基于SCADA數(shù)據(jù)的風(fēng)機(jī)故障診斷算法預(yù)測研究

張 月 竇 瑞

（成都理工大學(xué)，四川 成都 610059）

0 引言

隨著化石燃料對生態(tài)環(huán)境的破壞程度日益增加，可再生能源的利用被重視起來。相關(guān)調(diào)研數(shù)據(jù)顯示，雖然我國風(fēng)能資源巨大，但是其廣泛分布在高寒地區(qū)和沿海地區(qū)[1]。由于這些地區(qū)存在海拔較高、空氣濕度較高以及環(huán)境溫度較低的情況，所以這些因素嚴(yán)重制約了風(fēng)機(jī)的發(fā)電性能，并且給風(fēng)機(jī)的安全運(yùn)行造成較大威脅。尤其是當(dāng)葉片附著較大質(zhì)量的冰層時(shí)，會在很大程度上改變風(fēng)機(jī)葉片的共振頻率，同時(shí)也會改變動態(tài)的響應(yīng)行為，造成葉片斷裂的事故。該文充分地結(jié)合了SCADA 系統(tǒng)的運(yùn)新數(shù)據(jù)，首先對海量數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，其次對數(shù)據(jù)進(jìn)行探索性分析，最后建立數(shù)學(xué)模型?；赑ython（計(jì)算機(jī)程序設(shè)計(jì)語言）平臺的TensorFlow（符號數(shù)學(xué)系統(tǒng)）環(huán)境下搭建數(shù)據(jù)分析平臺，依據(jù)數(shù)據(jù)結(jié)果探索出各個(gè)算法之間的優(yōu)劣性。根據(jù)相關(guān)系數(shù)水平以及均方根差（RMSE）值選出最優(yōu)的算法。將高緯量的輸入向量作為特征值進(jìn)行取值，使其更加符合挖掘所需的目標(biāo)。該過程充分地考慮了機(jī)組和部件之間的相關(guān)性以及耦合性，有效針對實(shí)際監(jiān)測中的運(yùn)行功率和理論功率之間的偏差關(guān)系建立風(fēng)電機(jī)組的運(yùn)行狀態(tài)。同時(shí)，不同算法之間的結(jié)冰過程預(yù)測準(zhǔn)確度也直接決定了除冰系統(tǒng)的效率、風(fēng)機(jī)的效率損失和風(fēng)機(jī)運(yùn)行的風(fēng)險(xiǎn)。因此橫向?qū)Ρ炔煌惴ㄩg的預(yù)測結(jié)果精度具有較高的應(yīng)用價(jià)值[2]。

1 相關(guān)理論

近年來，深度學(xué)習(xí)技術(shù)越來越成熟。一些較為熟悉的算法模型逐漸擴(kuò)展到工程應(yīng)用的各個(gè)領(lǐng)域。數(shù)據(jù)挖掘技術(shù)能夠有效地將循環(huán)神經(jīng)網(wǎng)絡(luò)的時(shí)序概念引入網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)中。從而在數(shù)據(jù)分析和表現(xiàn)中展現(xiàn)出更加強(qiáng)烈的適應(yīng)性。

1.1 多層感知器（MLP）

多層感知器（Multilayer Perceptron,縮寫“MLP”）是能夠通過前向結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)形式。其輸入的映射范圍主要為一組輸入向量到一組輸出向量。通過算法對權(quán)重進(jìn)行優(yōu)化，減少在訓(xùn)練過程中的偏差數(shù)據(jù)。計(jì)算神經(jīng)元輸出值a 的公式，如公式（1）所示。

式中：aj代表隱藏層神經(jīng)元的輸出值； g(hj)代表激活函數(shù)；hj為變量數(shù)； wijxij分別代表w 層的第i 節(jié)點(diǎn)權(quán)重以及j 節(jié)點(diǎn)的權(quán)重系數(shù)。輸入“，”表示偏移節(jié)點(diǎn)，如公式（2）所示。

