基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電機(jī)組變槳系統(tǒng)故障診斷與健康狀態(tài)預(yù)測(cè)研究

尹子康,林忠偉,2,呂廣華,李東澤

(1.華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院,北京 102206;2.新能源電力系統(tǒng)全國(guó)重點(diǎn)實(shí)驗(yàn)室,北京 102206)

0 引 言

由于風(fēng)的隨機(jī)性,風(fēng)電機(jī)組頻繁的變槳?jiǎng)幼鲗?dǎo)致變槳系統(tǒng)故障頻發(fā)[1]。變槳系統(tǒng)作為風(fēng)電機(jī)組實(shí)現(xiàn)風(fēng)速調(diào)節(jié)和風(fēng)機(jī)保護(hù)的重要裝置,其故障主要表現(xiàn)為槳葉無(wú)法正常調(diào)節(jié)、槳葉無(wú)法停止轉(zhuǎn)動(dòng)、槳葉調(diào)節(jié)速度變慢或變快、槳葉轉(zhuǎn)動(dòng)角度偏差等[2]。這些故障會(huì)導(dǎo)致風(fēng)電機(jī)組發(fā)電效率下降,甚至?xí)?duì)風(fēng)電機(jī)組的安全運(yùn)行造成嚴(yán)重影響。因此,變槳系統(tǒng)的保護(hù)和維護(hù),以及及時(shí)檢測(cè)和修復(fù)故障等問(wèn)題受到了國(guó)內(nèi)外眾多學(xué)者的關(guān)注。

文獻(xiàn)[3]提出了一種基于應(yīng)變的自動(dòng)操作模態(tài)分析算法,跟蹤風(fēng)電機(jī)組在運(yùn)行條件下的長(zhǎng)期動(dòng)態(tài)行為,觀察到由于葉片質(zhì)量不平衡和塔振或塔后渦激勵(lì)引起的基頻和1f、3f激勵(lì)頻率的變化;文獻(xiàn)[4]提出了一種基于氣動(dòng)力矩分析的葉片結(jié)冰和槳距角不平衡故障檢測(cè)分析。該方法的主要優(yōu)點(diǎn)是可靠性較高,但需要對(duì)系統(tǒng)進(jìn)行深入的物理分析和建模,計(jì)算量大;文獻(xiàn)[5]提出了一種基于自適應(yīng)經(jīng)驗(yàn)小波變換的提取行星齒輪相關(guān)振動(dòng)成分,并通過(guò)包絡(luò)譜識(shí)別故障特征的故障診斷方法;文獻(xiàn)[6]提出了一種利用測(cè)量的信號(hào)糾正風(fēng)力發(fā)電機(jī)轉(zhuǎn)子槳距不平衡的新算法,不需要關(guān)閉發(fā)電機(jī)可以迭代地重新平衡轉(zhuǎn)子。這種方法的優(yōu)點(diǎn)是實(shí)時(shí)性好,但需要高效的傳感器和通信技術(shù);文獻(xiàn)[7]提出了一種基于雷達(dá)風(fēng)場(chǎng)重構(gòu)和風(fēng)條件聚類的數(shù)據(jù)驅(qū)動(dòng)方法;文獻(xiàn)[8]提出了一種應(yīng)對(duì)現(xiàn)代風(fēng)力發(fā)電機(jī)組槳距執(zhí)行器故障的策略,通過(guò)合適的比例殘差檢測(cè)故障,并利用剩余的發(fā)電機(jī)扭矩和偏航執(zhí)行器進(jìn)行分布式控制。該方法的優(yōu)點(diǎn)是實(shí)現(xiàn)相對(duì)簡(jiǎn)單,但當(dāng)歷史數(shù)據(jù)的質(zhì)量和數(shù)量不高時(shí)會(huì)存在誤差。

針對(duì)上述的故障診斷和故障預(yù)警的物理模型研究、統(tǒng)計(jì)模型分析、傳感器和物聯(lián)網(wǎng)技術(shù)的不足[9]。本文以風(fēng)輪不存在質(zhì)量不平衡為背景,利用GH-Bladed風(fēng)機(jī)仿真軟件仿真槳葉零位偏移故障,研究零位偏差對(duì)葉輪轉(zhuǎn)速、葉根彎矩的影響,搭建槳葉零位偏差判定模型。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是當(dāng)前故障診斷預(yù)警領(lǐng)域使用最多的方式[10]。本文基于神經(jīng)網(wǎng)絡(luò)技術(shù),分析機(jī)組實(shí)際運(yùn)行SCADA歷史數(shù)據(jù),完成變槳故障特征提取和數(shù)據(jù)分析處理,訓(xùn)練改進(jìn)神經(jīng)網(wǎng)絡(luò)模型,構(gòu)建AT-LSTM變槳健康狀態(tài)預(yù)測(cè)模型。

1 風(fēng)電機(jī)組變槳系統(tǒng)

變槳系統(tǒng)是風(fēng)力發(fā)電機(jī)組中非常關(guān)鍵的一部分,其主要作用是通過(guò)調(diào)節(jié)葉片的槳距角來(lái)控制風(fēng)對(duì)葉片的攻角,進(jìn)而控制發(fā)電機(jī)輸出功率,實(shí)現(xiàn)風(fēng)電機(jī)組對(duì)風(fēng)能的轉(zhuǎn)換和最大化利用。

