基于深度自編碼網(wǎng)絡(luò)模型的風電機組齒輪箱故障檢測

2017-12-06 16:01:13 來源：《電工技術(shù)學報》　點擊量：評論 (0)

　　華北電力大學電氣與電子工程學院、中國科學院大學物理科學學院、國網(wǎng)冀北電力有限公司電力科學研究院的研究人員劉輝海、趙星宇、趙洪山等，在2017年第17期《電工技術(shù)學報》上撰文，為了實現(xiàn)風機齒輪箱的故障

　　華北電力大學電氣與電子工程學院、中國科學院大學物理科學學院、國網(wǎng)冀北電力有限公司電力科學研究院的研究人員劉輝海、趙星宇、趙洪山等，在2017年第17期《電工技術(shù)學報》上撰文，為了實現(xiàn)風機齒輪箱的故障檢測分析，提出一種基于風電機組齒輪箱的數(shù)據(jù)采集與監(jiān)視控制（SCADA）數(shù)據(jù)和振動信號的深度自編碼網(wǎng)絡(luò)模型。

　　該模型作為一種典型的深度學習方法，通過逐層智能學習初始樣本特征，可以獲取數(shù)據(jù)蘊含的規(guī)則與分布特征形成更加抽象的高層表示。首先，利用限制性玻爾茲曼機對網(wǎng)絡(luò)參數(shù)進行預訓練和反向傳播算法對參數(shù)進行調(diào)優(yōu)，建立深度自編碼網(wǎng)絡(luò)模型。然后，通過對齒輪箱的狀態(tài)變量進行編碼和解碼，計算重構(gòu)誤差并將其作為齒輪箱的狀態(tài)檢測量。

　　為了有效檢測重構(gòu)誤差的趨勢變化，選用自適應閾值作為風機齒輪箱故障檢測的決策準則。最后，利用對齒輪箱故障前、后記錄的數(shù)據(jù)進行仿真分析，結(jié)果驗證了深度自編碼網(wǎng)絡(luò)學習方法對齒輪箱故障檢測的有效性。

　　風電做為一種清潔、高效的新型能源，隨著其裝機容量的持續(xù)增長，風機的故障問題也變得更加突出。齒輪箱做為風電機組的關(guān)鍵部件，由于承受復雜的載荷及其特殊的工作環(huán)境，造成風電機組停機時間最長。因此，利用數(shù)據(jù)采集與監(jiān)視控制（Supervisory Control and Data Acquisition，SCADA）數(shù)據(jù)或狀態(tài)監(jiān)測信息分析研究齒輪箱故障檢測，能夠有效降低齒輪箱的維修成本，提高經(jīng)濟效益。

　　通常風電機組齒輪箱處于早期故障階段時，由于故障產(chǎn)生的沖擊成分比較微弱，并且受到環(huán)境噪聲的干擾，使得齒輪箱早期故障特征難以提取。目前故障檢測方法一般分為基于數(shù)據(jù)的研究方法和基于模型的分析方法。基于模型的分析方法通常是建立部件的物理模型，根據(jù)模型參數(shù)的變化實現(xiàn)故障的檢測。

　　文獻[4]通過構(gòu)建齒輪箱模型，分析其故障物理機制，從而提取不同故障狀況下的故障特征。基于數(shù)據(jù)的分析方法又可以分為基于狀態(tài)監(jiān)測數(shù)據(jù)和基于SCADA運行數(shù)據(jù)兩種方法。齒輪箱狀態(tài)監(jiān)測信息一般用于監(jiān)測設(shè)備的健康狀況（如振動信號和油分析），利用狀態(tài)監(jiān)測信息可以實現(xiàn)對故障特征準確提取。

　　文獻[5]運用多尺度線性調(diào)頻小波分解法研究了齒輪箱變工況條件下的振動信號，實現(xiàn)了故障診斷。為了分析振動信號的頻域特征，文獻[6]將非平穩(wěn)的時域信號轉(zhuǎn)換為平穩(wěn)或準平穩(wěn)的頻域信號，并采用K鄰近度異常檢測方法，提取了齒輪箱的故障信息。

