楊錫運，鄧子琦，康 寧

(1.華北電力大學(xué) 控制與計算機工程學(xué)院，北京 102206；2.華北電力大學(xué) 電站設(shè)備狀態(tài)監(jiān)測與控制教育部重點實驗室，北京 102206；3.北京廣利核系統(tǒng)工程有限公司，北京 102206)

0 引言

近年來，作為一種清潔、可再生的綠色能源，風(fēng)能的應(yīng)用研究得到了快速發(fā)展。由于環(huán)境惡劣、工況復(fù)雜，風(fēng)力發(fā)電機組易發(fā)生故障，齒輪箱是風(fēng)力發(fā)電機的重要組成部分，其油溫升高易發(fā)生齒面膠合等故障[1]。齒輪箱故障導(dǎo)致的停機時間和維護成本在所有類型故障中都非常高，選擇一種良好的齒輪箱油溫狀態(tài)監(jiān)測和故障診斷方法尤為重要[2]。

深層學(xué)習(xí)思想在數(shù)據(jù)建模領(lǐng)域已有深度應(yīng)用，將其與人工智能算法結(jié)合，利用運維數(shù)據(jù)[3]開展基于數(shù)據(jù)驅(qū)動的故障預(yù)測研究正成為研究熱點[4]。劉輝海等[5]提出一種基于風(fēng)電機組齒輪箱的數(shù)據(jù)采集與監(jiān)視控制(Supervisory Control and Data Acquisition, SCADA)數(shù)據(jù)和振動信號的深度自編碼網(wǎng)絡(luò)模型，通過所搭建的網(wǎng)絡(luò)模型智能學(xué)習(xí)齒輪箱故障前、后深層樣本的每一層特征，得到更抽象更高維的數(shù)據(jù)規(guī)則與分布特點。風(fēng)電機組狀態(tài)檢測過程中數(shù)據(jù)量大、故障特征提取困難，針對該問題，劉秀麗等[6]提出一種基于深度信念網(wǎng)絡(luò)的風(fēng)電機組齒輪箱故障診斷方法，證明在風(fēng)機故障診斷問題中，與深度置信網(wǎng)絡(luò)(Deep Belief Networks, DBN)、反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)算法和傳統(tǒng)故障診斷方法相比，該方法利用深度學(xué)習(xí)理論的強大感知與自我學(xué)習(xí)能力能夠提高故障診斷準確率。ZHONG等[7]將卷積神經(jīng)網(wǎng)絡(luò)與其他人工智能算法結(jié)合，取得了較好的效果，其中卷積神經(jīng)網(wǎng)絡(luò)用于降低數(shù)據(jù)規(guī)模和復(fù)雜程度，提升模型整體的泛化和學(xué)習(xí)能力。深層結(jié)構(gòu)雖然如此強大，但是由于涉及大量超參數(shù)和復(fù)雜的結(jié)構(gòu)，使得大多數(shù)模型訓(xùn)練時間長，而且預(yù)警的準確率與模型精度的關(guān)系較大。經(jīng)驗?zāi)B(tài)分解作為時頻分析的一種方法，可用于分析振動信號，常被用于診斷風(fēng)機故障[8-10]，集合經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)是其中的一種改進算法。王紅君等[11]提出一種基于EEMD小波閾值去噪和布谷鳥算法優(yōu)化BP(back propagation)神經(jīng)網(wǎng)絡(luò)的故障診斷方法，其通過采用EEMD分解和小波閾值去噪方法對故障振動信號進行數(shù)據(jù)預(yù)處理來抑制原始振動信號中的噪聲干擾，實例仿真表明,所提故障診斷方法具有良好的診斷精度、速度和成功率；顧煜炯等[12]提出一種基于改進的多元離群監(jiān)測方法來解決早期故障診斷，該方法較原始方法能夠更早地察覺風(fēng)電齒輪箱的早期故障，但是存在運行工況波動和故障特征不易提取的問題。上述經(jīng)驗?zāi)B(tài)分解方法在風(fēng)機故障診斷中的應(yīng)用均基于振動信號進行。