在風(fēng)電機(jī)組正常運(yùn)行過(guò)程中,變槳系統(tǒng)根據(jù)風(fēng)速、輸出功率以及發(fā)電機(jī)轉(zhuǎn)速來(lái)改變?nèi)~片的槳距角,調(diào)整葉片與風(fēng)能的接觸面積,實(shí)現(xiàn)控制輸出功率的目的[11],正常運(yùn)行機(jī)組輸出功率隨風(fēng)速變化曲線,如圖1所示。

圖1 風(fēng)電機(jī)組輸出功率-風(fēng)速關(guān)系圖Fig.1 Relation between output power and wind speed of wind turbine

當(dāng)環(huán)境風(fēng)速大于零且低于風(fēng)力發(fā)電機(jī)組的切入風(fēng)速時(shí),風(fēng)電機(jī)組進(jìn)入開(kāi)始狀態(tài),機(jī)組的狀態(tài)將從停機(jī)轉(zhuǎn)變?yōu)閱?dòng),風(fēng)輪在風(fēng)的作用下開(kāi)始旋轉(zhuǎn)。

當(dāng)風(fēng)速大于切入風(fēng)速且小于額定風(fēng)速時(shí),風(fēng)力發(fā)電機(jī)將開(kāi)始進(jìn)行并網(wǎng)發(fā)電,并將葉片角度設(shè)置為最小的槳距角?？刂葡到y(tǒng)通過(guò)控制發(fā)電機(jī)轉(zhuǎn)速來(lái)跟蹤當(dāng)前風(fēng)速的變化,使風(fēng)電機(jī)組處于最優(yōu)風(fēng)能狀態(tài)[11-12];隨著風(fēng)速增大,發(fā)電機(jī)轉(zhuǎn)速達(dá)到最大允許轉(zhuǎn)速,由發(fā)電機(jī)系統(tǒng)控制發(fā)電機(jī)扭矩實(shí)現(xiàn)發(fā)電機(jī)轉(zhuǎn)速進(jìn)入恒定狀態(tài)提升功率輸出。

當(dāng)風(fēng)速處于額定風(fēng)速和切出風(fēng)速之間時(shí),變槳系統(tǒng)和發(fā)電機(jī)系統(tǒng)配合主控制器分別控制槳距角及發(fā)電機(jī)轉(zhuǎn)速,葉片的槳距角逐漸變大,降低槳葉中的扭矩,從而減少發(fā)電機(jī)組的輸出功率,保證輸出功率維持在額定功率值附近,發(fā)電機(jī)轉(zhuǎn)速維持在同步轉(zhuǎn)速附近,進(jìn)而切入電網(wǎng)進(jìn)行發(fā)電。

當(dāng)風(fēng)速高于切出風(fēng)速時(shí),機(jī)組需要緊急制動(dòng)停機(jī),期間完成順槳指令將輸出功率縮減為0并脫離電網(wǎng),確保機(jī)組安全停運(yùn)。

2 風(fēng)電機(jī)組變槳系統(tǒng)槳葉零位校準(zhǔn)

槳葉零位校準(zhǔn)是一種用于修正風(fēng)電機(jī)組變槳系統(tǒng)中機(jī)械側(cè)故障的方法。當(dāng)槳葉轉(zhuǎn)動(dòng)不均衡時(shí),風(fēng)電機(jī)組就會(huì)出現(xiàn)振動(dòng)、噪音和效率降低等問(wèn)題[13]。槳葉零位校準(zhǔn)通過(guò)重新校準(zhǔn)槳葉的角度來(lái)解決這些問(wèn)題,使槳葉在風(fēng)的作用下槳葉在平衡狀態(tài)下運(yùn)行,從而提高風(fēng)電機(jī)組的效率和穩(wěn)定性。槳葉零位偏差通常由槳葉安裝不當(dāng)、槳葉受損或槳葉零位校準(zhǔn)不準(zhǔn)確等原因引起的槳葉不平衡現(xiàn)象[14]。當(dāng)槳葉處于不平衡運(yùn)行狀態(tài)時(shí),其主要表現(xiàn)為轉(zhuǎn)子不平衡,通過(guò)對(duì)轉(zhuǎn)子不平衡現(xiàn)象的分析我們可以對(duì)槳葉零位偏差做出診斷。

本文采用GH-Bladed仿真軟件對(duì)風(fēng)電機(jī)組運(yùn)行過(guò)程中槳葉零位偏移故障進(jìn)行仿真,仿真采用GH-Bladed內(nèi)置的2 MW陸上風(fēng)電機(jī)組作為仿真機(jī)組模型,其機(jī)組參數(shù)如表1所示。

表1 仿真機(jī)組參數(shù)表Tab.1 Parameter table of simulation unit

由表1可以看出:仿真機(jī)組切入風(fēng)速為4 m/s,切出風(fēng)速為25 m/s,額定風(fēng)速11.5 m/s。槳葉零位偏移故障是由于風(fēng)電機(jī)組某一葉片初始位置偏移產(chǎn)生的。為應(yīng)盡可能避開(kāi)變槳控制過(guò)程,從而盡可能降低機(jī)組正常變槳控制過(guò)程中槳距角變化對(duì)實(shí)驗(yàn)結(jié)果的影響,仿真設(shè)置機(jī)組運(yùn)行的平均風(fēng)速區(qū)間從5-15.5 m/s變化,每段風(fēng)速區(qū)間間隔為0.5 m/s,每段區(qū)間仿真時(shí)長(zhǎng)600 s。仿真獲取槳葉零位偏差角度從-5°～5°的轉(zhuǎn)子轉(zhuǎn)速、風(fēng)速、葉根彎矩和機(jī)艙軸向加速度信號(hào)。槳葉零位偏差角的調(diào)整由于GH-Bladed軟件故障仿真限制,采用每次增加1°的方式進(jìn)行仿真。

