蒙康　滕偉　彭迪康　向玲　柳亦兵

摘要：傳統(tǒng)基于機(jī)器學(xué)習(xí)的風(fēng)電齒輪箱故障預(yù)警模型往往僅從數(shù)據(jù)著手分析數(shù)據(jù)與故障的映射關(guān)系，在參數(shù)和模型結(jié)構(gòu)選擇上缺少物理依據(jù)，導(dǎo)致模型的可解釋性和泛化能力不強(qiáng)。從風(fēng)電齒輪箱的結(jié)構(gòu)和實(shí)際運(yùn)行控制方式出發(fā)，分析了運(yùn)行機(jī)理與對應(yīng)的數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)數(shù)據(jù)的關(guān)系，定性地給出了齒輪箱典型故障發(fā)生時(shí)運(yùn)行數(shù)據(jù)的變化趨勢，然后根據(jù)數(shù)據(jù)分布變化規(guī)律選擇參數(shù)和模型，建立了一系列基于單分類支持向量機(jī)的風(fēng)電齒輪箱系統(tǒng)故障預(yù)警模型。實(shí)驗(yàn)結(jié)果顯示各模型能夠準(zhǔn)確定位風(fēng)電齒輪箱系統(tǒng)故障，具有清晰的物理意義。

關(guān)鍵詞：風(fēng)力發(fā)電機(jī)；故障分析；故障診斷；故障檢測；運(yùn)行機(jī)理分析

中圖分類號：TK83

DOI：10.3969/j.issn.1004-132X.2023.12.010

Operating Mechanism and Data Driven Approach for Fault Alarm of Wind Turbine Gearbox Systems

MENG Kang TENG Wei PENG Dikang XIANG Ling LIU Yibing

Abstract： Traditional machine learning methods were used in fault early warning of wind turbine gearboxes， the models were usually designed only by studying the relationship between data and faults， and the selection of parameters and model structure were lack of physical basis， resulting in poor interpretability and weak generalization capabilities of the models. The structure and actual operation control mode of the wind turbine gearbox were studied， the relationship between the operation mechanism and the data of corresponding supervisory control and data acquisition system was analyzed， and the operation data change trend was given qualitatively followed by deterioration of the typical gearbox faults. Finally， a series of one-class support vector machine（OCSVM） based models were constructed according to change law of the data distribution to realize the early fault warning of the wind turbines gearbox systems. Experimentsal results show that all of the proposed models may locate the fault positions of the wind turbine gearbox systems， which has clear physical significance.

Key words： wind turbine； failure analysis； fault diagnosis； fault detection； operating mechanism analysis

0 引言

“雙碳”的戰(zhàn)略目標(biāo)促使具有清潔、可再生特點(diǎn)的風(fēng)力發(fā)電再次迎來了飛躍式發(fā)展，風(fēng)電機(jī)組的單機(jī)設(shè)計(jì)容量和總裝機(jī)容量也逐年攀升［1］。然而，由于風(fēng)電設(shè)備運(yùn)行環(huán)境惡劣，地處海洋或偏遠(yuǎn)地區(qū)的高空，機(jī)組中各部件的故障率較高，從而嚴(yán)重影響了發(fā)電效率。

齒輪箱是雙饋型風(fēng)力發(fā)電機(jī)中三大系統(tǒng)（葉片、齒輪、發(fā)電機(jī)）之一，它的主要功能是將來自葉輪的低速旋轉(zhuǎn)機(jī)械能提升到適合發(fā)電的高轉(zhuǎn)速機(jī)械能并輸送給發(fā)電機(jī)，從而達(dá)到減少發(fā)電機(jī)的極對數(shù)，降低發(fā)電機(jī)體積和變流器功率的目的。據(jù)研究，雙饋型風(fēng)力發(fā)電機(jī)的變流器功率可以僅為機(jī)組功率的三分之一，遠(yuǎn)小于直驅(qū)型風(fēng)電機(jī)中所需的全功率變流器功率，但同時(shí)由于設(shè)計(jì)、材料、制造、裝配、運(yùn)行過程中存在挑戰(zhàn)，增速齒輪箱是風(fēng)電機(jī)組中故障發(fā)生造成停機(jī)時(shí)間以及維修成本最高的部件之一［2］，因此，對風(fēng)電齒輪箱開展?fàn)顟B(tài)評估與預(yù)測預(yù)警是保證風(fēng)電機(jī)組穩(wěn)定可靠運(yùn)行的有效途徑。

