基于CAE與BiLSTM結合的風電機組齒輪箱故障預警方法研究

向 玲， 朱浩偉， 丁 顯， 湯海寧， 胡愛軍

(1. 華北電力大學 機械工程系， 河北保定 071003； 2. 魯能集團有限公司， 北京 100020；3. 國電南瑞南京控制系統有限公司， 南京 210061)

風能因其清潔、可再生的特點，已成為發展最快的新型能源。由于風電機組運行條件惡劣且受力具有多變性，長時間運行容易導致風電機組重要部件發生故障，造成停機，致使風電機組運維成本較高。為了降低停運時間和運維成本，提高風電機組的運行可靠性，風電機組狀態監測技術的發展需求越發迫切[1]。

目前，風電機組狀態監測方法主要包括基于模型驅動的方法以及基于數據采集與監視控制(SCADA)系統數據驅動的狀態監測方法。基于模型驅動的方法需要建立準確的風電機組及其子系統數學或物理模型，但由于風能的隨機性和風電機組復雜的故障機理，參數的多元耦合建模比較困難，實際中難以實現；采用基于SCADA數據進行數據驅動的方法來識別風電機組的健康狀態通常不會帶來復雜的建模過程，但受風速變化和氣溫季節性變化的影響，在正常運行情況下SCADA系統的監測數據幅值變化范圍較大，這意味著在幅值較大時風電機組或部件不一定出現故障，在幅值較小時運行安全程度不一定更高。

近年來，深度學習由于其強大的數據特征提取能力和非線性表達能力，引起了故障診斷領域內許多專家學者的注意，為風電機組故障監測提供了新方向[2]。Zhao等[3]利用SCADA數據建立深度自編碼網絡模型，并利用極值理論確定自適應閾值，以此作為判斷異常的標準。任建亭等[4]運用深度變分自編碼網絡融合SCADA數據對風電齒輪箱進行故障預警。Kong等[5]利用SCADA時空特征融合機制建立卷積神經網絡(CNN)和門控循環單元的預測模型，并進風電機組早期故障預警。Teng等[6]建立了基于深度學習網絡(DNN)的直接驅動的風力機故障監測模型。鄧子豪等[7]利用特征選擇(ReliefF)算法和核密度-均值法提取風電機組數據特征，進行網絡訓練。Chang等[8]提出了一種基于并行卷積神經網絡(C-CNN)的神經網絡。彭道剛等[9]提出了基于長短期神經網絡(LSTM)與支持向量機的故障預警方法。林濤等[10]基于改進棧式自編碼器實現了對發電機后軸承的故障監測。Chen等[11]通過對深度學習模型長短期神經網絡加入注意力機制來監測葉片不平衡故障。Qu等[12]提出了生成對抗網絡(GANs)的多重優化小波變換數據估算方法。雍彬等[13]提出基于門控循環網絡融合多源數據的風電齒輪箱狀態預警方法。Xiao等[14]提出了一種改進的注意八度卷積(Attention Octave Convolution，AOctConv)網絡結構。

深度學習算法在風電機組狀態監測領域得到了廣泛運用，對降低風電機組運維成本具有重要意義，但眾多學者的算法在模型精度上有待進一步提升。筆者針對SCADA數據的特點，提出了卷積自編碼(Convolution AutoEncoder, CAE)與雙向長短期神經網絡(Bi-directional Long Short-Term Memory, BiLSTM)結合的風電機組齒輪箱故障預警方法，首先介紹了CAE和BiLSTM模型的特征，基于其特征選擇特性和非線性特性構建了深度學習網絡模型，之后利用算例將特征參數代入預測模型，并對得到的預測參數偏差進行分析，最后通過設定報警閾值實現風電機組齒輪箱的故障預警。

1 風電機組狀態監測模型

深度學習通過模型訓練能夠準確提取SCADA數據中的隱藏特征，根據這一特點可以建立預測模型，以監測風電機組的運行狀態，通過在CAE層后連接BiLSTM層完成時間特征的提取，之后通過全連接層得到目標參數的預測值。

1.1 卷積自編碼器

自動編碼器(AutoEncoder，AE)是一種典型的無監督神經網絡模型，簡稱自編碼器。自編碼器基于反向傳播算法與最優化方法(如梯度下降法)，利用輸入數據X本身作為監督來指導神經網絡嘗試學習一種映射關系，得到一個重構輸出XR。通常算法模型包含2個主要的部分：編碼器(Encoder)和解碼器(Decoder)。編碼器的作用是把高維輸入X編碼成低維的隱變量h，從而強迫神經網絡學習最有信息量的特征；解碼器的作用是把隱藏層的隱變量h還原到初始維度，最好的狀態就是解碼器的輸出能夠完美或者近似恢復出原來的輸入，即XR≈X，其結構如圖1所示。卷積自編碼器利用CAE層替換了簡單自編碼器的全連接層，與圖像的二維拓撲結構吻合，避免了重構誤差的損失，編碼過程變成卷積過程，解碼過程變成反卷積過程。

