基于卷積自編碼器的風(fēng)電機組變槳軸承故障預(yù)警與定位

江國乾，白佳榮，李文悅，何 群，謝 平

（燕山大學(xué) 電氣工程學(xué)院，河北 秦皇島 066004）

0 引言

風(fēng)電機組作為風(fēng)力發(fā)電的重要裝備，其結(jié)構(gòu)包含葉片轉(zhuǎn)子系統(tǒng)、變槳系統(tǒng)、傳動系統(tǒng)和發(fā)電系統(tǒng)等多個子系統(tǒng)[1]。其中變槳系統(tǒng)是風(fēng)電機組控制和保護的重要執(zhí)行裝置，對機組安全、穩(wěn)定、高效運行具有十分重要的作用[2]。據(jù)統(tǒng)計，變槳系統(tǒng)故障比例高達21.29%，造成機組停機時間的占比高達23.32%[3]。因此，研究準確可靠的變槳系統(tǒng)故障預(yù)警與診斷方法，對提高機組運行可靠性，降低故障發(fā)生率和運行維護成本具有重大意義。

針對變槳系統(tǒng)故障診斷的研究可以分為基于模型的方法和數(shù)據(jù)驅(qū)動方法[4]。其中，基于模型的方法主要通過建立變槳系統(tǒng)的物理或數(shù)學(xué)模型，計算參考模型和實際模型的差值來判斷變槳系統(tǒng)是否發(fā)生故障[5]，[6]。該方法對系統(tǒng)模型機理和物理特性要求較高，難以建模復(fù)雜的實際運行工況，存在較大的應(yīng)用局限。數(shù)據(jù)驅(qū)動方法主要利用機組的歷史運行數(shù)據(jù)，通過統(tǒng)計學(xué)習(xí)和機器學(xué)習(xí)等方法從數(shù)據(jù)中自動挖掘和建模其內(nèi)在結(jié)構(gòu)特征和關(guān)聯(lián)關(guān)系[7]。數(shù)據(jù)采集與監(jiān)控（SCADA）系統(tǒng)作為機組預(yù)裝系統(tǒng)，用于監(jiān)測機組及其關(guān)鍵部件的運行性能和健康狀況，提供了全面的狀態(tài)信息、歷史報警記錄和故障日志[8]。因此，基于SCADA數(shù)據(jù)的變槳系統(tǒng)故障診斷已成為當前的研究熱點。文獻[9]基于相似性原理，利用非線性狀態(tài)評估方法，建立能夠涵蓋變槳系統(tǒng)全部正常運行狀態(tài)的健康模型。文獻[10]以實際運行的SCADA系統(tǒng)數(shù)據(jù)為基礎(chǔ)，提出了基于深度學(xué)習(xí)的風(fēng)電機組變槳系統(tǒng)故障診斷算法。文獻[11]提出了一種變槳系統(tǒng)變頻器的故障預(yù)警模型，在建立的模型及滑動時間窗殘差估計方法的基礎(chǔ)上能及時對變漿系統(tǒng)變頻器的潛在故障做出預(yù)警。以上研究主要關(guān)注變槳系統(tǒng)故障傳感器和執(zhí)行器故障的預(yù)警和檢測，對變槳軸承故障的研究較少。

為了建模不同特征變量之間的空間相關(guān)性，本文以變槳軸承為研究對象，提出了基于卷積自編碼器（XAE）網(wǎng)絡(luò)的故障預(yù)警與定位方法。通過對多個特征變量進行編碼和解碼重構(gòu)，實現(xiàn)了對不同變量間內(nèi)在相關(guān)性的有效建模。同時，考慮到機組的變工況運行特性和變槳系統(tǒng)的運行控制特點，在不同的控制階段，變槳系統(tǒng)各特征參數(shù)間的關(guān)系也不同。因此，選取恒功率工況下的SCADA數(shù)據(jù)進行建模分析，以便更有效地挖掘變槳系統(tǒng)工作狀態(tài)下的故障特征。最后通過某風(fēng)電場1.5 MW并網(wǎng)直驅(qū)風(fēng)電機組的SCADA數(shù)據(jù)驗證了所提方法的有效性。