本文基于風(fēng)電機組齒輪箱SCADA系統(tǒng)所得的數(shù)據(jù)樣本，提出基于交叉熵融合EEMD變點檢測與寬度學(xué)習(xí)系統(tǒng)(Broad Learning System, BLS)的齒輪箱溫度預(yù)警方法。首先分別用EEMD和BLS算法為齒輪箱油溫建立監(jiān)測模型。EEMD對齒輪箱油溫時間序列進行時頻分析，將齒輪箱油溫信號分解為多個本征模態(tài)函數(shù)(Intrinsic Mode Function, IMF)分量，計算健康樣本與待測樣本的馬氏距離[13]；BLS模型對穩(wěn)定運行狀態(tài)下的SCADA數(shù)據(jù)樣本進行學(xué)習(xí)，建立齒輪箱溫的狀態(tài)監(jiān)測模型，并計算待測樣本經(jīng)模型預(yù)測所得的預(yù)測油溫曲線與真實曲線的關(guān)聯(lián)程度。然后通過計算交叉熵分別評價兩個監(jiān)測模型，得到兩個模型的權(quán)重，按照權(quán)重將兩個模型結(jié)合，以充分利用時頻和相關(guān)變量信息，降低誤報的可能性，提高故障報警準確率。

1 集合經(jīng)驗?zāi)B(tài)分解變點檢測

1.1 經(jīng)驗?zāi)B(tài)分解算法

經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)是一種自適應(yīng)數(shù)據(jù)信息挖掘方法，其將非線性序列信號分解為若干不同尺度的IMF分量和1個殘余分量，從而更加直觀地觀察信號中各頻率分量的分布情況[14-15]。EMD分解信號不需要事先預(yù)定或強制給定基函數(shù)，而是依賴信號本身特征自適應(yīng)地進行分解，理論上可以應(yīng)用于任何類型的時間序列信號。

1.2 集合經(jīng)驗?zāi)B(tài)分解算法

EEMD是在EMD基礎(chǔ)上的改進算法，EMD中的信號極值點會影響IMF，在分布不均勻時會出現(xiàn)模態(tài)混疊。EEMD將白噪聲引入待分析信號中，白噪聲的頻譜均勻分布，使不同尺度的信號自動映射到與背景白噪聲相關(guān)的適當尺度上，從而解決了EMD中極值點分布不均勻?qū)е碌乃纸庑盘栴l率模式混疊現(xiàn)象。算法流程如下：

(1)在原始信號上添加一個白噪聲序列。

(2)采用EMD將添加了白噪聲的信號分解為多個IMF分量和1個殘余分量。

(3)多次重復(fù)(1)和(2)，但是每次采用不同的白噪聲序列。

(4)獲得分解的相應(yīng)IMF分量和殘余分量。

(5)對多次添加白噪音后分解得到的IMF分量和殘余分量進行平均計算，得到最終的多個IMF分量和1個殘余分量。

1.3 EEMD變點檢測在齒輪箱油溫上的應(yīng)用

采用EEMD對齒輪箱油溫信號進行時頻分析。EEMD將健康樣本分解為n個IMF分量，以這n維分量作為基準特征值，計算待測樣本的特征值與基準特征值的馬氏距離，用于判別齒輪箱的健康程度。

(1)

式中：d1為待測樣本與健康樣本的馬氏距離；xi為待測樣本特征值；μ為健康樣本基準特征的均值；T為協(xié)方差。馬氏距離d1越大，該樣本的時頻特性與健康樣本差別越大，該樣本的故障概率越大。

為了更好地評估設(shè)備的運行狀況，進一步通過隸屬度函數(shù)計算待測樣本的健康度，本文選取logistics函數(shù)作為隸屬度函數(shù)，具體為

(2)

式中：f1為樣本健康度;k與a為模糊因子。f1越接近1，健康度越高。

2 基于寬度學(xué)習(xí)網(wǎng)絡(luò)的故障預(yù)警

BLS算法是一種不需要深度學(xué)習(xí)結(jié)構(gòu)的高效增量學(xué)習(xí)算法[14]，其主要設(shè)計思想是將輸入數(shù)據(jù)的映射特征作為隨機向量函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)(Random Vector Functional Link Neural Network, RVFLNN)的輸入。

