī)組齒輪箱故障預(yù)警方法。使用皮爾遜相關(guān)系數(shù)法作特征提取，采用IICEEMDAN對特征進(jìn)行分解，得到特征在不同時(shí)間尺度上的連續(xù)性信號；利用PCA提取分解特征的關(guān)鍵因素作為網(wǎng)絡(luò)訓(xùn)練輸入；GRU網(wǎng)絡(luò)對輸入時(shí)間序列特征進(jìn)行建模訓(xùn)練，實(shí)現(xiàn)對齒輪箱油池溫度的預(yù)測，使用統(tǒng)計(jì)學(xué)方法分析油池溫度預(yù)測值與實(shí)際值的誤差，根據(jù)實(shí)際情況設(shè)定預(yù)警閾值；使用滑動窗口理論實(shí)現(xiàn)齒輪箱故障預(yù)警。采用華北某風(fēng)場實(shí)際數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果驗(yàn)證了所提方法對齒輪箱早期故障預(yù)警的有效性。

關(guān)鍵詞：風(fēng)電機(jī)組；統(tǒng)計(jì)學(xué)方法；特征提?。婚T控循環(huán)網(wǎng)絡(luò)；故障預(yù)警；齒輪箱；滑動窗口

中圖分類號：TM315 文獻(xiàn)標(biāo)志碼：A

0 引 言

風(fēng)力發(fā)電作為解決世界能源問題的重要力量，風(fēng)電機(jī)組的故障率也在增高，其中齒輪箱故障最受人們關(guān)注，對風(fēng)電機(jī)組設(shè)備進(jìn)行早期的故障預(yù)警，可大大減少設(shè)備的維護(hù)成本，提高風(fēng)電場運(yùn)營的經(jīng)濟(jì)效益。目前，基于數(shù)據(jù)采集與監(jiān)控（supervisory control and data acquisition，SCADA）系統(tǒng)的風(fēng)電機(jī)組齒輪箱故障預(yù)警方法仍受到關(guān)注，其主要是將采集的數(shù)據(jù)經(jīng)過清洗后建立正常運(yùn)行時(shí)的模型，然后針對不同系統(tǒng)選擇合適的預(yù)測變量，將預(yù)測值與實(shí)際運(yùn)行數(shù)據(jù)值進(jìn)行對比，殘差與正常運(yùn)行的閾值對比后分析當(dāng)前風(fēng)電機(jī)組運(yùn)行狀態(tài)是否滿足預(yù)警要求。本文所提齒輪箱故障并非瞬間發(fā)生，在故障前會有表征齒輪箱運(yùn)行狀態(tài)的數(shù)據(jù)產(chǎn)生細(xì)微的變化，并逐漸累積，最終導(dǎo)致故障發(fā)生。齒輪箱異常時(shí)，溫度變量的預(yù)測殘差會出現(xiàn)明顯變化，所以本文將齒輪箱油池溫度作為預(yù)警變量，以其殘差來實(shí)現(xiàn)齒輪箱故障的早期預(yù)警。

傳統(tǒng)的機(jī)器學(xué)習(xí)算法僅適用于處理少量數(shù)據(jù)，SCADA數(shù)據(jù)屬于復(fù)雜多變的高維度數(shù)據(jù)，本文將采取深度學(xué)習(xí)方法對齒輪箱進(jìn)行建模并實(shí)現(xiàn)預(yù)警。文獻(xiàn)［1］利用互信息法從高維度的原始數(shù)據(jù)中提取有用的特征信息，然后使用長短期記憶網(wǎng)絡(luò)建立軸承溫度預(yù)測模型，最后用滑動窗口對齒輪箱軸承進(jìn)行有效預(yù)警。文獻(xiàn)［2］基于灰色關(guān)聯(lián)度提取預(yù)測模型的輸入變量，然后使用正常狀態(tài)下的SCADA數(shù)據(jù)訓(xùn)練長短期記憶（long short-term memory，LSTM）模型，最后通過[3σ]準(zhǔn)則計(jì)算預(yù)警閾值，實(shí)現(xiàn)齒輪箱的狀態(tài)監(jiān)測和故障預(yù)警。文獻(xiàn)［3］基于灰色關(guān)聯(lián)度提取與發(fā)電機(jī)運(yùn)行溫度相關(guān)性較高的狀態(tài)變量，通過LSTM預(yù)測正常工況下的運(yùn)行溫度，計(jì)算實(shí)際值與預(yù)測值的殘差絕對值，并使用概率分布擬合方法設(shè)置預(yù)警閾值，從而實(shí)現(xiàn)對風(fēng)電機(jī)組早期故障的預(yù)警。

