龍 寰，楊 婷，徐劭輝，顧 偉

（1.東南大學(xué)電氣工程學(xué)院，江蘇省南京市 210096；2.國(guó)網(wǎng)江蘇省電力有限公司超高壓分公司，江蘇省南京市 211102）

0 引言

為了應(yīng)對(duì)日漸嚴(yán)峻的能源危機(jī)，實(shí)現(xiàn)全球可持續(xù)發(fā)展目標(biāo)，中國(guó)高度重視可再生能源的開(kāi)發(fā)。風(fēng)能作為一種清潔、可持續(xù)的發(fā)電方式，是減少溫室氣體排放和節(jié)約能源的首選方式［1-2］。因此，中國(guó)的風(fēng)力發(fā)電得到了快速發(fā)展，陸上風(fēng)力發(fā)電機(jī)裝機(jī)容量迅速增加［3］。中國(guó)已經(jīng)成為全球范圍內(nèi)陸上風(fēng)力發(fā)電量最多的國(guó)家，約占全球風(fēng)力發(fā)電總量的40%［4］。與此同時(shí)，海上風(fēng)力發(fā)電機(jī)的發(fā)電能力也得到了大力的發(fā)展，目前，中國(guó)已成為全球海上風(fēng)力發(fā)電容量增速最快的國(guó)家［5-6］。根據(jù)“雙碳”目標(biāo)，中國(guó)承諾到2030 年實(shí)現(xiàn)非化石燃料占全國(guó)一次能源結(jié)構(gòu)的25%［7］，截至2022 年，中國(guó)已經(jīng)實(shí)現(xiàn)了758 GW 風(fēng)電機(jī)組和光伏系統(tǒng)的并網(wǎng)運(yùn)行［8］。根據(jù)全球風(fēng)能協(xié)會(huì)市場(chǎng)情報(bào)預(yù)計(jì)，中國(guó)將在2025 年前實(shí)現(xiàn)1 200 GW的可再生能源裝機(jī)目標(biāo)［9］。綜上所述，風(fēng)力發(fā)電具有巨大的發(fā)展前景。

為了最大限度地利用風(fēng)能，風(fēng)電機(jī)組通常安裝在風(fēng)能豐富但自然條件惡劣的環(huán)境中，如近海地區(qū)和高緯度地區(qū)，且機(jī)艙通常安裝于離地幾十米的高空，運(yùn)行維護(hù)及檢修成本高昂且難度較大?，F(xiàn)有統(tǒng)計(jì)資料表明，大型風(fēng)電場(chǎng)維護(hù)成本占風(fēng)電場(chǎng)收入的15%～35%左右［10-11］。因此，需要適時(shí)地進(jìn)行健康狀態(tài)監(jiān)測(cè)以降低維護(hù)成本。與此同時(shí)，早期安裝的風(fēng)電機(jī)組運(yùn)行維護(hù)系統(tǒng)較為老舊，且通常不包含狀態(tài)監(jiān)控系統(tǒng)和容錯(cuò)系統(tǒng)［12-13］?，F(xiàn)有研究表明，接近極限壽命的風(fēng)電機(jī)組的轉(zhuǎn)子輪轂和傳動(dòng)部件更容易出現(xiàn)災(zāi)難性故障［14-15］，而這類(lèi)部件造成的長(zhǎng)時(shí)間非計(jì)劃維護(hù)停機(jī)約占風(fēng)力發(fā)電機(jī)組總運(yùn)行維護(hù)成本的30%～60%［16］。因此，風(fēng)電機(jī)組故障初期的健康狀態(tài)監(jiān)測(cè)和故障診斷能防止風(fēng)電機(jī)組遭受?chē)?yán)重的損壞，減少故障引發(fā)的巨大經(jīng)濟(jì)損失，提高風(fēng)能利用率并提升風(fēng)電場(chǎng)的經(jīng)濟(jì)效益。

風(fēng)電機(jī)組大多地處偏遠(yuǎn)地區(qū)，排布分散，傳統(tǒng)的人工巡檢模式不僅存在安全性差、工作量大、效率低等問(wèn)題，而且受觀測(cè)角度的影響，巡檢可能存在死角且主觀性較強(qiáng)等問(wèn)題，同時(shí)，重要部件的巡檢有時(shí)需要停機(jī)操作，進(jìn)一步增加了巡檢的成本。在風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)和故障診斷中，由于風(fēng)電機(jī)組的內(nèi)在故障問(wèn)題會(huì)間接體現(xiàn)在外在的數(shù)據(jù)中，采用這些外在的數(shù)據(jù)進(jìn)行風(fēng)電機(jī)組運(yùn)行狀態(tài)的監(jiān)測(cè)與診斷能夠有效克服人工巡檢的缺點(diǎn)。因此，近年來(lái)，基于各類(lèi)數(shù)據(jù)類(lèi)型的狀態(tài)監(jiān)測(cè)和故障診斷被廣泛研究［17-19］。根據(jù)各類(lèi)不同的運(yùn)行數(shù)據(jù)（如振動(dòng)數(shù)據(jù)、氣象數(shù)據(jù)、電氣數(shù)據(jù)等）建立風(fēng)電機(jī)組運(yùn)行狀態(tài)評(píng)估指標(biāo)，通過(guò)比較評(píng)估指標(biāo)與給定的閾值可以分析判斷風(fēng)電機(jī)組的實(shí)時(shí)運(yùn)行狀態(tài)。然后，對(duì)采集的各項(xiàng)參數(shù)進(jìn)行分析和處理，提取異常狀態(tài)下的特征指標(biāo)，以實(shí)現(xiàn)設(shè)備故障的快速定位。相比于傳統(tǒng)的人工巡檢和機(jī)械故障檢測(cè)方法，基于數(shù)據(jù)驅(qū)動(dòng)的方法成本更低，且具有泛用性強(qiáng)、靈敏度高的優(yōu)點(diǎn)。

本文圍繞風(fēng)電機(jī)組的多源數(shù)據(jù)集，從不同類(lèi)型的運(yùn)行數(shù)據(jù)出發(fā)，對(duì)風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)進(jìn)行評(píng)述總結(jié)，探討相關(guān)熱點(diǎn)問(wèn)題并對(duì)技術(shù)瓶頸進(jìn)行分析。同時(shí)，對(duì)未來(lái)大規(guī)模風(fēng)電場(chǎng)的狀態(tài)監(jiān)測(cè)和故障診斷進(jìn)行展望。

1 風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷關(guān)鍵技術(shù)

隨著風(fēng)電機(jī)組技術(shù)的不斷發(fā)展和狀態(tài)監(jiān)測(cè)系統(tǒng)（condition monitoring system，CMS）的普及，風(fēng)電機(jī)組的故障率逐步降低。然而，與傳統(tǒng)發(fā)電設(shè)備相比，風(fēng)電機(jī)組的工作環(huán)境復(fù)雜、載荷狀態(tài)多變，其故障率仍然相對(duì)較高?，F(xiàn)有研究表明，風(fēng)電機(jī)組中傳動(dòng)系統(tǒng)、葉輪、電氣系統(tǒng)是導(dǎo)致風(fēng)電機(jī)組停機(jī)的主要部件［20］。為了控制故障范圍，降低經(jīng)濟(jì)和電能的損失，需要對(duì)風(fēng)電機(jī)組的健康狀態(tài)進(jìn)行監(jiān)測(cè)，并對(duì)部件故障進(jìn)行快速、精確的診斷。本文將從狀態(tài)監(jiān)測(cè)與故障診斷數(shù)據(jù)集和對(duì)應(yīng)的算法框架兩方面進(jìn)行論述。

1.1 風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)集

1.1.1 SCADA 數(shù)據(jù)

風(fēng)電機(jī)組中的數(shù)據(jù)采集與監(jiān)控（supervisory control and data acquisition，SCADA）系統(tǒng)采集并記錄了風(fēng)電機(jī)組運(yùn)行的各項(xiàng)數(shù)據(jù)，以分鐘級(jí)的分辨率記錄風(fēng)電機(jī)組的運(yùn)行狀態(tài)，包含風(fēng)電機(jī)組運(yùn)行中的電氣數(shù)據(jù)、物理狀態(tài)數(shù)據(jù)以及氣象數(shù)據(jù)［21］，如輸出功率、轉(zhuǎn)子轉(zhuǎn)速、風(fēng)速、齒輪箱油溫等參數(shù)。電氣數(shù)據(jù)可以反映風(fēng)電機(jī)組的運(yùn)行狀態(tài)，通常被應(yīng)用于風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)，但其中包含的故障相關(guān)特征往往相對(duì)較弱［22］，并且很難確定特定的故障特征；物理狀態(tài)數(shù)據(jù)通常被用于評(píng)估特定部件的健康狀態(tài)，然而部分物理狀態(tài)數(shù)據(jù)具有時(shí)延性，如齒輪箱溫度、變壓器油溫和油壓等，導(dǎo)致依賴(lài)單一參數(shù)無(wú)法實(shí)現(xiàn)故障初期的精確診斷。

