鄧子豪， 李錄平， 劉 瑞， 楊 波， 陳 茜， 李重桂

(1.長沙理工大學(xué) 能源與動力工程學(xué)院，長沙 410014；2.廣州特種承壓設(shè)備檢測研究院，廣州 510000)

風(fēng)力發(fā)電機(jī)組(下文簡稱風(fēng)電機(jī)組)偏航系統(tǒng)承受多重載荷，具有故障頻率高的特點(diǎn)，其產(chǎn)生的故障(即出現(xiàn)偏航類缺陷)具有難以排除與修復(fù)、更換難度大和費(fèi)用高等特點(diǎn)。孫鶴旭等[1]的研究統(tǒng)計表明，風(fēng)電機(jī)組偏航系統(tǒng)故障率可達(dá)6.7%，因該系統(tǒng)故障而導(dǎo)致的風(fēng)電機(jī)組停機(jī)比例占總停機(jī)的13.3%，故障時間占比過高嚴(yán)重影響了風(fēng)電機(jī)組運(yùn)行的安全可靠性。某風(fēng)電場運(yùn)行數(shù)據(jù)表明，偏航系統(tǒng)在年平均發(fā)生故障統(tǒng)計次數(shù)與單位容量年損失電量的2項數(shù)據(jù)統(tǒng)計中都位列前三[2]。

通過現(xiàn)場調(diào)研發(fā)現(xiàn)湖南某風(fēng)電場2019年第一季度的故障構(gòu)成中，有接近48%是偏航故障，更換了偏航電機(jī)8臺，偏航齒輪箱3臺，而偏航齒輪箱的更換意味著極其昂貴的維修費(fèi)用，且會造成長時間停機(jī)，因此準(zhǔn)確診斷偏航系統(tǒng)故障就顯得刻不容緩。

現(xiàn)有大型風(fēng)電機(jī)組均配有數(shù)據(jù)采集與監(jiān)視控制(Supervisory Control And Data Acquisition，SCADA)系統(tǒng)，可以完成數(shù)據(jù)記錄與儲存、簡單的閾值報警，但這種報警模式往往是風(fēng)電機(jī)組發(fā)生較大故障時采取的不得已的措施，由于運(yùn)行環(huán)境惡劣、不同部件相互之間的故障聯(lián)系較為緊密以及工況切換頻繁等情況，即使大型風(fēng)電機(jī)組均裝有SCADA系統(tǒng)，但該系統(tǒng)配備的警報系統(tǒng)會在相當(dāng)短的時間內(nèi)產(chǎn)生大量的警報信號(5 min內(nèi)報警信息可達(dá)50多條)[3],難以準(zhǔn)確地進(jìn)行判斷。由于偏航系統(tǒng)在風(fēng)電機(jī)組中的重要位置及功能，對偏航系統(tǒng)的故障診斷提出了較高要求，需要針對偏航故障的診斷系統(tǒng)及時有效地診斷出偏航故障[4]，而現(xiàn)有大部分SCADA系統(tǒng)只能進(jìn)行電力生產(chǎn)過程的實時監(jiān)測與存儲，無法有效地預(yù)測風(fēng)電機(jī)組的故障類型，這就造成了SCADA海量數(shù)據(jù)資源的極大浪費(fèi)。為更好地利用好SCADA數(shù)據(jù)，筆者針對SCADA大數(shù)據(jù)環(huán)境進(jìn)行數(shù)據(jù)挖掘與建模，以期對偏航系統(tǒng)故障進(jìn)行有效預(yù)測與診斷。

