基于貝葉斯網(wǎng)絡的風電機組偏航系統(tǒng)故障診斷

國電電力湖南新能源開發(fā)有限公司 謝寶瑜 王清嶺 張尊彥 李 陽 伍席文 王澤科

華風數(shù)據(jù)（深圳）有限公司 黎 濤 黃劍峰

風力發(fā)電作為風能利用的主要形式，因其環(huán)境友好、建設周期短、項目規(guī)模靈活等優(yōu)點，在近年取得快速發(fā)展。但由于風電機組長期處于惡劣環(huán)境中，其葉片、傳動系統(tǒng)、變漿系統(tǒng)、偏航系統(tǒng)等均為故障高發(fā)部位。偏航系統(tǒng)作為水平軸風力發(fā)電機組中重要的機械系統(tǒng)之一，能在風向發(fā)生改變時控制風輪方向、追蹤風向變化，從而做到風電機組的高效運行。但現(xiàn)階段針對風電機組偏航系統(tǒng)故障檢測的研究還相對較少。當前基于風機偏航系統(tǒng)狀態(tài)監(jiān)測的方法有人工聽診、振動檢測、數(shù)據(jù)挖掘等方法。

人工聽診方法主要是運行人員根據(jù)運行經(jīng)驗來判斷偏航系統(tǒng)是否發(fā)生故障，該方法存在嚴重的滯后性，人為主觀性較強、效率低下且誤差大；振動檢測方法作為一種成熟的故障檢測方法廣泛應用于風電機組故障檢測中，如文獻[1]針對風電機組葉片斷裂、偏航系統(tǒng)故障等在內的5種工況，在設備合適的部位安裝振動傳感器來獲取振動信號，利用信號處理和BP 神經(jīng)網(wǎng)絡方法實現(xiàn)了特征與故障類型的關聯(lián)，但基于振動法檢測需安裝大量的傳感器，成本高且信號源復雜多變，很難檢測到設備的早期故障；基于數(shù)據(jù)挖掘的方法是利用風場SCADS 系統(tǒng)和大數(shù)據(jù)技術來挖掘數(shù)據(jù)之間的關系，如文獻[2]從風電機組的發(fā)電功率、轉子速度和俯仰角同風速間三個參數(shù)進行關聯(lián)分析，從SCADA 系統(tǒng)中提取海量數(shù)據(jù)進行分析，但此方法不足之處在于模型運算過程耗時較長、成本較高，不利于工程利用。

從工程成本、安全性及以適用性等方面考慮，以上方法難以滿足工程實際的需求。因此，本文提出了一種基于非接觸式的聲學檢測方法，該方法具有安裝簡單、維護方便、不影響機組正常工作等優(yōu)點。提出了改進SOM 與貝葉斯網(wǎng)絡的偏航故障診斷方法，并結合風場實測數(shù)據(jù)驗證方法的有效性。

1 算法設計

偏航系統(tǒng)損傷檢測可看作是一個故障征兆的非確定性推理過程，而基于概率信息表示及推理的貝葉斯網(wǎng)絡在處理非確定性問題時有著良好的表現(xiàn)[3]。因此，本文提出了基于貝葉斯網(wǎng)絡的風電機組偏航系統(tǒng)故障診斷方法，主要包括特征提取，數(shù)據(jù)離散化，貝葉斯網(wǎng)絡模型。

1.1 特征提取

當偏航系統(tǒng)發(fā)生故障時，其聲信號的頻譜必然會發(fā)生改變，通過倍頻程分析，這種改變可在提取的信號聲壓級來（Sound Pressure Level,SPL）表示：，其中pe表示頻帶的聲壓級，分別表示中心頻率上限截止頻率和下限截止頻率，pref表示參考聲壓級，空氣中取值為2×10-5Pa。因此可用SPLs 特征向量來表示偏航系統(tǒng)的狀態(tài)：S=[SPL1，SPL2，…，SPLi，SPLN]，其中i=1，2，…，N，N 表示SPL 特征向量的個數(shù)。

1.2 數(shù)據(jù)離散化

貝葉斯網(wǎng)絡要求特征屬性是離散化的，而提取的SPL 特征向量各維度屬性是連續(xù)的，因此SPL 特征向量必須離散化。SOM 神經(jīng)網(wǎng)絡是無監(jiān)督式學習人工神經(jīng)網(wǎng)絡（artificial neural network，ANN）的一種，主要是用于數(shù)據(jù)離散化[4]。傳統(tǒng)SOM 算法是隨意的劃分數(shù)據(jù)間隔，這樣會導致數(shù)據(jù)信息的丟失。本文提出了一種基于信息增益率的SOM 方法來有效地提取離散屬性間隔數(shù)以便更純的離散化連續(xù)屬性。給定歸一化數(shù)據(jù)集XN'M={xi；xi=(xi,1，xi,2，…，xi,M)，i=1，2，…，N}，其中M 表示樣本數(shù)，IGR-SOM 算法描述如下。

