王 健，李富源，黃 鑫，婁 霄

(國能長源湖北新能源有限公司，隨州 432700)

0 引言

風(fēng)電機(jī)組的狀態(tài)監(jiān)測和故障診斷是保證機(jī)組能夠長期穩(wěn)定運(yùn)行和安全發(fā)電的關(guān)鍵。隨著風(fēng)機(jī)運(yùn)行年限的增加，受油品狀態(tài)、冷卻性能、運(yùn)行環(huán)境等因素的影響，齒輪箱油溫超限的故障隱患也不斷增加[1]。通過監(jiān)測齒輪箱油溫變化，實(shí)現(xiàn)油溫超溫的提前預(yù)警，可有效的減少故障。

對于風(fēng)電機(jī)組齒輪箱的溫度預(yù)警的研究，國內(nèi)外學(xué)者主要集中在基于主軸承溫度的故障預(yù)警以及基于齒輪箱油溫的故障預(yù)警?；谥鬏S承的溫度預(yù)警常采用PSO-BP神經(jīng)網(wǎng)絡(luò)模型[2]、GA-BP神經(jīng)網(wǎng)絡(luò)模型[3]、ANN模型[4]、DBN模型[5]、CNN模型[6]、LSTM模型[7]建立溫度預(yù)測模型，采用主成分分析法、特征提取法、皮爾遜法、最大互信息系數(shù)法確定模型的輸入[2-5,8]，采用加權(quán)平均法、殘差值、概率分布法[5-7]確定報警閾值。對于齒輪箱油溫的故障預(yù)警，文獻(xiàn)[9]通過建立基于概率統(tǒng)計分析的齒輪箱油溫正常行為模型，并根據(jù)不同工況設(shè)定不同的異常閾值，采用時序滑動窗口實(shí)現(xiàn)對溫度的預(yù)警。文獻(xiàn)[10]通過建立齒輪箱油溫回歸預(yù)測模型，依據(jù)實(shí)際運(yùn)行數(shù)據(jù)與預(yù)測數(shù)據(jù)的偏差，按照指定的策略進(jìn)行故障預(yù)警。文獻(xiàn)[11]提出了一種基于異常數(shù)據(jù)清洗與動態(tài)神經(jīng)網(wǎng)絡(luò)的建模方方法，采用統(tǒng)計過程控制法分析殘差，根據(jù)殘差的特征分布計算預(yù)警閾值。文獻(xiàn)[12]提出了基于PCA和動態(tài)神經(jīng)網(wǎng)絡(luò)的齒輪箱油溫趨勢預(yù)測模型，采用SPC方法控制模型的在線學(xué)習(xí)行為，實(shí)現(xiàn)對齒輪箱油溫的趨勢預(yù)測。

本文選用某風(fēng)場風(fēng)機(jī)SCADA系統(tǒng)中的運(yùn)行數(shù)據(jù)，利用相關(guān)性分析法確定模型的輸入，采用imPSO-BP建立齒輪箱油溫故障預(yù)警模型，結(jié)合加權(quán)移動平均法（Weighted Moving Average,WMA）、核密度估計法（Kernel Density Estimation,KDE）分析預(yù)測值與實(shí)際值的殘差絕對值，從而確定預(yù)警閾值。最后，通過實(shí)際案例對比了imPSO-BP模型與PSO-BP模型的預(yù)警效果。

1 數(shù)據(jù)集的建立

受風(fēng)速、天氣等因素的影響，風(fēng)機(jī)監(jiān)測數(shù)據(jù)具有一定的隨機(jī)性[13]。為建立齒輪箱油溫故障預(yù)警模型，需要考慮所有對齒輪箱油溫產(chǎn)生影響的變量。在統(tǒng)計學(xué)上，若需反應(yīng)兩個變量之間的相關(guān)性，可進(jìn)行相關(guān)性分析[14]。本文運(yùn)用最大互信息系數(shù)（Maximal Information Coefficient,MIC）對風(fēng)機(jī)SCADA系統(tǒng)的歷史數(shù)據(jù)進(jìn)行相關(guān)性分析，其定義如下：

式中：α、β為在A、B方向上劃分網(wǎng)格數(shù)量，p(A,B)表示變量A、B的聯(lián)合概率，p(A)、p(B)分別表示變量A、B的邊緣概率密度，λ為變量，MIC(A,B)表示相關(guān)性系數(shù)。若MIC(A,B)≥0.95，表示變量A、B顯著相關(guān)；若0.95＞MIC(A,B)≥0.8，表示變量A、B強(qiáng)相關(guān)；若0.8＞MIC(A,B)≥0.5，表示變量A、B中度相關(guān)；若0.5＞MIC(A,B)≥0.3，表示變量A、B弱相關(guān)；MIC(A,B)＜0.3，表示變量A、B無相關(guān)。

