基于場(chǎng)景判別的風(fēng)電齒輪箱溫度預(yù)測(cè)及趨勢(shì)異常預(yù)警方法

趙宇，王曉東，呂海華，劉穎明，董福杰，王宇

基于場(chǎng)景判別的風(fēng)電齒輪箱溫度預(yù)測(cè)及趨勢(shì)異常預(yù)警方法

趙宇1，王曉東1，呂海華2，劉穎明1，董福杰1，王宇1

（1.沈陽(yáng)工業(yè)大學(xué) 電氣工程學(xué)院，遼寧 沈陽(yáng) 110870；2.沈陽(yáng)工程學(xué)院 信息學(xué)院，遼寧 沈陽(yáng) 110136）

將齒輪箱溫度劃分為正常、溫升異常和溫度異常3種場(chǎng)景，并利用所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)（Conventional neural network，CNN）結(jié)合雙向長(zhǎng)短期記憶（Bidirectional long short term memory，BiLSTM）網(wǎng)絡(luò)模型對(duì)場(chǎng)景進(jìn)行判別。在此基礎(chǔ)上，采用分位數(shù)回歸（Quantile regression，QR）結(jié)合門(mén)控循環(huán)單元（Gate recurrent unit，GRU）方法，分別預(yù)測(cè)不同溫度場(chǎng)景下的油溫及軸承點(diǎn)預(yù)測(cè)及溫度區(qū)間，并根據(jù)GRU溫度異常診斷模型對(duì)2種預(yù)測(cè)溫度進(jìn)行診斷。算例分析結(jié)果表明，用該方法能準(zhǔn)確預(yù)測(cè)各狀態(tài)下齒輪箱溫度，且預(yù)測(cè)區(qū)間可靠，可實(shí)現(xiàn)齒輪箱溫度異常的高效診斷。依托某風(fēng)場(chǎng)實(shí)測(cè)數(shù)據(jù)對(duì)所提方案進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果表明所提方法有效且性能優(yōu)越。

風(fēng)力發(fā)電機(jī)組；齒輪箱；溫度預(yù)測(cè)；故障診斷；場(chǎng)景判別

0 引言

風(fēng)能作為一種清潔和可再生的能源，具有一定的經(jīng)濟(jì)和環(huán)境優(yōu)勢(shì)[1]。隨著風(fēng)力發(fā)電技術(shù)的成熟以及風(fēng)電裝機(jī)容量的不斷增長(zhǎng)，風(fēng)電機(jī)組工作狀態(tài)的監(jiān)測(cè)問(wèn)題也變得尤為重要[2]。齒輪箱是風(fēng)電機(jī)組傳動(dòng)系統(tǒng)中的關(guān)鍵部件，其故障極易引發(fā)停機(jī)事故[3]。因此，有必要對(duì)風(fēng)電機(jī)組齒輪箱異常預(yù)警進(jìn)行研究，以提升風(fēng)力發(fā)電的穩(wěn)定性。

目前，國(guó)內(nèi)外對(duì)風(fēng)電機(jī)組齒輪箱異常預(yù)警進(jìn)行了大量研究，主要方法有：分析輸出信號(hào)、建立解析模型和人工智能方法。

文獻(xiàn)[4]通過(guò)分析時(shí)域振動(dòng)信號(hào)來(lái)檢測(cè)齒輪箱異常。由于在應(yīng)用過(guò)程中狀態(tài)監(jiān)測(cè)系統(tǒng)（Condition monitoring system，CMS）運(yùn)行依賴(lài)于高性能傳感器、采集卡等硬件設(shè)備，故需要在風(fēng)機(jī)上增加相應(yīng)的接口，這給實(shí)際運(yùn)行帶來(lái)不便。

文獻(xiàn)[5]采用基于解析模型的故障診斷方法來(lái)進(jìn)行故障檢測(cè)；但是，風(fēng)電機(jī)組是典型的非線(xiàn)性動(dòng)力系統(tǒng)且結(jié)構(gòu)復(fù)雜，所以該方法難以建立準(zhǔn)確的系統(tǒng)機(jī)理模型。

文獻(xiàn)[6]使用多路主成分分析（Multiplexed principal component analysis，MPCA）模型對(duì)正常單元進(jìn)行建模以評(píng)估故障單元；但是，傳統(tǒng)的模型算法難以解決風(fēng)電機(jī)組數(shù)量和觀(guān)測(cè)變量增加帶來(lái)的龐大數(shù)據(jù)量，所以該方法在應(yīng)用中存在過(guò)擬合、精度低等一系列問(wèn)題。文獻(xiàn)[7]采用深度學(xué)習(xí)的方法實(shí)現(xiàn)對(duì)齒輪箱油池溫度的預(yù)測(cè)；使用統(tǒng)計(jì)學(xué)方法分析油池溫度預(yù)測(cè)值與實(shí)際值的誤差；根據(jù)實(shí)際情況設(shè)定預(yù)警閾值，使用滑動(dòng)窗口理論實(shí)現(xiàn)齒輪箱故障預(yù)警。但是，由于風(fēng)機(jī)運(yùn)行工況復(fù)雜，通過(guò)設(shè)置預(yù)警閾值的方法來(lái)對(duì)風(fēng)電機(jī)組進(jìn)行預(yù)警，往往可能有誤報(bào)或者不報(bào)的情況發(fā)生，局限性較大[8]；并且這類(lèi)方法只能預(yù)測(cè)出齒輪箱正常狀態(tài)的溫度，不能預(yù)測(cè)出齒輪箱非正常狀態(tài)的溫度。

