魏 剛 任 偉 張 濤 李錦虎 嚴(yán)新明 王咸武

(1.華電福新柳州新能源有限公司 2.華電廣西能源有限公司)

0 引言

能源和環(huán)境是當(dāng)前世界關(guān)注的熱點(diǎn)議題。風(fēng)力發(fā)電作為一種技術(shù)成熟高、綠色友好的可再生能源發(fā)展技術(shù), 在我國(guó)取得了長(zhǎng)足進(jìn)展。據(jù)統(tǒng)計(jì), 我國(guó)風(fēng)電機(jī)組累積裝機(jī)容量已達(dá)到328.5GW, 為我國(guó)風(fēng)力發(fā)電發(fā)展提供了重要支撐。然而, 風(fēng)電機(jī)組的運(yùn)維成本約占其全生命周期發(fā)電成本的25% -30%[1], 成為制約其發(fā)展的一大問(wèn)題。在此背景下, 風(fēng)電機(jī)組故障的早期檢測(cè)預(yù)警顯得尤為重要, 能夠有效防止其主要組件的破壞性故障。通過(guò)實(shí)施有效的維護(hù)與維修策略,能夠顯著減少運(yùn)維成本, 同時(shí)降低風(fēng)力發(fā)電機(jī)的停機(jī)時(shí)間, 進(jìn)一步提高風(fēng)力發(fā)電的利用率和效益。因此,加強(qiáng)風(fēng)電機(jī)組的早期故障檢測(cè)預(yù)警和有效維護(hù)與維修策略的實(shí)施, 將對(duì)我國(guó)風(fēng)力發(fā)電行業(yè)的健康發(fā)展產(chǎn)生積極作用。

葉片是風(fēng)力發(fā)電機(jī)組的核心部件, 但由于其故障失效率極高, 葉片故障往往是導(dǎo)致整個(gè)風(fēng)電機(jī)組失效的主要原因之一。目前, 葉片故障通常是通過(guò)人工定期巡檢來(lái)發(fā)現(xiàn), 但是這種方法存在一些問(wèn)題, 例如耗時(shí)長(zhǎng)、效率低、實(shí)時(shí)性和準(zhǔn)確性不高等[2-3]。為了解決這些問(wèn)題, 需要研究一種更高效、準(zhǔn)確、實(shí)時(shí)的方法來(lái)感知風(fēng)機(jī)葉片故障, 以提高風(fēng)電機(jī)組的可靠性和安全性, 同時(shí)減少維護(hù)成本和停機(jī)時(shí)間, 促進(jìn)風(fēng)力發(fā)電產(chǎn)業(yè)的可持續(xù)發(fā)展。

風(fēng)電機(jī)組葉片產(chǎn)生故障后, 其葉片的氣動(dòng)特性、機(jī)組運(yùn)行狀態(tài)及運(yùn)行參數(shù)會(huì)較正常運(yùn)行狀態(tài)由顯著的差異, 通過(guò)對(duì)參數(shù)變化的識(shí)別, 可以監(jiān)測(cè)風(fēng)機(jī)葉片的運(yùn)行情況。本文通過(guò)詳細(xì)分析葉片故障狀態(tài)下機(jī)組運(yùn)行監(jiān)測(cè)信號(hào)的特征, 采用集合經(jīng)驗(yàn)?zāi)B(tài)分解 (EEDM) 方法對(duì)葉片采樣信號(hào)分解, 消除噪聲的影響,運(yùn)用主成分分析方法(PCA) 提取多維尺度下的風(fēng)電機(jī)組葉片狀態(tài)監(jiān)測(cè)信號(hào), 利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)提取的葉片狀態(tài)監(jiān)測(cè)信號(hào)進(jìn)程故障狀態(tài)識(shí)別, 實(shí)現(xiàn)對(duì)葉片故障的早期監(jiān)測(cè)和預(yù)警。