2.1 槳葉零位偏差對(duì)機(jī)組參數(shù)的影響

對(duì)比槳葉零位發(fā)生正向偏移和反向偏移時(shí),不同平均風(fēng)速下風(fēng)電機(jī)組轉(zhuǎn)子轉(zhuǎn)速的變化情況,如圖2和圖3所示。圖中橫坐標(biāo)為仿真時(shí)間,縱坐標(biāo)為風(fēng)電機(jī)組轉(zhuǎn)子轉(zhuǎn)速,觀察實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn),當(dāng)風(fēng)速低于額定風(fēng)速11.5 m/s時(shí),隨著機(jī)組槳葉零位偏差角的增大,機(jī)組在發(fā)生轉(zhuǎn)速變化的時(shí)候其轉(zhuǎn)速由于槳葉偏差的存在有明顯的下降,造成轉(zhuǎn)速下降的原因是由于槳葉零位偏差會(huì)使偏差葉片的槳距角增大,根據(jù)公式(1)可知,當(dāng)槳葉出現(xiàn)零位偏移時(shí),風(fēng)機(jī)葉片的翼型攻角變小,導(dǎo)致風(fēng)機(jī)轉(zhuǎn)速下降。

圖2 槳葉零位正向偏移時(shí)不同風(fēng)速輸入下的轉(zhuǎn)速對(duì)比Fig.2 Comparison of rotor speed under different wind speed input when the blade zero position is shifted forward

圖3 槳葉零位反向偏移時(shí)不同風(fēng)速輸入下的轉(zhuǎn)速對(duì)比Fig.3 Comparison of rotor speed under different wind speed input when blade zero reverse offset

θat=φ-θ0

(1)

公式中:θat為葉片翼型攻角;φ為入流角;θ0為槳葉零位偏差角度。

但當(dāng)風(fēng)機(jī)達(dá)到額定轉(zhuǎn)速后機(jī)組變槳系統(tǒng)開(kāi)始工作,風(fēng)機(jī)的轉(zhuǎn)速變化情況,如圖2(c)和圖3(c)所示。在平均風(fēng)速為13.5 m/s時(shí),由于變槳調(diào)節(jié),零位偏差角度對(duì)風(fēng)機(jī)轉(zhuǎn)速的影響降低,風(fēng)機(jī)的轉(zhuǎn)速會(huì)在額定轉(zhuǎn)速上下波動(dòng)。

另一方面,對(duì)比了風(fēng)電機(jī)組葉根彎矩Mx的變化情況,在平均風(fēng)速為5.5 m/s和7.5 m/s時(shí),風(fēng)機(jī)葉片槳葉零位的正向偏移會(huì)導(dǎo)致偏差葉片的葉根彎矩波動(dòng)幅度下降,如圖4所示,可以觀察到,當(dāng)偏差角度越大時(shí),其下降的幅度越明顯;而當(dāng)機(jī)組存在負(fù)偏差時(shí),葉根彎矩受偏差的影響如圖5所示,由于負(fù)偏差會(huì)使葉片真實(shí)的槳距角偏小,根據(jù)公式(1)分析可得,負(fù)偏差的存在會(huì)導(dǎo)致翼型攻角變大,從而導(dǎo)致葉根彎矩變化幅度隨負(fù)偏差的角度增大而增大。

圖4 槳葉零位正向偏移時(shí)不同風(fēng)速下葉根彎矩對(duì)比Fig.4 Comparison of blade root bending moment under different wind speed when blade zero position is shifted forward

圖5 槳葉零位反向偏移時(shí)不同風(fēng)速下葉根彎矩對(duì)比Fig.5 Comparison of blade root bending moments at different wind speeds when blade zero reverse migration occurs

2.2 槳葉零位偏差故障識(shí)別診斷

槳葉零位偏移是一種機(jī)組葉片不平衡故障,在周期性響應(yīng)的假設(shè)下,分析3葉片機(jī)組運(yùn)行中的轉(zhuǎn)子不平衡狀態(tài)。當(dāng)槳葉處于不平衡狀態(tài)時(shí),機(jī)艙軸向加速度信號(hào)經(jīng)過(guò)FFT(傅里葉變換),可以檢測(cè)到其他諧波分量,圖6仿真記錄了槳葉零位發(fā)生正向偏移時(shí),平均風(fēng)速為10 m/s下,機(jī)艙軸向加速度信號(hào)經(jīng)過(guò)FFT(傅里葉變換)后的頻譜。圖6中分別標(biāo)注出了1P(1/3風(fēng)輪旋轉(zhuǎn)頻率)、1ST(一階塔架固有頻率)和3P(三倍風(fēng)輪旋轉(zhuǎn)頻率)處幅值點(diǎn),其中1P諧波最突出,因此轉(zhuǎn)子不平衡的檢測(cè)和校正可以基于1P諧波的測(cè)量分析展開(kāi)。

圖6 平均風(fēng)速為10 m/s時(shí)不同偏移角度下機(jī)艙軸向加速度頻譜圖Fig.6 Spectrum diagram of axial acceleration of the engine room at different offset angles when the average wind speed is 10 m/s

