基于大數據挖掘技術的發電機故障診斷與預測性維護

倪先鋒(中海石油(中國)有限公司天津分公司，天津 300452)

0 引言

發電機組的安全與穩定運行是電網能否穩定運行的先決條件，對發電機組進行實時狀態監測與故障診斷可及時發現電網的隱患，且對保證發電機組的穩定運行具有重大意義[1]。發電機一般由定子、轉子、端蓋、機座以及軸承等零部件組成，而每個單獨的零部件又由很多的零部件構成。由于發電機的組成元件過于復雜，因此如何有效設計發電機組的監測點、有效提取到發電機組的狀態信息就尤為困難。因此，有效地對發電機進行狀態監測與故障診斷具有很高的工程應用價值與實際意義。其中，文獻[1]提出對發電機的主要零部件進行振動監測，然后對關鍵零部件進行故障診斷，該論文取得了一定的成果，但是沒有對發電機的整體狀態進行評估；文獻[2]對發電機組的運行狀態進行了狀態監測，但是沒有做故障診斷。

目前對海上電網發電機組故障診斷難點在于以下幾點：

(1)發電機的組成零部件太復雜，造成干擾源太多，很難提取到發電機有效故障特征信息；

(2)對海上電網發電機的故障診斷研究資料甚少；

(3)一般的傳統故障診斷技術不能直接適用于發電機。

鑒于綜上幾點，本文提出一種基于大數據挖掘技術的發電機故障診斷與預測性維護方法[3-5]。本方法采用大數據挖掘技術與人工智能技術相互結合，進一步在實現對海上電網發電機組的狀態監測的基礎之上，更進一步的實現了對發電機組的故障診斷，然后基于故障診斷的信息提出預測性維護的意見。有效的打破了傳統方法對發電機的故障監測的局限性，并且為后續發電機組的壽命預測提供了基礎保證，該方法具有很高的工程應用價值與實際意義。

1 傳統的發電機故障診斷技術

目前對于電網系統中發電機的故障診斷在實際過程中主要還是依賴于專家系統[6-8]，其故障診斷流程圖如圖1所示。其主要技術方法的關鍵點在于如何構建基于發電機組的各種狀態檢測量來推算發電機的缺陷、以及發電機的故障發生概率(典型的有故障樹)的物理模型或者是數學模型。

圖1 傳統的發電機故障診斷流程圖

用于發電機故障診斷的狀態監測量有很多，并且實際運用過程中每個狀態特征量代的作用也不一致，通常需要給每個特征狀態量給予不同權重。目前給予不同特征狀態量權重的方法主要有主觀權重法與客觀權重法兩種方式，主觀權重法的主要依據就是根據專家的意見進行特征監測量權重的分配，因此該方法的結果很容易受到專家主觀性的影響，客觀權重法是根據各特征狀態量之間的客觀規律，然后依靠數學方法來確定其權重。通過數學方法確定客觀權重的方法主要包括模糊理論、可拓理論、灰色理論、證據理論等。

2 基于大數據分析的發電機故障診斷技術

2.1 基于大數據技術故障診斷原理簡述

大數據技術的興起，為海上電網發電機組的故障診斷提供了新的技術，并且對發電機的狀態監測提出了更高要求。大數據挖掘技術引入了更高深的數理統計、模式識別等方面的理論技術與工具。在海量數據的前提下，重點挖掘出不確定模型與監測狀態量、以及故障狀態之間的內在聯系。基于大數據挖掘技術的發電機故障診斷技術主要是依靠歷史數據，然后根據歷史數據的特征預測未來的發展趨勢，進一步實現故障診斷監測[9,10]。

2.2 基于大數據技術發電機故障診斷

2.2.1 聚類算法

基于大數據挖掘技術的設備故障診斷方法是通過故障異常狀態參量的聚類分析來挖掘設備異常的故障模式。在本文中主要通過DBSCAN[12,13](Density-Based Spatial Clustering of Applications with Noise)，基于密度的聚類算法)。DBSCAN是一種常見的聚類算法，其用于聚類的基本思想可以簡述如下：

(1) DBSCAN通過檢查數據集中每個點的δ鄰域(該鄰域的大小由算法給定)來搜索簇，如果任意一點的δ鄰域包含多于給定點數，則創建一個以該點為核心對象的簇；

(2)接步驟(1)，如果簇內的每一個點均滿足聚類條件則對簇進行拓展，否則計該點為噪聲點；

(3)重復步驟(2)，當沒有新點添加到任何簇時，迭代過程結束。最終可以得出聚類的類別與數目。

2.2.2 異常檢測

大數據挖掘技術主要通過異常檢測的方式來實現對故障的監測。異常檢測的方法有很多，例如隔離森林、局部異常因子監測、自組織映射神經網絡(self-organized maps，SOM)[11]等。其中本文采用的基于SOM異常檢測方法，SOM的學習過程不同一般的神經網絡，其可以不用提前給定任何目標輸出。其基本思想上可以簡述為：當輸入矢量輸入到網絡后，網絡利用隨機選取的權值進行計算，尋找到最優的神經元，然后調整權值，用收縮鄰域與學習因子(隨時間而收縮)的辦法，最終使取值形成一組能映射輸入的數據，當網絡自組織形成時，訓練即結束。