以機(jī)器學(xué)習(xí)和深度學(xué)習(xí)為代表的故障預(yù)警方法在風(fēng)電齒輪箱中應(yīng)用廣泛。王佳松等［3］利用極限梯度提升樹XGBoost算法構(gòu)建了齒輪箱的溫度預(yù)測模型，特征選擇時(shí)通過各特征與目標(biāo)參數(shù)的皮爾遜相關(guān)系數(shù)來決定，實(shí)驗(yàn)結(jié)果顯示XGBoost算法的預(yù)測精度優(yōu)于梯度提升決策樹（GBDT）、隨機(jī)森林（RF）、K最近鄰（KNN）和人工神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。符楊等［4］用徑向基函數(shù)（RBF）網(wǎng)絡(luò)來進(jìn)行曲線擬合，以解決普通反向傳播神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的問題，在數(shù)據(jù)處理上首先用皮爾遜相關(guān)系數(shù)篩選參數(shù)，之后用max-min標(biāo)準(zhǔn)化生成灰度圖片再輸入網(wǎng)絡(luò)，提出用循環(huán)生成對抗網(wǎng)絡(luò)來豐富樣本標(biāo)簽，在樣本不足的齒輪箱故障案例中成功檢測出故障。SU等［5］對齒輪箱狀態(tài)進(jìn)行建模時(shí)，在數(shù)據(jù)特征提取階段加入了自注意力機(jī)制，之后利用門循環(huán)單元提取信號的時(shí)間信息，在實(shí)際故障檢測和狀態(tài)預(yù)測上取得了較好的結(jié)果。XIANG等［6］在處理數(shù)據(jù)采集與監(jiān)視控制（supervisory control and data acquisition， SCADA）系統(tǒng)數(shù)據(jù)時(shí)使用卷積網(wǎng)絡(luò)提取特征，為解決長時(shí)間的雙向信息提取問題又引入了雙向門循環(huán)單元網(wǎng)絡(luò)，并在風(fēng)電齒輪箱故障案例中得到了驗(yàn)證。PANG等［7］在使用卷積網(wǎng)絡(luò)提取參數(shù)特征時(shí)受到谷歌V1模型［8］的啟發(fā)，使用多尺度的卷積核配合前饋網(wǎng)絡(luò)進(jìn)行特征提取，將采集到的SCADA信息按時(shí)間堆疊，用多尺度卷積核的特征提取器提取特征之間的信息，之后利用長短時(shí)記憶（LSTM）網(wǎng)絡(luò)進(jìn)一步整合時(shí)間信息。

