基于LSTM-WPHM模型的風(fēng)機(jī)軸承故障報(bào)警與壽命預(yù)測(cè)方法*

馬明駿 趙海心 姜孝謨 成驍彬

(1.大連理工大學(xué)運(yùn)載工程與力學(xué)學(xué)部 2.大連理工大學(xué)能源與動(dòng)力學(xué)院，工業(yè)裝備結(jié)構(gòu)分析國(guó)家重點(diǎn)實(shí)驗(yàn)室，工業(yè)裝備數(shù)字孿生遼寧省重點(diǎn)實(shí)驗(yàn)室)

0 引言

風(fēng)電機(jī)組通常建造在如近海、草原和山區(qū)等偏遠(yuǎn)地帶，受天氣變化影響，其運(yùn)行存在很大的隨機(jī)性，且工況多變，加之自然環(huán)境極端惡劣，導(dǎo)致機(jī)組故障頻發(fā)，運(yùn)行成本居高不下[1]。對(duì)于在陸上偏遠(yuǎn)地區(qū)或海上的機(jī)組，維修時(shí)運(yùn)輸和吊裝風(fēng)機(jī)部件需要耗費(fèi)較長(zhǎng)時(shí)間，這使得機(jī)組停機(jī)時(shí)間長(zhǎng)，維護(hù)成本高，降低了風(fēng)機(jī)發(fā)電量和可靠性[2]，從而降低了風(fēng)場(chǎng)的實(shí)際經(jīng)濟(jì)效益。因此，如何降低風(fēng)電機(jī)組運(yùn)營(yíng)和維護(hù)成本是風(fēng)電廣泛應(yīng)用和進(jìn)一步發(fā)展的重大挑戰(zhàn)[3]。剩余運(yùn)行壽命預(yù)測(cè)可實(shí)現(xiàn)機(jī)組故障的早期預(yù)警和失效時(shí)間預(yù)估，幫助工作人員提前制定合理的維護(hù)計(jì)劃，減少風(fēng)機(jī)因故障導(dǎo)致的非正常停機(jī)，因而成為降低風(fēng)電機(jī)組運(yùn)維成本的有效手段。

軸承是傳動(dòng)鏈系統(tǒng)的關(guān)鍵部件之一，承擔(dān)風(fēng)機(jī)運(yùn)行時(shí)的載荷傳遞。風(fēng)機(jī)軸承在惡劣環(huán)境下運(yùn)行，受變轉(zhuǎn)速和變工況的影響，存在比其它工業(yè)軸承更高的故障率[4]。因此，對(duì)風(fēng)機(jī)軸承開展壽命預(yù)測(cè)研究，實(shí)現(xiàn)軸承的故障預(yù)測(cè)，并制定出合理有效的維護(hù)策略，有助于降低風(fēng)電機(jī)組的運(yùn)維成本，提高風(fēng)場(chǎng)的經(jīng)濟(jì)效益。

軸承壽命預(yù)測(cè)可分為基于物理機(jī)理和基于數(shù)據(jù)驅(qū)動(dòng)的兩類方法。前者根據(jù)失效機(jī)理建立相應(yīng)的數(shù)學(xué)模型來描述軸承退化模式，并預(yù)測(cè)出剩余壽命，常用的方法包括基于裂紋擴(kuò)展[5-6]和疲勞損傷[7-8]等機(jī)理模型。此類方法建模復(fù)雜，計(jì)算時(shí)間長(zhǎng)，側(cè)重于理論和試驗(yàn)研究，適用于軸承單一故障的壽命預(yù)測(cè)研究。后者基于海量歷史數(shù)據(jù)，構(gòu)建軸承壽命與關(guān)鍵變量之間的函數(shù)映射關(guān)系，實(shí)現(xiàn)對(duì)剩余壽命的預(yù)測(cè)，其預(yù)測(cè)精度依賴于數(shù)據(jù)和模型質(zhì)量。此類方法通?？煞譃榛诟怕式y(tǒng)計(jì)、機(jī)器學(xué)習(xí)和人工智能的三類方法。第一類方法根據(jù)大量軸承歷史壽命數(shù)據(jù)，建立可靠性模型來預(yù)測(cè)軸承壽命，其中威布爾（Weibull）分布作為一種普適性的概率分布函數(shù)[9]，常應(yīng)用于軸承的可靠性建模和分析[10]，來描述部件的不同失效模式。但該方法僅能反映軸承壽命的一般分布規(guī)律，對(duì)其在復(fù)雜運(yùn)行工況下進(jìn)行壽命預(yù)測(cè)時(shí)，會(huì)產(chǎn)生較大的偏差。第二和第三類方法都是根據(jù)軸承運(yùn)行多變量監(jiān)測(cè)數(shù)據(jù)，構(gòu)建軸承壽命與多個(gè)關(guān)鍵變量的非線性關(guān)系來實(shí)現(xiàn)壽命預(yù)測(cè)。第二類方法通?；诒壤L(fēng)險(xiǎn)、加速失效、邏輯回歸和支持向量機(jī)等機(jī)器學(xué)習(xí)模型[11-14]來實(shí)現(xiàn)軸承壽命預(yù)測(cè)，這種方法在壽命預(yù)測(cè)領(lǐng)域發(fā)展相對(duì)比較成熟，適用性非常廣泛。其中威布爾比例風(fēng)險(xiǎn)模型（Weibull Proportional Hazards Model，WPHM）[15]可對(duì)設(shè)備在不同狀態(tài)下進(jìn)行可靠性建模分析，被廣泛應(yīng)用于不同工業(yè)領(lǐng)域[16-18]。而第三類方法通?；诟鞣N人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)模型[19-21]，此類方法在近幾年迅速發(fā)展，其中長(zhǎng)短期記憶（Long Short Term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)，能考慮多維變量的相關(guān)性和時(shí)序前后依賴性，自動(dòng)提取特征進(jìn)行預(yù)測(cè)。本文發(fā)展一種融合WPHM 模型和LSTM 深度神經(jīng)網(wǎng)絡(luò)的混合方法，實(shí)現(xiàn)對(duì)風(fēng)機(jī)軸承剩余壽命的準(zhǔn)確預(yù)測(cè)。

