基于貝葉斯網(wǎng)絡(luò)的風(fēng)電機組偏航系統(tǒng)故障診斷

國電電力湖南新能源開發(fā)有限公司 謝寶瑜 王清嶺 張尊彥 李 陽 伍席文 王澤科

華風(fēng)數(shù)據(jù)（深圳）有限公司 黎 濤 黃劍峰

風(fēng)力發(fā)電作為風(fēng)能利用的主要形式，因其環(huán)境友好、建設(shè)周期短、項目規(guī)模靈活等優(yōu)點，在近年取得快速發(fā)展。但由于風(fēng)電機組長期處于惡劣環(huán)境中，其葉片、傳動系統(tǒng)、變漿系統(tǒng)、偏航系統(tǒng)等均為故障高發(fā)部位。偏航系統(tǒng)作為水平軸風(fēng)力發(fā)電機組中重要的機械系統(tǒng)之一，能在風(fēng)向發(fā)生改變時控制風(fēng)輪方向、追蹤風(fēng)向變化，從而做到風(fēng)電機組的高效運行。但現(xiàn)階段針對風(fēng)電機組偏航系統(tǒng)故障檢測的研究還相對較少。當(dāng)前基于風(fēng)機偏航系統(tǒng)狀態(tài)監(jiān)測的方法有人工聽診、振動檢測、數(shù)據(jù)挖掘等方法。

人工聽診方法主要是運行人員根據(jù)運行經(jīng)驗來判斷偏航系統(tǒng)是否發(fā)生故障，該方法存在嚴(yán)重的滯后性，人為主觀性較強、效率低下且誤差大；振動檢測方法作為一種成熟的故障檢測方法廣泛應(yīng)用于風(fēng)電機組故障檢測中，如文獻[1]針對風(fēng)電機組葉片斷裂、偏航系統(tǒng)故障等在內(nèi)的5種工況，在設(shè)備合適的部位安裝振動傳感器來獲取振動信號，利用信號處理和BP 神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)了特征與故障類型的關(guān)聯(lián)，但基于振動法檢測需安裝大量的傳感器，成本高且信號源復(fù)雜多變，很難檢測到設(shè)備的早期故障；基于數(shù)據(jù)挖掘的方法是利用風(fēng)場SCADS 系統(tǒng)和大數(shù)據(jù)技術(shù)來挖掘數(shù)據(jù)之間的關(guān)系，如文獻[2]從風(fēng)電機組的發(fā)電功率、轉(zhuǎn)子速度和俯仰角同風(fēng)速間三個參數(shù)進行關(guān)聯(lián)分析，從SCADA 系統(tǒng)中提取海量數(shù)據(jù)進行分析，但此方法不足之處在于模型運算過程耗時較長、成本較高，不利于工程利用。

從工程成本、安全性及以適用性等方面考慮，以上方法難以滿足工程實際的需求。因此，本文提出了一種基于非接觸式的聲學(xué)檢測方法，該方法具有安裝簡單、維護方便、不影響機組正常工作等優(yōu)點。提出了改進SOM 與貝葉斯網(wǎng)絡(luò)的偏航故障診斷方法，并結(jié)合風(fēng)場實測數(shù)據(jù)驗證方法的有效性。

1 算法設(shè)計

偏航系統(tǒng)損傷檢測可看作是一個故障征兆的非確定性推理過程，而基于概率信息表示及推理的貝葉斯網(wǎng)絡(luò)在處理非確定性問題時有著良好的表現(xiàn)[3]。因此，本文提出了基于貝葉斯網(wǎng)絡(luò)的風(fēng)電機組偏航系統(tǒng)故障診斷方法，主要包括特征提取，數(shù)據(jù)離散化，貝葉斯網(wǎng)絡(luò)模型。

1.1 特征提取

當(dāng)偏航系統(tǒng)發(fā)生故障時，其聲信號的頻譜必然會發(fā)生改變，通過倍頻程分析，這種改變可在提取的信號聲壓級來（Sound Pressure Level,SPL）表示：，其中pe表示頻帶的聲壓級，分別表示中心頻率上限截止頻率和下限截止頻率，pref表示參考聲壓級，空氣中取值為2×10-5Pa。因此可用SPLs 特征向量來表示偏航系統(tǒng)的狀態(tài)：S=[SPL1，SPL2，…，SPLi，SPLN]，其中i=1，2，…，N，N 表示SPL 特征向量的個數(shù)。