風(fēng)電齒輪箱在追求高功率密度的同時(shí)，其結(jié)構(gòu)變得較為復(fù)雜，且實(shí)際運(yùn)行工況多變，安裝在外表面的振動傳感器采集到的信號容易受其工況以及其他鄰近部件的影響，常見的基于SCADA數(shù)據(jù)的故障診斷方法中，特征選擇階段依賴于特征選擇算法，如降維［9-11］、模型嵌入［5-7，12-13］、模型選擇［14-15］等方法自動篩選所需特征，此類智能算法雖然在執(zhí)行中節(jié)省了人為選擇特征的成本，但也降低了模型與診斷結(jié)果的可解釋性，加大了調(diào)參和模型泛化的難度，因此本文提出了一種基于齒輪箱系統(tǒng)運(yùn)行機(jī)理和運(yùn)行數(shù)據(jù)雙驅(qū)動的故障診斷方法。首先從齒輪箱系統(tǒng)的結(jié)構(gòu)出發(fā)，分析物質(zhì)流和能量流的流動規(guī)律，結(jié)合齒輪箱冷卻潤滑過程，分析齒輪箱系統(tǒng)中各個(gè)關(guān)鍵部件的運(yùn)行狀態(tài)以及與之對應(yīng)的參數(shù)變化規(guī)律，再利用運(yùn)行數(shù)據(jù)建立基于運(yùn)行機(jī)理的數(shù)據(jù)驅(qū)動模型，運(yùn)用單分類支持向量機(jī)進(jìn)行建模，從數(shù)據(jù)分布的角度弱化運(yùn)行工況影響。實(shí)際風(fēng)電機(jī)組故障案例分析驗(yàn)證了本文方法的有效性，并且參數(shù)可視化結(jié)果也證明了模型的可解釋性。

1 風(fēng)電齒輪箱結(jié)構(gòu)及故障機(jī)理

1.1 基本結(jié)構(gòu)

齒輪箱在運(yùn)轉(zhuǎn)時(shí)需要傳遞巨大扭矩，齒輪和軸承工作在重載條件下，因此冷卻和潤滑是維持齒輪箱持續(xù)穩(wěn)定運(yùn)行的關(guān)鍵。某型號齒輪箱冷卻潤滑系統(tǒng)如圖1所示，潤滑油從齒輪箱油池被油泵加壓后經(jīng)過過濾器過濾，之后經(jīng)過溫控閥，當(dāng)油液溫度比較低時(shí)，油液不經(jīng)過冷卻器冷卻而直接流到分配器，然后到達(dá)各個(gè)潤滑點(diǎn)。當(dāng)油液溫度逐漸升高達(dá)到一定溫度后，有部分油液流經(jīng)外部冷卻器進(jìn)行冷卻后，再回到分配器去往各個(gè)潤滑點(diǎn)，潤滑油最終回到油池，完成一次循環(huán)。在這個(gè)循環(huán)中包含著物質(zhì)流和能量流的流動，即雜質(zhì)和磨損碎屑隨著潤滑油一并流動并在過濾器中被過濾掉，齒輪嚙合和軸承摩擦產(chǎn)生的熱量被潤滑油吸收并在冷卻器中被排出到環(huán)境中。

1.2 故障機(jī)理

由于潤滑油在循環(huán)過程中有著較明確的物質(zhì)流和能量流路徑，可以認(rèn)為一旦齒輪箱及其冷卻潤滑系統(tǒng)出現(xiàn)故障，將打破這種物質(zhì)和能量流動平衡，從而在油路循環(huán)路徑各個(gè)關(guān)鍵部件傳感器測點(diǎn)上發(fā)生一定變化。齒輪箱常見的故障類型有齒輪機(jī)械故障、軸承損壞、過濾器堵塞、溫控閥失靈、油泵損壞等。齒輪機(jī)械故障如輪齒斷裂、齒面點(diǎn)蝕、齒面變形等，一般是負(fù)載頻繁變化、齒形誤差、安裝誤差、潤滑不足等原因造成的，當(dāng)輪齒出現(xiàn)以上問題時(shí)，齒面接觸狀態(tài)發(fā)生變化，隨著機(jī)組的持續(xù)運(yùn)行輪齒間相互碰撞摩擦?xí)a(chǎn)生大量的熱且伴隨著碎屑剝落，導(dǎo)致后續(xù)金屬碎屑逐漸在過濾器堆積引起過濾器濾芯堵塞，潤滑油流量變小，從而使油泵出口壓力升高，齒輪箱進(jìn)口油壓卻降低，另外齒面碰摩產(chǎn)生的大量熱難以隨潤滑油有效排出，造成齒輪箱油池溫度升高，附帶齒輪箱高速軸軸承的溫度也有所升高。如果此時(shí)冷卻器正常工作，則齒輪箱進(jìn)口油溫有所上升或在小范圍內(nèi)波動。