綜上，針對(duì)故障預(yù)警存在的成本高、精度低、設(shè)置預(yù)警閾值不可靠等問(wèn)題，本文提出一種基于場(chǎng)景判別的風(fēng)電機(jī)組齒輪箱溫度預(yù)測(cè)及趨勢(shì)異常預(yù)警方法：首先用CNN-BiLSTM場(chǎng)景判別模型進(jìn)行場(chǎng)景判別，再通過(guò)QR-GRU溫度預(yù)測(cè)模型對(duì)劃分之后的各場(chǎng)景進(jìn)行溫度預(yù)測(cè)，最后基于GRU齒輪箱溫度異常診斷模型進(jìn)行溫度異常診斷，以實(shí)現(xiàn)對(duì)齒輪箱溫度異常的預(yù)警。

1 基于場(chǎng)景判別的溫度預(yù)警流程

本文針對(duì)風(fēng)電齒輪箱溫度異常變化提出一種基于場(chǎng)景判別的風(fēng)電機(jī)組齒輪箱溫度預(yù)測(cè)及趨勢(shì)異常預(yù)警方法，可精準(zhǔn)地對(duì)齒輪箱進(jìn)行溫度異常診斷，及時(shí)發(fā)現(xiàn)齒輪箱溫度異常現(xiàn)象。

本文提出的方法分為3個(gè)階段，即基于CNN-BiLSTM溫度場(chǎng)景判別、基于QR-GRU的齒輪箱溫度預(yù)測(cè)和基于GRU的齒輪箱溫度異常診斷。

1）場(chǎng)景判別。

齒輪箱非正常階段溫度變化較大。為克服所采集的齒輪箱整體溫度數(shù)據(jù)無(wú)規(guī)律的問(wèn)題，避免預(yù)測(cè)難度加大，首先采集齒輪箱當(dāng)前時(shí)刻及前7 h的油溫和軸承溫度數(shù)據(jù)，采用CNN深層提取溫度數(shù)據(jù)特征；然后結(jié)合BiLSTM保留溫度數(shù)據(jù)時(shí)間關(guān)聯(lián)性的特點(diǎn)對(duì)溫度數(shù)據(jù)進(jìn)行分類(lèi)預(yù)測(cè)；最后經(jīng)過(guò)CNN-BiLSTM溫度場(chǎng)景判別，將齒輪箱整體溫度預(yù)測(cè)劃分為3個(gè)場(chǎng)景，即正常、溫升異常和溫度異常場(chǎng)景下的溫度預(yù)測(cè)。

2）溫度預(yù)測(cè)。

3）溫度異常診斷。

考慮到單一的溫度數(shù)據(jù)因受環(huán)境溫度等因素影響而易增加錯(cuò)誤報(bào)警的風(fēng)險(xiǎn)，本文將預(yù)測(cè)出的下一時(shí)刻齒輪箱油溫和軸承溫度送入齒輪箱溫度異常診斷模型中，利用GRU能充分提取數(shù)據(jù)特征信息的能力，根據(jù)預(yù)測(cè)的溫度進(jìn)行溫度異常診斷，最后得到下一時(shí)刻的齒輪箱溫度異常診斷結(jié)果。該方法可對(duì)齒輪箱進(jìn)行持續(xù)溫度異常診斷，既能判斷齒輪箱是否發(fā)生溫度異常，同時(shí)也能得到溫度異常原因。

2 基于CNN-BiLSTM場(chǎng)景判別

由于受環(huán)境溫度等因素的影響，風(fēng)電機(jī)組齒輪箱穩(wěn)定運(yùn)行時(shí)的溫度會(huì)在某一個(gè)正常溫度范圍內(nèi)上下波動(dòng)。在風(fēng)電機(jī)組齒輪箱發(fā)生溫度異常前，齒輪箱的溫度將會(huì)急劇上升，呈現(xiàn)溫升異常的現(xiàn)象。這種現(xiàn)象的發(fā)生，易造成齒輪箱整體溫度數(shù)據(jù)變化無(wú)規(guī)律的問(wèn)題。雖然常規(guī)機(jī)器學(xué)習(xí)算法能夠?qū)崿F(xiàn)回歸預(yù)測(cè)，但對(duì)于整體溫度預(yù)測(cè)精度的提升和泛化能力的提高仍存在一定的困難。針對(duì)上述問(wèn)題，本文提出了基于CNN-BiLSTM的場(chǎng)景判別方法：采用CNN深層提取溫度數(shù)據(jù)特征[9]，用BiLSTM保留溫度數(shù)據(jù)時(shí)間關(guān)聯(lián)性[10]。

基于CNN-BiLSTM的場(chǎng)景判別模型結(jié)構(gòu)如圖1所示。

圖1 場(chǎng)景判別模型結(jié)構(gòu)