1 偏航系統(tǒng)故障類型與機(jī)理

1.1 偏航系統(tǒng)基本組成

國內(nèi)的大型風(fēng)電機(jī)組主要采用主動偏航驅(qū)動的形式，其中以偏航電機(jī)為主進(jìn)行驅(qū)動，偏航系統(tǒng)的結(jié)構(gòu)如圖1所示[5]。該系統(tǒng)主要由與機(jī)艙相連的偏航軸承模塊,驅(qū)使機(jī)艙轉(zhuǎn)向正對風(fēng)向的偏航驅(qū)動模塊(包括偏航電機(jī)與偏航齒輪箱)，防止不偏航狀態(tài)下機(jī)艙擺動的偏航制動器模塊(也稱偏航剎車器)，還有防止偏航扭纜故障發(fā)生的保護(hù)模塊等組成。

圖1 偏航系統(tǒng)結(jié)構(gòu)

偏航系統(tǒng)通常在旋轉(zhuǎn)工況運(yùn)行，即需要不斷地轉(zhuǎn)動機(jī)艙進(jìn)行對風(fēng)，偏航電機(jī)輸出轉(zhuǎn)速與力矩經(jīng)偏航齒輪箱傳動至偏航齒圈，進(jìn)一步驅(qū)動偏航大齒圈(即與軸承為一體的齒圈)，使機(jī)艙完成偏轉(zhuǎn)，完成偏航。

1.2 偏航系統(tǒng)故障類型及機(jī)理

根據(jù)上節(jié)偏航系統(tǒng)的構(gòu)成可知，按部件功能進(jìn)行故障劃分主要有風(fēng)向傳感器故障、偏航驅(qū)動故障和偏航制動故障三大類，但為了更清晰地了解偏航系統(tǒng)故障類型，又可將驅(qū)動故障和制動故障細(xì)分為機(jī)械類和液壓類，詳細(xì)分類見圖2。

圖2 偏航系統(tǒng)主要故障及原因

根據(jù)風(fēng)電場運(yùn)行情況可知，偏航系統(tǒng)部件中偏航齒輪箱結(jié)構(gòu)最復(fù)雜，也是故障率最高和維修難度最大的部件之一。通過整理風(fēng)電場整年的運(yùn)維工作票和故障報告發(fā)現(xiàn)，偏航齒輪箱故障主要分為磨損和斷齒2類。

筆者研究的偏航齒輪箱為三級行星齒輪箱，該部件主要由與偏航電機(jī)相連的聯(lián)軸、行星齒輪架、太陽輪和行星輪組成，工作時偏航電機(jī)通過聯(lián)軸驅(qū)動太陽輪，進(jìn)而驅(qū)動行星輪，各級傳動輸出轉(zhuǎn)矩。

1.2.1 偏航齒輪箱磨損故障

在機(jī)組日常運(yùn)行中，偏航打齒現(xiàn)象經(jīng)常出現(xiàn)，主要是由于風(fēng)的隨機(jī)性和偏航齒輪箱輸出小齒與偏航大齒圈存在嚙合間隙，只要潤滑脂潤滑充分，其損傷均在可控范圍內(nèi)。該類故障主要表現(xiàn)為偏航齒輪箱輸出小齒因與偏航大齒圈輪齒相互嚙合，表面發(fā)生磨損、小齒輪與大齒圈齒尖變鈍(倒圓角現(xiàn)象)以及齒尖或輪齒齒面有溝槽、點(diǎn)蝕或剝落現(xiàn)象[6]。處理方式為打磨磨損的輪齒，重新調(diào)整潤滑狀況。

1.2.2 偏航齒輪箱斷齒故障

此類故障一般出現(xiàn)在運(yùn)行三年以上的風(fēng)電機(jī)組，主要表現(xiàn)為：偏航齒輪箱內(nèi)偏航小齒輪單齒或多齒斷裂和行星架斷裂，斷裂形式為疲勞斷裂或瞬間脆性斷裂。偏航啟動時偏航電機(jī)空轉(zhuǎn)，致使機(jī)艙偏航無法正常進(jìn)行，視斷齒程度而定，輕則無法達(dá)到偏航預(yù)期目標(biāo)位置，重則導(dǎo)致偏航電機(jī)振動異常，造成偏航大齒圈損壞等一系列連鎖反應(yīng)和昂貴的大部件更換費(fèi)用，甚至影響機(jī)組安全運(yùn)行。主要原因為運(yùn)行時長和環(huán)境因素造成疲勞狀態(tài)以及偏航電機(jī)之間不對稱驅(qū)動造成沖擊載荷。處理辦法只能是停機(jī)，盡快更換偏航齒輪箱，防止情況惡化。