以上方法提出促進(jìn)了齒輪箱故障預(yù)警的研究發(fā)展，但仍存在一定缺陷，如未能充分考慮風(fēng)電機(jī)組所處惡劣環(huán)境造成的原始運(yùn)行數(shù)據(jù)的復(fù)雜性和特征間的冗余性。針對此缺點(diǎn)，本文對原始風(fēng)電機(jī)組正常運(yùn)行且與齒輪箱油池溫度相關(guān)性較高的變量數(shù)據(jù)作模態(tài)分解，得到不同時(shí)間尺度的序列信號，并通過簡單的主成分分析方法降低模型的輸入維度，提高后期溫度模型的預(yù)測能力和運(yùn)算能力，為齒輪箱故障預(yù)警的準(zhǔn)確性和有效性提供有效保障。

1 齒輪箱油池溫度影響因素分析

選取華北某風(fēng)電場2018年1月1日—2019年1月1日一整年的數(shù)據(jù)，根據(jù)風(fēng)速-功率散點(diǎn)圖，清洗“壞”數(shù)據(jù)，挑選出正常工況的運(yùn)行數(shù)據(jù)。以齒輪箱油池溫度為目標(biāo)，采取皮爾遜相關(guān)系數(shù)法，分析齒輪箱各變量與齒輪箱油池溫度之間的相關(guān)系數(shù)，如表1所示。

[ρ=i=1n（xi-x）yi-yi=1nxi-x2i=1nyi-y2]"""""" （1）

式中：[ρ]——各因素之間的相關(guān)系數(shù)，通常|[ρ]|≤1；[xi]和[yi]——第[i]個(gè)數(shù)據(jù)點(diǎn)的各因素的值；[x]和[y]——兩個(gè)因素的均值；[n]——數(shù)據(jù)點(diǎn)的數(shù)量。

根據(jù)表1所示，最終挑選齒輪箱油路入口油壓、齒輪箱高速軸驅(qū)動端軸承溫度、齒輪箱高速軸非驅(qū)動端軸承溫度、齒輪箱油路濾網(wǎng)前油壓、主軸承溫度等與齒輪箱油池溫度正（負(fù)）相關(guān)性較強(qiáng)的參數(shù)。

2 理論基礎(chǔ)

2.1 改進(jìn)的完全噪聲輔助聚合經(jīng)驗(yàn)?zāi)B(tài)分解

改進(jìn)的自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解（improved complete ensemble empirical mode decomposition with adaptive noise， ICEEMDAN）是在自適應(yīng)白噪聲完整經(jīng)驗(yàn)?zāi)B(tài)分解（complete ensemble empirical mode decomposition with adaptive noise， CEEMDAN）基礎(chǔ)上發(fā)展而來的［4-6］，具體分解步驟如下。

定義[x]為待分解的信號，[Ek（·）]為由EMD［4］分解產(chǎn)生的[k]階模態(tài)分量，[N（·）]為產(chǎn)生信號的局部均值，[w（m）]為高斯白噪聲（[m]為添加的次數(shù)），[βn]為噪聲權(quán)值系數(shù)。

1）向原始序列中添加1組白噪聲[w（m）]，構(gòu)造序列[x（m）=x+β0Ek（w（m））]，得到第1組殘差[R1=N（x（m））]。

2）計(jì)算第1個(gè)模態(tài)分量[d1=x-R1]。

3）繼續(xù)添加白噪聲，利用局部均值分解計(jì)算第2組殘差[R1+β1Ek（w（m）），]定義第2個(gè)模態(tài)分量[d2=R1-R2=R1-{N[R1+]