風(fēng)機運行過程中，齒輪箱會不斷老化，導(dǎo)致齒輪箱油溫的模型特性發(fā)生改變，當更新或增加輸入數(shù)據(jù)時，不同于深度學(xué)習(xí)需要重新訓(xùn)練網(wǎng)絡(luò)模型，BLS可以通過增量式學(xué)習(xí)在線更新網(wǎng)絡(luò)模型，因此實時性好，訓(xùn)練速度快。

2.1 寬度學(xué)習(xí)的模型結(jié)構(gòu)

BLS網(wǎng)絡(luò)模型由輸入數(shù)據(jù)、特征節(jié)點、增強節(jié)點和模型輸出組成。其中，特征節(jié)點利用輸入數(shù)據(jù)映射得到；增強節(jié)點由映射的特征乘隨機生成的權(quán)重經(jīng)非線性函數(shù)變換得到。將所有映射的特征節(jié)點和增強節(jié)點直接連接到輸出端，得到模型的輸出。假設(shè)輸入的數(shù)據(jù)集為X，則特征節(jié)點

Zi=φ(XWei+βei),i=1,…,n；

(3)

式中：φ為激活函數(shù)；Wei，βei為隨機生成的第i個特征節(jié)點的權(quán)重；n為特征節(jié)點個數(shù)。

增強節(jié)點

Hj=ξ(ZnWhj+βhj),j=1,…,m。

(4)

式中：ξ為激活函數(shù)；Whj，βhj為隨機生成的第j個增強節(jié)點的權(quán)重；m為增強節(jié)點個數(shù)。

將特征節(jié)點和增強節(jié)點作為輸入，得到輸出矩陣

(5)

(6)

系統(tǒng)模型如圖1所示。

2.2 寬度學(xué)習(xí)模型的增量式學(xué)習(xí)

隨著機組運行時長的增加，其運行特性會產(chǎn)生變化，使得原始模型不能很好地擬合機組的運行情況。為了使模型更好地適應(yīng)現(xiàn)場變化，需要在深層結(jié)構(gòu)網(wǎng)絡(luò)中重新進行訓(xùn)練。當需要提高模型精度時，一般做法是增加訓(xùn)練層數(shù)重新訓(xùn)練，訓(xùn)練層數(shù)越多，訓(xùn)練時間越長。然而當現(xiàn)場機組運行特性變化或擬合精度不足時，BLS算法不用重新訓(xùn)練模型，只要在訓(xùn)練好的模型基礎(chǔ)上在線更新參數(shù)即可，同時增量式學(xué)習(xí)可通過增加特征節(jié)點和增強節(jié)點的個數(shù)，即增加算法的寬度，來提高模型訓(xùn)練的精確度。

圖2所示為BLS增量式學(xué)習(xí)模型，其模型結(jié)構(gòu)使得無論離線建模還是在線更新，均能在實現(xiàn)一定精度的同時保證快速性，更加適應(yīng)現(xiàn)場需求[16]。

以增加輸入數(shù)據(jù)為例說明BLS增量式學(xué)習(xí)方式的特點。

(7)

式中：Zn，Hm分別為原始數(shù)據(jù)的特征節(jié)點和增強節(jié)點。

Ax=[φ(XaWe1+βe1),…,φ(XaWen+βen)|

(8)

(9)

(10)

(11)

式中:

(12)

(13)

(14)

結(jié)合式(10)～式(14)，將輸出矩陣的權(quán)重更新為

(15)

當系統(tǒng)有新的數(shù)據(jù)輸入時，深度學(xué)習(xí)的模型結(jié)構(gòu)往往需要重新訓(xùn)練整個模型。而對于BLS，由于其橫向擴張的獨特結(jié)構(gòu)，無需對整個模型進行重新訓(xùn)練，大大提高了計算效率，使在線學(xué)習(xí)成為可能。

