當(dāng)齒輪箱發(fā)生輕微故障時(shí)，若人工定檢不能及時(shí)發(fā)現(xiàn)，小故障會(huì)伴隨著風(fēng)機(jī)繼續(xù)運(yùn)轉(zhuǎn)，增加齒輪箱負(fù)荷，最終導(dǎo)致卡死、串軸、斷裂等嚴(yán)重故障，給風(fēng)場(chǎng)帶來巨大的維修成本。

在政策驅(qū)動(dòng)下，我國的風(fēng)電行業(yè)已由快速發(fā)展逐步轉(zhuǎn)向穩(wěn)定、市場(chǎng)化發(fā)展。相較于較水電、光伏等新能源，風(fēng)電行業(yè)的信息化較為成熟，因而具備較好的智能化條件和基礎(chǔ)。其中，基于風(fēng)場(chǎng)采集的SCADA數(shù)據(jù)進(jìn)行故障診斷、故障預(yù)測(cè)建模，已成為風(fēng)電行業(yè)的重要趨勢(shì)。

在典型的大部件中，風(fēng)力發(fā)電機(jī)齒輪箱，亦稱變速箱，作為將葉輪轉(zhuǎn)速提速為發(fā)電機(jī)所需轉(zhuǎn)速的重要部件，在雙饋式風(fēng)力發(fā)電機(jī)中應(yīng)用廣泛。

當(dāng)齒輪箱發(fā)生輕微故障時(shí)，若人工定檢不能及時(shí)發(fā)現(xiàn)，小故障會(huì)伴隨著風(fēng)機(jī)繼續(xù)運(yùn)轉(zhuǎn)，增加齒輪箱負(fù)荷，最終導(dǎo)致卡死、串軸、斷裂等嚴(yán)重故障，給風(fēng)場(chǎng)帶來巨大的維修成本。

如果能通過數(shù)據(jù)及時(shí)發(fā)現(xiàn)齒輪箱的運(yùn)行異常并實(shí)時(shí)報(bào)警，對(duì)于降低風(fēng)機(jī)嚴(yán)重故障風(fēng)險(xiǎn)，提高風(fēng)場(chǎng)發(fā)電效率具有重要意義。

文：天數(shù)潤科 劉楊

齒輪箱數(shù)據(jù)概述

風(fēng)力發(fā)電機(jī)的故障診斷、故障檢測(cè)方面，常使用的數(shù)據(jù)有SCADA、CMS等數(shù)據(jù)。

SCADA作為集控系統(tǒng)的組成部分，其數(shù)據(jù)存儲(chǔ)、提取、建模的過程較為容易。通常，對(duì)齒輪箱的測(cè)點(diǎn)包括齒輪箱油溫、齒輪箱振動(dòng)、齒輪箱軸轉(zhuǎn)速、齒輪箱軸承溫度等。

CMS通過采集高頻振動(dòng)數(shù)據(jù)，結(jié)合時(shí)域與頻域的分析，給出齒輪箱振動(dòng)異常的原因與是否需要停機(jī)維修的判斷。

本次建模使用的數(shù)據(jù)為10s級(jí)別的SCADA數(shù)據(jù)，包含以上提及的SCADA數(shù)據(jù)特征。

建模思路

由于SCADA數(shù)據(jù)中齒輪箱的測(cè)點(diǎn)數(shù)較少，難以完全描述齒輪箱的運(yùn)行狀況，同時(shí)數(shù)據(jù)質(zhì)量不佳，部分風(fēng)機(jī)數(shù)據(jù)的時(shí)間間隔為12s，導(dǎo)致瞬時(shí)采樣點(diǎn)數(shù)據(jù)時(shí)間戳不一致。針對(duì)這種情況，采用數(shù)據(jù)聚合的方法，將不同時(shí)間間隔的數(shù)據(jù)統(tǒng)一聚合為2min級(jí)別數(shù)據(jù)，提取每個(gè)特征在該段時(shí)間內(nèi)的平均值、最小值、最大值。