2 偏航系統(tǒng)故障診斷建模方法

2.1 故障診斷策略

筆者提出一種基于SCADA數(shù)據(jù)特征提取的偏航系統(tǒng)故障診斷方法。首先進(jìn)行SCADA系統(tǒng)中已有參數(shù)的篩選，再進(jìn)行數(shù)據(jù)預(yù)處理(包括數(shù)據(jù)的粗清洗)，最后對已選特征參數(shù)進(jìn)行故障特征提取和歸一化處理，得到用于神經(jīng)網(wǎng)絡(luò)診斷模型尋找參數(shù)間關(guān)系的訓(xùn)練樣本集以及用于驗證模型準(zhǔn)確度的測試樣本集。

該模型分為兩大流程：(1)建模流程。首先訓(xùn)練出能很好地找出參數(shù)間關(guān)系的模型，再用樣本集去測試模型精度。(2)實施流程。將實時數(shù)據(jù)導(dǎo)入訓(xùn)練好的模型，得到預(yù)測結(jié)果，這步與另一個流程相比無需測試結(jié)果。該診斷方法的技術(shù)路線見圖3。

圖3 故障診斷流程圖

2.2 預(yù)處理方法

2.2.1 核密度-均值法

由于SCADA系統(tǒng)記錄的參數(shù)多種多樣，變化范圍不同，量綱差異也較大，需要建立SCADA數(shù)據(jù)中提取規(guī)范的特征指標(biāo)，作為前述“故障診斷模型”的輸入數(shù)據(jù)。現(xiàn)有大型風(fēng)力發(fā)電機(jī)組受外界環(huán)境和內(nèi)部機(jī)械運(yùn)行不穩(wěn)定等隨機(jī)因素的影響，導(dǎo)致SCADA數(shù)據(jù)采樣值分布較廣，難以直接發(fā)現(xiàn)表征偏航系統(tǒng)具體狀態(tài)的相關(guān)標(biāo)簽參數(shù)，無法對其進(jìn)行定性分析，因此有必要對采集到的數(shù)據(jù)進(jìn)行預(yù)處理。

目前，風(fēng)電領(lǐng)域常用的數(shù)據(jù)預(yù)處理方法主要有平均數(shù)法、最小二乘法和核密度-均值法[7]。據(jù)相關(guān)研究表明，核密度-均值法充分考慮了數(shù)據(jù)非對稱性分布對處理結(jié)果的影響，具有良好的采樣頻率穩(wěn)健性，能夠更好地進(jìn)行物理特性評價，也能較好地處理故障數(shù)據(jù)[8]，故本文選用的數(shù)據(jù)預(yù)處理方法為核密度-均值法[9]。由于SCADA數(shù)據(jù)之間的關(guān)系錯綜復(fù)雜，且包含了很多無用數(shù)據(jù)，需要篩掉部分非正常記錄數(shù)據(jù)，而核密度-均值法通過估計非參數(shù)核密度來分析樣本數(shù)據(jù)，該方法不需要知道樣本數(shù)據(jù)的分布情況。

設(shè)K( )為核函數(shù)，h為窗寬，X1,X2,X3,…,Xn為一元連續(xù)樣本，則在任意點(diǎn)x處的總體密度函數(shù)f(x)的核密度估計為[8]：

(1)