1 變槳系統(tǒng)運行工況特性分析

以變槳距風(fēng)電機組為研究對象，依據(jù)風(fēng)速大小，變槳系統(tǒng)的變槳過程分為4個階段（圖1）。階段I風(fēng)速為0到切入風(fēng)速之間，此時葉片順槳進入待風(fēng)工作狀態(tài)，機組不發(fā)電。階段II風(fēng)速處于切入風(fēng)速到額定風(fēng)速之間。隨著風(fēng)速變化，機組逐漸接入電網(wǎng)，發(fā)電機轉(zhuǎn)速穩(wěn)步上升。當風(fēng)速達到額定風(fēng)速時，機組發(fā)電功率達到額定功率。該階段槳葉角度全開，最大限度捕獲風(fēng)能。階段III風(fēng)速處于額定風(fēng)速到切出風(fēng)速之間，即恒功率階段。該階段機組的槳距角自動調(diào)節(jié)，維持機組輸出功率接近額定值，防止發(fā)電機和逆變系統(tǒng)過載，保證機組安全穩(wěn)定運行，變槳系統(tǒng)處于工作狀態(tài)。階段IV風(fēng)速大于切出風(fēng)速，葉片收槳，變槳系統(tǒng)停止工作，發(fā)電機脫網(wǎng)，機組制動器制動并停止發(fā)電。

圖1 風(fēng)電機組變槳系統(tǒng)控制運行階段Fig.1 Operational regions of wind turbine pitch systems

變槳系統(tǒng)主要工作在恒功率階段，為此選擇該階段的數(shù)據(jù)進行建模分析。變槳系統(tǒng)的全工況由階段II和階段III組成。

2 研究框架

針對風(fēng)電機組變槳系統(tǒng)的多工況運行特點及不同特征參量的相關(guān)性，本文提出的一種基于卷積自編碼器網(wǎng)絡(luò)的變槳軸承故障預(yù)警與定位模型框架如圖2所示。

圖2 變槳軸承故障預(yù)警與定位模型框架Fig.2 The proposed model framework of fault warning and location model for wind turbine pitch bearings

主要針對恒功率工況下的特征變量進行建模分析，包括離線建模和在線監(jiān)測兩部分。離線建模階段對機組歷史健康數(shù)據(jù)建模并確定模型閾值；在線監(jiān)測階段則根據(jù)重構(gòu)殘差與閾值的關(guān)系分析在線數(shù)據(jù)，確定故障發(fā)生情況，并利用余弦相似性和差異性函數(shù)對故障點位前后的訓(xùn)練集重構(gòu)殘差與測試集重構(gòu)殘差進行分析，以確定故障位置。

2.1 特征變量篩選與數(shù)據(jù)預(yù)處理

篩選與變槳系統(tǒng)是在物理或位置上存在一定關(guān)系的特征變量使用隨機森林方法對特征重要性進行排序[12]，選取重要特征進行建模。數(shù)據(jù)預(yù)處理包括缺失值的添補、異常點的剔除和歸一化。為保持數(shù)據(jù)的連續(xù)性，缺失值采用鄰值法填寫；根據(jù)機組運行原理，剔除負功率點、負轉(zhuǎn)速、負風(fēng)速的異常數(shù)據(jù)點，依據(jù)切入風(fēng)速和切出風(fēng)速對數(shù)據(jù)進行過濾，篩選功率值大于10 kW的數(shù)據(jù)；考慮不同監(jiān)測變量間的量綱差異，利用Z-score方法對所有訓(xùn)練樣本進行歸一化處理。