圖1中，首先以當(dāng)前時(shí)刻及前7 h的齒輪箱油溫和軸承溫度作為輸入，用2層CNN對(duì)輸入變量進(jìn)行卷積運(yùn)算。為保證第一步特征提取的完整性，2層CNN神經(jīng)元個(gè)數(shù)都為10，激活函數(shù)都為relu，卷積核尺寸分別為2×1和1×1。然后，3層BiLSTM接收CNN的輸出作為新的輸入變量，對(duì)卷積后的特征信息進(jìn)行學(xué)習(xí)，并兼顧特征信息的前后輸入，保留溫度數(shù)據(jù)時(shí)間關(guān)聯(lián)性，進(jìn)一步提取數(shù)據(jù)的所有信息。3層BiLSTM神經(jīng)元個(gè)數(shù)分別為60、180、60。Dropout層的作用是用來(lái)避免模型的過(guò)度擬合，同時(shí)提高模型的泛化能力。本文dropout取0.2。最后利用Dense層和激活函數(shù)softmax輸出場(chǎng)景判別結(jié)果，即正常場(chǎng)景、溫升異常場(chǎng)景和溫度異常場(chǎng)景。其中，全連接層神經(jīng)元個(gè)數(shù)為19。

3 基于QR-GRU齒輪箱溫度概率預(yù)測(cè)

準(zhǔn)確的齒輪箱溫度預(yù)測(cè)是齒輪箱溫度異常診斷的關(guān)鍵。為使齒輪箱整體的溫度預(yù)測(cè)更加準(zhǔn)確，在用CNN-BiLSTM場(chǎng)景判別模型對(duì)齒輪箱溫度進(jìn)行劃分之后，各場(chǎng)景的預(yù)測(cè)精度需進(jìn)一步提升。因此，本文提出基于QR-GRU的齒輪箱溫度概率預(yù)測(cè)方法。

3.1 GRU神經(jīng)網(wǎng)絡(luò)

GRU在長(zhǎng)短期記憶（Long short term memory，LSTM）基礎(chǔ)上做了改進(jìn)，只包含更新門(mén)和重置門(mén)，其優(yōu)勢(shì)在于減少了參數(shù)的訓(xùn)練，提升了運(yùn)算速度。同時(shí)，更新門(mén)和重置門(mén)決定溫度數(shù)據(jù)中信息的保留和遺忘、學(xué)習(xí)不同特征的自適應(yīng)權(quán)重，使GRU既能充分挖掘溫度數(shù)據(jù)中的特征信息和學(xué)習(xí)溫度數(shù)據(jù)中的關(guān)聯(lián)性，又降低了模型過(guò)擬合的風(fēng)險(xiǎn)[11]。

3.2 分位數(shù)回歸方法

分位數(shù)回歸研究的是自變量與因變量的條件分位數(shù)之間的關(guān)系[12]。與傳統(tǒng)的平均回歸方法不同，由于分位數(shù)不需要對(duì)響應(yīng)的分布進(jìn)行假設(shè)，這使其更實(shí)用、更穩(wěn)定[13]。

線(xiàn)性QR回歸模型可表示為：

3.3 基于QR-GRU齒輪箱溫度概率預(yù)測(cè)方法

QR-GRU模型的工作流程圖如圖2所示。

圖2 QR-GRU模型計(jì)算流程

基于QR-GRU的齒輪箱油溫和軸承溫度預(yù)測(cè)模型參數(shù)為：

1）正常場(chǎng)景油溫預(yù)測(cè)模型的GRU神經(jīng)元個(gè)數(shù)都設(shè)置為60；溫升異常油溫預(yù)測(cè)模型的GRU神經(jīng)元個(gè)數(shù)分別為60、120、60；溫度異常油溫預(yù)測(cè)模型的GRU神經(jīng)元個(gè)數(shù)分別為64、128、64。

2）正常場(chǎng)景軸承溫度預(yù)測(cè)模型的GRU神經(jīng)元個(gè)數(shù)分別為50、60、30；溫升異常油溫預(yù)測(cè)模型的GRU神經(jīng)元個(gè)數(shù)都為60；溫度異常油溫預(yù)測(cè)模型的GRU神經(jīng)元個(gè)數(shù)分別為60、120、60。

在模型訓(xùn)練過(guò)程中，通過(guò)正向傳播獲得對(duì)應(yīng)預(yù)測(cè)值，通過(guò)反向傳播計(jì)算每個(gè)門(mén)的權(quán)重?fù)p失，并使用Adam算法進(jìn)行權(quán)重優(yōu)化。

4 基于GRU的齒輪箱溫度異常診斷

利用場(chǎng)景判別QR-GRU模型預(yù)測(cè)出的齒輪箱油溫和軸承溫度，能為齒輪箱溫度異常診斷提供數(shù)據(jù)基礎(chǔ)。應(yīng)用GRU的齒輪箱溫度異常診斷模型可充分利用預(yù)測(cè)的溫度，對(duì)齒輪箱進(jìn)行準(zhǔn)確的溫度異常診斷。

齒輪箱冷卻器故障和局部潤(rùn)滑油失效是齒輪箱2種常見(jiàn)的故障，其在故障早期會(huì)引發(fā)溫度異常。針對(duì)這2類(lèi)故障，在基于GRU的齒輪箱溫度異常診斷模型基礎(chǔ)上加入分類(lèi)功能，可進(jìn)一步確定引起齒輪箱溫度異常的故障類(lèi)別。

齒輪箱溫度異常診斷模型訓(xùn)練流程如圖3所示。

圖3 齒輪箱溫度異常診斷模型訓(xùn)練流程

在圖3所示訓(xùn)練過(guò)程中，模型以基于場(chǎng)景判別的QR-GRU模型預(yù)測(cè)的齒輪箱油溫和軸承溫度作為輸入。將輸入的參數(shù)送入訓(xùn)練好的GRU齒輪箱溫度異常診斷模型進(jìn)行溫度異常診斷，將齒輪箱油溫和軸承溫度作為一個(gè)整體來(lái)對(duì)齒輪箱進(jìn)行溫度異常診斷，以減少環(huán)境溫度等因素帶來(lái)的錯(cuò)誤報(bào)警。用3層GRU對(duì)溫度時(shí)間序列數(shù)據(jù)中的關(guān)聯(lián)性進(jìn)行深度學(xué)習(xí)。經(jīng)過(guò)大量實(shí)驗(yàn)得出：3層網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)分別為64、128、64時(shí)，模型精度達(dá)到最優(yōu)。