2.3 寬度學(xué)習(xí)在齒輪箱油溫超溫故障檢測中的應(yīng)用

用健康運行狀態(tài)下的齒輪箱數(shù)據(jù)對BLS網(wǎng)絡(luò)進行訓(xùn)練，得到齒輪箱油溫檢測模型，再將待測數(shù)據(jù)送入訓(xùn)練好的模型中。用模型預(yù)測曲線與真實數(shù)據(jù)曲線的歐式距離和余弦相似度表征兩種溫度的距離和趨勢，從而計算預(yù)估值與實際值之間的關(guān)聯(lián)程度。聯(lián)合二者的歐式距離和余弦相似度表征齒輪箱的健康度。健康度f2的計算公式如下：

(16)

(17)

(18)

(19)

3 基于交叉熵融合的齒輪箱油溫預(yù)警方法

在機組健康情況下，風(fēng)機機組的齒輪箱油溫一般根據(jù)運行狀況的不同在30 ℃～70 ℃間波動，當機組齒輪箱出現(xiàn)故障時，齒輪箱的油溫會在短時間內(nèi)升高至75 ℃甚至80 ℃以上。因此，該類故障在提高算法準確性的前提下，應(yīng)重點考慮檢測的及時性、快速性指標。

風(fēng)機齒輪箱油溫會隨運行風(fēng)速、運行功率的隨機波動進行不規(guī)則變化，呈現(xiàn)出非平穩(wěn)時間序列特點。EEMD變點檢測方法可對溫度時序信號進行數(shù)據(jù)預(yù)處理，將信號分解降維成多個序列，從而降低系統(tǒng)的非平穩(wěn)特性，提高算法的準確性。然而，在機組啟?；蝻L(fēng)速突變時，溫度的變化情況可能與風(fēng)機設(shè)備故障的升溫情況相似，從而使模型出現(xiàn)誤判。而且EEMD作為變點檢測方法，在檢測過程中只針對監(jiān)控數(shù)據(jù)中某一變量進行分解，沒有充分挖掘其他變量的信息。

與EEMD相比，作為一種新型算法，BLS能夠充分挖掘SCDAD數(shù)據(jù)中的多維變量信息來判斷齒輪箱的健康狀況。在快速性方面，相比深度學(xué)習(xí)網(wǎng)絡(luò)，BLS有很大的優(yōu)勢。除此之外，由于設(shè)備的運行狀況會隨使用年限發(fā)生變化，BLS獨特的增量式學(xué)習(xí)方式使其能夠以較小的計算成本不斷增加訓(xùn)練數(shù)據(jù)，以通過更新設(shè)備的模型來反映設(shè)備狀況的真實性，但是BLS需要一定數(shù)據(jù)量才能保證預(yù)測精度，而且其泛化能力不如深度學(xué)習(xí)[17]。因為BLS網(wǎng)絡(luò)沒有記憶，而溫度變化卻具有很強的時間連貫性，所以僅采用BLS算法進行故障預(yù)警也可能出現(xiàn)誤報點。

為了提高故障預(yù)警的準確率，本文提出基于交叉熵(cross entropy)融合EEMD與BLS的齒輪箱故障預(yù)警方法，該方法能夠兼顧準確性和快速性，具體工作流程如圖3所示。

3.1 交叉熵

交叉熵是Shannon信息論中的一個重要概念，主要用于度量兩個概率分布間的差異性信息。交叉熵用于在給定的真實分布下，衡量使用非真實分布所指定的策略消除系統(tǒng)的不確定性所需要付出的成本。交叉熵越小，預(yù)測模型的精度越高。計算公式為

(20)

式中：N為樣本數(shù)；M為類別的數(shù)量；yc,n為第n個樣本的指示變量，若該樣本為c類別則yc,n=1，否則yc,n=0；pc,n為第n個樣本屬于類別c的預(yù)測概率。

