成驍彬

(上海電氣風(fēng)電集團股份有限公司,上海 200241)

0 引言

近年來,我國的風(fēng)電行業(yè)得到了迅猛發(fā)展,風(fēng)力發(fā)電機組智能運維發(fā)展迅速。發(fā)電機軸承故障率占據(jù)風(fēng)機傳動鏈日常運維的絕大多數(shù),所以對于風(fēng)機發(fā)電機軸承的智能運維在風(fēng)電行業(yè)起著決定性的作用。Niu等人[1-2]使用智能運維算法應(yīng)用于風(fēng)機發(fā)電機機組,但尚缺乏足夠的實際案例樣本進(jìn)行論證,且與工業(yè)實際環(huán)境現(xiàn)狀還有一定偏差。在工業(yè)場景下,充分且多樣的失效數(shù)據(jù)集是很難獲取的。鑒于此,基于工業(yè)實際運維狀況,本文提出了一種結(jié)合時域、時間序列、支持向量描述算法和粒子群優(yōu)化算法用于風(fēng)機發(fā)電機組發(fā)電機軸承的智能診斷,并提供了一組真實閉環(huán)案例進(jìn)行驗證,用于縮小相關(guān)學(xué)界研究與工業(yè)實際問題之間的距離。所提出的方法隸屬于非監(jiān)督式學(xué)習(xí),無需大量失效數(shù)據(jù)集,該方案在工業(yè)實際應(yīng)用環(huán)境中,具有推廣意義。本文的結(jié)構(gòu)如下:算法結(jié)構(gòu)部分描述本文所提出的算法細(xì)節(jié)及對應(yīng)公式,用于分析風(fēng)機發(fā)電機軸承狀態(tài)運維的問題;實際案例部分使用一組閉環(huán)實際發(fā)電機軸承案例,通過與工業(yè)常規(guī)均方根指標(biāo)(RMS)比較展示,來驗證本文提出算法的效果及提前量,用于解決風(fēng)機發(fā)電機軸承狀態(tài)的工程應(yīng)用閉環(huán)問題。

1 算法結(jié)構(gòu)

1.1 時域指標(biāo)

原始的發(fā)電機軸承振動信號作為輸入源{x1,x2,…,xn},其中,xi為某時間點的數(shù)據(jù);n為采樣個數(shù),在風(fēng)電行業(yè)常見發(fā)電機軸承應(yīng)用場景下,n一般選擇25 600或12 800。時域指標(biāo)是指在時域內(nèi)對其進(jìn)行統(tǒng)計算法,達(dá)到特征提取的目的。在風(fēng)機發(fā)電機狀態(tài)運維中,時域特征具有計算簡單的優(yōu)點,可廣泛應(yīng)用于工業(yè)使用。本文采用的時域指標(biāo)為均方根值(RMS),用于反映信號振動能量的大小。該時域特征常用來判斷磨損類故障,是使用最為廣泛的時域指標(biāo)。其公式如下:

(1)

1.2 時間序列指標(biāo)

時間序列指標(biāo)是指使用時域算法,將經(jīng)過時間序列重構(gòu)的數(shù)據(jù)集作為輸入源,對其進(jìn)行統(tǒng)計算法所獲得的指標(biāo),以達(dá)到特征提取的目的。本文使用時域指標(biāo)均方根值(RMS)作為時間序列指標(biāo)的輸入量并對其進(jìn)行重構(gòu)為RMSt={RMSt,…,RMSt-τ},其中τ為時間序列步長?；赟TL算法[3]的假設(shè)(Seasonal and Trend Decomposition Using Loess),每一個時間序列模型都能夠分解為趨勢部分Tt,周期部分St和殘差部分Rt,如公式(2)所示。

RMSt=St+Tt+Rt

(2)

基于上述趨勢部分Tt,周期部分St和殘差部分Rt,本文構(gòu)造出兩個新型時間序列指標(biāo)T1和T2[4],用于表達(dá)時間序列數(shù)據(jù)集的變化狀態(tài),其含義如表1所示。

表1 時間序列指標(biāo)

1.3 支持向量描述(Support Vector Domain Description)算法

Pan等[5]提出一種基于深度信賴網(wǎng)絡(luò)(Deep Belief Network)和支持向量描述(Support Vector Data Description)算法應(yīng)用于旋轉(zhuǎn)軸承退化表現(xiàn)監(jiān)測。支持向量描述算法是將低緯度的{T1,T2}數(shù)據(jù)集通過核函數(shù)映射到高維數(shù)據(jù)空間,并通過優(yōu)化算法尋找超平面,其公式如下:

s.t.‖φ(xi)-a‖2≤R2+ξi

(3)

(4)

