基于孤立森林算法的風電齒輪箱軸承故障檢測方法

湯婷，張巖，安宗文

(1.甘肅省特種設備檢驗檢測研究院，蘭州 730050；2.蘭州理工大學 機電工程學院，蘭州 730050)

風電機組大多安裝在自然環境惡劣的偏遠或近海地區，隨著服役時間增加，大部分風電機組逐漸進入故障高發和事故頻發階段。齒輪箱故障是導致風電機組停機時間長，維修費用高的原因[1-3]。美國國家可再生能源實驗室研究表明76%的齒輪箱故障由軸承故障引起[4]，因此對齒輪箱軸承進行故障檢測可盡早發現隱患，保證齒輪箱安全運行以避免重大經濟損失。

在工程實際中，振動信號和聲發射信號常用于表征軸承狀態[5-6]。在基于振動信號的軸承故障檢測中，文獻[7]提出了一種基于人工神經網絡的風電機組主軸承故障預測方法，并具備自動報警功能；文獻[8]建立了一種基于孤立森林算法的多維離群列車動車組軸箱軸承溫度異常狀態監測方法；文獻[9]采用小波濾波對弱信號進行增強故障識別并基于自組織映射神經網絡進行滾動軸承性能退化評估。除振動信號外，聲發射信號對軸承故障同樣敏感[10]，文獻[11]針對多工況下滾動軸承故障聲發射信號智能識別問題，提出了一種長短時記憶網絡與遷移學習相結合的故障識別新方法。雖然聲發射和振動信號對軸承的故障特征十分敏感，但相應的設備造價高昂，風電機組監測控制與數據采集系統(Supervisory Control and Data Acquisition,SCADA)大多配備的是溫度傳感器，在不增加外在硬件設備成本的前提下，如何有效利用豐富的溫度監測數據進行故障檢測成為風場關注的問題。

國內外學者以溫度為出發點展開了一系列研究：文獻[12]提出一種基于風電機組主軸承SCADA狀態監測數據逐層編碼網絡的深度學習方法；文獻[13]提出了一種將相關系數法、主成分分析法以及極限學習機相結合的主軸承狀態監測方法；文獻[14]建立了一種基于軸承溫度的風電機組物理監測模型；文獻[15]提出了一種利用風電機組軸承溫度殘差的貝葉斯推斷和高斯過程的統計方法，用于預測風電機組狀態。由于齒輪箱軸承通常在噪聲和干擾較大的惡劣環境中工作，為提高診斷性能，需要從原始信號中提取故障敏感特征。與傳統的學習方法相比，深度學習能夠更好地提取特征[16-18]。

為了在不新增額外硬件成本的前提下，有效利用豐富、海量的SCADA監測數據，減少資源浪費，同時提高風電齒輪箱軸承的故障檢測精度，本文以齒輪箱軸承為研究對象，溫度參數為故障檢測模型的輸出變量進行研究。首先，使用多尺度圖相關(Multiscale Graph Correlation,MGC)算法[19]選擇輸入變量以保證選擇過程相對客觀、合理；然后，采用自組織映射(Self-Organizing Map,SOM)神經網絡，將提取的故障敏感特征值進行特征融合以改善輸入變量的數據質量；最后，運用孤立森林(Isolation Forest,iForest)算法[20]進行異常點檢測，并與多個模型進行檢測精度對比，驗證本模型的有效性。

1 齒輪箱軸承故障檢測模型構建

如圖1所示，首先，將SCADA歷史運行數據進行預處理，采用MGC算法選擇與輸出變量——軸承溫度非線性相關程度最高的9個輸入變量；其次，提取輸入變量的均方根和包絡線并進行SOM特征融合，得到融合指標；最后，將融合指標作為樣本集，以隨機不放回抽取的方式構建孤立樹進一步形成孤立森林，通過計算孤立樹上測試樣本的路徑長度得出每個樣本的異常分數進而判斷是否為故障。

圖1 故障檢測流程

1.1 基于多尺度圖相關算法選擇輸入變量

為提高風電齒輪箱軸承故障檢測模型精度，需合理選擇模型輸入變量。MGC作為距離相關算法的推廣，在非線性、多變量和噪聲依賴等綜合仿真上均更具優勢，一個原始樣本的MGC可定義為所有樣本局部相關性的最大值，即

(1)

對于作為輸入的一對數據集(Xn,Yn)，MGC算法的具體步驟如下：

1.2 基于自組織映射神經網絡的特征融合

將輸入向量的故障敏感特征值進行SOM特征融合是提高齒輪箱軸承故障檢測精度的關鍵。首先，隨機設置初始權值，對m個輸入神經元的連接權值賦予較小值；然后，將輸入向量X=(x1,x2,x3,…,xm)T置于輸入層；最后，計算映射層各神經元的權值向量和輸入向量間的歐氏距離，距離計算公式為

(2)

