基于膠囊網(wǎng)絡(luò)的風(fēng)電機(jī)組主軸承故障診斷研究

劉紅艷，劉華新，朱霄珣

(1.河北軟件職業(yè)技術(shù)學(xué)院信息基礎(chǔ)教學(xué)部，河北 保定 071000;2.華北電力大學(xué)能源動力與機(jī)械工程學(xué)院，河北 保定 071003)

0 引言

發(fā)電機(jī)軸承作為風(fēng)力發(fā)電機(jī)組中重要的部件之一，需要重點關(guān)注其運(yùn)行狀態(tài)，對其進(jìn)行故障診斷以及實時的狀態(tài)監(jiān)測。目前，許多針對風(fēng)電機(jī)組發(fā)電機(jī)的故障診斷方法通常以高頻振動信號作為分析對象。然而，直驅(qū)式風(fēng)電機(jī)組發(fā)電機(jī)轉(zhuǎn)速較低，且多數(shù)配備在線的狀態(tài)監(jiān)測系統(tǒng)(condition monitoring system，CMS)，無法直接采集記錄高頻的振動信號進(jìn)行信號分析。兆瓦級的風(fēng)電機(jī)組通常配備監(jiān)控與數(shù)據(jù)采集(supervisory control and data acquisition，SCADA)系統(tǒng)?；赟CADA數(shù)據(jù)對發(fā)電機(jī)軸承進(jìn)行狀態(tài)監(jiān)測和故障預(yù)警，能降低預(yù)警的部署成本。

尹詩等[1]將SCADA數(shù)據(jù)和風(fēng)電機(jī)組發(fā)電機(jī)前軸承振動信號相結(jié)合，提出了一種時頻域建模方法。該方法結(jié)合了溫度殘差特征和振動頻域特征，以識別風(fēng)電機(jī)組發(fā)電機(jī)軸承故障。李輝等[2]提出改進(jìn)局部均值分解(local mean decomposition，LMD)方法，對風(fēng)機(jī)機(jī)組齒輪箱的振動信號進(jìn)行特征提取。魏樂等[3]基于貝葉斯優(yōu)化的XGBoost算法，構(gòu)建風(fēng)電機(jī)組發(fā)電機(jī)前軸承溫度預(yù)測模型，并通過預(yù)測值和實際值間的差別進(jìn)行故障診斷。董興輝[4]應(yīng)用最小二乘曲面擬合算法和集合經(jīng)驗?zāi)B(tài)分解(ensemble empirical mode decomposition，EEMD)方法，分析軸承惡化狀態(tài)。

本文提出了一種基于膠囊網(wǎng)絡(luò)的風(fēng)電機(jī)組發(fā)電機(jī)軸承狀態(tài)監(jiān)測方法。該方法首先建立能夠反映風(fēng)速、功率、溫度間動態(tài)關(guān)系的模型；其次，使用發(fā)電機(jī)軸承溫度動態(tài)模型獲得仿真的軸承溫度；然后，將仿真的軸承溫度、實際軸承溫度、轉(zhuǎn)速、機(jī)艙溫度等多個向量組成輸入矩陣；最后，基于膠囊網(wǎng)絡(luò)對輸入矩陣進(jìn)行特征提取和狀態(tài)識別，以實現(xiàn)遠(yuǎn)程診斷、監(jiān)測直驅(qū)式風(fēng)電機(jī)組發(fā)電機(jī)軸承狀態(tài)目的。

1 發(fā)電機(jī)軸承溫度動態(tài)模型

風(fēng)電機(jī)組的SCADA數(shù)據(jù)是10 min或者7 s的聚合數(shù)據(jù)。一些振動、電流電壓等高頻信號只能以特征值的形式保持在數(shù)據(jù)庫中，信息量丟失較多。而風(fēng)電機(jī)組上的溫度、位置信號變化頻率較低，信息保留完整。因此，基于SCADA的風(fēng)機(jī)狀態(tài)檢測重點關(guān)注這些信號[5]。

一些早期基于SCADA數(shù)據(jù)的風(fēng)電機(jī)組狀態(tài)監(jiān)測方法通常會判斷一些信號值是否超過閾值、其趨勢是否存在變化、是否發(fā)生波動，以及同一風(fēng)場相近同型號風(fēng)機(jī)的顯著性差異，從而發(fā)現(xiàn)設(shè)備異常。