1.2 數(shù)據(jù)離散化

貝葉斯網(wǎng)絡(luò)要求特征屬性是離散化的，而提取的SPL 特征向量各維度屬性是連續(xù)的，因此SPL 特征向量必須離散化。SOM 神經(jīng)網(wǎng)絡(luò)是無監(jiān)督式學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）的一種，主要是用于數(shù)據(jù)離散化[4]。傳統(tǒng)SOM 算法是隨意的劃分?jǐn)?shù)據(jù)間隔，這樣會導(dǎo)致數(shù)據(jù)信息的丟失。本文提出了一種基于信息增益率的SOM 方法來有效地提取離散屬性間隔數(shù)以便更純的離散化連續(xù)屬性。給定歸一化數(shù)據(jù)集XN'M={xi；xi=(xi,1，xi,2，…，xi,M)，i=1，2，…，N}，其中M 表示樣本數(shù)，IGR-SOM 算法描述如下。

Step1：初始化SOM 網(wǎng)絡(luò)的輸入層和輸出層網(wǎng)絡(luò)，其中wk,i(0),k=1,2，表示初始化網(wǎng)絡(luò)第k 個輸出神經(jīng)元到第i 個輸入神經(jīng)元的連接權(quán)重。

Step2：選擇競爭獲勝神經(jīng)元，選擇產(chǎn)生最小的節(jié)點作為最匹配的神經(jīng)元，即為獲勝神經(jīng)元。，確定獲勝的神經(jīng)元之后，更新神經(jīng)元及其領(lǐng)域內(nèi)的所有神經(jīng)元。更新函數(shù)為， 其 中a(n)、b(n)和wk,i(n)分別代表學(xué)習(xí)率、神經(jīng)元領(lǐng)域?qū)挾?、第n 次迭代的連接權(quán)重；d(k,L)表示第k個輸出神經(jīng)元到獲勝神經(jīng)元的距離。a(n)、b(n)更新公式如下，其中T 表示總的迭代次數(shù)，最后得到離散數(shù)據(jù)集:

Step4：增加輸出神經(jīng)元直到達到最大的間隔，根據(jù)IGR 計算公式，第i 個SPL 特征向量的最優(yōu)間隔為。

1.3 貝葉斯網(wǎng)絡(luò)模型

貝葉斯方法以其獨特的豐富概率表達、不確定知識表達等優(yōu)點被廣泛應(yīng)用于文本識別、故障預(yù)測、分類等領(lǐng)域[5～7]?；谪惾~斯網(wǎng)絡(luò)診斷包括了故障層和征兆層。征兆層的節(jié)點表示提取的SPL 特征，用S={S1，S2，…，SN}來表示，故障層節(jié)點用F={F1，F(xiàn)2，…，F(xiàn)C}，其中C 表示故障類別數(shù)，故障類別包括剎車片磨損、制動盤故障、減速器故障、偏航軸承失效。

2 實驗分析

為驗證模型的有效性，采集了實際風(fēng)電場偏航系統(tǒng)正常類與故障類的數(shù)據(jù)。傳感器安裝在靠近偏航軸承附近且指向偏航軸承，測試系統(tǒng)有AWA14423型傳聲器、工控筆記本電腦（里面集成了信號采集程序），采樣頻率設(shè)置為64kHz，采集了偏航正常狀態(tài)和剎車片磨損故障狀態(tài)兩類數(shù)據(jù)，故障信號能量在3kHz 左右突然增加。

通過1/3倍頻程提取信號聲壓級特征，共25個SPLs 特征，總共等到200個正常類樣本和200個故障類樣本，經(jīng)過IGR-SOM 算法將特征數(shù)據(jù)集離散化，其中IGR-SOM 算法參數(shù)設(shè)置為：T1500、最大間隔2、最小間隔18、0.96、6.5；在對SPL 數(shù)據(jù)離散化后的間隔最優(yōu)結(jié)果中，最優(yōu)IGR 值及最優(yōu)間隔數(shù)分別為：0.968、2，0.132、5，0.071、20，0.198、18，0.092、6，0.501、2，0.076、3，0.599、2，0.139、2，0.028、3，0.059、8，0.030、19，0.421、2，0.298、2，0.502、4，0.598、4，0.0258、18，0.899、2，0.621、2，0.221、2，0.075、9，0.022、20，0.042、2，0.015、20，0.031、18。表1給出了特征數(shù)據(jù)經(jīng)過離散化之后的表示結(jié)果。

表1 離散化特征數(shù)據(jù)表示

將離散特征數(shù)據(jù)70%作為訓(xùn)練數(shù)據(jù)、30%作為測試數(shù)據(jù)，為了證明本文所提方法的優(yōu)勢，對比了支持向量機（SVM）分類器、基于SOM 的貝葉斯算法（BN_SOM）和基于IGR 和SOM 的貝葉斯算法（BN_IGR_SOM）。所提方法的準(zhǔn)度度最高，為96.55%。

綜上，本文從現(xiàn)有的研究基礎(chǔ)上，提出了基于貝葉斯網(wǎng)絡(luò)診斷的風(fēng)電機組偏航系統(tǒng)故障診斷模型，并結(jié)合改進的SOM 數(shù)據(jù)離散方法，最后通過風(fēng)電場實測的數(shù)據(jù)驗證的該模型的正確性與適用性。