當齒輪箱發生輕微故障時，若人工定檢不能及時發現，小故障會伴隨著風機繼續運轉，增加齒輪箱負荷，最終導致卡死、串軸、斷裂等嚴重故障，給風場帶來巨大的維修成本。

在政策驅動下，我國的風電行業已由快速發展逐步轉向穩定、市場化發展。相較于較水電、光伏等新能源，風電行業的信息化較為成熟，因而具備較好的智能化條件和基礎。其中，基于風場采集的SCADA數據進行故障診斷、故障預測建模，已成為風電行業的重要趨勢。

在典型的大部件中，風力發電機齒輪箱，亦稱變速箱，作為將葉輪轉速提速為發電機所需轉速的重要部件，在雙饋式風力發電機中應用廣泛。

當齒輪箱發生輕微故障時，若人工定檢不能及時發現，小故障會伴隨著風機繼續運轉，增加齒輪箱負荷，最終導致卡死、串軸、斷裂等嚴重故障，給風場帶來巨大的維修成本。

如果能通過數據及時發現齒輪箱的運行異常并實時報警，對于降低風機嚴重故障風險，提高風場發電效率具有重要意義。

文：天數潤科 劉楊

齒輪箱數據概述

風力發電機的故障診斷、故障檢測方面，常使用的數據有SCADA、CMS等數據。

SCADA作為集控系統的組成部分，其數據存儲、提取、建模的過程較為容易。通常，對齒輪箱的測點包括齒輪箱油溫、齒輪箱振動、齒輪箱軸轉速、齒輪箱軸承溫度等。

CMS通過采集高頻振動數據，結合時域與頻域的分析，給出齒輪箱振動異常的原因與是否需要停機維修的判斷。

本次建模使用的數據為10s級別的SCADA數據，包含以上提及的SCADA數據特征。

建模思路

由于SCADA數據中齒輪箱的測點數較少，難以完全描述齒輪箱的運行狀況，同時數據質量不佳，部分風機數據的時間間隔為12s，導致瞬時采樣點數據時間戳不一致。針對這種情況，采用數據聚合的方法，將不同時間間隔的數據統一聚合為2min級別數據，提取每個特征在該段時間內的平均值、最小值、最大值。

采用聚合方式提取的數據，存在嚴重的線性相關，使用傳統的統計學習方法（不包含樹模型）會引入較大的誤差，因此需要一層濾波，從原始的聚合數據中提取深層特征，同時需要確保這些特征可以較好地還原數據。因此模型使用降噪自編碼器作為自動進行特征提取的工具。

按照2min的時間跨度聚合的數據較風電行業常用的10min級別數據，其時序特征較為明顯。尤其在溫度等特征方面，2min級別數據中描述了詳細溫度的變化特征，能夠較好的反應風機運行過程中真實發生的工況。因此，在故障預測方面，采用基于LSTM架構的模型，以有效預測齒輪箱健康狀況。

訓練數據的標注方面，風場提供了齒輪箱故障發生的時間，將故障發生前一周的數據均標記為故障數據，同時選取一部分的齒輪箱未發生損壞的風機數據，以標簽0作為正常風機的標注，用以訓練模型。

首先，針對SCADA數據，進行按照時間聚合的數據操作；其次，構建降噪編碼器模型，通過處理后的數據訓練編碼部分和解碼部分，自動地使用神經網絡提取2min級別數據的深層特征；最后，通過數據標簽訓練LSTM，輸入編碼后的結果，輸出為風機在該時間段內是否發生故障的預測結果。

所有的算法開發與部署皆基于SkyAXE高速運算平臺開發。

1.png

模型算法說明

降噪自編碼器（Denoising AutoEncoder）是一種較為魯棒的自動特征提取模式，通過在編碼前對數據引入噪聲（通常為高斯噪聲）破壞原始的數據分布，再通過編碼-解碼過程還原未加入噪聲的數據，實現類似濾波（filter）后自動提取特征的過程。

2.png

通過引入噪聲，破壞原始數據的標準分布后，再通過數據將其還原，模擬了人類對破損圖像自動補全的過程，充分利用數據間的相關性，自動提取數據的深層特征，在大批量數據的特征提取方面，其效果較傳統的PCA降維方法都有顯著地提升，且具有較高的魯棒性。反映于模型中，可看到其對聚合之后特征的還原效果較好，因此可將編碼器部分作為LSTM網絡的前半部分，對原始特征進行預處理：

3.png

LSTM通過引入Cell的結構，可記憶在時間序列上有所間隔的數據特征，在自然語言處理、視頻分析、信號分析等方面已有大量成熟應用。其結構不在贅述。

模型架構

模型整體架構為降噪自編碼器的編碼部分后接LSTM網絡結構，構建模型需要以下幾個步驟：

4.png

Step 1：訓練自編碼器

由于降噪自編碼器屬于無監督學習的神經網絡，即不需要外部的標簽來訓練。輸入輸出均為原始特征。訓練中仍然采用批量訓練方法，此時不需要關注聚合數據的故障與否，將全部數據進行訓練即可得到能夠自動提取深層特征的編碼器；

Step 2：構建LSTM網絡

由于數據量較大，LSTM模型的堆疊Cell數量較多，網絡較深，容易產生梯度爆炸或梯度消失的問題。采用批標準化（Batch Normalization）對每一層的輸出進行標準化，解決梯度傳播的問題。同時，為了避免模型過擬合，在LSTM層和全連接層中，均使用了Dropout，降低過擬合的概率。構建起多層的LSTM網絡后，接收編碼器提取的深層特征；

5.png

Step 3：訓練模型

使用降噪編碼器提取的深層特征作為LSTM的數據，故障與否作為標簽，訓練LSTM模型。從訓練誤差的下降來看，模型具有較好的穩健性，誤差可穩定的下降：

6.png

Step 4：

模型測試

測試數據集為未用于訓練的同風場其他幾臺風機數據，運行正常的風機沒有報出故障，誤報率接近于0。而故障風機主要呈現以下兩種故障模型：

（1）突發故障

可能是由于瞬時風速過大，符合較大而導致的突發故障。模型在故障發生前并無給出明顯的征兆，在系統報警的較近時間段才報出異常，此時風機可能已經處于齒輪箱故障發生的臨界點，需要緊急停機進行維修；

7.png

（2）漸變故障

8.png

此類故障在發生前一段時間，模型已給出一些警報，此時對齒輪箱進行人工檢查或維修，可以避免因嚴重故障導致的齒輪箱徹底更換，降低維修成本，提高風場的運營效率。

總結

齒輪箱是雙饋式風力發電機的重要部件，其發生嚴重故障后更換齒輪箱的維修成本極高。若能盡早發現齒輪箱的損壞，并進行及時的維修，對于指導現場人員作業，實現智能化運營具有重要意義。

雖然模型有效地解決了該風場的離線數據問題，但在實際部署過程中，還需要考慮數據傳輸的質量、速度等因素，對模型參數進行不斷修正，以提高預警的準確率。

隨著風場信息化程度的不斷提高，智能化必然成為風電行業未來的發展方向。引入AI的建模方法，將有助于提高模型的預測準確率，降低誤報率，為業主帶來真實的經濟價值。