基于卷積神經網絡的風機葉片結冰故障檢測

王金軒，湯占軍，詹躍東，周盛山

(昆明理工大學信息工程與自動化學院，云南 昆明 650500)

1 引言

風能作為可再生能源，廣泛地存在于國內外各個地區，是當前最具發展前景的能源之一[1]。風力發電機一般裝設在風能豐富的地區，同時這類地區也具有高海拔、高濕度、低溫度等特點[2]，風力發電機葉片長期直接暴露在惡劣環境中，導致風力發電機葉片時常發生結冰故障。葉片結冰除了直接影響風力發電的經濟性外，還威脅到風力發電機周邊的安全以及設備的使用壽命[3]。

由上所述，葉片結冰影響嚴重，所以對葉片結冰故障進行檢測十分必要。文獻[4]采用深度全連接神經網絡對風機葉片結冰故障進行研究，采集風力發電機運行數據集，將數據集輸入至深度全連接神經網絡中進行訓練，得到的結果即為結冰故障檢測結果。因為該方法的過程較為簡潔，導致該方法的檢測精度受到影響。文獻[5]提出基于特征選擇和XGBoost風機葉片結冰故障檢測方法，該方法根據SCADA數據，采用特征選擇算法對葉片早期結冰過程進行預測，根據預測結果結合XGBoost算法對葉片結冰故障進行檢測，但是該方法的數據較為單一，導致檢測精度不理想。文獻[6]提出基于棧式自編碼網絡風機葉片結冰故障檢測方法，該方法首先采用非監督方法度無標簽的SCADA數據進行預處理。以預處理后的數據為基礎，采用反向傳播算法對故障特征進行分類，完成風機葉片結冰故障的檢測，但是該方法的泛化性不足，且未考慮樣本分布均衡性的問題，導致檢測結果的局限性較大。

基于以上問題，本文提出了以卷積神經網絡為核心的風機葉片結冰故障檢測模型。

2 風機葉片結冰故障檢測

2.1 卷積神經網絡與Swish激活函數

近年來，卷積神經網絡(Convolutional neural network，CNN)取得了較多發展，經常應用于圖像識別[7]、語音識別[8]等方面。而在新提出的深度卷積神經網絡GoogleNet中，1×1卷積核應用帶來了新的研究方向，并且新激活函數Swish的提出，提高了新方法的有效性。

卷積神經網絡的基本結構有：卷積層、激活層、池化層、dropout層和全連接層。其中最為核心的為卷積層。卷積層由一定大小和一定數量的卷積核組成，卷積核按照一定步幅移動進行卷積計算，最終獲得feature map，計算過程如圖1所示。

圖1 卷積計算過程

而當輸入多個維度的時候，卷積核的數量則可以調整輸出維度，獲得多張feature map，此過程如圖2所示。

圖2 多維度卷積過程

在大小為n0×n0、維度為nf0的多維度平面上，使用nf1個大小為k×k×nf0的卷積核，進行步數為s的卷積運算，得到輸出的輸出結果為

(1)

式中，p表示零填充大小。當不進行零填充卷積核k大小為1、步數s為1時，上式轉換為

[n，n，nf]=[n0，n0，nf1]

(2)

此時得到的新的矩陣輸出大小與原矩陣相同，而維度則由卷積核個數nf1決定，因此1×1卷積核的數量具有調整網絡維度的能力。

在卷積神經網絡中，激活層通過激活函數引入非線性，此次研究選用的激活函數為Swish激活函。

如果feature map較大，影響運算速度并且還有可能造成過擬合。池化層通常用來縮小卷積得到的feature map，降低訓練過程中參數數量，并且保留一定的空間不變性。常用有最大池化和平均池化。本文因為feature map相對較小和數據并沒有空間意義，所以棄用池化層。

Dropout層是通過棄置部分神經元，防止過擬合，本文設置的dropout比例為0.4。全連接層可以將層間節點完全連接，綜合所有在卷積層提取到的特征。并且全連接層也可以作為分類器，通過softmax輸出檢測結果。葉片結冰故障檢測是二分類問題，所以通過softmax輸出的正常故障概率P0、P1為

(3)

(4)

式中，F0、F1均為連接層輸出。

2.2 SMOTE和模型評價指標

SMOTE是一種通過合成少數類樣本，平衡多數類與少數類樣本的方法。其核心方式是從某個少數類樣本Xi附近選擇另一個少數類樣本Xj，在兩者連線上隨機選擇一點，作為新合成新的少數類樣本Xij。SMOTE過程如圖3所示。

圖3 SMOTE過程

而在大多數故障數據集中，因為故障并不會時常發生，故障樣本一般都為少數類樣本。在這種情況下，通過SMOTE合成一定數量的少數類樣本，可以有效提高模型的故障識別率。SMOTE合成比例是影響其效果的因素，比例過低時提高效果可能較小，比例過高時可能會更多的錯判正常樣本為故障樣本，減小整體準確率[9]。

通過多指標評價不平衡樣本的檢測結果，可以有效避免準確率陷阱，同時多指標也可以更明確地指導模型的修改方向。在不平衡數據集中，可以引入召回率、精確率、F1分數作為評價指標。此次研究的主要目的為檢測風力發電機葉片的結冰故障，所以以故障樣本作為正樣本，指標中召回率代表的是所有故障樣本中被檢測出的故障樣本，也就是故障識別率；精確率代表著所有被檢測為故障的樣本確實為故障的概率；F1分數則是兩者的調和平均。樣本分類結果如表1所示。