2.2 基于CAE的故障預(yù)警與定位

為捕獲與變槳系統(tǒng)相關(guān)特征變量之間的空間相關(guān)性，本文提出的基于卷積自編碼網(wǎng)絡(luò)的狀態(tài)監(jiān)測模型旨在學(xué)習(xí)和捕獲數(shù)據(jù)內(nèi)在的結(jié)構(gòu)關(guān)系特征，實現(xiàn)對正常運行數(shù)據(jù)的準確建模。該模型無需故障標簽數(shù)據(jù)，能夠利用大量的機組正常運行數(shù)據(jù)建立健康行為模型。正常狀態(tài)下，不同特征變量間存在的關(guān)系相對穩(wěn)定，其重構(gòu)殘差較小；當發(fā)生變槳軸承故障時，變量間的關(guān)系會發(fā)生變化，其重構(gòu)殘差會變大，偏離健康行為模型。因此，基于模型重構(gòu)殘差構(gòu)建健康監(jiān)測指標，通過觀察監(jiān)測指標的變化，便可以判斷故障是否發(fā)生，從而實現(xiàn)故障預(yù)警與定位。

2.2.1 CAE網(wǎng)絡(luò)

CAE網(wǎng)絡(luò)由編碼器和解碼器組成，其組成單元為一維卷積和一維反卷積神經(jīng)網(wǎng)絡(luò)，模型結(jié)構(gòu)如圖3所示。

圖3 基于CAE的故障診斷模型結(jié)構(gòu)Fig.3 Structure of fault diagnosis model based on CAE

編碼結(jié)構(gòu)是將輸入數(shù)據(jù)X=[x1，x2，...，xn]T經(jīng)過卷積層的編碼生成特征圖。初始化k個卷積核，每個卷積核由參數(shù)wk和bk組成，生成k個特征圖h。

式中：w為輸入層到卷積層的權(quán)重；b為卷積層的偏置；σ為ReLU激活函數(shù)。

特征圖通過級聯(lián)的方式進行拼接，生成中間層。

解碼結(jié)構(gòu)是將得到的中間層經(jīng)過一維反卷積層進行重構(gòu)，得到重構(gòu)輸出。

式中：w^為中間層到反卷積層的權(quán)重；b^為反卷積層的偏置。

2.2.2故障預(yù)警策略構(gòu)建

對SCADA數(shù)據(jù)與用于建模的多個特征變量進行分析，當多個特征變量作為輸入時，模型將有多個特征變量的重構(gòu)輸出。首先利用平均絕對誤差（MAE）計算特征變量重構(gòu)輸出與輸入的殘差值；然后選擇每個點中特征變量殘差值的最大值，即選擇每個點中對故障最敏感的特征變量來構(gòu)建模型的監(jiān)測指標（HI）。

式中：m為特征變量的個數(shù)；i=1，2，...，N，N為測試集中數(shù)據(jù)點的個數(shù)。

將訓(xùn)練集計算得到的HI的最大值作為模型閾值。變槳軸承故障引起的異常數(shù)據(jù)往往是連續(xù)出現(xiàn)的，其他原因（如環(huán)境變化、傳感器測量誤差）引起的異常數(shù)據(jù)往往是離散的。為避免誤報和提高預(yù)警結(jié)果的可靠性，連續(xù)監(jiān)測到1 h的異常數(shù)據(jù)時，認為變槳軸承處于異常狀態(tài)并產(chǎn)生報警。

2.2.3故障位置確定

當變槳軸承故障時，特征變量在故障時間點附近會發(fā)生顯著變化。利用余弦相似性函數(shù)對故障點位之前的重構(gòu)殘差數(shù)據(jù)進行相似度分析，剔除因數(shù)據(jù)問題帶來的故障定位錯誤的特征變量；利用差異性函數(shù)對故障點位之后的重構(gòu)殘差進行差異性分析，選出在故障位點前后差異性較大的特征變量確定為故障敏感變量，其直接或間接與故障位置相關(guān)，從而進一步定位故障位置。