綜上所述，SCADA 數(shù)據(jù)具有充分挖掘隱藏故障信息的潛力。因此，可利用SCADA 數(shù)據(jù)對(duì)風(fēng)電機(jī)組部件進(jìn)行狀態(tài)監(jiān)測(cè)，分析特定部件的健康狀態(tài)。

1.1.2 振動(dòng)數(shù)據(jù)

振動(dòng)數(shù)據(jù)常用于旋轉(zhuǎn)機(jī)械設(shè)備的狀態(tài)監(jiān)測(cè)、精確的設(shè)備維護(hù)和故障診斷，如轉(zhuǎn)子不平衡、軸彎曲、軸承松動(dòng)、中心軸偏移等。在風(fēng)電機(jī)組狀態(tài)分析中，重點(diǎn)監(jiān)測(cè)和采集的部件是齒輪箱齒輪和軸承、發(fā)電機(jī)軸承、葉片等部件的振動(dòng)［23］，其特點(diǎn)是采樣頻率較高。但是振動(dòng)數(shù)據(jù)的采集獲取依賴(lài)于安裝在風(fēng)電機(jī)組特定部件中的傳感器，振動(dòng)數(shù)據(jù)不是明確的輸入-輸出模型，無(wú)法直接反映出被測(cè)量部件的健康狀況。并且，振動(dòng)傳感器工作在電磁干擾較大的機(jī)艙或齒輪箱中，采集得到的振動(dòng)和聲波數(shù)據(jù)通常含有大量噪聲［24］，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理技術(shù)用于提取與故障高度相關(guān)的特征。

綜上，振動(dòng)數(shù)據(jù)具有分辨率高、特征性強(qiáng)的特點(diǎn)，在風(fēng)電機(jī)組齒輪箱、軸承的狀態(tài)監(jiān)測(cè)和故障診斷中起到了重要作用。然而，由于安裝難度和成本，部分傳感器無(wú)法廣泛應(yīng)用于大規(guī)模風(fēng)電場(chǎng)中，限制了這類(lèi)數(shù)據(jù)的應(yīng)用范圍。

1.1.3 圖像數(shù)據(jù)

圖像數(shù)據(jù)可以直觀地反映風(fēng)電機(jī)組部件的損傷情況。隨著無(wú)人機(jī)、超聲波技術(shù)以及紅外檢測(cè)技術(shù)的發(fā)展，無(wú)人機(jī)的巡檢圖像、聲紋圖像和熱感圖像逐漸被應(yīng)用于風(fēng)電機(jī)組的故障診斷?？梢暡考膱D像通常可以直觀地觀察到部件表面的裂痕、覆冰等故障［25］，被廣泛用于風(fēng)電場(chǎng)的周期性巡檢中。聲紋和熱感圖像作為新興的狀態(tài)分析數(shù)據(jù)［26］，能夠反映出部件內(nèi)部的不可見(jiàn)故障，具有較高的挖掘潛力和應(yīng)用價(jià)值。

1.2 狀態(tài)監(jiān)測(cè)與故障診斷算法框架

常見(jiàn)的風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)與故障診斷可以根據(jù)模型依賴(lài)不同分為物理模型方法和數(shù)據(jù)驅(qū)動(dòng)方法。隨著風(fēng)電機(jī)組的尺寸和容量逐漸增大，其內(nèi)部的機(jī)械部件和控制系統(tǒng)的復(fù)雜度與耦合度也隨之增加。因此，傳統(tǒng)的物理建模方法需要面臨精確建模難度大、模型復(fù)雜度高等問(wèn)題。近年來(lái)，隨著人工智能技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)被應(yīng)用于風(fēng)電機(jī)組的狀態(tài)分析中，圖1 展示了不同數(shù)據(jù)集下風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷算法框架。

圖1 風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷算法框架Fig.1 Framework of condition monitoring and fault diagnosis algorithms for wind turbines

基于SCADA 數(shù)據(jù)的狀態(tài)監(jiān)測(cè)與故障診斷是通過(guò)構(gòu)建機(jī)器學(xué)習(xí)模型對(duì)不同狀態(tài)的特征進(jìn)行挖掘，建立狀態(tài)評(píng)估和故障診斷模型。該方法主要包含數(shù)據(jù)預(yù)處理和構(gòu)建評(píng)估網(wǎng)絡(luò)模型兩個(gè)部分。在數(shù)據(jù)預(yù)處理階段，需要根據(jù)故障對(duì)特征參數(shù)進(jìn)行提取和降維，常用的特征提取方法有聚類(lèi)算法［27-28］、主成分分析方法［29-30］、線性判別分析［31］等；評(píng)估模型通常基于機(jī)器學(xué)習(xí)算法構(gòu)建，根據(jù)選取的特征構(gòu)建分類(lèi)模型，區(qū)分不同時(shí)刻下的風(fēng)電機(jī)組健康狀態(tài)，常用的模型有決策樹(shù)模型［32］、支持向量機(jī)模型［33-34］、自適應(yīng)神經(jīng)模糊推理模型［35］等。

基于振動(dòng)數(shù)據(jù)的狀態(tài)分析是分析旋轉(zhuǎn)機(jī)械上的各種異常狀態(tài)的最廣泛使用的方法。該方法通過(guò)對(duì)比當(dāng)前時(shí)刻數(shù)據(jù)的特征與先驗(yàn)的健康數(shù)據(jù)的特征，評(píng)估風(fēng)電機(jī)組部件狀態(tài)，從而給出診斷結(jié)果。原始振動(dòng)數(shù)據(jù)包含噪聲數(shù)據(jù)和多種模態(tài)數(shù)據(jù)，需要對(duì)原始數(shù)據(jù)進(jìn)行分解和變換。常見(jiàn)的振動(dòng)數(shù)據(jù)處理方法包括小波變換、模態(tài)分解、傅里葉變換等。隨后，從時(shí)域和頻域兩個(gè)角度對(duì)處理后的數(shù)據(jù)進(jìn)行分析，現(xiàn)階段常用的分析方法包括功率譜密度分析［36］、頻域譜分析［37］、倒頻譜分析［38］。

基于圖像的狀態(tài)監(jiān)測(cè)與故障診斷根據(jù)模型不同可以被分為兩類(lèi):基于經(jīng)驗(yàn)?zāi)Ｐ秃突跈C(jī)器視覺(jué)與人工智能模型?；诮?jīng)驗(yàn)?zāi)Ｐ偷膱D像監(jiān)測(cè)與診斷方法是根據(jù)專(zhuān)家經(jīng)驗(yàn)對(duì)無(wú)人機(jī)圖像、聲紋圖像等進(jìn)行分類(lèi)，該類(lèi)模型需要一定的先驗(yàn)知識(shí)，且難以分辨故障初期的圖像，但分類(lèi)結(jié)果可以作為圖像預(yù)處理結(jié)果；基于機(jī)器視覺(jué)與人工智能的方法不僅可以實(shí)現(xiàn)對(duì)現(xiàn)有圖像數(shù)據(jù)集的故障診斷，也可以進(jìn)行在線實(shí)時(shí)診斷［39］，該類(lèi)方法的關(guān)鍵技術(shù)主要包括圖像分割、數(shù)據(jù)集增強(qiáng)［40］和基于深度學(xué)習(xí)構(gòu)建分類(lèi)模型［41］。

現(xiàn)有基于3 類(lèi)數(shù)據(jù)的狀態(tài)監(jiān)測(cè)與故障診斷方法都有一定的應(yīng)用場(chǎng)景和研究?jī)r(jià)值，下面將對(duì)其研究現(xiàn)狀和特點(diǎn)進(jìn)行具體的闡述分析。

2 基于SCADA 數(shù)據(jù)的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)

2.1 基于SCADA 數(shù)據(jù)的狀態(tài)監(jiān)測(cè)與故障診斷框架

SCADA 數(shù)據(jù)在風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)中應(yīng)用最為廣泛。利用SCADA 數(shù)據(jù)進(jìn)行風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)有兩種思路:分類(lèi)模型［42-45］和正常行為模型（normal behavior model，NBM）?；诜诸?lèi)的方法很少使用，因?yàn)樾枰哔|(zhì)量的數(shù)據(jù)。然而，SCADA 數(shù)據(jù)常存在嚴(yán)重的不平衡問(wèn)題，與健康狀態(tài)數(shù)據(jù)相比，故障數(shù)據(jù)的規(guī)模較小，很難獲得足夠的全故障數(shù)據(jù)來(lái)構(gòu)建分類(lèi)模型［46］。另外，如果風(fēng)電機(jī)組的狀態(tài)類(lèi)型比較多，則必須提前將狀態(tài)分類(lèi)，否則就會(huì)造成許多的判斷選項(xiàng)。例如，在文獻(xiàn)［45］中，為了簡(jiǎn)化研究，將175 個(gè)狀態(tài)碼分為健康和5 種故障。