數(shù)據(jù)處理的基本過程為：(1)獲取SCADA源數(shù)據(jù)；(2)刪除機(jī)組停機(jī)和未及時記錄的數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行平均處理，用短時間平均值替代瞬時值，降低傳感器信號的偶然誤差；(3)選取切入風(fēng)速與切出風(fēng)速之間的數(shù)據(jù)帶，并根據(jù)不同風(fēng)速將其劃分為若干組；(4)根據(jù)總體密度函數(shù)f(x)，篩掉分布異常的功率數(shù)據(jù)，具體方法為將f(x)曲線中頂點(diǎn)位置數(shù)值的10%作為邊界范圍，去除該范圍內(nèi)的數(shù)值；(5)通過平均處理，計算得到每個風(fēng)速下對應(yīng)的功率中位點(diǎn)。

通過上述步驟得到相對風(fēng)速與相對功率的擬合曲線，如圖4所示。

圖4 相對風(fēng)速與相對功率擬合曲線

2.2.2 歸一化處理

部分特征參數(shù)不易確定其特征提取模型，因此統(tǒng)一采取最小-最大規(guī)范法，該方法是將數(shù)據(jù)格式轉(zhuǎn)換或統(tǒng)一成適合建模的形式，分別以每個參數(shù)數(shù)據(jù)的最小值和最大值作為界限，以該參數(shù)數(shù)據(jù)平均值作為基準(zhǔn)，將每個具體數(shù)值按比例歸一化至[0，1]，相應(yīng)公式如下[9]：

(2)

找到每個參數(shù)對應(yīng)數(shù)據(jù)的最大值與最小值(SCADA參數(shù)中大部分有額定值，則視為最大值)，求得每個參數(shù)的平均值后，用上式計算其歸一化后的值。

2.3 偏航齒輪箱狀態(tài)信號選取

利用3種常見的特征選擇方法(即相關(guān)系數(shù)法、主成分分析(PCA)與ReliefF算法)對同一樣本集合進(jìn)行特征提取，并對其提取效果進(jìn)行對比。前2種方法特征提取情況分別如表1和圖5所示，表1中1～8對應(yīng)為表2中的參數(shù)。

表1 SCADA參數(shù)相關(guān)系數(shù)矩陣

圖5 PCA降維結(jié)果

ReliefF算法是通過分析和比較各類參數(shù)間的權(quán)重值來選取參數(shù)的一種方法[10]，其中該權(quán)重值表示參數(shù)間相關(guān)程度。該算法的基本思想為：找到同類樣本集合，將同類樣本歸為一起，并分類不同樣本集合，再通過權(quán)重計算公式更新特征權(quán)重。

具體步驟如下：

(1) 置零所有特征權(quán)重；

(2) 設(shè)置抽樣次數(shù)m，隨機(jī)選取樣本集D中的一個作為初始樣本，接著找到k個同類和不同類的最相近樣本；

(3) 設(shè)置運(yùn)行次數(shù)N，為取得更好效果，運(yùn)行20次，以其平均值作為最終權(quán)重，根據(jù)權(quán)重計算公式更新每個特征權(quán)重W。

(3)

式中：p(C)為類別C的概率分布情況；Class(R)為樣本集R的類別；Hj為Class(R)中R的第j個最相近的樣本；Mj(C)為類別C中的第j個最相近的樣本；diff(A,R1,R2)為R1和R2這2個樣本集在特征值A(chǔ)上的差值。

對于連續(xù)型特征

(4)

對于離散型特征

(5)

(4) 對特征權(quán)重W進(jìn)行排序。

對特征提取結(jié)果進(jìn)行比較，發(fā)現(xiàn)ReliefF算法能直觀地判斷參數(shù)的重要性程度，這種優(yōu)勢在實際運(yùn)行情況下能較好地選定同一種機(jī)型的特征參數(shù)，更好地適用于同一風(fēng)電場的機(jī)組。基于核密度-均值法的處理結(jié)果和ReliefF算法得出的各項參數(shù)權(quán)重見表2，本文從所列的SCADA參數(shù)中選定前7個參數(shù)作為偏航齒輪箱狀態(tài)信號參數(shù)，即液壓制動壓力、輪轂轉(zhuǎn)速、5s偏航對風(fēng)平均值、變頻器發(fā)電機(jī)側(cè)功率、風(fēng)向角絕對值、扭纜圈數(shù)(偏航扭纜值)和機(jī)艙氣象站風(fēng)速。