目前，基于SCADA 數(shù)據(jù)的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)研究已取得不錯(cuò)的效果[22-23]，而基于SCADA數(shù)據(jù)的風(fēng)機(jī)剩余壽命預(yù)測(cè)研究還處于初步階段。在SCADA 數(shù)據(jù)中，溫度能直觀反映出軸承故障受復(fù)雜惡劣的運(yùn)行環(huán)境和復(fù)雜工況影響，其表現(xiàn)不明顯，給傳統(tǒng)方法實(shí)現(xiàn)壽命預(yù)測(cè)帶來困難。軸承溫度通常與其它變量存在復(fù)雜的非線性關(guān)系，若根據(jù)健康狀態(tài)下的數(shù)據(jù)，建立軸承溫度與相關(guān)變量的映射關(guān)系，模擬出軸承溫度在健康狀態(tài)下的變化，便能識(shí)別出軸承的異常狀態(tài)。

LSTM 神經(jīng)網(wǎng)絡(luò)作為循環(huán)神經(jīng)網(wǎng)路（Recurrent Neural Network，RNN）的變體，在時(shí)序數(shù)據(jù)預(yù)測(cè)建模中表現(xiàn)出極強(qiáng)的適應(yīng)性和很高的精度，同時(shí)解決了RNN的長(zhǎng)期記憶能力不足、梯度消失和梯度爆炸等問題，因此在基于SCADA數(shù)據(jù)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)方面取得了良好的效果[24-25]。但目前這些研究還沒發(fā)展用于風(fēng)電軸承剩余壽命預(yù)測(cè)。

本文針對(duì)風(fēng)電軸承，發(fā)展基于SCADA 多維變量數(shù)據(jù)的無縫融合LSTM和WPHM的建模方法，實(shí)現(xiàn)軸承的故障預(yù)警和壽命預(yù)測(cè)有機(jī)結(jié)合。利用LSTM 預(yù)測(cè)模型集成風(fēng)場(chǎng)環(huán)境和風(fēng)機(jī)運(yùn)行特性對(duì)軸承溫度數(shù)據(jù)的影響，并根據(jù)預(yù)測(cè)得到的軸承運(yùn)行狀態(tài)指標(biāo)，建立WPHM可靠性模型，實(shí)現(xiàn)對(duì)風(fēng)機(jī)軸承的可靠性分析。根據(jù)分析結(jié)果，給出機(jī)組故障預(yù)警，同時(shí)對(duì)當(dāng)前的可靠性變化趨勢(shì)進(jìn)行擬合，預(yù)測(cè)出機(jī)組未來的可靠性變化趨勢(shì)，實(shí)現(xiàn)機(jī)組的剩余壽命預(yù)測(cè)。本文使用實(shí)際海上風(fēng)場(chǎng)的發(fā)電機(jī)驅(qū)動(dòng)端軸承運(yùn)行數(shù)據(jù)和故障案例，驗(yàn)證所提出方法的有效性和準(zhǔn)確性。

1 軸承剩余壽命預(yù)測(cè)模型

1.1 LSTM多變量預(yù)測(cè)模型

風(fēng)電機(jī)組運(yùn)行環(huán)境復(fù)雜，存在變轉(zhuǎn)速、變工況等特性，導(dǎo)致軸承溫度會(huì)出現(xiàn)周期性的波動(dòng)，影響傳統(tǒng)WPHM模型的可靠性分析精度。考慮到軸承溫度與其它影響因素存在非線性關(guān)系，本研究建立LSTM多變量時(shí)序預(yù)測(cè)模型，擬合機(jī)組健康狀態(tài)下軸承溫度與相關(guān)變量的關(guān)系，由此預(yù)測(cè)軸承溫度在健康狀態(tài)下的理論值，并以實(shí)際值與預(yù)測(cè)值的殘差作為軸承狀態(tài)指標(biāo)進(jìn)行可靠性分析，實(shí)現(xiàn)更準(zhǔn)確的剩余壽命預(yù)測(cè)。

根據(jù)風(fēng)電領(lǐng)域的工程經(jīng)驗(yàn)和專家知識(shí)，軸承溫度主要與2 個(gè)方面的因素相關(guān)，一是與軸承自身轉(zhuǎn)速相關(guān)，轉(zhuǎn)速受運(yùn)行工況影響，風(fēng)速越大，功率越高，軸承轉(zhuǎn)速就越快其溫度也就高。二是與風(fēng)機(jī)運(yùn)行環(huán)境相關(guān)，軸承溫度受晝夜交替、季節(jié)變化等外界環(huán)境的影響。對(duì)于發(fā)電機(jī)軸承，其溫度還會(huì)受繞組溫度的影響。發(fā)電機(jī)繞組和軸承位置相近，且繞組溫度高于軸承溫度，因此，發(fā)電機(jī)繞組的熱量會(huì)傳遞給軸承，當(dāng)繞組溫度過高時(shí)，會(huì)導(dǎo)致軸承溫度升高。