使用Adam算法進(jìn)行權(quán)重優(yōu)化，并設(shè)置學(xué)習(xí)率為0.001、訓(xùn)練批次為32，以加快目標(biāo)函數(shù)的收斂。

最后輸出3類(lèi)結(jié)果，即正常、齒輪箱冷卻器故障和齒輪箱局部潤(rùn)滑油失效。

5 算例結(jié)果及分析

5.1 數(shù)據(jù)來(lái)源

本文模型訓(xùn)練數(shù)據(jù)來(lái)源于齒輪箱有限元模型。通過(guò)調(diào)節(jié)齒輪摩擦系數(shù)和齒輪箱熱傳遞系數(shù)，來(lái)設(shè)置齒輪箱局部潤(rùn)滑油失效和冷卻器故障。

在正常、齒輪箱局部潤(rùn)滑油失效和冷卻器故障工況下進(jìn)行大量仿真并輸出齒輪箱溫度變化數(shù)據(jù)。每個(gè)場(chǎng)景各仿真3個(gè)月，時(shí)間分辨率為1 h，數(shù)據(jù)集包括齒輪箱油溫和齒輪軸承溫度。

本文場(chǎng)景判別模型準(zhǔn)確性驗(yàn)證數(shù)據(jù)來(lái)源于某風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù)：隨機(jī)選取1 000個(gè)風(fēng)機(jī)正常溫度值，1 000個(gè)風(fēng)機(jī)溫升異常值和1 000個(gè)風(fēng)機(jī)溫度異常值構(gòu)成場(chǎng)景判別驗(yàn)證數(shù)據(jù)集。

本文溫度預(yù)測(cè)模型驗(yàn)證數(shù)據(jù)來(lái)源于某風(fēng)電場(chǎng)的2類(lèi)實(shí)測(cè)數(shù)據(jù)：一類(lèi)為由齒輪箱冷卻器故障引起齒輪箱溫度異常的部分齒輪箱溫度變化數(shù)據(jù)，如圖4所示；另一種為由齒輪箱局部潤(rùn)滑油失效引起齒輪箱溫度異常的部分齒輪箱溫度變化數(shù)據(jù)，如圖5所示。

（a）部分齒輪箱油溫?cái)?shù)據(jù)

（b）部分齒輪箱軸承溫度數(shù)據(jù)

圖4 包含齒輪箱冷卻器故障的部分溫度實(shí)測(cè)數(shù)據(jù)

Fig. 4 Partial temperature measurement data including gearbox cooler failure

圖4中，數(shù)據(jù)時(shí)間分辨率為1 h，其中正常數(shù)據(jù)178 h，溫升異常數(shù)據(jù)20 h，溫度異常數(shù)據(jù)125 h，總計(jì)323 h。

（a）部分齒輪箱油溫?cái)?shù)據(jù)

（b）部分齒輪箱軸承溫度數(shù)據(jù)

圖5 包含齒輪箱局部潤(rùn)滑油失效的部分溫度實(shí)測(cè)數(shù)據(jù)

Fig. 5 Partial temperature measurement data including local lubrication oil failure in the gearbox

圖5中數(shù)據(jù)時(shí)間分辨率為1 h，其中正常數(shù)據(jù)182 h，溫升異常數(shù)據(jù)21 h，溫度異常數(shù)據(jù)120 h，總計(jì)323 h。

5.2 仿真實(shí)驗(yàn)條件

將風(fēng)電機(jī)組齒輪箱仿真數(shù)據(jù)集以9:1的比例分為訓(xùn)練集和測(cè)試集，搭建CNN-BiLSTM場(chǎng)景判別模型；將風(fēng)電機(jī)組齒輪箱仿真數(shù)據(jù)集以9:1的比例劃分為訓(xùn)練集和測(cè)試集，構(gòu)建各個(gè)場(chǎng)景下的QR-GRU齒輪箱油溫概率預(yù)測(cè)模型和軸承溫度概率預(yù)測(cè)模型；將數(shù)據(jù)集按照9:1的比例劃分成訓(xùn)練集和測(cè)試集，搭建基于GRU的齒輪箱溫度異常診斷模型。

5.3 基于CNN-BiLSTM場(chǎng)景判別

為了驗(yàn)證CNN-BiLSTM場(chǎng)景判別方法在溫度異常場(chǎng)景判定問(wèn)題上的有效性，使用場(chǎng)景判別驗(yàn)證數(shù)據(jù)集來(lái)測(cè)試場(chǎng)景判別模型。

表1給出了CNN-BiLSTM場(chǎng)景判別模型在訓(xùn)練中的混淆矩陣。

表1 場(chǎng)景判別模型判別場(chǎng)景混淆矩陣

由表1可以直觀(guān)地看出，經(jīng)過(guò)CNN的特征提取和BiLSTM的學(xué)習(xí)，在訓(xùn)練中CNN-BiLSTM場(chǎng)景判別模型可以準(zhǔn)確地劃分正常、溫升異常和溫度異常3個(gè)場(chǎng)景，準(zhǔn)確率達(dá)到99.5%。

