基于自編碼網絡的海上風電機組典型故障診斷方法

李 鵬，張 凡，馬溪原，姚森敬，王曉東，吳宇航，徐 臻，楊 蘋

(1.南方電網數字電網研究院，廣東 廣州 510630；2. 國家電投集團廣西電力有限公司，廣西 南寧 530000；3. 華南理工大學廣東省綠色能源技術重點實驗室，廣東 廣州 510641)

0 引 言

海上風電機組長期運行在環境多變的海洋氣候環境下，其維護工作比陸上風電場更加復雜，運維人員需要通過搭乘專業運維船或直升機才能到達檢修地點。受海上氣象條件限制，運維人員需要選擇合適的出海條件開展維護工作。然而，當機組發生故障時，若不及時排除故障，可能會造成故障擴散發展，造成大面積海上風電機組停運，造成巨大經濟損失。因此，對海上風電機組進行精準故障診斷，是海上風電場安全穩定運行的重要保障。

為提升風電機組故障診斷精度，國內外學者開展了大量研究。文獻[1]以風電場SCADA系統的實時監測數據為基礎進行越限報警；文獻[2]基于SCADA系統的實時監測數據，給出典型故障的越限診斷指標；文獻[3]采用SCADA系統的實時監測數據建立風電機組的故障預警模型。文獻[4]基于主傳動鏈振動監測系統的振動信號分析，采用神經網絡對轉速和載荷非平穩狀態下的齒輪箱故障進行識別，比較SCADA系統的低速實時監測系統的越限報警信號可以更精確地定位齒輪箱故障。文獻[5]構建了深度變分自編碼網絡預測模型，挖掘了SCADA數據的分布特征，提高了風電齒輪箱預警的魯棒性。文獻[6]采用了梯度懲罰Wasserstein生成對抗網絡，更精確的預警了風電機組傳動鏈故障。文獻[7]將快速獨立成分分析與經驗模態分解結合，對信號進行分離，并采用基于改進遺傳算法的極限學習機，提高了風電機組軸承故障的診斷準確率。文獻[8-14]分別提出基于小波分解與支持向量機分類相結合的齒輪箱典型故障診斷方法、基于噪聲抑制的風電軸承振動故障的神經網絡診斷方法、基于自適應最優核時頻分析的非平穩工況下風電機組主傳動鏈的行星齒輪箱的故障診斷方法，都是從專業的主傳動鏈振動監測系統的振動信號中提取出更加有效的典型故障特征。文獻[15]提出了SCADA數據和振動信息相結合的風電機組狀態監測方法，利用這兩類數據開展了風電機組狀態的實時監測，以便對典型故障進行研究。

以上研究大多數集中在SCADA系統信號的處理方法和故障檢測模型的改進上，期待通過大量的故障樣本提取故障特征進行典型故障的檢測。海上風電場的建設剛剛在國內興起，針對大型海上風電機組這類新興的大型復雜設備的典型故障診斷，積累的故障樣本很少，且數據源單一，僅包含SCADA數據，無法準確檢測故障。因此，本文將SCADA系統和振動監測系統的數據融合，并提出一種基于自編碼網絡的海上風電機組典型故障診斷方法。通過對SCADA系統和振動監測系統的數據接口進行二次開發對接，將兩種系統的數據進行特征融合，進一步提高了故障診斷的精度。

1 海上風電機組典型故障診斷框架

海上風電機組的電氣類部件監測數據完備，這類故障容易實現提前預警，其模塊化結構也方便更換故障部件。而海上風電機組的機械傳動部件實時監測成本高、監測數據較少，故障難以提前預警，故障排除也十分困難。針對海上風電機組故障多發的主軸、發電機軸承和發電機繞組三大核心機械部件，對其典型故障進行重點分析。其中，主軸的主要故障類型包括軸不對中和軸彎曲兩種，軸不對中主要是由于設計、安裝缺陷等原因造成，軸彎曲則主要是由于材料、安裝缺陷，導致制造過程中沒有消除應力集中造成的；發電機軸承的主要故障類型包括軸斷裂、軸承磨損兩種，軸斷裂主要是由于材料缺陷，導致制造過程中沒有消除應力集中造成，軸承磨損主要是由于材料、安裝缺陷、潤滑不良等原因造成；發電機繞組的主要故障類型包括轉子故障、定子故障兩種，轉子故障是由于轉子偏心、軸承變形、制造缺陷、安裝不良等原因造成，定子故障則是由于繞組絕緣老化等原因造成。