3 案例分析

3.1 數(shù)據(jù)描述

本文使用的SCADA數(shù)據(jù)來自某風(fēng)場額定功率為1.5 MW的直驅(qū)風(fēng)電機組，機組切入風(fēng)速為3 m/s，切出風(fēng)速為22 m/s，額定風(fēng)速為11.1 m/s，故障發(fā)生時間為2020年5月20日，故障位置為2#變槳軸承。由于變槳軸承失效后，失效程度在短期內(nèi)增加。案例數(shù)據(jù)記錄了從2020年2月29日-4月30日，2020年5月13-20日，共59 d的數(shù)據(jù)和故障修復(fù)后的一個月數(shù)據(jù)。構(gòu)建恒功率工況下訓(xùn)練集和測試集，其中訓(xùn)練集包含22 400個數(shù)據(jù)點，測試集包含28 825個數(shù)據(jù)點。故障修復(fù)后的數(shù)據(jù)集包含6 959個數(shù)據(jù)點。變槳系統(tǒng)全工況下的訓(xùn)練集包含314 364個數(shù)據(jù)點，測試集包含286 302個數(shù)據(jù)點，故障修復(fù)后全工況數(shù)據(jù)包含179 773個數(shù)據(jù)點。利用隨機森林方法對特征變量進行重要性排序，所選特征變量見表1。

表1 SCADA特征變量Table 1 SCADA feature variable

3.2 結(jié)果分析

確定CAE的故障預(yù)警模型的網(wǎng)絡(luò)結(jié)構(gòu)，模型輸入維度為12，兩個一維卷積神經(jīng)網(wǎng)絡(luò)層的濾波器個數(shù)分別為16和32，卷積核數(shù)為10，卷積步長設(shè)置為2，激活函數(shù)為ReLU。兩個一維反卷積神經(jīng)網(wǎng)絡(luò)層的濾波器個數(shù)分別為32和16，其他參數(shù)設(shè)置相同。將所提方法與自動編碼器（AE）模型和主成分分析（PCA）模型進行對比。本文所提方法和對比模型方法的預(yù)警和評價結(jié)果分別如圖4和圖5所示。

圖4 不同方法的預(yù)警結(jié)果比較Fig.4 Comparison of early warning results of different methods

圖5 不同方法的評價結(jié)果比較Fig.5 Comparison of evaluation results of different methods

由圖4（a）和圖5（a）可知，在第一個故障點后的所有點均大于閾值，且修復(fù)后的數(shù)據(jù)集測試中無漏報產(chǎn)生，本文所提模型判斷故障發(fā)生的時間為2020年5月14日?？梢源_定所提模型能夠提前6～7 d發(fā)出故障預(yù)警信息。

由圖4（b）和圖5（b）可知，PCA模型的結(jié)果較差，故障檢測率低，且存在多處誤報，從結(jié)果中看不到故障發(fā)生的趨勢，模型預(yù)警效果較差。

由圖4（c）和圖5（c）可知，AE模型的故障檢測性能較PCA有明顯的改善，但后期存在漏報和誤報的情況。因此，AE模型能夠在一定程度上捕獲空間特征中的故障信息，但由于淺層網(wǎng)絡(luò)模型能力有限，模型無法達到更好的性能。

CAE模型能夠充分利用卷積網(wǎng)絡(luò)的特性，同時兼顧自編碼器網(wǎng)絡(luò)對特征的去冗余性的優(yōu)點，能夠從原始數(shù)據(jù)中更好地捕獲故障特征，可以更好地學(xué)習(xí)到空間維度上的故障信息。相比于PCA和AE方法，所提方法取得了最優(yōu)預(yù)警性能，不存在誤報和漏報的情況，故障預(yù)警結(jié)果更可靠。