圖1 自編碼器結構Fig.1 Autoencoder structure

1.2 雙向長短期神經網絡

BiLSTM并沒有改變LSTM的內部結構,雖然只是從正反兩個方向利用LSTM對數據建模，然后將信息拼接在一起，但是改善了LSTM因模型結構導致前后數據信息重要程度發生改變，從而造成預測精度下降的問題，同時避免了梯度消失和爆炸。LSTM的計算過程可以概括為：通過遺忘細胞狀態中信息和記憶新的信息使得對后續時刻計算有用的信息得以傳遞，而無用的信息被丟棄，其前向傳播[15]可以表示為：

ft=σ(Wf·[ht-1,xt]+bf)

(1)

it=σ(Wi·[ht-1,xt]+bi)

(2)

(3)

(4)

ot=σ(Wo[ht-1,xt]+bo)

(5)

ht=ot·Relu(Ct)

(6)

圖2 BiLSTM模型的結構Fig.2 Structure of BiLSTM model

2 基于CAE-BiLSTM的風電機組預測模型

對級聯神經網絡CAE-BiLSTM異常狀態監測時的內部結構進行分析，建立了神經網絡結構簡圖，如圖3所示。

圖3 CAE-BiLSTM網絡結構圖Fig.3 Structural diagram of CAE-BiLSTM network

2.1 預測模型建立

根據特征選擇特性和參數非線性特性建立CAE-BiLSTM模型，該模型實施的具體步驟如下：

(1) 對正常運行狀態下的SCADA數據進行預處理。首先剔除停機數據以及有功功率小于0 kW的數據等無關數據的干擾，通過箱線圖法對異常數據進行清洗，之后對正常運行狀態下的SCADA數據進行相關性分析，選取與齒輪箱軸承溫度相關性較大的參數作為輸入參數。

(2) 建立預測模型。預測模型的主要結構是CAE層和BiLSTM層，其中CAE層的層數為1，卷積核的大小設置為3，BiLSTM層的層數為2，最后添加了輸出維度分別為16和1的全連接層，所有結構的激活函數選擇Relu，選擇平均絕對誤差(MAE)作為模型的損失函數，優化器選擇能夠使用自適應學習率加快模型收斂速度的Adam。

(3) 訓練預測模型。將預處理后正常運行狀態的SCADA數據輸入到預測模型上進行訓練，通過驗證集和訓練集的損失對比判斷預測模型是否發生過擬合和欠擬合來確定迭代次數，通過調整超參數和迭代次數使得預測模型能夠得到輸入參數與目標參數的邏輯映射關系。

2.2 異常監測方法

均方根誤差(RMSE)可以衡量預測值與真實值之間的偏差，常用來衡量預測結果的準確程度，均方根誤差越小，測量精度越高，均方根誤差R的表達式[15]如下：

(7)

式中：xi為真實值；yi為預測值；N為采樣個數。

為了消除預測結果的偶然性，避免報警信息量過大甚至誤報導致不能及時發現真正的問題，利用RMSE對風電機組運行狀態進行監測，當異常狀態的SCADA數據輸入預測模型時，由于數據偏離訓練的正常數據，使得誤差增大，RMSE將會增大，當殘差序列的RMSE多次超過設定的安全閾值時，判定風電機組運行狀態異常，基于CAE-BiLSTM的狀態監測流程如圖4所示。

圖4 基于CAE-BiLSTM的狀態監測流程圖Fig.4 Flow chart of state monitoring based on CAE-BiLSTM

3 算例分析

3.1 數據預處理及輸入參數選擇

研究對象為某風電場并網雙饋風電機組，容量為0.75 MW，取2015年1—9月份的SCADA監測數據作為樣本進行分析。SCADA數據包含44個與風電機組運行狀態相關的參數，主要部件參數如表1所示。