齒輪箱各級軸軸承的故障類型有內(nèi)圈故障、外圈故障、滾動體故障和保持架故障，無論哪種故障，除了軸承的振動響應(yīng)發(fā)生改變外，最顯著的故障表征為軸承發(fā)熱量增加。風(fēng)電齒輪箱中高速軸的轉(zhuǎn)速最大，最容易發(fā)生故障。以高速軸軸承對為例，當(dāng)高速軸某個(gè)軸承發(fā)生故障時(shí)，該軸承的發(fā)熱量增加，而另一軸承運(yùn)行狀態(tài)沒有太大變化，發(fā)熱量正常，與齒輪故障中的碰摩發(fā)熱相比，軸承滾動的摩擦因數(shù)遠(yuǎn)小于齒面嚙合的摩擦因數(shù)，因此故障導(dǎo)致的發(fā)熱量沒有齒輪機(jī)械故障多，對油路循環(huán)中后續(xù)部件的影響較小。

齒輪箱過濾器堵塞的直接原因是潤滑油中雜質(zhì)或機(jī)械故障產(chǎn)生的碎屑堵住了濾芯網(wǎng)眼，從而導(dǎo)致油路流量下降，濾芯前后壓力差增大，各潤滑點(diǎn)油量不足，齒輪和軸承工作產(chǎn)生的熱量也就不能有效排出，導(dǎo)致齒輪箱油池溫度和高速軸軸承溫度有所上升。

溫控閥的功能是控制油路的流動路徑，當(dāng)油液溫度較低時(shí)潤滑油不經(jīng)過冷卻直接去到各個(gè)潤滑點(diǎn)，當(dāng)溫度逐漸升高到一定值時(shí)，溫控閥開始工作，有部分油液流經(jīng)冷卻器后再在分配器與未冷卻部分匯合，然后去到各個(gè)潤滑點(diǎn)。隨著油液溫度的升高，分配到冷卻器的油液流量越來越大，當(dāng)所有油液都流經(jīng)冷卻器再回到分配器時(shí)，冷卻器全功率工作。因此，當(dāng)溫控閥失靈時(shí)，油液無法被分配到冷卻器進(jìn)行冷卻，熱量累積無法排出，油路循環(huán)中各處油液保持較高溫度，然而給潤滑油降溫的冷卻水溫度卻比較低。

油泵相關(guān)故障包括油泵電機(jī)損壞、油泵聯(lián)軸器損壞、油泵電機(jī)控制器損壞等，油泵的功能是給潤滑油提供壓力和流速，當(dāng)油泵不工作時(shí)潤滑油停止循環(huán)，齒輪箱長時(shí)間運(yùn)行在缺少潤滑油的狀態(tài)下將嚴(yán)重?fù)p壞各個(gè)運(yùn)動部件，加速齒輪和軸承磨損，引起其他更嚴(yán)重的故障。油泵停止工作時(shí)，潤滑油油路各部分壓力下降，齒輪箱內(nèi)油池溫度以及各軸承溫度逐漸上升，齒輪箱冷卻水溫度主要受壞境溫度影響。

以上分析了齒輪箱及其冷卻潤滑系統(tǒng)中的典型故障以及發(fā)生機(jī)理，結(jié)合SCADA系統(tǒng)的測點(diǎn)位置進(jìn)一步分析可以得出不同故障類型的故障表征。表 1 總結(jié)了這五種典型故障發(fā)生時(shí)各個(gè)測量參數(shù)的變化情況。