綜上，本研究選取繞組溫度、轉(zhuǎn)速、風(fēng)速、有功功率、環(huán)境溫度和機(jī)艙溫度6 個(gè)SCADA 系統(tǒng)變量作為模型輸入，表示為X={x1,x2,…,x6} ，用于預(yù)測(cè)發(fā)電機(jī)軸承溫度，表示為y。圖1展示了LSTM-WPHM模型結(jié)構(gòu)和算法流程，其中LSTM 軸承溫度預(yù)測(cè)模型由2 層LSTM神經(jīng)網(wǎng)絡(luò)，2 層Dropout 層和1 層全連接層組成，每層LSTM后添加的Dropout層，在每次迭代訓(xùn)練中隨機(jī)減掉20%的神經(jīng)元，以減少模型出現(xiàn)過擬合的概率。

圖1 LSTM-WPHM模型結(jié)構(gòu)和應(yīng)用流程Fig.1 Architecture and application process of LSTMWPHM

LSTM 神經(jīng)網(wǎng)絡(luò)是一種遞歸神經(jīng)網(wǎng)絡(luò)，其通過引入輸入門、遺忘門和輸出門來實(shí)現(xiàn)刪除或增加信息到細(xì)胞狀態(tài)，對(duì)處理長(zhǎng)時(shí)間序列數(shù)據(jù)問題上更具優(yōu)勢(shì)[30]。模型中Ct為細(xì)胞狀態(tài)單元，表征長(zhǎng)期記憶，ht為隱層狀態(tài)單元，表征短期記憶，ft，it和Ot分別為遺忘門控單元、輸入門控單元和輸出門控單元，代入某個(gè)時(shí)刻的SCADA變量Xt，ft，it和Ot可表示為：

式中，Wf，Wi和WO為各門控單元的權(quán)值矩陣，bf，bi和bO為各門控單元的偏置矩陣。模型中遺忘門是將長(zhǎng)期記憶中的不相關(guān)信息進(jìn)行遺忘，保留重要信息，其中遺忘門控單元ft用于調(diào)節(jié)長(zhǎng)期記憶Ct的遺忘程度。輸入門是對(duì)短期記憶中的信息進(jìn)行更新，并從中篩選出重要信息作為候選記憶單元添加進(jìn)長(zhǎng)期記憶，其中輸入門控單元it用于調(diào)節(jié)候選記憶單元的添加程度，可表示為：

式中，WC為候選記憶單元的權(quán)值矩陣，bC為候選記憶單元的偏置矩陣。輸出門是對(duì)遺忘門和輸入門的信息進(jìn)行匯總，更新細(xì)胞狀態(tài)單元Ct和隱層狀態(tài)單元ht，并給出模型輸出yt，表達(dá)式如下

式中，符號(hào)?表示矩陣乘法運(yùn)算；ft?Ct-1表示記憶遺忘階段；it?表示記憶更新階段。選取風(fēng)機(jī)軸承健康階段的運(yùn)行數(shù)據(jù)，訓(xùn)練LSTM軸承溫度預(yù)測(cè)模型，建立軸承溫度與6個(gè)影響因素的映射關(guān)系。利用LSTM模型預(yù)測(cè)出軸承正常運(yùn)行的溫度值，當(dāng)軸承發(fā)生異常時(shí)，預(yù)測(cè)值與實(shí)際值會(huì)發(fā)生較大偏差。因此，本文以預(yù)測(cè)值與實(shí)際值的殘差δ作為表征軸承狀態(tài)的指標(biāo)，計(jì)算公式如下：

式中，ytrue和ypre分別為軸承溫度實(shí)際值和預(yù)測(cè)值。

1.2 WPHM軸承可靠性模型

傳統(tǒng)的比例風(fēng)險(xiǎn)模型（Proportional Hazards Model，PHM），又稱Cox 模型，是由英國(guó)統(tǒng)計(jì)學(xué)家D.R.Cox 提出的一種半?yún)?shù)統(tǒng)計(jì)回歸模型。該模型假設(shè)設(shè)備在t時(shí)刻的失效率λ(t,X)由兩個(gè)影響函數(shù)組成，即基線失效率λ0(t)和監(jiān)測(cè)變量X影響的指數(shù)函數(shù)g(X)。本研究將式（8）得到的軸承狀態(tài)指標(biāo)δ代入模型，得到LSTMPHM的失效率表達(dá)為：

式中，λ0(t)為僅與歷史壽命t有關(guān)的基線失效率函數(shù)，g(δ)=eαδ為影響軸承故障的關(guān)鍵變量函數(shù)，α為對(duì)應(yīng)的回歸系數(shù)，反映狀態(tài)指標(biāo)對(duì)機(jī)械設(shè)備失效的影響程度。相較于傳統(tǒng)PHM 模型，本研究提出的模型通過LSTM 模型融合6 個(gè)關(guān)鍵變量X={x1,x2,…,x6} 為軸承狀態(tài)指標(biāo)δ，不僅有效地集成了多個(gè)關(guān)鍵變量的影響，而且極大地簡(jiǎn)化了PHM模型參數(shù)的估計(jì)。

