一種基于EGK-均值聚類和PCA的海流發(fā)電機(jī)葉片沖擊故障檢測(cè)方法

摘 要：海流發(fā)電機(jī)受海流流速變化、隨機(jī)湍流的影響呈現(xiàn)多變工況，想要準(zhǔn)確檢測(cè)出葉片沖擊故障是一項(xiàng)巨大挑戰(zhàn)?；诖?，提出一種基于包絡(luò)幾何特征聚類（EGK-均值聚類）的方法用于劃分變工況下產(chǎn)生的定子電流信號(hào)，在不同子工況下建立故障檢測(cè)模型。首先，根據(jù)樣本矩陣構(gòu)建包絡(luò)幾何特征矩陣，利用幾何特征矩陣確定初始聚類中心進(jìn)行聚類；然后，基于各工況下的包絡(luò)數(shù)據(jù)分別進(jìn)行主元分析以降低數(shù)據(jù)維度；最后，[T2]和SPE統(tǒng)計(jì)量被計(jì)算用于實(shí)時(shí)沖擊故障檢測(cè)。一臺(tái)海流發(fā)電機(jī)樣機(jī)及配套循環(huán)水槽被搭建驗(yàn)證本文所提方法。實(shí)驗(yàn)結(jié)果表明本文所提方法在變工況下針對(duì)海流發(fā)電機(jī)葉片沖擊故障有著顯著的識(shí)別能力和檢測(cè)精度。

關(guān)鍵詞：海洋能；海洋工程；信號(hào)處理；聚類算法；故障檢測(cè)；主成分分析

中圖分類號(hào)：TM313 文獻(xiàn)標(biāo)志碼：A

0 引 言

對(duì)海流能的開(kāi)發(fā)和有效利用將為中國(guó)實(shí)現(xiàn)碳達(dá)峰、碳中和提供有力保障。在低碳能源經(jīng)濟(jì)大力發(fā)展的今天，海流能的利用越來(lái)越受到廣泛關(guān)注，在海流發(fā)電機(jī)組的投入運(yùn)行過(guò)程中，研究如何確保其安全穩(wěn)定的運(yùn)行具有重大意義［1-2］。魚(yú)群遷徙、海底物體移動(dòng)威脅海流發(fā)電機(jī)的正常工作［3］。魚(yú)類或水下生物對(duì)海流發(fā)電機(jī)葉片的沖擊不僅會(huì)對(duì)葉片本身造成損傷，而且會(huì)影響發(fā)電質(zhì)量［4-5］。通過(guò)故障建模和監(jiān)測(cè)電機(jī)動(dòng)態(tài)響應(yīng)進(jìn)行的瞬時(shí)故障診斷是一種有效的技術(shù)，可減少發(fā)生附著物附著或沖擊后引發(fā)更惡劣的機(jī)組故障。魚(yú)群游動(dòng)在海流發(fā)電機(jī)葉片上短暫沖擊會(huì)降低葉片壽命，并進(jìn)一步影響整機(jī)系統(tǒng)性能［6-7］。另外，葉片故障或故障之前的高彎曲幅度通常會(huì)導(dǎo)致塔架故障和海流發(fā)電機(jī)的倒塌［8-9］。對(duì)于這種沖擊故障的準(zhǔn)確檢測(cè)以及記錄不僅有利于海流發(fā)電機(jī)葉片的健康狀態(tài)評(píng)估和壽命預(yù)測(cè)，并且可根據(jù)一定時(shí)間內(nèi)的檢測(cè)結(jié)果，及時(shí)調(diào)整海流發(fā)電機(jī)的運(yùn)行狀態(tài)來(lái)規(guī)避魚(yú)群或勘探發(fā)生沖擊故障的具體原因。