表1 樣本分類表

指標的具體計算如下所示：

準確率

(5)

召回率

(6)

精確率

(7)

F1分數

(8)

從分類角度考慮，召回率與精確率是互斥的，假如在模型判別能力不變的情況下，提高召回率的同時會相對減少精確率，反之亦然。F1分數是平衡兩者的評價指標，優先作為衡量模型效果的指標，其次是在故障檢測中更為重要的召回率。

3 仿真驗證

3.1 數據集與模型介紹

本文的風力發電機葉片結冰故障數據來源于2017年工業大數據競賽中15號和21號風力發電機的真實運行的SCADA數據。基于此數據建立的模型有一定現實意義。

數據有28個特征，包含發電量、風速、發電機轉速等具有物理意義的特征，也包含日期、組數2個沒有訓練意義的特征，同時還有3個時常為0值的噪聲特征。經過基本數據處理，刪去上述5特征，從日期中提取小時數作為新特征，最終訓練數據有24個有效特征。

15號風力發電機SCADA數據有393886條樣本，21號風力發電機SCADA數據有190494條樣本。刪去未標記無效數據，得到有效數據量如表2所示。

表2 SCADA數據表

將樣本打亂，按照70%、15%、15%的比例構建訓練集、驗證集、測試集，三集沒有重復部分。模型通過訓練集訓練，訓練過程中保存驗證集效果最佳的網絡參數，最終效果則以測試集得到的統計指標為主。

基于卷積神經網絡構建的結冰故障檢測模型如圖4。

圖4 檢測模型結構

模型首先通過多個1×1卷積核改變葉片結冰數據的維度，通過激活函數加入非線性，增強模型對葉片結冰這類非線性問題的表達能力。之后用Dropout層隨機棄置神經元，使用Flatten將數據變成一維，最后通過全連接層輸出檢測結果。

3.2 卷積核升維效果實驗對比

當卷積核數量不同時，得到的維度不同，非線性表達能力不同，會對模型效果造成不同的影響。本文首先使用Relu激活函數測試不同維度效果差別，訓練過程Loss下降過程如圖5所示。

圖5 訓練過程Loss值

圖5中，(A)、(B)、(C)分別表示1維、5維與9維。隨著卷積核數量的增加，維度升高，Loss下降幅度越大，最終數值越小。訓練過程保存最優模型，以故障數據作為正樣本，在不同維度模型下，對測試集檢測后，統計的評價指標如表3所示。

表3 多維度對比表

如表3所示，最初1維2維時，效果較差，準確率僅在95%左右。故障樣本F1分數較低，40%以下的召回率表明，多數故障并沒有被檢測出來。隨著卷積核數量增加，維度升高，模型效果逐漸提升，當維度為9的時候，準確率、召回率、精確率與F1分數均達到最大值。從1維到9維，準確提升了5.7%，F1分數提高了74.44，說明通過提高維度，能有效地提高檢測效果。10維時，各項指標反而有所下降，說明維度升高提高模型效果有一定限制。

為了觀察泛化性變化，訓練集和驗證集不變，以21號風力發電機所有SCADA數據為測試集進行泛化性測試實驗，模型評價指標如表4所示。

表4 多維度泛化性對比表

從表4中的數據可以看出，提高維度明顯提高了21號風力發電機SCADA數據檢測的F1分數與召回率。當維度升高到4維時，F1分數大于20之后，F1分數隨著維度升高處于波動狀態，提高維度并沒有持續提高F1分數和召回率。而且在表3中表現出色的9維，在泛化性測試中卻表現相對較差。

如果既需要獲得15號風力發電機較好的檢測數據，又需要保證對21號風力發電機有足夠的泛化性，必須改進模型。并且在表3的9維下得到的評價指標中，召回率為86%左右，代表著有14%故障并沒有被檢測出來，也存在改進空間。

3.3 多模型實驗對比

為了更為全面地描述模型的性能，與其它檢測模型進行對比，使用K近鄰(KNN)、支持向量機(SVM)、深度置信網絡(DBN)模型與本模型進行對比，結果如表5所示。

表5 多模型對比表

從表5的對比結果中可以看出，K近鄰算法模型獲得了較低的召回率，幾乎沒有找出故障，且F1分數較低，說明該模型的檢測有效性較低。而支持向量機算法模型的檢測效果優于K近鄰算法模型，但是召回率也較低，F1分數表現不佳。深度置信網絡作為深度學習算法，處理非線性問題能力較強，相對于K近鄰和支持向量機模型，取得了較高的F1分數，并且50%左右的召回率表示深度置信網絡模型具有一定故障檢測能力，但是與本文提出的模型相比，整體統計指標都相對較低。說明本文提出的基于卷積神經網絡的風力發電機葉片結冰故障檢測模型，明顯優于其余三種算法模型。

4 結論

本文構建了基于卷積神經網絡風力發電機葉片結冰故障檢測模型，檢測真實運行的風力發電機SCDAD數據。通過改變1×1卷積核數量，提高模型的故障檢測效果，增強對風力發電機葉片結冰故障這類非線性問題檢測能力。實驗選取了獲得了較好效果的維度，之后使用Swish激活函數和SMOTE，有效的提高了模型多角度綜合評價指標，最終取到較好的檢測結果，即99.59%的準確率和96.80的故障樣本F1分數。并且故障樣本召回率表明，模型可以檢測97.44%的故障，具有較好的故障檢測能力。