針對故障診斷問題，常常采用神經網絡進行建模與診斷。然而，海上風電機組大多數情況下是正常運行的，其故障樣本遠少于正常運行樣本，于是，直接采用典型故障的少量樣本對神經網絡進行建模，神經網絡的迭代學習效果不佳。針對這一類問題，可以利用深度自編碼網絡對正常運行狀態進行重構，通過檢測的重構誤差發現典型故障。同時，深度自編碼網絡的中間層輸出結果提取了輸入數據的核心特征，可用于故障的分類。因此，本文設計了海上風電機組典型故障診斷框架如圖1所示。

圖1 海上風電機組故障診斷框架

首先，將SCADA數據和振動監測系統數據進行歸一化。然后，分別對SCADA數據和振動監測系統數據采用自編碼網絡進行降維。由于，振動監測系統數據是對機組關鍵部件振動細節的局部放大，與SCADA監測系統低頻數據的全局描述聯合，可以更加全面表征典型故障的特征，因此本文將兩類獨立故障特征數據進行了融合。接著，通過深度自編碼網絡對輸入故障特征進行重構，判斷重構誤差是否大于閾值，若大于閾值，說明其為故障樣本，否則為正常樣本。最后，通過深度自編碼故障分類模型將故障樣本進行分類，實現海上風電機組典型故障的診斷。

2 基于兩類獨立故障特征數據的海上風電機組典型故障的特征降維

針對海上風電機組的典型故障，提取足夠的故障特征才能準確判斷故障，但是，冗余的故障特征不但對故障判斷沒有幫助，還會降低故障診斷的精度，為此，需要對故障特征進行降維。海上風電機組的SCADA系統以1 s為間隔全面監測機組的運行狀態，與振動監測系統以2 kHz的采集頻率實時監測的機組主傳動鏈振動信號數據一起，組成兩類原始故障特征數據樣本。這2類獨立數據源對于典型故障的表征能力與表征的角度是不一樣的。海上風電機組的SCADA系統的機組的運行狀態數據包括4大類：機組運行模式及其功率、機組運行狀態、溫度特征、振動特征。其中的運行模式及其功率、機組運行狀態是對于機組的全局表征，溫度特征是關鍵部位的溫度信息，振動特征是關鍵部位的振動特征。而基于振動監測系統的實時監測數據提取的故障特征只有一類：振動特征。來源于2種系統的振動數據的振動特征是不一樣的，SCADA系統是低速采集的振動數據，振動監測系統是采集的多方位的振動數據，因此，振動監測系統的振動信號是SCADA系統振動信號在細節上的重要補充。為此，針對這2類獨立數據源，分別進行故障特征提取與特征降維，以保留它們對于典型故障的獨立表征能力。

本文采用自編碼網絡對故障特征進行降維。自編碼網絡的結構如圖2所示，全連接層1是編碼器，將輸入數據進行編碼提取其特征，特征維度為輸出的神經元個數；全連接層2是解碼器，對提取的特征進行解碼，重構輸入數據。當提取的特征維度小于輸入數據維度時，即實現了故障特征的降維，這一過程可表示為

圖2 自編碼網絡結構

(1)

自編碼網絡的訓練目標是輸出與輸入的誤差最小，可采用均方誤差作為訓練的損失函數

(2)

為使降維后的故障特征盡可能地保持原始輸入故障特征的表征能力，應使得誤差LAE盡可能小。因此，對故障特征進行降維的步驟如下：

(1)從原始特征的維數開始，逐漸減少全連接層1輸出神經元的個數，并逐一訓練自編碼網絡；

(2)計算重構誤差，當誤差顯著增大時，選定顯著增大前一個維數為降維的維數，并保留相應的編碼器的參數；否則重復步驟(1)。

3 基于兩類獨立故障特征數據融合的海上風電機組典型故障診斷

SCADA數據是對機組狀態全局的描述，而振動檢測系統數據是對機組振動特征的細節描述，二者的結合可以更全面的描述機組的狀態。因此，本節將這2類獨立的故障特征數據融合，構建了基于自編碼網絡的典型故障診斷及分類模型，以充分利用2類故障特征數據的特點，對海上風電機組典型故障進行診斷。