Step1：初始化SOM 網(wǎng)絡的輸入層和輸出層網(wǎng)絡，其中wk,i(0),k=1,2，表示初始化網(wǎng)絡第k 個輸出神經(jīng)元到第i 個輸入神經(jīng)元的連接權重。

Step2：選擇競爭獲勝神經(jīng)元，選擇產(chǎn)生最小的節(jié)點作為最匹配的神經(jīng)元，即為獲勝神經(jīng)元。，確定獲勝的神經(jīng)元之后，更新神經(jīng)元及其領域內的所有神經(jīng)元。更新函數(shù)為， 其 中a(n)、b(n)和wk,i(n)分別代表學習率、神經(jīng)元領域寬度、第n 次迭代的連接權重；d(k,L)表示第k個輸出神經(jīng)元到獲勝神經(jīng)元的距離。a(n)、b(n)更新公式如下，其中T 表示總的迭代次數(shù)，最后得到離散數(shù)據(jù)集:

Step4：增加輸出神經(jīng)元直到達到最大的間隔，根據(jù)IGR 計算公式，第i 個SPL 特征向量的最優(yōu)間隔為。

1.3 貝葉斯網(wǎng)絡模型

貝葉斯方法以其獨特的豐富概率表達、不確定知識表達等優(yōu)點被廣泛應用于文本識別、故障預測、分類等領域[5～7]。基于貝葉斯網(wǎng)絡診斷包括了故障層和征兆層。征兆層的節(jié)點表示提取的SPL 特征，用S={S1，S2，…，SN}來表示，故障層節(jié)點用F={F1，F(xiàn)2，…，F(xiàn)C}，其中C 表示故障類別數(shù)，故障類別包括剎車片磨損、制動盤故障、減速器故障、偏航軸承失效。

2 實驗分析

為驗證模型的有效性，采集了實際風電場偏航系統(tǒng)正常類與故障類的數(shù)據(jù)。傳感器安裝在靠近偏航軸承附近且指向偏航軸承，測試系統(tǒng)有AWA14423型傳聲器、工控筆記本電腦（里面集成了信號采集程序），采樣頻率設置為64kHz，采集了偏航正常狀態(tài)和剎車片磨損故障狀態(tài)兩類數(shù)據(jù)，故障信號能量在3kHz 左右突然增加。

通過1/3倍頻程提取信號聲壓級特征，共25個SPLs 特征，總共等到200個正常類樣本和200個故障類樣本，經(jīng)過IGR-SOM 算法將特征數(shù)據(jù)集離散化，其中IGR-SOM 算法參數(shù)設置為：T1500、最大間隔2、最小間隔18、0.96、6.5；在對SPL 數(shù)據(jù)離散化后的間隔最優(yōu)結果中，最優(yōu)IGR 值及最優(yōu)間隔數(shù)分別為：0.968、2，0.132、5，0.071、20，0.198、18，0.092、6，0.501、2，0.076、3，0.599、2，0.139、2，0.028、3，0.059、8，0.030、19，0.421、2，0.298、2，0.502、4，0.598、4，0.0258、18，0.899、2，0.621、2，0.221、2，0.075、9，0.022、20，0.042、2，0.015、20，0.031、18。表1給出了特征數(shù)據(jù)經(jīng)過離散化之后的表示結果。

表1 離散化特征數(shù)據(jù)表示

將離散特征數(shù)據(jù)70%作為訓練數(shù)據(jù)、30%作為測試數(shù)據(jù)，為了證明本文所提方法的優(yōu)勢，對比了支持向量機（SVM）分類器、基于SOM 的貝葉斯算法（BN_SOM）和基于IGR 和SOM 的貝葉斯算法（BN_IGR_SOM）。所提方法的準度度最高，為96.55%。

綜上，本文從現(xiàn)有的研究基礎上，提出了基于貝葉斯網(wǎng)絡診斷的風電機組偏航系統(tǒng)故障診斷模型，并結合改進的SOM 數(shù)據(jù)離散方法，最后通過風電場實測的數(shù)據(jù)驗證的該模型的正確性與適用性。