式中：y 代表輸出層的結(jié)果，等效賦予給ak；M 代表迭代計(jì)算總次數(shù)； wjk代表w 層輸出第j 層第k 個(gè)節(jié)點(diǎn)的權(quán)重系數(shù)；xjk代表x 層輸出第j 層第k 個(gè)節(jié)點(diǎn)的權(quán)重系數(shù)；M 代表變量總數(shù)。

1.2 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, 簡稱“CNN”）是一種能夠根據(jù)已有數(shù)據(jù)進(jìn)行前饋神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的數(shù)據(jù)挖掘的途徑。在神經(jīng)網(wǎng)絡(luò)的計(jì)算過程中，首先由輸入層開始按照正向傳播順序進(jìn)行傳播，然后依次參照卷積層的順序開始計(jì)算，最后計(jì)算至輸出層就完成計(jì)算并輸出結(jié)果。其計(jì)算原理如公式（3）所示。

式中：Mj代表上一層次輸出的特征集幾何以及原始圖像；代表集合中表達(dá)的特征結(jié)果；代表集合中表達(dá)的特征圖；代表輸入中第i 個(gè)特征圖到輸出的第j 個(gè)特征圖之間計(jì)算所用的卷積核；代表第j 個(gè)特征圖的偏置；f 代表激活函數(shù)。

1.3 長短期記憶網(wǎng)絡(luò)（LSTM）

LSTM 是一種新的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，簡稱“RNN”）模型變體，區(qū)別于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)， LSTM 網(wǎng)絡(luò)在其內(nèi)部構(gòu)建了一個(gè)“處理器”。能夠及時(shí)有效地對輸入數(shù)據(jù)進(jìn)行計(jì)算，并且依據(jù)數(shù)據(jù)結(jié)果決定信息的去留情況。

根據(jù)平均絕對誤差( Mean Absolute Error，簡稱“MAE”)和均方根誤差( Root Mean Squared Error，簡稱“RMSE”) 2個(gè)指標(biāo)將不同算法的建模結(jié)果進(jìn)行對比，結(jié)果表明MAE 和RMSE 是評估機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型常用的2 個(gè)指標(biāo)，它們的計(jì)算公式如公式（4）、公式（5）所示。

式中：N表示樣本數(shù)量；yt表示第t個(gè)樣本的真實(shí)值；表示表示第t個(gè)樣本的預(yù)測值。

2 特征參量數(shù)據(jù)挖掘

2.1 數(shù)據(jù)預(yù)處理

該文采用的數(shù)據(jù)為某風(fēng)場2015 年11 月4 日～2016 年1 月1 日的實(shí)時(shí)運(yùn)行數(shù)據(jù)。首先針對數(shù)據(jù)中的風(fēng)機(jī)運(yùn)行機(jī)理進(jìn)行數(shù)據(jù)過濾。根據(jù)實(shí)際測量的環(huán)境參數(shù)對風(fēng)機(jī)的狀態(tài)參數(shù)以及環(huán)境參數(shù)進(jìn)行定義[3]。SCADA 風(fēng)機(jī)數(shù)據(jù)主要參數(shù)描述見表1。

表1 SCADA 風(fēng)機(jī)數(shù)據(jù)主要參數(shù)描述

其次依據(jù)SCADA 系統(tǒng)中機(jī)組啟停故障信息，依據(jù)四分位法的形式將運(yùn)行過程中由于系統(tǒng)組件所帶來的自身問題進(jìn)行數(shù)據(jù)剔除。設(shè)定系統(tǒng)的運(yùn)行切入風(fēng)速為3 m/s，額定風(fēng)速為12 m/s，切出風(fēng)速為25 m/s。擇選取的風(fēng)速范圍為[3,25]。

2.2 模型建立

根據(jù)以上數(shù)據(jù)結(jié)果，將393 887 組機(jī)組樣本數(shù)據(jù)作為3 種模型的訓(xùn)練集，剩余的165 組為測試集，以功率輸出的形式作為預(yù)測指標(biāo)進(jìn)行分析。根據(jù)不同算法的計(jì)算過程，進(jìn)而得到機(jī)組的運(yùn)行性能參數(shù)，預(yù)測的誤差結(jié)果見表2。