[β1Ek（w（m））]}]。

4）計(jì)算第[k]個(gè)殘差[Rk={N[Rk-1+βk-1Ek（w（m））]}]和模態(tài)分量[dk=Rk-1-Rk]。直至計(jì)算分解結(jié)束，得到所有模態(tài)與殘差值[Rres]。

2.2 改進(jìn)的ICEEMDAN

分解后殘余分量中的均值可近乎理解為對分解過程并無影響，提出一種將待分解的原始序列減去均值再進(jìn)行ICEEMDAN分解，最后在殘余分量中補(bǔ)充均值的方法，修改后的公式為：

[x=x-xstd]""""" （2）

[Rres=Rres+xstd]"" （3）

式中：[x]——原始序列；[xstd]——原始序列均值；[Rres]——分解后的殘余分量。

IICEEMDAN得到的殘余分量相較于ICEEMDAN更平穩(wěn)，對數(shù)據(jù)的分解更徹底，更有利于數(shù)據(jù)的挖掘。

2.3 主成分分析

主成分分析（principal component analysis，PCA）［7］是一種常見的數(shù)據(jù)分析方式，常用于高維度的降維，可根據(jù)貢獻(xiàn)率[τi]和累計(jì)貢獻(xiàn)率[ηi]提取數(shù)據(jù)的主要特征分量。計(jì)算方法如式（4）和式（5）所示。

[τi=λik=1mλk，i=1，2，3，…，m]"" （4）

[ηi=k=1iλkk=1mλk，i=1，2，3，…，m]" （5）

式中：m——數(shù)據(jù)維度；k——第k維數(shù)據(jù)；[λi]——第i維數(shù)據(jù)的貢獻(xiàn)；[λk]——第k維數(shù)據(jù)的貢獻(xiàn)。

2.4 門控循環(huán)網(wǎng)絡(luò)

門控循環(huán)單元（gate recurrent unit，GRU）是循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）的一種，可看作是LSTM的變異體［8-9］， GRU模型是一種保持了LSTM效果、具有更加簡單的結(jié)構(gòu)、更少的參數(shù)、更好的收斂性的模型，如圖1所示。GRU的前向計(jì)算過程為：

[r（t）=σWr×[h（t-1），x（t）]]"""" （6）

[z（t）=σWz×[h（t-1），x（t）]]""" （7）

[h（t）=tanhWh×[r（t）×h（t-1），x（t）]]"""""" （8）

[h（t）=1-z（t）×h（t-1）+z（t）×h（t）]""" （9）

式中：[r（t）]——重置門；[z（t）]——更新門；[σ]——sigmoid激活函數(shù)；[W]——對應(yīng)門的偏置；tanh——雙曲正切激活函數(shù)；[h（t）]——候選隱藏層狀態(tài)；[h（t）]——當(dāng)前時(shí)刻輸出；t——第t個(gè)時(shí)刻。

2.5 滑動窗口理論

滑動窗口是一種可處理時(shí)間流數(shù)據(jù)的動態(tài)模型［10-11］。通過設(shè)定窗口的寬度和移動的時(shí)間增量實(shí)現(xiàn)對數(shù)據(jù)的在線監(jiān)測?；瑒哟翱诘脑砟Ｐ腿鐖D2所示，隨著時(shí)間推移，窗口向右移動，結(jié)合相應(yīng)公式（如為避免個(gè)別殘差突變性，選擇當(dāng)前窗口所有數(shù)據(jù)的均值）計(jì)算當(dāng)前窗口內(nèi)數(shù)據(jù)的狀態(tài)，

根據(jù)設(shè)定的預(yù)警指標(biāo)，即可實(shí)現(xiàn)齒輪箱故障的早期預(yù)警。圖2中h為窗口寬度，q為滑動增量，t1、t（k-h）、t（k-h+q）、t（k）、t（k+q）和t為不同滑動時(shí)刻。