風(fēng)電機(jī)組SCADA系統(tǒng)每次記錄23個參數(shù)10分鐘平均值。這些數(shù)據(jù)可以分為3類：1）溫度參數(shù)，包括：齒輪箱入口油溫(P1)，齒輪箱輸入軸軸溫(P2)、齒輪箱油溫(P3)、齒輪箱輸出軸軸溫(P4)、發(fā)電機(jī)軸承A/B溫度(P5,P6)、發(fā)電機(jī)定子繞組U1/U2/V1/V2/W1/W2溫度(P7,P8,P9,P10,P11,P12)、主軸齒箱側(cè)溫度(P13)、主軸葉輪側(cè)溫度(P14)、變槳軸溫度1/2/3(P15,P16,P17)；2）工況參數(shù)，包括：發(fā)電機(jī)速(P18),葉輪轉(zhuǎn)速1/2(P19,P20)，機(jī)艙振動值X/Y(P21,P22)；3）風(fēng)力參數(shù)，包括：風(fēng)速(P23)。通過某風(fēng)場風(fēng)機(jī)SCADA系統(tǒng)的歷史數(shù)據(jù)計算出各參數(shù)與齒輪箱油溫的相關(guān)性系數(shù)，選擇相關(guān)性系數(shù)大于0.8的參數(shù)作為模型的輸入。選擇的模型輸入?yún)?shù)如表1所示。

表1 相關(guān)性系數(shù)表

2 故障預(yù)警模型建立

對SCADA系統(tǒng)歷史數(shù)據(jù)進(jìn)行相關(guān)性分析得到模型輸入之后，建立基于imPSO-BP神經(jīng)網(wǎng)絡(luò)的齒輪箱狀態(tài)預(yù)測模型。采用健康時刻的歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到輸入?yún)?shù)與齒輪箱油溫之間的映射關(guān)系。模型訓(xùn)練好之后，向訓(xùn)練好的網(wǎng)絡(luò)中輸入風(fēng)機(jī)的實(shí)時數(shù)據(jù)，實(shí)際值和模型預(yù)測輸出之間的殘差被處理為監(jiān)測指標(biāo)。再通過WMA與KDE對殘差序列進(jìn)行處理得到預(yù)警閾值。在監(jiān)測過程中，輸入測試數(shù)據(jù)，將殘差與之前定義的閾值進(jìn)行比較。如果殘差在閾值范圍內(nèi)，表明風(fēng)機(jī)處于健康狀態(tài)；如果殘差在連續(xù)時間內(nèi)超出預(yù)警閾值，則認(rèn)為風(fēng)機(jī)出現(xiàn)故障，并進(jìn)行故障預(yù)警。在監(jiān)測過程中具體流程如圖1所示。

圖1 齒輪箱油溫故障預(yù)警模型

2.1 基于imPSO-BP神經(jīng)網(wǎng)絡(luò)的建立

1）BP神經(jīng)網(wǎng)絡(luò)模型的建立

以表1的參數(shù)作為模型的輸入，齒輪箱油溫作為輸出建立BP神經(jīng)網(wǎng)絡(luò)模型。輸入層為6個神經(jīng)元，即對應(yīng)表1中的6個參數(shù)；隱含層經(jīng)過多次訓(xùn)練后選取了1層隱含層，神經(jīng)元個數(shù)為8；輸出層神經(jīng)元個數(shù)為1，表示齒輪箱油溫，如圖2所示。網(wǎng)絡(luò)的訓(xùn)練誤差函數(shù)采用均方差函數(shù)，訓(xùn)練算法采用LM算法，隱含層的傳遞函數(shù)采用Sigmoid函數(shù)，輸出層采用purelin函數(shù)。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2）粒子群算法的改進(jìn)

粒子群算法[15]是由Kennedy和Eberhart于1995年提出；學(xué)者在此基礎(chǔ)上引入慣性權(quán)重因子w，稱為基本粒子群算法，其慣性權(quán)重w和粒子速度更新公式為如下：

式中：wmax和wmin為慣性權(quán)重的最大值和最小值，MaxIt、iter為最大迭代次數(shù)和當(dāng)前迭代次數(shù)，c1、c2為學(xué)習(xí)因子，r1和r2為服從[0,1]上均勻分布的隨機(jī)數(shù)。

因線性慣性權(quán)重對全局搜索和局部搜索沒有側(cè)重性，考慮到算法初期需進(jìn)行大范圍的全局搜索，后期又需要較強(qiáng)的局部搜索能力，同時需加快算法的收斂速度。本文引入非線性sin曲線調(diào)整PSO的慣性權(quán)重w，sin曲線的斜率先增大后減小，這種變化趨勢可使得粒子首先側(cè)重全局搜索，隨后側(cè)重局部搜索，有利于粒子群快速搜索到全局最優(yōu)。改進(jìn)公式如式(3)所示：

