風(fēng)力發(fā)電機(jī)組振動故障診斷案例推理系統(tǒng)*

□章 筠

上海電氣集團(tuán)股份有限公司 中央研究院 上海 200070

1 課題背景

由于風(fēng)力發(fā)電機(jī)組運(yùn)行過程中承受的載荷復(fù)雜多變，機(jī)組發(fā)生故障越來越頻繁和復(fù)雜，給業(yè)主帶來昂貴的維護(hù)成本[1-6]。風(fēng)力發(fā)電機(jī)組可以積累很多故障案例，但是在故障案例應(yīng)用的層面，目前僅局限于人工通過關(guān)鍵詞來查找案例，尚未將所有案例進(jìn)行關(guān)聯(lián)，無法判斷案例之間的相似性，無法為新增案例提供歷史案例或經(jīng)驗(yàn)的參考。

某風(fēng)電公司對若干臺風(fēng)力發(fā)電機(jī)組進(jìn)行在線監(jiān)測，對機(jī)組一段時間內(nèi)的振動有效值趨勢圖、時域波形圖、頻譜圖、包絡(luò)譜圖進(jìn)行分析。在其振動分析報(bào)告中，給出了第2、7、16、22臺機(jī)組的故障情況，見表1。在這4個歷史案例中，部分案例的特征幾乎是相同的，故障原因也一樣，但每次出現(xiàn)類似情況時，還是需要專家進(jìn)行分析診斷，費(fèi)時費(fèi)力。

案例推理系統(tǒng)從歷史案例集中檢索出相似案例，相似度大于一定閾值，則判定為相似案例。相似案例作為新案例的參考解，當(dāng)新案例出現(xiàn)時，將相似歷史案例的故障原因作為新案例的參考故障原因。案例推理系統(tǒng)可實(shí)現(xiàn)案例與專家經(jīng)驗(yàn)的智能推薦，極大地減輕了專家處理相似問題的負(fù)擔(dān)，節(jié)約了人力和時間資源[7-10]。

2 案例推理系統(tǒng)概述

為了充分利用經(jīng)驗(yàn)知識，節(jié)約人力和時間成本，筆者研發(fā)了風(fēng)力發(fā)電機(jī)組振動故障診斷案例推理系統(tǒng)。

表1 風(fēng)力發(fā)電機(jī)組振動分析報(bào)告

假設(shè)風(fēng)力發(fā)電機(jī)組振動故障診斷案例推理系統(tǒng)已有歷史案例，即表1中案例1～3，將22號機(jī)組故障作為新案例，即表1中案例4。根據(jù)案例4的特征，案例推理系統(tǒng)自動比較案例4的特征與案例1～3的特征，計(jì)算出案例4與案例1的相似度為1，于是將案例1的故障原因作為案例4的參考解，得出案例4故障的原因可能是齒輪箱不對中。通過案例推理系統(tǒng)，向維護(hù)人員推送相似度高的案例及其故障原因作為參考，有效利用了歷史案例和歷史維護(hù)經(jīng)驗(yàn)，縮短了維護(hù)人員的故障分析時間，降低了對專家的依賴度。

3 系統(tǒng)流程

風(fēng)力發(fā)電機(jī)組振動故障診斷案例推理系統(tǒng)流程如圖1所示。

圖1 風(fēng)力發(fā)電機(jī)組振動故障診斷案例推理系統(tǒng)流程

機(jī)組故障特征的獲取既可以由人工錄入，也可以通過獲取機(jī)組振動數(shù)據(jù)，應(yīng)用故障特征提取算法獲得。

在獲取故障特征后，案例推理系統(tǒng)能夠?qū)⒐收习咐奶卣髋c歷史案例庫中所有案例的特征進(jìn)行算法匹配，并且將匹配后的結(jié)果顯示在頁面中，匹配結(jié)果頁面顯示的內(nèi)容包含所有相匹配的案例信息、每個案例的相似度。相匹配的案例信息按照相似度從高到低進(jìn)行排列。如果相似度高，則推薦使用該案例。如果相似度低，用戶可根據(jù)經(jīng)驗(yàn)知識或者試驗(yàn)驗(yàn)證對新故障案例進(jìn)行存儲。

4 算法設(shè)計(jì)

風(fēng)力發(fā)電機(jī)組振動故障診斷案例推理系統(tǒng)設(shè)計(jì)時主要包含算法設(shè)計(jì)、數(shù)據(jù)庫設(shè)計(jì)、頁面設(shè)計(jì)。

算法設(shè)計(jì)主要是依據(jù)各案例的知識表達(dá)來計(jì)算新案例與歷史案例的相似度。在算法設(shè)計(jì)中，兩部分內(nèi)容必不可少，一是知識表達(dá)，二是相似度計(jì)算。

4.1 知識表達(dá)