海流發(fā)電機(jī)葉片單次或多次沖擊故障可看成發(fā)電機(jī)載荷受到?jīng)_擊，視為變載荷情況。而受到頻繁變動(dòng)的海流流速影響，海流發(fā)電機(jī)的工況將發(fā)生連續(xù)變化而呈現(xiàn)多模態(tài)，目前在模態(tài)劃分、多批次處理上已有大量研究。文獻(xiàn)［10］針對(duì)用電側(cè)負(fù)荷監(jiān)測(cè)和分解問(wèn)題，基于近鄰傳播聚類算法對(duì)負(fù)荷信息進(jìn)行識(shí)別，但未進(jìn)一步處理子區(qū)間下的負(fù)荷數(shù)據(jù)；文獻(xiàn)［11］基于短時(shí)傅里葉（short-time Fourier transform，STFT）提取信號(hào)的頻域特征，結(jié)合相應(yīng)的聚類方法對(duì)直流脈沖負(fù)載進(jìn)行有效監(jiān)控，但頻域特征的使用大大降低了故障檢測(cè)的實(shí)時(shí)性；文獻(xiàn)［12］則使用循環(huán)功率譜幅值作為聚類特征進(jìn)行聚類，同樣存在識(shí)別實(shí)時(shí)性問(wèn)題；文獻(xiàn)［13］針對(duì)變載荷故障提出權(quán)重[K]近鄰算法，但[K]取值不同工況劃分效果起到不同作用；文獻(xiàn)［14］提出一種基于流形學(xué)習(xí)和[K]最近鄰（K-nearest neighbors，KNN）算法的柴油機(jī)工況識(shí)別方法，用于柴油機(jī)變負(fù)荷工況劃分及故障檢測(cè)。但作為一種有監(jiān)督學(xué)習(xí)算法KNN的復(fù)雜度較高，且需要先驗(yàn)知識(shí)，在復(fù)雜多變的海底環(huán)境，[K]的選取往往需要依賴實(shí)時(shí)采集到的在線數(shù)據(jù)；文獻(xiàn)［15-17］應(yīng)用改進(jìn)聚類方法進(jìn)行故障監(jiān)測(cè)。相關(guān)系數(shù)法和密度峰值法被用于改進(jìn)聚類的初始值設(shè)定，但海流發(fā)電機(jī)的工作過(guò)程呈現(xiàn)多批次，在單一批次中又受到浪涌和湍流的干擾，需結(jié)合符合海流發(fā)電機(jī)信號(hào)的特征自適應(yīng)確定聚類參數(shù)；文獻(xiàn)［18］使用動(dòng)態(tài)核主成分分析對(duì)非線性動(dòng)態(tài)系統(tǒng)進(jìn)行故障監(jiān)測(cè)；文獻(xiàn)［19］介紹多模態(tài)方法在變工況系統(tǒng)中的應(yīng)用；文獻(xiàn)［20］提出預(yù)篩選主成分分析（preliminary-selection principal component analysis，PS-PCA）方法用于檢測(cè)海流發(fā)電機(jī)葉片附著物，該方法將一段時(shí)間內(nèi)海流發(fā)電數(shù)據(jù)作為同一工況進(jìn)行處理，未考慮多變的海流發(fā)電機(jī)工況；文獻(xiàn)［21］則通過(guò)計(jì)算模型之間的混沌系數(shù)來(lái)求解最佳聚類數(shù)。然而，傳統(tǒng)確定聚類數(shù)的方法易受聚類算法本身、聚類參數(shù)的影響。海流發(fā)電系統(tǒng)受到外部環(huán)境干擾嚴(yán)重，加之本身機(jī)電強(qiáng)耦合性，數(shù)據(jù)在不同工況間關(guān)聯(lián)度高不易于區(qū)分。

為了解決變工況下海流發(fā)電機(jī)葉片沖擊故障難以檢測(cè)的問(wèn)題，本文提出一種基于包絡(luò)幾何特征聚類（envelop geometrical K-means， EGK-均值聚類）的方法用于劃分變工況下產(chǎn)生的定子電流信號(hào)，將一段時(shí)間的變工況劃分為多個(gè)較為穩(wěn)定的子工況，利用主成分分析（PCA）模型分別進(jìn)行故障檢測(cè)。首先，根據(jù)樣本矩陣構(gòu)建包絡(luò)幾何特征矩陣，利用幾何特征矩陣選取[K]個(gè)初始聚類中心進(jìn)行聚類，然后，基于聚類結(jié)果的各工況下電流數(shù)據(jù)分別PCA建模降低數(shù)據(jù)維度。最后，[T2]和SPE（squared prediction error）被計(jì)算用于實(shí)時(shí)故障檢測(cè)。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文所提算法的有效性，該方法完全基于海流發(fā)電機(jī)歷史電流信號(hào)，對(duì)提高海流發(fā)電機(jī)的電能質(zhì)量以及狀態(tài)監(jiān)測(cè)和健康維護(hù)有重要意義。

1 問(wèn)題描述

海流發(fā)電機(jī)工作在復(fù)雜的海底環(huán)境，有許多因素會(huì)影響海流發(fā)電機(jī)穩(wěn)定地將動(dòng)能轉(zhuǎn)化為電能。較突出的影響因素是天氣變化、海流流速與浪涌、湍流的相互作用。在這種情況下，由渦輪產(chǎn)生的機(jī)械扭矩可描述為：

[Tmech（t）=ρCPπR2Vcurrent（t）/2ωm（t）] （1）

式中：[ρ]——海流密度，kg/m3；[CP]——功率系數(shù)；[R]——渦輪機(jī)直徑，m；[Vcurrent]——海流速度， m/s；[ωm]——旋轉(zhuǎn)速度，rad/s?？赏ㄟ^(guò)式（2）發(fā)現(xiàn)海流發(fā)電機(jī)的軸轉(zhuǎn)動(dòng)速度在大范圍內(nèi)隨海流速度變化而變化。其中[λR]（[λ]是葉尖速度比）是一個(gè)常數(shù)值：

[ωm（t）=λVcurrent（t）/R] （2）

海流發(fā)電機(jī)受到可變水流的強(qiáng)烈干擾，軸旋轉(zhuǎn)頻率[fm（t）]如下變化：

[fm（t）=ωm（t）/2π] （3）

葉片受到海底物體的沖擊而形成的瞬時(shí)載荷，會(huì)增加瞬時(shí)轉(zhuǎn)矩從而影響電流波形質(zhì)量。如圖1所示，假定魚(yú)群在遷移時(shí)（[t=ts]時(shí)刻）在通過(guò)直徑為[D]的旋轉(zhuǎn)平面時(shí)對(duì)單個(gè)葉片進(jìn)行單次沖擊，會(huì)使得發(fā)電機(jī)的轉(zhuǎn)矩增加一個(gè)瞬時(shí)增量[Tδ（ts）]。假設(shè)正常情況下的渦輪機(jī)輸出轉(zhuǎn)矩為[Tmech]，則在沖擊故障下渦輪機(jī)輸出的總轉(zhuǎn)矩為：