3.2 基于交叉熵融合的溫度趨勢分析的步驟

基于交叉熵融合的溫度趨勢分析方法步驟如下：

(1)采用EEMD對健康運行的齒輪箱油溫時序信號進行分解，將其分量作為基準特征。計算待測樣本分量特征與基準特征的馬氏距離，通過式(2)計算待測樣本的健康度f1。

(2)利用皮爾遜相關(guān)分析篩選出SCADA數(shù)據(jù)中與齒輪箱油溫相關(guān)性高的數(shù)據(jù)作為輸入變量，采用BLS建立齒輪箱健康狀態(tài)下的溫度模型進行溫度預(yù)測。當齒輪箱工作異常時，油溫偏離預(yù)測值，BLS溫度模型預(yù)測曲線的分布特性發(fā)生改變。將預(yù)測曲線與真實曲線的關(guān)聯(lián)程度作為齒輪箱健康度f2。

(3)為了提高預(yù)警信息的時效性和準確率，分別用交叉熵評價兩個算法所得模型。由交叉熵得到兩種算法的權(quán)重，按權(quán)重將兩種算法的健康度結(jié)合。當健康度低于閾值時，提示運行人員檢查設(shè)備狀態(tài)，以避免機組造成不可逆轉(zhuǎn)的損害，同時為運行人員在突發(fā)故障導(dǎo)致停機之前爭取更多時間，避免因突發(fā)故障停機造成巨大的經(jīng)濟損失。

4 算例分析

本文用安徽某風(fēng)電場1.5 WM風(fēng)機2019年6月1日～7月21日的SCADA數(shù)據(jù)為健康樣本，采樣間隔為10 min，共8 668個樣本，以該機組8月1日至停機前的976個樣本數(shù)據(jù)為待測樣本進行仿真。仿真實驗基于MATLAB2019a環(huán)境，處理器主頻為2.5 Hz，內(nèi)存為16 GB。

4.1 基于EEMD的齒輪箱油溫變點檢測

齒輪箱油溫信號具有不平穩(wěn)、波動性大的特點，為此本文基于信號尺度分解降維的思想，采用EEMD的方法建立模型，有效處理了非線性時序油溫信號。健康機組的齒輪箱原始油溫時序信號如圖4所示。

首先進行EEMD分析，根據(jù)經(jīng)驗和相關(guān)參考文獻，所添加的噪聲與待分析信號的標準偏差之比為0.2，噪聲組數(shù)為100。首先對健康樣本進行EEMD分解得到基準的特征向量，再對待測樣本進行EEMD分解得到待測樣本的特征向量，用式(1)計算待測樣本與健康樣本的馬氏距離，通過隸屬度函數(shù)式(2)，得到該樣本的健康度f1，仿真結(jié)果如圖5所示。

由圖5可見，停機前EEMD模型所得馬氏距離遠大于健康運行狀態(tài)下的樣本，EEMD能夠檢測出異常溫升。

4.2 基于BLS模型的齒輪箱狀態(tài)監(jiān)測分析

為了簡化輸入數(shù)據(jù)，從SCADA數(shù)據(jù)中選取與齒輪箱油溫相關(guān)性強的變量作為模型的輸入變量。本文引入Pearson相關(guān)系數(shù)[18]，將齒輪箱油溫作為參考變量，系數(shù)的值域為[-1,1]，系數(shù)值越大，相關(guān)性越強。相關(guān)系數(shù)

(21)

根據(jù)式(21)計算變量與油溫之間的相關(guān)系數(shù)，得到的結(jié)果如表1所示。

表1 相關(guān)性分析結(jié)果

由相關(guān)性分析得到模型的輸入為齒輪箱高速軸驅(qū)動端軸承溫度、齒輪箱高速軸非驅(qū)動端軸承溫度、發(fā)電機非驅(qū)動端軸承溫度、風(fēng)速、風(fēng)功率5個變量。

