基于DBNs風機故障檢測方案設(shè)計

王默玉 段利鋒 李新穎 申曉留

1.華北電力大學控制與計算機工程學院

2.河南省嵩縣供電局

1.概述

風力發(fā)電是當前最成熟、最具有市場競爭力的可再生能源發(fā)電技術(shù)，它是人類解決能源與環(huán)境問題的一項重要措施。截至2012年底，我國風電并網(wǎng)裝機容量已達62.66GW。隨著越來越多的風場投入運營，使得風機檢修工作的經(jīng)濟意義變得越來越重大。一個高效的風機檢修方案可以更好的保證風機的可利用率，從而提高風場的經(jīng)濟效益。

我國風電場正處于從計劃檢修到狀態(tài)檢修的過渡階段，相比于傳統(tǒng)的計劃檢修，狀態(tài)檢修有以下幾方面優(yōu)勢:（1）克服計劃檢修的盲目性（2）減少停運時間（3）減少維護工作的工作量[1]。狀態(tài)監(jiān)測作為狀態(tài)檢修的核心工作，它是通過提供風機實時運行時各個關(guān)鍵部件的健康狀態(tài)數(shù)據(jù)，來為決策者提供是否進行設(shè)備檢修決策基礎(chǔ)數(shù)據(jù)。通過使用這些實時數(shù)據(jù)，可以是缺陷發(fā)生的最初階段就可以被檢測或者診斷出，這樣便降低了重大故障發(fā)生的可能性，從而盡可能地來保證風機的可使用時間。

典型的狀態(tài)監(jiān)測系統(tǒng)（CMS）通常監(jiān)控風機主要部件的溫度數(shù)據(jù)，諸如風機的軸承、潤滑油以及繞組等部件的溫度信息，通過溫度的信息來了解各個部件的健康狀況，這些實時的溫度數(shù)據(jù)可以通過scada 系統(tǒng)來收集和存儲。通過對這些數(shù)據(jù)進行自動分析來為運行人員提供是否進行設(shè)備檢修的決策依據(jù)。

本文提出一種風機故障監(jiān)測方案，通過自動的對scada 系統(tǒng)提供的實時數(shù)據(jù)進行分析，來識別風機設(shè)備是否存在缺陷或者故障。數(shù)據(jù)分析的核心工作由deep belief networks（DBNs)來完成。本文的實驗數(shù)據(jù)來源于我國山西某風場的實時運行數(shù)據(jù)。

2.深度信念網(wǎng)（Deep Belief Networks）

Deep Belief Networks 是由Hinton 等在文獻[2]中首次提出的，它是一種帶有多個隱層的生成型神經(jīng)網(wǎng)絡(luò)模型，組成這種模型的基石是一種叫做限制型玻爾茲曼機（RBM）的概率模型。限制型玻爾茲曼機已經(jīng)成功的應(yīng)用于許多問題處理中，例如：數(shù)據(jù)分類，數(shù)據(jù)降維、信息的檢索。而作為深度機器學習中的一個重要分支，DBNs 已經(jīng)在模式識別領(lǐng)域去得了良好的效果。

圖1給出了一個典型的DBN。

圖1 一個典型的DBN

它是由一個用于輸入的可視層（Visible Layer），若干個隱藏層（Hidden Layer)以及最頂端的用于數(shù)據(jù)輸出的聯(lián)合存儲器（Associative Memory）。其中相鄰層單元之間存在一個帶全的雙向鏈接，而同層單元之間則不存在連接。Wj 是j-1 層和j 層單元之間的權(quán)重矩陣，bj 是j 層的偏移量。

訓(xùn)練DBN 首先要解決的一個關(guān)鍵問題是：依據(jù)什么標準來初始化權(quán)重矩陣和偏移量。Hinton et al.在[2]中介紹了一種叫做無導(dǎo)層博學貪心學習算法（Greedy Layerwise Unsupervised Learning Algrithm)。這種算法是基于對一系列的RBMs 的訓(xùn)練。單個的RBM 如圖2-2 中所示，它是一種雙層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模型，其中輸入和輸出單元之間通過一個帶權(quán)的雙向鏈接連接起來，所有的單元均是隨機二進制單元。它的第一層用于二進制向量的輸入（visible units v），另外一層單元則對應(yīng)于輸出(hidden units h)。

圖2

這里用vi 和hj 分別代表可視單元i 和隱元j 的狀態(tài)，對稱陣wij 表示雙向權(quán)重矩陣。各個單元的狀態(tài)概率決定函數(shù)為：

接下來本文依據(jù)狀態(tài)概率決定函數(shù)對RBM 進行訓(xùn)練，首先將訓(xùn)練樣本作為輸入交給可視單元以產(chǎn)生{vi}.根據(jù)方程（2）可以得到隱元的狀態(tài){hj}。然后重復(fù)這一訓(xùn)練過程以更新可視單元和隱元產(chǎn)生單步重構(gòu)狀態(tài)vi'和hj'。對權(quán)重矩陣wij 的更新依據(jù)方程（3）