[Tn（t）=Tmech（t）+Tδ（ts）] （4）

此時(shí)電機(jī)的運(yùn)動(dòng)方程可表示為：

[Jdωn（t）dt=Tmech（t）+Tδ（ts）-Te（t）-dsωm（t）] （5）

式中：[J]——轉(zhuǎn)動(dòng)慣量；[ωn（t）]——海流發(fā)電機(jī)轉(zhuǎn)子角速度；[Te（t）]——電磁轉(zhuǎn)矩；[ds]——摩擦系數(shù)。

由式（5）可知瞬時(shí)轉(zhuǎn)矩的增加可使得渦輪機(jī)轉(zhuǎn)速增加一個(gè)瞬時(shí)值[ωδ（ts）]：

[ωn（t）=ωmech（t）+ωδ（ts）] （6）

忽略海流發(fā)電機(jī)飽和以及電流諧波分量，聯(lián)系發(fā)電機(jī)端定子電流信號(hào)頻率以及轉(zhuǎn)動(dòng)速度之間存在的關(guān)聯(lián)，當(dāng)發(fā)生葉片瞬時(shí)沖擊故障時(shí)，海流發(fā)電機(jī)定子電流為：

[ist=Im（t）cospωnt+Iδ（ts）] （7）

式中：[Im（t）]——定子電流幅值，A；[p]——極對(duì)數(shù)。結(jié)合式（2）和式（5）可看出受海流流速的影響，發(fā)電機(jī)工況的不斷變化體現(xiàn)在海流渦輪機(jī)的轉(zhuǎn)動(dòng)速度，這種變化進(jìn)而使得定子電流在不同采樣批次中呈現(xiàn)多變工況，即[Im（t）]的變化將掩蓋[Iδ（ts）]的變化特征，在這種情況下所發(fā)生的瞬時(shí)沖擊故障信息將被工況變化而淹沒(méi)，從而難以被檢測(cè)出來(lái)。

由流速的變化使得數(shù)據(jù)呈現(xiàn)的多工況、多批次如圖2所示，在變工況下的電流信號(hào)模型非高斯、多批次，使得故障檢測(cè)精度不高。例如：設(shè)[X∈Rm×n]為單一工況運(yùn)行過(guò)程中的海流發(fā)電系統(tǒng)電流信號(hào)樣本矩陣，連續(xù)變工況下的電流數(shù)據(jù)樣本描述為：

[y=Xc+η] （8）

式中：[c]——流速變化而引起的[n×1]系數(shù)向量；[η]——誤差向量。忽略誤差項(xiàng)，將其代入PCA參考模型計(jì)算統(tǒng)計(jì)量可得：

[T2y=y22=yTPΛPTy=（Xc）TPΛ-1PTXc] （9）

式中：[ci]——向量[c]中的第[i]個(gè)元素；[P]——特征矩陣。改寫(xiě)式（9）可得：

[T2y=cTXTPΛ-1PTXc=i=1nciT2i] （10）

根據(jù)式（10）可看出海流發(fā)電機(jī)電流信號(hào)的統(tǒng)計(jì)量受流速變化而發(fā)生改變，變工況下產(chǎn)生的不同批次的電流信號(hào)，使用常規(guī)PCA檢測(cè)模型無(wú)法準(zhǔn)確檢測(cè)變工況下的瞬時(shí)沖擊故障?；诖?，有必要對(duì)采集到的海流發(fā)電機(jī)的定子電流數(shù)據(jù)進(jìn)行工況劃分，通過(guò)不同工況的數(shù)據(jù)建立與之對(duì)應(yīng)的PCA檢測(cè)模型，從而提高檢測(cè)準(zhǔn)確率。

2 海流發(fā)電機(jī)葉片沖擊故障檢測(cè)方法

海流發(fā)電機(jī)因水下隨機(jī)沖擊故障發(fā)生而使得電能質(zhì)量下降。針對(duì)變工況下海流發(fā)電機(jī)采樣的定子電流信號(hào)，本文提出一種結(jié)合包絡(luò)幾何特征抽取和K-均值聚類的方法來(lái)劃分海流發(fā)電機(jī)工況，針對(duì)劃分出不同海流發(fā)電機(jī)工況下的定子電流數(shù)據(jù)，分別建立各工況子區(qū)間下的PCA檢測(cè)模型，進(jìn)而完成葉片沖擊檢測(cè)。

2.1 基于包絡(luò)解調(diào)的幾何特征抽取

首先，利用希爾伯特變換法估算海流發(fā)電機(jī)采樣定子電流的包絡(luò)信號(hào)。定義采樣后定子電流信號(hào)為[i*s（t）]，其希爾伯特變換結(jié)果[y（t）]可表示為：