采用聚合方式提取的數(shù)據(jù)，存在嚴(yán)重的線性相關(guān)，使用傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)方法（不包含樹模型）會(huì)引入較大的誤差，因此需要一層濾波，從原始的聚合數(shù)據(jù)中提取深層特征，同時(shí)需要確保這些特征可以較好地還原數(shù)據(jù)。因此模型使用降噪自編碼器作為自動(dòng)進(jìn)行特征提取的工具。

按照2min的時(shí)間跨度聚合的數(shù)據(jù)較風(fēng)電行業(yè)常用的10min級(jí)別數(shù)據(jù)，其時(shí)序特征較為明顯。尤其在溫度等特征方面，2min級(jí)別數(shù)據(jù)中描述了詳細(xì)溫度的變化特征，能夠較好的反應(yīng)風(fēng)機(jī)運(yùn)行過程中真實(shí)發(fā)生的工況。因此，在故障預(yù)測(cè)方面，采用基于LSTM架構(gòu)的模型，以有效預(yù)測(cè)齒輪箱健康狀況。

訓(xùn)練數(shù)據(jù)的標(biāo)注方面，風(fēng)場(chǎng)提供了齒輪箱故障發(fā)生的時(shí)間，將故障發(fā)生前一周的數(shù)據(jù)均標(biāo)記為故障數(shù)據(jù)，同時(shí)選取一部分的齒輪箱未發(fā)生損壞的風(fēng)機(jī)數(shù)據(jù)，以標(biāo)簽0作為正常風(fēng)機(jī)的標(biāo)注，用以訓(xùn)練模型。

首先，針對(duì)SCADA數(shù)據(jù)，進(jìn)行按照時(shí)間聚合的數(shù)據(jù)操作；其次，構(gòu)建降噪編碼器模型，通過處理后的數(shù)據(jù)訓(xùn)練編碼部分和解碼部分，自動(dòng)地使用神經(jīng)網(wǎng)絡(luò)提取2min級(jí)別數(shù)據(jù)的深層特征；最后，通過數(shù)據(jù)標(biāo)簽訓(xùn)練LSTM，輸入編碼后的結(jié)果，輸出為風(fēng)機(jī)在該時(shí)間段內(nèi)是否發(fā)生故障的預(yù)測(cè)結(jié)果。

所有的算法開發(fā)與部署皆基于SkyAXE高速運(yùn)算平臺(tái)開發(fā)。

1.png

模型算法說明

降噪自編碼器（Denoising AutoEncoder）是一種較為魯棒的自動(dòng)特征提取模式，通過在編碼前對(duì)數(shù)據(jù)引入噪聲（通常為高斯噪聲）破壞原始的數(shù)據(jù)分布，再通過編碼-解碼過程還原未加入噪聲的數(shù)據(jù)，實(shí)現(xiàn)類似濾波（filter）后自動(dòng)提取特征的過程。

2.png

通過引入噪聲，破壞原始數(shù)據(jù)的標(biāo)準(zhǔn)分布后，再通過數(shù)據(jù)將其還原，模擬了人類對(duì)破損圖像自動(dòng)補(bǔ)全的過程，充分利用數(shù)據(jù)間的相關(guān)性，自動(dòng)提取數(shù)據(jù)的深層特征，在大批量數(shù)據(jù)的特征提取方面，其效果較傳統(tǒng)的PCA降維方法都有顯著地提升，且具有較高的魯棒性。反映于模型中，可看到其對(duì)聚合之后特征的還原效果較好，因此可將編碼器部分作為L(zhǎng)STM網(wǎng)絡(luò)的前半部分，對(duì)原始特征進(jìn)行預(yù)處理：

3.png

LSTM通過引入Cell的結(jié)構(gòu)，可記憶在時(shí)間序列上有所間隔的數(shù)據(jù)特征，在自然語言處理、視頻分析、信號(hào)分析等方面已有大量成熟應(yīng)用。其結(jié)構(gòu)不在贅述。

模型架構(gòu)

模型整體架構(gòu)為降噪自編碼器的編碼部分后接LSTM網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建模型需要以下幾個(gè)步驟：

