基于支持向量機(jī)的風(fēng)電機(jī)組變槳系統(tǒng)故障診斷

張真真，吳立東，陳曉敏，徐志軒，曹善橋

(中國大唐集團(tuán)新能源科學(xué)技術(shù)研究院有限公司，北京市 西城區(qū) 100052)

0 引言

隨著化石燃料的不斷消耗及其對環(huán)境不利影響的日益加劇，可再生能源的開發(fā)和利用正變得愈發(fā)重要。其中，風(fēng)能作為可再生能源的重要組成部分，在能源革命的背景下得到快速發(fā)展。然而，隨著風(fēng)力發(fā)電場的規(guī)模越來越大，受限于有限的天氣窗口和高昂的物流成本，對于風(fēng)電機(jī)組的高效維護(hù)變得更加困難。此外，地形限制進(jìn)一步加劇了風(fēng)電機(jī)組的維護(hù)難度。例如，相較陸地風(fēng)電機(jī)組較為平穩(wěn)的維護(hù)環(huán)境，海上風(fēng)電機(jī)組往往會(huì)面臨更加惡劣的維護(hù)環(huán)境，從而導(dǎo)致維護(hù)時(shí)間更長。此時(shí)，能否提前準(zhǔn)確診斷風(fēng)電機(jī)組的故障類型，對提升風(fēng)電機(jī)組維護(hù)效率具有至關(guān)重要的作用。據(jù)統(tǒng)計(jì)，在風(fēng)電機(jī)組各項(xiàng)故障中，變槳系統(tǒng)故障占到了28%，由其產(chǎn)生的停機(jī)時(shí)間占到了30%[1]。因此，風(fēng)電機(jī)組故障診斷的重點(diǎn)之一是實(shí)現(xiàn)風(fēng)電機(jī)組變槳系統(tǒng)的故障預(yù)警，避免故障惡化而造成更大的損失。

風(fēng)電機(jī)組變槳系統(tǒng)由一個(gè)異步電機(jī)或永磁同步電機(jī)提供動(dòng)力，通過與多級(jí)行星齒輪箱耦合來帶動(dòng)葉片轉(zhuǎn)動(dòng)，進(jìn)而實(shí)現(xiàn)發(fā)電的目的。由于變槳系統(tǒng)在變負(fù)荷和變速度條件下間歇性運(yùn)行，這一工作環(huán)境給變槳系統(tǒng)的故障診斷帶來了重大挑戰(zhàn)。目前，部分學(xué)者對于風(fēng)電機(jī)組變槳系統(tǒng)狀態(tài)監(jiān)測進(jìn)行了相關(guān)研究。文獻(xiàn)[2]采用狀態(tài)估計(jì)技術(shù)對變槳力矩傳感器故障進(jìn)行識(shí)別與檢測。文獻(xiàn)[3]提出了一種基于模型的變槳系統(tǒng)故障檢測方法，成功識(shí)別變槳執(zhí)行器故障。文獻(xiàn)[4]基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)，提出了基于SCADA數(shù)據(jù)的變槳系統(tǒng)故障早期檢測技術(shù)。此外，文獻(xiàn)[5-7]分別提出了基于神經(jīng)網(wǎng)絡(luò)模型、融合模型等機(jī)器學(xué)習(xí)算法來處理風(fēng)電機(jī)組變槳系統(tǒng)的故障預(yù)警問題。

上述文獻(xiàn)雖然提供了風(fēng)電機(jī)組變槳系統(tǒng)故障識(shí)別的有效思路，但大部分研究以變頻器箱溫度、單線電機(jī)電流等為特征對分類模型進(jìn)行學(xué)習(xí)。雖然基于單線電流頻譜分析的電機(jī)電流特征分析能夠有效檢測異步電機(jī)的故障類別，但是在負(fù)載、速度和故障變化較大的環(huán)境中利用三相電流信息更加可靠[8-10]。因此，本文提出一種基于三相異步電機(jī)電流數(shù)據(jù)的變槳系統(tǒng)故障診斷方法。該方法利用擴(kuò)展帕克矢量作為異步電機(jī)和行星齒輪箱的基本特征，同時(shí)結(jié)合深度自動(dòng)編碼器的深度特征提取優(yōu)勢[11-12]，采用支持向量機(jī)(support vector machine，SVM)分類器進(jìn)行故障檢測和分類。