[y（t）=Hi*s（t）=1π-∞∞i*s（t）t-τdτ] （11）

式中：[H·]——希爾伯特變換算子。

根據(jù)變換后的結(jié)果[y（t）]，可求得對(duì)應(yīng)的解析信號(hào)：

[z（t）=i*s（t）+jy（t）=A（t）ej?（t）] （12）

幅值[A（t）]能通過(guò)式（13）求解：

[A（t）=z（t）=i*2s（t）+y2（t）] （13）

將提取到的模平方包絡(luò)信號(hào)經(jīng)過(guò)平滑濾波以滑動(dòng)窗口（窗寬[wa]）處理包絡(luò)序列，形成模平方包絡(luò)樣本集合空間：

[Aave=Aave，1（t），Aave，2（t），Aave，3（t），…，Aave，na（t）] （14）

式中：[na]——分割包絡(luò)樣本數(shù)量。其包絡(luò)樣本的峰值計(jì)算為：

[Amave，i=maxAave，i] （15）

式中：[i=1，2，…，na]。均值計(jì)算可反映單個(gè)樣本的中心變化趨勢(shì)，定義為：

[Aave，i=1waj=1waAave，i（j）] （16）

計(jì)算單個(gè)樣本的斜率均值，其中單個(gè)樣本的斜率計(jì)算式為：

[save，i（t）=Aave，i（t）-Aave，i（t-1）t-（t-1）] （17）

計(jì)算單個(gè)樣本的偏斜度作為幾何特征矩陣的第四維指標(biāo)為：

[αl，i=1Tα0TαAave，i-σave，i3dt] （18）

式中：[Tα]——偏斜度窗口長(zhǎng)度；[σave]——樣本信號(hào)標(biāo)準(zhǔn)差。計(jì)算單個(gè)樣本斜率序列的均值[save，i]，將各幾何特征值重構(gòu)為四維幾何特征矩陣：

[Age=Amave，1Aave，1save，1αl，1Amave，2" "?Aave，2" ?save，2 ?αl，2 ?Amave，naAave，nasave，naαl，nana×4] （19）

重構(gòu)后的矩陣[Age]可表示海流發(fā)電機(jī)電流包絡(luò)信號(hào)的幾何變化，進(jìn)而抽取海流流速的變化規(guī)律。

2.2 基于幾何特征樣本評(píng)價(jià)的聚類方法

海流發(fā)電機(jī)受到海流頻繁波動(dòng)的影響，電流信號(hào)工況多變，傳統(tǒng)的K-均值聚類方法在初始聚類中心和K類數(shù)值的選取上存在一定的隨機(jī)性，降低了海流發(fā)電機(jī)所處工況的劃分精度?；诖吮疚耐ㄟ^(guò)評(píng)價(jià)樣本幾何特征指標(biāo)并重排的方法來(lái)初始聚類中心，具體方法如下。

首先計(jì)算幾何特征矩陣[Age]中第2列樣本矩陣數(shù)據(jù)的導(dǎo)數(shù)序列：

[Adave=dAavedt] （20）

根據(jù)歷史流速信息和電流數(shù)據(jù)設(shè)定經(jīng)驗(yàn)閾值[εA]，計(jì)算導(dǎo)數(shù)序列[Adave]超過(guò)閾值點(diǎn)的數(shù)目：

[K=coutif（Adave（i）≥εA），" " "K∈[0，na-1]] （21）

式中：[coutif（·）]——計(jì)數(shù)函數(shù)。

根據(jù)樣本距離中心的歐式幾何距離計(jì)算四維幾何特征樣本的評(píng)價(jià)指標(biāo)[Ui]：

[Ui=Dc，i-Dc] （22）

式中：[Dc，i]——第[i]樣本歐式距離；[Dc]——所有樣本距離均值。

按照評(píng)價(jià)指標(biāo)的大小重新排列[Ui]，然后將其等分為[K]份，以每份的中點(diǎn)作為初始聚類中心進(jìn)行聚類。這樣做的好處是，可最大程度上梳理出樣本之間的差異性，以較少的聚類循環(huán)次數(shù)達(dá)到最優(yōu)解。將樣本點(diǎn)以歐式距離判別標(biāo)準(zhǔn)劃分至不同的類別，判別標(biāo)準(zhǔn)為：

[Dc，i-cl≤Dc，i-cm] （23）

式中：[l=1，2，…，K]，[m=1，2，…，K]分別代表不同類別的標(biāo)簽；[cl]——第[l]類的聚類中心；[cm]——第[m]類的聚類中心。

按照劃分的不同類別的樣本重新計(jì)算初始聚類中心。按照式（24）判斷聚類迭代過(guò)程是否收斂，如果收斂即所有樣本距所屬類的距離總和最小，聚類結(jié)束得出海流發(fā)電機(jī)組模平方信號(hào)的聚類關(guān)系。

[CA=i=1naDc∈clDc，i-cl2] （24）

經(jīng)過(guò)幾何特征矩陣評(píng)價(jià)指標(biāo)確定的聚類中心更能代表不同工況下海流發(fā)電機(jī)組信號(hào)中心，這為高準(zhǔn)確度的劃分海流發(fā)電機(jī)組信號(hào)多類特征提供支撐。