3.1 基于深度自編碼器的典型故障診斷模型

海上風電機組的典型故障樣本較少，如果采用少量故障樣本對神經網絡進行訓練建模，神經網絡的迭代學習效果不佳。針對這一類問題，可以采用深度自編碼網絡對正常運行狀態進行重構訓練，通過檢測深度自編碼網絡[16]的重構誤差發現典型故障。

大量監測數據表明，海上風電機組正常運行過程中，其振動的頻率、幅值與機組的運行模式及其對應的功率緊密相關，運行功率越大，搖晃和振動越大，其關系是非線性的，無法采用固定背景振動模板或線性背景振動模型反映實際的背景振動。而本文利用自編碼神經網絡的重構能力，將海上風電機組正常運行模式及其對對應的不同功率范圍的背景振動進行重構，而故障運行模式下，相應的振動與正常運行模式相比有較大的區別，無法完全重構。從而實現識別背景振動和異常振動的目的。對于非振動數據，其在故障運行狀態下的特征也會發生改變，因此也可以采用自編碼網絡，對正常運行模式和故障運行模式進行判斷。

圖3 基于深度自編碼器的故障診斷模型

(3)

(4)

故障診斷模型的訓練過程如下：

(1)對海上風電機組典型故障的樣本數據集(含正常運行狀態和故障狀態的樣本數據)進行歸一化處理，再按第2節所述故障特征降維方法進行降維。將數據集按一定比例分為訓練集和測試集。其中，訓練集只包含正常運行狀態的樣本數據，測試集既包含有故障樣本數據，又包含正常狀態樣本數據。

(2)確定深度自編碼網絡的隱藏層數量，采用貪婪訓練法，通過堆疊自動編碼器逐層進行預訓練。

(3)預訓練完成后，通過反向傳播法進行網絡參數微調，得到故障診斷模型。

當完成深度自編碼網絡的整個訓練后，需要確定重構誤差閾值。重構誤差閾值可由以下方法確定[17]

T=1.2(ER+σR)

(5)

3.2 基于深度自編碼器的典型故障分類

3.1節的故障診斷模型訓練過程主要用于判斷是否存在故障，但無法判斷故障的類別，因此本節設計了一個基于深度自編碼器的故障分類模型，進行故障類別的判斷。模型結構如圖4所示。模型的歸一化、降維以及深度自編碼網絡的編碼器部分與故障診斷模型的結構相同，不同之處在于此模型利用自編碼網絡提取的數據特征進行分類，即將深度自編碼器中的編碼器的輸出H，輸入到一個全連接層中，該全連接層采用softmax激活函數以計算各類故障的概率，從而判斷輸入樣本故障所屬的類別。該模型的訓練樣本和測試樣本均只采用故障狀態的樣本，同時還需要使用故障類別標簽數據，進行有監督訓練。在進行訓練時，所采用的損失函數為交叉熵誤差，計算公式為

圖4 基于深度自編碼器的故障分類模型

(6)

式中，Lc為故障分類模型的損失值；n為樣本數；C為故障的種類數；pic為第i個樣本屬于第c類故障的概率；tic為故障類別標簽，當故障屬于第c類時，值為1，否則為0。

故障分類網絡的訓練過程如下：

(1)取海上風電機組的故障樣本集進行歸一化和降維。并將數據集按一定比例分為訓練集和測試集。

(2)采用貪婪訓練法，通過堆疊自動編碼器逐層進行預訓練。

(3)預訓練完成后，運用故障類型標簽，進行有監督訓練，微調模型，得到故障分類模型。

4 故障診斷案例分析

以某海上風電場的5臺4 MW海上風電機組為實際分析對象。該風電場配備了完善的SCADA系統和主傳動鏈振動監測系統，并通過技術改造打通這兩類系統的數據接口，建立了基于這兩類獨立故障特征數據融合的海上風電機組典型故障診斷系統。針對4 MW海上風電機組典型故障的故障特征，利用風電場2021年8月10日～2021年10月11日的實際運行數據共8 183個，對該海上風電場進行故障診斷。將6 144個正常狀態樣本作為故障診斷模型的訓練集，剩余1 536個正常狀態樣本和503個故障樣本作為測試集。采用自編碼網絡對故障特征進行降維，最終得到降維后SCADA系統故障特征和振動監測系統的故障特征共232維。基于深度自編碼器的故障診斷模型對應的編碼器的三層隱藏層神經元個數分別設置為128、64和16。根據深度自編碼器的對稱性，可相應確定解碼器的三層隱藏層神經元的個數分別為64、128和232。