1 風(fēng)電機(jī)組葉片故障狀態(tài)監(jiān)測(cè)原理

風(fēng)電機(jī)組的葉片故障失效率極高, 包括多種類型的故障, 如葉片結(jié)冰、邊緣開(kāi)裂、老化、斷裂、卡死和電機(jī)其它故障等。這些故障若不及時(shí)發(fā)現(xiàn)和處理,將導(dǎo)致風(fēng)電機(jī)組的損毀。通過(guò)實(shí)時(shí)監(jiān)測(cè)風(fēng)電機(jī)組的葉輪轉(zhuǎn)速和實(shí)時(shí)輸出功率, 可以幫助早期識(shí)別和預(yù)報(bào)風(fēng)機(jī)葉片故障。但是, 由于風(fēng)速的變化會(huì)導(dǎo)致葉輪轉(zhuǎn)速和輸出功率表現(xiàn)為在其最大值和最小值之間隨機(jī)變化, 因此設(shè)定固定閾值來(lái)比較檢測(cè)出葉片故障造成的葉輪轉(zhuǎn)速和輸出功率是較為困難的。因此需要研究并實(shí)施更加先進(jìn)的實(shí)時(shí)監(jiān)測(cè)和數(shù)據(jù)分析方法, 以實(shí)現(xiàn)更準(zhǔn)確、可靠、實(shí)時(shí)的葉片故障檢測(cè)與預(yù)警, 提高風(fēng)電機(jī)組的運(yùn)行效率和可靠性。

本文采用文獻(xiàn)[4] 中基于隨機(jī)變量建模的高斯過(guò)程回歸(Gaussian process regression, GPR) 建立的風(fēng)電機(jī)組正常運(yùn)行狀態(tài)時(shí)的功率模型和葉輪轉(zhuǎn)速模型作為風(fēng)電機(jī)組正在運(yùn)行狀態(tài)的評(píng)估基準(zhǔn), 根據(jù)風(fēng)電機(jī)組葉片轉(zhuǎn)動(dòng)信號(hào)和功率信號(hào)的特點(diǎn), 應(yīng)用集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEDM) 方法消除噪聲的影響, 更好的進(jìn)行故障特征提取, 形成比較全面反映葉片運(yùn)行狀態(tài)和故障信息的高維特征矩陣, 然后應(yīng)用Pearson-PCA 的降維方法實(shí)現(xiàn)高維特征矩陣的低維化, 為快速精確實(shí)現(xiàn)故障智能預(yù)警和診斷提供簡(jiǎn)潔清晰的特征向量, 最終利用CNN 神經(jīng)網(wǎng)絡(luò)對(duì)提取的葉片狀態(tài)信號(hào)和正常運(yùn)行狀態(tài)信號(hào)進(jìn)行對(duì)比分析, 識(shí)別葉片故障, 達(dá)到預(yù)警效果。

2 基于EEDM+PCA 的特征提取方法

2.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解方法

風(fēng)電機(jī)組葉片監(jiān)測(cè)信號(hào)是具有動(dòng)態(tài)時(shí)變、尺度多的特點(diǎn), 這也使得信號(hào)易受到強(qiáng)干擾噪聲的影響。尤其是在變速變載工況下, 雙饋式風(fēng)電機(jī)組的連續(xù)運(yùn)行導(dǎo)致風(fēng)機(jī)葉片狀態(tài)監(jiān)測(cè)信號(hào)存在強(qiáng)噪聲干擾和多源耦合調(diào)制的特點(diǎn), 這給葉片故障的監(jiān)測(cè)與預(yù)測(cè)帶來(lái)了很大的挑戰(zhàn)。為了應(yīng)對(duì)這些困難, 一種數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)非線性時(shí)變信號(hào)分解方法——EMD 已被廣泛應(yīng)用。EMD 方法具有較大的優(yōu)勢(shì), 尤其是在處理非線性、非平穩(wěn)信號(hào)方面, 能夠有效地把信號(hào)分解成不同頻率成分, 幫助實(shí)現(xiàn)葉片故障的監(jiān)測(cè)與預(yù)測(cè)。

圖1 EEDM 分解原理圖

EMD 能夠?qū)?fù)雜時(shí)序的數(shù)據(jù)分解為有限個(gè)本征模函數(shù)(intrinsic mode function, IMF) 與一個(gè)殘余分量[4-7]。對(duì)于原始信號(hào)x(t), EMD 的實(shí)現(xiàn)步驟如下:

Step 1.對(duì)任一待處理的信號(hào)x(t), 求得其局部最大值、最小值, 將信號(hào)數(shù)據(jù)x(t) 與上、下包絡(luò)線均值m1(t) 的差值記為h1(t), 其表達(dá)式如下:

Step 2.重復(fù)以上過(guò)程, 從原始信號(hào)中篩選出的第一階段IMF 分量h1(t) 通常包含信號(hào)的最高頻分量。將h1(t) 從x(t) 中分離出來(lái), 得到去除高頻分量的差值信號(hào)r1(t), 把r1(t) 作為新信號(hào)重復(fù)以上篩分步驟, 直到第n 階段的殘余信號(hào)為單調(diào)函數(shù)不再篩分出IMF 分量的rn(t), 其表達(dá)式如下:

根據(jù)分解算法,x(t) 可表示為n個(gè)IMF 分量和1個(gè)殘差的和, 表達(dá)式如下:

式中,rn(t) 為殘差, 表示信號(hào)中的平均趨勢(shì);hj(t) 為第j個(gè)IMF 分量,j=1, 2, …,n, 分別表示信號(hào)從高到低不同頻率的成分。

EMD 分解是一種能夠?qū)⑿盘?hào)分解成不同頻帶的成分的方法, 類似于帶通濾波。由于信號(hào)本身具有非平穩(wěn)、非線性特性, 不同IMF 分量所覆蓋的頻帶寬度差別較大, 這可能導(dǎo)致模態(tài)混疊效應(yīng)。為了有效解決這個(gè)問(wèn)題, 可以采用EEDM 方法, 該方法的思路是將高斯白噪聲添加進(jìn)原信號(hào)中, 進(jìn)行多次重復(fù)分解, 然后將每次分解得到的IMF 取平均作為最終的分解結(jié)果。這種方法的優(yōu)點(diǎn)在于可以減小模態(tài)混疊效應(yīng)對(duì)分解結(jié)果的影響, 同時(shí)提高了分解結(jié)果的可靠性和穩(wěn)定性。因此, EEDM 方法是處理非平穩(wěn)、非線性信號(hào)的一個(gè)有效工具, 特別是在風(fēng)電機(jī)組葉片監(jiān)測(cè)信號(hào)處理中有著廣泛的應(yīng)用。EEDM 分解的實(shí)現(xiàn)步驟如下:

Step 1: 在被分析信號(hào)x(t) 中加入隨機(jī)白噪聲n(t), 令其幅值水平為a, 得到新的含噪信號(hào)。

Step 2: 對(duì)含噪信號(hào)y(t) 進(jìn)行EDM 分解得到一組IMF 分量fh(t),h(h∈(1,H])。

Step 3: 重復(fù)執(zhí)行步驟1 -2 若干次(設(shè)為I次),共分解出I組IMF 分量, 則第f次EDM 后的第個(gè)IMF分量表示為。

Step 4: 通過(guò)求每一次EDM 分解得到的第i 個(gè)IMF 分量的平均數(shù), 將其作為EEDM 分解的第i 階的IMF 分量ch(t), 公式表示為:

2.2 主成分提取

經(jīng)過(guò)EEMD 分解處理后, 風(fēng)機(jī)運(yùn)行狀態(tài)信號(hào)被分解成k 個(gè)IMF 分量, 每個(gè)IMF 分量代表了原始信號(hào)的不同頻率成分。但在進(jìn)行EEDM 處理的插值包絡(luò)過(guò)程中, 可能會(huì)造成包絡(luò)的均值不為零, 導(dǎo)致虛假IMF 分量的出現(xiàn)。為了剔除這些虛假IMF 分量, 本文采用Pearson 相關(guān)性分析, 剔除相關(guān)性較強(qiáng)的IMF 分量,保留相關(guān)性較弱的真實(shí)IMF 分量。接著, 對(duì)真實(shí)IMF分量進(jìn)行PCA 分析, 實(shí)現(xiàn)特征數(shù)據(jù)的降維, 以提高監(jiān)測(cè)信號(hào)的分解效果。這種處理方法可以有效地減少噪聲干擾和模態(tài)混疊效應(yīng)的影響, 提高葉片狀態(tài)監(jiān)測(cè)的準(zhǔn)確性和實(shí)時(shí)性。

將EEMD 分解后得到的K 個(gè)IMF 分量分別與原信號(hào)x(t) Pearson 相關(guān)系數(shù)為:

式中,ch(t) 為第h 個(gè)IMF 分量;D(x(t)) 為信號(hào)x(t) 的方差;D(ch(t)) 為信號(hào)ch(t) 的方差;COV(x(t),ch(t)) 為信號(hào)x(t) 與ch(t) 之間的協(xié)方差。

通過(guò)設(shè)定一個(gè)閾值, 將相關(guān)度小于閾值的IMF 分量剔除, 得到矩陣Z。

利用PCA 對(duì)Z= [z1,z2,…,zM]T進(jìn)行分析, 實(shí)現(xiàn)特征降維, 過(guò)程如下:

Step 1: 計(jì)算經(jīng)過(guò)特征過(guò)濾后的IMF 分量的均值向量u, 即:

式中,j=…1, 2,,,L為采樣點(diǎn)個(gè)數(shù)。

Step 2: 將每個(gè)信號(hào)分量進(jìn)行中心化變換的處理:

Step 3: 通過(guò)特征分解協(xié)方差矩陣V, 得到特征值:

Step 4: 將特征值進(jìn)行降序排列, 即λ1≥λ2≥…≥λm, 對(duì)應(yīng)特征向量為e1≥e2≥…≥em; 則第i 個(gè)主成分為:

Step 5: 計(jì)算特征值的方差貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率。diag[λ1,λ2…λβ] 對(duì)應(yīng)的特征向量作為子空間的基, 所提取β個(gè)主成分為:

Step 6: 根據(jù)方差貢獻(xiàn)率的大小, 取前β個(gè)特征值。

2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的故障特征識(shí)別

卷積神經(jīng)網(wǎng)絡(luò)(CNN) 是一種廣泛應(yīng)用于圖像識(shí)別和處理等領(lǐng)域的深度學(xué)習(xí)算法, 由卷積層、池化層和全連接層構(gòu)成。其中, 卷積層和池化層交替出現(xiàn),通過(guò)卷積核提取輸入數(shù)據(jù)的局部特征, 再通過(guò)池化層進(jìn)行下采樣, 減少數(shù)據(jù)的維度和計(jì)算量, 提高特征的表達(dá)能力。最后, 通過(guò)全連接層對(duì)特征進(jìn)行非線性組合輸出處理結(jié)果[8-9]。本文采用了2 個(gè)卷積層、2 個(gè)池化層和1 個(gè)全連接層的CNN 框架進(jìn)行風(fēng)機(jī)運(yùn)行狀態(tài)評(píng)估。卷積層的步長(zhǎng)為1, 卷積核大小為3, 激活函數(shù)選用RELU 函數(shù), 用于提取輸入數(shù)據(jù)的局部特征。2 個(gè)池化層均將步長(zhǎng)設(shè)置為1, 池化核設(shè)置為3的重疊下采樣, 以減少計(jì)算量和參數(shù)數(shù)量, 提高網(wǎng)絡(luò)的泛化能力。全連接層的激活函數(shù)使用sigmoid 函數(shù),將卷積層和池化層提取的特征進(jìn)行非線性組合, 輸出最終的評(píng)估結(jié)果。則CNN 層的輸出HC 可以表示為[10-12]:

式中,X′為網(wǎng)絡(luò)輸入;C1、C2、C3、C4分別為4個(gè)卷積層的輸出;P1、P2分別為2 個(gè)池化層輸出;HC為全連接層輸出;W1、W2、W3、W4、W5為權(quán)值矩陣;b1、b2、b4、b5、b7為神經(jīng)元偏置; ?表示卷積運(yùn)算。

通過(guò)將輸出層與CNN 層之間全連接, 從而達(dá)到故障特征識(shí)別的目的, 采用自適應(yīng)矩估計(jì)(adaptive moment estimation, Adam) 優(yōu)化器對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。損失函數(shù)選擇均方誤差 (mean-square error, MSE)函數(shù)[13-15]:

式中,n為輸出個(gè)數(shù);yi為實(shí)際值,為網(wǎng)絡(luò)輸出值。

將上述提取到的機(jī)組葉片監(jiān)測(cè)信號(hào)特征, 輸入到CNN 神經(jīng)網(wǎng)絡(luò)中, 對(duì)機(jī)組葉片故障狀態(tài)狀態(tài)進(jìn)行識(shí)別, 具體識(shí)別過(guò)程如圖2 所示。

圖2 故障狀態(tài)識(shí)別流程圖

3 案例

本文選取某個(gè)風(fēng)電場(chǎng)6 臺(tái)風(fēng)電機(jī)組葉片故障狀態(tài)檢測(cè)數(shù)據(jù)進(jìn)行研究。原始數(shù)據(jù)主要包含風(fēng)速、風(fēng)向、溫度、電壓、電流、有功功率、葉輪轉(zhuǎn)速等, 用于EEDM-CNN分類器模型的訓(xùn)練。具體數(shù)據(jù)情況如表1 所示:

表1 數(shù)據(jù)情況表

為了有效評(píng)估EEDM-CNN 算法模型對(duì)風(fēng)電機(jī)組葉片故障檢測(cè)的效果, 定義以下參數(shù):

FF: 風(fēng)電機(jī)組為故障狀態(tài)同時(shí)被EEDM-CNN 算法預(yù)測(cè)為故障狀態(tài)的次數(shù);

NF: 風(fēng)電機(jī)組為正常狀態(tài)但被EEDM-CNN 算法預(yù)測(cè)為故障狀態(tài)的次數(shù);