2.3 基于主成分分析法的沖擊故障檢測(cè)

2.3.1 海流發(fā)電機(jī)電流信號(hào)數(shù)據(jù)標(biāo)準(zhǔn)化

根據(jù)聚類分析中劃分的不同海流發(fā)電機(jī)工況下的定子電流數(shù)據(jù)，分別建立其子工況內(nèi)的PCA檢測(cè)模型。設(shè)某工況下定子電流的包絡(luò)信號(hào)構(gòu)成的樣本矩陣為：

[G=A1（t），A2（t），A3（t），…，Aq（t）] （25）

對(duì)矩陣[G]進(jìn)行標(biāo)準(zhǔn)化得到[G*]，其表示形式為：

[G*=G-GVarG] （26）

式中：[G]——[G]的均值；[Var（G）]——[G]的方差。

2.3.2 基于T2和SPE統(tǒng)計(jì)量的故障檢測(cè)

通過(guò)式（26）進(jìn)行標(biāo)準(zhǔn)化之后獲得的矩陣[G*]可表示為：

[G*=TLT] （27）

式中：[T=[t1，t2，…，tq]∈Rq×ω]——包含轉(zhuǎn)換變量的矩陣；[tq∈Rq]——主要成分；[L=[p1，p2，p3，…，pw]∈Rw×w]——包含正交向量[pω∈Rw]的矩陣（也稱負(fù)載矩陣）。

在構(gòu)建的多工況PCA檢測(cè)模型中，避免了因海流流速變化而帶來(lái)的數(shù)據(jù)非高斯、多批次等問(wèn)題。本文使用兩種統(tǒng)計(jì)量檢測(cè)葉片沖擊故障：[T2]以及SPE統(tǒng)計(jì)量。[T2]以及SPE統(tǒng)計(jì)量分別通過(guò)下面兩種形式表示：

[T2=G*22=G*TPΛ-1PTG*≤T2α] （28）

[θ=G*～22≤δ2α] （29）

式中：[G*]——在主成分子空間中的映射矩陣；[T2α、][δ2α]——[T2]統(tǒng)計(jì)量以及SPE統(tǒng)計(jì)量所對(duì)應(yīng)的控制限，可對(duì)沖擊故障進(jìn)行綜合檢測(cè)；[G*～]——?dú)埐钭涌臻g。如在監(jiān)測(cè)過(guò)程中新計(jì)算出的統(tǒng)計(jì)量超過(guò)其對(duì)應(yīng)的控制限，則表明海流發(fā)電機(jī)的葉片受到了瞬時(shí)沖擊。

3 海流發(fā)電機(jī)沖擊故障檢測(cè)步驟

海流發(fā)電機(jī)葉片沖擊故障檢測(cè)步驟包括兩個(gè)部分：離線訓(xùn)練和在線檢測(cè)，具體步驟如圖3所示。

其中離線訓(xùn)練部分為：

1）首先采集正常情況下的定子電流，按照式（13）提取包絡(luò)信號(hào)并濾除高頻部分。

2）以滑動(dòng)窗口處理的包絡(luò)信號(hào)，形成定子電流包絡(luò)樣本矩陣。按照式（15）～式（18）計(jì)算單個(gè)樣本的均值、斜率均值等指標(biāo)形成多維幾何特征矩陣。

3）按照式（19）計(jì)算多維幾何特征樣本的評(píng)價(jià)指標(biāo)[U]，按照從大到小的順序排列后等分為[K-1]份，以每份的中點(diǎn)作為初始聚類中心進(jìn)行聚類。

4）將聚類結(jié)果和定子電流包絡(luò)樣本矩陣互相映射后，共同輸入到多個(gè)PCA模型中進(jìn)行訓(xùn)練，得到相應(yīng)的[T2]和SPE故障閾值。

在線測(cè)試部分：將在線采集到的定子電流數(shù)據(jù)經(jīng)過(guò)預(yù)處理后得到包絡(luò)樣本矩陣，進(jìn)而提取各樣本的幾何特征形成多維矩陣，按照樣本評(píng)價(jià)指標(biāo)通過(guò)均值聚類的方法將樣本劃分至不同海流發(fā)電機(jī)歷史工況區(qū)間。根據(jù)工況劃分結(jié)果建立相應(yīng)的PCA故障檢測(cè)模型。判斷統(tǒng)計(jì)量是否超過(guò)故障閾值，如果超過(guò)即判斷當(dāng)前樣本為發(fā)生了沖擊故障。