5.4 針對(duì)齒輪箱冷卻器故障的溫度趨勢(shì)預(yù)警

5.4.1 齒輪箱溫度概率預(yù)測(cè)

以齒輪箱冷卻器故障引起溫度異常的齒輪箱溫度實(shí)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證。

首先對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行溫度預(yù)測(cè)，引入QR-GRU、QR-CNN-BiLSTM和QR-BiLSTM齒輪箱溫度概率預(yù)測(cè)模型進(jìn)行對(duì)比。本文采用平均絕對(duì)誤差（Mean absolute error，MAE）和均方根誤差（Root mean square error，RMSE）作為點(diǎn)預(yù)測(cè)評(píng)價(jià)指標(biāo)[14]；采用預(yù)測(cè)區(qū)間覆蓋率（Prediction interval coverage probability，PICP）、預(yù)測(cè)區(qū)間平均寬度（Prediction interval normalized average width，PINAW）作為預(yù)測(cè)區(qū)間評(píng)價(jià)指標(biāo)[15]。

PICP定義為置信水平下觀(guān)測(cè)值落在預(yù)測(cè)區(qū)間上下界內(nèi)的概率。該值表征了模型預(yù)測(cè)區(qū)間的可靠性。PICP值越接近1，表明模型預(yù)測(cè)效果越好。

PINAW用來(lái)評(píng)估預(yù)測(cè)區(qū)間的寬度，以確保區(qū)間是有效的。在PICP值相同時(shí)，PINAW越小，表明模型的區(qū)間預(yù)測(cè)效果越好。

圖6 針對(duì)齒輪箱冷卻器故障的油溫預(yù)測(cè)結(jié)果

圖7 針對(duì)齒輪箱冷卻器故障的軸承溫度預(yù)測(cè)結(jié)果

表2 齒輪箱冷卻器故障時(shí)齒輪箱油溫預(yù)測(cè)誤差對(duì)比

表3 齒輪箱冷卻器故障時(shí)齒輪箱軸承溫度預(yù)測(cè)誤差對(duì)比

由圖6可知，齒輪箱從正常到發(fā)生冷卻器故障時(shí)，無(wú)論是點(diǎn)預(yù)測(cè)還是區(qū)間預(yù)測(cè)，基于場(chǎng)景判別的QR-GRU的油溫預(yù)測(cè)模型總體表現(xiàn)比較理想。

由圖7可知，在齒輪箱從正常運(yùn)行到發(fā)生冷卻器故障時(shí)，無(wú)論是點(diǎn)預(yù)測(cè)還是區(qū)間預(yù)測(cè)，基于場(chǎng)景判別的QR-GRU的軸承溫度預(yù)測(cè)模型總體表現(xiàn)都比較理想。

小結(jié)：引入場(chǎng)景判別，使模型可以有效應(yīng)對(duì)齒輪箱非正常階段溫度帶來(lái)的溫度無(wú)規(guī)律問(wèn)題，提高了齒輪箱油溫預(yù)測(cè)的精度。

由表2可知，基于場(chǎng)景判別的QR-GRU油溫預(yù)測(cè)模型的點(diǎn)預(yù)測(cè)和區(qū)間預(yù)測(cè)效果優(yōu)于其他方法。其中，點(diǎn)預(yù)測(cè)的RMSE為2.070 5、MAE為1.357 4，均小于其他3種方法的RMSE和MAE值——表明基于場(chǎng)景判別的QR-GRU模型相比之下使點(diǎn)預(yù)測(cè)精度得到了很大的提升，預(yù)測(cè)值更接近實(shí)際值；區(qū)間預(yù)測(cè)的PICP為0.940 6，保證了預(yù)測(cè)值極大概率能落在預(yù)測(cè)區(qū)間上；PINAW為0.204 7，說(shuō)明在控制預(yù)測(cè)區(qū)間寬度方面，基于場(chǎng)景判別的QR-GRU模型優(yōu)于其他3種方法，避免了預(yù)測(cè)區(qū)間寬度擴(kuò)大，提升了區(qū)間預(yù)測(cè)性能。

由表3可知，基于場(chǎng)景判別的QR-GRU軸承溫度預(yù)測(cè)模型的點(diǎn)預(yù)測(cè)和區(qū)間預(yù)測(cè)效果優(yōu)于其他方法，其點(diǎn)預(yù)測(cè)的RMSE、MAE分別為2.469 5、1.61，均小于其他3種方法，這表明模型點(diǎn)預(yù)測(cè)精度得到了很大的提升；模型區(qū)間預(yù)測(cè)的PICP為0.949 2，保證了預(yù)測(cè)值極大概率能落在預(yù)測(cè)區(qū)間上；模型的PINAW最小，為0.372 1，表明模型優(yōu)于其他3種方法，可避免預(yù)測(cè)區(qū)間寬度擴(kuò)大，從而極大提升了區(qū)間預(yù)測(cè)性能。

5.4.2 齒輪箱溫度異常診斷

將基于場(chǎng)景判別的QR-GRU齒輪箱溫度概率預(yù)測(cè)模型預(yù)測(cè)出的齒輪箱油溫和齒輪箱軸承溫度作為輸入，由GRU齒輪箱溫度異常診斷模型進(jìn)行溫度異常診斷。

