基于振動信號的風機葉片故障檢測

新華電力發(fā)展投資有限公司 劉天奇 賈明峰 趙 薇

現(xiàn)如今，全球經(jīng)濟高速發(fā)展與能源需求迅猛增長的背景下，新能源的開發(fā)和利用已顯現(xiàn)為全球能源領域的核心發(fā)展趨勢。風能作為一種潔凈、可再生的能源形式，在全球范圍內的應用逐步普及。然而，風力發(fā)電設備往往須置于惡劣環(huán)境之中，例如多風沙、多暴雨等惡劣氣候條件，容易導致發(fā)電機葉片損壞，進而對整個設備的正常運行產(chǎn)生不利影響。因此，如何對發(fā)電機葉片的損壞進行及時、精準地診斷，已成為解決該問題的關鍵環(huán)節(jié)。

現(xiàn)階段，基于人工智能和機器學習的技術已逐步應用于風能發(fā)電設備的檢測和診斷中，能夠有效地診斷發(fā)電機葉片的故障，提升設備維護效率，降低能源生產(chǎn)成本。利用深度學習、計算機視覺等人工智能和機器學習技術，研究人員得以在海量數(shù)據(jù)中迅速分析和檢測出潛在問題，從而使診斷過程更加高效和精確，還能減少因設備故障導致的生產(chǎn)損失，提高能源生產(chǎn)效率。

綜上所述，在當前全球能源形勢下，風能發(fā)電作為一種潔凈、可再生的能源形式具備較大的發(fā)展?jié)摿ΑＲ肴斯ぶ悄芎蜋C器學習技術，有助于有效解決風能發(fā)電設備所面臨的挑戰(zhàn)，提高設備維護效率，降低能源生產(chǎn)成本，為實現(xiàn)可持續(xù)能源目標貢獻積極力量。

1 現(xiàn)狀

目前，對風機葉片的診斷主要通過三種方式：基于人力的檢測；基于故障字典的模式識別；基于機器學習和深度學習的故障診斷。

在風能發(fā)電設備的葉片檢測過程中，傳統(tǒng)的人力檢測方法存在一些明顯的不足。首先，人力檢測的成本較高，需要配備具有較高素質的技術人員來執(zhí)行相關任務。其次，由于人力檢測需要人員近距離接觸葉片進行檢查，存在安全隱患。此外，人力檢測的穩(wěn)定性較差，受到惡劣天氣等環(huán)境因素的影響較大，檢測結果可能會受到干擾，影響診斷結果的準確性。

與傳統(tǒng)人力檢測相比，基于故障字典的模式識別方法試圖通過建立大量故障數(shù)據(jù)的字典，通過比較待檢測風機與故障字典，來實現(xiàn)檢測[1]。然而，該方法也存在一定的問題。首先，故障字典的建立依賴于大量的故障數(shù)據(jù)，字典規(guī)模十分龐大，難以管理。其次，字典查詢過程需要基于待檢測葉片與字典的對比，查詢效率較低，可能會消耗大量時間和計算資源。此外，故障字典的模式識別方法無法識別未包含在字典中的新型故障。

因此，為了解決上述問題，人工智能和深度學習已逐步應用于風能發(fā)電設備的葉片檢測。這些技術可在大量數(shù)據(jù)中自動學習和識別故障特征，從而提高檢測效率和準確性[2]。與傳統(tǒng)方法相比，人工智能和機器學習可以為風能發(fā)電設備的葉片檢測提供更為先進和可靠的支持，同時，通過神經(jīng)網(wǎng)絡實現(xiàn)故障檢測有助于降低檢測成本，減少檢測的人力、資源的消耗，提升檢測的效率。

現(xiàn)代風機通常由數(shù)個葉片組成，其中每一個葉片都可能存在故障，導致整個風機的性能下降或者停機，給發(fā)電效益帶來極大的影響。傳統(tǒng)的故障檢測方法通常需要人工巡檢或使用專業(yè)設備進行檢測，但這種方法費時費力，且容易受到人為主觀因素的影響，同時成本也比較高。而基于人工智能技術的風機葉片故障檢測方法，可以通過采集葉片振動信號并進行信號處理和特征提取，結合1D-CNN等神經(jīng)網(wǎng)絡模型的訓練，實現(xiàn)對風機葉片的故障檢測。相較于傳統(tǒng)方法，這種方法具有更高的精準度和效率，且可以節(jié)約大量的人力和物力成本。同時，這種方法還可以通過對數(shù)據(jù)的持續(xù)收集和學習，不斷優(yōu)化檢測效果，使得檢測精準度更高、效率更高、可靠性更高。