然而，正是利用數(shù)據(jù)不平衡這個(gè)缺點(diǎn)，許多研究開(kāi)始使用健康狀態(tài)數(shù)據(jù)來(lái)訓(xùn)練風(fēng)電機(jī)組的NBM。如果新數(shù)據(jù)來(lái)自非健康狀態(tài)，則基于NBM 的擬合值與真實(shí)值之間會(huì)有較大的偏差，進(jìn)而診斷出風(fēng)電機(jī)組處于非健康狀態(tài)。圖2 展示了基于NBM 的狀態(tài)監(jiān)測(cè)與故障診斷算法框架，其中為訓(xùn) 練 集，xt和yt分 別 為t時(shí) 刻 的 特 征 和 標(biāo) 簽 值，N為訓(xùn)練集的時(shí)間步長(zhǎng)。診斷的數(shù)據(jù)集分別為NBM 的輸入值、輸出的真實(shí)值與輸出的擬合值，M為時(shí)間步長(zhǎng)。

圖2 基于NBM 的狀態(tài)監(jiān)測(cè)與故障診斷算法框架Fig.2 Framework of condition monitoring and fault diagnosis algorithm based on NBM

整體包括以下步驟:

步驟1:數(shù)據(jù)預(yù)處理。SCADA 數(shù)據(jù)在采集過(guò)程會(huì)出現(xiàn)傳感器故障或者線路故障等問(wèn)題，導(dǎo)致SCADA 數(shù)據(jù)出現(xiàn)缺失、無(wú)效的情況。因此，在將數(shù)據(jù)輸入模型之前，必須對(duì)數(shù)據(jù)進(jìn)行清洗與補(bǔ)缺以獲得高質(zhì)量數(shù)據(jù)。由于SCADA 系統(tǒng)中的數(shù)據(jù)種類(lèi)很多，為了簡(jiǎn)化后續(xù)模型的建立，須進(jìn)行相應(yīng)的特征選擇。

步驟2:NBM 建立。通常選取各類(lèi)數(shù)據(jù)驅(qū)動(dòng)模型構(gòu)造NBM，依據(jù)相關(guān)性來(lái)選擇輸入變量。為了訓(xùn)練NBM，在訓(xùn)練階段需要使用風(fēng)電機(jī)組健康時(shí)的數(shù)據(jù)。在測(cè)試階段，如果測(cè)試的數(shù)據(jù)是故障階段的，由于擬合值是假設(shè)該數(shù)據(jù)來(lái)自健康數(shù)據(jù)，那么擬合值與真實(shí)值就會(huì)產(chǎn)生較大的偏差。

步驟3:風(fēng)電機(jī)組狀態(tài)在線監(jiān)測(cè)與診斷。得到真實(shí)值與擬合值的偏差后，根據(jù)偏差的變化得到診斷的結(jié)果。具體來(lái)說(shuō)，根據(jù)殘差的變化計(jì)算出健康階段的閾值，健康階段偏差在閾值之間波動(dòng)，若超過(guò)閾值則存在故障。

從圖2 可以看出，風(fēng)電機(jī)組運(yùn)行狀態(tài)的判定是基于擬合值與真實(shí)值之間的偏差。因此，如何確定監(jiān)測(cè)對(duì)象、建立風(fēng)電機(jī)組狀態(tài)模型成為重點(diǎn)。此外，選擇合理的診斷模型用于分析偏差并得到診斷結(jié)果，也直接影響了風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷的效果。因此，本文從現(xiàn)有文獻(xiàn)中常見(jiàn)的數(shù)據(jù)驅(qū)動(dòng)風(fēng)電機(jī)組運(yùn)行狀態(tài)模型和狀態(tài)診斷模型兩個(gè)部分進(jìn)行研究現(xiàn)狀的歸納與分析。

2.2 風(fēng)電機(jī)組運(yùn)行狀態(tài)模型

根據(jù)風(fēng)電機(jī)組運(yùn)行狀態(tài)模型的監(jiān)測(cè)對(duì)象可分為風(fēng)電機(jī)組性能曲線、風(fēng)電機(jī)組部件物理狀態(tài)、風(fēng)電機(jī)組狀態(tài)矩陣以及風(fēng)電機(jī)組變量關(guān)聯(lián)性4 類(lèi)。

2.2.1 以性能曲線為監(jiān)測(cè)對(duì)象

風(fēng)電機(jī)組的性能曲線通常包括風(fēng)速與功率、風(fēng)速與扭矩、風(fēng)速與效率等關(guān)系曲線，其中，風(fēng)速與功率曲線是指風(fēng)力發(fā)電機(jī)在不同風(fēng)速下的輸出功率，是最常見(jiàn)的性能曲線。例如，文獻(xiàn)［47］提出了基于功率曲線、轉(zhuǎn)子曲線和槳距曲線3 種不同運(yùn)行曲線的方法，構(gòu)建了以風(fēng)速作為輸入變量的參考曲線。在描述數(shù)據(jù)分布的形狀時(shí)，使用峰度和偏度作為輸出指標(biāo)。然后，采用霍特林統(tǒng)計(jì)量控制圖來(lái)監(jiān)測(cè)這兩個(gè)指標(biāo)。文獻(xiàn)［48］利用功率曲線實(shí)現(xiàn)性能監(jiān)控。與文獻(xiàn)［47］不同的是，文獻(xiàn)［48］利用功率曲線剖面來(lái)描述風(fēng)電曲線的曲率和形狀，構(gòu)建了線性和威布爾累積分布函數(shù)模型來(lái)生成功率曲線輪廓。在在線監(jiān)測(cè)步驟中，采用多變量法和殘差法分別分析功率曲線輪廓和功率曲線模型擬合產(chǎn)生的誤差。文獻(xiàn)［49］為了實(shí)現(xiàn)風(fēng)電機(jī)組偏航測(cè)量偏差的辨識(shí)，提出了使用功率曲線建模技術(shù)對(duì)不同偏航誤差區(qū)間下的機(jī)組功率曲線進(jìn)行建模的技術(shù)。文獻(xiàn)［50］使用小波神經(jīng)網(wǎng)絡(luò)對(duì)輸出的功率進(jìn)行擬合，通過(guò)權(quán)衡殘差圖的大小分布和密集程度情況，可以總結(jié)出一個(gè)殘差值預(yù)警線，進(jìn)而得到診斷結(jié)果。文獻(xiàn)［51］提出了經(jīng)驗(yàn)公式的應(yīng)用，以解決有功功率與風(fēng)速之間的關(guān)系形式復(fù)雜、經(jīng)典參數(shù)化分布無(wú)法近似描述的問(wèn)題。

2.2.2 以風(fēng)電機(jī)組部件物理狀態(tài)為監(jiān)測(cè)對(duì)象

風(fēng)電機(jī)組的SCADA 數(shù)據(jù)集所包含的種類(lèi)繁多，主要包括風(fēng)速、風(fēng)向、溫度、濕度、壓強(qiáng)、發(fā)電機(jī)轉(zhuǎn)速、電壓、電流、葉片角度等信息。溫度作為監(jiān)測(cè)變量的頻率較高，比如，齒輪箱軸承溫度、齒輪箱油溫度、發(fā)電機(jī)溫度［52-54］。文獻(xiàn)［55］通過(guò)預(yù)測(cè)環(huán)境溫度和機(jī)艙溫度的差來(lái)消除環(huán)境溫度帶來(lái)的影響，達(dá)到區(qū)分風(fēng)葉結(jié)冰與正常狀態(tài)的目的。文獻(xiàn)［56］采用稀疏貝葉斯模型得到了油溫的條件概率密度函數(shù)，計(jì)算了在不同工況下的油溫閾值。使用基于滑動(dòng)窗采樣的假設(shè)檢驗(yàn)法對(duì)風(fēng)電機(jī)組的狀態(tài)進(jìn)行辨識(shí)。結(jié)合時(shí)空特性可以進(jìn)一步提取時(shí)空特征來(lái)優(yōu)化診斷方法。例如，文獻(xiàn)［52］提出了一種卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）和門(mén)控循環(huán)單元（gated recurrent unit，GRU）聯(lián)合監(jiān)測(cè)齒輪箱油溫的方法。該方法利用CNN 提取空間特征，利用GRU 提取時(shí)間特征。文獻(xiàn)［57］通過(guò)對(duì)油溫進(jìn)行監(jiān)測(cè) ，建 立 了 變 模 態(tài) 分 解（variational mode decomposition，VMD）-DenseNet-GRU 故障預(yù)警模型，結(jié)合滑動(dòng)窗口與五分之三判別原則避免誤報(bào)。

然而，部件溫度對(duì)環(huán)境條件敏感，而油壓和潤(rùn)滑壓力對(duì)外部因素的敏感性較低。因此，壓力可以作為風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)的目標(biāo)變量。文獻(xiàn)［53-54］以油壓為監(jiān)測(cè)目標(biāo)，基于神經(jīng)網(wǎng)絡(luò)構(gòu)建油壓預(yù)測(cè)模型，用于診斷風(fēng)電機(jī)組運(yùn)行狀態(tài)。