一般而言SOM的神經元是一個二維規則的單元格(一般有六邊形、矩形)，其中每一個神經元均可以由一組向量表達鄰近神經元，且神經元之間是根據一定的拓撲關系進行關聯。

其中SOM的實現步驟可以簡述為，將輸入特征向量進行歸一化后，反復訓練SOM。每訓練一步，計算SOM權值與特征向量之間的“歐式距離”，最終選取最短距離的神經元為最佳匹配單元(Best matching unit, BMU)，BMU的本質就是權值矢量與輸入向量之間最為接近的單元。當BMU確定后，更新權值矢量與拓撲關系。其更新權值公式(1)為：

式中：Wi為權值矢量；h(·)為鄰域函數；a(t)為學習率，在(0,1)區間內遞減；X為輸入特征矢量。

在工業現場中，故障數據往往很難被采集到，然而設備正常數據可以輕易的獲取，因此可以利用偏離正常狀態的特征空間來探測設備健康狀態。因此可以結合SOM中的BMU與輸入特征向量之間的距離來衡量設備是否偏離了正常運行狀態，即運用最小量化誤差MQE(Minimum Quadratuer Error)值來衡量設備的健康狀態。

定義最小量化誤差MQE如下：

式中：MMQE為MQE值；X為輸入特征矢量；BMU為BMU對應的權值矢量。

通過MQE值即可實現對設備的故障監測與預測性維護。基于大數據挖掘技術的發電機的故障診斷流程圖如圖2所示。

圖2 基于大數據挖掘技術的發電機的故障診斷流程圖

(1)狀態監測。利用傳感器獲取發電機的測量值，其中有發電機的電參數(電壓、電流、有功功率等)、設備參數(關鍵設備的壓力、溫度、轉速、加速度、位移、速度)等。

(2)數據清洗。在步驟(1)的過程中，采集到的數據由于采集硬件設備的原因或者是網絡通訊的原因，會導致一些數據存在丟失。因此要將數據進行去重、去空及對缺失值進行補全等操作。

(3) DBSCAN。接步驟(2)，對原始監測數據進行降維、歸一化，然后運用密度聚類方法對其進行聚類，劃分原始數據的類別。

(4) SOM-MQE。再步驟(3)的基礎上，對聚類后的數據進行異常檢測，判斷輸入的點是否為異常點，即此時發電機的狀態是否出現了異常。

(5)狀態評估。根據步驟(4)的MQE值來判斷設備的健康狀態，如果設備正常，MQE值會在一定范圍內波動；如果MQE值突然變化很大，則說明設備出現異常。

3 實例驗證

為了驗證本文所提方法的有效性，選取一個海上電網發電機組的實際數據進行試驗驗證。選取22個特征指標對發電機組進行狀態評估。由于采集的特征參數的具體數值不在同一量級上，因此對其進行歸一化處理，然后進行特征降維分析。其中算法的相關設置參數如下：DBSCAN中，鄰域半徑的大小設為0.35，最小采樣點數為10；SOM算法的參數設置如下：構建二維平面為5×5的六邊形結構拼接而成，領域半徑為0.5，學習率0.1，近鄰函數選用高斯函數。最終基于SOM-MQE方法發電機的故障診斷結果如圖3所示。

圖3 基于SOM-MQE的發電機故障診斷

在正常情況下，發電機的MQE值處于一個正常的波動狀態，當發電機出現異常時，其MQE值波動范圍較大，如圖3中紅色圓圈中的點。根據此時發電機的狀態，最終反查至發電機此時的監測值，進行故障的根因分析，有利于進一步提高發電機的故障診斷。進一步，根據發電機的MQE值作為發電機狀態的特征指標，然后對發電機進行預測性維護。

4 結語

文章所提的基于大數據挖掘技術的發電機故障診斷與預測性維護技術，在一定程度實現了發電機的故障診斷。在此基礎之上實現了對發電機的預測性維護，該方法避免了傳統狀態監測與故障診斷方法的不足，進一步提高了發電機的狀態監測與故障診斷效率。進一步提升了海上電網的安全性能，提高了實際工程應用價值。