目前案例的知識表達(dá)存在多種形式，如形式概念的表達(dá)方法從對象集中提取相同屬性，根據(jù)對象之間的關(guān)聯(lián)性建立層次結(jié)構(gòu)。形式概念既表達(dá)了數(shù)據(jù)間的層次結(jié)構(gòu)，也表達(dá)了對象與屬性、對象與對象、屬性與屬性間的關(guān)聯(lián)性。風(fēng)力發(fā)電機(jī)組振動故障診斷案例推理系統(tǒng)采用形式概念的表達(dá)方法來判斷案例之間的相似度。

形式概念的表達(dá)方法主要涉及三個內(nèi)容：形式背景、形式概念和概念格。形式背景為（G,M,I）的組合，G表示對象集，M表示屬性集，I表示對象集與屬性集的關(guān)系。

在形式背景的基礎(chǔ)上創(chuàng)建形式概念，形式概念為（A,B）的組合，其中A表示對象集，B表示屬性集，并且滿足 h（A）=B，r（B）=A，h（A）={m∈M|gIm for all g∈A},r（B）={g∈G|gIm for all m∈B}。h（A）=B表示對象集A所包含的全部相同屬性集合與集合B相等，r（B）=A表示包含屬性集B的全部對象集合與集合A相等[11]。

凍臉效應(yīng)：加州大學(xué)和哈佛大學(xué)的心理學(xué)家發(fā)現(xiàn)，人們會認(rèn)為視屏中的人比同一個視屏中的截圖更好看。研究者把這種靜態(tài)臉相對動態(tài)臉沒那么有吸引力的現(xiàn)象稱為“凍臉效應(yīng)(the frozen effect)”。

概念格為形式概念的層次數(shù)據(jù)結(jié)構(gòu)，將形式概念按一定順序連接起來，就構(gòu)成了概念格。概念格中除包含形式概念外，還包含偏序關(guān)系。偏序關(guān)系表示方法為：（A1，B1）≤（A2，B2）, 即處于上層結(jié)構(gòu)，（A1，B1）處于下層結(jié)構(gòu)[11]。

現(xiàn)有形式背景如圖2所示，在形式背景的基礎(chǔ)上，創(chuàng)建相應(yīng)的概念格，如圖3所示。

圖2 形式背景

圖3 概念格

在圖3中，圓圈內(nèi)的C代表一個形式概念，上方的Obj和下方的Attr分別表示該形式概念所包含的對象和屬性，并且下層概念包含上層概念的屬性，上層概念包含下層概念的對象，括號中的數(shù)字表示屬性或?qū)ο笤诟拍罡裰谐霈F(xiàn)的頻次。

4.2 相似度計(jì)算

在概念格的基礎(chǔ)上，通過有次序地比較形式概念屬性集與新案例屬性集的相似度，將相似度最高的形式概念所包含的對象集作為備選案例。如果備選案例僅屬于相似度最高的形式概念，則該案例為尋找的最相似案例，該案例的解決方案為新案例的參考解決方案。

風(fēng)力發(fā)電機(jī)組振動故障診斷案例推理系統(tǒng)采用文獻(xiàn)[12]提出的算法作為案例相似度計(jì)算方法。文獻(xiàn)[12]提出的相似度Sim（Cb，Ct）計(jì)算公式為：

式中:Cb為形式概念；Ct為事件集；m、n分別為Cb和Ct的屬性集；N為概念格總數(shù)量；o∈m∩n為新案例與形式概念相同屬性的集合；r∈m-n為形式概念包含而新案例不包含的屬性；s∈n-m為新案例包含而形式概念不包含的屬性；Fo、Fr、Fs依次表示屬性 o、r、s在概念格中出現(xiàn)的頻次。

5 數(shù)據(jù)庫設(shè)計(jì)

風(fēng)力發(fā)電機(jī)組振動故障診斷案例推理系統(tǒng)需設(shè)計(jì)開發(fā)的數(shù)據(jù)庫表有歷史案例集表、故障特征表、推理事件表、設(shè)備數(shù)據(jù)表。圖4所示為案例推理系統(tǒng)的實(shí)體聯(lián)系圖。

圖4 實(shí)體聯(lián)系圖

歷史案例集表存儲已經(jīng)確定歸類的案例，屬性包括案例編號、機(jī)組編號、設(shè)備類型、案例特征、故障原因、故障發(fā)生時間等。故障特征表對應(yīng)每類設(shè)備的故障，基于不同故障類型，設(shè)計(jì)為一個設(shè)備對應(yīng)一個故障特征表。推理事件表存儲本次故障的相關(guān)屬性，如機(jī)組編號、設(shè)備類型、案例特征、故障發(fā)生時間，以及案例推理系統(tǒng)確定的故障原因和匹配案例。設(shè)備數(shù)據(jù)表存儲由軟件導(dǎo)入的數(shù)據(jù)或者在線對接的數(shù)據(jù)。

6 頁面設(shè)計(jì)

案例推理系統(tǒng)頁面主要包括歷史案例頁面和案例推理頁面。

6.1 歷史案例頁面

如圖5所示，歷史案例頁面可進(jìn)行查詢、新增、更新、刪除操作。可使用故障特征模糊查詢和設(shè)備類型分類查詢。歷史案例頁面字段有案例編號、機(jī)組編號、設(shè)備類型、案例特征、故障原因及發(fā)生時間。

