基于DBNs風機故障檢測方案設計

王默玉 段利鋒 李新穎 申曉留

1.華北電力大學控制與計算機工程學院

2.河南省嵩縣供電局

1.概述

風力發電是當前最成熟、最具有市場競爭力的可再生能源發電技術，它是人類解決能源與環境問題的一項重要措施。截至2012年底，我國風電并網裝機容量已達62.66GW。隨著越來越多的風場投入運營，使得風機檢修工作的經濟意義變得越來越重大。一個高效的風機檢修方案可以更好的保證風機的可利用率，從而提高風場的經濟效益。

我國風電場正處于從計劃檢修到狀態檢修的過渡階段，相比于傳統的計劃檢修，狀態檢修有以下幾方面優勢:（1）克服計劃檢修的盲目性（2）減少停運時間（3）減少維護工作的工作量[1]。狀態監測作為狀態檢修的核心工作，它是通過提供風機實時運行時各個關鍵部件的健康狀態數據，來為決策者提供是否進行設備檢修決策基礎數據。通過使用這些實時數據，可以是缺陷發生的最初階段就可以被檢測或者診斷出，這樣便降低了重大故障發生的可能性，從而盡可能地來保證風機的可使用時間。

典型的狀態監測系統（CMS）通常監控風機主要部件的溫度數據，諸如風機的軸承、潤滑油以及繞組等部件的溫度信息，通過溫度的信息來了解各個部件的健康狀況，這些實時的溫度數據可以通過scada 系統來收集和存儲。通過對這些數據進行自動分析來為運行人員提供是否進行設備檢修的決策依據。

本文提出一種風機故障監測方案，通過自動的對scada 系統提供的實時數據進行分析，來識別風機設備是否存在缺陷或者故障。數據分析的核心工作由deep belief networks（DBNs)來完成。本文的實驗數據來源于我國山西某風場的實時運行數據。

2.深度信念網（Deep Belief Networks）

Deep Belief Networks 是由Hinton 等在文獻[2]中首次提出的，它是一種帶有多個隱層的生成型神經網絡模型，組成這種模型的基石是一種叫做限制型玻爾茲曼機（RBM）的概率模型。限制型玻爾茲曼機已經成功的應用于許多問題處理中，例如：數據分類，數據降維、信息的檢索。而作為深度機器學習中的一個重要分支，DBNs 已經在模式識別領域去得了良好的效果。

圖1給出了一個典型的DBN。

圖1 一個典型的DBN

它是由一個用于輸入的可視層（Visible Layer），若干個隱藏層（Hidden Layer)以及最頂端的用于數據輸出的聯合存儲器（Associative Memory）。其中相鄰層單元之間存在一個帶全的雙向鏈接，而同層單元之間則不存在連接。Wj 是j-1 層和j 層單元之間的權重矩陣，bj 是j 層的偏移量。

訓練DBN 首先要解決的一個關鍵問題是：依據什么標準來初始化權重矩陣和偏移量。Hinton et al.在[2]中介紹了一種叫做無導層博學貪心學習算法（Greedy Layerwise Unsupervised Learning Algrithm)。這種算法是基于對一系列的RBMs 的訓練。單個的RBM 如圖2-2 中所示，它是一種雙層結構神經網絡模型，其中輸入和輸出單元之間通過一個帶權的雙向鏈接連接起來，所有的單元均是隨機二進制單元。它的第一層用于二進制向量的輸入（visible units v），另外一層單元則對應于輸出(hidden units h)。

圖2

這里用vi 和hj 分別代表可視單元i 和隱元j 的狀態，對稱陣wij 表示雙向權重矩陣。各個單元的狀態概率決定函數為：

接下來本文依據狀態概率決定函數對RBM 進行訓練，首先將訓練樣本作為輸入交給可視單元以產生{vi}.根據方程（2）可以得到隱元的狀態{hj}。然后重復這一訓練過程以更新可視單元和隱元產生單步重構狀態vi'和hj'。對權重矩陣wij 的更新依據方程（3）

