基于數(shù)字孿生的風(fēng)電機(jī)組齒輪箱故障診斷方法研究

摘要：風(fēng)力發(fā)電作為可再生能源的重要支柱，其風(fēng)電機(jī)組齒輪箱受多種因素影響出現(xiàn)故障，影響整個(gè)風(fēng)電機(jī)組的穩(wěn)定性。因此，提出基于數(shù)字孿生的風(fēng)電機(jī)組齒輪箱故障診斷方法。首先，構(gòu)建數(shù)字孿生總體架構(gòu)。其次，采集風(fēng)電機(jī)組齒輪箱數(shù)據(jù)并過(guò)濾，利用集合經(jīng)驗(yàn)?zāi)B(tài)分解特征。最后，構(gòu)建風(fēng)電機(jī)組的齒輪箱的數(shù)字孿生模型并采用長(zhǎng)短期記憶完成故障診斷。實(shí)驗(yàn)結(jié)果表明，所提方法故障診斷的準(zhǔn)確率在0.94以上，漏報(bào)率在0.15以下，為風(fēng)電場(chǎng)的運(yùn)維管理提供有力的決策支持。

關(guān)鍵詞：數(shù)字孿生 風(fēng)電機(jī)組 故障診斷 長(zhǎng)短期記憶 齒輪箱

中圖分類號(hào)： TH165" "文獻(xiàn)標(biāo)識(shí)碼： A

Research on Fault Diagnosis Method of Wind Turbine Gearbox based on Digital Twin

SUN Yafei QU Yejun

Ningxia New Energy Development Co.， Ltd. of GD Power Development Co.， Ltd.， Yinchuan， Ningxia Hui Autonomous Region， 750001 China

Abstract： Wind power generation， as an important pillar of renewable energy， the gearbox of its wind turbine" is affected by various factors， leading to gearbox failures and affecting the stability and reliability of the entire wind turbine. Therefore， a fault diagnosis method for wind turbine gearbox based on Digital Twin is proposed. Firstly， construct a digital twin overall architecture.Then， collect and filter wind turbine gearbox data， and use set empirical mode decomposition to extract features from wind turbine gearbox data. Finally， construct a digital twin model of the wind turbine gearbox and use long short term memory to complete fault diagnosis. The experimental results show that the accuracy of the proposed method for fault diagnosis is above 0.94， and the 1 alarm rate is below 0.15， providing strong decision support for the operation and maintenance management of wind farms.

Key Words： Digital Twin; Wind turbine; Fault diagnosis; Long short term memory; Gearbox

風(fēng)電機(jī)組作為風(fēng)力發(fā)電的核心設(shè)備，其運(yùn)行狀況影響整個(gè)發(fā)電系統(tǒng)性能。然而，風(fēng)電機(jī)組長(zhǎng)期運(yùn)行在復(fù)雜的環(huán)境中，其關(guān)鍵部件如齒輪箱易受到多種因素影響出現(xiàn)故障，影響風(fēng)電機(jī)組運(yùn)行。因此，對(duì)齒輪箱進(jìn)行故障預(yù)測(cè)，及時(shí)發(fā)現(xiàn)并維修潛在問(wèn)題，對(duì)提高機(jī)組性能有重要意義。隨著技術(shù)進(jìn)步，眾多研究人員對(duì)此進(jìn)行研究。周偉等人[1]利用長(zhǎng)短期記憶網(wǎng)絡(luò)模型（Long Short-Term Memory，LSTM）融合風(fēng)電機(jī)組齒輪箱的數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)（Supervisory Control And Data Acquisition，SCADA）數(shù)據(jù)預(yù)測(cè)油溫，通過(guò)殘差和預(yù)警閾值實(shí)現(xiàn)故障預(yù)警。但LSTM在處理長(zhǎng)期累積效應(yīng)或周期性變化時(shí)，無(wú)法捕捉復(fù)雜關(guān)系，影響預(yù)測(cè)準(zhǔn)確性。吳嵐等人[2]結(jié)合變分模態(tài)分解（Variational Mode Decomposition，VMD）和倒頻變換技術(shù)，通過(guò)VMD處理振動(dòng)信號(hào)對(duì)數(shù)譜，區(qū)分不同部件故障信息，提升分辨率。然而，風(fēng)電機(jī)組齒輪箱振動(dòng)信號(hào)受環(huán)境噪聲干擾，掩蓋或扭曲故障特征，影響診斷準(zhǔn)確性。趙宇等人[3]利用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合雙向LSTM模型劃分溫度場(chǎng)景并預(yù)測(cè)油溫。但面對(duì)突發(fā)異常情況無(wú)法有效診斷和預(yù)警。