傳統(tǒng)的PHM模型不假定λ0()t的分布形式，僅根據(jù)現(xiàn)有數(shù)據(jù)給出離散型的基線失效率，無法給出隨歷史壽命變化的連續(xù)型基線失效率?？紤]到不同機(jī)械設(shè)備在特定工況下都有其相應(yīng)的失效分布函數(shù)，本研究將可靠性函數(shù)中常用的Weibull分布引入式（9），建立全參數(shù)統(tǒng)計(jì)回歸的LSTM-WPHM 模型，來對(duì)機(jī)械設(shè)備進(jìn)行更準(zhǔn)確地分析，其失效率函數(shù)表達(dá)式為：

式中，η和β分別為Weibull分布的尺度參數(shù)和形狀參數(shù)，其中β＜1表示故障發(fā)生在早期階段，通常由材料或制造等因素導(dǎo)致；β＞1表示故障發(fā)生在老化階段，由設(shè)備長(zhǎng)時(shí)間運(yùn)行引起的磨損、疲勞和腐蝕等因素導(dǎo)致；β=1表示在運(yùn)行過程中故障發(fā)生是隨機(jī)的。

LSTM-WPHM 軸承可靠性模型中的未知參數(shù)采用極大似然法進(jìn)行估計(jì)，其對(duì)數(shù)似然函數(shù)為如下：

式中，q為樣本失效個(gè)數(shù)；n為數(shù)據(jù)樣本總數(shù)。對(duì)lnL(β,η,α)中的未知參數(shù)β，η和α分別求偏導(dǎo)，并令各偏導(dǎo)數(shù)等于零得到非線性方程組，利用BFGS 迭代算法求解該方程組，得到參數(shù)估計(jì)值，和。

根據(jù)可靠性原理，LSTM-WPHM模型的累積失效概率為：

根據(jù)式（12）對(duì)給定機(jī)組進(jìn)行可靠性分析，計(jì)算風(fēng)機(jī)軸承隨運(yùn)行時(shí)間變化的累積失效概率F(t,δ)。累積失效概率能夠表征軸承的故障程度，其數(shù)值越大，說明軸承損傷的程度越大。因此，以累積失效概率作為軸承的失效指標(biāo)，并根據(jù)故障機(jī)組和健康機(jī)組的分析結(jié)果，確定出機(jī)組的報(bào)警閾值Fa和失效閾值Ff，用于機(jī)組的故障報(bào)警和壽命預(yù)測(cè)。

1.3 LSTM-WPHM模型故障報(bào)警及壽命預(yù)測(cè)

圖2 為L(zhǎng)STM-WPHM 混合模型對(duì)機(jī)組故障報(bào)警和壽命預(yù)測(cè)的示意圖。首先通過LSTM 模型融合多維變量數(shù)據(jù)，計(jì)算出軸承狀態(tài)指標(biāo)，然后根據(jù)式（12）計(jì)算出軸承的累積失效概率F，當(dāng)F達(dá)到報(bào)警閾值Fa時(shí)，給出機(jī)組故障預(yù)警，并開始對(duì)機(jī)組進(jìn)行壽命預(yù)測(cè)分析。本研究對(duì)F變化趨勢(shì)進(jìn)行曲線擬合，預(yù)測(cè)機(jī)組F未來的變化趨勢(shì)，當(dāng)預(yù)測(cè)的F值達(dá)到失效閾值Ff時(shí)，判定軸承完全失效。軸承運(yùn)行出現(xiàn)報(bào)警時(shí)，通常認(rèn)為其出現(xiàn)了早期故障征兆，在沒有維修的情況下，軸承失效概率會(huì)隨著運(yùn)行時(shí)長(zhǎng)呈現(xiàn)非線性單調(diào)上升趨勢(shì)。因此，本研究采用指數(shù)函數(shù)來擬合失效概率趨勢(shì)，表達(dá)式為：

圖2 故障報(bào)警與剩余壽命預(yù)測(cè)相結(jié)合的示意圖Fig.2 Schematic diagram of fault alarming and remaining life estimation simultaneously

式中，t為機(jī)組軸承運(yùn)行時(shí)長(zhǎng)。當(dāng)達(dá)到失效閾值Ff時(shí)，軸承的剩余壽命tRUL為

式中，ta是機(jī)組報(bào)警時(shí)間；tpf是預(yù)測(cè)出的軸承失效時(shí)間。

風(fēng)電機(jī)組運(yùn)行存在很大的隨機(jī)性，這導(dǎo)致風(fēng)機(jī)軸承實(shí)際運(yùn)行壽命也存在較大的不確定性。本研究通過擬合曲線參數(shù)估計(jì)的置信區(qū)間，給出失效指標(biāo)趨勢(shì)變化的上下限，從而得到機(jī)組軸承的剩余壽命區(qū)間，進(jìn)而定量化剩余壽命的不確定性。由此，通過LSTMWPHM 混合模型，同時(shí)實(shí)現(xiàn)對(duì)風(fēng)機(jī)軸承運(yùn)行故障報(bào)警和剩余壽命預(yù)測(cè)的有機(jī)結(jié)合。