2 工作的流程圖以及模型的介紹

流程介紹如下：該診斷方法流程包括兩部分，第一部分是通過訓練集數(shù)據(jù)進行模型的訓練，第二部分是根據(jù)訓練好的模型對獲取到數(shù)據(jù)的待檢測葉片進行故障的檢測。該檢測方式主要通過一種基于1D-CNN構建的檢測模型進行檢測。

如圖1所示，模型的訓練部分主要基于訓練集給定數(shù)據(jù)進行訓練，采用的具體方法是：獲得葉片的振動數(shù)據(jù)以及故障狀況，獲得葉片振動數(shù)據(jù)和故障狀況后，需要對這些數(shù)據(jù)進行處理和分析，以便將其用于訓練模型。數(shù)據(jù)處理包括數(shù)據(jù)清洗、特征提取、數(shù)據(jù)標準化等步驟。一旦數(shù)據(jù)處理完成，可以將其用于訓練模型。常用的訓練算法包括梯度下降法、隨機梯度下降法、Adam優(yōu)化器等。

其中，梯度下降法是最基本的優(yōu)化算法，其目標是最小化損失函數(shù)，使模型的預測結果與真實值之間的誤差最小化。本模型采用梯度下降法進行訓練。在進行模型訓練時，需要設置訓練次數(shù)、批次大小、學習率等超參數(shù)。這些參數(shù)的設置會影響模型訓練的速度和效果。為了避免過擬合，通常需要對模型進行驗證，選擇最優(yōu)的超參數(shù)。在模型訓練完成后，可以對模型進行測試，以檢查其在新數(shù)據(jù)上的預測準確性。

在獲得訓練好的模型后，使用模型對待檢測葉片進行故障檢測。在葉片振動信號輸入模型之前，首先需要對信號進行預處理，包括濾波、去噪、降采樣等步驟。然后，將預處理后的信號輸入到訓練好的模型中進行分類。在模型輸出結果后，人工對葉片進行進一步檢測以確認故障類型和位置。如果故障被確認，需要采取相應的維修措施。如果模型識別錯誤，可以通過人工反饋進行模型優(yōu)化，提高故障檢測準確率。總之，模型與人工相結合，可有效提高葉片故障檢測的準確性和效率。

1D-CNN模型：1D-CNN模型是一種應用于一維數(shù)據(jù)處理的模型，其結構類似于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡。該模型包括輸入層、卷積層和Softmax層。輸入層接受一維的振動信號向量，卷積層通過多個卷積核對信號進行卷積操作，提取信號的特征，然后將特征圖傳遞給全連接層，最終經(jīng)過Softmax層得到最終的預測結果。

訓練1D-CNN模型的過程通常是通過反向傳播的方式進行的。模型通過訓練集數(shù)據(jù)不斷學習，反復調整模型參數(shù)直到模型的預測結果與實際結果之間的誤差最小化。在訓練過程中，為了實現(xiàn)有效的訓練過程，需要設置一些超參數(shù)，如訓練次數(shù)、批次大小以及學習率等。訓練次數(shù)是模型在整個訓練集上的學習迭代次數(shù)；批次大小是每次模型訓練所使用的樣本數(shù)量；學習率是一個控制模型學習速度和收斂速度的參數(shù)。

合適的超參數(shù)設置對于模型的訓練效果至關重要。為了選擇最優(yōu)的超參數(shù)配置，還需在驗證集上進行模型驗證以評估模型性能。驗證集是從原始數(shù)據(jù)集中劃分出來的一部分數(shù)據(jù)，用于對模型的泛化性能進行評估。通過在驗證集上測試不同超參數(shù)組合的性能，可以選擇最佳的超參數(shù)設置，從而提高模型在未知數(shù)據(jù)上的預測準確性。