2.2.3 以狀態(tài)矩陣為監(jiān)測(cè)對(duì)象

狀態(tài)矩陣D可存儲(chǔ)所選數(shù)據(jù)記錄的狀態(tài)向量，如式（1）所示。其中，xn（m）代表第n個(gè)狀態(tài)變量在第m個(gè)時(shí)間點(diǎn)的狀態(tài)。每一行表示不同的狀態(tài)變量，每一列表示變量在不同時(shí)間的狀態(tài)。狀態(tài)矩陣中任意一個(gè)狀態(tài)的預(yù)測(cè)值都是其前m個(gè)時(shí)刻的狀態(tài)的線性組合。選取狀態(tài)變量時(shí)，首先在SCADA數(shù)據(jù)里確定一個(gè)主狀態(tài)，如某個(gè)部件的溫度、壓強(qiáng)，然后再通過(guò)相關(guān)性分析選擇相關(guān)性高的狀態(tài)變量。

利用狀態(tài)矩陣結(jié)合健康數(shù)據(jù)構(gòu)建風(fēng)電機(jī)組部件性能模型，并估計(jì)m+1 時(shí)刻的狀態(tài)向量，與觀測(cè)向量進(jìn)行比較得到殘差，通過(guò)殘差分析得出狀態(tài)監(jiān)測(cè)結(jié)果。殘差ε可以表示為觀測(cè)向量Xobs與估計(jì)向量Xest之差，如式（2）所示。

文獻(xiàn)［58］為了實(shí)現(xiàn)風(fēng)電機(jī)組變槳控制系統(tǒng)主故障識(shí)別，應(yīng)用非線性狀態(tài)估計(jì)技術(shù)（nonlinear state estimation technology，NSET），建立了以發(fā)電機(jī)轉(zhuǎn)速、葉輪轉(zhuǎn)速、有功功率、環(huán)境溫度、電機(jī)溫度，以及3 個(gè)葉片的葉片角度、變槳速度為狀態(tài)變量的記憶矩陣。根據(jù)現(xiàn)場(chǎng)運(yùn)行經(jīng)驗(yàn)及反復(fù)實(shí)驗(yàn)確定閾值設(shè)定。文獻(xiàn)［59］同樣應(yīng)用NSET 以構(gòu)建NBM 并確定正常工作時(shí)的閾值，實(shí)現(xiàn)了風(fēng)電機(jī)組故障預(yù)警。

文獻(xiàn)［46］提出了基于新的多元狀態(tài)估計(jì)技術(shù)（multivariate state estimation technique，MSET）的方法。為了提高M(jìn)SET 的靈活性，使用K近鄰的動(dòng)態(tài)記憶矩陣構(gòu)建方法。具體來(lái)說(shuō)，首先判斷實(shí)時(shí)數(shù)據(jù)是否為正常數(shù)據(jù)，如果是正常數(shù)據(jù)將其保留，并與訓(xùn)練集共同構(gòu)建動(dòng)態(tài)記憶矩陣。這種改變可以顯著減少計(jì)算時(shí)間。針對(duì)方法的復(fù)雜性和計(jì)算速度慢，文獻(xiàn)［60］提出了基于相似度的樣本選擇方法和基于MSET 的增量學(xué)習(xí)策略。文獻(xiàn)［61］旨在克服使用機(jī)器學(xué)習(xí)或基于深度學(xué)習(xí)的方法時(shí)過(guò)度擬合和耗時(shí)的問(wèn)題，使用馬氏空間（Mahalanobis space，MS）開(kāi)發(fā)了一個(gè)動(dòng)態(tài)狀態(tài)監(jiān)測(cè)框架。使用歷史健康數(shù)據(jù)構(gòu)建質(zhì)譜，其中包括馬氏距離（Mahalanobis distance，MD）的范圍和其他特征信息，如平均值和系數(shù)。計(jì)算新數(shù)據(jù)的MD，并與MS 進(jìn)行比較，判斷是否存在故障。

2.2.4 以變量相關(guān)性為監(jiān)測(cè)對(duì)象

除上述方法外，故障診斷也可以基于SCADA變量在物理意義上滿足相關(guān)性的原則，一旦發(fā)生故障，關(guān)聯(lián)將被打破［62］。通常使用自編碼器（autoencoder，AE）網(wǎng)絡(luò)重構(gòu)SCADA 數(shù)據(jù)［63-65］，對(duì)所選的多個(gè)變量進(jìn)行解碼和編碼，并用重建誤差來(lái)描述輸入量與解碼器輸出之間的差別，通過(guò)分析重構(gòu)誤差來(lái)進(jìn)行狀態(tài)監(jiān)測(cè)。文獻(xiàn)［66］使用深度自編碼器（deep auto-encoder，DAE）對(duì)SCADA 數(shù)據(jù)進(jìn)行重構(gòu)，使用XGBoost 依據(jù)重構(gòu)誤差的變化趨勢(shì)進(jìn)行分類(lèi)，實(shí)現(xiàn)了早期的故障識(shí)別。文獻(xiàn)［67］提出了一種深度聯(lián)合變分自編碼器，不同的是，該模型將時(shí)間特征納入考慮。因此，輸入由向量轉(zhuǎn)換為了矩陣。在診斷過(guò)程中，采用統(tǒng)計(jì)過(guò)程控制圖對(duì)殘差進(jìn)行監(jiān)測(cè)并發(fā)出警報(bào)。文獻(xiàn)［68］分析相似機(jī)組的多維特征點(diǎn)序列，判斷兩兩機(jī)組相似性是否發(fā)生變化，預(yù)測(cè)SCADA 數(shù)據(jù)分布是否發(fā)生遷移，從而對(duì)風(fēng)電機(jī)組進(jìn)行監(jiān)測(cè)。

2.3 狀態(tài)診斷模型

在風(fēng)電機(jī)組運(yùn)行狀態(tài)模型建立的基礎(chǔ)上，常將NBM 的輸出與真實(shí)值的偏差作為診斷指標(biāo)，但該指標(biāo)易受隨機(jī)性和異常值的影響，因此，有必要采用統(tǒng)計(jì)學(xué)方法對(duì)其進(jìn)行修正處理。常見(jiàn)的模型包括指數(shù)加權(quán)移動(dòng)平均（exponential weighted moving average，EWMA）控 制 圖［52，69-70］、分 布 方 差［71］、MD［64］、時(shí)間滑動(dòng)窗模型［72］和變點(diǎn)檢測(cè)［73］、協(xié)整殘差［74］、鄒 檢 驗(yàn)［75］、Kolmogorov-Smirov 統(tǒng) 計(jì) 檢 驗(yàn)［76］、霍特林統(tǒng)計(jì)量［77-78］、模糊推理系統(tǒng)［79-82］。狀態(tài)診斷最基本的要求是判斷是否存在故障。因此，大部分基于SCADA 數(shù)據(jù)的研究主要側(cè)重在判斷風(fēng)電機(jī)組運(yùn)行狀態(tài)是否異常，但值得注意的是，利用MD 以及變點(diǎn)檢測(cè)［73］可以實(shí)現(xiàn)故障預(yù)測(cè)和定位，文獻(xiàn)［77-78］利用霍特林統(tǒng)計(jì)量實(shí)現(xiàn)了故障類(lèi)型識(shí)別。

3 基于振動(dòng)數(shù)據(jù)的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)

通常使用專(zhuān)業(yè)的振動(dòng)傳感器或加速度計(jì)來(lái)測(cè)量風(fēng)電機(jī)組的振動(dòng)數(shù)據(jù)。這些傳感器可以安裝在發(fā)電機(jī)的關(guān)鍵部位，如軸承、風(fēng)葉或機(jī)殼，以感知振動(dòng)的頻率、幅度和方向。傳感器將振動(dòng)數(shù)據(jù)轉(zhuǎn)換為電氣數(shù)據(jù)，并傳輸給數(shù)據(jù)采集系統(tǒng)進(jìn)行分析。激光測(cè)振儀是一種非接觸式的振動(dòng)測(cè)量設(shè)備，通過(guò)測(cè)量被測(cè)物體表面的振動(dòng)來(lái)獲取振動(dòng)數(shù)據(jù)。激光測(cè)振儀發(fā)射激光束到被測(cè)物體上，并通過(guò)檢測(cè)激光束的回波來(lái)計(jì)算振動(dòng)的參數(shù)。

與SCADA 數(shù)據(jù)分鐘級(jí)別的采樣頻率相比，振動(dòng)數(shù)據(jù)的采樣頻率更高。振動(dòng)分析可以連續(xù)跟蹤風(fēng)力機(jī)機(jī)械狀態(tài)的變化趨勢(shì)，方便獲取風(fēng)力發(fā)電機(jī)在各種工況下的機(jī)械狀態(tài)。但缺點(diǎn)是傳感器數(shù)量較多，價(jià)格昂貴，配置成本高，并且對(duì)于接觸式的測(cè)量設(shè)備，還會(huì)給風(fēng)電機(jī)組設(shè)備帶來(lái)負(fù)擔(dān)。