分析結(jié)果顯示，隨著故障程度的加深，潤滑油路循環(huán)中某一位置的參數(shù)會隨之發(fā)生變化，例如齒輪的機(jī)械故障：故障發(fā)生前期，齒輪箱油池溫度、齒輪箱高速軸軸承溫度、齒輪箱冷卻水溫度以及齒輪箱進(jìn)口油溫會上升，但齒輪箱油泵出口油壓力和齒輪箱進(jìn)口油壓力不會有明顯變化；故障發(fā)生中后期，機(jī)械故障導(dǎo)致的金屬碎屑逐漸增多并逐漸堵塞過濾器濾芯，這時(shí)油路上各個(gè)參數(shù)表現(xiàn)出濾芯堵塞的形式，即齒輪箱油池溫度、齒輪箱高速軸軸承溫度及齒輪箱出口油壓力會上升，齒輪箱進(jìn)口油壓力下降，而齒輪箱冷卻水溫度和齒輪箱進(jìn)口油溫度基本沒有變化?；谶@種故障演變規(guī)律，為了更敏銳地診斷出對應(yīng)部件的健康狀態(tài)，本研究僅關(guān)注部件發(fā)生初期故障時(shí)油路循環(huán)中變化最明顯的參數(shù)，以此作為監(jiān)測對象。表1中箭頭符號后的“√”表示該故障類型中變化最明顯的參數(shù)，這些對應(yīng)參數(shù)將作為后續(xù)診斷模型的輸入特征。

2 模型原理與算法框架

2.1 模型選擇及原理

風(fēng)電機(jī)組的運(yùn)行環(huán)境復(fù)雜多變，風(fēng)速風(fēng)向時(shí)刻在變化，此外環(huán)境溫度也隨晝夜和季節(jié)的變化而變化，進(jìn)而給SCADA數(shù)據(jù)引入了復(fù)雜的工況信息，加大了故障預(yù)警的難度。為了減少運(yùn)行工況的影響，避免復(fù)雜的模型結(jié)構(gòu)和調(diào)參壓力，本文使用單分類器作為故障診斷模型，按照1.2節(jié)中的分析，故障的發(fā)生發(fā)展在數(shù)據(jù)上的表現(xiàn)為故障數(shù)據(jù)沿著某個(gè)方向開始變化，故障樣本點(diǎn)逐漸偏離正常樣本點(diǎn)簇。直觀地說，即將所有正常狀態(tài)下數(shù)據(jù)集作為一種類型即正常數(shù)據(jù)，使用正常數(shù)據(jù)訓(xùn)練計(jì)算出正常數(shù)據(jù)的邊界，該邊界為樣本點(diǎn)的正常閾值，當(dāng)某一個(gè)狀態(tài)點(diǎn)不在已知正常數(shù)據(jù)集里時(shí)即可認(rèn)為是異常點(diǎn)，且離正常數(shù)據(jù)的邊界越遠(yuǎn)認(rèn)為異常程度越高。

支持向量機(jī)（support vector machine， SVM）是一種理論基礎(chǔ)強(qiáng)、效果穩(wěn)定的機(jī)器學(xué)習(xí)方法，具有泛化能力強(qiáng)、訓(xùn)練速度快、抗噪性能好、全局最優(yōu)等優(yōu)點(diǎn)。單分類支持向量機(jī)（one class support vector machine， OC-SVM）［16］以SVM為基礎(chǔ)，是一種無監(jiān)督的異常檢測算法，算法思路是：在特征空間中尋找到一個(gè)決策超平面，使絕大部分目標(biāo)樣本位于該超平面遠(yuǎn)離原點(diǎn)的一側(cè)，當(dāng)測試的樣本位于決策超平面遠(yuǎn)離原點(diǎn)的一側(cè)時(shí)被判定為正常樣本，否則被判定為異常樣本［17］。

