新華電力發(fā)展投資有限公司 劉天奇 賈明峰 趙 薇

現(xiàn)如今，全球經(jīng)濟(jì)高速發(fā)展與能源需求迅猛增長(zhǎng)的背景下，新能源的開發(fā)和利用已顯現(xiàn)為全球能源領(lǐng)域的核心發(fā)展趨勢(shì)。風(fēng)能作為一種潔凈、可再生的能源形式，在全球范圍內(nèi)的應(yīng)用逐步普及。然而，風(fēng)力發(fā)電設(shè)備往往須置于惡劣環(huán)境之中，例如多風(fēng)沙、多暴雨等惡劣氣候條件，容易導(dǎo)致發(fā)電機(jī)葉片損壞，進(jìn)而對(duì)整個(gè)設(shè)備的正常運(yùn)行產(chǎn)生不利影響。因此，如何對(duì)發(fā)電機(jī)葉片的損壞進(jìn)行及時(shí)、精準(zhǔn)地診斷，已成為解決該問(wèn)題的關(guān)鍵環(huán)節(jié)。

現(xiàn)階段，基于人工智能和機(jī)器學(xué)習(xí)的技術(shù)已逐步應(yīng)用于風(fēng)能發(fā)電設(shè)備的檢測(cè)和診斷中，能夠有效地診斷發(fā)電機(jī)葉片的故障，提升設(shè)備維護(hù)效率，降低能源生產(chǎn)成本。利用深度學(xué)習(xí)、計(jì)算機(jī)視覺等人工智能和機(jī)器學(xué)習(xí)技術(shù)，研究人員得以在海量數(shù)據(jù)中迅速分析和檢測(cè)出潛在問(wèn)題，從而使診斷過(guò)程更加高效和精確，還能減少因設(shè)備故障導(dǎo)致的生產(chǎn)損失，提高能源生產(chǎn)效率。

綜上所述，在當(dāng)前全球能源形勢(shì)下，風(fēng)能發(fā)電作為一種潔凈、可再生的能源形式具備較大的發(fā)展?jié)摿?。引入人工智能和機(jī)器學(xué)習(xí)技術(shù)，有助于有效解決風(fēng)能發(fā)電設(shè)備所面臨的挑戰(zhàn)，提高設(shè)備維護(hù)效率，降低能源生產(chǎn)成本，為實(shí)現(xiàn)可持續(xù)能源目標(biāo)貢獻(xiàn)積極力量。

1 現(xiàn)狀

目前，對(duì)風(fēng)機(jī)葉片的診斷主要通過(guò)三種方式：基于人力的檢測(cè)；基于故障字典的模式識(shí)別；基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的故障診斷。

在風(fēng)能發(fā)電設(shè)備的葉片檢測(cè)過(guò)程中，傳統(tǒng)的人力檢測(cè)方法存在一些明顯的不足。首先，人力檢測(cè)的成本較高，需要配備具有較高素質(zhì)的技術(shù)人員來(lái)執(zhí)行相關(guān)任務(wù)。其次，由于人力檢測(cè)需要人員近距離接觸葉片進(jìn)行檢查，存在安全隱患。此外，人力檢測(cè)的穩(wěn)定性較差，受到惡劣天氣等環(huán)境因素的影響較大，檢測(cè)結(jié)果可能會(huì)受到干擾，影響診斷結(jié)果的準(zhǔn)確性。

與傳統(tǒng)人力檢測(cè)相比，基于故障字典的模式識(shí)別方法試圖通過(guò)建立大量故障數(shù)據(jù)的字典，通過(guò)比較待檢測(cè)風(fēng)機(jī)與故障字典，來(lái)實(shí)現(xiàn)檢測(cè)[1]。然而，該方法也存在一定的問(wèn)題。首先，故障字典的建立依賴于大量的故障數(shù)據(jù)，字典規(guī)模十分龐大，難以管理。其次，字典查詢過(guò)程需要基于待檢測(cè)葉片與字典的對(duì)比，查詢效率較低，可能會(huì)消耗大量時(shí)間和計(jì)算資源。此外，故障字典的模式識(shí)別方法無(wú)法識(shí)別未包含在字典中的新型故障。

因此，為了解決上述問(wèn)題，人工智能和深度學(xué)習(xí)已逐步應(yīng)用于風(fēng)能發(fā)電設(shè)備的葉片檢測(cè)。這些技術(shù)可在大量數(shù)據(jù)中自動(dòng)學(xué)習(xí)和識(shí)別故障特征，從而提高檢測(cè)效率和準(zhǔn)確性[2]。與傳統(tǒng)方法相比，人工智能和機(jī)器學(xué)習(xí)可以為風(fēng)能發(fā)電設(shè)備的葉片檢測(cè)提供更為先進(jìn)和可靠的支持，同時(shí)，通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障檢測(cè)有助于降低檢測(cè)成本，減少檢測(cè)的人力、資源的消耗，提升檢測(cè)的效率。