其中，η(表示學習率，<·>表示訓練樣本的均值。

本文中，本文將要處理的是連續型數據，因此，簡單的使用RBM 是不合適的。Chen 和 Murray 在[3]中提出了一種連續型限制玻爾茲曼機（CRBM)，它的各個單元是實屬型隨機單元，因此本文選擇CRBM 作為DBN 的組成單元。

本文將Sj 作為單元j 的輸出，它的輸入是狀態矩陣{si}所對應的單元。

其中，Nj(0,1)表示標準正態分布，σ是一個常量，φj(x)是漸近線由θH、θL 決定的S 函數。aj 是噪聲控制變量，用于控制s 函數的斜率。Wij 和aj 的更新方程是：

其中，ηw 和ηa 是學習率，sj'之前定義的一樣，是指單元j 經過一次抽樣后的狀態，<·>指訓練樣本均值，對偏移量的計算公式同RBM 對偏移量的處理。

本文通過數目與DBN 中隱層數相同的一系列連續的CRBMs，來構造DBN。

本文采用的是一種與（1）中相似的算法。首先，使用輸入樣本對第一層的CRBM 進行直接訓練，得到的數據用于對隱層的訓練，這樣的話隱層的單元可以得到輸入數據的關鍵特征，以此類推直到所有的隱層等訓練完成。

3.基于DBNs 的風機故障檢測方案

3.1 風機系統

典型的風機系統包括葉片、塔架和機艙。機艙位于塔架的頂部，主軸、齒輪箱和發電機分別被安裝在機艙內，除此之外，機艙內還安置有大量的用于監控風機關鍵部件實時運行狀態的傳感器，用于scada 系統獲取風機的實時運行數據。

Scada 系統監控的數據通常包括以下參數：

1）風機實時發電量（以十分鐘為一個時間間隔，取平均值）

2）風速（以十分鐘為一個時間間隔，取平均值）

3）齒輪箱軸承溫度（以十分鐘為一個時間間隔，取平均值）

4）齒輪箱潤滑油溫度（以十分鐘為一個時間間隔，取平均值）

5）發電機繞組溫度（以十分鐘為一個時間間隔，取平均值）

6）葉片角度（以十分鐘為一個時間間隔，取平均值）

7）機艙外溫度（以十分鐘為一個時間間隔，取平均值）

將搜集到的數據整理形成風機實時運行風機實時運行參數矩陣P(Youtput,xwspeed,xgtemp,xoiltemp,xwtemp,x pangle,xoutemp)T,其中

Youtput：風機實時發電量

xwspeed：風速，作為該矩陣的標記量

xgtemp：齒輪箱軸承溫度

xoiltemp：齒輪箱潤滑油溫度

xwtemp：發電機繞組溫度

xpangle：葉片角度

xoutemp:：機艙外溫度

3.2 風功率曲線

理論上，正常情況下的風機發電量和風速之間存在著一種恒定的函數關系，這種函數關系通常通過功率曲線來表示。下圖展示了WT1650/D8 風機的標準功率曲線。

圖3

在生產中，圖3的功率曲線是狀態監控系統的參照系，通過和實際生產中的功率曲線進行對比，有經驗的生產工作人員可以判斷風機缺陷或者故障發生的可能程度。

3.3 方案設計

整個風機故障檢測方案包括：數據預處理、dbns 模型訓練、狀態評估三個步驟。

A 數據預處理

風機在運行過程中，有時候為了保證風機的運行安全，需要調整葉片的角度，這種原因造成的出力下降，在風機狀態監測中屬于噪聲數據，因此，在進行模型訓練操作之前，應該對已有的數據進行預處理，剔除掉這種噪聲數據。

