王桂松， 郭 鵬， 胥 佳， 劉瑞華， 李韶武

(1.華北電力大學(xué) 控制與計算機工程學(xué)院，北京 102206；2.龍源(北京)風(fēng)電工程技術(shù)有限公司，北京 100034)

0 引言

風(fēng)電機組長期運行在室外惡劣的自然環(huán)境中，故障率高。齒輪箱、發(fā)電機軸承等大部件的故障檢修難度大、費用高，高額的運營維護成本降低了風(fēng)電的經(jīng)濟效益。通過有效方法，實時監(jiān)測風(fēng)電機組運行狀態(tài)，定位狀態(tài)劣化點，回溯狀態(tài)劣化原因，做出預(yù)防性維修，對于減少風(fēng)電場運營成本、降低風(fēng)電機組的運行風(fēng)險具有重要意義[1]。

齒輪箱是風(fēng)電機組的重要部件，其結(jié)構(gòu)復(fù)雜，包含齒輪、軸承、軸、箱體等多種構(gòu)件，某一結(jié)構(gòu)的失效都有可能引發(fā)齒輪箱的整體故障，進而造成嚴重的后果[2]。風(fēng)電機組SCADA數(shù)據(jù)中蘊藏著風(fēng)電機組運行狀態(tài)信息，應(yīng)用齒輪箱溫度數(shù)據(jù)分析成為近年來國內(nèi)外風(fēng)電機組齒輪箱狀態(tài)監(jiān)測的主流。BRANDAO.R.F.M等人利用神經(jīng)網(wǎng)絡(luò)的方法預(yù)測風(fēng)電機組齒輪箱油液溫度以實現(xiàn)對齒輪箱的故障預(yù)測[3]。Wang L等使用改進的深度神經(jīng)網(wǎng)絡(luò)進行齒輪箱故障預(yù)警，預(yù)測準確率已高于支持向量機 (Support Vector Machines，SVM)[4]。但依靠神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)算法建立的監(jiān)測模型存在模型學(xué)習(xí)時間過長，學(xué)習(xí)效率過低問題，不適應(yīng)于在線工程應(yīng)用。郭鵬等人采用非線性狀態(tài)估計建立齒輪箱正常工作狀態(tài)下的溫度模型并用其進行溫度預(yù)測，已具有較高的建模效率和預(yù)測精度[5]。劉帥等人將高斯混合模型、動態(tài)時間規(guī)整及熵權(quán)值算法三者緊密結(jié)合，提出了一種基于群體多維特征相似性的故障預(yù)警策略[6]。祝文穎等人將改進的經(jīng)驗小波變換應(yīng)用于行星齒輪箱振動信號的解調(diào)分析，提出了一種單分量個數(shù)的估算方法，解決了經(jīng)驗小波變換中的Fourier頻譜劃分問題，提高了分析的針對性、準確率[7]。以上學(xué)者分別利用深度學(xué)習(xí)、機理模型、信號分析的方法進行齒輪箱故障分析，在齒輪箱預(yù)警領(lǐng)域取得了相應(yīng)的成果。但以上方法或存在計算效率問題，或存在故障監(jiān)測時間不確定度問題，即無法給出準確的狀態(tài)劣化時間點。

本文使用XGBoost算法建立齒輪箱正常工作狀態(tài)的溫度模型。通過XGBoost模型與其它4類模型對齒輪箱溫度數(shù)據(jù)進行回歸預(yù)測模型實驗，結(jié)果表明XGBoost模型在齒輪箱溫度預(yù)測中綜合性能要優(yōu)于其它4類模型。對于XGBoost模型預(yù)測殘差序列，本文開展了Change-Point算法構(gòu)建，利用Change-Point技術(shù)進行XGBoost模型預(yù)測殘差序列分析并給出變點，可發(fā)現(xiàn)齒輪箱工作異常狀態(tài)，定位狀態(tài)劣化時間點，回溯狀態(tài)劣化原因。