1 基于異步電機(jī)電流的特征選取方法

本節(jié)主要提出變槳驅(qū)動(dòng)器中基于異步電機(jī)電流的故障特征描述方法。在處于健康的狀態(tài)下，異步電機(jī)是一個(gè)平衡的對稱系統(tǒng)。然而，這種平衡環(huán)境會(huì)隨著各類故障的出現(xiàn)而被打破，包括轉(zhuǎn)子斷條故障、定子繞組故障、軸承斷裂、氣隙偏心等，從而導(dǎo)致異步電機(jī)電路發(fā)生變化。上述電路變化情況會(huì)隨著轉(zhuǎn)子轉(zhuǎn)動(dòng)呈現(xiàn)周期性的變化，從而在供電電流中產(chǎn)生特定的故障頻率，即故障特征。此外，耦合系統(tǒng)中發(fā)生的外生故障也會(huì)影響氣隙的均勻性，如變槳驅(qū)動(dòng)器中的行星齒輪箱故障，此時(shí)表現(xiàn)為電流中產(chǎn)生附加頻率。此時(shí)，直軸和交軸電流(id,iq)可通過三相電流(ia,ib,ic)綜合表示為：

此時(shí)，通過擴(kuò)展帕克矢量可將交軸電流空間向量表示為

ip=|id+jiq|

(3)

在通常情況下，ip表示直流偏移量。然而，式(3)中的擴(kuò)展帕克矢量并不適用于變槳系統(tǒng)存在故障的情況。因此，需要根據(jù)變槳系統(tǒng)的不同故障類型，分別對擴(kuò)展帕克矢量的表達(dá)式進(jìn)行討論。

1.1 定子繞組故障

定子繞組故障是電驅(qū)變槳系統(tǒng)中常見的故障之一。高啟動(dòng)負(fù)荷、頻繁的啟停操作和非正常運(yùn)行的冷卻系統(tǒng)都會(huì)導(dǎo)致定子繞組故障。根據(jù)文獻(xiàn)[13]所述，當(dāng)存在定子繞組故障時(shí)，供電電流中會(huì)產(chǎn)生異常的三次諧波，此時(shí)線路電流可以改寫為

ia=iscos(2πfst-φ)+ifcos(6πfst)

(4)

式中：is為供電電流；φ為基本供電電流的相位角；fs為供電頻率；if為故障電流。

同樣，ib和ic也可以修改為包含故障電流if的形式。

在定子繞組故障情況下，擴(kuò)展帕克矢量可由式(5)表示：

(5)

此時(shí)，擴(kuò)展帕克矢量的特征故障頻率分量可由供電頻率fs表示為

fSTF=2fs,4fs,6fs,…

(6)

1.2 轉(zhuǎn)子斷條故障

轉(zhuǎn)子斷條故障通常是由于異步電機(jī)中高溫應(yīng)力造成的，該故障會(huì)導(dǎo)致線路電流的供電頻率fs產(chǎn)生額外±2s的邊帶，其中s為異步電機(jī)的滑差。此時(shí)，A相電機(jī)電流可以由式(7)表示：

(7)

式中：βl和βr分別為左右邊帶對應(yīng)的相位角。此外，可以對電流ib和ic進(jìn)行相應(yīng)的修改，同時(shí)擴(kuò)展帕克矢量可以通過上述定子繞組故障的情形討論得出。根據(jù)文獻(xiàn)[9]，三相電流中±2s邊帶所產(chǎn)生的特征故障頻率可由式(8)表示：

fBRB=2sfs,4sfs

(8)

1.3 軸承故障

軸承故障是異步電機(jī)中最常見的故障，能夠占到所有故障比例的40%。風(fēng)電機(jī)組齒輪箱大多數(shù)齒輪故障是由軸承故障引發(fā)的。軸承外圈故障的特征頻率可以表示為

(9)

式中：Nb為軸承中滾子數(shù)目；d和Pd分別表示為直徑和節(jié)圓直徑；φ為軸承接觸角；fr為旋轉(zhuǎn)軸轉(zhuǎn)速。

在軸承故障時(shí)，這些特征頻率也以附加分量(fs+mfv)的形式出現(xiàn)在線電流頻譜中。此時(shí)，特征故障頻率為

fBRB=mfv，m=1,2,3,…

(10)

1.4 行星齒輪故障

行星齒輪在行星齒輪箱中與齒圈、太陽齒輪同時(shí)嚙合，與承載板一起繞太陽齒輪旋轉(zhuǎn)。雖然行星齒輪故障對于異步電機(jī)而言是外部因素，但由于異步電機(jī)通過法蘭安裝，使得行星齒輪產(chǎn)生的周期性擾動(dòng)會(huì)對ip造成周期性的故障頻率。一個(gè)損壞的行星齒輪在振動(dòng)頻譜中的特征頻率為

(11)

式中：Zs、Zr分別表示太陽齒輪和環(huán)形齒輪的齒數(shù)。

此外，行星齒輪故障會(huì)產(chǎn)生|fm±fc|的特征邊帶。其中fm為齒輪嚙合的基本頻率，fc為載板頻率，分別由式(12)—(13)給出：

除了上述故障條件，ip的頻譜還可能受到逆變器諧波和來自其他連接組件的外源干擾等因素影響。這些因素共同作用時(shí)會(huì)導(dǎo)致頻譜成分增加，從而得到更高的頻率。因此，為了提高變槳系統(tǒng)故障診斷的可靠性，本文提出利用深度自動(dòng)編碼器從ip中提取額外的故障特征。