其中，η(表示學習率，<·>表示訓(xùn)練樣本的均值。

本文中，本文將要處理的是連續(xù)型數(shù)據(jù)，因此，簡單的使用RBM 是不合適的。Chen 和 Murray 在[3]中提出了一種連續(xù)型限制玻爾茲曼機（CRBM)，它的各個單元是實屬型隨機單元，因此本文選擇CRBM 作為DBN 的組成單元。

本文將Sj 作為單元j 的輸出，它的輸入是狀態(tài)矩陣{si}所對應(yīng)的單元。

其中，Nj(0,1)表示標準正態(tài)分布，σ是一個常量，φj(x)是漸近線由θH、θL 決定的S 函數(shù)。aj 是噪聲控制變量，用于控制s 函數(shù)的斜率。Wij 和aj 的更新方程是：

其中，ηw 和ηa 是學習率，sj'之前定義的一樣，是指單元j 經(jīng)過一次抽樣后的狀態(tài)，<·>指訓(xùn)練樣本均值，對偏移量的計算公式同RBM 對偏移量的處理。

本文通過數(shù)目與DBN 中隱層數(shù)相同的一系列連續(xù)的CRBMs，來構(gòu)造DBN。

本文采用的是一種與（1）中相似的算法。首先，使用輸入樣本對第一層的CRBM 進行直接訓(xùn)練，得到的數(shù)據(jù)用于對隱層的訓(xùn)練，這樣的話隱層的單元可以得到輸入數(shù)據(jù)的關(guān)鍵特征，以此類推直到所有的隱層等訓(xùn)練完成。

3.基于DBNs 的風機故障檢測方案

3.1 風機系統(tǒng)

典型的風機系統(tǒng)包括葉片、塔架和機艙。機艙位于塔架的頂部，主軸、齒輪箱和發(fā)電機分別被安裝在機艙內(nèi)，除此之外，機艙內(nèi)還安置有大量的用于監(jiān)控風機關(guān)鍵部件實時運行狀態(tài)的傳感器，用于scada 系統(tǒng)獲取風機的實時運行數(shù)據(jù)。

Scada 系統(tǒng)監(jiān)控的數(shù)據(jù)通常包括以下參數(shù)：

1）風機實時發(fā)電量（以十分鐘為一個時間間隔，取平均值）

2）風速（以十分鐘為一個時間間隔，取平均值）

3）齒輪箱軸承溫度（以十分鐘為一個時間間隔，取平均值）

4）齒輪箱潤滑油溫度（以十分鐘為一個時間間隔，取平均值）

5）發(fā)電機繞組溫度（以十分鐘為一個時間間隔，取平均值）

6）葉片角度（以十分鐘為一個時間間隔，取平均值）

7）機艙外溫度（以十分鐘為一個時間間隔，取平均值）

將搜集到的數(shù)據(jù)整理形成風機實時運行風機實時運行參數(shù)矩陣P(Youtput,xwspeed,xgtemp,xoiltemp,xwtemp,x pangle,xoutemp)T,其中

Youtput：風機實時發(fā)電量

xwspeed：風速，作為該矩陣的標記量

xgtemp：齒輪箱軸承溫度

xoiltemp：齒輪箱潤滑油溫度

xwtemp：發(fā)電機繞組溫度

xpangle：葉片角度

xoutemp:：機艙外溫度

3.2 風功率曲線

理論上，正常情況下的風機發(fā)電量和風速之間存在著一種恒定的函數(shù)關(guān)系，這種函數(shù)關(guān)系通常通過功率曲線來表示。下圖展示了WT1650/D8 風機的標準功率曲線。

圖3

在生產(chǎn)中，圖3的功率曲線是狀態(tài)監(jiān)控系統(tǒng)的參照系，通過和實際生產(chǎn)中的功率曲線進行對比，有經(jīng)驗的生產(chǎn)工作人員可以判斷風機缺陷或者故障發(fā)生的可能程度。

3.3 方案設(shè)計

整個風機故障檢測方案包括：數(shù)據(jù)預(yù)處理、dbns 模型訓(xùn)練、狀態(tài)評估三個步驟。

A 數(shù)據(jù)預(yù)處理

風機在運行過程中，有時候為了保證風機的運行安全，需要調(diào)整葉片的角度，這種原因造成的出力下降，在風機狀態(tài)監(jiān)測中屬于噪聲數(shù)據(jù)，因此，在進行模型訓(xùn)練操作之前，應(yīng)該對已有的數(shù)據(jù)進行預(yù)處理，剔除掉這種噪聲數(shù)據(jù)。