4 實(shí)驗(yàn)結(jié)果及分析

為了評(píng)估本文所提海流發(fā)電機(jī)葉片沖擊故障檢測(cè)方法的有效性，以0.23 kW直驅(qū)永磁同步發(fā)電機(jī)（8極對(duì)）搭建海流發(fā)電系統(tǒng)實(shí)驗(yàn)平臺(tái)，還包括：循環(huán)水槽、水泵電機(jī)、造浪電機(jī)和信號(hào)監(jiān)測(cè)采集系統(tǒng)。水泵電機(jī)的額定功率為45 kW，可達(dá)2.3 m3/s的額定流量。水泵電機(jī)同樣配備調(diào)頻控制器，可實(shí)時(shí)調(diào)節(jié)水泵電機(jī)頻率以達(dá)到對(duì)水流流速的控制。在觀測(cè)區(qū)域的前后端均裝備蜂窩器以規(guī)范水流通道的流體形狀，模擬在海峽海底的均勻流速。在循環(huán)水槽中放置海流發(fā)電樣機(jī)，該水槽使用水泵電動(dòng)機(jī)產(chǎn)生可控水流，數(shù)據(jù)采集系統(tǒng)的采樣頻率為1 kHz。通過(guò)該實(shí)驗(yàn)平臺(tái)，可模擬受湍流和波浪影響的水下環(huán)境。如圖4所示，實(shí)驗(yàn)平臺(tái)的數(shù)據(jù)采集和狀態(tài)監(jiān)測(cè)系統(tǒng)可采集和監(jiān)測(cè)三相電流信號(hào)用于進(jìn)一步的故障檢測(cè)分析。

圖5展示了海流發(fā)電機(jī)工作過(guò)程中葉片沖擊故障模擬實(shí)驗(yàn)，一個(gè)直徑3 cm的小球順著水流的方向沖擊渦輪機(jī)葉片，發(fā)生瞬時(shí)沖擊并記錄時(shí)間，在變流速的情況下重復(fù)了該實(shí)驗(yàn)，調(diào)節(jié)水泵電機(jī)的頻率使得水流流速在1.2～1.5 m/s之間變換以模擬變工況，同時(shí)采集到相應(yīng)的定子電流信號(hào)。

圖6顯示了在健康狀況下從實(shí)驗(yàn)中記錄的定子電流信號(hào)。圖6a是穩(wěn)定流速狀態(tài)下的海流發(fā)電機(jī)電流信號(hào)。圖6b是流速變化而引起海流發(fā)電機(jī)不同工況運(yùn)行下的電流信號(hào)。由于海洋環(huán)境的不確定性導(dǎo)致電流幅度連續(xù)變化，可發(fā)現(xiàn)由于流速變化使得定子電流信號(hào)受到強(qiáng)干擾，包絡(luò)幅值變化明顯。圖7為沖擊故障時(shí)刻放大圖，可觀察到發(fā)生瞬時(shí)沖擊故障時(shí)，定子電流的幅值發(fā)生瞬時(shí)變化后恢復(fù)正常。而在多變工況下，很難區(qū)分是由于流速突變引起的幅值變化，還是由于受到?jīng)_擊故障的影響。

lt;E：＼太陽(yáng)能學(xué)報(bào)＼學(xué)報(bào)2024＼2024-03XB＼2024-03XB-PDF＼2023-03XB打包＼Image＼25-6.epsgt;

a. 穩(wěn)定工況 " " " " " " " " " " " b. 變工況

圖6 定子電流波形圖

Fig. 6 MCT stator current waveform

lt;E：＼太陽(yáng)能學(xué)報(bào)＼學(xué)報(bào)2024＼2024-03XB＼2024-03XB-PDF＼2023-03XB打包＼Image＼25-7.epsgt;

a. 穩(wěn)定工況 " " " " " " " " " " " " b. 變工況

圖7 定子電流波形局部放大圖

Fig. 7 MCT stator current waveform of zoom in

通過(guò)對(duì)原始定子電流信號(hào)使用所提聚類分析方法進(jìn)行聚類，得到3個(gè)聚類中心，將原始定子電流信號(hào)分為3個(gè)工況。圖8給出了經(jīng)過(guò)所提方法聚類后的可視化結(jié)果。表1給出了不同工況下訓(xùn)練樣本集數(shù)目和測(cè)試樣本集數(shù)目。本文所提聚類算法與層次聚類、K-均值聚類、KNN聚類進(jìn)行比較，各工況劃分方法的精度比較如表2所示。

圖9和圖10為全局經(jīng)典PCA和全局DPCA算法得出的檢測(cè)結(jié)果，可看出未檢測(cè)出兩次沖擊故障或存在大量誤報(bào)。圖11為模式關(guān)聯(lián)PCA方法得出的沖擊故障檢測(cè)結(jié)果，從檢測(cè)結(jié)果中可看出檢測(cè)到了2次沖擊故障，但仍存在大量誤報(bào)，且SPE檢測(cè)結(jié)果很不理想。圖12為傳統(tǒng)K-均值聚類和PCA方法的檢測(cè)結(jié)果，經(jīng)過(guò)傳統(tǒng)K-均值聚類劃分工況后誤報(bào)率減少，但存在局部誤報(bào)的情況。圖13為所提算法的故障檢測(cè)結(jié)果，其中[T2]統(tǒng)計(jì)圖上可看出無(wú)誤報(bào)情況，而SPE存在極少量誤報(bào)，檢測(cè)精度較高。

表3給出了不同算法下的海流發(fā)電機(jī)沖擊故障檢測(cè)精度，包括[T2]和SPE的誤報(bào)率，可從表3看出，在對(duì)抗流速多變的海流發(fā)電機(jī)變工況時(shí)，本文所提算法的誤報(bào)率均為最低。