2 故障檢測和分類方法

本文所提出的故障檢測和分類方法框架如圖1所示。首先通過三相異步電機(jī)電流計(jì)算ip，并對ip進(jìn)行快速傅里葉變換(fast Fourier transform，F(xiàn)FT)，進(jìn)而對頻譜進(jìn)行矢量化和放大，然后使用深度自動(dòng)編碼器提取深度特征。深度自編碼器是一種無監(jiān)督學(xué)習(xí)算法，通過不同健康條件下的樣本來識(shí)別特征。最后，特征集和相應(yīng)的健康狀況作為標(biāo)注數(shù)據(jù)提供給支持向量機(jī)進(jìn)行監(jiān)督學(xué)習(xí)。

圖1 故障檢測和分類方法框架Fig.1 Framework of fault detection and classification methods

2.1 基于深度自動(dòng)編碼器的特征提取方法

深度自動(dòng)編碼器是一種無監(jiān)督學(xué)習(xí)算法，其試圖將輸入復(fù)制為輸出。作為非線性特征提取方法，深度自動(dòng)編碼器能夠在隱藏層中學(xué)習(xí)輸入的緊湊表示[14-16]。傳統(tǒng)的單級(jí)自動(dòng)編碼器如圖2所示，其中每個(gè)輸入樣本是一個(gè)向量X={x1,x2,…,xn}。向量X通過sigmoid函數(shù)轉(zhuǎn)換為隱藏表示H={h1,h2,…,hp}。sigmoid函數(shù)可以表示為

圖2 單級(jí)自動(dòng)編碼器結(jié)構(gòu)圖Fig.2 Structure of single stage autoencoder

H=f(WTX+B)

(14)

式中：W為權(quán)重矩陣，B為偏差。

(15)

(16)

在深度自動(dòng)編碼器中，上一層的隱藏表示H會(huì)作為下一層的輸入，并按順序?qū)γ恳粚舆M(jìn)行訓(xùn)練。本文在利用深度自動(dòng)編碼器得到故障特征后，使用支持向量機(jī)對故障進(jìn)行分類。

2.2 基于支持向量機(jī)的故障分類方法

支持向量機(jī)分類器根據(jù)自動(dòng)編碼器提取的故障特征對故障進(jìn)行分類。相關(guān)研究證明支持向量機(jī)可以基于電流和振動(dòng)信號(hào)為變槳電機(jī)和變槳系統(tǒng)提供可靠、準(zhǔn)確的故障檢測和分類結(jié)果[17-19]。與決策樹和基于規(guī)則的分類方法不同，支持向量機(jī)的優(yōu)勢在于算法復(fù)雜度不會(huì)隨著特征空間的增加而增加。支持向量機(jī)通過在多維空間中構(gòu)造最優(yōu)超平面來區(qū)分樣本類別。為了方便解釋支持向量機(jī)的原理，本節(jié)僅考慮二維特征空間，當(dāng)然二維分類問題中的概念可以推廣到多類線性和非線性分類問題。二維訓(xùn)練數(shù)據(jù)集的輸入和二進(jìn)制輸出分別表示為xi∈Rm，yi∈{±1}，此時(shí)訓(xùn)練樣本可以表示為

(xi,yi|xi∈Rm,yi∈{±1}),i=1,2,…,N

(17)

通過訓(xùn)練，支持向量機(jī)能夠構(gòu)造如式(18)所示的決策函數(shù)：

fw,b(x)=sgn(wTx+b)

(18)

式中：wT為系數(shù)向量；b為超平面的偏差；sgn為二值函數(shù)。支持向量機(jī)的分離超平面應(yīng)滿足以下條件：

yi(wTxi+b)≥1,i=1,2,…,N

(19)

在滿足式(19)的超平面中，最優(yōu)超平面是到最近點(diǎn)距離最大的超平面。基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化歸納法，支持向量機(jī)的訓(xùn)練目標(biāo)為

(20)