圖5 歷史案例頁面

案例新增頁面包含案例基本信息及案例特征信息，案例基本信息有機(jī)組編號、設(shè)備類型、故障發(fā)生時間及部件信息。

圖6 故障特征頁面

如圖6所示，故障特征頁面信息有振動超過報(bào)警值、主頻為嚙合頻率及其高次諧波、二倍嚙合頻率幅值較高、能量集中在外環(huán)及其諧波、時域信號有明顯的非周期性沖擊、其它特征。每一種故障特征為單選框，勾選表示有此類特征。若一個新的故障特征當(dāng)前無勾選框，則將新的故障特征填入其它特征框中，后續(xù)再將此特征擴(kuò)充為勾選框。

6.2 案例推理頁面

案例推理系統(tǒng)可以查詢已推理的歷史案例，可根據(jù)故障特征模糊查詢或設(shè)備類型分類查詢。案例推理頁面顯示機(jī)組編號、設(shè)備類型、故障特征、故障原因、相似案例及發(fā)生時間，如圖7所示。

圖7 案例推理頁面

案例推理時需要填寫故障事件的基本信息，包括機(jī)組編號、設(shè)備類型、發(fā)生時間、故障特征。點(diǎn)擊“推理”按鈕進(jìn)行推理。案例推理結(jié)果頁面如圖8所示。

確認(rèn)可匹配已發(fā)生案例，則選中該案例點(diǎn)擊“匹配”按鈕，相應(yīng)的案例會保存到故障的匹配案例編號中。如果不能確認(rèn)，則人工判定故障原因，填寫至故障原因一欄，同時加入歷史案例中。

7 結(jié)束語

風(fēng)力發(fā)電機(jī)組運(yùn)行過程復(fù)雜、故障多發(fā)，運(yùn)維成本居高不下。機(jī)組運(yùn)行維護(hù)人員積累了很多故障案例及解決經(jīng)驗(yàn)，但這些運(yùn)維經(jīng)驗(yàn)大部分需要靠人工進(jìn)行關(guān)鍵詞檢索查找，運(yùn)維經(jīng)驗(yàn)的傳遞智能化程度急待提高。

圖8 案例推理結(jié)果頁面

風(fēng)力發(fā)電機(jī)組振動故障診斷案例推理系統(tǒng)通過將機(jī)組振動故障特征進(jìn)行提取和知識表達(dá)，采用基于形式概念的相似度算法進(jìn)行案例推理，實(shí)現(xiàn)了風(fēng)力發(fā)電機(jī)組振動故障相似歷史案例的智能推薦，降低了維護(hù)人員對專家的依賴度，節(jié)約了人力和時間資源。

[1]李偉.風(fēng)機(jī)故障預(yù)警系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].沈陽：東北大學(xué)，2015.

[2]王毅.風(fēng)機(jī)故障診斷的集成神經(jīng)網(wǎng)絡(luò)信息融合法[J].風(fēng)機(jī)技術(shù)，2005（2）：35-37.

[3]薄其明，楊克.在線遠(yuǎn)程風(fēng)機(jī)故障診斷系統(tǒng)的研究開發(fā)[J].寧夏電力，2013（5）：30-33.

[4]于良峰，趙登利，吳樹梁.風(fēng)電機(jī)組齒輪箱故障分析及改進(jìn)措施[J].風(fēng)能，2012（10）：86-89.

[5]辛衛(wèi)東，馬志勇，滕偉，等.振動監(jiān)測技術(shù)在風(fēng)電機(jī)組齒輪箱故障診斷中的應(yīng)用[J].中國電力，2012，45（5）：77-80.

[6]占健，吳斌，王加祥，等.基于OS-ELM的風(fēng)機(jī)關(guān)鍵機(jī)械部件故障診斷方法[J].機(jī)械制造，2015，53（4）：66-70.

[7]葛春曉.基于案例推理的變壓器故障診斷專家系統(tǒng)的研究[D].長春：吉林大學(xué)，2014.

[8]朱文博，劉莎，甘屹.基于案例推理的故障診斷系統(tǒng)軟件開發(fā)[J].上海電氣技術(shù)，2010，3（3）：29-33.

[9]柳玉，賁可榮.案例推理的故障診斷技術(shù)研究綜述[J].計(jì)算機(jī)科學(xué)與探索，2011，5（10）：865-879.

[10]胡烜.案例推理在故障診斷中的應(yīng)用研究[D].福州：福州大學(xué)，2013.

[11]方名菊，章筠，徐正國.基于形式概念的汽輪機(jī)相似故障案例檢索[J].山東科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，36（4）：24-30.

[12]SHI C Y，LAI L J，F(xiàn)AN J，et al.Similarity Model Based on CBR and FCA[C].IEEE/ACIS Soft ware Engineering，Artificial Intelligence,Networking and Parallel/Distributed Computing（SNPD），2016 17th IEEE/ACIS International Conference on，Shanghai，2016.