表2 預(yù)測誤差結(jié)果

由此可以看出，機(jī)組的實(shí)際運(yùn)行性能可以在各個(gè)特征參數(shù)的回歸中具有很好的一致性。在機(jī)組的實(shí)際運(yùn)行過程中，功率的相對誤差為2.51%，葉輪轉(zhuǎn)速的誤差為3.22 %,機(jī)組槳距角的樣本誤差為2.11 %。根據(jù)上述結(jié)果可知，經(jīng)過LSTM 算法尋優(yōu)的模型，其預(yù)測精度高，穩(wěn)定性較好。

3 數(shù)據(jù)結(jié)果

以閾值判別風(fēng)機(jī)運(yùn)行狀態(tài)的結(jié)果為基礎(chǔ)，首先對原始振動信號進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解( Empirical Mode Decomposition，簡稱“EMD”)，得到本征模態(tài)分量；其次，利用有效的分量去除原始信號的中的混合噪聲。該文采用單調(diào)性和相關(guān)性評價(jià)指標(biāo)從重構(gòu)信號的時(shí)域特征以及頻域特征對特征參數(shù)進(jìn)行選擇。通過故障信號可以針對濾波進(jìn)行有效降噪[4]。進(jìn)而得到6 種IMF 的分量值，其數(shù)據(jù)結(jié)果見表3。

表3 互相關(guān)系數(shù)和峭度值

從表3 中可以得出結(jié)論：雖然IMF1 ～I(xiàn)MF4 在故障的沖擊中具有相似的成分，但是從數(shù)據(jù)結(jié)果的表現(xiàn)形式上來看，IMF1 的噪聲表現(xiàn)比較大；并且IMF5 和IMF6的丟失信息較多。該文按照互相關(guān)系數(shù)準(zhǔn)則和峭度準(zhǔn)則的原則充分對IMF 分量進(jìn)行篩選。此時(shí)對應(yīng)的數(shù)據(jù)值與原始信號的相關(guān)性比較大。最終把IMF2、IMF3 和IMF4選為重構(gòu)信號分量。實(shí)際功率的時(shí)間序列預(yù)測值如圖1所示。

圖1 實(shí)際功率預(yù)測值

在進(jìn)行壽命預(yù)測前要根據(jù)實(shí)際的運(yùn)行參數(shù)總結(jié)出分機(jī)葉片信號的退化趨勢。特征參數(shù)過多會導(dǎo)致計(jì)算量的增加，而特征參數(shù)過少又不能完整地表達(dá)出風(fēng)機(jī)葉片的退化趨勢，會導(dǎo)致結(jié)果與實(shí)際的測量結(jié)果之間存在較大誤差。因此，該研究通過單調(diào)性以及相關(guān)性的準(zhǔn)則，根據(jù)降噪后的風(fēng)機(jī)數(shù)據(jù)進(jìn)行探究，選取了5 種特征參數(shù)構(gòu)成相關(guān)系數(shù)矩陣。相關(guān)系數(shù)能夠有效地反映出風(fēng)機(jī)葉片的相關(guān)性水平，具體數(shù)據(jù)如圖2 所示。

圖2 分類混淆線性相關(guān)性矩陣

經(jīng)過數(shù)據(jù)訓(xùn)練后的模型最終合并成1 個(gè)合并效果較好的多分類模型。使用混淆性矩陣對模型的分類效果進(jìn)行基本的評價(jià)?；煜仃囀窃u價(jià)模型的分類和相關(guān)效果最常用的方法之一[5]，同時(shí)也是科學(xué)評價(jià)數(shù)據(jù)集分類精度的1 種重要方法。模型分類后得到測試集的分類混淆線性相關(guān)性矩陣如圖2 所示。