3 齒輪箱預(yù)警模型

基于上述理論知識，本文構(gòu)建IICEEMDAN-PCA-GRU［4］模型對齒輪箱油池溫度進(jìn)行預(yù)測，圖3為齒輪箱油池溫度預(yù)測模型流程圖。以下對整個(gè)建模流程進(jìn)行簡述：

1）對挑選的5個(gè)特征分別進(jìn)行IICEEMDAN分解，得到不同時(shí)間尺度上的連續(xù)性信號，然后將所有的連續(xù)性信號整理為一個(gè)多維度矩陣；

2）對步驟1）得到的數(shù)據(jù)矩陣進(jìn)行PCA降維，通過降維后的主成分對整體數(shù)據(jù)的累計(jì)方差貢獻(xiàn)率選擇保留的矩陣維度；

3）降維后的數(shù)據(jù)作為GRU網(wǎng)絡(luò)的輸入，前80%用于訓(xùn)練，后20%用于測試。

4 實(shí)例驗(yàn)證

4.1 數(shù)據(jù)預(yù)處理

為驗(yàn)證所提模型的有效性和準(zhǔn)確性，本文選擇華北某風(fēng)電場D13號機(jī)組2018年5—7月份整個(gè)季度的數(shù)據(jù)，此時(shí)將進(jìn)行分解并作為GRU輸入的訓(xùn)練數(shù)據(jù)有：齒輪箱油池入口油壓、齒輪箱高速軸驅(qū)動端軸承溫度、齒輪箱高速軸非驅(qū)動端軸承溫度、齒輪箱油路濾網(wǎng)前油壓、主軸承溫度，測試數(shù)據(jù)為齒輪箱油池溫度，共計(jì)62720條數(shù)據(jù)。

4.2 IICEEMDAN分解

設(shè)置IICEEMDAN參數(shù)：添加高斯白噪聲相對于原信號的信噪比為0.1，加入噪聲的次數(shù)為80次，最大迭代次數(shù)為1000次。對4.1節(jié)中的5個(gè)特征參數(shù)進(jìn)行IICEEMDAN分解。

以齒輪箱油路入口油壓為例查看分解結(jié)果，IMF1～I(xiàn)MF18為分解分量，圖4a為前6個(gè)IMF分量。圖4b為IICEEMDAN得到的殘余分量與ICEEMDAN得到的殘余分量對比。

entrance of gearbox

如圖4b所示，改進(jìn)后的ICEEMDAN較ICEEMDAN對數(shù)據(jù)的分解更為徹底，證明了IICEEMDAN的實(shí)用性。

4.3 PCA降維

表2為主成分對整個(gè)數(shù)據(jù)矩陣的方差貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率。

如表2所示，當(dāng)主成分?jǐn)?shù)量為27時(shí)，累計(jì)方差貢獻(xiàn)率達(dá)到98.15%，判定前27個(gè)主成分對分解后的序列有較強(qiáng)的代表性，且數(shù)據(jù)信息保存較完整。因此挑選前27個(gè)主成分代替分解后的序列作為GRU網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)。

4.4 GRU模型訓(xùn)練與測試結(jié)果分析

使用Pytorch搭建虛擬環(huán)境，將GRU模型放到GPU上訓(xùn)練。GRU模型訓(xùn)練與測試流程如下：

1）搭建GRU網(wǎng)絡(luò)：2個(gè)GRU層串聯(lián)前向傳播，用作特征提取，設(shè)置輸入層維度為27，隱藏層節(jié)點(diǎn)數(shù)量為100，學(xué)習(xí)率設(shè)置為0.006，最后加一個(gè)全連接層作最后的線性擬合；

2）實(shí)例化網(wǎng)絡(luò)模型，定義損失函數(shù)MSELoss和Adam優(yōu)化器；

3）輸入數(shù)據(jù)樣本歸一化處理，劃分訓(xùn)練集和測試集，最后20%的數(shù)據(jù)用于測試；

4）模型訓(xùn)練：設(shè)置7個(gè)訓(xùn)練輪次，每次訓(xùn)練62720次，損失函數(shù)逐步更新梯度，達(dá)到準(zhǔn)確率即保存模型；

