基于多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組在線異常檢測(cè)

鄭 毅，王承民，劉保良，楊鏡非，黃淳驛

（1.上海交通大學(xué)電子信息與電氣工程學(xué)院,上海市 200240；2.沈陽工程學(xué)院電力學(xué)院,遼寧省沈陽市110136）

0 引言

風(fēng)能作為清潔和可再生能源的佼佼者,過去二十年的發(fā)展歷程中見證了其在商業(yè)化應(yīng)用上的顯著成功［1］。近年來,由于風(fēng)能資源豐富的山區(qū)、遠(yuǎn)海等偏遠(yuǎn)地區(qū)的風(fēng)電機(jī)組數(shù)量持續(xù)增長,當(dāng)?shù)氐臉O端環(huán)境（如極端的溫差和強(qiáng)風(fēng)）使其故障率遠(yuǎn)超其他發(fā)電設(shè)備［2-3］。傳統(tǒng)的風(fēng)電場(chǎng)機(jī)組維護(hù)策略主要依賴于定期和故障后維護(hù),然而這僅能處理風(fēng)電場(chǎng)機(jī)組的部分檢測(cè)和預(yù)警問題［4］,加之備件部署周期長,大型風(fēng)電場(chǎng)的故障維護(hù)成本仍舊居高不下。因此,如果能在早期發(fā)現(xiàn)風(fēng)電機(jī)組故障,將有助于顯著降低維修成本。由此可見,風(fēng)電機(jī)組的故障檢測(cè)無疑是風(fēng)電產(chǎn)業(yè)發(fā)展的關(guān)鍵技術(shù)環(huán)節(jié)之一。

目前,數(shù)據(jù)驅(qū)動(dòng)方法已成為風(fēng)電機(jī)組故障診斷中的熱門技術(shù),其基于數(shù)據(jù)分析技術(shù),通過深入挖掘離線和在線大數(shù)據(jù),找尋故障特征并確定故障的發(fā)生原因、位置及時(shí)間,這種方法通常歸結(jié)為信號(hào)處理方法和大數(shù)據(jù)方法兩大類［5-6］。

基于信號(hào)處理的方法,是對(duì)監(jiān)測(cè)設(shè)備捕獲的信號(hào)進(jìn)行分析,如潤滑狀態(tài)、聲發(fā)射和振動(dòng)信號(hào)等,通過對(duì)比正常狀態(tài)與故障狀態(tài)下的信號(hào)特性進(jìn)行故障診斷［7-8］。文獻(xiàn)［9］表明,采用稀疏時(shí)頻表示方法能有效提高基于振動(dòng)信號(hào)的風(fēng)電機(jī)組故障診斷的準(zhǔn)確性。然而,信號(hào)處理方法仍受制于諸如成本高、傳感器耐用性高、檢測(cè)信號(hào)不足等多種因素的影響。

基于大數(shù)據(jù)技術(shù)的診斷方法主要依賴于統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù),對(duì)海量數(shù)據(jù)進(jìn)行高度自動(dòng)化的分析,將狀態(tài)檢測(cè)所獲得的數(shù)據(jù)轉(zhuǎn)化為反映退化行為的相關(guān)模型。由于無須安裝額外的數(shù)據(jù)采集設(shè)備,基于數(shù)據(jù)采集與監(jiān)控（SCADA）系統(tǒng)數(shù)據(jù)驅(qū)動(dòng)的大數(shù)據(jù)方法已成為目前較為經(jīng)濟(jì)適用的風(fēng)電機(jī)組故障診斷方法［10］。然而,故障狀態(tài)數(shù)據(jù)相對(duì)于正常狀態(tài)數(shù)據(jù)出現(xiàn)的概率較低,導(dǎo)致樣本標(biāo)簽不均衡,這無疑對(duì)風(fēng)電機(jī)組故障診斷的準(zhǔn)確率造成影響［11］。雖然可以通過人工標(biāo)注的方式緩解故障標(biāo)簽稀缺的問題,但由于故障數(shù)據(jù)場(chǎng)景的復(fù)雜性［12］,需要投入大量的時(shí)間成本,對(duì)技術(shù)人員的專業(yè)背景也有較高要求。因此,開發(fā)更低成本且無需人工干預(yù)的方法是這一領(lǐng)域的發(fā)展方向。

近年來,正常行為建模（normal behavior modelling,NBM）作為一種僅利用歷史健康數(shù)據(jù)建立故障檢測(cè)模型的方法,已受到越來越多的關(guān)注［13-14］。NBM 方法通常分為預(yù)測(cè)階段和故障檢測(cè)階段。在預(yù)測(cè)階段,基于歷史健康數(shù)據(jù),NBM 方法構(gòu)建正常行為預(yù)測(cè)模型,進(jìn)而計(jì)算預(yù)測(cè)值與實(shí)測(cè)值之間的殘差。在故障檢測(cè)階段,NBM 方法依據(jù)得到的殘差構(gòu)建正態(tài)分布模型來識(shí)別異常值,從而判斷目標(biāo)風(fēng)電機(jī)組是否處于異常狀態(tài),故NBM 故障檢測(cè)方法被視為一種具有潛力的低成本解決方案。文獻(xiàn)［15］提出了一種結(jié)合相關(guān)向量機(jī)和基于殘差的風(fēng)電機(jī)組故障檢測(cè)與隔離的方法。文獻(xiàn)［16］則提出了一種利用堆疊自編碼器來識(shí)別健康狀態(tài),進(jìn)而診斷旋轉(zhuǎn)機(jī)械部件故障的方法。

在風(fēng)電機(jī)組故障檢測(cè)領(lǐng)域,NBM 模型的性能主要取決于模擬正常運(yùn)行模式的精確度。目前,盡管已有一些正常行為預(yù)測(cè)方法,但擬合精度仍有待提高。這主要是因?yàn)楫?dāng)前的算法在處理風(fēng)電機(jī)組系統(tǒng)的時(shí)空關(guān)聯(lián)特性方面存在局限。時(shí)空關(guān)聯(lián)特性涵蓋了兩個(gè)關(guān)鍵維度。首先,空間關(guān)系是指風(fēng)電機(jī)組的各個(gè)子系統(tǒng)或組件之間的相互依賴以及耦合關(guān)系。這種復(fù)雜關(guān)聯(lián)也體現(xiàn)在部署于不同位置的傳感器所測(cè)量的各狀態(tài)參數(shù)之間。例如,當(dāng)風(fēng)電機(jī)組速度增加時(shí),會(huì)引發(fā)多個(gè)變量的相應(yīng)改變,比如,振動(dòng)頻率上升、溫度增高和電流增加等。其次,時(shí)間關(guān)系主要指風(fēng)電機(jī)組的SCADA 系統(tǒng)的時(shí)間序列數(shù)據(jù)在不同時(shí)間點(diǎn)之間的動(dòng)態(tài)相關(guān)性［17］。比如,在風(fēng)電機(jī)組出現(xiàn)故障前的亞健康期,其數(shù)據(jù)通常與故障發(fā)生時(shí)的數(shù)據(jù)有一定的相關(guān)性。

因此,有效挖掘風(fēng)電機(jī)組SCADA 系統(tǒng)數(shù)據(jù)的時(shí)空關(guān)聯(lián)特性對(duì)NBM 模型在故障檢測(cè)方面的表現(xiàn)有著至關(guān)重要的影響。在解析空間相關(guān)性方面,卷積神經(jīng)網(wǎng)絡(luò)以及其變體,如多核融合卷積神經(jīng)網(wǎng)絡(luò)和殘差網(wǎng)絡(luò),已被成功應(yīng)用［18-20］。這些網(wǎng)絡(luò)通過權(quán)重共享和模式識(shí)別可以有效捕捉空間關(guān)聯(lián)性,但在處理風(fēng)電機(jī)組SCADA 系統(tǒng)傳感器數(shù)據(jù)的非歐氏空間依賴時(shí)面臨挑戰(zhàn)。為應(yīng)對(duì)這一問題,圖神經(jīng)網(wǎng)絡(luò)逐漸受到重視,它們用拓?fù)鋱D描述不同節(jié)點(diǎn)和邊的關(guān)系,并成功應(yīng)用了如快速圖卷積網(wǎng)絡(luò)（GCN）和圖注意力（GAT）機(jī)制網(wǎng)絡(luò)等先進(jìn)的圖卷積算法［21-23］。在時(shí)間關(guān)聯(lián)性方面,循環(huán)神經(jīng)網(wǎng)絡(luò)及其變體,如長短期記憶網(wǎng)絡(luò)和門控循環(huán)單元（GRU）等,已被證明能有效捕獲風(fēng)電機(jī)組的時(shí)序數(shù)據(jù)特性［24-26］。這些模型都在一定程度上成功地識(shí)別了風(fēng)電機(jī)組的故障模式。最近,基于自注意力機(jī)制的Transformer 模型也在風(fēng)電機(jī)組故障檢測(cè)方面表現(xiàn)出色,尤其在處理數(shù)據(jù)的較長時(shí)間依賴關(guān)系方面［27］。