實際上，發(fā)電機(jī)軸承的彎曲、松動、損傷均會導(dǎo)致軸承載荷增大，使其在長時間工作時溫升較高。而風(fēng)電機(jī)組的發(fā)電機(jī)軸承的溫度是和機(jī)艙溫度、發(fā)電機(jī)功率、設(shè)備散熱狀態(tài)等因素密切相關(guān)的動態(tài)量。因此，僅用閾值和相近風(fēng)機(jī)對比難以提前發(fā)現(xiàn)軸承損傷，但是可以通過監(jiān)測發(fā)電機(jī)軸承設(shè)備產(chǎn)熱和散熱速率。

為了提取發(fā)電機(jī)軸承的產(chǎn)熱和散熱速率的特征，本文建立了一種能夠短時預(yù)測發(fā)電機(jī)軸承溫度的動態(tài)模型，通過模型的參數(shù)間接反映設(shè)備的產(chǎn)熱和散熱速率特征。發(fā)電機(jī)軸承溫度動態(tài)模型如圖1所示。

圖1 發(fā)電機(jī)軸承溫度動態(tài)模型Fig.1 Dynamic model of generator bearing temperature

圖1中：RG為發(fā)電機(jī)轉(zhuǎn)速，是設(shè)備機(jī)械能輸入；TE為機(jī)艙溫度，表示設(shè)備的散熱環(huán)境；TG為設(shè)備本身溫度。圖1中的f()可以利用傳熱學(xué)原理推導(dǎo)。

式(1)為發(fā)電機(jī)軸承溫度變化和熱量關(guān)系公式。

Q=Cg[TG(k)-TG(k-s)]

(1)

式中：Q為發(fā)電機(jī)軸承變化的熱量；Cg為發(fā)電機(jī)軸承比熱容；TG(k)為k時刻發(fā)電機(jī)軸承溫度；TG(k-s)為(k-s)時刻的發(fā)電機(jī)軸承溫度。

Q=QIN-QOUT

(2)

式中：QIN為發(fā)電機(jī)軸承輸入熱量；QOUT為發(fā)電機(jī)軸承向外部輸出熱量。

由于發(fā)電機(jī)軸承輸入熱量主要來源于發(fā)電機(jī)轉(zhuǎn)動機(jī)械能，因此可將QIN化簡為發(fā)電機(jī)轉(zhuǎn)速的函數(shù)，并將發(fā)電機(jī)轉(zhuǎn)速的三次函數(shù)作為軸承在s時間間隔內(nèi)輸入熱量QIN。

(3)

式中：ks為常數(shù)；RGs為時間間隔s內(nèi)發(fā)電機(jī)平均轉(zhuǎn)速；a、b、c為常數(shù)。

發(fā)電機(jī)軸承散熱QOUT為：

(4)

式中：ks為常數(shù)；TG(k)為k時刻發(fā)電機(jī)軸承溫度；TE(k)為k時刻機(jī)艙環(huán)境溫度；RTG為熱阻。

(5)

綜合式(1)～式(5)，合并多項式參數(shù)，可得：

TGs(k)=f[TGs(k-s),RGs,TE]=

(6)

式中：u1～u10為常數(shù)；RGs發(fā)電機(jī)平均轉(zhuǎn)速；TE為機(jī)艙內(nèi)平均溫度；TGs(k-s)為(k-s)時刻的發(fā)電機(jī)軸承溫度。

采用10 min顆粒度SCADA數(shù)據(jù)，設(shè)置時間間隔s為3 h，RG取3 h內(nèi)發(fā)電機(jī)平均轉(zhuǎn)速，TE取3 h內(nèi)機(jī)艙平均溫度。采用某風(fēng)場A20#、A21#風(fēng)電機(jī)組2020年3月29日之前60日內(nèi)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，采用Levenberg-Marquardt(LM)法[6]尋求最優(yōu)的u1～u10值，并以得到訓(xùn)練數(shù)據(jù)之后6日的數(shù)據(jù)作為測試數(shù)據(jù)。