為驗證恒功率工況分析變槳軸承故障問題的有效性，將全工況與恒功率工況進行比較，模型參數(shù)設(shè)置與3.2.1節(jié)相同。由圖4（d）和圖5（d）可知，基于全工況數(shù)據(jù)分析的方法雖然故障預(yù)警時間較為提前，但故障檢測率較低，監(jiān)測指標不能很好地反映故障發(fā)生的趨勢，而且正常數(shù)據(jù)下故障誤報率較高。該結(jié)果證明了分工況監(jiān)測的必要性。

3.3 故障定位

根據(jù)特征變量的對稱性，分組使用余弦相似性函數(shù)分別計算訓(xùn)練集殘差與測試集殘差中特征變量的對稱性，以此找到在故障預(yù)警點之后特征變量對稱性被破壞的特征變量組。同一組變量內(nèi)兩個特征變量之間的余弦相似性計算式為

式中：k=1，2，...，K，K為訓(xùn)練集或測試集中數(shù)據(jù)點的個數(shù)；為同組特征變量，且i≠j。

以第一組特征變量中V1的余弦相似性值計算為例，其計算過程如下：首先，計算訓(xùn)練集殘差中V1與V2，V1與V3的余弦相似性值，并將二者的平均值作為最終結(jié)果[圖6（a）中V1]，其計算結(jié)果為0.87；最后，將同樣的計算方式應(yīng)用于測試集殘差中[圖6（b）中V1]，V1的余弦相似性計算結(jié)果為0.92。同理，可以計算其他特征變量的余弦相似性（圖6）。

圖6 故障定位分析結(jié)果Fig.6 Fault location analysis result

由圖6可知：在故障預(yù)警點之前，同組特征變量的余弦相似性值的差異不超過0.02，存在相對對稱性；在故障預(yù)警點之后，特征變量V5和V8的余弦相似性均明顯低于同組的特征變量，第二組和第三組特征變量的對稱性被破壞，初步確定對故障敏感的特征變量組為第二、三組，之后對其進行進一步分析。

進一步利用差異性函數(shù)實現(xiàn)對故障敏感的特征變量以及特征變量所處位置的分析，分別計算對故障敏感的特征變量組的訓(xùn)練集和測試集的重構(gòu)值與原始值的差異性，以此來判斷在故障預(yù)警點前后特征變量的差異，差異性函數(shù)計算如下：

式中：X為原始值；Y為重構(gòu)值；ded為歐氏距離計算，根據(jù)差異性函數(shù)定義，規(guī)定在故障預(yù)警點位前后差異值大于0.2時，認為在故障預(yù)警點位前后特征變量有較大變化。

差異性函數(shù)計算結(jié)果見圖6（c）。在故障預(yù)警點前后，特征變量V5和V8的差異性結(jié)果分別為0.27和0.37，均大于0.2，而其余特征變量的差異性結(jié)果均小于0.2，無明顯變化。因此，可以確定V5和V8為故障敏感特征變量，均與2#變槳軸承有很強的物理或位置關(guān)系。因此，判斷故障位置為2#變槳軸承，分析結(jié)果與實際情況一致。

4 結(jié)論

本文提出了一種恒功率工況下基于CAE的變槳軸承故障預(yù)警與定位方法。選取恒功率工況下的SCADA相關(guān)特征變量進行建模，通過CAE實現(xiàn)對不同特征變量間空間相關(guān)性的提取與分析，通過余弦相似性函數(shù)和差異性函數(shù)分析模型重構(gòu)殘差實現(xiàn)故障的早期預(yù)警和定位。通過風(fēng)電場真實案例驗證分析，得出以下結(jié)論。

①相比AE和PCA方法，所提CAE模型可以在不產(chǎn)生誤報的情況下對故障進行提前預(yù)警，取得了較低的故障誤報以及更為可靠的故障檢測和預(yù)警性能。

②恒功率工況下預(yù)警準確性、故障檢測率和故障誤報率均明顯好于全工況，證明了分工況監(jiān)測的有效性。

③利用余弦相似性函數(shù)和差異性函數(shù)選出了對故障敏感的特征變量，對故障位置進行了初步判斷。