5 結(jié) 論

針對(duì)海流發(fā)電機(jī)水下沖擊故障難以檢測(cè)，受海流流速影響而海流發(fā)電過(guò)程中呈現(xiàn)變工況等問(wèn)題，本文提出一種融合EGK-均值聚類工況劃分和PCA的葉片沖擊故障檢測(cè)方法。首先，通過(guò)希爾伯特變換解調(diào)出海流發(fā)電機(jī)定子電流的包絡(luò)信號(hào)，將處理后的包絡(luò)信號(hào)按固定長(zhǎng)度分割并抽取幾何特征構(gòu)成幾何特征矩陣，使用所提出的基于幾何特征聚類方法將其所有樣本劃分到各工況子區(qū)間，針對(duì)每個(gè)工況分別建立PCA檢測(cè)模型，計(jì)算出統(tǒng)計(jì)量閾值進(jìn)行在線故障檢測(cè)。

本文所提檢測(cè)方法有如下優(yōu)勢(shì)：1）基于復(fù)雜海底環(huán)境，該方法完全基于電流信號(hào)，無(wú)需額外傳感器。2）基于電流信號(hào)的包絡(luò)信息及其幾何特征的均值聚類方法比其他方法更易于區(qū)分海流發(fā)電機(jī)工況，可顯著提高變工況下的故障檢測(cè)性能。3）多個(gè)PCA模型的建立與傳統(tǒng)的PCA方法相比，檢測(cè)精度顯著提高。本文所提方法綜合檢測(cè)準(zhǔn)確率可達(dá)99.8%，這對(duì)海流發(fā)電機(jī)狀態(tài)監(jiān)測(cè)和視情維護(hù)有重要意義。

［參考文獻(xiàn)］

［1］ 劉玉新， 王海峰， 王冀， 等. 海洋強(qiáng)國(guó)建設(shè)背景下加快海洋能開(kāi)發(fā)利用的思考［J］. 科技導(dǎo)報(bào)， 2018， 36（14）： 22-25.

LIU Y X， WANG H F， WANG J， et al. Reflections on the exploitation and utilization of marine renewable energy under" "the" "background" of" "ocean" "power［J］." Science" amp; technology review， 2018， 36（14）： 22-25.

［2］ 劉星. 海洋能發(fā)電前景可期［J］. 電氣技術(shù)， 2017（5）： 5.

LIU X. The prospect of ocean energy power generation can be expected［J］. Electrical engineering， 2017（5）： 5.

［3］ MARTINEZ R， PAYNE G S， BRUCE T. The effects of oblique waves and currents on the loadings and performance" "of" "tidal" "turbines［J］." Ocean" "engineering， 2018， 164： 55-64.

［4］ 馬潔， 胡仁松， 白連平. 潮流發(fā)電最大功率跟蹤發(fā)電機(jī)失速問(wèn)題研究［J］. 電氣技術(shù)， 2019， 20（11）： 49-52， 76.

MA J， HU R S， BAI L P. Research on maximum power tracking" generator" stall" of" tidal" current" "generation［J］. Electrical engineering， 2019， 20（11）： 49-52， 76.

［5］ SONG K， WANG W Q， YAN Y. Experimental and numerical analysis of a multilayer composite ocean current turbine blade［J］. Ocean engineering， 2020， 198： 106977.

［6］ 黨志高， 毛昭勇， 田文龍. 水下系留平臺(tái)的海流發(fā)電葉片翼型流噪聲特性研究［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（4）： 81-88.

DANG Z G， MAO Z Y， TIAN W L. Investigation on noise characteristics of hydrofoils of marine current turbines for underwater mooring platforms［J］. Acta energiae solaris sinica， 2021， 42（4）： 81-88.

［7］ SONG K， WANG W Q， YAN Y. The hydrodynamic performance" of" a" tidal-stream" turbine" in" shear" flow［J］. Ocean engineering， 2020， 199： 107035.

［8］ FITURI A， ALY H H， EL-HAWARY M E. Unsteady surface wave influence on tidal current power forecasting［J］. Ocean engineering， 2020， 218： 108231.

［9］ XIE T， WANG T Z， HE Q Q， et al. A review of current issues of marine current turbine blade fault detection［J］. Ocean engineering， 2020， 218： 108194.

［10］ 徐青山， 婁藕蝶， 鄭愛(ài)霞， 等. 基于近鄰傳播聚類和遺傳優(yōu)化的非侵入式負(fù)荷分解方法［J］. 電工技術(shù)學(xué)報(bào)， 2018， 33（16）： 3868-3878.

XU Q S， LOU O D， ZHENG A X， et al. A non-intrusive load decomposition method based on affinity propagation and genetic algorithm optimization［J］. Transactions of China Electrotechnical Society， 2018， 33（16）： 3868-3878.

［11］ MAQSOOD A， OSLEBO D， CORZINE K， et al. STFT cluster analysis for DC pulsed load monitoring and fault detection on naval shipboard power systems［J］. IEEE transactions on transportation electrification， 2020， 6（2）： 821-831.