然而,現(xiàn)有的大多數(shù)研究主要集中在單一的時(shí)空尺度上,缺乏對(duì)風(fēng)電機(jī)組系統(tǒng)多維特性的綜合考慮。例如,雖然GRU 在處理復(fù)雜、非線性的時(shí)間序列數(shù)據(jù)方面表現(xiàn)得相對(duì)優(yōu)秀,但由于沒有全面地分析風(fēng)電機(jī)組系統(tǒng)的空間特性和時(shí)間相關(guān)性,其在基于NBM 模型的風(fēng)電機(jī)組故障檢測(cè)方法中的效率仍有待提升。因此,未來的研究需要更加綜合地考慮時(shí)空關(guān)聯(lián)特性,以進(jìn)一步優(yōu)化NBM 模型在風(fēng)電機(jī)組故障檢測(cè)方面的性能。

針對(duì)風(fēng)電機(jī)組故障檢測(cè)研究中現(xiàn)存的問題,本文提出了一種新的在線診斷方法,該方法以多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),進(jìn)行風(fēng)電機(jī)組運(yùn)行狀態(tài)的在線診斷。具體來說,本文研究的主要貢獻(xiàn)如下：1）基于風(fēng)電機(jī)組的物理結(jié)構(gòu),運(yùn)用多層級(jí)構(gòu)圖方法,通過劃分風(fēng)電機(jī)組功能單元來構(gòu)建與物理結(jié)構(gòu)緊密關(guān)聯(lián)的預(yù)測(cè)模型；2）采用GAT 機(jī)制對(duì)風(fēng)電機(jī)組的全局傳感器節(jié)點(diǎn)特征進(jìn)行重構(gòu),并通過融入多頭注意力機(jī)制,綜合性地提升了正常行為預(yù)測(cè)模型的空間關(guān)聯(lián)特性；3）設(shè)計(jì)動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)模塊,進(jìn)一步更新每個(gè)風(fēng)電機(jī)組功能單元內(nèi)部的傳感器節(jié)點(diǎn)特征,引入時(shí)間序列的注意力機(jī)制模塊,增強(qiáng)正常行為預(yù)測(cè)模型各個(gè)時(shí)刻的時(shí)域關(guān)聯(lián)特征。為了證明該方法的有效性,文中所提方法已在中國上海某風(fēng)電場(chǎng)的真實(shí)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),并得出了積極的效果,證明了該方法具有實(shí)際應(yīng)用價(jià)值。

1 風(fēng)電機(jī)組在線故障檢測(cè)框架描述

本文提出了一種新的風(fēng)電機(jī)組異常狀態(tài)檢測(cè)方法,該方法主要包括風(fēng)電機(jī)組正常行為預(yù)測(cè)建模以及生成風(fēng)電機(jī)組異常狀態(tài)自適應(yīng)閾值的流程,如圖1 所示。對(duì)于風(fēng)電機(jī)組正常行為預(yù)測(cè)模型,采用了由GAT 機(jī)制網(wǎng)絡(luò)層、7 個(gè)并行子圖網(wǎng)絡(luò)層和多頭注意力機(jī)制網(wǎng)絡(luò)層構(gòu)成的結(jié)構(gòu)。每個(gè)子圖網(wǎng)絡(luò)層又由動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)模塊、時(shí)間序列注意力機(jī)制模塊和向量化模塊組成。生成風(fēng)電機(jī)組異常狀態(tài)自適應(yīng)閾值的過程,主要包括構(gòu)建先驗(yàn)概率模型、構(gòu)建風(fēng)電機(jī)組輸出功率正態(tài)分布模型和生成在線檢測(cè)的自適應(yīng)閾值。

圖1 風(fēng)電機(jī)組在線故障檢測(cè)的總體框架Fig.1 Overall framework of online fault detection of wind turbines

1.1 正常行為預(yù)測(cè)建模

在多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)正常行為預(yù)測(cè)模型的訓(xùn)練過程中,輸入特征采用上一個(gè)時(shí)間窗口的各個(gè)風(fēng)電機(jī)組功能單元的檢測(cè)參數(shù)。而該模型的輸出標(biāo)簽為下一個(gè)時(shí)間窗口的風(fēng)電機(jī)組狀態(tài)參量。本文選用風(fēng)電機(jī)組輸出功率作為正常行為預(yù)測(cè)模型的輸出標(biāo)簽,不同功能部件也可選擇不同的狀態(tài)參量。例如,檢測(cè)軸承故障時(shí),可以選用軸承溫度作為預(yù)測(cè)模型的輸出標(biāo)簽。因此,風(fēng)電機(jī)組正常行為預(yù)測(cè)模型可以描述如下：

式中：v=[x1,x2,…,xi,…,xN]表示輸入節(jié)點(diǎn)特征矩陣,其中,N為SCADA 系統(tǒng)的傳感器的總數(shù),xi為 傳 感 器i的 節(jié) 點(diǎn) 特 征；A為 鄰 接 矩 陣；Y?=[pt,pt+1,…,pt+T]表示預(yù)測(cè)模型的輸出標(biāo)簽矩陣,其中,pt+T為t+T時(shí)刻風(fēng)電機(jī)組狀態(tài)參數(shù)的預(yù)測(cè)值,T為時(shí)間窗口的大小。

1.2 風(fēng)電機(jī)組異常狀態(tài)自適應(yīng)閾值生成方法

本節(jié)將逐一詳解故障檢測(cè)過程的關(guān)鍵步驟。為了確保實(shí)時(shí)檢測(cè)結(jié)果可從歷史運(yùn)行數(shù)據(jù)中獲得有力的指導(dǎo),采用一種綜合性的方法,包括使用最大后驗(yàn)概率估計(jì)、文中所提的正常行為預(yù)測(cè)模型（即多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)模型）以及歷史健康數(shù)據(jù)。通過這一多元化的策略,構(gòu)建了風(fēng)電機(jī)組在正常運(yùn)行狀態(tài)下不同時(shí)間窗口狀態(tài)參數(shù)的正態(tài)分布模型。進(jìn)一步地,采用了四分位距（interquartile range,IQR）方法來確定異常狀態(tài)的自適應(yīng)閾值。此方法基于已經(jīng)構(gòu)建的不同時(shí)間窗口下的正態(tài)分布模型,為風(fēng)電機(jī)組在正常狀態(tài)下設(shè)置了動(dòng)態(tài)調(diào)整的異常閾值,具體過程如下。

1.2.1 先驗(yàn)概率模型構(gòu)建

首先,對(duì)歷史健康數(shù)據(jù)應(yīng)用Z-score 模型進(jìn)行標(biāo)準(zhǔn)化處理,然后基于這些數(shù)據(jù)建立如式（2）所示的正態(tài)分布模型。

式中：μ和σ分別為正常歷史數(shù)據(jù)的均值和標(biāo)準(zhǔn)差；y′為風(fēng)電機(jī)組正常狀態(tài)下的狀態(tài)參數(shù)預(yù)測(cè)值；p(y′)為y′的概率分布函數(shù)。

1.2.2 正常狀態(tài)下風(fēng)電機(jī)組輸出功率的正態(tài)分布模型構(gòu)建

在這一部分,基于一個(gè)關(guān)鍵假設(shè)：每個(gè)健康數(shù)據(jù)樣本都遵循正態(tài)分布,該正態(tài)分布的參數(shù)是基于歷史正常運(yùn)行數(shù)據(jù)得出的。因此,每個(gè)時(shí)間窗口內(nèi)風(fēng)電機(jī)組在正常運(yùn)行狀態(tài)下的狀態(tài)參數(shù)的正態(tài)分布均值也將服從先前在1.2.1 節(jié)中得到的先驗(yàn)概率分布。為了構(gòu)建這一正態(tài)分布模型,該部分使用最大后驗(yàn)概率估計(jì)來計(jì)算風(fēng)電機(jī)組在正常運(yùn)行狀態(tài)下各個(gè)時(shí)間窗口內(nèi)預(yù)測(cè)樣本集的中位數(shù),如式（3）所示。這一估計(jì)方法的優(yōu)勢(shì)在于,它能同時(shí)考慮歷史健康數(shù)據(jù)和當(dāng)前的預(yù)測(cè)數(shù)據(jù)。具體來說,利用風(fēng)電機(jī)組在正常狀態(tài)下的預(yù)測(cè)狀態(tài)參數(shù)（來源于多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)模型）以及先驗(yàn)概率分布（通?；跉v史數(shù)據(jù)）來估計(jì)正態(tài)分布的參數(shù)。