風(fēng)力不穩(wěn)定導(dǎo)致風(fēng)力發(fā)電機(jī)的運(yùn)行不穩(wěn)定，在非平穩(wěn)運(yùn)行條件下，被測(cè)振動(dòng)數(shù)據(jù)往往具有復(fù)雜的特征，有用的故障特征與無(wú)關(guān)的故障特征混在一起，比如負(fù)載的變化會(huì)產(chǎn)生不穩(wěn)定的數(shù)據(jù)，這種數(shù)據(jù)可能產(chǎn)生誤報(bào)警。因此，與故障相關(guān)特征的提取變得困難，特征提取不充分會(huì)影響判斷的準(zhǔn)確性［83-84］?；谡駝?dòng)數(shù)據(jù)進(jìn)行故障診斷主要包括以下步驟:

1）故障特征提取。由于初始振動(dòng)數(shù)據(jù)很難直接得到有用的信息，需要將復(fù)雜的數(shù)據(jù)轉(zhuǎn)換為人工或者模型可以識(shí)別健康與否的數(shù)據(jù)，這個(gè)過(guò)程被稱(chēng)為故障特征提取。反過(guò)來(lái)說(shuō)，這個(gè)過(guò)程也濾掉了與故障特征無(wú)關(guān)的數(shù)據(jù)。

2）故障識(shí)別。故障識(shí)別可以依靠專(zhuān)業(yè)知識(shí)直接對(duì)提取出來(lái)的特征進(jìn)行判斷，或者通過(guò)機(jī)器算法構(gòu)建分類(lèi)器，將得到的特征作為模型輸入，輸出為狀態(tài)分類(lèi)結(jié)果。

3.1 振動(dòng)數(shù)據(jù)故障特征提取

從復(fù)雜多變的振動(dòng)數(shù)據(jù)中提取有效的特征量，對(duì)分類(lèi)器的分類(lèi)效果至關(guān)重要。因此，本節(jié)側(cè)重于對(duì)特征提取方法的介紹及其對(duì)比分析。

3.1.1 時(shí)頻分析

為了處理非平穩(wěn)數(shù)據(jù)，常采用時(shí)頻分析（如傅里葉變換［85］、小波變換［86］、希爾伯特變換［87］）和Teager時(shí)頻分析［88］。

文獻(xiàn)［85］融合了相關(guān)系數(shù)和聚類(lèi)分析以及帶時(shí)間窗的快速傅里葉變換對(duì)頻率數(shù)據(jù)進(jìn)行分析，提出了齒輪箱高速階段的振動(dòng)激勵(lì)監(jiān)測(cè)模型。在時(shí)間域上，采用相關(guān)系數(shù)和聚類(lèi)分析，在頻域上應(yīng)用快速傅里葉變換。將振動(dòng)數(shù)據(jù)的功率譜與基于健康加速度數(shù)據(jù)的功率譜進(jìn)行比較，可以判斷出是否處于健康的狀態(tài)。文獻(xiàn)［86］使用離散小波變換對(duì)不同故障情況下的振動(dòng)數(shù)據(jù)進(jìn)行處理，并進(jìn)行特征提取，得到峰度和香農(nóng)熵，然后再采用多種分類(lèi)器進(jìn)行檢測(cè)。值得注意的是，當(dāng)旋轉(zhuǎn)機(jī)械處于故障狀態(tài)時(shí)，振動(dòng)數(shù)據(jù)往往能表現(xiàn)出非平穩(wěn)非高斯分布特性［83］。然而，傅里葉變換和小波變換都假設(shè)被檢測(cè)數(shù)據(jù)是線性的，這顯然與實(shí)際情況相反，這一點(diǎn)導(dǎo)致了一定的局限性。文獻(xiàn)［89］融合了改進(jìn)奇異譜分解（singular spectrum decomposition，SSD）和Teager 能 量 算 子解調(diào)各自?xún)?yōu)點(diǎn)，提出了改進(jìn)SSD-Teager 時(shí)頻分析。分解后的頻譜圖結(jié)合軸心軌跡來(lái)判斷是否有故障，這需要有一定的專(zhuān)業(yè)能力才能做出正確的判斷。

3.1.2 模態(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）可以處理非平穩(wěn)數(shù)據(jù)，并且可以在不做任何假設(shè)的情況下自適應(yīng)分解待測(cè)數(shù)據(jù)。這方面比時(shí)域分析具有很大的優(yōu)勢(shì)。EMD 直接將復(fù)雜的數(shù)據(jù)分解為一系列固有模態(tài)函數(shù)（intrinsic mode function，IMF），這些IMF 代表了數(shù)據(jù)中不同時(shí)間尺度上的本征振動(dòng)模式?？衫梅纸夂蟮臄?shù)據(jù)分析故障特征頻率，這種方法雖然有效，但受到專(zhuān)業(yè)知識(shí)的限制。因此，基于分類(lèi)器對(duì)故障特征進(jìn)行分類(lèi)，辨識(shí)風(fēng)電機(jī)組運(yùn)行狀態(tài)，對(duì)非專(zhuān)業(yè)人員更為友好。

當(dāng)前研究使用EMD［90］及其變體處理原始振動(dòng)、數(shù) 據(jù)，包 括:VMD［91-92］、局 部 模 態(tài) 分 解（local mode decomposition，LMD）［93］、集合經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD）［94］等。文獻(xiàn)［90］使用EMD 方法成功地將時(shí)變載荷影響的主要部分從振動(dòng)數(shù)據(jù)中分離出來(lái)，留下可能與損傷相關(guān)的數(shù)據(jù)成分，再利用Teager-Kaiser Energy Operator 算法技術(shù)進(jìn)一步分析，成功提取了損傷敏感特征。文獻(xiàn)［91］提出了一種基于復(fù)合變分模態(tài)熵和加權(quán)分布自適應(yīng)的方法，解決風(fēng)力發(fā)電機(jī)組難以進(jìn)行有效的健康狀態(tài)監(jiān)測(cè)的問(wèn)題，該方法與傳統(tǒng)方法相比，在變工況下有更高的診斷精度。文獻(xiàn)［92］提出了一種基于VDM、多尺度置換熵和遷移學(xué)習(xí)的故障診斷方法，該方法在變工況下滾動(dòng)軸承多狀態(tài)分類(lèi)中具有更高的精度，在故障識(shí)別階段能夠高效地解決高維非線性決策問(wèn)題，但核參數(shù)和樣本參數(shù)選擇困難，且受故障樣本影響顯著。文獻(xiàn)［94］將形態(tài)學(xué)濾波方法與EEMD 方法相結(jié)合，提出一種新的滾動(dòng)軸承故障診斷策略以獲得更準(zhǔn)確的故障信息并判斷故障類(lèi)型。然而，風(fēng)電機(jī)組的工作狀態(tài)不斷變化，不同工況下采集到的數(shù)據(jù)分布也不相同，給準(zhǔn)確的故障識(shí)別帶來(lái)了一定困難［95］。因此，數(shù)據(jù)分布不一致成為需要解決的重要問(wèn)題。文獻(xiàn)［91］對(duì)各種工況下標(biāo)記的源數(shù)據(jù)和未標(biāo)記的目標(biāo)數(shù)據(jù)進(jìn)行VMD 處理，得到多尺度分析和復(fù)合變分模熵（compound variational mode entropy，CVME）。將CVME 放入加權(quán)分布自適應(yīng)（weighted distribution adaptation，WDA）中進(jìn)行調(diào)整。利用WDA 方法可以減少源數(shù)據(jù)與目標(biāo)分布之間的差異。

3.1.3 生成對(duì)抗網(wǎng)絡(luò)

由于風(fēng)電機(jī)組故障振動(dòng)實(shí)驗(yàn)數(shù)據(jù)獲取成本高、故障程度有限，導(dǎo)致某些振動(dòng)數(shù)據(jù)呈現(xiàn)數(shù)據(jù)量少的特點(diǎn)［96］。為了應(yīng)對(duì)這一問(wèn)題，可以采用生成對(duì)抗網(wǎng)絡(luò)（generative adversarial network，GAN），這是一種深度學(xué)習(xí)模型，由生成器和判別器兩個(gè)神經(jīng)網(wǎng)絡(luò)組成。GAN 的目標(biāo)是通過(guò)讓生成器和判別器相互對(duì)抗地學(xué)習(xí)，以生成逼真的數(shù)據(jù)樣本。