分析當(dāng)風(fēng)電機(jī)組出現(xiàn)不同槳葉零位偏移角時(shí),軸向加速度信號(hào)經(jīng)過(guò)FFT,1P、1ST和3P處幅值隨風(fēng)速的變化情況。由圖7所示,對(duì)比發(fā)現(xiàn)1ST和3P處幅值隨風(fēng)速的上升,整體波動(dòng)較小,受槳葉零位偏移的影響也較小,而1P處幅值受槳葉零位偏移的影響比較明顯,在高風(fēng)速段,其幅值快速上升。此外還注意到,隨著槳葉零位偏差角的增大,1P幅值開(kāi)始快速爬升的平均風(fēng)速節(jié)點(diǎn)不斷前移,從圖7(a)中可觀察到,在槳葉零位未發(fā)生偏移時(shí),平均風(fēng)速大于13 m/s后1P幅值快速爬升,而圖7(d)中,平均風(fēng)速大于11 m/s后1P的幅值就出現(xiàn)了快速爬升的情況。另一方面,在相同風(fēng)速下,當(dāng)機(jī)組存在槳葉零位偏移時(shí),其1P諧波的幅值隨零位偏移角度的增大而增大,對(duì)比圖7(b)、圖7(c)和圖7(d)發(fā)現(xiàn)這種現(xiàn)象在高平均風(fēng)速的情況下更加明顯。

圖7 不同槳葉零位偏移角度下軸向加速度頻譜幅值變化Fig.7 Changes of spectral amplitude of axial acceleration under different blade zero offset angles

圖8 槳葉零位偏差判定曲線圖Fig.8 Curve diagram of blade zero deviation determination

判斷風(fēng)電機(jī)組槳葉零位偏移角度前,需要先判斷機(jī)組發(fā)生的是正向偏移或是反向偏移,上文仿真對(duì)比了槳葉零位正向偏差時(shí)和反向偏差時(shí)偏差角對(duì)風(fēng)電機(jī)組葉根彎矩的影響?？紤]當(dāng)機(jī)組存在正向偏差時(shí),葉根彎矩隨著偏差角度的增大而減小,而當(dāng)機(jī)組存在反向偏差時(shí),機(jī)組葉根彎矩隨著偏差角度的變化趨勢(shì)相反,隨著偏差角度的絕對(duì)值增大,機(jī)組真實(shí)的槳距角變小導(dǎo)致葉根彎矩增大?；谶@個(gè)結(jié)論,可對(duì)比診斷目標(biāo)機(jī)組和標(biāo)準(zhǔn)機(jī)組不同風(fēng)速下葉根彎矩的變化情況對(duì)機(jī)組發(fā)生槳葉零位偏移的方向做出判別,在確定機(jī)組偏移的方向后下一步需要進(jìn)一步量化機(jī)組偏移的角度。

經(jīng)過(guò)對(duì)不同工況下機(jī)艙軸向加速度信號(hào)傅里葉變換(FFT)后的頻譜分析后提出了通過(guò)計(jì)算1P頻率和3P頻率處的幅值比θ,以平均風(fēng)速為橫坐標(biāo),幅值比θ為縱坐標(biāo),擬合槳葉零位偏差判定曲線,判定圖如8所示。

實(shí)際工程應(yīng)用時(shí),可預(yù)先構(gòu)建目標(biāo)機(jī)組參數(shù)模型,通過(guò)多工況仿真擬合槳葉零位偏差判定曲線。然后通過(guò)傳感器獲取機(jī)組的機(jī)艙軸向加速度、風(fēng)輪轉(zhuǎn)速和風(fēng)速等相關(guān)參數(shù)變量,計(jì)算機(jī)組運(yùn)行的平均風(fēng)速和平均風(fēng)輪轉(zhuǎn)速,再利用轉(zhuǎn)速信號(hào)計(jì)算風(fēng)輪旋轉(zhuǎn)頻率,獲取1P幅值和3P幅值之比θ,以平均風(fēng)速為橫坐標(biāo),擬合出的θ作為縱坐標(biāo)。在判定圖上描出預(yù)警點(diǎn)。操作員可依據(jù)預(yù)警點(diǎn)所在的區(qū)間大致判斷出槳葉零位偏差值。

3 風(fēng)電機(jī)組變槳系統(tǒng)健康狀態(tài)預(yù)測(cè)

在風(fēng)電機(jī)組變槳系統(tǒng)故障診斷預(yù)警研究中,神經(jīng)網(wǎng)絡(luò)模型可以作為一種有效的故障診斷預(yù)警工具。通過(guò)使用大量的歷史故障數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,得到一個(gè)比較高的診斷準(zhǔn)確率。神經(jīng)網(wǎng)絡(luò)算法由于其強(qiáng)大的復(fù)雜非線性關(guān)系建模和處理大量數(shù)據(jù)的能力,近年來(lái)被廣泛的應(yīng)用于故障診斷和故障預(yù)警的相關(guān)研究中。不過(guò),神經(jīng)網(wǎng)絡(luò)模型也有一些缺陷,如訓(xùn)練過(guò)程需要大量的數(shù)據(jù)和時(shí)間,模型的泛化能力可能不足等。