式中：p(Y?｜θ)表示在給定模型參數(shù)θ（例如,風(fēng)速、溫度等外部條件）的風(fēng)電機(jī)組正常狀態(tài)下,Y?的概率密度；θ?MAP為風(fēng)電機(jī)組正常狀態(tài)下,Y?的正態(tài)分布的中位數(shù)；Pt為t時(shí)刻預(yù)測(cè)的風(fēng)電機(jī)組正常狀態(tài)下的狀態(tài)參數(shù),例如,預(yù)測(cè)的風(fēng)電機(jī)組功率或軸承溫度；Pr(Pt|θ)表示在給定模型參數(shù)θ下,Pt的預(yù)測(cè)值出現(xiàn)的概率；Pr(θ)表示在給定模型參數(shù)θ下的先驗(yàn)概率分布。

1.2.3 風(fēng)電機(jī)組異常狀態(tài)自適應(yīng)閾值生成

在得到與風(fēng)電機(jī)組健康狀況相關(guān)的各時(shí)間窗口正態(tài)分布模型后,利用IQR 方法生成風(fēng)電機(jī)組異常狀態(tài)自適應(yīng)閾值,如式（4）—式（6）所示。這種方法確保了歷史運(yùn)行數(shù)據(jù)的經(jīng)驗(yàn)?zāi)軌虮焕^續(xù)利用,從而提升在線檢測(cè)的準(zhǔn)確性。

式中：CDF(·)表示累積概率密度函數(shù)；CDFPt(·)表示t時(shí)刻狀態(tài)參數(shù)Pt取值小于或等于某個(gè)特定的狀態(tài)參數(shù)（即式(5)的Q3,t、Q1,t）的概率；σt為t時(shí)刻狀態(tài)參數(shù)的標(biāo)準(zhǔn)差；Q1,t為t時(shí)刻的上四分位值；Q3,t為t時(shí)刻的下四分位值；μt為t時(shí)刻風(fēng)電機(jī)組目標(biāo)狀態(tài)參數(shù)正態(tài)分布模型的中位數(shù),即式（3）通過最大后驗(yàn)概率估計(jì)所得的θ?MAP；δIQR為Q1,t與Q3,t的差值；VUT,t、VLT,t分別為風(fēng)電機(jī)組上、下邊界閾值。

2 多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)原理

為了深入挖掘風(fēng)電機(jī)組SCADA 系統(tǒng)數(shù)據(jù)中的時(shí)空關(guān)聯(lián)特性并提升預(yù)測(cè)模型的精度,提出了一個(gè)創(chuàng)新的設(shè)計(jì)理念：基于風(fēng)電機(jī)組的物理結(jié)構(gòu),利用多層級(jí)構(gòu)圖方法來構(gòu)建正常行為預(yù)測(cè)模型。這種模型將風(fēng)電機(jī)組的功能單元進(jìn)行劃分,使得預(yù)測(cè)模型與物理結(jié)構(gòu)形成緊密的聯(lián)系。

SCADA 系統(tǒng)實(shí)時(shí)監(jiān)測(cè)的主要目標(biāo)包括風(fēng)電機(jī)組的變槳、機(jī)艙、齒輪箱、變流器、出力質(zhì)量及自然環(huán)境等單元,這涉及總計(jì)37 個(gè)監(jiān)測(cè)參數(shù)。表1 詳細(xì)列出了各個(gè)機(jī)組單元所包含的監(jiān)測(cè)參數(shù)［28-29］?；诖?設(shè)計(jì)的多層級(jí)圖主要由以下部分組成：風(fēng)電機(jī)組全局傳感器節(jié)點(diǎn)互聯(lián)特征圖、風(fēng)電機(jī)組各功能單元的傳感器互聯(lián)特征子圖以及各功能單元全局互聯(lián)特征圖,具體如圖2 所示。

圖2 風(fēng)電機(jī)組多層級(jí)圖Fig.2 Hierarchical diagram of wind turbines

接下來,將基于所提出的多層級(jí)圖結(jié)構(gòu),詳細(xì)闡述在構(gòu)建基于多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)的正常行為預(yù)測(cè)模型的過程中,GAT 機(jī)制網(wǎng)絡(luò)層、子圖網(wǎng)絡(luò)層以及多頭注意力機(jī)制網(wǎng)絡(luò)層的設(shè)計(jì)原理。

2.1 GAT 機(jī)制網(wǎng)絡(luò)層

在訓(xùn)練正常行為預(yù)測(cè)模型的過程中,模型首先進(jìn)入一個(gè)專用GAT 機(jī)制網(wǎng)絡(luò)層,以便對(duì)輸入數(shù)據(jù)進(jìn)行高密度優(yōu)化。這個(gè)網(wǎng)絡(luò)層主要包含兩個(gè)核心模塊：1）GraphConv 圖神經(jīng)網(wǎng)絡(luò)層；2）由Masked 注意力機(jī)制支持的GAT 機(jī)制。

具體而言,模型首先通過GraphConv 圖神經(jīng)網(wǎng)絡(luò)層進(jìn)行預(yù)處理。在這一階段使用如式（7）所示的鄰域聚合法來更新每個(gè)節(jié)點(diǎn)的屬性。式中包含兩個(gè)可學(xué)習(xí)的權(quán)重參數(shù)W1和W2,W1用于傳遞自節(jié)點(diǎn)信息,W2用于聚合鄰域節(jié)點(diǎn)信息。與傳統(tǒng)的GCN模型相比,GraphConv 圖神經(jīng)網(wǎng)絡(luò)層使用這兩個(gè)獨(dú)立的權(quán)重參數(shù)來分別優(yōu)化自節(jié)點(diǎn)和鄰域節(jié)點(diǎn)的影響,從而有效提升模型的性能。

式中：σ(?)表示激活函數(shù),例如LeakReLU、Sigmoid函數(shù)；vj為鄰居節(jié)點(diǎn)j隱藏層的輸入特征；vi為自節(jié)點(diǎn)i隱藏層的輸入特征；ej,i表示節(jié)點(diǎn)j和i之間的連接狀態(tài),為了求得任意兩個(gè)傳感器節(jié)點(diǎn)之間的影響程度,所有的ej,i將被視為1；si表示節(jié)點(diǎn)i的隱藏層的重構(gòu)特征；Ni表示節(jié)點(diǎn)i的鄰居節(jié)點(diǎn)集合。

在完成GraphConv 圖神經(jīng)網(wǎng)絡(luò)層的處理后,模型轉(zhuǎn)入由Masked 注意力機(jī)制構(gòu)建的GAT 機(jī)制環(huán)節(jié),旨在精確地量化風(fēng)電機(jī)組SCADA 系統(tǒng)內(nèi)各傳感器節(jié)點(diǎn)間的相互影響。首先,模型執(zhí)行一個(gè)維度變換,通過可學(xué)習(xí)的權(quán)重參數(shù)將輸入的隱藏狀態(tài)從F維映射到F′維,以便捕獲更為復(fù)雜的特征關(guān)聯(lián)。接著,模型應(yīng)用一個(gè)共享的線性變換函數(shù)（如式（8）所示）,為接下來的注意力計(jì)算準(zhǔn)備適當(dāng)?shù)奶卣鞅硎?。在這一步驟中,LeakyReLU 被用作激活函數(shù),并通過Masked 注意力機(jī)制來計(jì)算節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的關(guān)聯(lián)特征。這些關(guān)聯(lián)特征經(jīng)過歸一化處理,進(jìn)而計(jì)算出兩個(gè)節(jié)點(diǎn)間的注意力系數(shù)。最后,這些注意力系數(shù)通過可訓(xùn)練的權(quán)重參數(shù)被融入節(jié)點(diǎn)特征中。具體來說,它們以均值化的方式嵌入由式（7）定義的節(jié)點(diǎn)特征中（如式（9）所示）。在模型的初始化階段,所有與注意力機(jī)制有關(guān)的權(quán)重參數(shù)都會(huì)被隨機(jī)初始化,通常采用Glorot 初始化或He 初始化等方法［29］。隨著模型訓(xùn)練的進(jìn)行,這些權(quán)重參數(shù)將通過梯度下降或其他優(yōu)化算法進(jìn)行持續(xù)更新。通過使用均方誤差等損失函數(shù),模型能更精確地捕獲各功能單元和傳感器節(jié)點(diǎn)間的相互影響強(qiáng)度。

式中：si,j表示節(jié)點(diǎn)i的鄰居節(jié)點(diǎn)j隱藏層的重構(gòu)特征；aT(Wsi//Wsi,j)表示通過將節(jié)點(diǎn)i和j的經(jīng)權(quán)重矩陣W變換后的特征向量進(jìn)行拼接,并與可學(xué)習(xí)的權(quán)重向量a進(jìn)行點(diǎn)積,以計(jì)算出GAT 機(jī)制中這兩個(gè)節(jié)點(diǎn)之間的關(guān)聯(lián)強(qiáng)度；K表示GAT 機(jī)制中注意力頭的數(shù)量；s′i表示節(jié)點(diǎn)i在GAT 機(jī)制網(wǎng)絡(luò)層的最終輸出特征；αij,k表示注意力頭k中節(jié)點(diǎn)i和j之間的注意力系數(shù)；Wk為注意力頭k的可訓(xùn)練的權(quán)重參數(shù)。