對于給定的訓(xùn)練數(shù)據(jù)集X=｛x1，x2，…，xn｝∈Rm×n（X為包含n 個(gè)m 維特征的數(shù)據(jù)樣本），OC-SVM算法的目標(biāo)是在特征空間中尋找一個(gè)分類超平面，盡量將用于訓(xùn)練的正常樣本集與原點(diǎn)分開，且使該超平面與原點(diǎn)之間的距離最大。問題可用以下二次規(guī)劃描述：

（1）

式中，xi為樣本特征；i為樣本索引；w為參數(shù)；ρ為與原點(diǎn)的距離。

過于嚴(yán)格的限制條件會使決策邊界形狀復(fù)雜，容易導(dǎo)致過擬合，因此在決策邊界附近可以允許一定的誤分類點(diǎn)存在，引入松弛變量ξi來控制誤分類點(diǎn)對目標(biāo)函數(shù)的影響，用ν來控制訓(xùn)練過程中異常點(diǎn)占總樣本數(shù)量的上限，ν取值范圍為（0，1］。進(jìn)一步地，為了擴(kuò)展OC-SVM模型的性能，可以采用核方法來解決線性不可分問題，即當(dāng)標(biāo)簽為正常的樣本跨越原點(diǎn)時(shí)，無法通過簡單的一次超平面將樣本點(diǎn)與原點(diǎn)分隔開，此時(shí)將樣本通過非線性變換φ映射到某個(gè)高維的特征空間x→φ（x），使樣本在高維特征空間里與原點(diǎn)線性可分。引入軟間隔和核方法后的OC-SVM算法二次規(guī)劃可表示為

（2）

核函數(shù)是一系列設(shè)計(jì)好的函數(shù)，能夠用原始數(shù)據(jù)計(jì)算高維空間中點(diǎn)的乘積而無須將數(shù)據(jù)進(jìn)行實(shí)際高維映射。對式（2）構(gòu)建拉格朗日方程后得到其優(yōu)化問題的對偶形式，此時(shí)的優(yōu)化問題可描述為

（3）

本文使用的核函數(shù)為高斯核函數(shù)，表達(dá)式為

（4）

OC-SVM算法具有成熟的理論基礎(chǔ)，計(jì)算結(jié)果穩(wěn)定。在當(dāng)前任務(wù)中，需要調(diào)整的超參數(shù)只有兩個(gè)，即誤差限ν和核函數(shù)中的參數(shù)c，本文案例中ν取0.03，c取輸入特征數(shù)的倒數(shù)。

2.2 算法流程

由故障機(jī)理分析獲得了風(fēng)電齒輪箱各重要子部件的故障表征和相應(yīng)故障發(fā)生時(shí)其主要參數(shù)的變化趨勢和方向，基于這種先驗(yàn)知識選擇單分類支持向量機(jī)作為故障診斷模型，原因在于其診斷方法可以直觀感受到數(shù)據(jù)分布的變化，可解釋性和魯棒性強(qiáng)。

圖2展示了齒輪箱及其冷卻潤滑系統(tǒng)故障診斷流程，分為訓(xùn)練和測試兩個(gè)階段。

2.2.1 訓(xùn)練階段

在訓(xùn)練階段，針對特定風(fēng)電齒輪箱子系統(tǒng)的診斷模型，首先獲取該子系統(tǒng)健康運(yùn)行時(shí)期的SCADA數(shù)據(jù)，刪除掉諸如功率小于等于0、風(fēng)速小于等于0等非工作狀態(tài)數(shù)據(jù)。在初步刪除機(jī)組不工作時(shí)期數(shù)據(jù)后，基于風(fēng)速劃分的四分位法進(jìn)一步清洗各個(gè)風(fēng)速段中顯著偏離的數(shù)據(jù)［18］，即統(tǒng)計(jì)每個(gè)小風(fēng)速段（本文取每0.5 m/s為一個(gè)風(fēng)速段）中功率的第一分位點(diǎn)和第三分位點(diǎn)，當(dāng)功率值比第一分位點(diǎn)小1.5倍分位距或比第三分位點(diǎn)大1.5倍分位距時(shí)刪除該數(shù)據(jù)點(diǎn)。清洗好的數(shù)據(jù)按表1篩選特定診斷模型的故障表征參數(shù)，將其代入單分類支持向量機(jī)進(jìn)行訓(xùn)練，訓(xùn)練得到正常數(shù)據(jù)的決策邊界。