3）imPSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

因BP神經(jīng)網(wǎng)絡(luò)受權(quán)值、閾值的影響較大，采用imPSO對其進(jìn)行尋優(yōu)，以提高齒輪箱油溫的預(yù)測性能。算法的步驟如下：

（1）初始化BP神經(jīng)網(wǎng)絡(luò)。對式(1)中構(gòu)建的網(wǎng)絡(luò)進(jìn)行權(quán)值和閾值的初始化。

（2）輸入?yún)?shù)的歸一化處理，即將輸入?yún)?shù)轉(zhuǎn)化為[-1,1]區(qū)間內(nèi)。

（3）粒子群參數(shù)初始化。粒子群算法的初始化參數(shù)設(shè)置如下：種群規(guī)模設(shè)置為30，最大迭代次數(shù)MaxIt=100，粒子的初始速度為0，學(xué)習(xí)因子c1=c2=0.55，最大權(quán)重wmax=0.8，最小權(quán)重wmin=0.4，最大限制速度Vmax=1。

（4）構(gòu)建BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值優(yōu)化的適應(yīng)度函數(shù)。設(shè)置預(yù)測值與實(shí)際值之間殘差絕對值的大小作為適應(yīng)度函數(shù)。

（5）計算各粒子的適應(yīng)度值，對個體最優(yōu)和全局最優(yōu)位置進(jìn)行搜尋。

（6）按照式(3)進(jìn)行權(quán)重和速度的更新。

（7）重復(fù)步驟（5）、（6），當(dāng)滿足設(shè)定的終止條件時，輸出BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。其中，終止條件包括設(shè)置的最大迭代次數(shù)和連續(xù)5代適應(yīng)度函數(shù)值小于設(shè)定值

（8）將步驟（7）得到權(quán)值和閾值輸入到BP神經(jīng)網(wǎng)絡(luò)，并進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。

2.2 網(wǎng)絡(luò)的訓(xùn)練與結(jié)果分析

將第1節(jié)得到的輸入?yún)?shù)，輸入到2.1節(jié)建立的imPSOBP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練。訓(xùn)練數(shù)據(jù)選取某風(fēng)場8月1日至8月24日的數(shù)據(jù)用于模型的訓(xùn)練，8月25日至8月31日的數(shù)據(jù)用于模型的測試，數(shù)據(jù)每隔10min存儲一次。訓(xùn)練集樣本數(shù)據(jù)大小為3456，測試集數(shù)據(jù)大小為1008。采用平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)、決定系數(shù)(R2)評價模型的訓(xùn)練結(jié)果[16]，其計算公式分別如式(4)～式(6)所示：

為驗(yàn)證改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)模型的有效性，對比了PSO-BP神經(jīng)網(wǎng)絡(luò)模型與imPSO-BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練效果，兩種模型的預(yù)測結(jié)果與期望輸出結(jié)果如圖3所示。風(fēng)電機(jī)組在健康狀態(tài)下，兩種方法的預(yù)測輸出齒輪箱油溫曲線與實(shí)際油溫曲線基本吻合。

圖3 模型預(yù)測結(jié)果

將兩種模型的預(yù)測輸出結(jié)果與期望輸出結(jié)果分別求取殘差序列，并分別計算兩種模型的評價指標(biāo)，得到殘差序列如圖4所示，評價指標(biāo)值如表2所示。

圖4 預(yù)測值與期望值殘差

表2 評價指標(biāo)對比

從三個評價指標(biāo)和最大殘差值來看，imPSO-BP 模型的預(yù)測精度優(yōu)于PSO-BP模型。主要表現(xiàn)在：相較于PSO-BP，imPSO-BP的MAPE指標(biāo)降低15.09%，RMSE指標(biāo)降低12.5%，R2指標(biāo)提高0.17%，最大殘差指標(biāo)降低35.93%。這是因?yàn)閕mPSO在優(yōu)化過程中首先側(cè)重全局搜索，隨后側(cè)重局部搜索，有利于快速找到BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值，這使得模型的預(yù)測輸出與實(shí)際輸出之間誤差更小，相關(guān)性更高。