2.2 子圖網(wǎng)絡(luò)層

在GAT 機(jī)制網(wǎng)絡(luò)層完成風(fēng)電機(jī)組全局傳感器節(jié)點(diǎn)特征的重構(gòu)和關(guān)聯(lián)性捕捉后,該模型將進(jìn)入子圖網(wǎng)絡(luò)層進(jìn)行更深一步的設(shè)計(jì)和實(shí)現(xiàn)。通過多層級(jí)方法,按照表1 所示,將GAT 機(jī)制網(wǎng)絡(luò)層重構(gòu)的風(fēng)電機(jī)組傳感器節(jié)點(diǎn)特征劃分為7 個(gè)不同的功能單元子圖。這些子圖隨后被輸入圖1 所示的7 個(gè)并行子圖神經(jīng)網(wǎng)絡(luò)層中,以便進(jìn)行獨(dú)立訓(xùn)練。

在這一環(huán)節(jié),每個(gè)并行子圖網(wǎng)絡(luò)層都由動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)模塊、時(shí)間序列GAT 機(jī)制模塊和向量化模塊組成,如附錄A 圖A1 所示。其中,動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)模塊首先接受每個(gè)功能單元子圖的節(jié)點(diǎn)特征和邊信息作為輸入,再經(jīng)過計(jì)算輸出更新后的節(jié)點(diǎn)特征。這些更新的節(jié)點(diǎn)特征隨即作為時(shí)間序列GAT機(jī)制模塊的輸入,目的是進(jìn)一步應(yīng)用時(shí)間序列注意力機(jī)制來捕捉節(jié)點(diǎn)特征在時(shí)間維度上的波動(dòng)性,輸出為具有時(shí)間關(guān)聯(lián)性的節(jié)點(diǎn)特征。最后,這些時(shí)間關(guān)聯(lián)性的節(jié)點(diǎn)特征被傳遞到向量化模塊,該模塊通過池化和降維操作將每個(gè)功能單元子圖的特征矩陣轉(zhuǎn)化為一個(gè)單一的特征向量,作為該模塊的最終輸出。這一系列操作是為了在后續(xù)的多頭注意力機(jī)制網(wǎng)絡(luò)層中更精確地分析各功能單元子圖間的關(guān)聯(lián)度。這樣的設(shè)計(jì)框架旨在更高效地捕獲風(fēng)電機(jī)組各功能單元和傳感器節(jié)點(diǎn)間的復(fù)雜相互作用。

2.2.1 動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)模型

如式（10）—式（12）所示,通過上一時(shí)刻子圖d的隱藏狀態(tài)hd,t-1和當(dāng)前時(shí)刻子圖d經(jīng)歷GCNConv模型（GCNConv 模型是GCN 的一個(gè)變體,與GraphConv 模型相似,只是圖結(jié)構(gòu)的聚合方式不同,GraphConv 模型以式（7）的方式聚合,GCNConv 模型以式（10）的方式進(jìn)行聚合）重構(gòu)后的狀態(tài)特征,GRU 模型計(jì)算得到控制更新的門控狀態(tài)zt和控制重置的門控狀態(tài)rt。通過重置門控狀態(tài)將上一時(shí)刻隱藏狀態(tài)的信息傳入當(dāng)前時(shí)刻的隱藏狀態(tài)h?t,如式（13）所示。在更新記憶階段,通過讓上一時(shí)刻選擇性遺忘的信息和當(dāng)前時(shí)刻選擇性記憶的信息保持聯(lián)動(dòng),得到了同一子圖內(nèi)的時(shí)空特征的重構(gòu)特征hd,t,如式（14）所示。

式中：A?d,t為t時(shí)刻子圖d的鄰接矩陣；D?d,t為t時(shí)刻子 圖d的 度；表示基于邊的歸一化操作；Xd,t為t時(shí) 刻 子 圖d的 輸 入 特 征；X′d,t為t時(shí) 刻 子圖d在經(jīng)歷GCNConv 模型重構(gòu)后的特征；θd為子圖d在GCNConv 模 型 中 的 訓(xùn) 練 參 數(shù)；h?t為t時(shí) 刻 候 選隱藏狀態(tài)；Wz、Wr、Wh?分別表示更新門的權(quán)重矩陣、重置門的權(quán)重矩陣、候選隱藏狀態(tài)的權(quán)重矩陣。

2.2.2 時(shí)間序列注意力機(jī)制

引入時(shí)間序列注意力機(jī)制模塊,以進(jìn)一步強(qiáng)化各時(shí)刻的時(shí)間特性,增強(qiáng)各訓(xùn)練時(shí)刻特征的相關(guān)性。首先,利用兩個(gè)隱藏層網(wǎng)絡(luò)將目標(biāo)子圖d的時(shí)間窗口特征矩陣映射為一個(gè)特征參數(shù)矩陣ed,如式（15）所示。然后,利用式（16）對(duì)各時(shí)刻的特征參數(shù)進(jìn)行歸一化。最后,通過式（17）將所求得的各時(shí)刻的權(quán)重參數(shù)融入原有的各時(shí)刻輸入特征中。

式中：Hd={hd,t,hd,t+1,…,hi,t+T}為子圖d的隱藏層輸入狀態(tài)特征；ed=[ed,t,ed,t+1,…,ed,t+T]為子圖d的隱藏層映射狀態(tài)特征組成的矩陣；w(1)、b(1)分別為第1 層網(wǎng)絡(luò)映射的權(quán)重參數(shù)和偏差；w(2)、b(2)分別為第2 層網(wǎng)絡(luò)映射的權(quán)重參數(shù)和偏差；αd,t為t時(shí)刻子圖d的特征在整個(gè)時(shí)間窗口中所占的權(quán)重；Cd,T為子圖d嵌入關(guān)聯(lián)特征的時(shí)間窗口特征。

2.3 多頭注意力機(jī)制網(wǎng)絡(luò)層

在風(fēng)電機(jī)組各功能單元全局互聯(lián)圖的基礎(chǔ)上,本節(jié)將借助多頭注意力機(jī)制網(wǎng)絡(luò)層（如附錄A 圖A2所示）,進(jìn)一步揭示風(fēng)電機(jī)組各功能單元全局互聯(lián)圖的高階空間特性。值得一提的是,多頭注意力機(jī)制可以視為自注意力機(jī)制的擴(kuò)展,它不僅增加了模型的容量,還允許模型從多個(gè)不同的子圖空間的表征中捕獲信息。在啟動(dòng)自注意力運(yùn)算前,該模型需要首先生成一組投影矩陣：查詢矩陣Q、鍵矩陣K和值矩陣V。這些投影矩陣是通過將特征矩陣X（由7 個(gè)子圖向量構(gòu)成）與3 個(gè)可學(xué)習(xí)的權(quán)重矩陣WQ、WK和WV相乘得到的,如式（18）所示。

此步驟是自注意力機(jī)制中的關(guān)鍵環(huán)節(jié),目的在于將輸入特征矩陣轉(zhuǎn)化為一組新的表征以便于后續(xù)計(jì)算。在模型初始化階段,采用隨機(jī)初始化方法,例如Xavier 或He 初始化［29］來對(duì)3 組可 學(xué)習(xí)的權(quán)重矩陣WQ、WK和WV進(jìn)行初始化設(shè)置,這些初始化設(shè)置的權(quán)重會(huì)在多次迭代和反向傳播的過程中逐漸優(yōu)化,以達(dá)到模型最佳性能。

上述步驟之后,在多頭注意力機(jī)制中引入Qd、Kd、Vd,它們分別是每一個(gè)“頭”中的查詢、鍵和值矩陣。在這里,每一個(gè)“頭”都有一組自己的Qd、Kd、Vd,這些矩陣是由特征矩陣X和對(duì)應(yīng)的可學(xué)習(xí)權(quán)重矩 陣WQd、WKd、WVd通 過 矩 陣 乘 法 得 到 的（用Attention(Qd,Kd,Vd)表示各個(gè)輸入特征之間的關(guān)聯(lián)程度）。每個(gè)“頭”在其子空間中進(jìn)行自注意力計(jì)算,對(duì)Qd和Kd矩陣進(jìn)行點(diǎn)積計(jì)算,并采用Softmax函數(shù)得到各個(gè)子圖節(jié)點(diǎn)特征之間的關(guān)聯(lián)權(quán)重,這些權(quán)重隨后與輸入值投影矩陣Vd相乘,形成融合了相鄰子圖特征的新全局特征,如式（19）所示。