圖中，橫縱座標(biāo)分別代表樣本的預(yù)測名稱，網(wǎng)格數(shù)據(jù)代表相關(guān)性系數(shù)水平；其中正值代表正相關(guān)，負(fù)值代表負(fù)相關(guān)。正相關(guān)系數(shù)水平中，風(fēng)速與發(fā)電風(fēng)機(jī)電功率間的線性系數(shù)水平最高。依據(jù)風(fēng)機(jī)葉片退化時(shí)刻參數(shù)建立風(fēng)機(jī)葉片特征參數(shù)集標(biāo)簽。把退化起始點(diǎn)之前數(shù)據(jù)集設(shè)置為0。把退化起始點(diǎn)開始數(shù)據(jù)至完全退化狀態(tài)的數(shù)據(jù)標(biāo)簽設(shè)置為1。該文的參數(shù)設(shè)置中，根據(jù)3 組葉片全壽命周期的實(shí)測數(shù)據(jù)作為樣本數(shù)據(jù)。同時(shí)采用MLP 網(wǎng)絡(luò)和CNN 網(wǎng)絡(luò)作為基本的對照實(shí)驗(yàn)組。具體的網(wǎng)絡(luò)設(shè)置參數(shù)見表4。

表4 3 種方法網(wǎng)絡(luò)參數(shù)

時(shí)域統(tǒng)計(jì)分析是時(shí)域分析中最常見的手段之一。時(shí)域統(tǒng)計(jì)的特征參數(shù)主要有均值、方根值、各類斜度值和方差等。該文主要是通過時(shí)域分析來判斷各個(gè)幅域的參數(shù)。其基本方法是通過描述設(shè)備的總體狀態(tài)來對設(shè)備故障進(jìn)行監(jiān)測。把時(shí)域和頻域作為共同表征值來進(jìn)行特征值的選取，對有效實(shí)現(xiàn)RUL 具有重要意義。根據(jù)數(shù)據(jù)挖掘結(jié)果，得到的各個(gè)算法之間的RMSE 值見表5。

表5 預(yù)測誤差

通過LSTM 網(wǎng)絡(luò)訓(xùn)練的壽命預(yù)測數(shù)據(jù)與真實(shí)實(shí)測數(shù)據(jù)的一致性結(jié)果最好。根據(jù)時(shí)間序列的結(jié)果，在出現(xiàn)結(jié)冰后的一段時(shí)間內(nèi)，預(yù)測數(shù)據(jù)結(jié)果的波動性較大，這主要是因?yàn)槿~片在出現(xiàn)結(jié)冰故障發(fā)生后還需要恢復(fù)時(shí)間。其恢復(fù)的內(nèi)容是，由于自身重量發(fā)生變化，導(dǎo)致振幅波動在運(yùn)行的過程中變化較大。尤其是在恢復(fù)階段后期，其預(yù)測精度比較平穩(wěn)。表5 中給出了3 種預(yù)測方法的均方根誤差值，其中LSTM 的RMSE 最小，這進(jìn)一步證明了LSTM 方法預(yù)測性能優(yōu)于其他2 種方法。通過該次數(shù)據(jù)挖掘與統(tǒng)計(jì)信息可以證明，LSTM 算法可以準(zhǔn)確預(yù)測風(fēng)機(jī)葉片剩余使用壽命，為發(fā)電風(fēng)機(jī)的有效運(yùn)行提供保障。

4 結(jié)論

該文通過監(jiān)測正常工作的風(fēng)電機(jī)組，用SCADA 系統(tǒng)監(jiān)測的數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘和分析。建立風(fēng)機(jī)機(jī)組運(yùn)行狀態(tài)特征參數(shù)，進(jìn)而建立數(shù)據(jù)挖掘預(yù)測模型。對發(fā)電風(fēng)機(jī)運(yùn)行參數(shù)數(shù)據(jù)進(jìn)行時(shí)域、頻域和時(shí)頻域的故障特征提取，將提取出來的特征參數(shù)值作為預(yù)測模型的輸入?yún)?shù)，同時(shí)把一部分樣本數(shù)據(jù)作為各個(gè)輸入數(shù)據(jù)的基礎(chǔ)數(shù)據(jù)進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練結(jié)果調(diào)整網(wǎng)絡(luò)參數(shù)。通過RMSE 預(yù)測度確定算法優(yōu)度，相對于CNN 和MLP，基于LSTM 網(wǎng)絡(luò)的壽命預(yù)測模型可以充分利用全生命周期時(shí)序數(shù)據(jù)的前后關(guān)聯(lián)信息，對風(fēng)機(jī)故障診斷和預(yù)測有更高的準(zhǔn)確率。