一種基于SCADA數(shù)據(jù)降維的自更新風(fēng)機(jī)故障診斷模型

張羽　辛克鋒　劉洋廣　紀(jì)洪濤　洪曉偉

摘 要：針對(duì)風(fēng)機(jī)故障診斷，本文提出了一種基于數(shù)據(jù)和模型自更新的風(fēng)機(jī)故障診斷方法。方法融合了機(jī)器學(xué)習(xí)模型和經(jīng)驗(yàn)?zāi)Ｐ蛢深惻袚?jù)，通過兩者的配合診斷風(fēng)機(jī)的故障。同時(shí)方法提供了一套自更新機(jī)制，將經(jīng)驗(yàn)診斷模型不斷轉(zhuǎn)換機(jī)器學(xué)習(xí)模型判據(jù)，使系統(tǒng)對(duì)診斷故障的準(zhǔn)確率越來越高。

關(guān)鍵詞：風(fēng)機(jī)；故障診斷；SCADA數(shù)據(jù)；自更新模型

中圖分類號(hào)：TM315 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2018）04-0169-02

1 引言

作為一種新型的清潔能源，風(fēng)電在近幾年來發(fā)展迅速，風(fēng)能被認(rèn)為是一種可以替代傳統(tǒng)能源的清潔能源[1]。現(xiàn)代風(fēng)場(chǎng)通常裝備了監(jiān)督控制和數(shù)據(jù)采集（SCADA）系統(tǒng)，大多數(shù)以10分鐘的頻率采集大量的運(yùn)行時(shí)數(shù)據(jù)，具體包括：風(fēng)速和氣象信息，風(fēng)能轉(zhuǎn)換信息，設(shè)備的震動(dòng)信息、機(jī)械狀態(tài)信息、不同部件的溫度等信息[2]。使用SCADA數(shù)據(jù)進(jìn)行風(fēng)機(jī)的故障診斷具有很多優(yōu)點(diǎn)，例如不需要加裝額外的傳感器和硬件設(shè)備，安裝和使用成本低等[3]。隨著人工智能在工業(yè)領(lǐng)域的廣泛應(yīng)用，針對(duì)風(fēng)機(jī)故障診斷的機(jī)器學(xué)習(xí)方法越來越多。文獻(xiàn)[4]提出了一種基于人工神經(jīng)元網(wǎng)絡(luò)的風(fēng)機(jī)故障診斷方法，文獻(xiàn)[5，6]使用了基于專家經(jīng)驗(yàn)的模糊判定方法來進(jìn)行故障的診斷。本文提出了一套針對(duì)風(fēng)機(jī)故障診斷的系統(tǒng)架構(gòu)，利用相關(guān)性分類和故障數(shù)據(jù)特征選擇的方法定性地確定SCADA數(shù)據(jù)的輸入對(duì)故障的影響大小。同時(shí)本文方法提供了一種將經(jīng)驗(yàn)類診斷模型換為學(xué)習(xí)型故障診斷模型的機(jī)制，從而不斷提高對(duì)故障的診斷效率。

2 故障診斷方法結(jié)構(gòu)

本文基于采集到的SCADA數(shù)據(jù)，建立故障預(yù)測(cè)診斷的系統(tǒng)模型，方法結(jié)構(gòu)圖如圖1所示。

方法的流程由幾部分組成，首先數(shù)據(jù)基本處理模塊對(duì)數(shù)據(jù)進(jìn)行基本的預(yù)處理，然后分類降維模塊依據(jù)數(shù)據(jù)的相關(guān)性進(jìn)行分類和降維，之后學(xué)習(xí)型模型判定模塊針對(duì)故障對(duì)數(shù)據(jù)進(jìn)行再次降維、機(jī)器學(xué)習(xí)并生成學(xué)習(xí)型判定模型，同時(shí)業(yè)務(wù)型模型判定模塊依據(jù)業(yè)務(wù)和經(jīng)驗(yàn)生成業(yè)務(wù)型判定模型，最終在故障診斷模塊中進(jìn)行故障診斷，隨著系統(tǒng)的不斷運(yùn)行，模型更新處理模塊不斷把業(yè)務(wù)型判定模型轉(zhuǎn)換為學(xué)習(xí)型判定模型，提高系統(tǒng)整體的診斷效果。方法分為線下處理和線上處理兩部分：