表2 SCADA參數(shù)特征權(quán)重排名

2.4 故障提取特征模型

2.4.1 基于變化速率公式特征提取

由于風(fēng)速具有時速性，但風(fēng)輪是一個巨大的慣性系統(tǒng)，風(fēng)輪轉(zhuǎn)速不具備突變性，其數(shù)值的變化不僅與當(dāng)前的風(fēng)速值有關(guān)，同樣與前一陣時間內(nèi)的風(fēng)速平均值有關(guān)。據(jù)以上分析，需要通過分析特征參數(shù)變化速率來判斷故障情況。

定義狀態(tài)參數(shù)變化速率的計算公式如下[9]：

若y=y(x)為連續(xù)函數(shù)，則函數(shù)y(x)的導(dǎo)數(shù)為：

(6)

式中：X為采樣間隔。

根據(jù)變化速率公式(6)和歸一化公式(2)，得到扭纜圈數(shù)特征x1、輪轂轉(zhuǎn)速特征x2、5s偏航對風(fēng)平均值特征x3和風(fēng)向角絕對值特征x4的提取公式，分別如式(7)～式(10)所示：

(7)

(8)

(9)

(10)

2.4.2 風(fēng)速-功率特征x5的提取

實際運(yùn)行工況下，風(fēng)電機(jī)組的有效輸出功率P為：

(11)

正常運(yùn)行工況下的風(fēng)電機(jī)組額定功率為：

(12)

風(fēng)電機(jī)組輸出功率與來流風(fēng)速有直接聯(lián)系，可用來表述偏航系統(tǒng)故障特征[11]，即來流風(fēng)速-輸出功率特征指標(biāo)：

(13)

Vi的取值范圍為[0，1]。偏航系統(tǒng)無故障時，Vi=0；偏航系統(tǒng)發(fā)生嚴(yán)重故障(無法進(jìn)行電力輸出)時，Vi=1。

2.4.3 液壓制動壓力特征x6的提取

風(fēng)電機(jī)組液壓制動系統(tǒng)分為常規(guī)型制動器(18 MPa)和高壓型制動器(20 MPa)。在實際偏航過程中，偏航制動壓力始終不能完全為零，在報警故障系統(tǒng)中偏航制動壓力低于13 MPa持續(xù)超過30 s，則報偏航制動壓力太低的警報，偏航過程中偏航制動器始終保持2.5 MPa左右的阻尼制動力；風(fēng)電機(jī)組停電時，偏航制動器壓力背壓調(diào)至2.5 MPa。偏航制動器在偏航結(jié)束后保持17.5 MPa左右的制動力，進(jìn)行抱死措施；無偏航動作時，偏航制動器壓力為18 MPa，此時偏航剎車抱死；若偏航時液壓制動壓力為0 MPa，則機(jī)艙處于極度危險的狀態(tài)。設(shè)液壓制動壓力為pY，定義液壓制動壓力特征指標(biāo)為：

(14)

當(dāng)ξ=0時，偏航制動裝置處于正常狀態(tài)；當(dāng)ξ=1時，偏航制動裝置處于故障狀態(tài)，ξ∈[0，1]。

2.5 故障診斷神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

反向(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)[12]是一種按誤差逆?zhèn)鞑サ亩鄬忧梆伨W(wǎng)絡(luò)，結(jié)構(gòu)簡單，通過采用最速下降方法，將每次計算的權(quán)重和誤差不斷反向傳遞，進(jìn)而通過不斷調(diào)整權(quán)值和閾值來達(dá)到要求的精度，具有極強(qiáng)的非線性映射能力[13]，在風(fēng)電機(jī)組的故障診斷與預(yù)測中應(yīng)用比較普遍。BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)包括輸入、輸出和隱含層3層結(jié)構(gòu)[14]。