A20#、A21#機(jī)組均在2020年1月進(jìn)行了前軸承潤滑油添加置換。在2020年3月20日前，機(jī)組長時間滿發(fā)時的前軸承溫度在50 ℃以下，而A20#、A21#機(jī)組每5日函數(shù)f()計算的軸承溫度均值和實際溫度不存在明顯差異。由此可以推斷機(jī)組軸承狀態(tài)良好。

A20#和A21#發(fā)電機(jī)軸承溫度和如圖2所示。

圖2 A20#和A21#機(jī)組發(fā)電機(jī)前軸承溫度Fig.2 A20# and A21# unit generator front bearing temperature

從2020年3月20日開始，A20#機(jī)組的軸承實際溫度長時間高于函數(shù)f()計算值。因此，在2020年4月27日分別采集A20#、A21#機(jī)組的前軸承潤滑油進(jìn)行檢測。A20#機(jī)組前軸承潤滑油呈現(xiàn)黑紅色，含鐵量為14 875 mg/kg。A21#機(jī)組前軸承潤滑油鐵含量為524 mg/kg。根據(jù)檢測報告結(jié)論，A20#機(jī)組前軸承存在滾動體、滾道磨損或腐蝕及粉塵污染。但由于機(jī)組在質(zhì)保期內(nèi)，因此只進(jìn)行了加強(qiáng)監(jiān)測。從2020年4月27日到2020年5月23日，A20#機(jī)組前軸承溫度最高溫度逐漸升至72 ℃，經(jīng)過返廠拆解發(fā)現(xiàn)A20#機(jī)組前軸承存在偏心且磨損嚴(yán)重。

由圖2可知，通過對比發(fā)電機(jī)真實軸承溫度和函數(shù)f()計算結(jié)果，能夠在一定程度上發(fā)現(xiàn)軸承狀態(tài)異常。但在實際工作中，由于風(fēng)速的波動造成的參數(shù)差異[7]、故障風(fēng)機(jī)樣本數(shù)量較少、需要監(jiān)測的風(fēng)機(jī)設(shè)備數(shù)量多等因素，使得逐一比對發(fā)現(xiàn)問題的工作量巨大，難以實際應(yīng)用。故本文引入機(jī)器學(xué)習(xí)技術(shù)，以提高狀態(tài)監(jiān)測的實時性、準(zhǔn)確性，并盡可能在故障早期識別出軸承狀態(tài)異常。

2 膠囊網(wǎng)絡(luò)

針對風(fēng)電機(jī)組發(fā)電機(jī)軸承的狀態(tài)識別任務(wù)中，由于識別對象為源自機(jī)組溫度和轉(zhuǎn)速傳感器信息組成的多個向量，且故障樣本由于設(shè)備損壞概率低，正負(fù)樣本不均衡。所以卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)、長短期記憶人工神經(jīng)網(wǎng)絡(luò)(long and short term memory，LSTM)這類神經(jīng)網(wǎng)絡(luò)在處理這類任務(wù)時，存在訓(xùn)練集不足、難以識別輸入向量間關(guān)系等困難[8-9]。膠囊網(wǎng)絡(luò)作為識別模型，是2017年由Hinton等[10]提出的一種新型神經(jīng)網(wǎng)絡(luò)。膠囊網(wǎng)絡(luò)的特征提取方式、結(jié)構(gòu)特點和軸承狀態(tài)識別任務(wù)間有很好的契合度。

膠囊網(wǎng)絡(luò)模型如圖3所示。

圖3 膠囊網(wǎng)絡(luò)模型Fig.3 Capsule network model

膠囊網(wǎng)絡(luò)結(jié)構(gòu)和文獻(xiàn)[7]保持一致，僅在卷積核的大小、卷積方式、輸出特征向量數(shù)量上有所區(qū)別。膠囊網(wǎng)絡(luò)和CNN最大的不同就是取消了池化層，采用了膠囊層。這將避免輸入向量的空間特征丟失，同時使神經(jīng)網(wǎng)絡(luò)感知輸入向量間的空間位置關(guān)系。這也是膠囊網(wǎng)絡(luò)作為識別模型的優(yōu)勢所在。

由于Hinton設(shè)計了獨(dú)特的膠囊神經(jīng)元，使膠囊網(wǎng)絡(luò)能夠感知輸入向量空間位置。這與其他神經(jīng)網(wǎng)絡(luò)使用的標(biāo)量神經(jīng)元、向量神經(jīng)元具有明顯的差異。