在實際訓練中，為了防止過擬合現(xiàn)象的發(fā)生，可以采用一些正則化技術，如權重衰減（L2正則化）、Dropout等。這些技術能夠提高模型的泛化能力。同時，在訓練過程中可以使用優(yōu)化器（如Adam、RMSProp等）來自動調整學習率，進一步提高訓練效果。通過合理的超參數(shù)設置和訓練策略，可以使模型具有較高的預測性能和泛化能力，在實際應用中實現(xiàn)更好的效果。

在對于訓練好的模型的使用部分，對于待檢測葉片的振動信號，需要進行去噪等預處理操作，然后將其輸入訓練好的1D-CNN進行檢測，檢測模型根據(jù)振動信號得到最后的檢測結果。得到檢測結果后，模型將故障狀態(tài)反饋給人工，人工對故障葉片進行進一步檢測、故障排查、故障修理。

3 試驗驗證

為了驗證所建立模型的有效性和可靠性，構建模擬實驗平臺來對模型進行詳細地驗證和測試。該試驗平臺主要由風力發(fā)電機模型和傳感器兩部分組成。通過將傳感器安裝在風力發(fā)電機周圍，可以實時采集風機在不同工作狀態(tài)下的振動數(shù)據(jù)。在試驗過程中，為了全面地評估模型性能，設置了多種不同的實驗條件，對照組試驗包括：正常運行的風機、葉片磨損的風機以及葉片斷裂的風機。這些不同狀態(tài)下的風機葉片振動數(shù)據(jù)將作為訓練數(shù)據(jù)，用于訓練和優(yōu)化故障檢測模型。通過收集和分析這些不同狀態(tài)下的風機振動數(shù)據(jù)，對檢測模型進行訓練。在模型訓練完成后，利用獨立的驗證數(shù)據(jù)集對模型進行驗證，以評估其在實際應用中的性能表現(xiàn)。

通過試驗驗證了基于1D-CNN的檢測模型的有效性，1D-CNN結構如圖2所示。在試驗中，研究人員基于前述方法構建了1D-CNN模型。使用采集到的風機葉片的振動信號作為訓練集，進行模型訓練。在訓練模型之前，對訓練集進行了數(shù)據(jù)預處理，包括噪聲濾波、標準化等操作，以便更好地訓練模型。在訓練過程中，采用梯度下降法對模型參數(shù)進行調整，并且設置訓練輪數(shù)為四百個epoch。

圖2 1D-CNN模型

圖3 模擬風機平臺和對照組的設置

圖4 訓練過程的故障診斷的準確率

經(jīng)過訓練，得到結論，1D-CNN模型在進行故障葉片診斷時，可以達到較高的準確率，其準確率達到了95%以上。這表明該模型具有很好的效果，可以有效地對風機葉片的故障進行檢測和診斷。同時，該模型還具有很好的泛化能力，能夠適應不同的葉片故障類型和不同的風機故障狀況。

4 總結

通過對本模型的使用，不需要人工直接接觸葉片而對葉片進行遠程檢測，降低風險同時提升精度。此外，由于1D-CNN模型的自適應性和學習能力，可以適應不同類型的葉片故障檢測任務，具有較強的泛化能力。與傳統(tǒng)的葉片檢測方法相比，該方法具有更高的準確率，并且在實際應用中能夠降低成本和提高效率。因此，該方法在風電行業(yè)的應用前景廣闊，有望為風電行業(yè)帶來更高的技術水平和經(jīng)濟效益。

除了能夠實現(xiàn)遠距離、高精度、低成本的葉片故障檢測外，基于神經(jīng)網(wǎng)絡的方法還具有一定的智能化優(yōu)勢。通過訓練模型，可以使其具備學習能力，不斷優(yōu)化檢測效果，避免人為干預的主觀性和不確定性。此外，基于神經(jīng)網(wǎng)絡的檢測方法可以拓展到其他領域，如機械、汽車、航空等，具有廣泛的應用前景。另外，本模型的推廣使用還能夠促進風電行業(yè)技術的發(fā)展和升級，進一步推動清潔能源的開發(fā)和利用，有益于推動社會可持續(xù)發(fā)展。