基于數字孿生的風電機組齒輪箱故障診斷方法研究

摘要：風力發電作為可再生能源的重要支柱，其風電機組齒輪箱受多種因素影響出現故障，影響整個風電機組的穩定性。因此，提出基于數字孿生的風電機組齒輪箱故障診斷方法。首先，構建數字孿生總體架構。其次，采集風電機組齒輪箱數據并過濾，利用集合經驗模態分解特征。最后，構建風電機組的齒輪箱的數字孿生模型并采用長短期記憶完成故障診斷。實驗結果表明，所提方法故障診斷的準確率在0.94以上，漏報率在0.15以下，為風電場的運維管理提供有力的決策支持。

關鍵詞：數字孿生 風電機組 故障診斷 長短期記憶 齒輪箱

中圖分類號： TH165" "文獻標識碼： A

Research on Fault Diagnosis Method of Wind Turbine Gearbox based on Digital Twin

SUN Yafei QU Yejun

Ningxia New Energy Development Co.， Ltd. of GD Power Development Co.， Ltd.， Yinchuan， Ningxia Hui Autonomous Region， 750001 China

Abstract： Wind power generation， as an important pillar of renewable energy， the gearbox of its wind turbine" is affected by various factors， leading to gearbox failures and affecting the stability and reliability of the entire wind turbine. Therefore， a fault diagnosis method for wind turbine gearbox based on Digital Twin is proposed. Firstly， construct a digital twin overall architecture.Then， collect and filter wind turbine gearbox data， and use set empirical mode decomposition to extract features from wind turbine gearbox data. Finally， construct a digital twin model of the wind turbine gearbox and use long short term memory to complete fault diagnosis. The experimental results show that the accuracy of the proposed method for fault diagnosis is above 0.94， and the 1 alarm rate is below 0.15， providing strong decision support for the operation and maintenance management of wind farms.

Key Words： Digital Twin; Wind turbine; Fault diagnosis; Long short term memory; Gearbox

風電機組作為風力發電的核心設備，其運行狀況影響整個發電系統性能。然而，風電機組長期運行在復雜的環境中，其關鍵部件如齒輪箱易受到多種因素影響出現故障，影響風電機組運行。因此，對齒輪箱進行故障預測，及時發現并維修潛在問題，對提高機組性能有重要意義。隨著技術進步，眾多研究人員對此進行研究。周偉等人[1]利用長短期記憶網絡模型（Long Short-Term Memory，LSTM）融合風電機組齒輪箱的數據采集與監視控制系統（Supervisory Control And Data Acquisition，SCADA）數據預測油溫，通過殘差和預警閾值實現故障預警。但LSTM在處理長期累積效應或周期性變化時，無法捕捉復雜關系，影響預測準確性。吳嵐等人[2]結合變分模態分解（Variational Mode Decomposition，VMD）和倒頻變換技術，通過VMD處理振動信號對數譜，區分不同部件故障信息，提升分辨率。然而，風電機組齒輪箱振動信號受環境噪聲干擾，掩蓋或扭曲故障特征，影響診斷準確性。趙宇等人[3]利用卷積神經網絡結合雙向LSTM模型劃分溫度場景并預測油溫。但面對突發異常情況無法有效診斷和預警。

為解決上述問題，本文提出了基于數字孿生的風電機組齒輪箱故障診斷方法。旨在科學有效的支持風電機組的維護和管理，推動風力發電行業的發展。

1 基于數字孿生的風電機組齒輪箱故障診斷方法設計

1.1數字孿生總體架構構建

構建基于數字孿生的風電機組齒輪箱故障診斷系統。其總體架構按功能特性和數據處理流程，分為4個層次。

（1）物理層為系統基礎，包括風電機組齒輪箱的實際設備、傳感器網絡、數據采集硬件等。（2）數據層負責接收、存儲和管理從物理層傳輸的數據。該層包括數據庫管理系統和數據處理模塊。（3）模型層為系統核心，基于數字孿生技術構建與實際齒輪箱一致虛擬模型。利用數據層數據，通過建模和仿真技術，集成故障檢測算法，實時監測分析齒輪箱運行情況。（4）應用層作為系統與用戶間的橋梁，負責與用戶連接，展示故障診斷結果，提供決策支持等功能。各層次間通過標準數據接口和通信協議進行交互。確保數據的順暢和系統穩定。

1.2風電機組齒輪箱數據收集與過濾

數據采集對風電機組齒輪箱狀態監測至關重要[4]。利用溫度傳感器、振動傳感器和油液分析傳感器實時、連續監測齒輪箱狀態，確保其在適宜溫度范圍內運行。傳感器布置在關鍵部位，為后續監測和診斷提供依據[5]。

為提高數據質量，需對原始數據進行過濾處理。采用小波變換降噪法去除噪聲，過程如下。

若采集的數據，則連續傅立葉變換為：

若乘以頻率的正弦時，則產生組成原始信號的正弦分量。小波基函數定義為：

式（2）中：為尺度因子；為平移量。

的小波變換定義為：（3）的作用是確定在哪個時刻對信號基于自適應隨機振動，因此為何值，具有相同的品質因數。由于數據來源不同，因此需對數據進行處理，設最小值為，則歸一公式如下