表1 風電機組主要部件參數Tab.1 Main component parameters of the wind turbine

風電機組的SCADA數據記錄了設備壽命周期內的所有狀態，包括正常運行、故障、停機和檢修等狀態，一些無關數據會影響模型的預測精度，需要對SCADA數據進行篩選。首先將SCADA數據中顯示異常狀態的數據剔除，然后根據風速和有功功率對SCADA數據進行處理，得到風速范圍集中分布在4～20 m/s的數據，同時刪除有功功率為0 kW的數據，最后利用箱線圖法對數據中的異常數據進行清洗。

圖5為風電機組相關參數的箱線圖，其中橫軸數字1～6分別表示風速、齒輪箱油溫、齒輪箱軸承溫度、發電機前軸溫度、發電機后軸溫度和發電機繞組溫度；由于各參數的單位和量程大小不一致，這里縱坐標僅表示數值大小，且所選的相關參數在量程上差距不明顯，便于觀察到異常點，通過四分位法將離群點剔除后進行相關性分析。風電機組通過不同部件相互配合來完成整個風力機的工作，部件之間的狀態參數會相互影響，因此可以選取多個不同的狀態參數作為輸入量共同表征目標參數，但如果輸入模型的狀態參數過多，就會造成信息的冗余，使得模型預測的準確性降低。對各部件狀態參數進行相關性分析，選取輸入參數，將齒輪箱軸承溫度作為目標參數，采用距離相關系數(DC)方法計算出齒輪箱軸承溫度與其他狀態參數的相關系數，結果如圖6所示。從圖6可以看出，A相電壓、B相電壓和C相電壓等狀態參數與齒輪箱軸承溫度的相關性很低，將其作為輸入參數會導致模型精度下降，據此選取相關系數大于0.5的狀態參數作為輸入參數。

圖5 風電機組狀態參數箱線圖Fig.5 Box diagram of state parameters of the wind turbine

圖6 風電機組狀態參數與齒輪箱軸承溫度的相關系數Fig.6 Correlation coefficient between state parameters of the wind turbine and bearing temperature of the gearbox

3.2 CAE-BiLSTM模型預測殘差統計分析

根據該風電機組2015年1—4月份和9月份的正常運行數據對上述監測方法進行驗證，繪制1—4月份齒輪箱軸承溫度圖(見圖7)。由圖7可知，在正常狀態下齒輪箱軸承溫度在30～80 ℃內變化，幅值變化范圍比較大，因此直接對齒輪箱軸承溫度設定安全閾值來判斷風電機組的異常狀態可能會出現誤報警的情況，通過將其與風電機組的其他狀態參數進行聯合分析，能夠提高監測的準確性，降低誤報警次數。

圖7 正常月份齒輪箱軸承溫度Fig.7 Gearbox bearing temperature in normal months

針對該風電機組從1—9月份共182 852個數據樣本，經四分位法清洗后剩下158 751個數據樣本，由于數據樣本豐富，取前50 000個數據樣本作為訓練集，隨機抽取訓練集的30%數據作為驗證集，最后將全部數據樣本作為檢測集用于檢驗網絡的可靠性。

利用CAE-BiLSTM模型對正常狀態齒輪箱軸承溫度進行預測，通過對學習率等超參數和迭代次數的調整，得到訓練集的訓練損失和驗證損失，如圖8所示。根據圖8將學習率設置為0.001 6，學習衰減率設置為0.001，經過多次訓練將迭代次數確定為100，批量數設置為64，得到如圖9所示的齒輪箱軸承溫度預測殘差序列圖。由圖9可知，殘差大部分分布在-6～6 ℃，但也存在過大的點，因此不能根據突變的殘差判斷風電機組運行狀態，需要進一步根據殘差分析指標來判定機組運行狀態。

圖8 訓練損失和驗證損失分布Fig.8 Distribution of training loss and validation loss

圖9 正常月份齒輪箱軸承溫度預測殘差Fig.9 Residual prediction of gearbox bearing temperature in normal months

3.3 風電機組異常時殘差分析

該風電機組于2015年7月14日發生齒輪箱故障，該故障是由齒輪磨損嚴重導致斷齒造成的。取1—9月份(共219 d)SCADA數據作為研究數據，其中第191天為停機維修后9月份重新啟機后的第一天。對SCADA數據進行數據篩選，將篩選完的數據輸入預測模型得到目標參數的預測值，計算齒輪箱軸承溫度的殘差序列，得到滑動窗口為100的均值和方差(見圖10)。

(a) 均值

(b) 方差圖10 CAE-BiLSTM模型預測結果Fig.10 Forecast results of CAE-BiLSTM model

正常狀態的均值是在0 ℃附近上下波動，正常狀態的方差則表現出數據波動性小。從圖10可以發現，在樣本數100 000時殘差的均值下降很大，殘差的方差波動性也很大，由此可以判斷出風電機組發生了故障，但要提前準確地監測出故障需要對殘差進行進一步分析。