1 XGBoost算法原理

XGBoost方法為有監(jiān)督學(xué)習(xí)算法，是一種新的梯度提升實現(xiàn)方法，主要解決分類和回歸問題。XGBoost方法自提出以來，廣泛應(yīng)用于金融、醫(yī)療等領(lǐng)域[8-9]。該算法基于“提升”思想，通過將一系列“弱”學(xué)習(xí)機的所有預(yù)測結(jié)果結(jié)合起來，得到“強”的學(xué)習(xí)模型。與傳統(tǒng)的梯度增強回歸樹(Gradient Boosting Decision Tree,GBDT)算法相比，其優(yōu)勢在于XGBoost對于損失函數(shù)進行了二階泰勒展開，將預(yù)測項和正則化項結(jié)合起來，通過簡化目標函數(shù)實現(xiàn)計算資源優(yōu)化，以權(quán)衡損失函數(shù)的下降和模型的復(fù)雜程度，并得到最優(yōu)解[10]。同時，XGBoost自動執(zhí)行并行計算，保證了最優(yōu)的計算速度。

假設(shè)模型有k個決策樹，則模型的輸出表示為

(1)

式中：xi為數(shù)據(jù)集；F為決策樹函數(shù)空間；fk對應(yīng)獨立的樹結(jié)構(gòu)和葉子權(quán)重。其損失函數(shù)為：

(2)

(3)

(4)

式中：gi和hi分別為損失函數(shù)的第一階和第二階梯度統(tǒng)計。

在移除常數(shù)項后，得到目標函數(shù)的簡化形式為：

(5)

定義Ij={i|q(xi)=j}為葉子j的實例集，可以將式(5)擴展正則化項Ω為：

(6)

對上式進行求導(dǎo)并令求導(dǎo)結(jié)果等于0，可得到ωj的最優(yōu)解

(7)

(8)

正常情況下，枚舉所有可能的樹結(jié)構(gòu)是無法實現(xiàn)的。XGBoost采用貪心算法，每一次對已有的葉子節(jié)點加入一個分割，假設(shè)IL和IR是左右子樹分數(shù)分割后的節(jié)點，則分割后的損失函數(shù)為：

Lsplit=

(9)

XGBoost算法為了限值樹的生長，加入了正則項系數(shù)γ，當(dāng)增益大于γ時，允許節(jié)點進行分割，在優(yōu)化目標函數(shù)時相當(dāng)于做了預(yù)剪枝。

2 基于XGBoost算法的風(fēng)電機組齒輪箱溫度建模

2.1 齒輪箱XGBoost建模參數(shù)選取

本文采用某風(fēng)電場1.5 MW機組的運行數(shù)據(jù)，采樣周期為1分鐘。其切入風(fēng)速為3 m/s，額定風(fēng)速為12 m/s。運用相關(guān)性分析方法和風(fēng)電機組控制機理提取若干與齒輪箱軸溫密切相關(guān)聯(lián)的變量，并增加部分分類變量共同作為模型的輸入，模型的輸出為變量齒輪箱軸溫。相關(guān)系數(shù)的計算公式為：

(10)

式中：x為齒輪箱軸溫變量；y為其它變量，包括有功功率、風(fēng)速等與齒輪箱軸溫關(guān)聯(lián)密切的變量；n為數(shù)據(jù)總量。計算該機組其它75個變量與齒輪箱軸溫的相關(guān)性系數(shù)，部分關(guān)聯(lián)變量的相關(guān)系數(shù)見表1。

根據(jù)表1，齒輪箱池油溫、齒輪箱驅(qū)動端油溫和齒輪箱非驅(qū)動端溫升變量為強相關(guān)變量，不能作為模型輸入。選取以下變量作為模型輸入?yún)?shù)。