膠囊神經(jīng)元的輸入不是標(biāo)量的集合，而是一組向量的集合。因此，在模型訓(xùn)練得到的權(quán)重中，實際上包含了能夠提取輸入向量和向量間空間位置關(guān)系的“知識”。CNN、遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)由于使用的神經(jīng)元處理的是標(biāo)量神經(jīng)元，難以提取輸入向量和向量間的位置關(guān)系。它們獲得的模型權(quán)重往往能夠識別輸入信號的不同“部分”特征，而對輸入信號不同“部分”特征之間的“角度”等位置關(guān)系[11]。

針對發(fā)電機(jī)軸承信號輸入源是表征設(shè)備時間域上的特征向量。特征向量在不同位置表現(xiàn)設(shè)備不同時間上的狀態(tài)。因此，本文選擇能夠識別輸入向量間空間位置信息的膠囊網(wǎng)絡(luò)，并將其作為識別模型。

3 模型的訓(xùn)練和試驗驗證

3.1 樣本數(shù)據(jù)源

本試驗選取西南某風(fēng)場共100臺同型號風(fēng)機(jī)2020年度運(yùn)行數(shù)據(jù)作為數(shù)據(jù)源。該風(fēng)場在2019年10～12月對風(fēng)場全部機(jī)組軸承潤滑油進(jìn)行加注，并在2020年4～6月對風(fēng)場全部機(jī)組進(jìn)行油樣送檢。風(fēng)電機(jī)組的軸承狀態(tài)如表1所示。

表1 風(fēng)電機(jī)組的軸承狀態(tài)Tab.1 Bearing condition of wind turbine

3.2 樣本數(shù)據(jù)集預(yù)處理

①選取前軸承狀態(tài)為優(yōu)機(jī)組、時間為送檢前20日內(nèi)顆粒度為10 min的運(yùn)行數(shù)據(jù)(包括發(fā)電機(jī)轉(zhuǎn)速R、機(jī)艙溫度TE、前軸承溫度傳感器1#TG1、前軸承溫度傳感器2#TG2)，并隨機(jī)選擇2個任意連續(xù)的4日作為正常狀態(tài)下樣本，共得152個正常樣本。

②選擇前軸承狀態(tài)為中機(jī)組的送檢前20日運(yùn)行數(shù)據(jù)，每4日數(shù)據(jù)作為1個樣本，每臺機(jī)組可得5個樣本，共90個重點監(jiān)測狀態(tài)樣本。

③選擇前軸承狀態(tài)為差機(jī)組的送檢前28日運(yùn)行數(shù)據(jù)，每4日數(shù)據(jù)作為1個樣本，每臺機(jī)組可得7個樣本，共42個損傷樣本狀態(tài)樣本。

④選取存在軸承溫度傳感器異常(溫度突增、靜止、傳感器溫度過大等)4日數(shù)據(jù)，共36個。

⑤對320個樣本，首先，選取其開始時間之前60日運(yùn)行數(shù)據(jù)，尋求發(fā)電機(jī)軸承溫度的動態(tài)模型函數(shù)f()的最優(yōu)參數(shù)；然后，利用該模型計算樣本區(qū)間內(nèi)機(jī)組軸承溫度，將真實軸承溫度TG減去模型計算值得到1#傳感器的Tdiff1和2#傳感器的Tdiff2；最后將TG1、Tdiff1、TG2、Tdiff2、R、TE分別歸一化后組成的輸入矩陣Vinput。將320個樣本隨機(jī)分為訓(xùn)練集樣本220個、測試集樣本100個。

使用相同方法獲得發(fā)電機(jī)后軸承樣本160個(油樣正常樣本70個、中等樣本35個、嚴(yán)重樣本14個、傳感器異常41個)。其中，110個樣本作為訓(xùn)練集，50個樣本作為訓(xùn)練集。

3.3 模型訓(xùn)練和試驗結(jié)果

本文采用Keras框架搭建神經(jīng)網(wǎng)絡(luò)，設(shè)初始權(quán)重Glorot均勻分布、學(xué)習(xí)率為0.001、迭代次數(shù)為5 000、前軸承網(wǎng)絡(luò)模型設(shè)置處理數(shù)據(jù)的batch_size為220、后軸承為batch_size為70。膠囊網(wǎng)絡(luò)結(jié)構(gòu)如表2所示。