通過計算全年的齒輪箱軸承溫度的RMSE可以判斷風電機組的運行狀態，RMSE是以天為單位計算的，由于殘差存在噪聲，選用指數加權移動平均法(Exponentially Weighted Moving Average，EWMA)確定RMSE閾值Re并監測其趨勢變化，該方法適用于監測連續數據的趨勢變化[16]，EWMA控制線的統計量zt為：

zt=λRet+(1-λ)zt-1

(8)

式中：λ為歷史閾值Re對當前統計量的權重，λ∈(0,1]，該分析過程中λ取0.2；Ret為t時刻的RMSE；當t=1 d時，z0為風電機組齒輪箱軸承溫度殘差運行在正常狀態一段時間內RMSE的均值。

EWMA統計量zt的均值和方差為：

(9)

式中：μRe為該風電機組齒輪箱軸承溫度殘差的RMSE均值；σRe為Re的標準差；ns為采樣長度。

風電機組齒輪箱軸承溫度的EWMA控制圖基于t時刻的閾值UL(t)為：

(10)

式中：k為系數。

待監測樣本的RMSE變化趨勢如圖11所示。風電機組在正常狀態工作時，預警閾值Re應高于RMSE曲線，通過調試，選取系數k=20，采樣長度ns=40，RMSE從開始至第135天都處在EWMA設定的預警閾值以下，在第135天第一次超過設定的預警閾值，達到了1.80 ℃。在第135～190天RMSE在閾值范圍上下劇烈波動，通過平滑曲線可以發現，RMSE在故障區間波動嚴重，同時在第191天回落到預警閾值以下，這與風電機組齒輪箱發生故障、在7月14日停機維修并在9月份正常運行的行為符合。基于CAE-BiLSTM模型和RMSE的監測方法能夠提前發現風電機組齒輪箱早期故障，為風電場工作人員的日常維護和檢修提供了參考。

圖11 待監測樣本的RMSEFig.11 RMSE of the sample to be tested

3.4 深度學習預測模型對比

將BiLSTM模型、CNN-BiLSTM模型與本文CAE-BiLSTM模型的RMSE預測效果進行對比，如圖12所示。

(a) BiLSTM模型的RMSE預測效果圖

(b) CNN-BiLSTM模型的RMSE預測效果圖

(c) CAE-BiLSTM模型的RMSE預測效果圖圖12 預測模型的RMSE預測效果對比Fig.12 Comparison of RMSE prediction effects among different models

從圖12可以發現，由EWMA設定的預警閾值中，在調整系數k和采樣長度ns的情況下，通過觀察RMSE平滑處理后的曲線可以發現， BiLSTM模型、CNN-BiLSTM模型及CAE-BiLSTM模型均明顯表現出齒輪箱軸承溫度的異常，能夠提前發現風力機故障。但當系數和采樣長度固定時，即預警閾值都在1.584時，BiLSTM模型出現了超過預警閾值的現象，造成誤報警，CNN-BiLSTM模型和CAE-BiLSTM模型沒有超過預警閾值，但CAE-BiLSTM模型在風力機正常時更加平穩，有一定的閾值限度保障，降低誤報警的風險。

計算3種模型的預測精度后，利用RMSE和MAE 2個預測評價指標對不同模型進行評價，結果如表2所示。由表2可知，CAE-BiLSTM模型的評價指標優于BiLSTM模型和CNN-BiLSTM模型。通過上面的分析，基于CAE-BiLSTM模型建立的輸入參數與目標參數之間的邏輯關系更加精確，能夠提前發現風電機組齒輪箱早期故障，降低誤報警的風險，證明該模型優于BiLSTM模型和CNN-BiLSTM模型。

表2 不同模型預測評價指標對比Tab.2 Comparison of prediction evaluation indexes among different models

4 結 論

針對風電機組工作環境復雜導致故障頻發的問題，提出了基于CAE-BiLSTM模型監測風電機組齒輪箱故障的方法，該方法具有越限報警功能，利用該方法對目標參數的殘差進行統計分析，觀察殘差的變化趨勢能夠了解風電機組的運行狀況，并降低了誤報警的風險，最后將該模型應用于某風電場的算例分析中，并與其他模型進行對比，結果表明所提方法預測效果更好，這對于降低風力發電成本、提高風電機組并網運行的可靠性、保障風電機組安全運行具有重要意義。