其中,L為目標(biāo)方程;a和μ為非負(fù)數(shù)的拉格朗日松弛因子。支持向量描述算法是一種優(yōu)秀的非監(jiān)督機器學(xué)習(xí)模型,可以在沒有失效數(shù)據(jù)的情況下,通過正常數(shù)據(jù)的擬合來區(qū)分風(fēng)力發(fā)電機組發(fā)電機軸承部件的健康空間和失效空間。該算法能夠有效地彌補監(jiān)督式學(xué)習(xí)算法對于失效數(shù)據(jù)集的要求,并擁有很多的失效數(shù)據(jù)敏感性。本文使用python 3.8軟件來最小化目標(biāo)拉格朗日方程L,其軟件版本如下:cvxopt軟件包用于最優(yōu)化迭代(版本號1.2.7),matplotlib軟件包用于圖像展示(版本號3.4.2),numpy軟件包用于統(tǒng)計計算(版本號1.22.0),scikit_learn軟件包用于支持向量算法構(gòu)建(版本號1.0.1)。

1.4 粒子群優(yōu)化(Particle Swarm Optimization)算法

Xu等[6]提出一種在邊緣計算環(huán)境下的PSO-SVDD非監(jiān)督式算法來監(jiān)測未知缺陷。粒子群優(yōu)化(Particle Swarm Optimization)算法作為一種優(yōu)化算法,能夠有效地減少參數(shù)選擇對于模型精度的影響。在本文中,PSO算法應(yīng)用于SVDD算法中的參數(shù)C(懲罰因子),σ(核參數(shù))以及STL算法(Seasonal and Trend Decomposition Using Loess)中的τ(時間序列步長)。本文以初始值{C=0.9,σ=0.1,τ=6} 作為初始解,其中,C的求解范圍為[0.1,0.9],σ的求解范圍為[0.01,0.1],τ的求解范圍為[3,15]。目標(biāo)方程為最大化支持向量描述算法的準(zhǔn)確率,如新迭代解{C,σ,τ}所構(gòu)建的準(zhǔn)確率更高,則替換模型?？紤]到工業(yè)計算成本問題,本文所設(shè)定的最大迭代數(shù)為30,最終優(yōu)化參數(shù)為{C=0.79,σ=0.098,τ=13}。其迭代過程如圖1所示。

圖1 PSO優(yōu)化流程

2 實際案例

選擇某風(fēng)場2 MW機型234筆發(fā)電機軸承數(shù)據(jù)用來驗證模型。選取前100筆作為訓(xùn)練集,后134筆作為測試集。利用原始數(shù)據(jù)最終計算發(fā)電機軸承健康H。本模型參數(shù)如下:核函數(shù)選用RBF方程,支持向量個數(shù)n為3,訓(xùn)練準(zhǔn)確率為99%,支持向量描述半徑R為0.097,閾值為2×0.097=0.194。

本文使用支持向量描述算法訓(xùn)練中所獲得2倍半徑值作為健康指標(biāo)報警閾值。圖2(a)為某風(fēng)場2 MW機型閉環(huán)案例應(yīng)用于H健康指標(biāo)算法的結(jié)果。其中,圖2(a)為橫坐標(biāo)為觀測值,縱坐標(biāo)為健康指標(biāo)H(無量綱);圖2(b)為相同條件下使用時域均方根(RMS)指標(biāo)進(jìn)行監(jiān)測結(jié)果,橫坐標(biāo)為觀測值,縱坐標(biāo)為健康指標(biāo)H(無量綱)。

圖2 智能算法與RMS監(jiān)測

通過圖2(a)、圖2(b)對比可以看出本文所提出的算法指標(biāo)單調(diào)性佳,走勢顯著。本算法在觀察值為117時進(jìn)行了提前報警,RMS算法在觀測值為144時進(jìn)行了提前報警。本算法相較RMS算法提前量為27個觀察值,證明該算法具有一定的工業(yè)應(yīng)用性。本案例最終部件損壞為觀察值243,本文所提出的算法最大提前量為126個觀察值,該提前量能夠有效保證風(fēng)力發(fā)電機軸承備貨時間,做到事前運維。

3 結(jié)語

本文提出一種風(fēng)機發(fā)電機軸承健康指標(biāo)算法對風(fēng)機發(fā)電機組發(fā)電機軸承進(jìn)行監(jiān)測,首先使用原始數(shù)據(jù)提取時域特征RMS,基于時領(lǐng)特征RMS提取時間序列特征2個(T1,T2)。使用支持向量描述算法將提取的特征融合為風(fēng)機發(fā)電機軸承健康狀態(tài)指標(biāo),該指標(biāo)具有自動輸出報警閾值屬性。本文使用粒子群優(yōu)化算法進(jìn)行SVDD算法中的懲罰因子,核參數(shù)因子和STL算法中的時間序列步長的參數(shù)選擇,能夠有效地減少參數(shù)選擇對于模型精度的影響。一個實際的2 MW風(fēng)機閉環(huán)案例驗證所提算法的有效性。