應(yīng)用多頭注意力函數(shù)MultiHead(?)（如式（20）所示）來全面反映各子圖間的不同權(quán)重關(guān)系。對(duì)于多頭注意力機(jī)制,該模型不僅在單個(gè)“頭”上執(zhí)行上述操作,而且將多個(gè)這樣的“頭”并行運(yùn)行并將結(jié)果進(jìn)行拼接（用Concat(?)表示拼接操作,共有h個(gè)“頭”）。每個(gè)“頭”都有自己的一組權(quán)重矩陣,這些權(quán)重矩陣在訓(xùn)練過程中都是可學(xué)習(xí)的。在多頭注意力機(jī)制的應(yīng)用中,每一個(gè)“頭”都具有獨(dú)特的能力,以捕捉風(fēng)電機(jī)組全局互聯(lián)圖（包括變槳、齒輪箱、機(jī)艙、微氣象儀、出力質(zhì)量、變流器、發(fā)電機(jī)7 個(gè)子圖）的不同方面,以適應(yīng)更復(fù)雜或更不確定的正常環(huán)境特征。例如,“頭”head1可能專注于捕捉與變槳和微氣象儀之間的交互,如風(fēng)速和風(fēng)向如何影響槳葉的調(diào)整；“頭”head2可能關(guān)注發(fā)電機(jī)和變流器之間的關(guān)系,如發(fā)電機(jī)的轉(zhuǎn)速和變流器的功率調(diào)節(jié)之間如何相互影響；“頭”head3可能研究出力質(zhì)量與其他各個(gè)單元（如發(fā)電機(jī)或變流器）的關(guān)聯(lián)性,例如,電流波動(dòng)與變流器調(diào)節(jié)的關(guān)系。

最后,權(quán)重矩陣W0也是一個(gè)可學(xué)習(xí)的參數(shù)。這樣不僅得到了風(fēng)電機(jī)組的全局圖特征,還確保這一特征全面考慮了每個(gè)子圖的重要程度評(píng)分,這些權(quán)重和系數(shù)都是在模型訓(xùn)練過程中自適應(yīng)地學(xué)習(xí)所有相關(guān)的權(quán)重和注意力系數(shù),確保了模型能夠全面地捕捉風(fēng)電機(jī)組各功能單元在全局圖中的復(fù)雜交互關(guān)系。

3 實(shí)驗(yàn)論證

為了驗(yàn)證本文提出的基于多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組在線異常檢測(cè)方法的優(yōu)勢(shì),實(shí)驗(yàn)部分選擇了Pytorch 框架進(jìn)行編程,并在CUDA 1.11 環(huán)境中進(jìn)行訓(xùn)練。利用Intel Core i9-11900K 3.5 GHz CPU 和NVIDIA GeForce RTX 3090 顯 卡,對(duì)SCADA 系統(tǒng)數(shù)據(jù)進(jìn)行了深度訓(xùn)練。這部分工作的主要目標(biāo)是驗(yàn)證本文所提方法在處理風(fēng)電機(jī)組在線異常檢測(cè)任務(wù)上的高效性和準(zhǔn)確性。

3.1 數(shù)據(jù)描述

首先,本文利用2019 年中國上海某風(fēng)電場(chǎng)1 臺(tái)風(fēng)電機(jī)組前9 個(gè)月的歷史健康SCADA 系統(tǒng)數(shù)據(jù)進(jìn)行模型訓(xùn)練,以預(yù)測(cè)其正常行為。然后,使用第10個(gè)月的SCADA 系統(tǒng)數(shù)據(jù)對(duì)風(fēng)電機(jī)組故障診斷的準(zhǔn)確性進(jìn)行驗(yàn)證。具體而言,選擇上一時(shí)間窗口的狀態(tài)參數(shù)（如表1 所示）,與風(fēng)電機(jī)組的各功能單元相匹配,作為正常行為預(yù)測(cè)模型的輸入,并以下一個(gè)時(shí)間窗口的風(fēng)電機(jī)組輸出功率作為預(yù)測(cè)模型的輸出標(biāo)簽。研究對(duì)象為每10 min 間隔采樣的標(biāo)準(zhǔn)日志。

在上傳歷史健康數(shù)據(jù)和上傳在線數(shù)據(jù)的過程中,首先根據(jù)風(fēng)電機(jī)組SCADA 系統(tǒng)的故障列表,對(duì)系統(tǒng)記錄的故障數(shù)據(jù)進(jìn)行過濾。隨后,采取零均值數(shù)據(jù)標(biāo)準(zhǔn)化的數(shù)據(jù)預(yù)處理方法,濾除了兩倍標(biāo)準(zhǔn)差以外的離群數(shù)據(jù),以及那些在故障潛在階段可能不會(huì)觸發(fā)警報(bào)的數(shù)據(jù)。這樣的處理保證訓(xùn)練數(shù)據(jù)真實(shí)地反映了風(fēng)電機(jī)組的正常狀態(tài)。

在測(cè)試階段,選用的第10 個(gè)月的測(cè)試數(shù)據(jù)由4 000 個(gè)正常數(shù)據(jù)樣本和200 個(gè)故障數(shù)據(jù)樣本組成。故障數(shù)據(jù)主要包括風(fēng)電機(jī)組的變槳齒輪故障、槳葉葉片故障、發(fā)電機(jī)轉(zhuǎn)軸故障和變槳軸承故障。

3.2 實(shí)驗(yàn)結(jié)果與分析

本文的實(shí)驗(yàn)部分對(duì)4 種風(fēng)電機(jī)組的常見故障類型進(jìn)行了詳細(xì)的測(cè)試和驗(yàn)證,包括：變槳齒輪故障、變槳軸承故障、槳葉葉片故障以及發(fā)電機(jī)轉(zhuǎn)軸故障。利用真實(shí)的SCADA 系統(tǒng)數(shù)據(jù),該部分揭示了所提出的多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)模型不僅能檢測(cè)當(dāng)前的異常狀態(tài),還能預(yù)測(cè)并預(yù)警即將出現(xiàn)的潛在問題,特別是那些可能被現(xiàn)有SCADA 系統(tǒng)和巡檢人員忽視的初期故障。接下來,將分別深入分析和探討這4 種故障類型的檢測(cè)效果。在圖3 及附錄A 圖A3 至圖A5 中,上界閾值和下界閾值均由 1.2 節(jié)所述的風(fēng)電機(jī)組異常狀態(tài)自適應(yīng)閾值生成方法獲得。超越這些閾值的數(shù)據(jù)點(diǎn)可能指示異常或故障狀態(tài),而位于上、下界閾值之間的數(shù)據(jù)則被視作正常運(yùn)行狀態(tài)。綠色實(shí)線標(biāo)識(shí)的實(shí)際故障標(biāo)簽代表了SCADA 系統(tǒng)在實(shí)際運(yùn)行中所記錄下的故障事件。當(dāng)綠線與黑色虛線（代表故障標(biāo)識(shí)）重合時(shí),即表明SCADA 系統(tǒng)曾在該時(shí)刻檢測(cè)到故障。此外,由于在風(fēng)電機(jī)組異常狀態(tài)自適應(yīng)閾值生成方法中,處理歷史健康數(shù)據(jù)的一項(xiàng)重要步驟是使用Z-score 模型對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,如1.2.1 節(jié)所述,故為了保證數(shù)據(jù)的一致性和可比性,實(shí)驗(yàn)效果均以標(biāo)準(zhǔn)化有功功率為基準(zhǔn)進(jìn)行呈現(xiàn)。盡管文中以有功功率為例,但本文所提的多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)方法適用于風(fēng)電機(jī)組的多種狀態(tài)參數(shù)。選用有功功率是因?yàn)樗跔顟B(tài)識(shí)別中具有代表性,并為驗(yàn)證方法有效性提供了合適的測(cè)試場(chǎng)景。

圖3 變槳軸承故障檢測(cè)效果Fig.3 Detection effect of pitch bearing fault

通過1.2 節(jié)所述方法識(shí)別出有功功率異常變化時(shí),標(biāo)志著多種潛在故障狀態(tài)的出現(xiàn)。針對(duì)這些異常,將采用2.3 節(jié)中由式（19）所得的各功能單元的權(quán)重占比,來判斷具體的故障部位。所提方法在采用多頭注意力機(jī)制之前,已經(jīng)通過子圖網(wǎng)絡(luò)層和GAT 機(jī)制網(wǎng)絡(luò)層深入挖掘了風(fēng)電機(jī)組各功能單元之間的時(shí)空關(guān)聯(lián)性變化。這種時(shí)空關(guān)聯(lián)性變化的深度挖掘揭示了風(fēng)電機(jī)組各功能單元之間的相互影響和依賴性,為后續(xù)故障定位提供了有力理論支撐。因此,通過觀察各功能單元權(quán)重占比的異常變化,可以更準(zhǔn)確、更快速地定位到具體的故障部位。