式中：ωij為輸入神經元i與映射神經元j之間的權值。將最小距離的神經元稱為最佳匹配單元；然后更新最佳匹配單元的權重向量及其拓撲鄰域，使其在輸入空間中更接近輸入向量。其中，輸入向量在映射層形成一組一維融合值，用最小量化誤差[21](Minimum Quantization Error，MQE)表示為

eMQE==X-mBMU=，

(3)

式中：X為輸入數據向量；mBMU為最佳匹配單元的權重向量。eMQE值越小，表明當前齒輪箱軸承狀態離基準健康狀態越近；反之則越可能接近故障狀態。

1.3 基于孤立森林算法的異常點檢測

孤立森林算法無需計算樣本之間的距離，實現簡單且可快速區分出異常數據，對群體異常數據以及離散異常數據都有很好的檢測能力。

1.3.1 構建孤立樹

1.3.2 建立孤立森林

設定孤立樹的限制高度l近似于平均高度，l與子樣本數量ψ的關系為l=ceiling(log2ψ)，當孤立樹生長至平均高度即停止，n棵互不影響且相互獨立的孤立樹組成孤立森林。孤立森林算法的構建過程為：首先，初始化孤立森林，設置孤立樹最大高度l=ceiling(log2ψ)；然后，在待監測樣本集X中隨機抽取容量為ψ的樣本集，將采樣樣本放入集合X′并將X′作為根節點，按照孤立樹算法得到孤立樹；最后，將孤立樹放入孤立森林。

1.3.3 確定路徑長度

樣本點x的路徑長度h(x)為從孤立樹的根節點到葉子節點所經過的邊的數量。路徑長度越短隔離敏感性越高，反之則越低。h(x)的計算步驟為：如果測試樣本點x是葉子結點或樹的當前高度h大于其最大高度l，則返回至h+c(T)；如果xq≤p，則返回至路徑長度PathLength(x,Tleft,h+1)處，反之則返回至路徑長度PathLength(x,Tright,h+1)處。

孤立森林算法進行異常檢測的本質是將被檢測點的反應異常程度進行排序，根據樣本點的路徑長度計算異常得分。排序越靠前，得分越高。異常點得分s定義為

(4)

(5)

H(n)=lnn+ε，

式中：h(x)為待檢測樣本x在孤立樹中的路徑長度；E[h(x)]為h(x)的期望值；c(ψ)為孤立樹的平均路徑長度；ψ為子采樣大小；n為T的根節點所包含的樣本量；H(n)為調和函數；ε為歐拉常數，ε=0.577 215 664 9。

根據s與E[h(x)]的關系確定異常點判定方法：當E[h(x)]→c(ψ)時，s→0.5，無法判定是否異常；當E[h(x)]→0時，s→1，判定為異常；當E[h(x)]→n-1時，s→0，判定為正常。其中，異常點得分0≤s≤1。

2 齒輪箱軸承故障檢測模型驗證

風電機組SCADA數據具有豐富的類型和海量的存儲，但由于系統技術不成熟或其他環境因素導致有用信息十分匱乏，僅根據歷史運行數據(表1)無法判別是否故障以及何處發生故障。因此，為保障風電機組的故障檢測、診斷與預測精度，需借助數據挖掘技術及其相應算法從原始數據中獲取有效信息和優質數據。

表1 SCADA原始數據樣式

2.1 軸承故障監測點

SCADA系統可對齒輪箱的軸承溫度、潤滑油溫度等參數進行監測和記錄。配置有不同軸承的3級行星齒輪箱如圖2所示[22]，其中A和B分別為行星齒輪架兩端軸承。C，D和E分別為齒輪箱高速軸上的軸承。本文選取的齒輪箱軸承溫度監測點是位于齒輪箱高速軸靠近發電機側的軸承E。

圖2 齒輪箱軸承位置示意圖

2.2 選擇輸入變量

根據SCADA數據可以繪制風電機組各參數隨時間的變化以及不同參數之間的相互關系圖。齒輪箱軸承溫度的變化以及有功功率與風速之間的關系如圖3、圖4所示，SCADA參數自相關和互相關均成非線性且復雜的關系，難以直接定性分析或得出明確物理關系。

圖3 齒輪箱軸承溫度

圖4 風速-有功功率

為避免因人工選擇或線性相關算法導致的主觀臆斷或參數選擇不合理，采用MGC算法選擇與軸承溫度非線性相關程度較高的參數,結果見表2，從中選擇前9個非線性相關程度較高的參數作為軸承故障檢測模型的輸入變量。

表2 軸承溫度與輸入變量的相關程度

2.3 輸入變量進行SOM特征融合

為進一步提高故障檢測的性能和精度，從9個輸入變量中分別提取均方根和包絡線這2種故障敏感特征，并將其進行SOM特征融合，使故障趨勢更為明顯。以輸入變量電源柜NCC300溫度為例，其均方根和包絡線如圖5所示，經過SOM特征融合后得到的最小量化誤差如圖6所示，由圖可知電源柜NCC300的溫升異常且有3處超過閾值。