［12］ 李春蘭， 羅杰， 王長(zhǎng)云， 等. 基于循環(huán)譜特征和聚類分析的觸電識(shí)別［J］. 電工技術(shù)學(xué)報(bào)， 2021， 36（22）： 4677-4687.

LI C L， LUO J， WANG C Y， et al. Electric shock recognition method based on cyclic spectrum features and cluster analysis［J］. Transactions of China Electrotechnical Society， 2021， 36（22）： 4677-4687.

［13］ 馮立偉， 張成， 李元， 等. 基于權(quán)重k近鄰的多模態(tài)過(guò)程故障檢測(cè)方法［J］. 控制工程， 2019， 26（11）： 1986-1993.

FENG L W， ZHANG C， LI Y， et al. Fault detection method based on weighted k nearest neighbor in multimode process［J］. Control engineering of China， 2019， 26（11）： 1986-1993.

［14］ 江志農(nóng)， 趙南洋， 夏敏， 等. 一種基于流形學(xué)習(xí)和KNN算法的柴油機(jī)工況識(shí)別方法［J］. 噪聲與振動(dòng)控制， 2019， 39（3）： 1-6.

JIANG Z N， ZHAO N Y， XIA M， et al. Operating mode identification method for diesel engines based on manifold learning and KNN algorithm［J］. Noise and vibration control， 2019， 39（3）： 1-6.

［15］ YOO" Y." Data-driven" fault" detection" process" using correlation based clustering［J］. Computers in industry， 2020， 122： 103279.

［16］ 朱永利， 蔣偉， 劉剛. 基于密度峰值聚類算法的局部放電脈沖分割［J］. 電工技術(shù)學(xué)報(bào)， 2020， 35（6）： 1377-1386.

ZHU Y L， JIANG W， LIU G. Partial discharge pulse segmentation based on clustering by fast search and find of density peaks［J］. Transactions of China Electrotechnical Society， 2020， 35（6）： 1377-1386.

［17］ 周東國(guó)， 張恒， 周洪， 等. 基于狀態(tài)特征聚類的非侵入式負(fù)荷事件檢測(cè)方法［J］. 電工技術(shù)學(xué)報(bào)， 2020， 35（21）： 4565-4575.

ZHOU D G， ZHANG H， ZHOU H， et al. Non-intrusive load event detection method based on state feature clustering［J］." Transactions" "of" "China" "Electrotechnical Society， 2020， 35（21）： 4565-4575.

［18］ BOUNOUA W， BAKDI A. Fault detection and diagnosis of nonlinear dynamical processes through correlation dimension and fractal analysis based dynamic kernel PCA［J］. Chemical engineering science， 2021， 229： 116099.

［19］ 薛陽(yáng)， 雷文平， 岳帥旭， 等. 多模態(tài)學(xué)習(xí)方法在滾動(dòng)軸承故障診斷中的應(yīng)用［J］. 機(jī)械科學(xué)與技術(shù)， 2022， 41（8）： 1149-1153.

XUE Y， LEI W P， YUE S X， et al. Application of multimodal deep learning method in rolling bearing fault diagnosis［J］." Mechanical" science" and" technology" for aerospace engineering， 2022， 41（8）： 1149-1153.

［20］ XIE T， LI Z C， WANG T Z， et al. An integration fault detection method using stator voltage for marine current turbines［J］. Ocean engineering， 2021， 226： 108808.

［21］ 李恩文， 王力農(nóng)， 宋斌， 等. 基于混沌序列的變壓器油色譜數(shù)據(jù)并行聚類分析［J］. 電工技術(shù)學(xué)報(bào)， 2019， 34（24）： 5104-5114.

LI E W， WANG L N， SONG B， et al. Parallel clustering analysis of dissolved gas analysis data based on chaotic sequences［J］." "Transactions" "of" "China" "Electrotechnical Society， 2019， 34（24）： 5104-5114.

AN IMPACT FAULT DETECTION METHOD OF MARINE CURRENT TURBINE BLADE VIA EGK-MEANS AND PCA

Xie Tao，Zhang Weidong，Zhang Yibo

（College of Electronic Information and Electrical Engineering， Shanghai Jiaotong University， Shanghai 200240， China）

Abstract：The operating conditions of MCTs are affected by varying water velocity and random turbulence. The blades of the MCT s are prone to cracks due to long-term exposure to sea water and are quickly impacted by fish or seabed creatures. Frequent changes in marine currents lead to variable working conditions. A detection method based on envelop geometrical K-means （EGK-means） to divide the stator current signals generated under variable conditions and establish fault detection models is proposed. First， construct the envelope geometric feature based on the sample matrix， use the geometric feature matrix to select the initial clustering center for clustering， perform PCA modelling based on the current data under each working condition to reduce the data dimension. Finally， the T2 and SPE statistics are calculated for real-time fault detection. A prototype MCT and supporting circulating water tank were built to verify the proposed method. The diagnostic results verify that the proposed method has significant recognition ability and detection accuracy for the impact faults of MCTs under variable marine conditions.

Keywords：ocean energy； ocean engineering； signal processing； clustering algorithms； fault detection； principal component analysis