為解決上述問(wèn)題，本文提出了基于數(shù)字孿生的風(fēng)電機(jī)組齒輪箱故障診斷方法。旨在科學(xué)有效的支持風(fēng)電機(jī)組的維護(hù)和管理，推動(dòng)風(fēng)力發(fā)電行業(yè)的發(fā)展。

1 基于數(shù)字孿生的風(fēng)電機(jī)組齒輪箱故障診斷方法設(shè)計(jì)

1.1數(shù)字孿生總體架構(gòu)構(gòu)建

構(gòu)建基于數(shù)字孿生的風(fēng)電機(jī)組齒輪箱故障診斷系統(tǒng)。其總體架構(gòu)按功能特性和數(shù)據(jù)處理流程，分為4個(gè)層次。

（1）物理層為系統(tǒng)基礎(chǔ)，包括風(fēng)電機(jī)組齒輪箱的實(shí)際設(shè)備、傳感器網(wǎng)絡(luò)、數(shù)據(jù)采集硬件等。（2）數(shù)據(jù)層負(fù)責(zé)接收、存儲(chǔ)和管理從物理層傳輸?shù)臄?shù)據(jù)。該層包括數(shù)據(jù)庫(kù)管理系統(tǒng)和數(shù)據(jù)處理模塊。（3）模型層為系統(tǒng)核心，基于數(shù)字孿生技術(shù)構(gòu)建與實(shí)際齒輪箱一致虛擬模型。利用數(shù)據(jù)層數(shù)據(jù)，通過(guò)建模和仿真技術(shù)，集成故障檢測(cè)算法，實(shí)時(shí)監(jiān)測(cè)分析齒輪箱運(yùn)行情況。（4）應(yīng)用層作為系統(tǒng)與用戶間的橋梁，負(fù)責(zé)與用戶連接，展示故障診斷結(jié)果，提供決策支持等功能。各層次間通過(guò)標(biāo)準(zhǔn)數(shù)據(jù)接口和通信協(xié)議進(jìn)行交互。確保數(shù)據(jù)的順暢和系統(tǒng)穩(wěn)定。

1.2風(fēng)電機(jī)組齒輪箱數(shù)據(jù)收集與過(guò)濾

數(shù)據(jù)采集對(duì)風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測(cè)至關(guān)重要[4]。利用溫度傳感器、振動(dòng)傳感器和油液分析傳感器實(shí)時(shí)、連續(xù)監(jiān)測(cè)齒輪箱狀態(tài)，確保其在適宜溫度范圍內(nèi)運(yùn)行。傳感器布置在關(guān)鍵部位，為后續(xù)監(jiān)測(cè)和診斷提供依據(jù)[5]。

為提高數(shù)據(jù)質(zhì)量，需對(duì)原始數(shù)據(jù)進(jìn)行過(guò)濾處理。采用小波變換降噪法去除噪聲，過(guò)程如下。

若采集的數(shù)據(jù)，則連續(xù)傅立葉變換為：

若乘以頻率的正弦時(shí)，則產(chǎn)生組成原始信號(hào)的正弦分量。小波基函數(shù)定義為：

式（2）中：為尺度因子；為平移量。

的小波變換定義為：（3）的作用是確定在哪個(gè)時(shí)刻對(duì)信號(hào)基于自適應(yīng)隨機(jī)振動(dòng)，因此為何值，具有相同的品質(zhì)因數(shù)。由于數(shù)據(jù)來(lái)源不同，因此需對(duì)數(shù)據(jù)進(jìn)行處理，設(shè)最小值為，則歸一公式如下