2.3 殘差的濾波處理與閾值的確定

為消除隨機(jī)因素對預(yù)警效果的影響，使用WMA對殘差絕對值序列進(jìn)行平滑處理，WMA表達(dá)式如式(7)所示：

式中：Δt表示濾波輸出，τi表示數(shù)據(jù)對應(yīng)的權(quán)重值，n表示窗口大小，Δt-n+i表示濾波樣本值。

選用KDE確定預(yù)警閾值的大小，KDE估計算子如式(8)所示：

式中：xi表示給定樣本，表示平滑因子或帶寬，H表示核函數(shù)，n表示樣本個數(shù)。

3 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

輸入含故障的數(shù)據(jù)到訓(xùn)練好的PSO-BP[17]與imPSO-BP模型中，包含故障當(dāng)天數(shù)據(jù)、故障前3天數(shù)據(jù)、故障后3天數(shù)據(jù)，共1008個數(shù)據(jù)點(diǎn)。兩種模型的預(yù)測輸出與期望輸出結(jié)果如圖5所示。

圖5 含故障數(shù)據(jù)模型預(yù)測結(jié)果

分析圖5(a)可知，在齒輪箱油溫處于正常狀態(tài)時，PSO-BP模型的預(yù)測值與期望值之間的誤差較小，大約在故障前150個點(diǎn)及故障點(diǎn)處誤差突然增大。分析圖5(b)可知，對于imPSO-BP模型，僅在故障前150個點(diǎn)左右出現(xiàn)誤差值的突然增大。誤差的突然增大是因?yàn)楣收霞磳⒊霈F(xiàn)時，輸入的多參數(shù)時間序列與正常序列有較大的偏差，這種偏差會改變輸入?yún)?shù)與輸出參數(shù)之間的映射關(guān)系，從而導(dǎo)致誤差變大。利用這個特點(diǎn)，可達(dá)到齒輪箱油溫故障預(yù)警的目的。而對于PSO-BP模型出現(xiàn)兩次誤差大誤差的情況，是因?yàn)镻SO算法對于權(quán)重與閾值優(yōu)化時無法實(shí)現(xiàn)快速尋優(yōu)，導(dǎo)致在正常時刻模型出現(xiàn)大誤差的輸出。

將預(yù)測結(jié)果與期望輸出結(jié)果求取殘差絕對值，取WMA的窗口大小n=12，權(quán)重值=[0.026,0.045,0.071,0.1,0.12,0.138,0.138,0.12,0.1,0.071,0.045,0.026]，得到兩種模型的WMA殘差絕對值與殘差絕對值如圖6所示。

圖6 WMA殘差絕對值

選擇KDE的核函數(shù)為逆累計分布函數(shù)，置信度為95%，兩種模型的預(yù)警效果如圖7所示。分析圖7(a)可知，PSO-BP在采樣點(diǎn)為351和501時出現(xiàn)超過閾值點(diǎn)，曲線超出閾值一段時間后很快落到閾值線以下；且第二次超出閾值的采樣點(diǎn)出現(xiàn)在實(shí)際故障點(diǎn)后，屬于誤報警。分析圖7(b)可知，基于imPSO-BP的故障預(yù)警模型可有效的實(shí)現(xiàn)對故障進(jìn)行預(yù)警，且曲線超出閾值一段時間后沒有落到閾值線下，說明預(yù)警結(jié)果較為可靠，不屬于誤報警。對于imPSO-BP模型，實(shí)際故障采樣點(diǎn)為494，故障預(yù)警采樣點(diǎn)為332，故障預(yù)警時間提前約27小時，故障預(yù)警效果優(yōu)于PSO-BP模型。

圖7 故障預(yù)警模型輸出結(jié)果

4 結(jié)語

本文結(jié)合改進(jìn)的粒子群算法和BP神經(jīng)網(wǎng)絡(luò)，提出了一種基于多參數(shù)融合的風(fēng)電機(jī)組齒輪箱油溫故障預(yù)警方法，可實(shí)現(xiàn)風(fēng)電機(jī)組齒輪箱油溫異常的提前預(yù)警。主要結(jié)論為：

1）根據(jù)風(fēng)電機(jī)組SCADA系統(tǒng)的歷史監(jiān)測數(shù)據(jù)，采用相關(guān)性分析法確定了模型的輸入?yún)?shù)。

2）建立了齒輪箱油溫故障預(yù)警模型，并采用改進(jìn)的粒子群算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)尋優(yōu)。對比了PSO-BP模型與imPSO-BP模型的預(yù)測效果，實(shí)驗(yàn)結(jié)果表明：imPSO-BP模型提高了齒輪箱油溫的預(yù)測精度。

3）通過實(shí)際的案例對該預(yù)警方法進(jìn)行了驗(yàn)證，結(jié)果表明，imPSO-BP模型可實(shí)現(xiàn)齒輪箱油溫故障的提前預(yù)警，預(yù)警時間提前約27小時。相較于PSO-BP模型，imPSO-BP模型預(yù)警結(jié)果更可靠，且不會出現(xiàn)誤報警。