為了驗(yàn)證GRU溫度異常診斷模型的優(yōu)越性，引入RF（Radom forest）和ELM（Extreme learning machine）模型進(jìn)行對(duì)比。

采用準(zhǔn)確率、精確率、召回率和1值作為溫度異常診斷的評(píng)價(jià)指標(biāo)[16]。1值屬于綜合評(píng)價(jià)指標(biāo)，該指標(biāo)的使用可以準(zhǔn)確地體現(xiàn)出模型的性能。1值越高代表其網(wǎng)絡(luò)模型分類(lèi)性能越優(yōu)越。

表4示出了不同模型針對(duì)齒輪箱冷卻器故障溫度異常診斷結(jié)果。

表4 不同模型針對(duì)齒輪箱冷卻器故障溫度異常診斷結(jié)果

由表4可知，與RF和ELM相比，對(duì)于由齒輪箱冷卻器故障引起的齒輪箱溫度異常，GRU的溫度異常診斷效果優(yōu)于其他方法：準(zhǔn)確率達(dá)到91.562%，這表明溫度異常診斷總體正確率得到了很大提升；精確率達(dá)到91.815%，表明溫度異常診斷現(xiàn)有預(yù)測(cè)結(jié)果大概率不會(huì)出錯(cuò)，錯(cuò)報(bào)概率很小；召回率達(dá)到94.572%，表明模型漏報(bào)率很小；1值達(dá)到92.352%，說(shuō)明模型綜合性能高。

5.5 針對(duì)齒輪箱局部潤(rùn)滑油失效的溫度趨勢(shì)預(yù)警

5.5.1 齒輪箱溫度概率預(yù)測(cè)

對(duì)齒輪箱局部潤(rùn)滑油失效引起溫度異常的齒輪箱溫度實(shí)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證。

首先對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行溫度預(yù)測(cè)，同樣引入QR-GRU、QR-CNN-BiLSTM和QR-BiLSTM齒輪箱溫度概率預(yù)測(cè)模型進(jìn)行對(duì)比。

圖8和圖9分別展示了針對(duì)齒輪箱局部潤(rùn)滑油失效故障的油溫預(yù)測(cè)和軸承溫度預(yù)測(cè)結(jié)果。表5和表6分別示出了不同方法針對(duì)齒輪箱局部潤(rùn)滑油失效的齒輪箱油溫和軸承溫度預(yù)測(cè)誤差對(duì)比結(jié)果。

圖8 針對(duì)齒輪箱局部潤(rùn)滑油失效的油溫預(yù)測(cè)結(jié)果

圖9 針對(duì)齒輪箱局部潤(rùn)滑油失效的軸承溫度預(yù)測(cè)結(jié)果

表5 針對(duì)齒輪箱局部潤(rùn)滑油失效的齒輪箱油溫預(yù)測(cè)誤差結(jié)果對(duì)比

表6 針對(duì)齒輪箱局部潤(rùn)滑油失效的齒輪箱軸承溫度預(yù)測(cè)誤差結(jié)果對(duì)比

由圖8可知，齒輪箱從正常運(yùn)行到發(fā)生冷卻器故障時(shí)，無(wú)論是點(diǎn)預(yù)測(cè)還是區(qū)間預(yù)測(cè)，基于場(chǎng)景判別的QR-GRU的油溫預(yù)測(cè)模型總體預(yù)測(cè)效果比較理想。引入場(chǎng)景判別，使模型可以有效應(yīng)對(duì)齒輪箱非正常階段溫度帶來(lái)的溫度無(wú)規(guī)律問(wèn)題，提高了齒輪箱油溫預(yù)測(cè)的精度。

由圖9可知，齒輪箱從正常運(yùn)行到發(fā)生局部潤(rùn)滑油失效故障時(shí)，無(wú)論是點(diǎn)預(yù)測(cè)還是區(qū)間預(yù)測(cè)，基于場(chǎng)景判別的QR-GRU的軸承溫度預(yù)測(cè)模型總體預(yù)測(cè)效果比較理想。引入場(chǎng)景判別，可以使模型有效應(yīng)對(duì)齒輪箱非正常階段溫度帶來(lái)的溫度無(wú)規(guī)律問(wèn)題，提高了齒輪箱軸承溫度預(yù)測(cè)的精度。

由表5可知，齒輪箱從正常到發(fā)生局部潤(rùn)滑油失效故障時(shí)，基于場(chǎng)景判別的QR-GRU油溫預(yù)測(cè)模型的點(diǎn)預(yù)測(cè)和區(qū)間預(yù)測(cè)效果優(yōu)于其他方法。其中，點(diǎn)預(yù)測(cè)的RMSE為2.616 0、MAE為1.837 4，均小于其他3種方法的RMSE和MAE值，表明基于場(chǎng)景判別的QR-GRU的模型使點(diǎn)預(yù)測(cè)精度得到了很大的提升，預(yù)測(cè)值更接近實(shí)際值；區(qū)間預(yù)測(cè)的PICP為0.930 3，說(shuō)明預(yù)測(cè)值極大概率能落在預(yù)測(cè)區(qū)間上；PINAW為0.201 9，表明了在控制預(yù)測(cè)區(qū)間寬度方面，基于場(chǎng)景判別的QR-GRU模型優(yōu)于其他3種方法，避免了預(yù)測(cè)區(qū)間寬度擴(kuò)大，極大提升了區(qū)間預(yù)測(cè)性能。