式中：ei≥0，為松弛變量。

支持向量機(jī)在定義最優(yōu)分離超平面時(shí)只考慮到支持向量的影響。支持向量機(jī)可以同時(shí)處理線性和非線性分類問題。

3 試驗(yàn)與結(jié)果分析

3.1 試驗(yàn)平臺(tái)搭建

為驗(yàn)證上述方法的有效性，搭建風(fēng)電機(jī)組變槳驅(qū)動(dòng)器模擬試驗(yàn)平臺(tái)，以獲取不同故障狀態(tài)下變槳驅(qū)動(dòng)器三相電流數(shù)據(jù)。其中測試電機(jī)為三相四極異步電機(jī)，通過驅(qū)動(dòng)一個(gè)兩級(jí)的行星齒輪箱與負(fù)載相連，負(fù)載則使用三相八極異步電機(jī)。為模擬不同故障狀態(tài)下異步電機(jī)的三相電流情況，除健康狀態(tài)外，試驗(yàn)過程中分別人為增加轉(zhuǎn)子斷條故障、定子繞組故障、軸承斷裂、行星齒輪故障的故障形式。

3.2 試驗(yàn)結(jié)果分析

為了驗(yàn)證基于深度自動(dòng)編碼器和支持向量機(jī)的風(fēng)電機(jī)組變槳系統(tǒng)故障診斷模型的優(yōu)越性，在上述模擬試驗(yàn)平臺(tái)設(shè)置的基礎(chǔ)上，計(jì)算擴(kuò)展帕克矢量ip及其快速傅里葉變換，以矢量的形式提供給深度自動(dòng)編碼器。具體的，試驗(yàn)平臺(tái)共生成3 860個(gè)樣本，其中50%的測試樣本被用于培訓(xùn)深度自動(dòng)編碼器。本節(jié)的深度自動(dòng)編碼器架構(gòu)如圖3所示，其采用三階段堆疊式自動(dòng)編碼器進(jìn)行搭建。對于每一個(gè)樣本，通過每5 s采集一次的三相電流構(gòu)造擴(kuò)展帕克矢量ip，并計(jì)算其對應(yīng)的快速傅里葉變換來構(gòu)造輸入特征向量。經(jīng)深度自動(dòng)編碼器特征提取后的深度特征維度為200，然后使用這些特征集監(jiān)督訓(xùn)練一個(gè)分類器。為測試支持向量機(jī)的分類優(yōu)劣性，本節(jié)采用BP神經(jīng)網(wǎng)絡(luò)作為對比分類器。

圖3 深度自動(dòng)編碼器架構(gòu)Fig.3 Structure of deep autoencoder

在測試階段，利用訓(xùn)練好的深度自動(dòng)編碼器和支持向量機(jī)或BP神經(jīng)網(wǎng)絡(luò)對1 930個(gè)新的測試集生成分類結(jié)果，結(jié)果以混淆矩陣的形式呈現(xiàn)在圖4中。其中，故障1、故障2、故障3和故障4分別對應(yīng)轉(zhuǎn)子斷條故障、定子繞組故障、軸承斷裂和行星齒輪故障?；煜仃嚨膶蔷€元素表示成功診斷故障類型的樣本數(shù)量，非對角線元素表示錯(cuò)誤診斷故障類型的樣本數(shù)量。

從圖4(a)中可以看出，支持向量機(jī)對于轉(zhuǎn)子斷條故障和定子繞組故障識(shí)別準(zhǔn)確率達(dá)到99%以上，而BP神經(jīng)網(wǎng)絡(luò)的故障識(shí)別率約為97%和98%。支持向量機(jī)對于軸承斷裂和行星齒輪故障識(shí)別準(zhǔn)確率分別為95%和96%，而神經(jīng)網(wǎng)絡(luò)為92%和91%。在所有的測試樣本中，沒有一個(gè)故障類型被誤分類為健康，這表明僅依靠三相電流數(shù)據(jù)對變槳系統(tǒng)進(jìn)行故障檢測是可行的。在支持向量機(jī)中，約有5%的軸承斷裂故障被誤判為行星齒輪故障，這可能是因?yàn)樵谶@些故障情況下缺乏明確的主導(dǎo)頻率。

圖4 測試集分類結(jié)果(混淆矩陣)Fig.4 Classification results of test sets (confusion matrix)

4 結(jié)論

本文提出了一種基于深度自編碼器的故障檢測和分類方法，用于基于異步電機(jī)三相電流的變槳系統(tǒng)故障檢測。由于不需要重新搭設(shè)傳感器，該方法適用于海上風(fēng)電場等維護(hù)條件惡劣的風(fēng)電機(jī)組進(jìn)行實(shí)施。直軸和交軸電流可以從變頻驅(qū)動(dòng)器本身獲得，通過基于深度自編碼器和支持向量機(jī)的故障檢測系統(tǒng)就可以確定變槳系統(tǒng)的健康狀態(tài)。然而，所提出的方法僅在實(shí)驗(yàn)平臺(tái)上進(jìn)行了測試，因此在推廣之前該方法應(yīng)該在實(shí)際系統(tǒng)上進(jìn)行驗(yàn)證。同時(shí)，在未來需要改進(jìn)當(dāng)前信號(hào)的預(yù)處理方法，以達(dá)到更好的故障識(shí)別精度。