選取風(fēng)電機組健康運行過程中的齒輪箱樣本數(shù)據(jù)與算法擬合效果進行對比，測試樣本數(shù)量為500。將BLS算法與BP神經(jīng)網(wǎng)絡(luò)、支持向量機(Support Vector Machine, SVM)和DBN進行對比仿真，采用平均絕對誤差MAE、均方根誤差RMSE、訓(xùn)練時間T作為算法的性能指標來比較擬合結(jié)果。其中：BP的網(wǎng)絡(luò)結(jié)構(gòu)為5-15-1；SVM選用多項式基核函數(shù)作為核函數(shù)；DBN網(wǎng)絡(luò)結(jié)構(gòu)為5-20-15-1，激活函數(shù)為sigmoid函數(shù)；BLS增加訓(xùn)練樣本的方式為增量學(xué)習(xí)，具體公式如2.2節(jié)所述，特征節(jié)點的數(shù)目為50，激活函數(shù)選用線性函數(shù)；增強節(jié)點數(shù)為200，激活函數(shù)選用tansig函數(shù)。采用同樣的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)對所得測試集擬合結(jié)果進行分析，仿真結(jié)果如表2所示。

表2 算法性能對比

由表2可見，在訓(xùn)練數(shù)據(jù)樣本較少時，BLS預(yù)測精度相比BP,SVM,DBN較低，但是當訓(xùn)練數(shù)據(jù)逐漸提升至7 000及以上時，BLS的預(yù)測精度優(yōu)于BP，SVM，DBN，而且BLS的訓(xùn)練速度遠快于其余3種算法。這是由于其特殊的增量式學(xué)習(xí)方式大大縮短了計算時間，以訓(xùn)練數(shù)據(jù)8 000為例，因為BP，SVM，DBN無法直接進行增量式學(xué)習(xí)，所以需要每次重新訓(xùn)練所有樣本，即BP，SVM，DBN需要用全部8 000個數(shù)據(jù)重新訓(xùn)練其權(quán)值，從而耗費了大量時間。而BLS只需要對新增的1 000個樣本進行增量學(xué)習(xí)，當訓(xùn)練數(shù)據(jù)為8 000時，其仿真總訓(xùn)練時間為訓(xùn)練數(shù)據(jù)7 000時的訓(xùn)練時間加上本次增量學(xué)習(xí)所用的時間，極大加快了運算速度，使其在工業(yè)應(yīng)用上更具可行性，因此將其作為一種溫度預(yù)警模型算法進行后續(xù)應(yīng)用是有效的。

根據(jù)2.3節(jié)所述，將停機前的976個待測樣本送入訓(xùn)練好的BLS模型中，得到預(yù)測油溫，然后根據(jù)式(15)計算待測樣本的健康度。所得預(yù)測結(jié)果擬合情況及待測樣本的健康度如圖6所示。

從圖6可見，在機組健康運行狀態(tài)下，各SCADA狀態(tài)監(jiān)測變量之間滿足穩(wěn)定的內(nèi)部聯(lián)系，處于動態(tài)平衡狀態(tài)。當齒輪箱狀態(tài)健康時，這種動態(tài)平衡表現(xiàn)為，真實值和預(yù)測值的關(guān)聯(lián)程度雖然存在一定波動，但是保持相對穩(wěn)定；當齒輪箱發(fā)生異常時，狀態(tài)監(jiān)測變量間失去長期穩(wěn)定關(guān)系，反映齒輪箱油溫狀態(tài)的健康度隨之下降。

4.3 基于交叉熵的算法融合

采用交叉熵分別對兩種算法模型進行評價。由于故障檢測問題是二分類問題，采用交叉熵公式

(22)

計算EEMD與BLS兩種模型的交叉熵，其中EEMD方法所得交叉熵為0.103 2，BLS方法所得交叉熵為0.149 2。交叉熵值越低，模型越準確。因此以兩種算法的交叉熵為各自權(quán)重進行融合，計算公式如下：

(23)

f=ω1·f1+ω2·f2。

(24)

式中：L1，L2分別表示EEMD模型和BLS模型得到的交叉熵；f1，f2分別表示EEMD模型和BLS模型得到的健康度。

為了驗證基于交叉熵進行算法融合后的方法在齒輪箱故障預(yù)警問題上的效果，對EEMD模型所得樣本健康度、BLS模型所得樣本健康度及基于交叉熵融合后的方法所得的樣本健康度進行對比，對比結(jié)果如圖7所示。