(1)功率、風(fēng)速、槳葉槳角、高速端轉(zhuǎn)速和齒輪箱入口油溫為齒輪箱軸溫密切相關(guān)聯(lián)的變量。

(2)環(huán)境溫度、機艙溫度的不同也會導(dǎo)致齒輪箱軸溫有較大差異。在不同時刻，即使機組的風(fēng)速和功率相同，齒輪箱軸承溫度同樣會受到晝夜溫差和季節(jié)性溫度變化影響。

表1 相關(guān)性系數(shù)統(tǒng)計表

(3)風(fēng)電機組運行過程中，當(dāng)齒輪箱軸溫升高，與之相關(guān)聯(lián)的油溫升高，油液粘度下降，導(dǎo)致齒輪箱入口油壓和齒輪箱濾網(wǎng)入口油壓等壓力下降。齒輪箱入口油壓、齒輪箱濾網(wǎng)入口油壓與齒輪箱軸溫為負相關(guān)。

(4)風(fēng)機狀態(tài)、可利用率狀態(tài)為SCADA數(shù)據(jù)狀態(tài)編碼，選用風(fēng)機狀態(tài)、可利用率狀態(tài)兩個變量作為模型輸入?yún)?shù)。

(5)增加是否達到額定功率(達到為1，未達到為0)、是否達到額定風(fēng)速(達到為1，未達到為0)、是否為停機狀態(tài)(停機為1，未停機為0)分類變量。

2.2 齒輪箱XGBoost建模參數(shù)調(diào)優(yōu)與模型實驗

本文采用的XGBoost模型調(diào)參選用該風(fēng)場某機組2014年1月份至4月份正常運行數(shù)據(jù)。進行數(shù)據(jù)預(yù)處理后，采用建模數(shù)據(jù)共91 608條，采用測試數(shù)據(jù)共30 067條。模型涉及線程、樹的最大深度、迭代次數(shù)參數(shù)調(diào)優(yōu)。本文利用柵格搜索與單一參數(shù)搜索結(jié)合方法進行參數(shù)尋優(yōu)。Bergstra等[11]研究表明，柵格搜索的效果弱于隨機搜索，采用柵格搜索進行初步組合參數(shù)選取后，固定其它參數(shù)不變，先后對主參數(shù)進行單一參數(shù)搜索以搜尋最優(yōu)參數(shù)，進而提高模型預(yù)測精度。在XGBoost建模中，線程參數(shù)決定了算法的CPU使用率，CPU使用率進一步?jīng)Q定模型的計算效率，CPU使用率、計算耗時與線程參數(shù)關(guān)系如圖1所示。在線程參數(shù)達到8后，CPU使用率達到100%，且計算耗時基本不變，因此本文將線程參數(shù)設(shè)置為8。

圖1 CPU使用率、計算耗時與線程關(guān)系圖

樹的最大深度參數(shù)用來避免過擬合，樹的最大深度參數(shù)越大，模型會學(xué)到更具體更局部的樣本，該參數(shù)會影響模型的預(yù)測精度和計算效率。對于XGBoost模型的預(yù)測精度引入平均絕對誤差(Mean Absolute Error, MAE)、均值偏移誤差(Mean Bias Error, MBE)、根均值平方誤差(Root Mean Squared Error, RMSE)[12]3種殘差分析方法。MAE、MBE和RMSE計算公式如式(11)所示。

(11)

通過對齒輪箱軸溫預(yù)測值與實際值之間的殘差統(tǒng)計分析，給出預(yù)測精度。殘差統(tǒng)計、計算耗時與樹的最大深度關(guān)系如圖2所示。

圖2 殘差統(tǒng)計、計算耗時與樹的最大深度關(guān)系圖

由圖2可知，在樹的最大深度為8時殘差最小，模型計算耗時并不會隨著樹的深度的增加而呈某種特定趨勢，而是有一個擬合優(yōu)值。本文選擇的樹的最大深度為8，在保證最優(yōu)精度的同時有較高的計算效率。