筆者基于Matlab軟件平臺建立3層BP神經(jīng)網(wǎng)絡(luò)模型，用以預(yù)測偏航齒輪箱故障，輸入層為6個輸入指標(biāo)：液壓制動壓力特征指標(biāo)、扭纜圈數(shù)特征指標(biāo)、輪轂轉(zhuǎn)速特征指標(biāo)、風(fēng)速-功率特征指標(biāo)、5s偏航對風(fēng)平均值特征指標(biāo)和風(fēng)向角絕對值特征指標(biāo)。

(15)

式中：n=1，2，3；當(dāng)輸出為000時代表機(jī)組處于正常狀態(tài),輸出為010時代表偏航齒輪箱處于磨損狀態(tài),輸出為100時代表偏航齒輪箱發(fā)生斷齒故障，應(yīng)緊急處理。診斷詳情見表3。

表3 神經(jīng)網(wǎng)絡(luò)輸出診斷結(jié)果

將Singmoid型正切tansing信號用于激活隱含層，隱含層節(jié)點(diǎn)數(shù)為：

(16)

式中：m′為輸入節(jié)點(diǎn)數(shù)；l為輸出節(jié)點(diǎn)數(shù)；a為常數(shù)，a∈[1，10]。

根據(jù)枚舉原則可得，在本文構(gòu)建的模型中n=10時的網(wǎng)絡(luò)訓(xùn)練效果最好。輸出為3個數(shù)值構(gòu)成的目標(biāo)向量，該層利用Singmoid型對數(shù)函數(shù)logsig進(jìn)行激活。建立的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)見圖6,其中z1、z2和z3代表BP神經(jīng)網(wǎng)絡(luò)的輸出。

圖6 BP神經(jīng)網(wǎng)絡(luò)診斷模型

3 偏航齒輪箱故障診斷應(yīng)用

3.1 應(yīng)用對象

研究對象為湖南某風(fēng)電場一臺直驅(qū)型風(fēng)電機(jī)組，其基本參數(shù)見表4。選取該風(fēng)電機(jī)組2019年全年發(fā)生的偏航齒輪箱磨損和斷齒故障的數(shù)據(jù)。

表4 風(fēng)電機(jī)組基本參數(shù)

3.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)的構(gòu)建

整理該風(fēng)電場某一臺風(fēng)電機(jī)組一整年的故障記錄數(shù)據(jù)，選取其中偏航系統(tǒng)故障狀態(tài)中的偏航齒輪箱故障數(shù)據(jù)作為故障樣本數(shù)據(jù)，磨損和斷齒狀態(tài)各選取50組，共100組，選取該機(jī)組正常狀態(tài)運(yùn)行數(shù)據(jù)作為正常狀態(tài)樣本數(shù)據(jù)，共356組，整個樣本集合共456組。構(gòu)建故障特征部分訓(xùn)練樣本，如表5所示。

表5 偏航齒輪箱故障特征訓(xùn)練樣本

3.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

以trainlm作為訓(xùn)練函數(shù)，學(xué)習(xí)率設(shè)置為0.1，最大訓(xùn)練數(shù)為1 000，目標(biāo)誤差為0.000 1。將表3中的樣本數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練集合，用獲取和整理后的SACDA訓(xùn)練樣本不斷試驗，發(fā)現(xiàn)當(dāng)隱含層節(jié)點(diǎn)數(shù)為10時，神經(jīng)網(wǎng)絡(luò)經(jīng)過6次迭代就快速達(dá)到所要求的預(yù)測精度，其訓(xùn)練誤差精度收斂曲線見圖7。由圖7可知，本文所搭建的神經(jīng)網(wǎng)絡(luò)能很好地收斂到給定的誤差精度，其最佳誤差為5.4×10-5。