2 算法流程

本文所提出的軸承故障報(bào)警和壽命預(yù)測(cè)相結(jié)合的算法流程如圖3所示，具體步驟如下：

圖3 故障報(bào)警及壽命預(yù)測(cè)算法流程Fig.3 Algorithm flow of fault alarm and life prediction

1）數(shù)據(jù)提取：從機(jī)組SCADA系統(tǒng)中提取建模所需的7個(gè)相關(guān)變量數(shù)據(jù)作為機(jī)組原始數(shù)據(jù)。

2）數(shù)據(jù)預(yù)處理：對(duì)數(shù)據(jù)中的空缺值和停機(jī)數(shù)據(jù)進(jìn)行處理，其中對(duì)空缺值采用中位數(shù)進(jìn)行填充，對(duì)有功功率小于0 或風(fēng)速小于3m/s 的風(fēng)機(jī)停機(jī)數(shù)據(jù)進(jìn)行刪除。對(duì)不同變量數(shù)據(jù)進(jìn)行歸一化處理，使數(shù)據(jù)映射到0～1之間，以消除變量間的量綱影響。

3）LSTM建模：利用前面所述的LSTM建模方法構(gòu)建健康狀態(tài)下各關(guān)鍵變量與軸承溫度的非線性映射關(guān)系。

4）狀態(tài)指標(biāo)計(jì)算：以LSTM模型給出的軸承溫度預(yù)測(cè)值和實(shí)際值的殘差作為表征軸承運(yùn)行狀態(tài)的指標(biāo)，以此融合各類因素對(duì)軸承溫度的影響。

5）可靠性建模：選取故障機(jī)組在故障發(fā)生時(shí)刻和健康機(jī)組在多個(gè)不同時(shí)刻下的變量數(shù)據(jù)作為建模數(shù)據(jù)，根據(jù)式（10）建立LSTM-WPHM 混合可靠性模型，并利用極大似然估計(jì)方法估計(jì)模型參數(shù)。

6）可靠性分析：基于LSTM-WPHM模型，根據(jù)等式（11）對(duì)機(jī)組進(jìn)行可靠性分析，給出機(jī)組隨時(shí)間變化的累積失效概率。

7）報(bào)警閾值確定：通過分析訓(xùn)練集中故障機(jī)組和健康機(jī)組的累積失效概率差異，確定報(bào)警閾值Fa和失效閾值Ff。

8）機(jī)組故障報(bào)警：基于LSTM-WPHM 模型對(duì)機(jī)組的分析結(jié)果，根據(jù)報(bào)警閾值和故障閾值，實(shí)現(xiàn)機(jī)組的實(shí)時(shí)監(jiān)測(cè)和多級(jí)故障報(bào)警。

9）剩余壽命預(yù)測(cè)：當(dāng)模型給出機(jī)組故障預(yù)警時(shí)，根據(jù)機(jī)組的可靠性分析結(jié)果，利用式（13）擬合機(jī)組的累積失效概率變化趨勢(shì)?；跀M合曲線預(yù)測(cè)機(jī)組該指標(biāo)的未來變化，并根據(jù)式（14）計(jì)算出機(jī)組故障剩余壽命區(qū)間，從而實(shí)現(xiàn)機(jī)組故障報(bào)警和壽命預(yù)測(cè)的有機(jī)結(jié)合。

10）預(yù)測(cè)維護(hù)：基于LSTM-WPHM得到的故障報(bào)警和預(yù)測(cè)的剩余壽命，提前規(guī)劃軸承維修范圍和策略，準(zhǔn)備維修資源和備件，實(shí)現(xiàn)基于設(shè)備運(yùn)行條件的預(yù)測(cè)性維護(hù)。這樣減少軸承因故障導(dǎo)致的非計(jì)劃停機(jī)，提高風(fēng)機(jī)軸承的可靠性，減少維修停機(jī)時(shí)間，降低維修成本。

3 算例驗(yàn)證

3.1 算例數(shù)據(jù)

以某海上風(fēng)場(chǎng)4MW風(fēng)電機(jī)組中的發(fā)電機(jī)驅(qū)動(dòng)端軸承故障為例，利用24 臺(tái)故障機(jī)組和75 臺(tái)健康機(jī)組從2016年到2019年的SCADA數(shù)據(jù)作為訓(xùn)練集，24臺(tái)故障機(jī)組和20 臺(tái)健康機(jī)組2020 年的SCADA 數(shù)據(jù)作為測(cè)試集，對(duì)模型和方法進(jìn)行驗(yàn)證。首先從SCADA 系統(tǒng)中提取驅(qū)動(dòng)端軸承溫度、繞組溫度、轉(zhuǎn)速、風(fēng)速、有功功率、環(huán)境溫度和機(jī)艙溫度7 個(gè)變量的數(shù)據(jù)，并根據(jù)上述流程，對(duì)變量數(shù)據(jù)進(jìn)行預(yù)處理，包括填充空缺值、刪除停機(jī)數(shù)據(jù)和數(shù)據(jù)歸一化。同時(shí)，對(duì)采樣間隔為10 分鐘的原始SCADA 數(shù)據(jù)進(jìn)行降頻，通過計(jì)算每1 小時(shí)內(nèi)的數(shù)據(jù)均值，得到采樣間隔為1小時(shí)的降頻數(shù)據(jù)。