B dbns 模型訓練

輸入層和各個隱層的節點數以及隱層的數目是DBN 中至關重要的參數。首先，輸入層節點的個數對應著對預測產生影響的歷史實際數據的個數，而隱層節點的數目則關系著整個模型對數據間的非線性的關系模式的捕捉能力，所以隱層節點數目的選取將對整個DBN 至關重要。一方面，過少的隱層節點將使得DBNs 在對數據進行建模時顯得能力不足。而從另一方面講，過多的隱層節點數目又有可能對問題產生過擬合效應，反而影響了DBN 的性能。除此之外，隱層的層數的選取也是很重要的。隱層的多少可以決定DBN 對數據間復雜關系建模能力的大小。其層數的可變性給了設計者很多自由的選擇，但是，同時也給設計者帶來了一個很大的問題，因為，迄今為止還沒有一個成熟的理論來決定如何選取隱層的數目，所以，這就導致了如何構建DBN 的最優架構依然是一項很困難的工作。

正如上文說述隱層層數的選取，現在也沒有一種理想的方法，由于神經網絡中多層結構的學習能力要強于單層，本文將隱層數目設為2，將第二隱層的節點數設為第一層的一半。而第一層隱層的結點數目，本文將通過實驗來從12、16、20 中確定。

對于用于模型訓練的數據選取，本文將選擇連續超過30 天未發生過故障停機的風機運行歷史數據的前40%，作為模型訓練的基礎數據。以風機出力作為標記結點輸入，風機實時運行參數矩陣P 中其他分量作為模型輸入，選取單臺風機100 天的正常運行數據（約合1 萬次）對模型進行訓練，選取10 天的正常數據，采用平均絕對誤差（MAE),對DBNs 的預測做性能的評估，得到下表：

?

因此，本文選擇16-8 結構。

C 缺陷識別算法

待模型訓練完畢后，通過將實時運行的溫度數據和葉片角度數據作為模型輸入，使用模型輸出的評估電量和實時發電量進行對比。理論上來講，當風機處于正常狀態時，評估電量和實時發電量的差值是比較小的，而一旦風機發生了缺陷或者故障的話，風機的實時發電量會發生比較大幅度的降低，因此，通過計算實時發電量r 和評估電量s 的差值率p 從而來生成風機缺陷發生概率[3]。

P=(r-s)/r

當P 大于某一特定值σ時，風機被認為存在未被發現缺陷的可能性，通過選取某一時間區間來計算曲線發生概率的公式如下：

其中σ是根據經驗所得的經驗值。

4.案例分析

本文以山西某風電場風機作為研究對象，首先，通過對該型號風機的實時運行數據進行分析和評估，得出實時評估電量，然后，將評估電量和實際發電量的差值作為缺陷識別算法的輸入計算風機缺陷發生概率。

?

圖4

上圖是某風場單臺風機運行兩個月的發電曲線圖，通過對已有的歷史運行數據和故障信息數據進行分析，這里選擇σ=0.1037。本文采用12 個小時作為一個分析區間，每個區間共48 個采樣點，根據歷史消缺任務單，來驗證該方案對缺陷和故障檢測靈敏性。

5.結語

本方案通過使用風機的實時監控數據，首先根據這些實時監控數據進行出力評估，然后用評估值和實際監測值進行對比分析，對影響風機出力情況的較嚴重缺陷，本方案有著比較高的靈敏度，但對于風機出力情況較小的缺陷，其檢測能力還有待提高。

[1]樊長博,張來斌,殷樹根等.應用倒頻譜分析法對風力發電機組齒輪箱故障診斷[J].科學技術與工程,2006 ,6(2):1 87 220 0.FAN C hang B o,Z HA NG LaiBin ,WAN G Z h a o Hui,et a l.Using in verse spectrum analysis method to diagnose complex fault of wind power dyna2 motor gear box[J].Science Tech no lo g y and Engineering,20 06,6(2):187 22 00(I n Chinese).

[2]G.Hinton and R.Salakhutdinov,“Reducing the dimensionality of data with neural networks,” Science,vol.313,pp.504-507,2006

[3]H.Chen and A.F.Murray,“Continuous restricted Boltzmann machine with an implementable training algorithm,” IEE Proc-Vis.Image Signal Process.,vol.120,pp.153-158,2003.

[4]Edzel Lapira,Dustin Brisset,“Wind turbine performance assessment using multi-regime modeling approach”,Renewable Energy,Vol.45,pp.86-95,2012