圖7 訓(xùn)練誤差變化

3.4 測試結(jié)果分析

選取包含該風(fēng)電場正常運(yùn)行工況、磨損故障和斷齒狀態(tài)的3組SCADA數(shù)據(jù)作為測試集合，測試樣本如表6所示。將測試樣本輸入達(dá)到診斷精度的模型中進(jìn)行測試驗證，具體測試樣本的測試結(jié)果及神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分別為3層和4層時的測試結(jié)果見表7，為與3層結(jié)構(gòu)下表征狀態(tài)的a、b和c進(jìn)行區(qū)分，將4層結(jié)構(gòu)下的狀態(tài)分別對應(yīng)表征為a1、b1和c1。由表7可以看出，該診斷模型可以對應(yīng)地判斷出偏航齒輪箱運(yùn)行狀態(tài)，即分類出正常與故障的情況，測試結(jié)果與實際結(jié)果基本一致，可見BP神經(jīng)網(wǎng)絡(luò)用于處理偏航齒輪箱故障可獲得較為準(zhǔn)確的診斷結(jié)果。

表6 偏航齒輪箱故障特征值測試樣本

表7 測試結(jié)果

圖7為神經(jīng)網(wǎng)絡(luò)模型達(dá)到訓(xùn)練誤差精度與迭代訓(xùn)練次數(shù)的變化情況。由圖7和表7所示的測試結(jié)果表明，在本文的研究情況下，神經(jīng)網(wǎng)絡(luò)層數(shù)的增加對診斷結(jié)果影響甚微，但是運(yùn)行速率有一定下降趨勢，故選擇3層結(jié)構(gòu)具有可行性。所建立的神經(jīng)網(wǎng)絡(luò)診斷模型達(dá)到了很好的訓(xùn)練效果，其誤差精度可以收斂至10-4以內(nèi)，即基本能正確識別故障狀態(tài)。

測試結(jié)果與實際結(jié)果之間存在一定誤差，可能原因是：(1)機(jī)組運(yùn)行環(huán)境較為惡劣，造成傳感器本身記錄數(shù)據(jù)存在錯誤[15]；(2)神經(jīng)網(wǎng)絡(luò)診斷模型的算法還不夠精確，存在局限性；(3)記錄數(shù)據(jù)的頻率較低，即精度還不夠；(4)現(xiàn)場統(tǒng)計分析人員對故障的分類精度不夠等。

4 結(jié) 論

(1) 利用核密度-均值法對SCADA數(shù)據(jù)進(jìn)行整理，剔除了由于傳感器故障等原因造成的非正常數(shù)據(jù)，在此基礎(chǔ)上采用ReliefF算法進(jìn)行偏航齒輪箱故障相關(guān)參數(shù)特征選擇，選取液壓制動壓力、輪轂轉(zhuǎn)速、5s偏航對風(fēng)平均值、變頻器發(fā)電機(jī)側(cè)功率、風(fēng)向角絕對值、扭纜圈數(shù)(偏航扭纜值)和機(jī)艙氣象站風(fēng)速共7個特征參數(shù)。

(2) 基于變化速率計算公式提取了扭纜圈數(shù)特征、輪轂轉(zhuǎn)速特征、5s偏航對風(fēng)平均值特征和風(fēng)向角絕對值特征，并進(jìn)行了歸一化處理，通過分析風(fēng)電機(jī)組實際運(yùn)行情況，進(jìn)行了風(fēng)速-功率特征和液壓制動壓力特征的提取，并且各個特征參數(shù)提取值范圍為[0，1]。

(3) 采用BP神經(jīng)網(wǎng)絡(luò)算法對偏航齒輪箱正常狀態(tài)、磨損狀態(tài)和斷齒狀態(tài)這3種狀態(tài)進(jìn)行分類，經(jīng)測試結(jié)果分析表明，該方法能有效地辨別出故障狀態(tài)，可以為現(xiàn)場運(yùn)行維護(hù)人員提供最直觀的故障信息，判斷故障類型，從而有效地進(jìn)行風(fēng)電機(jī)組運(yùn)行維護(hù)，減少風(fēng)電場經(jīng)濟(jì)損失。