現(xiàn)代風(fēng)機(jī)通常由數(shù)個(gè)葉片組成，其中每一個(gè)葉片都可能存在故障，導(dǎo)致整個(gè)風(fēng)機(jī)的性能下降或者停機(jī)，給發(fā)電效益帶來(lái)極大的影響。傳統(tǒng)的故障檢測(cè)方法通常需要人工巡檢或使用專業(yè)設(shè)備進(jìn)行檢測(cè)，但這種方法費(fèi)時(shí)費(fèi)力，且容易受到人為主觀因素的影響，同時(shí)成本也比較高。而基于人工智能技術(shù)的風(fēng)機(jī)葉片故障檢測(cè)方法，可以通過(guò)采集葉片振動(dòng)信號(hào)并進(jìn)行信號(hào)處理和特征提取，結(jié)合1D-CNN等神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，實(shí)現(xiàn)對(duì)風(fēng)機(jī)葉片的故障檢測(cè)。相較于傳統(tǒng)方法，這種方法具有更高的精準(zhǔn)度和效率，且可以節(jié)約大量的人力和物力成本。同時(shí)，這種方法還可以通過(guò)對(duì)數(shù)據(jù)的持續(xù)收集和學(xué)習(xí)，不斷優(yōu)化檢測(cè)效果，使得檢測(cè)精準(zhǔn)度更高、效率更高、可靠性更高。

2 工作的流程圖以及模型的介紹

流程介紹如下：該診斷方法流程包括兩部分，第一部分是通過(guò)訓(xùn)練集數(shù)據(jù)進(jìn)行模型的訓(xùn)練，第二部分是根據(jù)訓(xùn)練好的模型對(duì)獲取到數(shù)據(jù)的待檢測(cè)葉片進(jìn)行故障的檢測(cè)。該檢測(cè)方式主要通過(guò)一種基于1D-CNN構(gòu)建的檢測(cè)模型進(jìn)行檢測(cè)。

如圖1所示，模型的訓(xùn)練部分主要基于訓(xùn)練集給定數(shù)據(jù)進(jìn)行訓(xùn)練，采用的具體方法是：獲得葉片的振動(dòng)數(shù)據(jù)以及故障狀況，獲得葉片振動(dòng)數(shù)據(jù)和故障狀況后，需要對(duì)這些數(shù)據(jù)進(jìn)行處理和分析，以便將其用于訓(xùn)練模型。數(shù)據(jù)處理包括數(shù)據(jù)清洗、特征提取、數(shù)據(jù)標(biāo)準(zhǔn)化等步驟。一旦數(shù)據(jù)處理完成，可以將其用于訓(xùn)練模型。常用的訓(xùn)練算法包括梯度下降法、隨機(jī)梯度下降法、Adam優(yōu)化器等。

其中，梯度下降法是最基本的優(yōu)化算法，其目標(biāo)是最小化損失函數(shù)，使模型的預(yù)測(cè)結(jié)果與真實(shí)值之間的誤差最小化。本模型采用梯度下降法進(jìn)行訓(xùn)練。在進(jìn)行模型訓(xùn)練時(shí)，需要設(shè)置訓(xùn)練次數(shù)、批次大小、學(xué)習(xí)率等超參數(shù)。這些參數(shù)的設(shè)置會(huì)影響模型訓(xùn)練的速度和效果。為了避免過(guò)擬合，通常需要對(duì)模型進(jìn)行驗(yàn)證，選擇最優(yōu)的超參數(shù)。在模型訓(xùn)練完成后，可以對(duì)模型進(jìn)行測(cè)試，以檢查其在新數(shù)據(jù)上的預(yù)測(cè)準(zhǔn)確性。

在獲得訓(xùn)練好的模型后，使用模型對(duì)待檢測(cè)葉片進(jìn)行故障檢測(cè)。在葉片振動(dòng)信號(hào)輸入模型之前，首先需要對(duì)信號(hào)進(jìn)行預(yù)處理，包括濾波、去噪、降采樣等步驟。然后，將預(yù)處理后的信號(hào)輸入到訓(xùn)練好的模型中進(jìn)行分類。在模型輸出結(jié)果后，人工對(duì)葉片進(jìn)行進(jìn)一步檢測(cè)以確認(rèn)故障類型和位置。如果故障被確認(rèn)，需要采取相應(yīng)的維修措施。如果模型識(shí)別錯(cuò)誤，可以通過(guò)人工反饋進(jìn)行模型優(yōu)化，提高故障檢測(cè)準(zhǔn)確率?？傊?，模型與人工相結(jié)合，可有效提高葉片故障檢測(cè)的準(zhǔn)確性和效率。

