基于深度自編碼網絡模型的風電機組齒輪箱故障檢測

2017-12-06 16:01:13 來源：《電工技術學報》　點擊量：評論 (0)

　　華北電力大學電氣與電子工程學院、中國科學院大學物理科學學院、國網冀北電力有限公司電力科學研究院的研究人員劉輝海、趙星宇、趙洪山等，在2017年第17期《電工技術學報》上撰文，為了實現風機齒輪箱的故障

　　華北電力大學電氣與電子工程學院、中國科學院大學物理科學學院、國網冀北電力有限公司電力科學研究院的研究人員劉輝海、趙星宇、趙洪山等，在2017年第17期《電工技術學報》上撰文，為了實現風機齒輪箱的故障檢測分析，提出一種基于風電機組齒輪箱的數據采集與監視控制（SCADA）數據和振動信號的深度自編碼網絡模型。

　　該模型作為一種典型的深度學習方法，通過逐層智能學習初始樣本特征，可以獲取數據蘊含的規則與分布特征形成更加抽象的高層表示。首先，利用限制性玻爾茲曼機對網絡參數進行預訓練和反向傳播算法對參數進行調優，建立深度自編碼網絡模型。然后，通過對齒輪箱的狀態變量進行編碼和解碼，計算重構誤差并將其作為齒輪箱的狀態檢測量。

　　為了有效檢測重構誤差的趨勢變化，選用自適應閾值作為風機齒輪箱故障檢測的決策準則。最后，利用對齒輪箱故障前、后記錄的數據進行仿真分析，結果驗證了深度自編碼網絡學習方法對齒輪箱故障檢測的有效性。

　　風電做為一種清潔、高效的新型能源，隨著其裝機容量的持續增長，風機的故障問題也變得更加突出。齒輪箱做為風電機組的關鍵部件，由于承受復雜的載荷及其特殊的工作環境，造成風電機組停機時間最長。因此，利用數據采集與監視控制（Supervisory Control and Data Acquisition，SCADA）數據或狀態監測信息分析研究齒輪箱故障檢測，能夠有效降低齒輪箱的維修成本，提高經濟效益。

　　通常風電機組齒輪箱處于早期故障階段時，由于故障產生的沖擊成分比較微弱，并且受到環境噪聲的干擾，使得齒輪箱早期故障特征難以提取。目前故障檢測方法一般分為基于數據的研究方法和基于模型的分析方法。基于模型的分析方法通常是建立部件的物理模型，根據模型參數的變化實現故障的檢測。

　　文獻[4]通過構建齒輪箱模型，分析其故障物理機制，從而提取不同故障狀況下的故障特征。基于數據的分析方法又可以分為基于狀態監測數據和基于SCADA運行數據兩種方法。齒輪箱狀態監測信息一般用于監測設備的健康狀況（如振動信號和油分析），利用狀態監測信息可以實現對故障特征準確提取。

　　文獻[5]運用多尺度線性調頻小波分解法研究了齒輪箱變工況條件下的振動信號，實現了故障診斷。為了分析振動信號的頻域特征，文獻[6]將非平穩的時域信號轉換為平穩或準平穩的頻域信號，并采用K鄰近度異常檢測方法，提取了齒輪箱的故障信息。

　　文獻[7, 8]運用EMD方法分解齒輪箱振動信號，然后對其模態函數建模分析，從而判斷出齒輪箱軸承的性能退化程度。文獻[9]利用小波包分析提取信號特征向量，從而提高信號的分辨效果，然后對特征向量進行降維處理，實現對故障診斷時間的提高，但該方法易受強噪聲的影響。

　　文獻[10，11]通過對齒輪箱油液采樣分析，根據油液粒子成分對比反映齒輪箱的故障。SCADA信息一般指的是設備的運行數據，可利用這些數據的趨勢變化來實現故障檢測。

　　文獻[12, 13]針對齒輪箱油溫和軸承溫度的實際值與估計值，運用統計過程控制法分析溫度的殘差趨勢，實現了齒輪箱異常狀態的檢測。文獻[14, 15]通過采用內存批處理技術和Storm實時流數據處理方法構建風電機組在線預警和故障診斷模型，能夠實現對齒輪箱故障的判定。風機在運行過程中產生的SCADA數據蘊含著特定的規則與結構，這使得數據挖掘方法在齒輪箱的故障研究中得到應用。

　　文獻[16]分析了風機SCADA數據變量間的相關性，從而實現對風機不同運行狀況下的健康狀態的定量評估。風電機組SCADA數據與狀態監測數據具有變量多、數據量大、類型復雜的特點。深度學習方法能夠深層學習數據內在的結構特征，并將學習到的特征信息融入模型的建立過程中，從而減少了人為設計特征的不充分性和傳統特征提取所帶來的復雜性。深度學習算法與傳統故障診斷方法相比，克服了傳統方法對診斷經驗的依賴性和大數據下模型診斷能力與泛化能力的不足。

　　本文基于風電機組SCADA數據和振動信號，提出深度自編碼網絡（Deep Autoencoder，DA）模型，對齒輪箱的狀態進行整體分析，深度學習數據規則，挖掘其蘊含的分布式特征，從而提取齒輪箱狀態檢測量，實現故障檢測。

　　DA網絡模型的分析過程包括：首先采集正常狀態下風機齒輪箱的SCADA數據和振動數據創建訓練數據集；基于訓練數據集建立DA模型，然后運用建立的DA模型計算風機齒輪箱的重構誤差Re序列；根據將要發生故障的齒輪箱的Re的趨勢會發生變化，運用自適應閾值法檢測Re的趨勢，在風電機組齒輪箱發生故障但未失效之前，檢測出即將發生的故障，實現齒輪箱的故障預測。

　　圖1 DA模型的逐層學習過程