因此,在應(yīng)用神經(jīng)網(wǎng)絡(luò)模型時(shí),需要考慮到這些因素,本文考慮建立一種添加注意力機(jī)制的改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)模型,通過(guò)準(zhǔn)確率、召回率和F1-score等指標(biāo)作為模型評(píng)價(jià)指標(biāo)并與基礎(chǔ)神經(jīng)網(wǎng)絡(luò)模型對(duì)比實(shí)驗(yàn)說(shuō)明改進(jìn)模型在故障診斷預(yù)警能力上的提升。

3.1 AT-LSTM模型

風(fēng)電機(jī)組變槳系統(tǒng)發(fā)生故障時(shí),不僅可以通過(guò)當(dāng)前時(shí)刻的特征數(shù)據(jù)反映,而且還能通過(guò)當(dāng)前時(shí)刻之前的一段時(shí)間的特征數(shù)據(jù)變化反映。針對(duì)這一現(xiàn)象,本文使用LSTM來(lái)反映一段時(shí)間內(nèi)特征數(shù)據(jù)與風(fēng)電機(jī)組變槳系統(tǒng)故障之間的內(nèi)在聯(lián)系。但是,由于LSTM對(duì)所有信息進(jìn)行無(wú)差別壓縮,從而忽略特征之間的相關(guān)性和輸入信息的時(shí)間差異[15]。因此,本文在LSTM基礎(chǔ)上,引入注意力機(jī)制。注意力機(jī)制是一種資源分配機(jī)制,可自適應(yīng)地為輸入信息分配注意力權(quán)重,以評(píng)估不同輸入對(duì)期望輸出的貢獻(xiàn)率,并突出重要輸入信息的影響[16-17]。在機(jī)器翻譯[18]、語(yǔ)音識(shí)別[19]等領(lǐng)域,注意力機(jī)制已在許多不同的應(yīng)用中被證明是有效的。

3.1.1 LSTM模型

長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)是一種遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN),主要用于處理序列數(shù)據(jù),如時(shí)間序列數(shù)據(jù)或自然語(yǔ)言文本。相較于傳統(tǒng)的RNN,LSTM可以更好地捕捉長(zhǎng)期依賴關(guān)系,避免了梯度消失的問(wèn)題。

LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖9所示,整個(gè)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)由門結(jié)構(gòu)組成,具體由sigmoid函數(shù)、tanh函數(shù)和逐點(diǎn)相乘相加的結(jié)構(gòu)實(shí)現(xiàn)。在遺忘門中,以前一時(shí)刻輸出ht-1和當(dāng)前時(shí)刻輸入數(shù)據(jù)xt作為輸入,通過(guò)一個(gè)激活函數(shù)sigmoid和偏置,輸出結(jié)果為ft。結(jié)果為0～1之間,0代表信息全部丟棄,1代表信息全部保存,0～1之間代表前一時(shí)刻狀態(tài)信息通過(guò)的比重。

圖9 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.9 LSTM neural network structure diagram

ft=σ(Wf·[ht-1,xt]+bf)

(2)

公式中:σ為sigmoid函數(shù);bf為遺忘門偏置。

在輸入門中,LSTM網(wǎng)絡(luò)將前一時(shí)刻輸出ht-1和當(dāng)前時(shí)刻數(shù)據(jù)輸入xt,通過(guò)計(jì)算得到it及通過(guò)暫時(shí)狀態(tài)?t。通過(guò)利用遺忘門結(jié)果和輸入門暫時(shí)狀態(tài)信息更新網(wǎng)絡(luò)單元狀態(tài)信息ct。

it=σ(Wi·[ht-1,xt]+bi)

(3)

(4)

(5)

公式中:σ為sigmoid函數(shù);Wi、Wc分別為輸入門權(quán)重;bi、bc為輸入門偏置。

在輸出門中,LSTM網(wǎng)絡(luò)以前一時(shí)刻輸出ht-1和當(dāng)前時(shí)刻輸入數(shù)據(jù)xt作為輸入,通過(guò)一個(gè)激活函數(shù)sigmoid和偏置得到ot,并結(jié)合當(dāng)前單元狀態(tài)ct,利用tanh函數(shù)得到最終輸出ht。

ot=σ(Wo·[ht-1,xt]+bo)

(6)

ht=ot·tanh(ct)

(7)

公式中:σ為sigmoid函數(shù);Wo為輸出門權(quán)重;bo為輸出門偏置。

以上公式中權(quán)重和偏置會(huì)一般采用循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法,通過(guò)計(jì)算單元輸出值和誤差項(xiàng),不斷更新權(quán)重和偏置。通過(guò)以上方式,LSTM模型以鏈路結(jié)構(gòu)形式,基于門結(jié)構(gòu)控制形式將時(shí)序數(shù)據(jù)順序傳遞,完成對(duì)海量信息的挖掘。

3.1.2 注意力機(jī)制

注意力機(jī)制旨在幫助網(wǎng)絡(luò)專注于給定輸入中最重要的信息。其背后的基本思想是根據(jù)需要多少注意力為輸入數(shù)據(jù)的不同部分分配權(quán)重。然后網(wǎng)絡(luò)使用這些權(quán)重來(lái)確定哪些信息需要更多關(guān)注,哪些信息應(yīng)該忽略,使網(wǎng)絡(luò)能夠動(dòng)態(tài)地關(guān)注輸入中最重要的信息,從而提高其整體性能。

