基于數據挖掘風力發電設備故障遠程診斷研究

（南車株洲電力機車研究所有限公司風電事業部，湖南 株洲 412001）

（南車株洲電力機車研究所有限公司風電事業部，湖南 株洲 412001）

為保證維護風電場大型風電機組安全、可靠、經濟和優化運行，本文提出了一個基于數據挖掘技術的風電機組在線狀態監測與故障遠程診斷系統。介紹了數據挖掘故障診斷系統的硬件、軟件體系結構、網絡技術及特點，舉實例說明應用的實用性和有效性。

風電機組；數據挖掘；故障遠程診斷研究

0 引言

隨著能源危機和環境污染問題的日益嚴重，世界各國爭相發展可再生新興能源，我國長期規劃明確支持“研究開發大型風力發電設備”，風電裝備由此得到了迅猛發展。在風電迅猛發展的同時，風電機組高額的運行維護成本影響了風場的經濟效益。風場一般地處偏遠、環境惡劣，并且機艙位于70m至90 m 以上的高空，給機組的維護維修工作造成了困難，增加了機組的運行維護成本。對于工作壽命為20 年的機組，運行維護成本估計占到風場收入的10%－15%；對于海上風場，用于風電機組運行維護的成本高達風場收入的20%－25%。高額的運行維護費用增加了風場的運營成本，降低了風電的經濟效益。但隨著投產的風電機組數量和容量的不斷增加，風電機組的運行維護、故障檢測、診斷技術的優化和改進已成為風力發電亟待解決的新課題。長期以來，風電機組一直采用計劃維修與事后維修方式，計劃維修即運行2500h和5000h 后的例行維護，如檢查螺栓力矩，加注潤滑脂等。該維修體制往往無法全面、及時地了解設備運行狀況。而事后維修則因事前準備不足，從而造成維修工作持久，損失重大。并且由于近年來大型風電機組研究的快速發展，其機械結構日趨復雜，不同部件之間的相互聯系、耦合也更加緊密，一個部件出現故障，將可能導致整個發電過程中斷。因此，有必要對風電機組的運行狀態進行檢測跟蹤，對其故障征兆進行分析處理，預測分析風電機組的故障趨勢，減少事故發生造成的財產損失，也減少強迫停機的次數，降低發電機的維護費和提高發電機的可用性，指導風電機組的維護與維修[1]。

據有色金屬報網報道，近日，從世界黃金協會獲悉，該機構首次向用戶推出市場權威的黃金數據、洞察和分析工具平臺——GOLDHUB。該平臺旨在幫助專業投資者更好地理解和體驗黃金作為戰略資產的價值。

1 研究背景

國外監測和故障診斷技術發展早而且比較成熟，有專門用于風電機組的監測設備，國內由于風電機組行業本身起步較晚，在線監測與故障診斷技術在國內風電機組上的運用還處于起步狀態。目前，大型風電機組的就地控制器都有運行數據采集、故障報警和通信功能，配合風電場中央監控系統，可以實現風電場機群的集中監控，甚至異地監控。但中央監控系統信息量的采集十分有限，一般只采集功率、轉速、電流、風速等參數，無振動量采集，造成故障預警功能欠缺。比如，當中央監控系統報“傳動比錯誤”時，可能齒輪箱或發電機已經嚴重損壞或卡死[2]。

鑒于風電場獨特的環境，以風電機組安全經濟運行出發，以風電場風電機組為研究對象，利用小波多分辨率分析技術，對風電機組的振動和噪聲信號進行處理，提取故障特征，實現風電機組早期顯現故障的有效監測與識別。由于風電機組狀態監測與故障診斷過程中產生的大規模數據信息（包括統計數據、試驗數據） 可方便地被收集和存儲在各種數據庫中，具備了事務數據庫特點和數據挖掘的基本要求，若采用傳統的數據分析方法，對這些巨量的數據進行分析，不僅費時且難以有效地挖掘出隱含的知識；另一方面，盡管專家系統和智能診斷等方法在故障診斷中得到廣泛應用，但專家系統的知識瓶頸和智能診斷方法所帶來的推理過程困難等問題仍未得到很好地解決，將數據庫、數據挖掘應用在風電機組故障診斷的基本思路，就是利用數據挖掘技術得到產生故障的特征數據、故障規則等，對故障進行檢測和診斷，其診斷過程就是模式獲取及模式匹配的過程，數據挖掘卻可以有效地解決這些問題，將數據挖掘技術應用于故障診斷中是必然的也是可行的。因此，提出了以數據庫、數據挖掘技術和網絡技術為支撐的風電機組在線故障診斷方案，實現了風電機組故障診斷的網絡化、信息化[3]。

where k is the fault joint label.Eq.(3)is subjected to singularvalue decomposition as