3.2 LSTM溫度預(yù)測(cè)模型

受變轉(zhuǎn)速、變工況以及環(huán)境變化的影響，軸承溫度會(huì)呈現(xiàn)周期性的波動(dòng)。圖4 展示了3 個(gè)相關(guān)溫度變量的變化趨勢(shì)，可以看出驅(qū)動(dòng)端軸承溫度變化趨勢(shì)與繞組溫度和環(huán)境溫度的趨勢(shì)相同，說明驅(qū)動(dòng)端軸承溫度會(huì)受到繞組溫度和環(huán)境溫度的影響。

圖4 溫度變量變化趨勢(shì)Fig.4 Temperature variable trends

選取預(yù)處理后的每臺(tái)機(jī)組至少6 個(gè)月的健康運(yùn)行數(shù)據(jù)作為訓(xùn)練集，建立LSTM 軸承溫度預(yù)測(cè)模型，構(gòu)建健康狀態(tài)下各影響因素與驅(qū)動(dòng)端軸承溫度的映射關(guān)系。圖5為訓(xùn)練集中部分機(jī)組的模型訓(xùn)練過程，可以看出，隨著迭代次數(shù)的增加，訓(xùn)練誤差和驗(yàn)證誤差均逐漸趨于平穩(wěn)，說明LSTM模型已經(jīng)收斂。

圖5 LSTM模型訓(xùn)練過程Fig.5 Training error of LSTM model

利用非訓(xùn)練集的健康運(yùn)行數(shù)據(jù)對(duì)LSTM 模型進(jìn)行驗(yàn)證，圖6 為訓(xùn)練集中99 臺(tái)機(jī)組的模型決定系數(shù)（RSquare，R2）和均方誤差（Mean Squared Error，MSE）分析結(jié)果，可以看出，訓(xùn)練集中97%機(jī)組的R2大于0.8，R2的平均值為0.881，91.9%機(jī)組的MSE小于0.001，MSE的平均值為0.00067，說明LSTM模型的擬合精度非常高。

圖6 LSTM模型驗(yàn)證結(jié)果Fig.6 Validation results of LSTM model

利用LSTM 模型計(jì)算出健康狀態(tài)下的驅(qū)動(dòng)端軸承溫度預(yù)測(cè)值，并以預(yù)測(cè)值與實(shí)際值的殘差作為表征驅(qū)動(dòng)端軸承運(yùn)行狀態(tài)的新指標(biāo)，來消除驅(qū)動(dòng)端軸承溫度的波動(dòng)性，進(jìn)而突顯出驅(qū)動(dòng)端軸承溫度異常。圖7展示了驅(qū)動(dòng)端軸承原始溫度和LSTM 模型計(jì)算出的軸承狀態(tài)指標(biāo)數(shù)據(jù)，可以看出，新的軸承狀態(tài)指標(biāo)相比于原始軸承溫度更為平穩(wěn)，且能夠更明顯地反映出機(jī)組運(yùn)行過程中的軸承異常。

圖7 驅(qū)動(dòng)端軸承原始溫度和狀態(tài)指標(biāo)Fig.7 Drive-end bearing original temperature and condition indicator

3.3 模型比較

選取訓(xùn)練集中的24臺(tái)故障機(jī)組在故障時(shí)刻和75臺(tái)健康機(jī)組在多個(gè)任意時(shí)刻下的變量數(shù)據(jù)，分別建立發(fā)電機(jī)驅(qū)動(dòng)端軸承故障的WPHM模型和LSTM-WPHM模型。表1 為兩種模型的參數(shù)估計(jì)結(jié)果，可以看出，兩種模型的參數(shù)β均大于1，α均大于0，說明兩種模型均模擬該故障為退化失效模式，且驅(qū)動(dòng)端軸承溫度越高，故障程度越大，符合軸承故障機(jī)理。兩種模型的p值均為0，說明建立的兩種模型均有較高的擬合精度。

表1 模型參數(shù)估計(jì)結(jié)果Tab.1 Parameter estimation results of models

利用得到的WPHM和LSTM-WPHM模型分別對(duì)故障機(jī)組A和健康機(jī)組B進(jìn)行分析。圖8和圖9分別展示了兩種模型對(duì)故障機(jī)組A和健康機(jī)組B的分析結(jié)果，紅色垂直虛線為SCADA系統(tǒng)故障報(bào)警時(shí)刻，可以看出，兩種模型均能識(shí)別出軸承故障，且能捕捉到軸承的失效退化階段，實(shí)現(xiàn)機(jī)組故障預(yù)警，但LSTM-WPHM 模型對(duì)機(jī)組健康階段計(jì)算出的累積失效概率更低，更符合軸承的健康運(yùn)行狀態(tài)，特別是對(duì)于健康機(jī)組，可以明顯地減少對(duì)機(jī)組的誤報(bào)。

圖8 故障機(jī)組A累積失效概率分析結(jié)果Fig.8 Cumulative failure probability analysis of faulty unit A

圖9 健康機(jī)組B累積失效概率分析結(jié)果Fig.9 Cumulative failure probability analysis of healthy unit B

3.4 故障報(bào)警與壽命預(yù)測(cè)