FN: 風(fēng)電機(jī)組為故障狀態(tài)但被EEDM-CNN 算法預(yù)測(cè)為正常狀態(tài)的次數(shù);

NN: 風(fēng)電機(jī)組為正常狀態(tài)同時(shí)EEDM-CNN 算法預(yù)測(cè)為正常狀態(tài)的次數(shù)。

在以上參數(shù)的基礎(chǔ)上, 本研究中通過(guò)下式計(jì)算模型得分。

ND表示樣本集中風(fēng)機(jī)狀態(tài)為正常的樣本量,NF表示樣本集中風(fēng)機(jī)狀態(tài)為故障的樣本量,μ,ν為權(quán)重系數(shù), 本文均取值為0.5。

將上述6 臺(tái)風(fēng)電機(jī)組的葉片故障狀態(tài)數(shù)據(jù)重采樣和健康狀態(tài)數(shù)據(jù)降采樣之后的樣本送到訓(xùn)練好的EEDM-CNN 算法組成的分類器中。

由表2 可知, 本文提出的基于EEDM-CNN 算法組成的分類器對(duì)風(fēng)電機(jī)組葉片故障的監(jiān)測(cè)方法, 在6臺(tái)風(fēng)電機(jī)組的故障監(jiān)測(cè)中實(shí)現(xiàn)了精度均大于97%,從而證明了本文提出EEDM-CNN 算法組成的分類器對(duì)風(fēng)電機(jī)組葉片故障的檢測(cè)有效性。

表2 風(fēng)電機(jī)組葉片故障檢測(cè)的精度

為了驗(yàn)證本文提出的EEDM-CNN 算法組成的分類器對(duì)風(fēng)電機(jī)組葉片故障監(jiān)測(cè)的優(yōu)勢(shì), 本文選擇小波分解+神經(jīng)網(wǎng)絡(luò)構(gòu)成的弱分類器與基于EEDM +CNN算法組成的強(qiáng)分類器進(jìn)行對(duì)比分析。分別用兩種算法計(jì)算識(shí)別6 臺(tái)風(fēng)電機(jī)組的數(shù)據(jù), 從而得出兩種算法在檢測(cè)風(fēng)機(jī)葉片故障的得分, 結(jié)果如圖3 所示:

由圖3 可知: 基于EEDM+CNN 算法構(gòu)建的風(fēng)電機(jī)組葉片故障監(jiān)測(cè)模型的計(jì)算性能得分均高于小波分解+BP 神經(jīng)網(wǎng)絡(luò); 基于EEDM +CNN 算法構(gòu)建的模型在風(fēng)機(jī)葉片故障監(jiān)測(cè)中的性能平均得分為75.8,BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型在風(fēng)機(jī)葉片故障監(jiān)測(cè)中的性能平均得分為64.6 分。實(shí)驗(yàn)對(duì)比結(jié)果表明, 本文基于EEDM+CNN 算法構(gòu)建的風(fēng)電機(jī)組葉片故障檢測(cè)模型具有較高的精度, 能夠滿足實(shí)用的需要。

4 結(jié)束語(yǔ)

本文在詳細(xì)分析風(fēng)機(jī)葉片故障對(duì)運(yùn)行狀態(tài)和運(yùn)行參數(shù)的影響的基礎(chǔ)上, 提出了基于EEDM +CNN 的風(fēng)機(jī)葉片故障狀態(tài)檢測(cè)方法。首先應(yīng)用一種多參數(shù)的葉片正常運(yùn)行狀態(tài)下的功率模型和轉(zhuǎn)速模型作為葉片運(yùn)行狀態(tài)評(píng)估的基準(zhǔn), 提出一種集合經(jīng)驗(yàn)?zāi)B(tài)分解+Pearson-PCA 的特征降維處理方法, 以全面揭示隱含

主要結(jié)論如下: 1) 葉片故障會(huì)造成風(fēng)電機(jī)組的功率和葉輪轉(zhuǎn)速相較于正常運(yùn)行狀態(tài)出現(xiàn)顯著性能下降, 因此可以采用功率和葉輪轉(zhuǎn)速運(yùn)行參數(shù)作為識(shí)別葉片故障的依據(jù)。2) 采用CNN 神經(jīng)網(wǎng)絡(luò)故障識(shí)別的方法通過(guò)對(duì)風(fēng)機(jī)葉片運(yùn)行數(shù)據(jù)進(jìn)行監(jiān)測(cè)識(shí)別, 能夠發(fā)出葉片故障的早期預(yù)警。