B dbns 模型訓(xùn)練

輸入層和各個隱層的節(jié)點數(shù)以及隱層的數(shù)目是DBN 中至關(guān)重要的參數(shù)。首先，輸入層節(jié)點的個數(shù)對應(yīng)著對預(yù)測產(chǎn)生影響的歷史實際數(shù)據(jù)的個數(shù)，而隱層節(jié)點的數(shù)目則關(guān)系著整個模型對數(shù)據(jù)間的非線性的關(guān)系模式的捕捉能力，所以隱層節(jié)點數(shù)目的選取將對整個DBN 至關(guān)重要。一方面，過少的隱層節(jié)點將使得DBNs 在對數(shù)據(jù)進行建模時顯得能力不足。而從另一方面講，過多的隱層節(jié)點數(shù)目又有可能對問題產(chǎn)生過擬合效應(yīng)，反而影響了DBN 的性能。除此之外，隱層的層數(shù)的選取也是很重要的。隱層的多少可以決定DBN 對數(shù)據(jù)間復(fù)雜關(guān)系建模能力的大小。其層數(shù)的可變性給了設(shè)計者很多自由的選擇，但是，同時也給設(shè)計者帶來了一個很大的問題，因為，迄今為止還沒有一個成熟的理論來決定如何選取隱層的數(shù)目，所以，這就導(dǎo)致了如何構(gòu)建DBN 的最優(yōu)架構(gòu)依然是一項很困難的工作。

正如上文說述隱層層數(shù)的選取，現(xiàn)在也沒有一種理想的方法，由于神經(jīng)網(wǎng)絡(luò)中多層結(jié)構(gòu)的學習能力要強于單層，本文將隱層數(shù)目設(shè)為2，將第二隱層的節(jié)點數(shù)設(shè)為第一層的一半。而第一層隱層的結(jié)點數(shù)目，本文將通過實驗來從12、16、20 中確定。

對于用于模型訓(xùn)練的數(shù)據(jù)選取，本文將選擇連續(xù)超過30 天未發(fā)生過故障停機的風機運行歷史數(shù)據(jù)的前40%，作為模型訓(xùn)練的基礎(chǔ)數(shù)據(jù)。以風機出力作為標記結(jié)點輸入，風機實時運行參數(shù)矩陣P 中其他分量作為模型輸入，選取單臺風機100 天的正常運行數(shù)據(jù)（約合1 萬次）對模型進行訓(xùn)練，選取10 天的正常數(shù)據(jù)，采用平均絕對誤差（MAE),對DBNs 的預(yù)測做性能的評估，得到下表：

?

因此，本文選擇16-8 結(jié)構(gòu)。

C 缺陷識別算法

待模型訓(xùn)練完畢后，通過將實時運行的溫度數(shù)據(jù)和葉片角度數(shù)據(jù)作為模型輸入，使用模型輸出的評估電量和實時發(fā)電量進行對比。理論上來講，當風機處于正常狀態(tài)時，評估電量和實時發(fā)電量的差值是比較小的，而一旦風機發(fā)生了缺陷或者故障的話，風機的實時發(fā)電量會發(fā)生比較大幅度的降低，因此，通過計算實時發(fā)電量r 和評估電量s 的差值率p 從而來生成風機缺陷發(fā)生概率[3]。

P=(r-s)/r

當P 大于某一特定值σ時，風機被認為存在未被發(fā)現(xiàn)缺陷的可能性，通過選取某一時間區(qū)間來計算曲線發(fā)生概率的公式如下：

其中σ是根據(jù)經(jīng)驗所得的經(jīng)驗值。

4.案例分析

本文以山西某風電場風機作為研究對象，首先，通過對該型號風機的實時運行數(shù)據(jù)進行分析和評估，得出實時評估電量，然后，將評估電量和實際發(fā)電量的差值作為缺陷識別算法的輸入計算風機缺陷發(fā)生概率。

?

圖4

上圖是某風場單臺風機運行兩個月的發(fā)電曲線圖，通過對已有的歷史運行數(shù)據(jù)和故障信息數(shù)據(jù)進行分析，這里選擇σ=0.1037。本文采用12 個小時作為一個分析區(qū)間，每個區(qū)間共48 個采樣點，根據(jù)歷史消缺任務(wù)單，來驗證該方案對缺陷和故障檢測靈敏性。

5.結(jié)語

本方案通過使用風機的實時監(jiān)控數(shù)據(jù)，首先根據(jù)這些實時監(jiān)控數(shù)據(jù)進行出力評估，然后用評估值和實際監(jiān)測值進行對比分析，對影響風機出力情況的較嚴重缺陷，本方案有著比較高的靈敏度，但對于風機出力情況較小的缺陷，其檢測能力還有待提高。

[1]樊長博,張來斌,殷樹根等.應(yīng)用倒頻譜分析法對風力發(fā)電機組齒輪箱故障診斷[J].科學技術(shù)與工程,2006 ,6(2):1 87 220 0.FAN C hang B o,Z HA NG LaiBin ,WAN G Z h a o Hui,et a l.Using in verse spectrum analysis method to diagnose complex fault of wind power dyna2 motor gear box[J].Science Tech no lo g y and Engineering,20 06,6(2):187 22 00(I n Chinese).

[2]G.Hinton and R.Salakhutdinov,“Reducing the dimensionality of data with neural networks,” Science,vol.313,pp.504-507,2006

[3]H.Chen and A.F.Murray,“Continuous restricted Boltzmann machine with an implementable training algorithm,” IEE Proc-Vis.Image Signal Process.,vol.120,pp.153-158,2003.

[4]Edzel Lapira,Dustin Brisset,“Wind turbine performance assessment using multi-regime modeling approach”,Renewable Energy,Vol.45,pp.86-95,2012