根據(jù)式（12）對(duì)訓(xùn)練集中的24臺(tái)故障機(jī)組和75臺(tái)健康機(jī)組進(jìn)行分析，通過對(duì)比故障機(jī)組和健康機(jī)組的分析結(jié)果，確定驅(qū)動(dòng)端軸承故障的報(bào)警閾值和故障閾值。圖10為訓(xùn)練集機(jī)組累積失效概率分析結(jié)果的統(tǒng)計(jì)特征散點(diǎn)圖，可以看出，80%故障機(jī)組的累積失效概率最大值大于0.5（紅色虛線），而所有健康機(jī)組的最大值小于0.2（黃色點(diǎn)劃線）。因此本研究分別選取0.2和0.5作為報(bào)警閾值Fa和故障閾值Ff，實(shí)現(xiàn)軸承故障的多級(jí)報(bào)警。從圖10 中還可以看出，全部機(jī)組的累積失效概率均值均小于0.05（藍(lán)色點(diǎn)線），而大部分健康機(jī)組的累積失效概率最大值大于0.05（藍(lán)色點(diǎn)線），表明部分健康機(jī)組可能已經(jīng)存在故障的風(fēng)險(xiǎn)，所以本研究選取0.05作為識(shí)別軸承可靠性出現(xiàn)異常的閾值，開始捕捉軸承異常變化趨勢(shì)，實(shí)現(xiàn)軸承故障預(yù)測(cè)。

圖10 機(jī)組累積失效概率分析結(jié)果的統(tǒng)計(jì)特征Fig.10 Statistical characteristics of cumulative failure probability analysis results for all units

當(dāng)累積失效概率超過0.2 時(shí)，軸承進(jìn)入失效退化階段，給出軸承故障預(yù)警，并根據(jù)報(bào)警前6 個(gè)月的數(shù)據(jù)對(duì)軸承進(jìn)行壽命預(yù)測(cè)分析?；谧R(shí)別到的軸承異常數(shù)據(jù)，利用式（13）擬合機(jī)組累積失效概率隨運(yùn)行時(shí)間的變化趨勢(shì)，預(yù)測(cè)軸承未來的累積失效概率，利用式（14）估計(jì)出軸承的剩余壽命?？紤]到運(yùn)行過程中機(jī)組壽命存在較大的不確定性，本文基于擬合曲線參數(shù)估計(jì)的99.5%置信區(qū)間，給出累積失效概率變化趨勢(shì)曲線的上下限，從而給出機(jī)組剩余壽命的預(yù)測(cè)區(qū)間。

利用2 臺(tái)故障機(jī)組C 和D 對(duì)提出的故障報(bào)警及壽命預(yù)測(cè)方法進(jìn)行驗(yàn)證，圖11 展示了LSTM-WPHM 模型對(duì)2 臺(tái)故障機(jī)組的故障預(yù)警和壽命預(yù)測(cè)分析結(jié)果。故障機(jī)組C在2019/06/02 16:11發(fā)生故障，模型在2019/04/05 22:00 給出機(jī)組故障預(yù)警，并預(yù)測(cè)機(jī)組在606 小時(shí)到1562小時(shí)之間發(fā)生故障，提前了57天18小時(shí)預(yù)測(cè)出機(jī)組故障（圖11a）。故障機(jī)組D 在2020/06/02 07:53 發(fā)生故障，模型在2020/04/30 22:00給出故障預(yù)警，并預(yù)測(cè)機(jī)組在599 小時(shí)到963 小時(shí)之間發(fā)生故障，提前32 天9 小時(shí)預(yù)測(cè)出機(jī)組故障（圖11b）。由此說明，本文提出的故障報(bào)警和壽命預(yù)測(cè)相結(jié)合算法能夠提前給出預(yù)警，并可以準(zhǔn)確地預(yù)測(cè)出機(jī)組發(fā)生故障前的剩余壽命。

圖11 LSTM-WPHM模型故障報(bào)警與壽命預(yù)測(cè)分析結(jié)果Fig.11 Analysis results of LSTM-WPHM fault alarm and life prediction

3.5 算法精度驗(yàn)證

為進(jìn)一步驗(yàn)證所提方法的準(zhǔn)確性和有效性，利用上述方法對(duì)測(cè)試集中的24臺(tái)故障機(jī)組和20臺(tái)健康機(jī)組進(jìn)行故障報(bào)警和壽命預(yù)測(cè)分析。表2 為測(cè)試集機(jī)組報(bào)警結(jié)果，可以看出，對(duì)24 臺(tái)故障機(jī)組給出19 次故障報(bào)警，其中3 次為機(jī)組健康階段的誤報(bào)，報(bào)警準(zhǔn)確率為66.7%，對(duì)20 臺(tái)健康機(jī)組給出7 次誤報(bào)，報(bào)警準(zhǔn)確率為65%?？梢姡瑱C(jī)組報(bào)警整體準(zhǔn)確率為65.9%，準(zhǔn)確率較低，且測(cè)試集機(jī)組報(bào)警中的誤報(bào)率也相對(duì)較高，整體誤報(bào)率為25.6%。