神經(jīng)網(wǎng)絡(luò)編碼-解碼是指使用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)數(shù)據(jù)的編碼和解碼的方法。具體地說(shuō),編碼器會(huì)對(duì)原始數(shù)據(jù)進(jìn)行壓縮,以便以更高效的方式存儲(chǔ)和傳輸數(shù)據(jù),而解碼器則會(huì)還原被編碼的數(shù)據(jù)。使用神經(jīng)網(wǎng)絡(luò)編碼-解碼,可以用于降維、數(shù)據(jù)去噪、模型壓縮等任務(wù)。神經(jīng)網(wǎng)絡(luò)比較典型的編碼-解碼框架是Encoder-Decoder(編碼-解碼)模型框架,其詳細(xì)結(jié)構(gòu)如圖10所示。

圖10 Encoder-Decoder(編碼-解碼)模型框架Fig.10 Encoder-Decoder model framework

本質(zhì)上其是一種End-to-End的學(xué)習(xí)框架,輸入信號(hào)經(jīng)過(guò)編碼層(可以由RNN、LSTM、GRU和CNN等不同的網(wǎng)絡(luò)層組成)將輸入序列編碼加工成一個(gè)固定長(zhǎng)度的向量,解碼則是將之前生成的向量轉(zhuǎn)化成輸出序列的過(guò)程[20]?？梢杂脭?shù)學(xué)過(guò)程簡(jiǎn)單的描述神經(jīng)網(wǎng)絡(luò)編碼-解碼的過(guò)程。

X=(x1,x2,x3,…,xm)

(8)

Y=(y1,y2,y3,…,ym)

(9)

C=f(x1,x2,x3,…,xm)

(10)

yi=g(C,y1,y2,…,yi-1)

(11)

其中,公式(10)為Encoder過(guò)程,公式(11)為Decoder過(guò)程。從數(shù)學(xué)表示式子中不難發(fā)現(xiàn),固定向量C作為信號(hào)傳遞的中間項(xiàng),其傳遞過(guò)程中微小的權(quán)重變換都會(huì)導(dǎo)致傳遞的信息不同。

根據(jù)注意力機(jī)制的工作原理可以構(gòu)建如公式(12)的數(shù)學(xué)模型。

(12)

公式中:αi為相關(guān)度;q為特征條件;xi為輸入向量第i條信息。

圖11總結(jié)了注意力機(jī)制工作的過(guò)程,在第一步,特征查詢條件和輸入信號(hào)進(jìn)入神經(jīng)網(wǎng)絡(luò)編碼層S,編碼層將信號(hào)xt映射到ht,公式(13)反應(yīng)了這個(gè)映射的過(guò)程。

圖11 注意力機(jī)制工作原理圖Fig.11 Working principle of attention mechanism

ht=f1(ht-1,xt)

(13)

公式中:f1為非線性激活函數(shù);ht為t時(shí)刻的隱藏狀態(tài),本文構(gòu)建的故障預(yù)警模型為添加注意力機(jī)制的改進(jìn)LSTM模型,所以模型編碼層和解碼層均為L(zhǎng)STM網(wǎng)絡(luò)層,下面解釋均以LSTM網(wǎng)絡(luò)層來(lái)說(shuō)明。對(duì)于某一個(gè)特征序列x=(x1,x2,x3,…,xN)T,該序列通過(guò)LSTM網(wǎng)絡(luò)層后,其隱藏狀態(tài)和單元狀態(tài)可用公式(14)表示。

βt=vTtanh(W1·[ht-1,Ct-1]+W2x)

(14)

(15)

at=(α1x1,α2x2,α3x3,...αNxN)T

(16)

其中,向量v、向量W1和W2為學(xué)習(xí)參數(shù),向量βt表征了第t個(gè)輸入的重要性,如公式(15)每個(gè)參數(shù)的重要性被softmax函數(shù)歸一化為權(quán)重αt,它表征了第t個(gè)特征序列應(yīng)該投入多少注意力的得分,然后利用公式(16)計(jì)算新的特征序列作為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)模型的輸入,理論上,新的特征輸入序列對(duì)故障特征的表示能力更強(qiáng)。

3.2 數(shù)據(jù)預(yù)處理

本文以某風(fēng)場(chǎng)2020年7月1到2020年8月24日E10機(jī)組運(yùn)行SCADA數(shù)據(jù),數(shù)據(jù)采樣頻率為1分鐘,已明確機(jī)組于2020年7月發(fā)生變槳故障并于7月9日停機(jī)檢修,故將檢修前機(jī)組運(yùn)行數(shù)據(jù)作為故障數(shù)據(jù),檢修后數(shù)據(jù)作為正常運(yùn)行數(shù)據(jù)。其中故障數(shù)據(jù)11 138條,正常運(yùn)行數(shù)據(jù)11 461條。

3.2.1 特征量選取

SCADA數(shù)據(jù)涉及多個(gè)變量,如風(fēng)速、功率發(fā)電機(jī)轉(zhuǎn)速,線電壓等,但是,并不是所有的變量都對(duì)模型有用,某些無(wú)關(guān)的特征可能導(dǎo)致欠擬合,使得故障檢測(cè)性能下降[21]。所以,使用皮爾遜相關(guān)系數(shù)計(jì)算每個(gè)變量之間的相關(guān)性,如公式(17)所示。

(17)

由于本文關(guān)注變槳系統(tǒng)的故障問(wèn)題,而變槳控制主要控制葉片的角度來(lái)實(shí)現(xiàn),因此在特征提取時(shí),關(guān)注各變量和葉片角度變化的相關(guān)性情況,變量相關(guān)性熱力圖如圖12所示。