弱學(xué)習(xí)器的迭代次數(shù)大小控制算法的擬合優(yōu)度，直接影響XGBboost模型的計算效率。在模型實驗中發(fā)現(xiàn)梯度增強回歸樹(Gradient Boosting Decision Tree, GBDT)、隨機森林(Random Forest, RF)兩類模型同樣含有迭代次數(shù)參數(shù)，且RF模型物理內(nèi)存占用受該參數(shù)影響較大。圖3給出了3種模型計算耗時、物理內(nèi)存占用率與迭代次數(shù)參數(shù)選取的關(guān)系。

圖3 模型計算耗時、物理內(nèi)存占用與迭代次數(shù)關(guān)系圖

由圖3可知，XGBoost模型計算耗時最少，計算效率最高。RF、XGBoost算法均能實現(xiàn)并行處理，實驗過程中，選用合適的線程參數(shù)，以保證RF、XGBoost模型使用處理器的所有CPU。隨著迭代次數(shù)增大，XGBoost、GBDT模型內(nèi)存占用率維持在44%左右；而RF模型內(nèi)存占用率隨著迭代次數(shù)的增加不斷升高，且計算機出現(xiàn)卡頓現(xiàn)象。XGBoost算法本身考慮了當(dāng)數(shù)據(jù)量比較大、內(nèi)存不夠時怎么有效地使用磁盤。如此，在通過大數(shù)據(jù)量樣本建模并監(jiān)控風(fēng)電機組狀態(tài)時，XGBoost可以充分發(fā)揮其優(yōu)勢，提高計算效率。

為了驗證XGBoost模型對于齒輪箱溫度預(yù)測的適應(yīng)性和有效性。在選取合適的建模參數(shù)后，采用GBDT、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)、K-最近鄰(K-Nearest Neighbor,KNN)和RF作為類比模型進行齒輪箱溫度回歸預(yù)測。選取兩臺機組正常樣本數(shù)據(jù)進行模型實驗，實驗樣本分布如表2所示。其中，樣本1和樣本2選用該風(fēng)場不同機組1～4月份1分鐘平均數(shù)據(jù)，采用1～3月份數(shù)據(jù)建立模型，應(yīng)用4月份數(shù)據(jù)進行測試。

5種模型在兩個實驗樣本的最終計算結(jié)果對比如表3所示。從表3中可以發(fā)現(xiàn)，在參數(shù)調(diào)優(yōu)后，對比5種模型計算結(jié)果可知，XGBoost模型預(yù)測精度要明顯優(yōu)于KNN、ANN模型；在該數(shù)據(jù)量條件下，與GBDT、RF模型預(yù)測精度相當(dāng)，但計算效率更高。結(jié)合XGBoost算法原理，數(shù)據(jù)量越大，XGBoost分類效果會越好。實驗結(jié)果表明，XGBoost模型綜合性能要優(yōu)于其它4類模型，具有預(yù)測精度和計算效率高，資源占用低的特點，證明了XGBoost算法應(yīng)用于齒輪箱溫度預(yù)測的可行性和穩(wěn)定性。

表2 實驗樣本分布

表3 5種模型在兩個實驗樣本的計算結(jié)果對比

2.3 基于XGBoost建模的齒輪箱故障預(yù)警

利用XGBoost算法建立齒輪箱溫度模型并進行預(yù)測，當(dāng)齒輪箱運行在正常工作狀態(tài)下，預(yù)測殘差較小，預(yù)測精度較高；當(dāng)齒輪箱發(fā)生故障時，數(shù)據(jù)特性將偏離正常工作狀態(tài)，預(yù)測殘差明顯增大。將上述建模方法應(yīng)用于某機組7月份齒輪箱溫度傳感器接線故障實例，其中采用該機組1月到5月上旬共194 102條正常數(shù)據(jù)建模，采用包含故障時段的5月下旬到7月上旬共87 020條數(shù)據(jù)進行測試。變量與上述模型實驗選取變量一致，按照上述參數(shù)調(diào)優(yōu)方法，XGBoost預(yù)測結(jié)果如圖4所示。