表2 測(cè)試集機(jī)組報(bào)警結(jié)果Tab.2 Alarm analysis results of test units

針對(duì)上述誤報(bào)和漏報(bào)情況，選取典型機(jī)組進(jìn)行分析。圖12 為測(cè)試集中誤報(bào)機(jī)組的兩個(gè)分析案例，對(duì)于故障機(jī)組E，模型在2020 年3 月給出故障報(bào)警，而系統(tǒng)并未發(fā)生報(bào)警，但從原始軸承溫度可以看出，溫度存在異常，但由于沒有達(dá)到系統(tǒng)設(shè)置的90℃的報(bào)警閾值，所以系統(tǒng)沒有給出警報(bào)，因此考慮該誤報(bào)為模型識(shí)別出的系統(tǒng)漏報(bào)。同理，對(duì)于健康機(jī)組F，模型在2020年10月至11 月給出故障報(bào)警，但由于原始軸承溫度并未達(dá)到系統(tǒng)報(bào)警閾值，所以沒有給出警報(bào)。

圖12 誤報(bào)機(jī)組的分析結(jié)果Fig.12 Analysis results of false alarms

測(cè)試集中的機(jī)組誤報(bào)大多為系統(tǒng)未識(shí)別出的漏報(bào)，若考慮上述情況，測(cè)試集的10次誤報(bào)中有8個(gè)為系統(tǒng)漏報(bào)，其中3 個(gè)為故障機(jī)組，5 個(gè)為健康機(jī)組，由此重新計(jì)算測(cè)試集的機(jī)組報(bào)警結(jié)果，如表3 所示，機(jī)組報(bào)警整體準(zhǔn)確率為78.7%，誤報(bào)率為4.3%，故障預(yù)測(cè)平均提前時(shí)間為13天7小時(shí)。

表3 測(cè)試集機(jī)組報(bào)警結(jié)果Tab.3 Alarm analysis results of test units

圖13為測(cè)試集中漏報(bào)機(jī)組的2個(gè)分析案例，可以看出，模型未在機(jī)組故障時(shí)刻給出報(bào)警，從原始軸承溫度可以看出，溫度確定超過了系統(tǒng)報(bào)警預(yù)警，但經(jīng)模型分析后，軸承狀態(tài)指標(biāo)在故障發(fā)生時(shí)刻未有明顯變化，原因可能是軸承溫度超限主要受其它因素影響，并不是模型考慮的影響因素或機(jī)組自身故障所致。

圖13 漏報(bào)機(jī)組的分析結(jié)果Fig.13 Analysis results of missing alarms

綜上，本文所提出的方法能夠高精度地實(shí)現(xiàn)機(jī)組的故障報(bào)警和壽命預(yù)測(cè)，同時(shí)模型能夠識(shí)別出受環(huán)境因素影響而導(dǎo)致的系統(tǒng)漏報(bào)，說明本文提出的模型和方法具有很高的準(zhǔn)確性。

4 結(jié)論

針對(duì)風(fēng)機(jī)軸承溫度異常監(jiān)測(cè)報(bào)警和預(yù)測(cè)，本文提出一種基于SCADA數(shù)據(jù)的LSTM-WPHM混合模型。通過引入LSTM 模型，融合關(guān)鍵因素對(duì)軸承溫度的影響，提高軸承溫度異常的識(shí)別精度，并結(jié)合給出的軸承狀態(tài)指標(biāo)，發(fā)展LSTM-WPHM 模型，提出一種風(fēng)機(jī)軸承故障報(bào)警和壽命預(yù)測(cè)相結(jié)合算法，提高風(fēng)機(jī)軸承異常報(bào)警、可靠性分析和剩余壽命預(yù)測(cè)的精度。考慮風(fēng)機(jī)軸承因多種因素影響導(dǎo)致的運(yùn)行壽命的不確定性，給出剩余壽命預(yù)測(cè)區(qū)間，以便制定合理的維修計(jì)劃。利用實(shí)際海上風(fēng)場(chǎng)SCADA 系統(tǒng)的發(fā)電機(jī)驅(qū)動(dòng)端軸承數(shù)據(jù)，通過比較研究，驗(yàn)證了本文所提模型和方法的有效性和準(zhǔn)確性，具體結(jié)果如下：

1）以1臺(tái)故障機(jī)組和1臺(tái)健康機(jī)組為例，對(duì)LSTMWPHM 模型和傳統(tǒng)WPHM 模型進(jìn)行對(duì)比分析，結(jié)果表明，LSTM-WPHM模型可以更準(zhǔn)確地得到機(jī)組可靠性分析結(jié)果，并減少機(jī)組誤報(bào)情況。

2）以測(cè)試集中的2臺(tái)故障機(jī)組為例，對(duì)所提出的方法進(jìn)行驗(yàn)證，結(jié)果表明，該方法能夠基于LSTM-WPHM模型分析結(jié)果，根據(jù)報(bào)警閾值和故障閾值，準(zhǔn)確地實(shí)現(xiàn)機(jī)組故障報(bào)警，并根據(jù)指標(biāo)變化趨勢(shì)，準(zhǔn)確預(yù)測(cè)出故障發(fā)生時(shí)間，實(shí)現(xiàn)故障報(bào)警和壽命預(yù)測(cè)有機(jī)結(jié)合。

3）利用測(cè)試集中的全部機(jī)組對(duì)所提出的基于LSTM-WPHM 的方法進(jìn)行驗(yàn)證，結(jié)果表明，該方法能夠以較高精度實(shí)現(xiàn)故障報(bào)警和壽命預(yù)測(cè)，故障報(bào)警整體準(zhǔn)確率為78.7%，并可以平均提前13天7小時(shí)給出故障預(yù)測(cè)，從而驗(yàn)證了本文所提方法的準(zhǔn)確性和有效性。