最新研究中已出現(xiàn)采用GAN 來(lái)處理小樣本振動(dòng)數(shù)據(jù)［96-98］。文獻(xiàn)［96］為提高高噪聲環(huán)境下基于小樣本非平衡振動(dòng)數(shù)據(jù)的風(fēng)電機(jī)組主軸承故障診斷準(zhǔn)確率，提出改進(jìn)輔助分類(lèi)生成對(duì)抗網(wǎng)絡(luò)（auxiliary classifier generative adversarial network，AC-GAN），其包含標(biāo)簽輔助分類(lèi)器。分別在生成器和判別器中增加Dropout 層和卷積層，達(dá)到防止過(guò)擬合和有效提取特征的作用。文獻(xiàn)［98］提出基于貝葉斯優(yōu)化及Wasserstein 距離改進(jìn)AC-GAN 模型來(lái)診斷齒輪箱的健康情況，實(shí)驗(yàn)驗(yàn)證該方法不僅能實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)的效果，而且具有較好的故障分類(lèi)效果。

3.1.4 故障特征提取方法對(duì)比分析

時(shí)頻分析的小波變換與傅立葉變換具有堅(jiān)實(shí)的理論基礎(chǔ)作為支撐，變體眾多，工程應(yīng)用廣泛。但兩者均假設(shè)被檢測(cè)信號(hào)是線性的。特別是傅里葉變換是一種全局性的描述，不能反映信號(hào)局部區(qū)域的信息。因此，如果信號(hào)在某一時(shí)段內(nèi)發(fā)生錯(cuò)誤，進(jìn)行傅里葉分析時(shí)就會(huì)出錯(cuò)。短時(shí)傅里葉變換把非平穩(wěn)過(guò)程看成是一系列短時(shí)平穩(wěn)信號(hào)的疊加，短時(shí)性可通過(guò)在時(shí)間上加窗實(shí)現(xiàn)。窗口的長(zhǎng)度決定頻譜圖的時(shí)間分辨率和頻率分辨率，窗長(zhǎng)越長(zhǎng)，截取的信號(hào)越長(zhǎng)，傅里葉變換后頻率分辨率越高，時(shí)間分辨率越差；相反，窗長(zhǎng)越短，截取的信號(hào)就越短，頻率分辨率越差，時(shí)間分辨率越好，也就是說(shuō)短時(shí)傅里葉變換中，時(shí)間分辨率和頻率分辨率之間不能兼得，應(yīng)該根據(jù)具體需求進(jìn)行取舍。

EMD 具有數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)性，與小波變換相比，EMD 無(wú)須選擇基函數(shù)，其分解基于信號(hào)本身極值點(diǎn)的分布。因此，EMD 在非線性非平穩(wěn)信號(hào)分析中具有顯著優(yōu)勢(shì)，更適合處理受不同負(fù)載影響的機(jī)器的狀態(tài)監(jiān)測(cè)和故障診斷。但是，EMD 本身缺少完整的理論基礎(chǔ)，且得到的IMF 分量存在模態(tài)混疊。模態(tài)混疊的出現(xiàn)不僅會(huì)導(dǎo)致錯(cuò)假的時(shí)頻分布，也使IMF 失去物理意義。盡管VMD、EEMD 和LMD 針對(duì)這一問(wèn)題做出了改進(jìn)，但是問(wèn)題依舊存在，比如EEMD 利用EMD 濾波器行為及白噪聲頻譜均勻分布的統(tǒng)計(jì)特性，有效抑制模態(tài)混疊，但是添加的白噪聲幅值和迭代次數(shù)依賴(lài)人為經(jīng)驗(yàn)，當(dāng)數(shù)值設(shè)置不當(dāng)時(shí)，無(wú)法克服模態(tài)混疊。

GAN 可以解決振動(dòng)數(shù)據(jù)采樣數(shù)據(jù)少的問(wèn)題，缺點(diǎn)是可解釋性差，并且由于GAN 包含了生成器與判別器兩個(gè)神經(jīng)網(wǎng)絡(luò)，兩個(gè)網(wǎng)絡(luò)相互迭代學(xué)習(xí)會(huì)存在不收斂的問(wèn)題。因此，在使用此方法時(shí)，可以通過(guò)修改生成器和判別器的結(jié)構(gòu)，或者引入合適的優(yōu)化策略和機(jī)制提高模型的泛化能力和故障特征提取能力。

3.2 故障識(shí)別

在提取故障特征的基礎(chǔ)上，故障識(shí)別可以分為人工和非人工故障識(shí)別。對(duì)于人工識(shí)別而言，如文獻(xiàn)［76］分析了行星齒輪故障對(duì)時(shí)頻分布造成的影響，從而判斷出行星齒輪箱是否產(chǎn)生故障。這種方法雖然有效，但受到專(zhuān)業(yè)知識(shí)的限制。因此，使用一些分類(lèi)器對(duì)故障特征進(jìn)行分類(lèi)對(duì)非專(zhuān)業(yè)人員更友好。

非人工故障識(shí)別的方法主要以機(jī)器學(xué)習(xí)中分類(lèi)模型為主，如支持向量機(jī)［92］、神經(jīng)網(wǎng)絡(luò)［95］等，將故障特征作為模型輸入，是否故障作為輸出。文獻(xiàn)［92］中支持向量機(jī)使用核函數(shù)可以解決高維非線性決策問(wèn)題。文獻(xiàn)［95］基于極限學(xué)習(xí)機(jī)對(duì)原始故障數(shù)據(jù)進(jìn)行學(xué)習(xí)，建立故障數(shù)據(jù)和故障類(lèi)別之間的映射關(guān)系，但是在故障樣本少的情況下效果受到限制，且神經(jīng)網(wǎng)絡(luò)的可解釋性較差。

4 基于圖像/數(shù)據(jù)-圖像的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)

隨著無(wú)人機(jī)巡檢技術(shù)和高分辨率圖像傳感器的快速發(fā)展，基于圖像的故障診斷技術(shù)也廣泛應(yīng)用于風(fēng)電機(jī)組的狀態(tài)分析環(huán)節(jié)中。目前，在實(shí)際狀態(tài)分析中，主要根據(jù)風(fēng)電機(jī)組部件圖像對(duì)機(jī)械部件進(jìn)行狀態(tài)檢測(cè)，受益于機(jī)器視覺(jué)的普及，這種方法能準(zhǔn)確辨識(shí)各類(lèi)機(jī)械故障，但難以實(shí)現(xiàn)機(jī)艙內(nèi)的狀態(tài)監(jiān)測(cè)。近年來(lái)，基于數(shù)據(jù)圖像轉(zhuǎn)換的狀態(tài)監(jiān)測(cè)技術(shù)開(kāi)始逐步得到發(fā)展，通過(guò)將數(shù)據(jù)映射為運(yùn)行圖像，實(shí)現(xiàn)特征級(jí)別的信息融合，基于深度學(xué)習(xí)充分挖掘隱藏信息，提取表征故障狀態(tài)的特征參數(shù)，實(shí)現(xiàn)機(jī)艙內(nèi)外部件的狀態(tài)評(píng)估。

4.1 基于圖像數(shù)據(jù)的狀態(tài)監(jiān)測(cè)與故障診斷

基于無(wú)人機(jī)圖像進(jìn)行風(fēng)電機(jī)組機(jī)械類(lèi)故障診斷的技術(shù)目前已經(jīng)較為成熟，主要應(yīng)用于風(fēng)電機(jī)組葉片和機(jī)械部件。診斷過(guò)程可分為3 個(gè)階段:圖像預(yù)處理、特征提取、故障辨識(shí)。文獻(xiàn)［99］根據(jù)無(wú)人機(jī)采集的葉片表面圖像，提出了一種基于孿生支持向量機(jī)偏二叉樹(shù)分類(lèi)系統(tǒng)的葉片故障檢測(cè)方法。文獻(xiàn)［100］提出了一種基于深度學(xué)習(xí)模型和集成學(xué)習(xí)分類(lèi)器的葉片損傷識(shí)別方法，利用AlexNet 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)原始葉片表面圖像的故障辨識(shí)。在此基礎(chǔ)上，文獻(xiàn)［101］提出了集成學(xué)習(xí)分類(lèi)器的葉片損傷識(shí)別方法，采用Ostu 閾值分割方法來(lái)消除圖像背景的影響，并將針對(duì)數(shù)據(jù)量少的遷移學(xué)習(xí)和用于分類(lèi)的隨機(jī)森林集成到AlexNet 中。文獻(xiàn)［102］利用類(lèi)哈爾特征來(lái)描繪裂紋區(qū)域，提出了基于級(jí)聯(lián)分類(lèi)器的風(fēng)力渦輪機(jī)葉片裂紋檢測(cè)方法。類(lèi)哈爾特征可以自適應(yīng)地改變類(lèi)內(nèi)/類(lèi)外的閾值，加快檢測(cè)異常特征的速度。文獻(xiàn)［103］提出了一種基于深度學(xué)習(xí)的葉片表面損傷檢測(cè)算法，利用專(zhuān)家給定的葉片表面損傷圖片，建立基于深度學(xué)習(xí)的葉片損傷自動(dòng)預(yù)警系統(tǒng)。文獻(xiàn)［104］基于圖像分割和圖像形態(tài)學(xué)變換等圖像處理算法，實(shí)現(xiàn)了基于圖像的葉片表面缺陷檢測(cè)。在此基礎(chǔ)上，文獻(xiàn)［105］基于YSODA 圖像融合算法和特征金字塔網(wǎng)絡(luò)（feature pyramid network，F(xiàn)PN）特征提取，提出了基于一種葉片表面損傷的預(yù)警系統(tǒng)，該系統(tǒng)能自動(dòng)生成包含葉片損傷和預(yù)警信息的健康報(bào)告。文獻(xiàn)［106］基于圖像分割和形態(tài)學(xué)運(yùn)算，提出了一種自適應(yīng)的風(fēng)電機(jī)組多葉片分割算法，實(shí)現(xiàn)了低邊界偏移的葉片邊緣辨識(shí)和故障邊緣的精確保留。