1D-CNN模型：1D-CNN模型是一種應(yīng)用于一維數(shù)據(jù)處理的模型，其結(jié)構(gòu)類似于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)。該模型包括輸入層、卷積層和Softmax層。輸入層接受一維的振動(dòng)信號(hào)向量，卷積層通過(guò)多個(gè)卷積核對(duì)信號(hào)進(jìn)行卷積操作，提取信號(hào)的特征，然后將特征圖傳遞給全連接層，最終經(jīng)過(guò)Softmax層得到最終的預(yù)測(cè)結(jié)果。

訓(xùn)練1D-CNN模型的過(guò)程通常是通過(guò)反向傳播的方式進(jìn)行的。模型通過(guò)訓(xùn)練集數(shù)據(jù)不斷學(xué)習(xí)，反復(fù)調(diào)整模型參數(shù)直到模型的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的誤差最小化。在訓(xùn)練過(guò)程中，為了實(shí)現(xiàn)有效的訓(xùn)練過(guò)程，需要設(shè)置一些超參數(shù)，如訓(xùn)練次數(shù)、批次大小以及學(xué)習(xí)率等。訓(xùn)練次數(shù)是模型在整個(gè)訓(xùn)練集上的學(xué)習(xí)迭代次數(shù)；批次大小是每次模型訓(xùn)練所使用的樣本數(shù)量；學(xué)習(xí)率是一個(gè)控制模型學(xué)習(xí)速度和收斂速度的參數(shù)。

合適的超參數(shù)設(shè)置對(duì)于模型的訓(xùn)練效果至關(guān)重要。為了選擇最優(yōu)的超參數(shù)配置，還需在驗(yàn)證集上進(jìn)行模型驗(yàn)證以評(píng)估模型性能。驗(yàn)證集是從原始數(shù)據(jù)集中劃分出來(lái)的一部分?jǐn)?shù)據(jù)，用于對(duì)模型的泛化性能進(jìn)行評(píng)估。通過(guò)在驗(yàn)證集上測(cè)試不同超參數(shù)組合的性能，可以選擇最佳的超參數(shù)設(shè)置，從而提高模型在未知數(shù)據(jù)上的預(yù)測(cè)準(zhǔn)確性。

在實(shí)際訓(xùn)練中，為了防止過(guò)擬合現(xiàn)象的發(fā)生，可以采用一些正則化技術(shù)，如權(quán)重衰減（L2正則化）、Dropout等。這些技術(shù)能夠提高模型的泛化能力。同時(shí)，在訓(xùn)練過(guò)程中可以使用優(yōu)化器（如Adam、RMSProp等）來(lái)自動(dòng)調(diào)整學(xué)習(xí)率，進(jìn)一步提高訓(xùn)練效果。通過(guò)合理的超參數(shù)設(shè)置和訓(xùn)練策略，可以使模型具有較高的預(yù)測(cè)性能和泛化能力，在實(shí)際應(yīng)用中實(shí)現(xiàn)更好的效果。

在對(duì)于訓(xùn)練好的模型的使用部分，對(duì)于待檢測(cè)葉片的振動(dòng)信號(hào)，需要進(jìn)行去噪等預(yù)處理操作，然后將其輸入訓(xùn)練好的1D-CNN進(jìn)行檢測(cè)，檢測(cè)模型根據(jù)振動(dòng)信號(hào)得到最后的檢測(cè)結(jié)果。得到檢測(cè)結(jié)果后，模型將故障狀態(tài)反饋給人工，人工對(duì)故障葉片進(jìn)行進(jìn)一步檢測(cè)、故障排查、故障修理。