5）測試集輸入保存的模型，查看模型預(yù)測準(zhǔn)確率和誤差。

圖5為所提模型訓(xùn)練過程中預(yù)測值與實(shí)際值的損失下降曲線，由于訓(xùn)練數(shù)據(jù)繁多，本文只截取前1000次的損失度下降值。如圖5所示，訓(xùn)練數(shù)據(jù)損失曲線收斂迅速，且不再過度升高，最終逐步趨于穩(wěn)定，證明了本文所提模型網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)置合理，為精確預(yù)警打下堅(jiān)實(shí)基礎(chǔ)。

為了驗(yàn)證本文所提IICEEMDAN-PCA-GRU齒輪箱故障預(yù)警模型的優(yōu)越性和IICEEMDAN分解的有效性，將本文所提模型的預(yù)測結(jié)果及指標(biāo)評價(jià)與XGBoost、單一GRU網(wǎng)絡(luò)和ICEEMDAN-PCA-GRU進(jìn)行對比，設(shè)置XGBoost樹深度為5，數(shù)量為100，所有模型學(xué)習(xí)率均設(shè)置為0.006，且不做參數(shù)優(yōu)化，同等條件對比。對比結(jié)果如圖6和表3所示。

如圖6與表3所示，由于對挑選的特征數(shù)據(jù)集采用IICEEMDAN分解，使得信號更加平穩(wěn)，具有連續(xù)性和規(guī)律性。因此，本文提出的IICEEMDAN-PCA-GRU模型預(yù)測效果更佳，相比于ICEEMDAN-PCA-GRU網(wǎng)絡(luò)，均方根誤差[ERMSE、]平均百分比誤差[EMAPE]和均方誤差[EMAE]分別下降了0.0107、0.0014和0.0014；與XGBoost算法相比較，則分別下降了0.1123、0.0885和0.0591；相比于單純使用GRU網(wǎng)絡(luò)預(yù)測誤差則有明顯下降，分別下降了0.2669、0.4330和0.2568。與單純使用GRU相比，預(yù)測曲線與實(shí)際曲線的擬合度[Rr-square]則提升了0.0206，與XGBoost相比提升了0.0050，與ICEEMDAN-PCA-GRU神經(jīng)網(wǎng)絡(luò)相比提升了0.1148。

表3數(shù)據(jù)對比結(jié)果和圖6的預(yù)測結(jié)果對比，非常明顯地證明了本文所提模型IICEEMDAN-PCA-GRU預(yù)測效果的優(yōu)越性，為預(yù)警提供可靠依托。

4.5 齒輪箱預(yù)警

風(fēng)電機(jī)組正常運(yùn)行時(shí)，齒輪箱油池溫度的實(shí)際值和預(yù)測值相差無幾，此時(shí)的溫度殘差很小，往往在0水平線上下波動。機(jī)組故障時(shí)，溫度預(yù)測值會大大偏離實(shí)際值，且隨著故障時(shí)間的延長，殘差會逐漸變大。因此，可通過監(jiān)測齒輪箱油池溫度預(yù)測的殘差絕對值是否超過所設(shè)的閾值來預(yù)測早期風(fēng)電機(jī)組故障。

4.5.1 預(yù)警閾值設(shè)定

選擇基于本文模型預(yù)測的齒輪箱油池溫度數(shù)據(jù)和實(shí)際數(shù)據(jù)的殘差值作為樣本進(jìn)行分析，觀察數(shù)據(jù)是否滿足正態(tài)分布。如圖7所示，證明樣本殘差基本滿足正態(tài)分布后，根據(jù)式（10）和式（11）確定殘差的均值[μ]和方差[ε]。

[μ=1nsumi=1nsumei=1nsumi=1nsum（Ti′-Ti）] （10）

[ε=1nsumi=1nsumei-μ2]""" （11）

式中：[Ti′]——油池溫度的第[i]個(gè)預(yù)測值；[Ti]——油池溫度的第[i]個(gè)真實(shí)值；[nsum]——預(yù)測總數(shù)。