圖4 XGBoost預(yù)測結(jié)果

在6月10號至7月6號出現(xiàn)XGBoost模型預(yù)測殘差過大問題。核對風(fēng)電機組運行日志，該機組在6月27號至7月7號頻繁出現(xiàn)齒輪箱軸溫變化異常并發(fā)出報警。風(fēng)電場運維人員在7月7號進行故障檢修并發(fā)現(xiàn)傳感器接線松動問題，在緊固傳感器接線后齒輪箱軸溫恢復(fù)正常。根據(jù)風(fēng)電機組控制原理，XGBoost模型較傳統(tǒng)閾值限超溫報警可提前發(fā)現(xiàn)齒輪箱軸溫異常。

3 Change-Point算法與殘差序列分析

在區(qū)域數(shù)據(jù)平臺通過預(yù)警模型監(jiān)測數(shù)十個風(fēng)場上千臺機組狀態(tài)時，如何實現(xiàn)準確的故障自動預(yù)警以提前采取相關(guān)聯(lián)的控制動作，是降低風(fēng)電場運維成本的關(guān)鍵。針對殘差序列進行分析處理，采用單一閾值或自適應(yīng)閾值超限報警方法往往存在時間不確定度問題。為了提高齒輪箱故障預(yù)警的可靠性和準確度，本文通過CUSUM控制圖構(gòu)造Change-Point方法，通過Change-Point方法進行殘差序列分析。

3.1 Change-Point算法

Change-Point算法是利用一定的統(tǒng)計指標或統(tǒng)計方法，對時間序列的狀態(tài)進行觀測，以便準確有效的估計出變點的位置。變點問題分連續(xù)形式和離散形式兩種[13]，對于風(fēng)電機組運行數(shù)據(jù)來說是時間上的連續(xù)，如若對樣本所有觀察點進行變點提取，應(yīng)采用連續(xù)形式。

自20世紀70年代以來，許多統(tǒng)計學(xué)家投入到變點問題研究領(lǐng)域，估計和檢測變點問題的方法也不斷發(fā)展完善[14-15]，如最小二乘法、極大似然法、累積和法(Cumulative Sum, CUSUM)。CUSUM法是通過對觀測值與目標值之差的累積和來描點，因其方法簡潔有效，在經(jīng)濟學(xué)等領(lǐng)域得到了廣泛的應(yīng)用。假設(shè)在一段時間內(nèi)統(tǒng)計值高于全體均值，高于均值的數(shù)據(jù)量會持續(xù)累積，CUSUM控制圖呈現(xiàn)穩(wěn)步增長趨勢；相反，假設(shè)在一段時間內(nèi)統(tǒng)計值低于全體均值，低于均值的數(shù)據(jù)量同樣會持續(xù)累積，CUSUM控制圖呈現(xiàn)穩(wěn)步下降趨勢。某些數(shù)據(jù)特性在不能直觀地發(fā)現(xiàn)顯著變化，通過原始數(shù)據(jù)無法準確定位到變點時間域，而通過CUSUM控制圖累加數(shù)據(jù)特性后可總體定位到變點位置，本文選用CUSUM法實現(xiàn)Change-Point算法。

CUSUM的主要原理為假設(shè)數(shù)據(jù)模型：

xt=u(t)+εt,t=1,2,3，…，n

(12)

式中：u(t)是一個非隨機函數(shù)；εt為線性過程?？紤]比較簡單的情形，即u(t)只取兩個值：

(13)

式中：u1，u2和k*為未知量。變點k*的CUSUM估計定義為：

(14)

其中：

0≤γ≤1

(15)