3 試驗(yàn)驗(yàn)證

為了驗(yàn)證所建立模型的有效性和可靠性，構(gòu)建模擬實(shí)驗(yàn)平臺(tái)來(lái)對(duì)模型進(jìn)行詳細(xì)地驗(yàn)證和測(cè)試。該試驗(yàn)平臺(tái)主要由風(fēng)力發(fā)電機(jī)模型和傳感器兩部分組成。通過(guò)將傳感器安裝在風(fēng)力發(fā)電機(jī)周圍，可以實(shí)時(shí)采集風(fēng)機(jī)在不同工作狀態(tài)下的振動(dòng)數(shù)據(jù)。在試驗(yàn)過(guò)程中，為了全面地評(píng)估模型性能，設(shè)置了多種不同的實(shí)驗(yàn)條件，對(duì)照組試驗(yàn)包括：正常運(yùn)行的風(fēng)機(jī)、葉片磨損的風(fēng)機(jī)以及葉片斷裂的風(fēng)機(jī)。這些不同狀態(tài)下的風(fēng)機(jī)葉片振動(dòng)數(shù)據(jù)將作為訓(xùn)練數(shù)據(jù)，用于訓(xùn)練和優(yōu)化故障檢測(cè)模型。通過(guò)收集和分析這些不同狀態(tài)下的風(fēng)機(jī)振動(dòng)數(shù)據(jù)，對(duì)檢測(cè)模型進(jìn)行訓(xùn)練。在模型訓(xùn)練完成后，利用獨(dú)立的驗(yàn)證數(shù)據(jù)集對(duì)模型進(jìn)行驗(yàn)證，以評(píng)估其在實(shí)際應(yīng)用中的性能表現(xiàn)。

通過(guò)試驗(yàn)驗(yàn)證了基于1D-CNN的檢測(cè)模型的有效性，1D-CNN結(jié)構(gòu)如圖2所示。在試驗(yàn)中，研究人員基于前述方法構(gòu)建了1D-CNN模型。使用采集到的風(fēng)機(jī)葉片的振動(dòng)信號(hào)作為訓(xùn)練集，進(jìn)行模型訓(xùn)練。在訓(xùn)練模型之前，對(duì)訓(xùn)練集進(jìn)行了數(shù)據(jù)預(yù)處理，包括噪聲濾波、標(biāo)準(zhǔn)化等操作，以便更好地訓(xùn)練模型。在訓(xùn)練過(guò)程中，采用梯度下降法對(duì)模型參數(shù)進(jìn)行調(diào)整，并且設(shè)置訓(xùn)練輪數(shù)為四百個(gè)epoch。

圖2 1D-CNN模型

圖3 模擬風(fēng)機(jī)平臺(tái)和對(duì)照組的設(shè)置

圖4 訓(xùn)練過(guò)程的故障診斷的準(zhǔn)確率

經(jīng)過(guò)訓(xùn)練，得到結(jié)論，1D-CNN模型在進(jìn)行故障葉片診斷時(shí)，可以達(dá)到較高的準(zhǔn)確率，其準(zhǔn)確率達(dá)到了95%以上。這表明該模型具有很好的效果，可以有效地對(duì)風(fēng)機(jī)葉片的故障進(jìn)行檢測(cè)和診斷。同時(shí)，該模型還具有很好的泛化能力，能夠適應(yīng)不同的葉片故障類型和不同的風(fēng)機(jī)故障狀況。

4 總結(jié)

通過(guò)對(duì)本模型的使用，不需要人工直接接觸葉片而對(duì)葉片進(jìn)行遠(yuǎn)程檢測(cè)，降低風(fēng)險(xiǎn)同時(shí)提升精度。此外，由于1D-CNN模型的自適應(yīng)性和學(xué)習(xí)能力，可以適應(yīng)不同類型的葉片故障檢測(cè)任務(wù)，具有較強(qiáng)的泛化能力。與傳統(tǒng)的葉片檢測(cè)方法相比，該方法具有更高的準(zhǔn)確率，并且在實(shí)際應(yīng)用中能夠降低成本和提高效率。因此，該方法在風(fēng)電行業(yè)的應(yīng)用前景廣闊，有望為風(fēng)電行業(yè)帶來(lái)更高的技術(shù)水平和經(jīng)濟(jì)效益。

除了能夠?qū)崿F(xiàn)遠(yuǎn)距離、高精度、低成本的葉片故障檢測(cè)外，基于神經(jīng)網(wǎng)絡(luò)的方法還具有一定的智能化優(yōu)勢(shì)。通過(guò)訓(xùn)練模型，可以使其具備學(xué)習(xí)能力，不斷優(yōu)化檢測(cè)效果，避免人為干預(yù)的主觀性和不確定性。此外，基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法可以拓展到其他領(lǐng)域，如機(jī)械、汽車、航空等，具有廣泛的應(yīng)用前景。另外，本模型的推廣使用還能夠促進(jìn)風(fēng)電行業(yè)技術(shù)的發(fā)展和升級(jí)，進(jìn)一步推動(dòng)清潔能源的開發(fā)和利用，有益于推動(dòng)社會(huì)可持續(xù)發(fā)展。