式（4）中：為原始數(shù)據(jù)；為最大值。

1.3風(fēng)電機(jī)組齒輪箱數(shù)據(jù)特征提取

基于過(guò)濾后的數(shù)據(jù)進(jìn)行風(fēng)電機(jī)組齒輪箱數(shù)據(jù)特征提取。采用集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）提取風(fēng)電機(jī)組齒輪箱數(shù)據(jù)特征：

獲得處理后的信號(hào)添加有標(biāo)準(zhǔn)正態(tài)分布的白噪聲，得到待處理信號(hào)：

并（5）對(duì)待處理信號(hào)進(jìn)行EMD分解，將復(fù)雜的信號(hào)分解為本征模態(tài)函數(shù)，得到分解后的信號(hào)：

式（4）中：為各階本征模態(tài)函數(shù)分量；為殘余項(xiàng)。

重復(fù)步驟上述步驟，每次使用不同白噪聲序列。對(duì)多次分解得到的本征模態(tài)函數(shù)（Intrinsic Mode Functions，IMF）進(jìn)行平均處理。

從平均后的IMF中提取齒輪箱的特征信息。

1.4基于數(shù)字孿生的風(fēng)電機(jī)組齒輪箱故障診斷

根據(jù)上述構(gòu)建風(fēng)電機(jī)組的齒輪箱的數(shù)字孿生模型。模擬齒風(fēng)電機(jī)組齒輪箱的行為和性能，模型層構(gòu)建過(guò)程如下。

1.4.1幾何模型構(gòu)建

風(fēng)電機(jī)組齒輪箱的幾何模型基于計(jì)算機(jī)輔助設(shè)計(jì)（Computer Aided Design，CAD）的圖紙，通過(guò)三維軟件建模。

1.4.2材料屬性建模

材料屬性決定風(fēng)電機(jī)組齒輪箱在不同條件行為。彈性模量用于描述材料的屬性。彈性模量為：

式（6）中：為應(yīng)力；為應(yīng)變。

1.4.3動(dòng)力學(xué)方程構(gòu)建

對(duì)于風(fēng)電機(jī)組齒輪箱的動(dòng)力學(xué)行為，多體動(dòng)力學(xué)仿真是一種常用方法。設(shè)風(fēng)電機(jī)組齒輪箱的動(dòng)力學(xué)方程為：

式（7）中：為質(zhì)量矩陣、為支撐剛度矩陣和阻尼矩陣；為嚙合剛度矩陣和阻尼矩陣；為嚙合誤差激勵(lì)矩陣；為傳動(dòng)系統(tǒng)所受到的外力矩陣；為風(fēng)電機(jī)組齒輪箱的耦合慣性力矩陣。

本文數(shù)字孿生模型采用長(zhǎng)短期記憶進(jìn)行故障診斷，生成診斷結(jié)果。設(shè)為權(quán)重矩陣，是上一時(shí)刻的單元狀態(tài)，長(zhǎng)短期記憶的遺忘門、輸入門、輸出門分別為：

式（8）中：表示遺忘門權(quán)重矩陣；表示輸入門權(quán)重矩陣；表示輸出門權(quán)重矩陣；偏置向量；為激活函數(shù)；當(dāng)前時(shí)刻的輸入。

長(zhǎng)短期記憶的輸出為：

式（9）中：為此刻的記憶狀態(tài)值。

至此，完成基于數(shù)字孿生的風(fēng)電機(jī)組齒輪箱故障診斷。

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 實(shí)驗(yàn)方案

為驗(yàn)證本文方法性能，選取某風(fēng)電機(jī)組齒輪箱為實(shí)驗(yàn)對(duì)象，正常樣本數(shù)據(jù)21 128條，故障樣本數(shù)據(jù)4 114條。以診斷準(zhǔn)確率和漏報(bào)率為指標(biāo)，與周偉等人[1]和吳嵐等人[2]提出的方法進(jìn)行對(duì)比實(shí)驗(yàn)，準(zhǔn)確率和漏報(bào)率的公式如下。