圖12 特征量相關(guān)性熱力圖Fig.12 Correlation heat maps of characteristic quantities

通過(guò)熱力圖顏色深淺程度和相關(guān)性系數(shù)的絕對(duì)值分析比較完成對(duì)原始數(shù)據(jù)的相關(guān)性分析,提取了機(jī)組和葉片角度相關(guān)性最強(qiáng)的13個(gè)特征數(shù)據(jù)作為故障診斷預(yù)警模型的輸入特征,其特征參數(shù)表如表2所示。

表2 特征參數(shù)表Tab.2 Feature parameter table

3.2.2 數(shù)據(jù)歸一化

數(shù)據(jù)歸一化是指將不同取值范圍的特征轉(zhuǎn)換為同一尺度的過(guò)程。上文通過(guò)特征提取獲取了13個(gè)特征的風(fēng)電機(jī)組SCADA數(shù)據(jù),每個(gè)特征代表一列時(shí)序數(shù)據(jù),而不同特征變量采用的單位和量綱不同,直接作為神經(jīng)網(wǎng)絡(luò)模型輸入會(huì)造成模型中神經(jīng)元飽和,產(chǎn)生梯度消失或者梯度爆炸的問(wèn)題,從而使模型的收斂速度變慢,訓(xùn)練難度加大。因此在輸入神經(jīng)網(wǎng)絡(luò)模型之前需要進(jìn)行歸一化處理。本文采用最小-最大歸一化的方式將特征值縮放到[0,1]的范圍內(nèi),如公式(18)所示。

(18)

公式中:xmin為樣本最小值;xmax為樣本最大值。

3.2.2 數(shù)據(jù)切片

數(shù)據(jù)切片是指將數(shù)據(jù)集按照一定的規(guī)則分成多個(gè)子集的過(guò)程。數(shù)據(jù)切片通常用于數(shù)據(jù)挖掘和深度學(xué)習(xí)中的交叉驗(yàn)證和訓(xùn)練測(cè)試集劃分。通過(guò)多次交叉驗(yàn)證,可以評(píng)估模型的性能并選擇最優(yōu)的模型參數(shù)。在進(jìn)行模型訓(xùn)練的數(shù)據(jù)集劃分時(shí),將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集兩部分,其中訓(xùn)練集用于模型的訓(xùn)練和參數(shù)調(diào)優(yōu),測(cè)試集用于評(píng)估模型的性能。常用的數(shù)據(jù)切片方法包括隨機(jī)切片、分層切片等。

本文實(shí)驗(yàn)數(shù)據(jù)為時(shí)序數(shù)據(jù),因此采用滑動(dòng)窗口的方式做分層切片,由于期望診斷預(yù)警模型具有一定的預(yù)警能力且盡可能保留數(shù)據(jù)多樣性,因此考慮以60為滑動(dòng)窗口的大小,滑動(dòng)步長(zhǎng)為1。滑動(dòng)窗口模型如圖13所示。

圖13 滑動(dòng)窗口示意圖Fig.13 Schematic diagram of sliding window

滑動(dòng)窗口的大小為60,表明故障預(yù)警模型每次的輸入數(shù)據(jù)為當(dāng)前時(shí)刻下前60分鐘的全特征數(shù)據(jù);滑動(dòng)步長(zhǎng)為1,表明模型每分鐘更新一次輸入數(shù)據(jù)集。

3.3 構(gòu)建健康狀態(tài)預(yù)測(cè)模型

通過(guò)網(wǎng)絡(luò)學(xué)習(xí)設(shè)備狀態(tài)的時(shí)序特征,從而實(shí)現(xiàn)對(duì)設(shè)備狀態(tài)的故障診斷預(yù)警。模型采用滑動(dòng)窗口和多層AT-LSTM網(wǎng)絡(luò)等技術(shù),以進(jìn)一步提高模型的準(zhǔn)確性和穩(wěn)定性?；贏T-LSTM神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如表3所示。

表3 AT-LSTM神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)表Tab.3 AT-LSTM neural network model structure table

基于滑動(dòng)窗口的切片方式,將完成歸一化之后的特征數(shù)據(jù)構(gòu)造成為shape為(None,60,13)的三維數(shù)據(jù),其中第一個(gè)維度表示進(jìn)入模型的訓(xùn)練集的數(shù)量,在輸入層可以不用定義,第二個(gè)維度和第三個(gè)維度表示模型訓(xùn)練數(shù)據(jù)集的特征為60×13的張量。利用LSTM神經(jīng)網(wǎng)絡(luò)層構(gòu)建Encoder(編碼層)和Decoder(解碼層),在編碼層后通過(guò)Permute層添加注意力機(jī)制,然后將三維shape展成二維的Flatten層,最后通過(guò)Dense全連接層輸出。

由于建模的目標(biāo)實(shí)質(zhì)上是解決一個(gè)二分類問(wèn)題,因此選擇Adam作為網(wǎng)絡(luò)模型的優(yōu)化求解器,模型的學(xué)習(xí)率為0.000 01,選擇較小的學(xué)習(xí)率是為了使神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練趨向穩(wěn)定,盡可能避免無(wú)法收斂導(dǎo)致模型學(xué)習(xí)能力下降的情況。另一方面,由于故障診斷預(yù)警模型的輸出是對(duì)于故障發(fā)生概率的預(yù)測(cè)結(jié)果,因此在選擇激活函數(shù)時(shí),以softmax作為激活函數(shù)對(duì)于本模型來(lái)說(shuō)是比較合適的選擇。在完成基本的建模操作以后,取故障數(shù)據(jù)集和正常運(yùn)行數(shù)據(jù)集的前80%作為模型訓(xùn)練集數(shù)據(jù),后20%作為測(cè)試集數(shù)據(jù),輸入當(dāng)前時(shí)刻下的特征數(shù)據(jù)集,預(yù)測(cè)下一個(gè)輸入周期機(jī)組處于故障運(yùn)行狀態(tài)或是正常運(yùn)行狀態(tài)實(shí)現(xiàn)故障預(yù)警。