2 數據挖掘技術在故障診斷中的應用

課堂上，自學與合作不是并列關系，而是先后關系，每一部分的知識都要提倡自學，學生自學不會的可以通過小組合作來解決，小組合作不會的通過全班研討來解決，大家都不會的才由教師來點撥。教師要退到最后一步，本著“先學后教、以學定教”的原則，只講學生不會、不對的。這樣，教師就會知道課堂上應該講什么，講多長時間。

3 遠程故障診斷過程決策模型

風電機組遠程在線診斷的主要內容是從大量的風電機組運行監測信息中發現潛在的規律，提取有用的知識，智能地判斷當前風電機組運行狀態，發現隱含的或已經存在的故障。數據挖掘是一個需要經過反復多次處理的過程，它可利用不斷充實的診斷知識庫和恰當的算法逐步挖掘真實的故障機理及診斷規則。其實現過程為：首先將原始數據整理為與挖掘主題相關的信息；然后根據挖掘主題以及各種學習算法的特點設計數據挖掘算法，并對指定數據集進行知識的提取。通過對挖掘結果進行一致性、合理性檢查，與預期目標進行對比。如果結果與預期目標偏差較大，返回算法設計階段，調整或重新設計挖掘算法；如果偏差較小，返回算法設計階段，對挖掘算法進行調整；如果結果理想，返回數據階段，擴大數據集，重新開始一次挖掘過程。重復上述步驟，直至達到最終目標。數據挖掘模型處理過程如圖5所示。

在數據準備階段，隨時序變化的故障信息，采用時間分割法，把時序變量轉化為實數變量進行考察。具體做法是：把t。到t 時刻的時間間隔T等分為N個At(At=T/N)時間間隔，T時間內的連續變量用t0=ta ，t1=ta + At，t2=ta+2At,……,tn=ta+ Nat,t6時刻的值來表征，在構建故障診斷模型時，要考慮這些值之間在時間上的先后序列關系。根據故障信息內在相互關聯的特點，從診斷信息中抽取樣本數據，采用關聯規則挖掘有價值的知識，描述如下：規則項集I= ( i1,i2,i3,……im )是由m個不同故障規則組成的集合，故障事務x是I的一個子集，即TI,D是S的集合。設X 是I 的一個子集，如果XS，稱故障事務S包含X。關聯規則具有如下形式：XY，其中，XI,YI，且X∩Y=, X為條件，Y為結果[6]。

4 系統硬件結構

綜上所述，可以認定裂縫產生的主要原因之一應為行車荷載，包括超限重載車、車流量過大、荷載的持續時間過長等。

風電機組故障診斷數據挖掘系統結構如圖4所示。其中知識庫是基于征兆事實庫、傳統專家經驗診斷規則和數據挖掘診斷規則的混合系統，各診斷機制充分發揮各自的優點，征兆事實庫用于存放經過數據庫處理并提取的系統推理所需要的征兆事實。知識庫的維護包括擴展、修改和刪除3 種操作。授權用戶可通過HTML 輸入風電機組診斷信息，信息處理與診斷推理模塊利用知識庫中的知識，根據故障信息診斷設備故障，最后利用知識庫對所有診斷方法得到的結果綜合決策，判斷具體的故障類型，并將診斷結論和維護參考信息在遠端客戶瀏覽器上顯示。結論解釋模塊為用戶提供診斷推理過程和結論的解釋，同時將故障實例經過知識提取存放知識庫中。知識庫采用傳統經驗、專家經驗、粗糙集知識及關聯規則等數據挖掘方法來獲取診斷知識。關聯規則挖掘從特征數據中挖掘出特征變量間隱含的因果或關聯關系，可用于故障趨勢預測，基于粗糙集方法的規則挖掘可適用于離散型及連續型特征數據，它先約簡知識，再根據知識約簡挖掘規則[5]。