式（4）中：為原始數據；為最大值。

1.3風電機組齒輪箱數據特征提取

基于過濾后的數據進行風電機組齒輪箱數據特征提取。采用集合經驗模態分解（Ensemble Empirical Mode Decomposition，EEMD）提取風電機組齒輪箱數據特征：

獲得處理后的信號添加有標準正態分布的白噪聲，得到待處理信號：

并（5）對待處理信號進行EMD分解，將復雜的信號分解為本征模態函數，得到分解后的信號：

式（4）中：為各階本征模態函數分量；為殘余項。

重復步驟上述步驟，每次使用不同白噪聲序列。對多次分解得到的本征模態函數（Intrinsic Mode Functions，IMF）進行平均處理。

從平均后的IMF中提取齒輪箱的特征信息。

1.4基于數字孿生的風電機組齒輪箱故障診斷

根據上述構建風電機組的齒輪箱的數字孿生模型。模擬齒風電機組齒輪箱的行為和性能，模型層構建過程如下。

1.4.1幾何模型構建

風電機組齒輪箱的幾何模型基于計算機輔助設計（Computer Aided Design，CAD）的圖紙，通過三維軟件建模。

1.4.2材料屬性建模

材料屬性決定風電機組齒輪箱在不同條件行為。彈性模量用于描述材料的屬性。彈性模量為：

式（6）中：為應力；為應變。

1.4.3動力學方程構建

對于風電機組齒輪箱的動力學行為，多體動力學仿真是一種常用方法。設風電機組齒輪箱的動力學方程為：

式（7）中：為質量矩陣、為支撐剛度矩陣和阻尼矩陣；為嚙合剛度矩陣和阻尼矩陣；為嚙合誤差激勵矩陣；為傳動系統所受到的外力矩陣；為風電機組齒輪箱的耦合慣性力矩陣。

本文數字孿生模型采用長短期記憶進行故障診斷，生成診斷結果。設為權重矩陣，是上一時刻的單元狀態，長短期記憶的遺忘門、輸入門、輸出門分別為：

式（8）中：表示遺忘門權重矩陣；表示輸入門權重矩陣；表示輸出門權重矩陣；偏置向量；為激活函數；當前時刻的輸入。

長短期記憶的輸出為：

式（9）中：為此刻的記憶狀態值。

至此，完成基于數字孿生的風電機組齒輪箱故障診斷。

2 實驗設計

2.1 實驗方案

為驗證本文方法性能，選取某風電機組齒輪箱為實驗對象，正常樣本數據21 128條，故障樣本數據4 114條。以診斷準確率和漏報率為指標，與周偉等人[1]和吳嵐等人[2]提出的方法進行對比實驗，準確率和漏報率的公式如下。

式（10）中：為真正例；為假反例；為假正例；為真反例。

式（11）中：為漏報次數；為總檢測次數。

2.2 實驗結果三種方法故障診斷準確率結果如表1所示。

由表1可知，本文方法風電機組齒輪箱故障診斷準確率均在0.94以上，而周偉等人[1]和吳嵐等人[2]提出的方法的準確率均在0.91以下，說明本文方法準確率高，診斷效果好。

3種方法風電機組齒輪箱故障診斷漏報率結果如圖1所示。

圖1不同方法風電機組齒輪箱故障診斷漏報率

由圖1可知，本文方法應用后的漏報率在0.15以下，而周偉等人[1]提出的方法應用后的報率在0.2左右，吳嵐等人[2]提出的方法應用后的漏報率在0.25左右，說明本文方法的漏報率更小，能準確對故障進行診斷。

3 結論

綜上所述，本文提出基于數字孿生的風電機組齒輪箱故障診斷方法。構建數字孿生的整體架構，采集風電機組齒輪箱的相關數據進行過濾，確保數據準確性。利用集合經驗模態分解提取特征，構建數字孿生模型，實時反映齒輪箱的運行狀態，為故障診斷提供有力支撐。采用LSTM算法進行故障診斷，實現對齒輪箱故障的精準識別。實驗結果表明，本文方法不僅能快速準確識別齒輪箱故障，還能為風電行業的故障預防和維護提供依據，有助于推動風電行業的發展。

參考文獻

[1]周偉，魏鑫，李西興.改進MFO-LSTM網絡的風電機組齒輪箱故障預警研究[J].機床與液壓，2024，52（4）：185-194.

[2]吳嵐，柳亦兵，吳仕明，等.基于VMD倒頻變換的風電機組齒輪箱復合故障診斷[J].振動與沖擊，2023，42（24）：221-227，256.

[3]趙宇，王曉東，呂海華，等.基于場景判別的風電齒輪箱溫度預測及趨勢異常預警方法[J].電力科學與工程，2024，40（2）：61-70.

[4]曾平，張琛，李征.電網故障期間全功率風電機組的暫態同步穩定控制策略[J].中國電機工程學報，2022，42（16）：5935-5947，6168.

[5]秦世耀，齊琛，李少林，等.電壓源型構網風電機組研究現狀及展望[J].中國電機工程學報，2023，43（4）：1314-1334.