以3δ定律確定正常狀態(tài)下的健康度閾值，如圖7中的虛線所示。由圖7可見，EEMD模型所得的健康度f1在860點低于閾值，因此能在停機點前116點給工作人員發(fā)出預(yù)警信號。然而因為風(fēng)速不確定導(dǎo)致風(fēng)機啟停不確定，風(fēng)機啟停時的溫升變化特性與故障時相似，所以啟停時容易出現(xiàn)誤報，圖7a的f1在第120個數(shù)據(jù)點和第291個數(shù)據(jù)點時都超過了閾值。圖7b BLS模型所得的健康度f2在第872個數(shù)據(jù)點時低于閾值，即在停機點前104點發(fā)出預(yù)警信號，比EEMD模型所得預(yù)警結(jié)果延遲了12個數(shù)據(jù)點，而且當機組健康運行時健康度f2也會出現(xiàn)波動。而融合后的健康度f能夠避免f1的誤報點，同時減小f2的波動性，并可在停機前114點發(fā)出預(yù)警信號，提醒運行人員關(guān)注該機組的運行狀況。

為驗證融合方法對齒輪箱超溫預(yù)警的可行性，搜集同個風(fēng)場不同機組的數(shù)據(jù)，以3∶1的比例選取健康樣本和故障樣本進行仿真。用EEMD模型預(yù)警方法、BLS模型預(yù)警方法對比本文所提的融合方法，仿真結(jié)果如表3所示?？梢姡诤虾蟮姆椒ǖ奶崆邦A(yù)警時間高于BLS方法，略低于EEMD方法，且準確率高于單種方法。

表3 故障預(yù)警效果對比

4.4 基于融合方法的故障分析

為進一步探究齒輪箱超溫故障的原因，針對前文所述停機故障，以6月1日～7月21日的8 668個健康樣本為訓(xùn)練數(shù)據(jù)，停機前的976個待測樣本為測試數(shù)據(jù)，將齒輪箱油溫、發(fā)電機非驅(qū)動端軸承溫度、發(fā)電機非驅(qū)動端軸承溫度、風(fēng)速、功率作為BLS模型輸入，齒輪箱高速軸驅(qū)動端軸承溫度、齒輪箱高速軸非驅(qū)動端軸承溫度作為輸出，其他步驟不變，用融合方法分析超溫故障，得到驅(qū)動端軸溫與非驅(qū)動端軸溫的健康度，仿真結(jié)果如圖8所示。

由圖8可見，在本次齒輪箱油溫超溫停機故障中，驅(qū)動端軸溫健康度下降的幅度明顯大于非驅(qū)動端軸溫健康度，提示該齒輪箱油溫超溫故障可能由驅(qū)動端軸承引起，為后續(xù)工作人員登塔處理提供了檢修方向。

5 結(jié)束語

針對風(fēng)力齒輪箱的狀態(tài)監(jiān)測與故障診斷方法研究，本文提出采用交叉熵將EEMD變點檢測方法和BLS算法融合進行故障預(yù)警的方法，實現(xiàn)了基于SCADA運行數(shù)據(jù)趨勢的齒輪箱溫度早期預(yù)警。利用交叉熵確定兩種故障模型的權(quán)重，對兩種算法進行融合，通過實際故障分析驗證了融合后的方法在風(fēng)機故障預(yù)警問題中的有效性，即降低了單種方法的誤報概率，提高了預(yù)警準確性，而且訓(xùn)練速度快、計算量小。由于該融合方法應(yīng)用算法自動對信號進行數(shù)據(jù)挖掘分解，其原理具有通用性，可以進一步推廣到風(fēng)機其他關(guān)鍵部件(如主軸承和發(fā)電機等)的故障診斷與預(yù)警中。

后續(xù)的研究重點為提高BLS算法的預(yù)測精度，并對該融合方法在風(fēng)機齒輪箱以外其他設(shè)備的故障診斷與預(yù)警問題中的應(yīng)用進行仿真驗證。