4.1 不同模型診斷結果分析

為驗證本文所采用的SCADA數據和振動監測系統數據融合的故障診斷方法的有效性，本文將其與單獨采用SCADA數據和單獨采用振動監測數據的故障診斷方法進行了對比，并采用正常樣本檢出率和故障樣本檢出率評估故障診斷模型的效果。其中，正常樣本檢出率表示正常樣本中被故障診斷模型檢測為正常樣本的占比，其計算公式為

(7)

式中，RP為正常樣本檢出率；nTP為實際為正常狀態且檢測為正常狀態的樣本；nFN為實際為正常狀態但檢測為故障狀態的樣本。

故障樣本檢出率表示故障樣本中被故障診斷模型檢測為故障樣本的占比。計算公式為

(8)

式中，RN為正常樣本檢出率；nTN為實際為故障狀態且檢測為故障狀態的樣本；nFP為實際為故障狀態但檢測為正常狀態的樣本。

3種方法的正常樣本檢出率和故障樣本檢出率如表1所示。

表1 故障診斷模型評估結果 %

可以看出，采用不同的方法對正常樣本進行檢測時并不存在較大的區別。這是因為正常樣本數據具有相似的規律，可以被基于深度自編碼網絡的故障診斷模型重構。而對于故障樣本的檢測，三種不同的方法則存在較大的差異。采用SCADA數據和振動監測系統數據融合的故障樣本檢出率最高。這是因為采用這兩種獨立故障特征數據融合的方法，既可以利用SCADA數據對機組狀態全方位表征的能力，又可以利用振動監測系統對振動故障特征的細節表征能力，從而提高故障檢出率。而僅采用SCADA數據時，雖可全面的檢測各類故障，但對于某些振動故障，SCADA系統采集的數據無法檢測出異常，因此故障檢出率比本文的方法要低。而對于僅振動監測系統的方法來說，由于只能采集機組振動信息，從而只能判斷具有異常振動的故障，無法判斷其他故障，因此故障檢出率最低。

4.2 實際運行案例分析

2021年12月23日，該海上風電場風電機組故障預警系統發出故障告警信號，根據系統故障預警結果，A機組主傳動鏈運行狀態異常。圖5所示為本文提出的基于深度自編碼器的故障診斷模型在2021年12月18日至2021年12月26日的重構誤差結果。可見，通過該模型計算得出，在2021年12月23日時計算的重構誤差R大于檢測閾值，從而觸發了風電機組主傳動鏈故障預警系統發出故障告警信號。經過故障分類模型判斷，該故障屬于發電機軸承故障。

圖5 風電機組故障診斷模型重構誤差

3日后，機組SCADA閾值報警系統發生異常工作狀態告警，經值班人員檢測，發現發電機溫度過高，運維人員隨即安排該機組的檢修計劃。現場檢修工作人員發現在人孔門處有部分金屬鐵削，工作人員檢查發電機后軸承間隙，發現發電機后軸承存在碎裂情況。可見，主傳動鏈故障預警系統順利發現了機組主傳動鏈的運行異常，比SCADA溫度預警系統先一步發現機組的典型故障，具有出色的故障預警靈敏度。

5 結 論

針對目前常用的典型故障診斷方法僅利用單一數據來源的缺點，本文提出了一種基于多種數據源的故障診斷方法。將SCADA數據和振動監測數據融合，并構建了基于自編碼網絡的海上風電機組典型故障診斷模型，對海上風電機組典型故障進行檢測和分類。該方法有效地利用了風電機組的SCADA系統對于風電機組實時監測的全局性和主傳動鏈振動監測系統對于風電機組主傳動鏈振動特征實時監測的針對性和深入程度，克服了單一數據源難以診斷故障的缺點。實際診斷案例表明，基于多類數據源的故障診斷模型的故障診斷正確率比僅采用單一數據源的故障診斷模型更高，且能夠更早發現故障。本文所提的故障診斷方法準確定位了海上風電機組典型故障，對海上風電機組的高效運維提供了強有力的技術支撐。