（1）線下處理：線下處理為非實(shí)時(shí)處理，不用時(shí)刻都參與故障診斷的計(jì)算。學(xué)習(xí)型故障模型中，首選進(jìn)行相關(guān)性降維處理，將原始數(shù)據(jù)的維數(shù)依據(jù)相關(guān)性進(jìn)行降維，然后針對(duì)故障進(jìn)行故障數(shù)據(jù)特征選擇降維處理。對(duì)故障進(jìn)行依次學(xué)習(xí)后，形成學(xué)習(xí)型故障模型的各類故障模型，以備實(shí)時(shí)處理時(shí)使用；（2）線上處理：線上處理為實(shí)時(shí)處理，時(shí)刻參與故障診斷的計(jì)算。學(xué)習(xí)型故障模型直接取得線下處理選擇出的數(shù)據(jù)，進(jìn)行故障診斷計(jì)算；業(yè)務(wù)型故障模型則首先進(jìn)行數(shù)據(jù)預(yù)測(cè)處理，然后依據(jù)預(yù)測(cè)出的數(shù)據(jù)與實(shí)際測(cè)量數(shù)據(jù)的對(duì)比進(jìn)行故障診斷。在兩類處理中，學(xué)習(xí)型故障模型的優(yōu)先級(jí)要高于業(yè)務(wù)型故障模型。

3 模型自更新結(jié)構(gòu)

隨著系統(tǒng)的不斷運(yùn)行，業(yè)務(wù)類故障模型判定和學(xué)習(xí)類故障模型判定協(xié)同作業(yè)，對(duì)系統(tǒng)的實(shí)時(shí)數(shù)據(jù)進(jìn)行故障診斷。學(xué)習(xí)類故障模型的準(zhǔn)確度和確信度都高于業(yè)務(wù)類故障模型，因此在系統(tǒng)運(yùn)行的過程中，可以將業(yè)務(wù)類故障診斷的模型逐步轉(zhuǎn)化為學(xué)習(xí)類故障模型。

如圖2所示，假設(shè)當(dāng)前系統(tǒng)中故障2為業(yè)務(wù)類故障模型，并且已經(jīng)部署在系統(tǒng)中實(shí)時(shí)運(yùn)行，某個(gè)時(shí)刻系統(tǒng)觸發(fā)了故障2的業(yè)務(wù)類模型，此時(shí)系統(tǒng)自動(dòng)獲取發(fā)證故障2時(shí)和發(fā)生故障2之前的SCADA數(shù)據(jù)，系統(tǒng)依據(jù)這些對(duì)數(shù)據(jù)進(jìn)行故障分析和學(xué)習(xí)，會(huì)得出故障的詳細(xì)信息和故障2的學(xué)習(xí)類故障模型，系統(tǒng)比較業(yè)務(wù)類故障模型和學(xué)習(xí)類故障模型，且經(jīng)過效果評(píng)估后，將業(yè)務(wù)類故障模型的故障2撤下，同時(shí)將故障2的學(xué)習(xí)類故障模型添加到方法中來，完成兩類模型的轉(zhuǎn)換。

4 結(jié)語

本文提出了一套針對(duì)風(fēng)機(jī)故障診斷的方法，利用相關(guān)性分類和故障數(shù)據(jù)特征選擇的方法定性地確定SCADA數(shù)據(jù)的輸入對(duì)故障的影響大小，并通過兩類模型的結(jié)合提升了故障診斷的精度。方法的模型自更新機(jī)制使此方法能夠隨著數(shù)據(jù)的不斷增加，使對(duì)故障診斷的精度越來越高。

參考文獻(xiàn)

[1]Chehouri A， Younes R. Review of performance optimization techniques applied to wind turbines. Appl Energy 2015；142：361-88.

[2]Francesco Castellani， Davide Astolfi，Paolo Sdringola，Stefania Proietti， Ludovico Terzi， Analyzing wind turbine directional behavior： SCADA data mining techniques for efficiency and power assessment Applied Energy（2015）.

[3]Wenxian Yang， Jiesheng Jiang. Wind turbine condition monitoring and reliability analysis by SCADA information. In： Proceedings of the second international conference on mechanic automation and control engineering （MACE）， Inner Mongolia， China； July 15e17，2011.p.1872e5.

[4]M. An， S. Park， J. Shin， H. Lim， and D. Kang， “Implementation of automatic failure diagnosis for wind turbine monitoring system based on neural network，” Multimedia Ubiquitous Eng.，vol.240，no.5，pp.1181-1188，Jan.2013.

[5]Meik Schlechtingen， Ilmar Ferreira Santos，Sofiane Achiche， Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 1： System description， Applied Soft Computing 13（2013）259-270.

[6]Wenxian Yang， Richard Court， Jiesheng Jiang， Wind turbine condition monitoring by the approach of SCADA dataanalysis， Renewable Energy53（2013）365e376.