表2 膠囊網(wǎng)絡(luò)結(jié)構(gòu)Tab.2 Capsule network structure

首先，將樣本輸入膠囊網(wǎng)絡(luò)中。其中，首層卷積核大小為1×12，次層卷積核大小為2×6。這是由于輸入矩陣Vinput的尺寸為6×576，即矩陣不同列表示4天內(nèi)不同時刻的數(shù)據(jù)。因此，盡可能寬的卷積核能夠提取較長時間段內(nèi)的特征信息，以防止卷積核只提取輸入信息和局部特征。取訓(xùn)練后loss穩(wěn)定收斂的膠囊網(wǎng)絡(luò)橫型作為最終訓(xùn)練結(jié)果。膠囊模型對軸承的識別結(jié)果如表3所示。

表3 膠囊網(wǎng)絡(luò)對軸承的識別結(jié)果Tab.3 Recognition results of bearings by capsule network

如表3所示：除了軸承狀態(tài)為中(即油樣檢測結(jié)果為Fe含量1 000～4 000 mg/kg)的樣本出現(xiàn)識別錯誤，其他狀態(tài)下全部識別正確。這是因為軸承狀態(tài)為中的其軸承溫度狀態(tài)變化較小，識別難度相對較大。

使用CNN、反向傳播(back proporgation,BP)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(support vector machine，SVM)對3.2節(jié)的測試集1(即前后軸承測試集合并)進(jìn)行識別，并按照3.1節(jié)數(shù)據(jù)預(yù)處理方式建立不含發(fā)電機(jī)軸承溫度的動態(tài)模型計算參數(shù)Tdiff1、Tdiff2的測試集2(前后軸承集合并)。同時，選取北方某2014年投運(yùn)的2.0 MW風(fēng)電場(52臺)，按照3.2節(jié)方法預(yù)處理后組成數(shù)據(jù)集3。由于該風(fēng)場機(jī)組發(fā)電機(jī)前軸承存在設(shè)計載荷不足的缺陷，自投運(yùn)到2021年期間，因故障和缺陷更換了18臺發(fā)電機(jī)，正樣本和負(fù)樣本均衡。對3個數(shù)據(jù)集進(jìn)行測試，以驗證膠囊網(wǎng)絡(luò)和其他算法在均衡樣本下的學(xué)習(xí)能力。

不同算法識別準(zhǔn)確率如表4所示。

表4 不同算法識別準(zhǔn)確率Tab.4 Different algorithm recognition accuracy %

表4所示的結(jié)果表明：提供軸承產(chǎn)熱散熱特征，能夠有效提升機(jī)器學(xué)習(xí)算法識別軸承狀態(tài)能力；同時，基于膠囊網(wǎng)絡(luò)的模型能夠在樣本數(shù)量少且正負(fù)樣本不均衡的數(shù)據(jù)前提下，更準(zhǔn)確地識別風(fēng)電機(jī)組發(fā)電機(jī)軸承狀態(tài)。而在正負(fù)樣本均衡的樣本數(shù)量多的情況下，CNN和膠囊網(wǎng)絡(luò)表現(xiàn)出較為一致的識別效果，BP神經(jīng)網(wǎng)絡(luò)和SVM則表現(xiàn)較差。

4 結(jié)論

為了對不具備振動監(jiān)測功能的直驅(qū)式風(fēng)電機(jī)組主軸承進(jìn)行遠(yuǎn)程故障診斷和狀態(tài)監(jiān)測，通過傳熱學(xué)建立風(fēng)電機(jī)組主軸承動態(tài)模型，提取設(shè)備的產(chǎn)熱和散熱狀態(tài)特征，再結(jié)合風(fēng)電機(jī)組運(yùn)行狀態(tài)組成狀態(tài)矩陣，通過膠囊網(wǎng)絡(luò)識別風(fēng)電機(jī)組主軸承狀態(tài)。通過試驗，膠囊網(wǎng)絡(luò)能夠在正負(fù)樣本不均衡的數(shù)據(jù)集下取得較高的診斷精度，為缺乏故障樣本的風(fēng)電場的直驅(qū)式機(jī)組主軸承的故障診斷提供參考。