由圖7中的殘差直方圖和殘差散點(diǎn)分布圖可知，殘差上限過高，若通過[μ+3σ]設(shè)置預(yù)警上限閾值會出現(xiàn)圖8誤報(bào)警的情況，基于此，對殘差進(jìn)行簡單的平滑處理［12］。圖8中Cth為預(yù)警上限值，Ct為預(yù)警警告上限值，Ctl為預(yù)警下限值，Ctd為預(yù)警警告下限值。根據(jù)圖8中平滑后的殘差曲線可知，仍存在誤報(bào)警的情況，證明理論知識并不完全適用于實(shí)踐。

根據(jù)圖8分析和訓(xùn)練實(shí)際情況，最終修改預(yù)警上限警告為[μ+5σ]=0.5298，設(shè)置預(yù)警上限為[（μ+5σ）×120%][≈]0.6358，百分比選擇是從D13號機(jī)組所在集群中隨機(jī)挑選3～4臺機(jī)組，重復(fù)上文產(chǎn)生殘差并平滑處理的步驟后，根據(jù)殘差最大值進(jìn)行微上調(diào)設(shè)置，此為本文閾值修改理論。

同一風(fēng)場按照工況相似性可將所有風(fēng)電機(jī)組劃分為不同集群，本文閾值修改值僅適用于D13號機(jī)組所在集群，若需修改風(fēng)場其他集群預(yù)警閾值，可從其他風(fēng)電機(jī)組集群中挑選各自代表的風(fēng)電機(jī)組，應(yīng)用上述閾值修改理論即可。

由于風(fēng)電機(jī)組所處環(huán)境惡劣，數(shù)據(jù)波動性較大，人為修改預(yù)警閾值不僅符合實(shí)際情況，更能大大減少機(jī)組的誤報(bào)警率。

4.5.2 滑動窗口預(yù)警

根據(jù)SCADA系統(tǒng)的記錄，2019年10月28日12：38發(fā)生齒輪箱油池溫度高于上限值的故障。選取故障發(fā)生前24小時(shí)的數(shù)據(jù)進(jìn)行分析：將挑選的數(shù)據(jù)輸入訓(xùn)練好的模型中，得到一條時(shí)間序列殘差數(shù)據(jù)。預(yù)測值與真實(shí)值對比如圖9所示。

value of fault data

經(jīng)對比，改變窗口寬度對預(yù)警窗口的改變并不大，最終設(shè)置滑動窗口寬度為10，增量為1，處理得到的殘差時(shí)間流數(shù)據(jù)，以當(dāng)前窗口內(nèi)10個(gè)數(shù)據(jù)的均值當(dāng)做當(dāng)前時(shí)刻的殘差值，得出的誤差曲線如圖10所示。

由圖10可得：根據(jù)訓(xùn)練數(shù)據(jù)所設(shè)的預(yù)警閾值可完全適用于實(shí)際情況，故障數(shù)據(jù)預(yù)測殘差在第884個(gè)窗口超過了預(yù)警上限值。由于故障數(shù)據(jù)有104個(gè)空值，所以實(shí)際截取的只有22：16時(shí)的故障數(shù)據(jù)，故障點(diǎn)提前452個(gè)采樣點(diǎn)發(fā)出故障預(yù)警信號，結(jié)合采樣點(diǎn)每分鐘采樣一次，可推算該模型約提前7.5 h發(fā)出預(yù)警，證明了本文所提模型的預(yù)警能力。