由表6可知，齒輪箱從正常到發(fā)生局部潤(rùn)滑油失效故障時(shí)，基于場(chǎng)景判別的QR-GRU軸承溫度預(yù)測(cè)模型的點(diǎn)預(yù)測(cè)和區(qū)間預(yù)測(cè)效果優(yōu)于其他方法。其中，點(diǎn)預(yù)測(cè)的RMSE為2.514、MAE為1.842，均小于其他3種方法的RMSE和MAE值，表明基于場(chǎng)景判別的QR-GRU的模型點(diǎn)預(yù)測(cè)精度得到了很大的提升，預(yù)測(cè)值更接近實(shí)際值；區(qū)間預(yù)測(cè)的PICP為0.957 5，說(shuō)明預(yù)測(cè)值極大概率能落在預(yù)測(cè)區(qū)間上；PINAW為0.295，表明了在控制預(yù)測(cè)區(qū)間寬度方面，基于場(chǎng)景判別的QR-GRU模型優(yōu)于其他3種方法，避免了預(yù)測(cè)區(qū)間寬度擴(kuò)大，極大提升了區(qū)間預(yù)測(cè)性能。

5.5.2 齒輪箱溫度異常診斷

將基于場(chǎng)景判別的QR-GRU齒輪箱溫度概率預(yù)測(cè)模型預(yù)測(cè)出的齒輪箱油溫和齒輪箱軸承溫度作為輸入，由GRU齒輪箱溫度異常診斷模型進(jìn)行溫度異常診斷，同樣引入RF和ELM模型進(jìn)行對(duì)比。

表7示出了模型針對(duì)齒輪箱局部潤(rùn)滑油失效的溫度異常診斷指標(biāo)對(duì)比結(jié)果。

表7 針對(duì)齒輪箱局部潤(rùn)滑油失效的溫度異常診斷指標(biāo)對(duì)比

由表7可知，與RF和ELM相比，對(duì)于由齒輪箱局部潤(rùn)滑油失效引起的齒輪箱溫度異常診斷，GRU的溫度異常診斷效果優(yōu)于其他方法：其準(zhǔn)確率達(dá)到93.231%，表明溫度異常診斷總體正確率得到了很大提升；其精確率達(dá)到94.840%，表明了溫度異常診斷現(xiàn)有預(yù)測(cè)結(jié)果大概率不會(huì)出錯(cuò)，錯(cuò)報(bào)概率很小；召回率達(dá)到94.572%，表明了模型漏報(bào)率很小；1值達(dá)到94.654%，說(shuō)明模型綜合性能優(yōu)越。

6 結(jié)論

本文提出一種基于場(chǎng)景判別的風(fēng)電機(jī)組齒輪箱溫度預(yù)測(cè)及異常預(yù)警方法。基于某風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù)和齒輪箱仿真數(shù)據(jù)的算例分析結(jié)果表明：

1）基于CNN-BiLSTM的場(chǎng)景判別模型可以深層提取溫度數(shù)據(jù)特征，保留溫度數(shù)據(jù)時(shí)間關(guān)聯(lián)性，有效解決非正常階段溫度帶來(lái)的溫度無(wú)規(guī)律問(wèn)題，降低風(fēng)電機(jī)組齒輪箱整體溫度預(yù)測(cè)難度，增加預(yù)測(cè)的準(zhǔn)確性。

2）基于CNN-BiLSTM場(chǎng)景判別的QR-GRU模型在點(diǎn)預(yù)測(cè)和區(qū)間預(yù)測(cè)方面整體效果優(yōu)于QR-GRU、CNN-BiLSTM、BiLSTM方法。

3）對(duì)于基于CNN-BiLSTM場(chǎng)景判別的齒輪箱油溫和軸承溫度異常診斷，GRU模型的診斷效果優(yōu)于RF、ELM方法。

[1] LóPEZ-MANRIQUE L M, MACIAS-MELO E V, AGUILAR-CASTRO K M, et al. Review on methodological and normative advances in assessment and estimation of wind energy[J]. Energy & Environment, 2021, 32(1): 25-61.

[2] 馬良玉, 耿妍竹, 梁書(shū)源, 等. 基于Stacking多模型融合的風(fēng)電機(jī)組齒輪箱油池溫度異常預(yù)警[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2023, 43(S1): 242-251.MA LIANGYU, GENG YANZHU, LIANG SHUYUAN, et al. Wind turbine gearbox oil pool temperature anomaly warning based on Stacking multiple model fusion[J]. Proceedings of the CSEE, 2023, 43(S1): 242-251(in Chinese).

[3] PLIEGO MARUGáN A, GARCíA MáRQUEZ F P. Advanced analytics for detection and diagnosis of false alarms and faults: a real case study[J]. Wind Energy, 2019, 22(11): 1622-1635.

[4] SON J, KANG D, BOO D, et al. An experimental study on the fault diagnosis of wind turbines through a condition monitoring system[J]. Journal of Mechanical Science and Technology, 2018, 32: 5573-5582.

[5] HABIBI H, HOWARD I, SIMANI S. Reliability improvement of wind turbine power generation using model-based fault detection and fault tolerant control: a review[J]. Renewable Energy, 2019, 135: 877-896.

[6] POZO F, VIDAL Y, SALGADO ó. Wind turbine condition monitoring strategy through multiway PCA and multivariate inference[J]. Energies, 2018, 11(4): 749.