式（10）中：為真正例；為假反例；為假正例；為真反例。

式（11）中：為漏報(bào)次數(shù)；為總檢測(cè)次數(shù)。

2.2 實(shí)驗(yàn)結(jié)果三種方法故障診斷準(zhǔn)確率結(jié)果如表1所示。

由表1可知，本文方法風(fēng)電機(jī)組齒輪箱故障診斷準(zhǔn)確率均在0.94以上，而周偉等人[1]和吳嵐等人[2]提出的方法的準(zhǔn)確率均在0.91以下，說(shuō)明本文方法準(zhǔn)確率高，診斷效果好。

3種方法風(fēng)電機(jī)組齒輪箱故障診斷漏報(bào)率結(jié)果如圖1所示。

圖1不同方法風(fēng)電機(jī)組齒輪箱故障診斷漏報(bào)率

由圖1可知，本文方法應(yīng)用后的漏報(bào)率在0.15以下，而周偉等人[1]提出的方法應(yīng)用后的報(bào)率在0.2左右，吳嵐等人[2]提出的方法應(yīng)用后的漏報(bào)率在0.25左右，說(shuō)明本文方法的漏報(bào)率更小，能準(zhǔn)確對(duì)故障進(jìn)行診斷。

3 結(jié)論

綜上所述，本文提出基于數(shù)字孿生的風(fēng)電機(jī)組齒輪箱故障診斷方法。構(gòu)建數(shù)字孿生的整體架構(gòu)，采集風(fēng)電機(jī)組齒輪箱的相關(guān)數(shù)據(jù)進(jìn)行過(guò)濾，確保數(shù)據(jù)準(zhǔn)確性。利用集合經(jīng)驗(yàn)?zāi)B(tài)分解提取特征，構(gòu)建數(shù)字孿生模型，實(shí)時(shí)反映齒輪箱的運(yùn)行狀態(tài)，為故障診斷提供有力支撐。采用LSTM算法進(jìn)行故障診斷，實(shí)現(xiàn)對(duì)齒輪箱故障的精準(zhǔn)識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文方法不僅能快速準(zhǔn)確識(shí)別齒輪箱故障，還能為風(fēng)電行業(yè)的故障預(yù)防和維護(hù)提供依據(jù)，有助于推動(dòng)風(fēng)電行業(yè)的發(fā)展。

參考文獻(xiàn)

[1]周偉，魏鑫，李西興.改進(jìn)MFO-LSTM網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障預(yù)警研究[J].機(jī)床與液壓，2024，52（4）：185-194.

[2]吳嵐，柳亦兵，吳仕明，等.基于VMD倒頻變換的風(fēng)電機(jī)組齒輪箱復(fù)合故障診斷[J].振動(dòng)與沖擊，2023，42（24）：221-227，256.

[3]趙宇，王曉東，呂海華，等.基于場(chǎng)景判別的風(fēng)電齒輪箱溫度預(yù)測(cè)及趨勢(shì)異常預(yù)警方法[J].電力科學(xué)與工程，2024，40（2）：61-70.

[4]曾平，張琛，李征.電網(wǎng)故障期間全功率風(fēng)電機(jī)組的暫態(tài)同步穩(wěn)定控制策略[J].中國(guó)電機(jī)工程學(xué)報(bào)，2022，42（16）：5935-5947，6168.

[5]秦世耀，齊琛，李少林，等.電壓源型構(gòu)網(wǎng)風(fēng)電機(jī)組研究現(xiàn)狀及展望[J].中國(guó)電機(jī)工程學(xué)報(bào)，2023，43（4）：1314-1334.