圖5 Change-Point變點搜尋流程圖

使用CUSUM方法確定變點的總體位置，在搜尋變點位置時存在時間不確定度問題。為了解決不確定度問題，算法在實際應(yīng)用中使用了改進的CUSUM方法[16]。本文使用二分法進行分割搜索，通過CUSUM方法找到變點總體位置后進行二分法分割處理，通過計算置信度的大小定位變點發(fā)生區(qū)間，繼續(xù)使用二分法分割，直到準確搜尋到變點時刻。以此方法保證定位時刻精度，算法具體流程如圖5所示。本文使用Change-Point方法對XGBoost模型預(yù)測殘差序列進行變點分析，對變點進行原因回溯，以此分析狀態(tài)變化點深層次誘因。

3.2 基于Change-Point的殘差序列分析

風(fēng)電機組運行過程中，某些原因?qū)е慢X輪箱故障，故障發(fā)生在一個持續(xù)的時間序列中。通過上述方法構(gòu)建的Change-Point方法對上述模型預(yù)測殘差序列進行變點分析。Change-Point每一個數(shù)據(jù)窗口長度定義為10分鐘，將數(shù)據(jù)窗口精度設(shè)置為12，即找到變點的誤差為兩小時。引導(dǎo)分析限值設(shè)置為1 000，引導(dǎo)分析限值為每一次分析的間隔尺度，如第一次分析第1個數(shù)據(jù)點，則下一次分析第1 001個數(shù)據(jù)點。置信度限值設(shè)置為0.99，通過計算找到變點4個，其殘差序列變點分析圖如圖6所示。

圖6 殘差序列變點分析圖

利用CUSUM控制圖統(tǒng)計殘差序列的變化趨勢，殘差CUSUM控制圖如圖7所示，并對變點進行編號。

圖7 殘差CUSUM控制圖

根據(jù)風(fēng)電機組運行日志，圖7中Change-Point1為對齒輪箱散熱片進行定期清理的時間點。Change-Point2為6月10號22:35:00，Change-Point4為7月6號1:10:00，分別對應(yīng)圖5中傳感器接線松動和緊固傳感器接線時間點。Change-Point3是齒輪箱軸溫異常超限報警時間點，對應(yīng)6月27號23:40:00。該方法可準確定位到狀態(tài)變化時間點，且其CUSUM累積特性可規(guī)避因個別孤立的殘差較大的點導(dǎo)致的超限誤報現(xiàn)象，避免隨機因素的影響。核對該風(fēng)電機組運行數(shù)據(jù)，在Change-Point2與Change-Point3時間段內(nèi)已出現(xiàn)數(shù)據(jù)特性變化異常，只是未觸發(fā)閾值限而引發(fā)報警。相對于機組控制系統(tǒng)閾值超溫報警，該方法可提前17天發(fā)現(xiàn)齒輪箱軸溫異常并發(fā)出報警，證明了該方法的有效性。

4 結(jié)論

(1)本文基于SCADA運行數(shù)據(jù)，采用相關(guān)性分析法和風(fēng)電機組控制機理提取與齒輪箱軸溫密切相關(guān)聯(lián)的變量，并增加部分分類變量共同作為模型輸入。利用XGBoost算法可建立齒輪箱正常工作狀態(tài)溫度模型，進行齒輪箱溫度預(yù)警。

(2)采用5種模型進行齒輪箱溫度預(yù)測模型實驗，最終得出將XGBoost算法應(yīng)用于齒輪箱溫度預(yù)測要優(yōu)于其它4類模型，具有預(yù)測精度和計算效率高，資源占用低的特點。該模型可提前發(fā)現(xiàn)齒輪箱軸溫異常。

(3)構(gòu)建了新的Change-Point算法，通過CUSUM控制圖實現(xiàn)Change-Point算法，利用Change-Point技術(shù)進行XGBoost模型預(yù)測殘差序列分析并給出變點。在齒輪箱軸溫故障實例中，該方法可準確定位狀態(tài)劣化時間點，回溯狀態(tài)劣化誘因。