此外，基于機(jī)器視覺(jué)的故障診斷方法也可以分析圖像中的微小位移，實(shí)現(xiàn)變槳系統(tǒng)軸偏心、螺栓松動(dòng)等故障檢測(cè)。目前，國(guó)外內(nèi)學(xué)者在這方面開(kāi)展了一系列研究。

文獻(xiàn)［107］利用數(shù)字圖像相關(guān)技術(shù)，建立了風(fēng)電機(jī)組變槳系統(tǒng)的位移預(yù)測(cè)模型。該模型充分考慮了靜態(tài)和動(dòng)態(tài)兩種典型載荷，并且能提供有限的測(cè)量數(shù)據(jù)集。在此基礎(chǔ)上，文獻(xiàn)［108］建立了一種基于三維數(shù)字圖像的位移監(jiān)測(cè)模型，該模型的葉片表面隨機(jī)分布黑白圓點(diǎn)，利用高速攝影機(jī)拍攝的圖像建立葉片狀態(tài)的三維坐標(biāo)，基于視覺(jué)坐標(biāo)網(wǎng)格的方法來(lái)計(jì)算葉片位移。文獻(xiàn)［109］將立體聲引入數(shù)字圖像相關(guān)技術(shù)，通過(guò)歐氏變換建立了靜態(tài)參考系，并額外引入背景參考點(diǎn)用于葉片運(yùn)動(dòng)校正，實(shí)現(xiàn)了面向大型風(fēng)電機(jī)組的葉片微小位移監(jiān)測(cè)。文獻(xiàn)［110］基于改進(jìn)Levy-PSO 算法建立了缺陷特征提取器，用于識(shí)別風(fēng)電機(jī)組多種關(guān)鍵部件的缺陷，該方法針對(duì)傳統(tǒng)方法無(wú)法提取圖像高級(jí)特征的問(wèn)題，采用深度CNN 建立風(fēng)電機(jī)組部件缺陷辨識(shí)模型。

風(fēng)電機(jī)組部件圖像已經(jīng)被應(yīng)用于機(jī)組本身的故障分析和診斷，然而該類(lèi)方法的診斷準(zhǔn)確率受圖像分辨率影響。此外，機(jī)艙內(nèi)的部件圖像的獲取成本高昂且噪點(diǎn)較多，傳統(tǒng)的機(jī)器視覺(jué)方法難以實(shí)現(xiàn)相關(guān)部件的故障辨識(shí)。電氣數(shù)據(jù)作為風(fēng)電機(jī)組運(yùn)行中的重要且可靠的運(yùn)行參數(shù)，可以反映風(fēng)電機(jī)組部件的健康狀態(tài)，具有極大的挖掘潛力。因此，基于電氣數(shù)據(jù)-圖像轉(zhuǎn)換的風(fēng)電機(jī)組部件故障診斷是一個(gè)重要的研究方向。

4.2 基于數(shù)據(jù)-圖像轉(zhuǎn)換的狀態(tài)監(jiān)測(cè)與故障診斷

基于數(shù)據(jù)-圖像轉(zhuǎn)換的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)技術(shù)是一種結(jié)合數(shù)據(jù)驅(qū)動(dòng)和圖像處理的評(píng)估方法。該方法融合多尺度的參數(shù)數(shù)據(jù)，充分挖掘風(fēng)電機(jī)組不同狀態(tài)下的隱藏信息，建立風(fēng)電機(jī)組狀態(tài)評(píng)估模型。目前，有兩種數(shù)據(jù)-圖像轉(zhuǎn)換的思路:一是在關(guān)鍵部件安裝額外的傳感器，將傳感器數(shù)據(jù)進(jìn)行分解變換，轉(zhuǎn)換為特征圖像；二是利用已有的電氣數(shù)據(jù)或機(jī)械數(shù)據(jù)，通過(guò)數(shù)據(jù)-圖像映射建立特征圖像。所轉(zhuǎn)換的圖像類(lèi)型也具有多樣性，包括熱力圖、灰度圖、RGB圖等?；跀?shù)據(jù)-圖像轉(zhuǎn)換進(jìn)行狀態(tài)監(jiān)測(cè)技術(shù)與故障診斷的流程圖如圖3 所示。

圖3 數(shù)值型-圖像型數(shù)據(jù)轉(zhuǎn)換學(xué)習(xí)框架Fig.3 Framework of numeric-image data conversion learning

基于高頻傳感器進(jìn)行狀態(tài)評(píng)估已經(jīng)取得了一定進(jìn)展。文獻(xiàn)［111］針對(duì)齒輪箱健康狀態(tài)評(píng)估，提出了一種基于CNN 的裂痕診斷模型。該方法將高頻時(shí)序數(shù)據(jù)轉(zhuǎn)換為圖像，并使用CNN 對(duì)運(yùn)行圖像進(jìn)行分類(lèi)，以實(shí)現(xiàn)齒輪箱的裂痕診斷。文獻(xiàn)［112］基于時(shí)域、頻域分析對(duì)電氣數(shù)據(jù)特征進(jìn)行提取，以構(gòu)建健康評(píng)價(jià)模型?；谶B續(xù)小波變換提取小波功率譜，簡(jiǎn)化了健康指標(biāo)的構(gòu)建過(guò)程。文獻(xiàn)［113-114］基于短時(shí)傅里葉變換建立了軸承振動(dòng)數(shù)據(jù)的時(shí)頻圖像，并將圖像作為輸入數(shù)據(jù)，利用改進(jìn)的CNN 實(shí)現(xiàn)了軸承系統(tǒng)的狀態(tài)監(jiān)測(cè)。文獻(xiàn)［115］提出了一種齒輪箱復(fù)合故障診斷技術(shù)，該技術(shù)基于小波變換和多標(biāo)簽CNN 對(duì)齒輪箱復(fù)合故障進(jìn)行診斷，利用小波變換將一維振動(dòng)數(shù)據(jù)轉(zhuǎn)變成CNN 擅長(zhǎng)處理的二維時(shí)頻圖像。通過(guò)對(duì)CNN 進(jìn)行改進(jìn)以及結(jié)合多標(biāo)簽分類(lèi)，建立能夠處理齒輪箱復(fù)合故障問(wèn)題的多標(biāo)簽CNN 模型。在此基礎(chǔ)上，文獻(xiàn)［116］利用時(shí)間序列分析技術(shù)將多種振動(dòng)數(shù)據(jù)進(jìn)行拼接組合，實(shí)現(xiàn)了含有多種噪聲的多類(lèi)別齒輪箱故障辨識(shí)，該方法在復(fù)雜工況下也有較高的辨識(shí)準(zhǔn)確度。

電氣數(shù)據(jù)和機(jī)械數(shù)據(jù)是風(fēng)電機(jī)組運(yùn)行中容易獲取且可靠性高的數(shù)據(jù)。目前，根據(jù)此類(lèi)參數(shù)進(jìn)行狀態(tài)監(jiān)測(cè)的研究尚處于起步階段。文獻(xiàn)［117］將機(jī)艙溫度參數(shù)轉(zhuǎn)換為熱力圖像，并結(jié)合風(fēng)電機(jī)組表面的熱成像圖像，基于深度神經(jīng)網(wǎng)絡(luò)建立針對(duì)變槳系統(tǒng)和軸承的狀態(tài)評(píng)估和監(jiān)測(cè)模型。文獻(xiàn)［118-119］首先提出了一種基于編碼增強(qiáng)特征映射的數(shù)據(jù)-圖像映射建模方法，將風(fēng)電機(jī)組的運(yùn)行數(shù)據(jù)轉(zhuǎn)換為特征圖像，隨后提出了一種預(yù)訓(xùn)練特征的高斯聚類(lèi)框架，對(duì)特征圖像進(jìn)行聚類(lèi)分析，實(shí)現(xiàn)了無(wú)監(jiān)督條件下的單部件狀態(tài)監(jiān)測(cè)。

5 風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷的挑戰(zhàn)與展望

目前，風(fēng)電機(jī)組狀態(tài)監(jiān)控與故障診斷相關(guān)研究仍面臨以下不足與挑戰(zhàn):