3.2.1 本文所提故障檢測(cè)方法的過程演示

為了詳細(xì)解釋本文所提故障檢測(cè)方法的診斷過程,此處將以變槳軸承故障的檢測(cè)過程作為演示。變槳軸承故障也是風(fēng)電機(jī)組的常見問題,可能由軸承過載、潤滑不足或材料疲勞等因素引發(fā)。這種故障可能導(dǎo)致發(fā)電效率下降,嚴(yán)重時(shí)可能引發(fā)風(fēng)力發(fā)電機(jī)系統(tǒng)故障,甚至導(dǎo)致設(shè)備永久損壞,同時(shí)也會(huì)增加維護(hù)成本和停機(jī)時(shí)間。因此,對(duì)變槳軸承故障及時(shí)地檢測(cè)和預(yù)警,對(duì)于延長風(fēng)電機(jī)組使用壽命具有關(guān)鍵性意義。

圖3 呈現(xiàn)了變槳軸承故障檢測(cè)效果。圖中,綠色實(shí)線取值為1 的瞬間對(duì)應(yīng)于SCADA 系統(tǒng)所記錄的實(shí)際變槳通信故障發(fā)生時(shí)間。觀察時(shí)刻165 至186 可以看到,實(shí)際輸出功率明顯超越了下界閾值,表明風(fēng)電機(jī)組在這一時(shí)間范圍內(nèi)很可能處于非正常運(yùn)行狀態(tài)。值得強(qiáng)調(diào)的是,這一異常狀態(tài)的識(shí)別顯著早于時(shí)刻176 出現(xiàn)的實(shí)際故障標(biāo)簽。這一觀察結(jié)果進(jìn)一步證實(shí)了本文提出的故障預(yù)測(cè)模型不僅具有識(shí)別當(dāng)前變槳軸承異常狀態(tài)的準(zhǔn)確性,而且還能有效地預(yù)警即將出現(xiàn)的潛在問題。這種預(yù)警能力適用于那些容易被現(xiàn)有SCADA 系統(tǒng)和巡檢人員遺漏的早期故障。

圖4 展示了變槳軸承故障中各功能單元影響權(quán)重占比的動(dòng)態(tài)變化,深刻反映了風(fēng)電機(jī)組各功能單元在變槳軸承發(fā)生故障時(shí),各個(gè)功能單元的影響權(quán)重是如何隨著時(shí)間演變的。其中,各功能單元的顏色變化揭示了權(quán)重變化的過程,而顏色的深淺則由右側(cè)的熱力條清晰展示,直觀反映了權(quán)重占比的多少。由圖4 可知,每個(gè)功能單元的影響權(quán)重確實(shí)會(huì)隨時(shí)間發(fā)生變化,這也印證了所提出的GAT 機(jī)制網(wǎng)絡(luò)和子圖神經(jīng)網(wǎng)絡(luò)能夠有效挖掘風(fēng)電機(jī)組各功能單元在故障發(fā)生時(shí)的時(shí)空關(guān)聯(lián)特性。

圖4 變槳軸承故障中各功能單元的影響權(quán)重占比變化Fig.4 Changes of influence weight ratio for functional units in pitch bearing fault

通過在時(shí)刻165 至186 區(qū)間內(nèi)捕捉到的變槳系統(tǒng)關(guān)聯(lián)度的異常變化,即其影響權(quán)重占比突然變得極大,實(shí)現(xiàn)了對(duì)變槳單元故障的精準(zhǔn)定位。這一現(xiàn)象實(shí)際反映了當(dāng)變槳軸承出現(xiàn)故障時(shí),由于變槳軸承溫度等狀態(tài)參數(shù)的突然上升,變槳單元對(duì)整體系統(tǒng)性能的影響變得更加顯著。因此,在進(jìn)行關(guān)聯(lián)分析時(shí),其權(quán)重會(huì)異常上升。此外,變槳系統(tǒng)是調(diào)整葉片角度以適應(yīng)不同風(fēng)速的關(guān)鍵組件,這也與圖3 所示結(jié)果相互驗(yàn)證。當(dāng)變槳軸承發(fā)生故障時(shí),葉片無法準(zhǔn)確調(diào)整到最佳角度,導(dǎo)致風(fēng)能無法被完全捕獲并轉(zhuǎn)化為電能,風(fēng)電機(jī)組的輸出功率會(huì)低于正常情況下的故障閾值。因此,本文所提方法不僅深化了對(duì)風(fēng)電機(jī)組功能單元的時(shí)空關(guān)聯(lián)特性的理解,也為風(fēng)電機(jī)組故障的精準(zhǔn)定位提供了強(qiáng)有力的支持。

3.2.2 不同故障場(chǎng)景中的故障檢測(cè)結(jié)果

為了驗(yàn)證本文所提方法的泛化性,將分別列舉變槳齒輪故障、槳葉葉片故障以及發(fā)電機(jī)轉(zhuǎn)軸故障,具體檢測(cè)結(jié)果和分析如下所示。

1）變槳齒輪故障

變槳齒輪故障是風(fēng)電機(jī)組常見的問題之一,可能由齒輪磨損、潤滑系統(tǒng)缺陷,或是設(shè)計(jì)制造中的問題所引發(fā)。這種故障可能導(dǎo)致風(fēng)電機(jī)組功率輸出降低,嚴(yán)重情況下甚至?xí)l(fā)更大的系統(tǒng)故障,造成風(fēng)電機(jī)組不可修復(fù)的損害,同時(shí)也會(huì)增加維修成本。因此,對(duì)風(fēng)電機(jī)組的變槳齒輪進(jìn)行有效監(jiān)測(cè),對(duì)保障其穩(wěn)定運(yùn)行具有關(guān)鍵性意義。

附錄A 圖A3 所示為變槳齒輪故障檢測(cè)效果。圖中：綠色實(shí)線值為1 的特定時(shí)刻表示SCADA 系統(tǒng)記錄下的變槳通信故障發(fā)生的實(shí)際時(shí)間。觀察時(shí)刻102 至144,可以注意到實(shí)際輸出功率超出了下界閾值,這意味著風(fēng)電機(jī)組在這一時(shí)段內(nèi)的運(yùn)行狀態(tài)可能已出現(xiàn)異常。值得注意的是,這一異常檢測(cè)明顯早于時(shí)刻110 所標(biāo)記的實(shí)際故障發(fā)生時(shí)間,驗(yàn)證了所提故障預(yù)測(cè)模型不僅能準(zhǔn)確識(shí)別當(dāng)前的變槳齒輪異常狀態(tài),而且具備預(yù)測(cè)及提前預(yù)警未來潛在問題的能力,這對(duì)于識(shí)別那些容易被現(xiàn)有SCADA 系統(tǒng)和巡檢人員忽視的早期故障問題具有特別重要的意義。

2）槳葉葉片故障

風(fēng)電機(jī)組槳葉葉片故障通常由材料疲勞、制造缺陷或運(yùn)營中的不當(dāng)應(yīng)用（如超速旋轉(zhuǎn)、碰撞等）引起,這樣的故障可能導(dǎo)致整個(gè)風(fēng)力發(fā)電系統(tǒng)的效率下降、增加維護(hù)成本,甚至可能引發(fā)更嚴(yán)重的安全問題,例如,葉片斷裂飛出。及時(shí)的故障檢測(cè)不僅可以減少這些風(fēng)險(xiǎn),還能優(yōu)化風(fēng)力發(fā)電的整體性能,通過預(yù)測(cè)性維護(hù)減少停機(jī)時(shí)間,從而提高經(jīng)濟(jì)效益和系統(tǒng)的可靠性。

附錄A 圖A4 所示為槳葉葉片故障檢測(cè)效果。圖中,綠色實(shí)線取值為1 的瞬間標(biāo)示了SCADA 系統(tǒng)記錄的槳葉葉片實(shí)際故障發(fā)生的時(shí)刻。在時(shí)刻19 至30 范圍內(nèi),實(shí)際輸出功率突破了下界閾值,可明確地指示風(fēng)電機(jī)組在這一時(shí)段內(nèi)有可能面臨非正常運(yùn)行狀況。這一異常檢測(cè)早于時(shí)刻24 出現(xiàn)的實(shí)際故障標(biāo)簽,從而進(jìn)一步驗(yàn)證了提出的故障預(yù)測(cè)模型的精準(zhǔn)性和前瞻性。具體來說,該模型不僅能準(zhǔn)確地識(shí)別出當(dāng)前槳葉葉片的異常狀態(tài),而且還具有預(yù)測(cè)和預(yù)警未來可能出現(xiàn)的潛在問題的能力。

3）發(fā)電機(jī)轉(zhuǎn)軸故障

風(fēng)電機(jī)組發(fā)電機(jī)轉(zhuǎn)軸故障通常由軸承磨損、材料疲勞或不平衡負(fù)荷等因素引起。這種故障可能導(dǎo)致發(fā)電效率降低,或在極端情況下造成發(fā)電機(jī)過熱、機(jī)械損壞,甚至觸發(fā)全系統(tǒng)故障。及時(shí)的故障檢測(cè)和監(jiān)控能夠識(shí)別出問題的早期跡象,從而允許采取預(yù)防性措施,例如,更換軸承或調(diào)整負(fù)荷,以維護(hù)系統(tǒng)的穩(wěn)定運(yùn)行和長期可靠性,同時(shí)還能顯著降低維護(hù)成本和系統(tǒng)停機(jī)時(shí)間。