數據倉庫是支持決策過程的、面向主題的、集成的、隨時間變化的、持久的數據集合。系統中把故障類型、設備類型、設備使用狀況作為數據倉庫的主題，形成面向一個個特定主題的小規模的數據倉庫，即數據集市。從數據挖掘的角度看，數據倉庫是數據挖掘實施的平臺。數據挖掘是一種分析和決策手段，主要根據人工智能、機器學習、統計學的原理，以數據倉庫或數據集市為基礎，分析和挖掘歷史數據，找出隱藏在這些數據內的關系模式，反映數據的內在特性，對數據所包含的信息做更高層次的抽象。數據挖掘過程分為以下階段：數據準備、數據選擇、預處理、數據縮減、目標確定、算法確定、數據挖掘、模式識別和知識評價，前四個階段完成數據倉庫，為知識發現做準備；后五個階段挖掘有用的知識。數據倉庫和數據挖掘有著密不可分的聯系。一個典型的數據倉庫主要有數據導入、數據倉庫和數據集市、訪問工具。數據倉庫和數據挖掘技術在遠程監測和故障診斷領域的應用，大大提高了數據分析的效率和深度，為智能化故障診斷，特別是故障預測提供了有力的手段，從而使設備享有遠程專家級的診斷[4]。

本地數據庫服務器將診斷下位機數據采集站上傳的數據寫入數據庫中，備份風電機組的故障征兆信息；同時，為診斷中心的WEB 應用服務器和推理診斷服務器提供數據支撐，診斷服務器通過使用監測分析軟件和故障診斷軟件提取本地數據庫服務器數據，對機組故障進行診斷，并將結果返回給現場用戶。若故障類型比較復雜，本地中心還可以向遠程診斷中心求助，專家可遠程通過互聯網登錄到WEB，應用服務器使用自己的知識進行診斷，將結果返回診斷中心，并由診斷中心反饋給現場用戶，指導現場運行。在診斷服務器根據征兆信息進行診斷推理，得到推理結果以后，將信息傳給WEB服務器，并組成診斷結果HTML頁面，供授權用戶進行訪問。同時，作為局域網WEB 服務器，直接面向風電廠局域網，使局域網內用戶通過WEB 瀏覽器監測機組的振動及相關狀態量變化情況。遠程故障診斷中心各服務器功能類同本地診斷中心服務器，在遠程故障診斷中心，數據庫服務器里面存放著不同風電場的不同型號的風電機組運行數據，由此實現風電機組運行參數共享。推理機可以將這些共享的數據進行診斷推理分析，使每個風電機組都可以享受到專家級診斷，從而提高診斷效率，減少誤判率。若本地診斷中心出現不能解決的故障推理問題，還可以通過Internet 向遠程故障診斷中心求助。

圖1 過程決策模型示意圖

圖2 風電機組智能故障診斷系統原理圖

5 軟件設計

5.1 平臺數據挖掘結構

下位機系統結構如圖3所示，利用各種傳感器將風電機組狀態參數進行提取，利用數據采集模塊進行放大、濾波、補償和A/D 轉換等處理以后，通過小波分析、Fourier 變換等信號分析等技術處理，根據信號的特征由下位機對風電機組初步故障進行診斷。并將風電機組運行參數上傳至本地診斷中心，供上位機分析處理。

從大量的設備監測信息中發現潛在的規律，提取有用的知識，智能地判斷機器當前運行狀態，發現隱含的或已經存在的故障，是遠程故障診斷的主要內容。它是一個基于現有知識的決策過程，遠程故障診斷決策模型可以描述為RDDM={M，K，D，E，P)。其中，診斷技術方法集合為M，診斷所需的知識集合為K，設備原始信息數據集合為D，實驗設施為E，專家知識的集合為P，設C為診斷效益，L為故障所造成的損失，則診斷決策的目標為：

5.2 關聯規則挖掘風電機組故障知識的算法

RDDM 的目標是合理地配置M，K，D，E，P 等資源，以獲得最大的診斷效益或使故障的損失最小。數據挖掘技術利用不斷完善的診斷知識、技術方法逐步挖掘接近真實的故障原因和診斷方法，這是一個多次反復的過程。首先根據挖掘目標收集、整理與決策有關的有用信息和知識，建立模型，分析對決策有影響的關鍵因素，歸納、提煉出有關的滿足系統約束的控制規則。在此基礎上針對學習算法的特點設計挖掘算法的詳細步驟，進行數據挖掘，并對挖掘結果進行合理性、一致性檢查。通過評價體系與預期目標進行比較，若結果與預期目標偏差較大，重新優化系統模型，調整或重新設計算法，重復上述步驟，直至達到最終目標。過程決策模型如圖1所示。

