一種基于SCADA數(shù)據(jù)降維的自更新風機故障診斷模型

張羽　辛克鋒　劉洋廣　紀洪濤　洪曉偉

摘 要：針對風機故障診斷，本文提出了一種基于數(shù)據(jù)和模型自更新的風機故障診斷方法。方法融合了機器學習模型和經(jīng)驗模型兩類判據(jù)，通過兩者的配合診斷風機的故障。同時方法提供了一套自更新機制，將經(jīng)驗診斷模型不斷轉換機器學習模型判據(jù)，使系統(tǒng)對診斷故障的準確率越來越高。

關鍵詞：風機；故障診斷；SCADA數(shù)據(jù)；自更新模型

中圖分類號：TM315 文獻標識碼：A 文章編號：1671-2064（2018）04-0169-02

1 引言

作為一種新型的清潔能源，風電在近幾年來發(fā)展迅速，風能被認為是一種可以替代傳統(tǒng)能源的清潔能源[1]。現(xiàn)代風場通常裝備了監(jiān)督控制和數(shù)據(jù)采集（SCADA）系統(tǒng)，大多數(shù)以10分鐘的頻率采集大量的運行時數(shù)據(jù)，具體包括：風速和氣象信息，風能轉換信息，設備的震動信息、機械狀態(tài)信息、不同部件的溫度等信息[2]。使用SCADA數(shù)據(jù)進行風機的故障診斷具有很多優(yōu)點，例如不需要加裝額外的傳感器和硬件設備，安裝和使用成本低等[3]。隨著人工智能在工業(yè)領域的廣泛應用，針對風機故障診斷的機器學習方法越來越多。文獻[4]提出了一種基于人工神經(jīng)元網(wǎng)絡的風機故障診斷方法，文獻[5，6]使用了基于專家經(jīng)驗的模糊判定方法來進行故障的診斷。本文提出了一套針對風機故障診斷的系統(tǒng)架構，利用相關性分類和故障數(shù)據(jù)特征選擇的方法定性地確定SCADA數(shù)據(jù)的輸入對故障的影響大小。同時本文方法提供了一種將經(jīng)驗類診斷模型換為學習型故障診斷模型的機制，從而不斷提高對故障的診斷效率。

2 故障診斷方法結構

本文基于采集到的SCADA數(shù)據(jù)，建立故障預測診斷的系統(tǒng)模型，方法結構圖如圖1所示。

方法的流程由幾部分組成，首先數(shù)據(jù)基本處理模塊對數(shù)據(jù)進行基本的預處理，然后分類降維模塊依據(jù)數(shù)據(jù)的相關性進行分類和降維，之后學習型模型判定模塊針對故障對數(shù)據(jù)進行再次降維、機器學習并生成學習型判定模型，同時業(yè)務型模型判定模塊依據(jù)業(yè)務和經(jīng)驗生成業(yè)務型判定模型，最終在故障診斷模塊中進行故障診斷，隨著系統(tǒng)的不斷運行，模型更新處理模塊不斷把業(yè)務型判定模型轉換為學習型判定模型，提高系統(tǒng)整體的診斷效果。方法分為線下處理和線上處理兩部分：

（1）線下處理：線下處理為非實時處理，不用時刻都參與故障診斷的計算。學習型故障模型中，首選進行相關性降維處理，將原始數(shù)據(jù)的維數(shù)依據(jù)相關性進行降維，然后針對故障進行故障數(shù)據(jù)特征選擇降維處理。對故障進行依次學習后，形成學習型故障模型的各類故障模型，以備實時處理時使用；（2）線上處理：線上處理為實時處理，時刻參與故障診斷的計算。學習型故障模型直接取得線下處理選擇出的數(shù)據(jù)，進行故障診斷計算；業(yè)務型故障模型則首先進行數(shù)據(jù)預測處理，然后依據(jù)預測出的數(shù)據(jù)與實際測量數(shù)據(jù)的對比進行故障診斷。在兩類處理中，學習型故障模型的優(yōu)先級要高于業(yè)務型故障模型。

3 模型自更新結構

隨著系統(tǒng)的不斷運行，業(yè)務類故障模型判定和學習類故障模型判定協(xié)同作業(yè)，對系統(tǒng)的實時數(shù)據(jù)進行故障診斷。學習類故障模型的準確度和確信度都高于業(yè)務類故障模型，因此在系統(tǒng)運行的過程中，可以將業(yè)務類故障診斷的模型逐步轉化為學習類故障模型。

如圖2所示，假設當前系統(tǒng)中故障2為業(yè)務類故障模型，并且已經(jīng)部署在系統(tǒng)中實時運行，某個時刻系統(tǒng)觸發(fā)了故障2的業(yè)務類模型，此時系統(tǒng)自動獲取發(fā)證故障2時和發(fā)生故障2之前的SCADA數(shù)據(jù)，系統(tǒng)依據(jù)這些對數(shù)據(jù)進行故障分析和學習，會得出故障的詳細信息和故障2的學習類故障模型，系統(tǒng)比較業(yè)務類故障模型和學習類故障模型，且經(jīng)過效果評估后，將業(yè)務類故障模型的故障2撤下，同時將故障2的學習類故障模型添加到方法中來，完成兩類模型的轉換。

4 結語

本文提出了一套針對風機故障診斷的方法，利用相關性分類和故障數(shù)據(jù)特征選擇的方法定性地確定SCADA數(shù)據(jù)的輸入對故障的影響大小，并通過兩類模型的結合提升了故障診斷的精度。方法的模型自更新機制使此方法能夠隨著數(shù)據(jù)的不斷增加，使對故障診斷的精度越來越高。

參考文獻

[1]Chehouri A， Younes R. Review of performance optimization techniques applied to wind turbines. Appl Energy 2015；142：361-88.

[2]Francesco Castellani， Davide Astolfi，Paolo Sdringola，Stefania Proietti， Ludovico Terzi， Analyzing wind turbine directional behavior： SCADA data mining techniques for efficiency and power assessment Applied Energy（2015）.

[3]Wenxian Yang， Jiesheng Jiang. Wind turbine condition monitoring and reliability analysis by SCADA information. In： Proceedings of the second international conference on mechanic automation and control engineering （MACE）， Inner Mongolia， China； July 15e17，2011.p.1872e5.

[4]M. An， S. Park， J. Shin， H. Lim， and D. Kang， “Implementation of automatic failure diagnosis for wind turbine monitoring system based on neural network，” Multimedia Ubiquitous Eng.，vol.240，no.5，pp.1181-1188，Jan.2013.

[5]Meik Schlechtingen， Ilmar Ferreira Santos，Sofiane Achiche， Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 1： System description， Applied Soft Computing 13（2013）259-270.

[6]Wenxian Yang， Richard Court， Jiesheng Jiang， Wind turbine condition monitoring by the approach of SCADA dataanalysis， Renewable Energy53（2013）365e376.