附錄A 圖A5 所示為發(fā)電機(jī)轉(zhuǎn)軸故障檢測(cè)效果。圖中：當(dāng)綠色實(shí)線取值為1 時(shí),標(biāo)記了SCADA系統(tǒng)所記錄的發(fā)電機(jī)轉(zhuǎn)軸故障的實(shí)際發(fā)生時(shí)刻。值得關(guān)注的是,在時(shí)刻46 至54 內(nèi),實(shí)際輸出功率超越了下界閾值的參考線,這表明風(fēng)電機(jī)組在這特定時(shí)間段處于異常運(yùn)行狀態(tài)。這一異常狀態(tài)的識(shí)別明確早于時(shí)刻50 的實(shí)際故障標(biāo)簽,進(jìn)一步證實(shí)了本文提出的多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)模型在故障預(yù)測(cè)方面的準(zhǔn)確性和前瞻性。具體而言,該模型不僅能夠準(zhǔn)確地識(shí)別和定位當(dāng)前發(fā)電機(jī)轉(zhuǎn)軸的異常表現(xiàn),而且還具備預(yù)測(cè)和預(yù)警未來潛在問題的能力。

根據(jù)圖5 的展示,風(fēng)電機(jī)組的實(shí)際測(cè)量輸出功率與預(yù)測(cè)值之間具有良好的擬合效果。因此,上述結(jié)果說明,得益于測(cè)量值與預(yù)測(cè)值之間的優(yōu)秀擬合性,本文所提模型能夠及時(shí)且準(zhǔn)確地檢測(cè)到風(fēng)電機(jī)組的變槳齒輪故障、變槳軸承故障、槳葉葉片故障以及發(fā)電機(jī)轉(zhuǎn)軸故障。

圖5 所提模型預(yù)測(cè)結(jié)果Fig.5 Prediction results of proposed model

3.2.3 風(fēng)電機(jī)組故障檢測(cè)實(shí)驗(yàn)結(jié)果分析

在本節(jié)風(fēng)電機(jī)組故障檢測(cè)實(shí)驗(yàn)結(jié)果分析中,旨在驗(yàn)證本文所提風(fēng)電機(jī)組故障檢測(cè)方法的有效性和優(yōu)越性。實(shí)驗(yàn)選取了8 種基于正常行為預(yù)測(cè)模型的風(fēng)電機(jī)組故障檢測(cè)方法進(jìn)行精度對(duì)比,并對(duì)其結(jié)果進(jìn)行了深入分析。

1）時(shí)空特性對(duì)于正常行為故障檢測(cè)方法的影響

為了論證正常行為預(yù)測(cè)模型在考慮時(shí)空特性時(shí)對(duì)NBM 模型故障檢測(cè)精度的影響,將時(shí)間序列的預(yù)測(cè)模型與考慮空間特征的模型相結(jié)合,形成了一個(gè)整合了時(shí)空特性的正常行為預(yù)測(cè)模型,即GCN+GRU。將其與單獨(dú)采用時(shí)間序列特征的正常行為預(yù)測(cè)模型GRU,以及單獨(dú)采用空間特征的正常行為預(yù)測(cè)模型GCN、Resnet 的檢測(cè)精度進(jìn)行對(duì)比,結(jié)果如附錄A 表A1 所示。當(dāng)預(yù)測(cè)模型同時(shí)考慮訓(xùn)練數(shù)據(jù)的時(shí)空特性時(shí),其故障檢測(cè)精度顯著提高,這主要?dú)w因于GCN+GRU 正常行為預(yù)測(cè)模型比只有GRU、GCN 或Resnet 的模型具有更好的趨勢(shì)跟隨性,如附錄A 圖A6 所示。因此,當(dāng)預(yù)測(cè)模型同時(shí)考慮時(shí)間和空間特性時(shí),其模型的擬合度大大提高,從而顯著提高了正常行為故障檢測(cè)的準(zhǔn)確性。

2）注意力機(jī)制對(duì)于正常行為故障檢測(cè)方法的影響

為了深入分析注意力機(jī)制在正常行為預(yù)測(cè)模型上的影響,在已有的時(shí)空特性正常行為預(yù)測(cè)模型GRU+GCN 的基礎(chǔ)上引入注意力機(jī)制。具體地,構(gòu)建了一個(gè)綜合考慮時(shí)空特性和注意力機(jī)制的先進(jìn)預(yù)測(cè)模型,即GRU+GCN+Attention。在這個(gè)模型中,采用了兩種不同的注意力機(jī)制：由Masked 注意力機(jī)制構(gòu)建的GAT 機(jī)制和時(shí)間序列注意力機(jī)制。為了更全面地評(píng)估這一新模型的性能,將其與幾個(gè)基準(zhǔn)模型進(jìn)行了對(duì)比。這些基準(zhǔn)模型包括：僅側(cè)重于時(shí)空特性的GCN+GRU 模型、僅在空間關(guān)聯(lián)性方面運(yùn)用了注意力機(jī)制的GAT 模型,以及僅在時(shí)間關(guān)聯(lián)性方面運(yùn)用了注意力機(jī)制的Transformer模型。

根據(jù)附錄A 表A1 所示故障檢測(cè)精度對(duì)比結(jié)果,可以清晰地觀察到,由于GRU+GCN+Attention 模型同時(shí)考慮時(shí)間和空間關(guān)聯(lián)性并運(yùn)用了注意力機(jī)制,在故障檢測(cè)的準(zhǔn)確性方面表現(xiàn)得更勝一籌。具體而言,它優(yōu)越于僅注重時(shí)空特性的GCN+GRU模型、只在空間關(guān)聯(lián)性上運(yùn)用注意力機(jī)制的GAT 模型,以及僅關(guān)注時(shí)間關(guān)聯(lián)性的Transformer 模型。與僅關(guān)注空間關(guān)聯(lián)性的GAT 模型相比,時(shí)間序列注意力機(jī)制能夠有效強(qiáng)化不同時(shí)刻間的相關(guān)性。例如,該機(jī)制能放大對(duì)齒輪磨損進(jìn)程的關(guān)注,從而提供更及時(shí)和準(zhǔn)確的風(fēng)電機(jī)組故障診斷。與此類似,與僅側(cè)重時(shí)間關(guān)聯(lián)性的Transformer 模型相比,由Masked 注意力機(jī)制構(gòu)建的GAT 機(jī)制則成功地增強(qiáng)了每個(gè)傳感器節(jié)點(diǎn)（例如軸承位置）在空間關(guān)聯(lián)性上的表征,這使得模型能更靈敏地捕捉到例如多個(gè)軸承點(diǎn)的局部負(fù)載或疲勞等異常變化。進(jìn)一步地,與GCN+GRU 模型進(jìn)行對(duì)比時(shí)可以明顯看出,時(shí)間序列注意力機(jī)制與GAT 機(jī)制的結(jié)合不僅捕捉到了隱藏在數(shù)據(jù)中的時(shí)間相關(guān)特性,還讓故障前后的特定特征更加顯著。這種綜合分析還考慮了傳感器特征之間的互相關(guān)性,進(jìn)而有效放大了故障前后狀態(tài)的聯(lián)動(dòng)性,有助于進(jìn)一步提升故障檢測(cè)的準(zhǔn)確性。

這些分析結(jié)果在附錄A 圖A7 中得到了明確驗(yàn)證,顯示出注意力機(jī)制能顯著增強(qiáng)故障檢測(cè)模型在時(shí)空關(guān)聯(lián)特性上的性能。因此,通過增強(qiáng)故障檢測(cè)模型的時(shí)空關(guān)聯(lián)性,注意力機(jī)制能有效提升風(fēng)電機(jī)組的故障診斷靈敏度。

3）多層級(jí)對(duì)于正常行為故障檢測(cè)方法的影響

為考慮多層級(jí)對(duì)于正常行為預(yù)測(cè)模型的影響,構(gòu)建了一種緊密依托于風(fēng)電機(jī)組物理結(jié)構(gòu)的多層級(jí)圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,其包含GAT 機(jī)制層、子圖網(wǎng)絡(luò)層和多頭注意力機(jī)制層。在構(gòu)建模型時(shí),按照風(fēng)電機(jī)組的功能單元進(jìn)行了劃分,使模型與其物理結(jié)構(gòu)緊密相連。