[7] 馬永光, 馮勇升. 基于IICEEMDAN-PCA-GRU的風(fēng)電機(jī)組齒輪箱故障預(yù)警方法研究[J]. 太陽(yáng)能學(xué)報(bào), 2023, 44(4): 67-73. MA YONGGUANG, FENG YONGSHENG. Research on fault warning method of wind turbine gearbox based on IICEEMDAN-PCA-GRU[J]. Acta Energiae Solaris Sinica, 2023, 44(4): 67-73(in Chinese).

[8] LIU Y, WU Z, WANG X. Research on fault diagnosis of wind turbine based on SCADA data[J]. IEEE Access, 2020, 8: 185557-185569.

[9] 朱繼洪, 裴繼紅, 趙陽(yáng). 卷積神經(jīng)網(wǎng)絡(luò)(CNN)訓(xùn)練中卷積核初始化方法研究[J]. 信號(hào)處理, 2019, 35(4): 641-648. ZHU JIHONG, PEI JIHONG, ZHAO YANG. Research on convolution kernel initialization method in convolutional neural network (CNN) training[J]. Journal of Signal Processing, 2019, 35(4): 641-648(in Chinese).

[10] 王渝紅, 史云翔, 周旭, 等. 基于時(shí)間模式注意力機(jī)制的BiLSTM多風(fēng)電機(jī)組超短期功率預(yù)測(cè)[J]. 高電壓技術(shù), 2022, 48(5): 1884-1892. WANG YUHONG, SHI YUNXIANG, ZHOU XU, et al. Ultra-short-term power prediction for BiLSTM multi wind turbines based on temporal pattern attention[J]. High Voltage Engineering, 2022, 48(5): 1884-1892(in Chinese).

[11] YAN J, LIU Y, REN X. An early fault detection method for wind turbine main bearings based on self-attention GRU network and binary segmentation changepoint detection algorithm[J]. Energies, 2023, 16(10): 4123.

[12] BO J, ZHENG Q, HAMIDREZA Z, et al. Wind turbine power curve modelling with logistic functions based on quantile regression[J]. Applied Sciences, 2021, 11(7): 3048.

[13] DAS K, KRZYWINSKI M, ALTMAN N. Quantile regression[J]. Nature Methods, 2019, 16(6): 451-452.

[14] KARTHIK N, ARUL R, PRASAD M J H. Modeling of wind turbine power curves using firefly algorithm[C]//Power Electronics and Renewable Energy Systems: Proceedings of ICPERES 2014. New Delhi, India: Springer India, 2015: 1407-1414.

[15] GENDEEL M, ZHANG Y, QIAN X, et al. Deterministic and probabilistic interval prediction for wind farm based on VMD and weighted LS-SVM[J]. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 2021, 43(7): 800-814.

[16] LI Y, JIANG W, ZHANG G, et al. Wind turbine fault diagnosis based on transfer learning and convolutional autoencoder with small-scale data[J]. Renewable Energy, 2021, 171: 103-115.

Temperature Prediction and Trend Anomaly Warning of Wind Turbine Gearbox Based on Scenario Discrimination

ZHAO Yu1, WANG Xiaodong1, LV Haihua2, LIU Yingming1, DONG Fujie1, WANG Yu1

(1.School of Electrical Engineering, Shenyang University of Technology, Shenyang 110870, China; 2.College of Information, Shenyang Institute of Engineering, Shenyang 110136, China)

The gearbox temperature is divided into three scenarios: normal, abnormal temperature rise and abnormal temperature, the convolutional neural network of the proposed neural network (CNN) is combined with the bidirectional long short term memory (BILSTM) model to identify the scenes. On this basis, quantile regression (QR) combined with gate recurrent unit (GRU) method was used to predict oil temperature, bearing point prediction and temperature interval in different temperature scenarios, and the two predicted temperatures were diagnosed according to the GRU temperature anomaly diagnosis model. The results show that the method can accurately predict the temperature of the gearbox under various conditions, and the prediction interval is reliable thus the efficient diagnosis of gearbox temperature anomaly can be achieved. The proposed scheme is verified by the measured data of a wind field. The results show that the proposed method is effective and has excellent performance.

wind turbine; gearbox; temperature prediction; fault diagnosis; scenario discrimination

10.3969/j.ISSN.1672-0792.2024.02.007

TM614；TP277

A

1672-0792(2024)02-0061-10

國(guó)家自然科學(xué)基金資助項(xiàng)目（52007124）；遼寧省揭榜掛帥科技攻關(guān)專(zhuān)項(xiàng)資助項(xiàng)目（2021JH1/10400009）。

2023-10-07

趙宇（1999—），男，碩士研究生，研究方向?yàn)轱L(fēng)電機(jī)組齒輪箱溫度趨勢(shì)預(yù)警；

王曉東（1978—），男，教授，研究方向?yàn)轱L(fēng)電大數(shù)據(jù)處理與智能功率預(yù)測(cè)、大型風(fēng)電機(jī)組優(yōu)化設(shè)計(jì)與控制、大規(guī)模儲(chǔ)能系統(tǒng)及其功率控制；

呂海華（1979—），女，講師，研究方向?yàn)闄C(jī)器學(xué)習(xí)、大數(shù)據(jù)處理；

董福杰（1997—），男，碩士研究生，研究方向?yàn)轱L(fēng)電并網(wǎng)仿真建模與參數(shù)辨識(shí)；

王宇（1998—），男，碩士研究生，研究方向?yàn)轱L(fēng)電機(jī)組的轉(zhuǎn)矩優(yōu)化策略。

趙宇