5 結(jié) 論

基于對風(fēng)電機(jī)組進(jìn)行故障預(yù)警的必要性，本文提出一種IICEEMDAN-PCA-GRU神經(jīng)網(wǎng)絡(luò)模型。通過IICEEMDAN對篩選的特征進(jìn)行分解，得到特征在不同時(shí)間尺度上的連續(xù)性信號，消除了高維SCADA數(shù)據(jù)特征內(nèi)和特征間冗余性強(qiáng)且隨機(jī)性高的問題。用PCA對分解的矩陣信號進(jìn)行降維，提取矩陣的關(guān)鍵性信息，緩解網(wǎng)絡(luò)訓(xùn)練壓力。設(shè)置2個(gè)GRU網(wǎng)絡(luò)層對輸入數(shù)據(jù)進(jìn)行預(yù)測，提高模型預(yù)測精度。根據(jù)風(fēng)電機(jī)組實(shí)際運(yùn)行數(shù)據(jù)將本文所提模型與XGBoost算法、單一GRU網(wǎng)絡(luò)和ICEEMDAN-PCA-GRU網(wǎng)絡(luò)進(jìn)行對比，證明了IICEEMDAN-PCA-GRU網(wǎng)絡(luò)模型的預(yù)測曲線與實(shí)際曲線擬合度更高，誤差更小，性能更加優(yōu)越。最后提取故障發(fā)生時(shí)前24小時(shí)的數(shù)據(jù)進(jìn)行驗(yàn)證，使用滑動窗口對預(yù)測的殘差進(jìn)行處理，實(shí)現(xiàn)齒輪箱的早期預(yù)警，后續(xù)研究將在本文模型基礎(chǔ)上對GRU網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化，進(jìn)一步提高模型的預(yù)測精度。

［參考文獻(xiàn)］

［1］"""" 王超， 李大中. 基于LSTM網(wǎng)絡(luò)的風(fēng)機(jī)齒輪箱軸承故障預(yù)警［J］. 電力科學(xué)與工程， 2020， 36（9）： 40-45.

WANG C， LI D Z. Fault early warning of fan gearbox bearing"" based"" on"" LSTM"" network［J］." Electric"" power science and engineering， 2020， 36（9）： 40-45.

［2］"""" 黃榮舟， 湯寶平， 楊燕妮， 等. 基于長短時(shí)記憶網(wǎng)絡(luò)融合SCADA數(shù)據(jù)的風(fēng)電齒輪箱狀態(tài)監(jiān)測［J］. 太陽能學(xué)報(bào)， 2021， 42（1）： 235-239.

HUANG R Z， TANG B P， YANG Y N， et al. Condition monitoring of wind turbine gearbox based on LSTM neural network" fusing" SCADA" data［J］." Acta" energiae" solaris sinica， 2021， 42（1）： 235-239.

［3］"""" 魏書榮， 張鑫， 符楊， 等. 基于GRA-LSTM-Stacking模型的海上雙饋風(fēng)力發(fā)電機(jī)早期故障預(yù)警與診斷［J］. 中國電機(jī)工程學(xué)報(bào)， 2021， 41（7）： 2373-2382.

WEI S R， ZHANG X， FU Y， et al. Early fault warning and diagnosis of offshore wind DFIG based on GRA-LSTM-Stacking model［J］. Proceedings of the CSEE， 2021， 41（7）： 2373-2382.

［4］"""" 呂鳳霞， 繆益， 別鋒鋒， 等. ICEEMDAN和GS-SVM算法在滾動軸承聲發(fā)射故障診斷中的應(yīng)用研究［J］. 噪聲與振動控制， 2022， 42（6）： 92-97， 129.

LYU F X， MIAO Y， BIE F F， et al. Application of ICEEMDAN and GS-SVM algorithm in the fault diagnosis of" acoustic" emission" of" rolling" bearings［J］." Noise" and vibration control， 2022， 42（6）： 92-97， 129.

［5］"""" 陳東峰. 基于ICEEMDAN和SSA-ELM的短期風(fēng)電功率預(yù)測研究［D］. 保定： 華北電力大學(xué)， 2021.

CHEN D F. Research on short-term wind power prediction based on ICEEMDAN and SSA-ELM［D］. Baoding：North China Electric Power University， 2021.

［6］"""" 別鋒鋒， 都騰飛， 龐明軍， 等. 基于ICEEMDAN-GRNN神經(jīng)網(wǎng)絡(luò)的往復(fù)泵故障診斷方法研究［J］. 機(jī)械設(shè)計(jì)與制造， 2021（3）： 127-131.

BIE F F， DU T F， PANG M J， et al. Research on fault diagnosis method of reciprocating pump based on ICEEMDAN-GRNN neural network［J］. Mechanical design and manufacturing， 2021（3）： 127-131.