3.4 健康狀態(tài)預(yù)測(cè)模型評(píng)價(jià)

對(duì)比了改進(jìn)后的AT-LSTM神經(jīng)網(wǎng)絡(luò)模型、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)模型和基礎(chǔ)LSTM神經(jīng)網(wǎng)絡(luò)模型,從多個(gè)分類模型指標(biāo)出發(fā),分析增加注意力機(jī)制對(duì)神經(jīng)網(wǎng)絡(luò)模型帶來(lái)的提升。構(gòu)建基本RNN神經(jīng)網(wǎng)絡(luò)模型和LSTM神經(jīng)網(wǎng)絡(luò)作為實(shí)驗(yàn)對(duì)照組,在相同訓(xùn)練集和測(cè)試集的輸入下,其中,故障運(yùn)行樣本個(gè)數(shù)為2 208、正常運(yùn)行樣本個(gè)數(shù)為2 281。對(duì)比不同健康狀態(tài)預(yù)測(cè)模型的f1-score等指標(biāo)情況,如表4示,其中,macro avg(宏平均)為所有類的F1算術(shù)平均,weighted avg為每個(gè)類別樣本數(shù)量占總樣本的比例。除了對(duì)模型預(yù)測(cè)指標(biāo)的分析,通過(guò)對(duì)預(yù)測(cè)模型的ROC曲線對(duì)比,也能更直觀的體現(xiàn)出添加注意力機(jī)制之后改進(jìn)模型預(yù)測(cè)性能更加優(yōu)秀,三個(gè)模型的ROC曲線如圖14所示。

表4 不同模型故障診斷評(píng)價(jià)參數(shù)對(duì)比

圖14 不同模型ROC曲線對(duì)比圖Fig.14 Comparison of model ROC curves

改進(jìn)后的AT-LSTM神經(jīng)網(wǎng)絡(luò)模型具有更加優(yōu)異的分類準(zhǔn)確率和較低的預(yù)測(cè)樣本遺漏比率,分類器真正例率較高,在各種閾值下具有較好的表現(xiàn),分類預(yù)測(cè)的性能也優(yōu)于對(duì)照模型。訓(xùn)練好的故障診斷預(yù)警模型可實(shí)現(xiàn)基于風(fēng)電機(jī)組變槳系統(tǒng)健康狀態(tài)的有效監(jiān)測(cè)和提前預(yù)警,由于訓(xùn)練時(shí)采用的數(shù)據(jù)集長(zhǎng)度為60,訓(xùn)練所用的數(shù)據(jù)集為風(fēng)電機(jī)組1 min的運(yùn)行數(shù)據(jù),因此故障診斷預(yù)警模型能有效預(yù)測(cè)機(jī)組1 h后的變槳系統(tǒng)健康狀態(tài),實(shí)現(xiàn)機(jī)組故障的提前預(yù)警。

4 結(jié) 論

聚焦風(fēng)電機(jī)組槳葉零位偏移故障,從理論上論證分析了槳葉零位偏移產(chǎn)生的風(fēng)電機(jī)組轉(zhuǎn)子不平衡現(xiàn)象和機(jī)艙軸向加速度信號(hào)1P諧波幅值之間的聯(lián)系,繼而使用GH-Bladed風(fēng)機(jī)仿真軟件對(duì)槳葉零位偏移角度從-5°到5°變化情況進(jìn)行仿真,通過(guò)設(shè)置不同的平均風(fēng)速條件,對(duì)比分析不同工況下槳葉零位偏差對(duì)轉(zhuǎn)速、葉根彎矩和1P幅值的影響,提出計(jì)算1P幅值和3P幅值之比并將其擬合為槳葉零位偏差判定曲線圖。利用風(fēng)電機(jī)組SCADA歷史數(shù)據(jù),考慮基于AT-LSTM改進(jìn)神經(jīng)網(wǎng)絡(luò)構(gòu)建變槳系統(tǒng)故障診斷預(yù)警模型,模型的主要目標(biāo)在于依據(jù)已查明故障節(jié)點(diǎn)的SCADA歷史數(shù)據(jù)訓(xùn)練出適用于對(duì)應(yīng)風(fēng)電機(jī)組的故障診斷預(yù)警模型。從多項(xiàng)分類指標(biāo)出發(fā)將AT-LSTM模型、RNN模型和LSTM模型進(jìn)行對(duì)比,添加注意力機(jī)制后的AT-LSTM神經(jīng)網(wǎng)絡(luò)模型具有更好的分類預(yù)測(cè)能力。AT-LSTM模型由于添加注意力機(jī)制,可以自動(dòng)地關(guān)注輸入序列中最重要的部分,加強(qiáng)了模型對(duì)于長(zhǎng)期依賴關(guān)系的建模能力,具有較好的魯棒性且適用性廣泛。