規則項集A 的支持度是D 中包含A 的故障事務數量與D 的總故障事務數量之比。置信度是在規則的先決條件發生的前提下，規則結果發生的條件概率，求解關聯規則，可以分解成兩個子問題：(1)找出D 中所有大于最小支持度的事件子集X，XS，即“頻繁”出現的事件子集一頻繁項集。本文采用了基于頻集理論的遞推方法，即Apriori算法。Apriori使用一種稱作逐層搜索的迭代方法，K項集用于探索(K+1)項集。首先，找出頻繁1項集的集合。該集合記作L1 。L1 用于找頻繁2項集的集合L2 ，而L2用于找L3，如此下去，直到不能找到頻繁K項集。每次找LK 需要一次數據庫掃描。(2)從“頻繁”出現的事件子集中找出關聯規則。一旦由數據庫中的事務找出頻繁項集，由此產生關聯規則。關聯規則滿足最小支持度和最小置信度，其置信度如下：con fi dence(AB)=support(AUB)/supprot(A)。其中，support(AUB)是包含項集AUB的支持度，support(A)是包含項集A的支持度。根據該公式，關聯規則產生如下：① 對于每個頻繁項集z，產生z的所有非空子集；② 對于z的每個非空子集S，如果support(z)/supprot(s)≥ min－conf，則輸出規則“S(L－s)”。其中，min-conf是最小置信度閾值[7]。在遠程故障診斷系統中，該算法用于發現故障信息間內在的聯系，挖掘風電機組設備故障的產生原因(知識)，對風電機組設備運行狀況進行預報。以南車1.65MW級風電設備的運行為例，采集故障信號，該算法基于如表1所示故障事務數據庫，其中故障事務中的項按順序存放[7]。

圖3 風電機組故障診斷系統框圖

圖4 風電機組故障診斷數據挖掘系統結構圖

圖5 數據挖掘模型處理過程圖

圖6 風電機組遠程監測診斷系統的軟件體系

其中I1—I5表示從故障事務中抽取出的幾個不同的項，I1主機過電流停機，I2主機風電機組故障,I3主機調速器故障,I4主機急停,I5主機通訊故障。在尋找頻繁項集的過程中，取最小支持度為0.22。算法的第一次迭代掃描數據庫中的所有事務，統計每個項的出現次數，確定滿足最小支持度的頻繁1項集L1 集合，算法使用L1 產生候選2項集的集合C2 ,C2 由(I L1 I/2)個2項集組成，計算C2 中每個候選項集的支持度，確定頻繁2項集的集合L2 。根據Apriori的逐層搜索技術，直到產生的候選項集為空，算法結束。找到滿足最小支持度的所有頻繁項集，然后調用一個過程，由頻繁項集產生關聯規則。本系統中取最小置信度0.7以基于以上事務數據庫產生的頻繁項集L={I1，I2，I5}為例，由L產生關聯規則，L的非空子集有{I1,I2},{I1,I5},{I2,I5},{I1}，{I2}和{I5}。實驗結果如表2所示。

風電機組智能故障診斷系統總體結構如圖2所示，系統由現場的下位機、本地故障診斷中心和遠程故障診斷中心組成。現場下位機由用于風電機組狀態參數提取的診斷下位機和其他數據采集工作站組成；本地、遠程診斷中心均由數據庫服務器、WEB 服務器和推理診斷服務器組成。

表2中第2、3、6條規則的置信度大于預先給定最小置信度閾值，對滿足條件規則進行基于知識的模糊評價，對達到精確度要求，從數據集市中刪除樣本數據，規則存人知識庫，樣本數據蘊涵的知識，在智能診斷中用規則表達。新的數據集作為訓練樣本集，構造診斷神經網絡模型，經測試，凡診斷結果誤差小于給定閾值的數據樣本從數據集中刪除，數據隱含的知識由該診斷模型表達。領域專家對剩余數據進行去噪、檢驗后存放到實例庫中，用于基于實例的故障診斷。