1）監(jiān)測(cè)與診斷算法對(duì)于多源低密度價(jià)值數(shù)據(jù)的挖掘不足。風(fēng)電機(jī)組在運(yùn)行過(guò)程中產(chǎn)生的數(shù)據(jù)量龐大，包括各種傳感器的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)、機(jī)組運(yùn)行參數(shù)等。但是，其中大部分的數(shù)據(jù)均為正常運(yùn)行數(shù)據(jù)，故障數(shù)據(jù)所占比例較少，給基于數(shù)據(jù)驅(qū)動(dòng)的監(jiān)測(cè)與診斷算法帶來(lái)了較大的挑戰(zhàn)。當(dāng)前，很多研究在監(jiān)測(cè)與診斷算法中人為提高故障數(shù)據(jù)與正常數(shù)據(jù)的比例，以達(dá)到較好的監(jiān)測(cè)與診斷效果，但在實(shí)際應(yīng)用中會(huì)存在一定的局限性。

2）狀態(tài)監(jiān)控與故障診斷算法的實(shí)時(shí)性與通用性需求。風(fēng)電機(jī)組是一個(gè)實(shí)時(shí)運(yùn)行的系統(tǒng)，從實(shí)際應(yīng)用的角度出發(fā)，風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)與故障診斷算法應(yīng)該具備較高的實(shí)時(shí)性，以便及時(shí)采取相應(yīng)的維護(hù)措施。因此，相關(guān)算法在研究的過(guò)程中需要考慮計(jì)算效率，如將大量的數(shù)值型數(shù)據(jù)轉(zhuǎn)化為圖像數(shù)據(jù)，提高數(shù)據(jù)處理的效率。此外，基于數(shù)據(jù)驅(qū)動(dòng)的監(jiān)測(cè)算法效果依賴(lài)于數(shù)據(jù)集的質(zhì)量，針對(duì)不同類(lèi)型的風(fēng)電機(jī)組，常常需要花費(fèi)大量的時(shí)間進(jìn)行參數(shù)整定，通用性相對(duì)受限，無(wú)法快速且大規(guī)模地應(yīng)用。

3）多種混合故障模式的精準(zhǔn)辨識(shí)診斷手段缺乏。當(dāng)前的相關(guān)研究主要分為兩方面:一方面，對(duì)風(fēng)電機(jī)組整個(gè)運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)，判定風(fēng)電機(jī)組是否存在異常，但無(wú)法對(duì)異常部件進(jìn)行精準(zhǔn)的定位；另一方面，針對(duì)風(fēng)電機(jī)組特定部件如齒輪箱進(jìn)行故障診斷，但基本只能對(duì)單一部件，對(duì)于風(fēng)電機(jī)組多個(gè)部件混合故障模型無(wú)法進(jìn)行精準(zhǔn)識(shí)別。主要原因是受限于可利用的數(shù)據(jù)集，以及受限于數(shù)據(jù)驅(qū)動(dòng)模型的泛化性與可遷移性。

4）基于數(shù)據(jù)驅(qū)動(dòng)的監(jiān)測(cè)診斷算法所利用數(shù)據(jù)集類(lèi)型單一?；跀?shù)據(jù)驅(qū)動(dòng)的監(jiān)測(cè)診斷算法效果直接受數(shù)據(jù)集的影響，當(dāng)前研究基本基于單一數(shù)據(jù)集進(jìn)行，缺乏對(duì)于多種不同類(lèi)型數(shù)據(jù)集的融合判定，以提高對(duì)機(jī)組狀態(tài)的全面了解和準(zhǔn)確判斷。

為了應(yīng)對(duì)這些挑戰(zhàn)，可以采用一系列的技術(shù)手段，包括數(shù)據(jù)預(yù)處理、特征工程、機(jī)器學(xué)習(xí)算法、深度學(xué)習(xí)模型等，結(jié)合風(fēng)電機(jī)組的特點(diǎn)和實(shí)際需求，進(jìn)行定制化的解決方案設(shè)計(jì)，以提高風(fēng)電機(jī)組狀態(tài)監(jiān)控與故障診斷的效果和可靠性。

展望未來(lái)，風(fēng)電機(jī)組狀態(tài)監(jiān)控與故障診斷將呈現(xiàn)出以下幾個(gè)發(fā)展趨勢(shì):

1）提高基于數(shù)據(jù)驅(qū)動(dòng)的狀態(tài)監(jiān)測(cè)與故障診斷方法的自適應(yīng)與自學(xué)習(xí)能力。未來(lái)的風(fēng)電機(jī)組狀態(tài)監(jiān)控與故障診斷算法應(yīng)具備自適應(yīng)和自學(xué)習(xí)的功能。算法可以根據(jù)歷史數(shù)據(jù)和實(shí)時(shí)運(yùn)行數(shù)據(jù)，在考慮計(jì)算資源限制的情況下，能夠自動(dòng)學(xué)習(xí)和優(yōu)化模型，提高對(duì)機(jī)組狀態(tài)的判斷準(zhǔn)確性，并根據(jù)實(shí)際情況進(jìn)行參數(shù)調(diào)整，適應(yīng)不同風(fēng)電場(chǎng)和氣象條件的變化，更有助于算法在實(shí)際場(chǎng)景中的應(yīng)用。

2）降低數(shù)據(jù)驅(qū)動(dòng)算法對(duì)標(biāo)注數(shù)據(jù)的依賴(lài)。當(dāng)前，大部分故障診斷數(shù)據(jù)依賴(lài)于帶故障標(biāo)注的數(shù)據(jù)集，而故障數(shù)據(jù)在所有數(shù)據(jù)中所占比例過(guò)少，直接降低了算法的診斷效果。今后的研究應(yīng)該更多地關(guān)注無(wú)監(jiān)督學(xué)習(xí)算法、自監(jiān)督學(xué)習(xí)算法等方法在風(fēng)電機(jī)組狀態(tài)分析中的應(yīng)用，減少監(jiān)測(cè)診斷模型對(duì)標(biāo)注數(shù)據(jù)的依賴(lài)。

3）基于多源數(shù)據(jù)融合的多學(xué)科交叉研究。風(fēng)電機(jī)組的狀態(tài)監(jiān)控需要采集大量的數(shù)據(jù)，包括機(jī)械、電氣、氣象等多個(gè)方面的數(shù)據(jù)。數(shù)據(jù)類(lèi)型也不盡相同，例如SCADA 低頻狀態(tài)數(shù)據(jù)、機(jī)械振動(dòng)高頻數(shù)據(jù)以及機(jī)器人或無(wú)人機(jī)巡檢的圖像等，涉及機(jī)械、電氣、計(jì)算機(jī)等多個(gè)學(xué)科。因此，對(duì)于多源數(shù)據(jù)的融合需要聯(lián)合多個(gè)學(xué)科，從眾多特征中提取出對(duì)故障診斷具有較高區(qū)分度和敏感性的特征，避免冗余或無(wú)關(guān)特征的干擾，同時(shí)融合不同領(lǐng)域的算法特點(diǎn)，對(duì)算法設(shè)計(jì)和模型構(gòu)建提出新的思路。

綜上所述，風(fēng)電機(jī)組狀態(tài)監(jiān)控與故障診斷在未來(lái)將呈現(xiàn)出智能化、自適應(yīng)與多源數(shù)據(jù)融合的特征，并實(shí)現(xiàn)遠(yuǎn)程監(jiān)控與維護(hù)，以及整體優(yōu)化與管理。這些發(fā)展趨勢(shì)將為風(fēng)電行業(yè)的可靠性、可用性和經(jīng)濟(jì)性提供更好的保障。

6 結(jié)語(yǔ)

風(fēng)電機(jī)組狀態(tài)監(jiān)控與故障診斷是風(fēng)電行業(yè)中的重要研究領(lǐng)域?；跀?shù)據(jù)驅(qū)動(dòng)的狀態(tài)監(jiān)控與故障診斷技術(shù)的應(yīng)用可以提高風(fēng)電機(jī)組的可用性和可靠性，減少人力維護(hù)成本，并延長(zhǎng)設(shè)備壽命。

本文以風(fēng)電機(jī)組多源數(shù)據(jù)為出發(fā)點(diǎn)，分析了SCADA 數(shù)據(jù)、振動(dòng)數(shù)據(jù)、圖像數(shù)據(jù)3 種類(lèi)型數(shù)據(jù)的特點(diǎn)，全面論述了基于各類(lèi)數(shù)據(jù)的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷方法架構(gòu)及研究現(xiàn)狀。同時(shí)，討論了當(dāng)前風(fēng)電機(jī)組狀態(tài)分析亟須解決的技術(shù)難題和研究熱點(diǎn)。從多源數(shù)據(jù)集、算法自學(xué)習(xí)、故障特征等方面，對(duì)風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷的發(fā)展進(jìn)行了展望，并指出了技術(shù)攻關(guān)的方向與難題。