圖5 電源柜NCC300溫度的均方根和包絡線

圖6 電源柜NCC300溫度的最小量化誤差

閾值根據輸入變量正常范圍的上限值確定，即在數據樣本最后處設置上限值，將其一同按照數據處理步驟進行處理，最終得到的位置即為閾值，圖6中電源柜NCC300溫度的閾值約為1.1。由于不同輸入變量的正常范圍值不同，因此均需與樣本點一同做量綱一化預處理。由于風速長時間小于切入風速導致風電機組停機，風速雖已慢慢超過3 m/s，但為保護風電機組，仍處于停機保護狀態而非故障停機。

進一步，將所有輸入變量的均方根和包絡線進行SOM特征融合，即輸入變量由3 400×9組原始數據變為1 700×1組融合值最小量化誤差eMQE，融合結果如圖7所示。將9組輸入變量進行特征融合后，故障異常點明顯，超過閾值的異常點一共有4處，其中所有輸入變量融合值的閾值約為1.0。

圖7 所有輸入變量的最小量化誤差

2.4 基于孤立森林算法的故障檢測

基于孤立森林算法的異常值檢測方法可將數據樣本的特征通過無監督學習方式存儲在森林中，穩定性高且能準確檢測出數據樣本中的異常值，因此以孤立森林算法作為齒輪箱軸承故障檢測的核心算法，其流程如圖8所示，具體步驟如下：

圖8 基于孤立森林算法的齒輪箱軸承故障檢測流程圖

1)建立輸入變量的特征融合數據集X′，SOM融合指標eMQE為數據集第1列，對應的標簽為第2列，正常和異常數據點分別以“0”和“1”作為標簽，共1 700條。由于異常點僅有4處，在數據集中占比太小，故人為加入260組異常值以平衡數據比例。

2)采用隨機不放回取樣方式，抽取n個訓練子樣本構建孤立樹，合并成孤立森林。孤立森林中孤立樹為100棵，每棵樹所含的樣本數為256。

3)計算每個子樣本集中的數據點在孤立樹中的路徑長度，并計算孤立樹的平均路徑長度。

4)綜合所有數據點的路徑長度，計算相應的異常點得分，判斷是否異常。

3 算例分析

考慮到西北地區的四季氣溫變化巨大，為保證模型精度，以2013年3月23日至4月底甘肅某風場第56臺風電機組的SCADA數據作為研究對象，該數據每10 min記錄一次，共包含38個監測參數，共計3400×38組。風電機組在3～20 m/s的風速范圍內正常運行和發電，當小于切入風速(3 m/s)時，風電機組處于停機狀態；當大于額定風速(20 m/s)時，會因轉速過快損傷風電機組。因此首先剔除風速范圍外的相關參數，同時對SCADA數據進行量綱一化處理以消除各參數變量的量綱和數量級不一致問題，以更好地研究各參數間相關關系。

取包含自然異常點的4月15日11點30分、4月17日21點20分、4月17日21點30分和4月25日17點20分共4組數據進行故障檢測，根據上述訓練過程得到的基于孤立森林算法的異常點檢測結果如圖9所示，基于孤立森林算法的風電齒輪箱軸承故障檢測方法準確識別出了4個自然異常點。

圖9 某風場風電齒輪箱軸承故障檢測結果

為驗證基于孤立森林算法的風電齒輪箱軸承故障檢測方法的有效性，在使用相同數據集的前提下，分別采用反向傳播神經網絡(BPNN)、隨機森林(RF)和支持向量機(SVM)進行齒輪箱軸承故障檢測，各檢測模型的參數見表3。

表3 各檢測模型的參數選取

每種模型測試10次后取平均值表征其檢測性能，檢測結果見表4，孤立森林算法的故障檢測平均精度為100.0%，平均運行時間為0.207 s，整體表現最優。

表4 故障檢測模型效果對比

為驗證SOM特征級融合的有效性，將量綱一化后的輸入變量直接進行10次孤立森林算法異常點檢測，SOM融合前、后模型的檢測性能如圖10所示。曲線下的面積可以表征精度，明顯發現數據融合后的面積更大，說明其檢測精度更高。定量分析得到SOM融合前的平均檢測精度為78.44%，平均運行時間為0.330 s。因此，對輸入變量進行SOM特征級融合處理后，平均檢測精度提高21.56%，平均運行時間縮短0.123 s。

圖10 孤立森林算法檢測性能對比圖

4 結束語

以風電齒輪箱軸承為研究對象，引入MGC算法選擇輸入量，采用SOM神經網絡特征融合獲得輸入值eMQE，構建了一種基于孤立森林算法的風電齒輪箱軸承故障檢測方法。本方法可在不新增外部硬件的前提下，通過一段關鍵部件的歷史運行數據準確獲取故障信息。與BPNN，RF，SVM模型相比，本方法綜合性能最優,采用信息融合技術使檢測時間縮短了0.123 s，檢測精度提高了21.56%。