5.3 系統軟件體系結構

風電機組遠程監測診斷軟件系統采用瀏覽器/ 服務器（B/S）模式，如圖6所示，這種模式是一種3 層的結構，它們分別是表示層、功能層和數據層。表示層是應用系統的用戶接口，即客戶瀏覽器；功能層是應用的主體，即推理服務器和WEB 應用服務器，其主要功能是連接用戶和數據庫，當用戶提出請求時，由它執行相應的應用程序與數據庫進行連接，并按照用戶需求向數據庫提出數據處理申請， 最后將數據以HTML 的形式返回給客戶瀏覽器；數據層就是數據庫管理系統，負責處理數據的存取[8]。

線粒體自噬機制、相關疾病及中藥對其調節作用的研究進展 ……………………………………………… 李鳳嬌等（20）：2865

軟件系統采用現場運行實時分析系統和遠程診斷系統相結合的形式。現場運行分析系統位于電場本地服務器上，只允許場內授權用戶訪問。直接面向運行人員、生產管理人員，系統實時監測機組的振動數據及相關的運行參數，并對振動數據進行波形、頻譜等分析處理。遠程監測診斷系統運行于監測診斷應用服務器上，面向互聯網授權用戶。它具有遠程監測、歷史查詢、故障診斷和數據管理等功能。當用戶經過授權后，通過網頁瀏覽器登錄到服務器，可以對機組的運行狀態進行遠程監測，也可以查看機組的歷史狀態和趨勢。當發現機組異常時，啟動基于數據挖掘的故障診斷軟件，結合專家的知識對機組進行診斷并將診斷結果反饋給現場。

表1 故障事務數據庫(部分)

表2 實驗結果表

6 結語

本系統將數據庫技術和數據挖掘技術引入風電機組故障診斷領域，可有效地解決專家系統的知識瓶頸和智能診斷方法所帶來的推理過程困難問題，使生產現場大規模“數據資料”得到有效利用。系統面向領域專家和專業工程師。除了在線實時監測之外，更強調網絡化、數據完備性和具有高水平的分析與診斷功能。且系統采用B/S 三層開放模式，于軟件復用技術的編程模式，使該系統具有良好的集成性和安全性。遠程技術服務與故障診斷系統是其重要內容之一。制造業的全球化發展，必將對設備的遠程監測與故障診斷提出更高的要求。對推動我國遠程監測、預報、故障診斷技術的發展，具有一定的參考價值。

[1]賀嬌. 風能資源詳查將推動產業發展[N].中國能源報，2010-02-01(15).

[2]王哲.關于風電機組組組狀態監測的思考[J].中國設備程,2007,23(4):43-44.

[3]李俊峰，高虎，王仲穎，等. 2008 年中國風電發展報告[R].北京:中國環境科學出版社，2008.

[4]時軼,崔新維,李春蘭,等.在線監測系統在風電機組組上的應用[J].風機技術，2007(4):74- 76.

[5]YANG Jie，YE Chenzhou．Data mining used in modeling，opti—mization and fault diagnosis[J]．Computer Integrated Manu—facturing Systems CIMS，2000，6(5)：72-76.

[6] 鄧亮.基于關聯規則的數據挖掘技術在火電廠運行優化中的應用[D].華北電力大學碩士論文,2006.

[7]郭慶琳, 鄭玲. 基于粗糙集數據挖掘的汽輪機故障預報及診斷研究[J].現代電力，2006.23(3): 64- 69.

[8]張積堅. 基于B/S模式的風電機組組遠程狀態監測系統研究與開發[D] .大連理工大學. 碩士論文, 2009.

基于數據挖掘風力發電設備故障遠程診斷研究

葉盛，李龍，胡旭馗

Remote Diagnosis Research of Wind Power Generation Equipment Faults Based on Data Mining

Ye Sheng, Li Long, Hu Xukui
(CSR Zhuzhou Electric Locomotive Research Institute Co., Ltd., Wind Power Business Unit, Zhuzhou, Hunan 412001, China)

In order to maintain the security, reliability, economy and optimal operation of the large-scale wind turbine, this paper proposed a condition monitoring and fault remote diagnostic system based on data mining technology. It also introduced the hardware of Data mining fault diagnosis system, software architecture, network technology and features practical examples . Meanwhile, it explained the practicality and eff ectiveness of the application.

wind turbine; data mining; remote fault diagnosis research

TM614

A

1674-9219(2013)07-0076-07

2013-04-23。

葉盛（1975-），男，碩士，工程師，主要從事風電設備管理與維修工作。