4.png

Step 1：訓(xùn)練自編碼器

由于降噪自編碼器屬于無監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，即不需要外部的標(biāo)簽來訓(xùn)練。輸入輸出均為原始特征。訓(xùn)練中仍然采用批量訓(xùn)練方法，此時(shí)不需要關(guān)注聚合數(shù)據(jù)的故障與否，將全部數(shù)據(jù)進(jìn)行訓(xùn)練即可得到能夠自動(dòng)提取深層特征的編碼器；

Step 2：構(gòu)建LSTM網(wǎng)絡(luò)

由于數(shù)據(jù)量較大，LSTM模型的堆疊Cell數(shù)量較多，網(wǎng)絡(luò)較深，容易產(chǎn)生梯度爆炸或梯度消失的問題。采用批標(biāo)準(zhǔn)化（Batch Normalization）對(duì)每一層的輸出進(jìn)行標(biāo)準(zhǔn)化，解決梯度傳播的問題。同時(shí)，為了避免模型過擬合，在LSTM層和全連接層中，均使用了Dropout，降低過擬合的概率。構(gòu)建起多層的LSTM網(wǎng)絡(luò)后，接收編碼器提取的深層特征；

5.png

Step 3：訓(xùn)練模型

使用降噪編碼器提取的深層特征作為L(zhǎng)STM的數(shù)據(jù)，故障與否作為標(biāo)簽，訓(xùn)練LSTM模型。從訓(xùn)練誤差的下降來看，模型具有較好的穩(wěn)健性，誤差可穩(wěn)定的下降：

6.png

Step 4：

模型測(cè)試

測(cè)試數(shù)據(jù)集為未用于訓(xùn)練的同風(fēng)場(chǎng)其他幾臺(tái)風(fēng)機(jī)數(shù)據(jù)，運(yùn)行正常的風(fēng)機(jī)沒有報(bào)出故障，誤報(bào)率接近于0。而故障風(fēng)機(jī)主要呈現(xiàn)以下兩種故障模型：

（1）突發(fā)故障

可能是由于瞬時(shí)風(fēng)速過大，符合較大而導(dǎo)致的突發(fā)故障。模型在故障發(fā)生前并無給出明顯的征兆，在系統(tǒng)報(bào)警的較近時(shí)間段才報(bào)出異常，此時(shí)風(fēng)機(jī)可能已經(jīng)處于齒輪箱故障發(fā)生的臨界點(diǎn)，需要緊急停機(jī)進(jìn)行維修；

7.png

（2）漸變故障

8.png

此類故障在發(fā)生前一段時(shí)間，模型已給出一些警報(bào)，此時(shí)對(duì)齒輪箱進(jìn)行人工檢查或維修，可以避免因嚴(yán)重故障導(dǎo)致的齒輪箱徹底更換，降低維修成本，提高風(fēng)場(chǎng)的運(yùn)營效率。

總結(jié)

齒輪箱是雙饋式風(fēng)力發(fā)電機(jī)的重要部件，其發(fā)生嚴(yán)重故障后更換齒輪箱的維修成本極高。若能盡早發(fā)現(xiàn)齒輪箱的損壞，并進(jìn)行及時(shí)的維修，對(duì)于指導(dǎo)現(xiàn)場(chǎng)人員作業(yè)，實(shí)現(xiàn)智能化運(yùn)營具有重要意義。

雖然模型有效地解決了該風(fēng)場(chǎng)的離線數(shù)據(jù)問題，但在實(shí)際部署過程中，還需要考慮數(shù)據(jù)傳輸?shù)馁|(zhì)量、速度等因素，對(duì)模型參數(shù)進(jìn)行不斷修正，以提高預(yù)警的準(zhǔn)確率。

隨著風(fēng)場(chǎng)信息化程度的不斷提高，智能化必然成為風(fēng)電行業(yè)未來的發(fā)展方向。引入AI的建模方法，將有助于提高模型的預(yù)測(cè)準(zhǔn)確率，降低誤報(bào)率，為業(yè)主帶來真實(shí)的經(jīng)濟(jì)價(jià)值。