　　文獻[7, 8]運用EMD方法分解齒輪箱振動信號，然后對其模態(tài)函數(shù)建模分析，從而判斷出齒輪箱軸承的性能退化程度。文獻[9]利用小波包分析提取信號特征向量，從而提高信號的分辨效果，然后對特征向量進行降維處理，實現(xiàn)對故障診斷時間的提高，但該方法易受強噪聲的影響。

　　文獻[10，11]通過對齒輪箱油液采樣分析，根據(jù)油液粒子成分對比反映齒輪箱的故障。SCADA信息一般指的是設(shè)備的運行數(shù)據(jù)，可利用這些數(shù)據(jù)的趨勢變化來實現(xiàn)故障檢測。

　　文獻[12, 13]針對齒輪箱油溫和軸承溫度的實際值與估計值，運用統(tǒng)計過程控制法分析溫度的殘差趨勢，實現(xiàn)了齒輪箱異常狀態(tài)的檢測。文獻[14, 15]通過采用內(nèi)存批處理技術(shù)和Storm實時流數(shù)據(jù)處理方法構(gòu)建風電機組在線預警和故障診斷模型，能夠?qū)崿F(xiàn)對齒輪箱故障的判定。風機在運行過程中產(chǎn)生的SCADA數(shù)據(jù)蘊含著特定的規(guī)則與結(jié)構(gòu)，這使得數(shù)據(jù)挖掘方法在齒輪箱的故障研究中得到應用。

　　文獻[16]分析了風機SCADA數(shù)據(jù)變量間的相關(guān)性，從而實現(xiàn)對風機不同運行狀況下的健康狀態(tài)的定量評估。風電機組SCADA數(shù)據(jù)與狀態(tài)監(jiān)測數(shù)據(jù)具有變量多、數(shù)據(jù)量大、類型復雜的特點。深度學習方法能夠深層學習數(shù)據(jù)內(nèi)在的結(jié)構(gòu)特征，并將學習到的特征信息融入模型的建立過程中，從而減少了人為設(shè)計特征的不充分性和傳統(tǒng)特征提取所帶來的復雜性。深度學習算法與傳統(tǒng)故障診斷方法相比，克服了傳統(tǒng)方法對診斷經(jīng)驗的依賴性和大數(shù)據(jù)下模型診斷能力與泛化能力的不足。

　　本文基于風電機組SCADA數(shù)據(jù)和振動信號，提出深度自編碼網(wǎng)絡(luò)（Deep Autoencoder，DA）模型，對齒輪箱的狀態(tài)進行整體分析，深度學習數(shù)據(jù)規(guī)則，挖掘其蘊含的分布式特征，從而提取齒輪箱狀態(tài)檢測量，實現(xiàn)故障檢測。

　　DA網(wǎng)絡(luò)模型的分析過程包括：首先采集正常狀態(tài)下風機齒輪箱的SCADA數(shù)據(jù)和振動數(shù)據(jù)創(chuàng)建訓練數(shù)據(jù)集；基于訓練數(shù)據(jù)集建立DA模型，然后運用建立的DA模型計算風機齒輪箱的重構(gòu)誤差Re序列；根據(jù)將要發(fā)生故障的齒輪箱的Re的趨勢會發(fā)生變化，運用自適應閾值法檢測Re的趨勢，在風電機組齒輪箱發(fā)生故障但未失效之前，檢測出即將發(fā)生的故障，實現(xiàn)齒輪箱的故障預測。

　　圖1 DA模型的逐層學習過程

　　結(jié)論

　　針對齒輪箱故障檢測方法的研究，本文提出了基于風電機組齒輪箱SCADA數(shù)據(jù)與振動信號相結(jié)合的齒輪箱DA網(wǎng)絡(luò)模型故障檢測方法，實現(xiàn)了齒輪箱的故障檢測。通過運用正常狀態(tài)下齒輪箱的狀態(tài)數(shù)據(jù)建立DA模型，使其深度學習齒輪箱運行數(shù)據(jù)的內(nèi)在特征。

　　選取重構(gòu)誤差Re做為齒輪箱故障檢測變量，并引入Re的自適應閾值做為齒輪箱故障預警的決策準則，仿真結(jié)果驗證了該方法能夠基于SCADA數(shù)據(jù)與振動信號對齒輪箱故障實現(xiàn)有效檢測。