將此模型與之前的GRU+GCN+Attention 模型進(jìn)行比較。如附錄A 表A1 所示,所提多層級(jí)圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在故障檢測(cè)精度方面顯著超越了GRU+GCN+Attention 模型,這一結(jié)果表明緊密依托于風(fēng)電機(jī)組物理結(jié)構(gòu)的多層級(jí)模型的優(yōu)勢(shì)。此模型通過深度整合風(fēng)電機(jī)組各功能單元的關(guān)聯(lián)性和結(jié)構(gòu)特性,彌補(bǔ)了單層圖神經(jīng)網(wǎng)絡(luò)模型在捕捉風(fēng)電機(jī)組SCADA 系統(tǒng)數(shù)據(jù)局部信息方面的不足,進(jìn)而提高了預(yù)測(cè)模型的精度。附錄A 圖A8 中的分析結(jié)果進(jìn)一步印證了這一點(diǎn),揭示出該設(shè)計(jì)架構(gòu)通過增進(jìn)正常行為預(yù)測(cè)模型的預(yù)測(cè)精度,有效提升了風(fēng)電機(jī)組故障檢測(cè)的敏感性。因此,可以得出如下結(jié)論：緊密關(guān)聯(lián)物理結(jié)構(gòu)的多層級(jí)模型對(duì)于提高風(fēng)電機(jī)組故障預(yù)測(cè)的精確性起到了決定性的作用。

總之,通過對(duì)5 種基于NBM 模型的風(fēng)電機(jī)組故障檢測(cè)方法進(jìn)行對(duì)比實(shí)驗(yàn),揭示了模型的優(yōu)越性,尤其是在考慮了時(shí)空特性和引入了注意力機(jī)制之后。最具亮點(diǎn)的是,根據(jù)風(fēng)電機(jī)組的物理結(jié)構(gòu)設(shè)計(jì)了一個(gè)多層級(jí)圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,該模型在提升故障檢測(cè)精度上表現(xiàn)出顯著的優(yōu)勢(shì)。這種多層級(jí)模型充分利用了風(fēng)電機(jī)組物理結(jié)構(gòu)的層次性,巧妙地規(guī)避了簡單堆砌層次可能帶來的冗余,并更為深入地挖掘了風(fēng)電機(jī)組的局部特性,從而實(shí)現(xiàn)了更高效和精確的風(fēng)電機(jī)組故障預(yù)測(cè)。

3.3 討論

3.3.1 故障閾值的窗口長度對(duì)故障檢測(cè)精度的影響

在故障檢測(cè)過程中,閾值窗口大小對(duì)正常行為狀態(tài)參數(shù)正態(tài)分布模型的范圍產(chǎn)生影響,從而對(duì)風(fēng)電機(jī)組故障檢測(cè)的靈敏度產(chǎn)生不確定性。通過調(diào)整故障閾值的窗口大小,發(fā)現(xiàn)當(dāng)窗口較小時(shí),由于樣本數(shù)量過少,閾值范圍相對(duì)較小,易導(dǎo)致誤判,增加正樣本被預(yù)測(cè)為負(fù)的數(shù)量,降低召回率和預(yù)測(cè)精度。反之,窗口較大時(shí),樣本數(shù)量過大,閾值范圍相對(duì)較寬,也易導(dǎo)致誤判,增加負(fù)樣本被預(yù)測(cè)為正的數(shù)量,降低精確率和故障檢測(cè)靈敏度。如附錄A 圖A9 所示,嘗試不同的閾值時(shí)間窗口大小后發(fā)現(xiàn),當(dāng)時(shí)間窗口大小為12 時(shí),故障檢測(cè)靈敏度最佳。

3.3.2 歷史正常數(shù)據(jù)集的大小對(duì)于正常行為預(yù)測(cè)模型的預(yù)測(cè)精度的影響

正常行為預(yù)測(cè)模型的預(yù)測(cè)精度對(duì)風(fēng)電機(jī)組故障檢測(cè)的靈敏度具有關(guān)鍵影響。由于風(fēng)電機(jī)組的SCADA 系統(tǒng)數(shù)據(jù)受季節(jié)影響大,所選正常歷史數(shù)據(jù)集的大小直接影響預(yù)測(cè)模型的精度,從而影響故障檢測(cè)精度。通過訓(xùn)練不同時(shí)間跨度的歷史健康數(shù)據(jù)集,發(fā)現(xiàn)正常行為預(yù)測(cè)模型的精度隨著數(shù)據(jù)集時(shí)間跨度的增加而提升。然而,如附錄A 圖A10 所示,當(dāng)歷史數(shù)據(jù)集達(dá)到9 個(gè)月時(shí),誤差開始穩(wěn)定,這是由于9 個(gè)月的數(shù)據(jù)基本可以覆蓋風(fēng)電機(jī)組一年中的大部分運(yùn)行狀態(tài)變化。

4 結(jié)語

本文聚焦于風(fēng)電機(jī)組SCADA 系統(tǒng)數(shù)據(jù)驅(qū)動(dòng)故障診斷的瓶頸問題,提出了一種立足于多層級(jí)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)的在線故障診斷方法。這一方法的核心創(chuàng)新在于,根據(jù)風(fēng)電機(jī)組的物理結(jié)構(gòu),運(yùn)用了多層級(jí)構(gòu)圖方法,通過劃分風(fēng)電機(jī)組功能單元來構(gòu)建與風(fēng)電機(jī)組物理結(jié)構(gòu)緊密關(guān)聯(lián)的預(yù)測(cè)模型,從而提高預(yù)測(cè)模型的精度。在中國上海某風(fēng)電場(chǎng)SCADA 系統(tǒng)數(shù)據(jù)的實(shí)驗(yàn)測(cè)試中,這一策略展現(xiàn)出了顯著的實(shí)用效果。所提改進(jìn)預(yù)測(cè)模型能夠深度挖掘風(fēng)電機(jī)組的時(shí)間和空間關(guān)聯(lián)信息,從而在風(fēng)電機(jī)組故障狀態(tài)預(yù)測(cè)方面取得了突破性進(jìn)展。特別地,在訓(xùn)練正常行為模型的過程中,運(yùn)用多頭注意力機(jī)制和GAT 機(jī)制,得出的注意力系數(shù)能夠?yàn)榫S修團(tuán)隊(duì)揭示各功能單元和傳感器節(jié)點(diǎn)間的相互影響強(qiáng)度,從而協(xié)助其準(zhǔn)確判斷風(fēng)電機(jī)組的故障原因,提升故障處理效率。綜合來看,本文所提方法可以降低設(shè)備因故障無法及時(shí)發(fā)現(xiàn)和處理導(dǎo)致的停工頻次,進(jìn)而減少維修或更換設(shè)備的經(jīng)濟(jì)負(fù)擔(dān)。

結(jié)合深度剖析時(shí)空關(guān)聯(lián)特征和實(shí)施全景機(jī)制分析,風(fēng)電機(jī)組故障檢測(cè)的未來研究將走向更為智能化、精準(zhǔn)化以及全面化的發(fā)展方向。在深入挖掘時(shí)空關(guān)聯(lián)特征的過程中,由于風(fēng)電機(jī)組處于一個(gè)復(fù)雜而多變的環(huán)境中,需要融合多源數(shù)據(jù),例如,氣象數(shù)據(jù)、設(shè)備狀態(tài)數(shù)據(jù)以及操作記錄等,從各個(gè)角度和層面全方位地分析風(fēng)電機(jī)組的時(shí)空特性。未來的研究將進(jìn)一步探索這些時(shí)空關(guān)聯(lián)特性,例如開發(fā)一種更符合風(fēng)電機(jī)組物理特性的時(shí)空注意力機(jī)制,從而更加精確地理解和模擬風(fēng)電機(jī)組的時(shí)空演化特性。這種進(jìn)一步的研究和分析有望為實(shí)現(xiàn)風(fēng)電機(jī)組更為精確和及時(shí)的故障檢測(cè)提供強(qiáng)有力的理論支持,并且對(duì)風(fēng)電產(chǎn)業(yè)的發(fā)展具有重要的推動(dòng)作用。全景機(jī)制分析旨在全方位和多層次地揭示風(fēng)電機(jī)組的運(yùn)作邏輯和故障機(jī)制,這涵蓋了對(duì)風(fēng)電機(jī)組內(nèi)部機(jī)械、電氣、氣動(dòng)等各個(gè)方面的機(jī)制進(jìn)行深入研究,以及探究這些機(jī)制如何互相影響。為實(shí)現(xiàn)這一目標(biāo),未來的研究不僅要深入探討風(fēng)電機(jī)組的物理和工程原理,還需要運(yùn)用高級(jí)的數(shù)據(jù)驅(qū)動(dòng)方法,如人工智能大模型,來發(fā)現(xiàn)這些原理背后的深層次結(jié)構(gòu)和模式。這種結(jié)合理論深度和高級(jí)數(shù)據(jù)驅(qū)動(dòng)方法的研究方向?qū)⒂型议_風(fēng)電機(jī)組復(fù)雜運(yùn)作機(jī)制的神秘面紗,進(jìn)一步推動(dòng)風(fēng)電機(jī)組故障檢測(cè)技術(shù)的創(chuàng)新和發(fā)展。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。