［7］"""" 張雲(yún)欽， 程起澤， 蔣文杰， 等. 基于EMD-PCA-LSTM 的光伏功率預(yù)測模型［J］. 太陽能學(xué)報(bào)， 2021， 42（9）： 62-69.

ZHANG Y Q， CHENG Q Z， JIANG W J， et al. Photovoltaic power prediction model based on EMD-PCA LSTM［J］. Acta energiae solaris sinica， 2021， 42（9）： 62-69.

［8］"""" 李俊卿， 陳雅婷. LSTM-CNN網(wǎng)絡(luò)在同步電機(jī)勵(lì)磁繞組匝間短路故障預(yù)警中的應(yīng)用［J］. 華北電力大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2020， 47（4）： 61-70.

LI J Q，CHEN Y T. Application of LSTM-CNN network in fault waring of inter-turn short circuit in field windings of synchronous generator［J］. Journal of North China Electric Power University（natural cience edition）， 2020， 47（4）： 61-70.

［9］"""" 張國珍， 王其樂， 葉天澤， 等. 基于隨機(jī)森林和LSTM-自編碼算法的風(fēng)機(jī)高溫降容狀態(tài)智能檢測方法［J］. 華北電力大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 48（3）： 81-88.

ZHANG G Z， WANG Q L， YE T Z， et al. Intelligent detection method of high-temperature capacity reduction of wind turbine based on random forest and LSTM-autoencoder［J］. Journal of North China Electric Power University （natural science edition）， 2021， 48（3）： 81-88.

［10］""" 喬福宇， 馬良玉， 馬永光. 基于功率曲線分析與神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障預(yù)警方法［J］. 中國測試， 2020， 46（8）： 44-50.

QIAO F Y， MA L Y， MA Y G. Wind turbine fault early warning method based on power curve analysis and neural network［J］. China measurement amp; testing， 2020， 46（8）： 44-50.

［11］""" 劉長良， 王梓齊. 基于MSET和集成學(xué)習(xí)的風(fēng)電機(jī)組齒輪箱故障預(yù)警［J］. 太陽能學(xué)報(bào)， 2020， 41（11）： 228-233.

LIU C L， WANG Z Q. Fault early warning of wind turbine gearbox based on MSET and ensemble learnING［J］. Acta energiae solaris sinica， 2020， 41（11）： 228-233.

［12］""" 趙洪山， 劉輝海. 基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電機(jī)組主軸承故障檢測［J］. 太陽能學(xué)報(bào)， 2018， 39（3）：588-595.

ZHAO H S， LIU H H. Fault detection of wind turbine main bearing based on deep learning network［J］. Acta energiae solaris sinica， 2018， 39（3）： 588-595.

RESEARCH ON FAULT WARNING METHOD OF WIND TURBINE GEARBOX BASED ON IICEEMDAN-PCA-GRU

Ma Yongguang，F(xiàn)eng Yongsheng

（School of Control and Computer Engineering， North China Electric Power University， Baoding 071003， China）

Abstract：In order to fully mine the hidden information of SCADA data， reduce the redundancy among features， and improve the prediction and warning accuracy of the model， a fault warning method for wind turbine gearbox was proposed based on the combination of fully noise-assisted aggregation empirical mode decomposition （IICEEMDAN）， principal component analysis （PCA） and gate recurrent unit（GRU）. Pearson correlation coefficient method was used for feature extraction， IICEEMDAN was used for feature decomposition to obtain the continuity signals of features in different time scales. PCA is used to extract the key factors of decomposition features as network training inputs. GRU network conducts modeling training on the input time series characteristics to predict the oil pool temperature of the gearbox. Statistical theory is used to analyze the error between the predicted value and the actual value of the oil pool temperature， and the early warning threshold is set according to the actual situation. Using sliding window theory to realize gearbox fault warning. A wind field in North China was used to verify the effectiveness of the proposed method for early fault warning of gearbox.

Keywords：wind turbines； statistical method； feature extraction； GRU； fault warning； gearbox； sliding window