實(shí)際采集的壓力數(shù)據(jù)通常在0～20 bar（2 MPa）之間，溫度在0～70 ℃之間，兩者數(shù)量級在同一水平，因此不考慮對數(shù)據(jù)進(jìn)行歸一化。

2.2.2 測試階段

在測試階段，測試數(shù)據(jù)首先經(jīng)過與訓(xùn)練階段一致的清洗過程，與訓(xùn)練階段不同之處在于進(jìn)行四分位法清洗時(shí)每個(gè)風(fēng)速段的第一分位數(shù)、第三分位數(shù)和分位距來自訓(xùn)練階段健康數(shù)據(jù)的統(tǒng)計(jì)結(jié)果。將清洗好的數(shù)據(jù)代入模型，計(jì)算每個(gè)樣本點(diǎn)xi與決策邊界的歐氏距離作為狀態(tài)指標(biāo)θi。為預(yù)防隨機(jī)突變異常值的影響，測試樣本的狀態(tài)指標(biāo)按時(shí)間順序進(jìn)行指數(shù)加權(quán)移動平均平滑，平滑公式如下［19］：

（5）

其中，yi為第i個(gè)值的平滑結(jié)果；λ為平滑系數(shù)，一般取0.2，λ越小表示yi受θi的影響越小，平滑效果越好。

為增強(qiáng)模型魯棒性，當(dāng)樣本點(diǎn)遠(yuǎn)離決策邊界一定距離后才認(rèn)為該樣本點(diǎn)是異常點(diǎn)，統(tǒng)計(jì)訓(xùn)練階段正常數(shù)據(jù)的狀態(tài)指標(biāo)，用下式劃定狀態(tài)指標(biāo)閾值T［19］：

（6）

（7）

（8）

式中，y-為健康數(shù)據(jù)狀態(tài)指標(biāo)均值;σ為正常樣本狀態(tài)指標(biāo)標(biāo)準(zhǔn)差。

當(dāng)測試樣本的狀態(tài)指標(biāo)超過閾值時(shí)被標(biāo)記為異常狀態(tài)點(diǎn)。式（6）其實(shí)是統(tǒng)計(jì)分析中的3σ法則，其中σ［1－（1－λ）2i］λ/（2－λ）為指數(shù)加權(quán)移動平均值的標(biāo)準(zhǔn)差，可見T為動態(tài)閾值，與樣本長度有關(guān)，本文取T（n）為固定閾值，n為正常樣本數(shù)量。

將平滑后的狀態(tài)指標(biāo)與狀態(tài)指標(biāo)閾值進(jìn)行對比，如果超出閾值則標(biāo)記為異常狀態(tài)點(diǎn)。然后將每10 min一個(gè)點(diǎn)的標(biāo)準(zhǔn)SCADA數(shù)據(jù)狀態(tài)指標(biāo)用取均值的方式聚合，每小時(shí)聚合成一個(gè)點(diǎn)，在機(jī)組正常工作情況下每天可以獲得24個(gè)聚合的狀態(tài)指標(biāo)。最后在進(jìn)行預(yù)警決策時(shí)，對當(dāng)前時(shí)刻點(diǎn)按時(shí)間順序向前回溯24個(gè)聚合的狀態(tài)指標(biāo)，如果24個(gè)狀態(tài)指標(biāo)中有連續(xù)12個(gè)以上的點(diǎn)被標(biāo)記為異常點(diǎn)，則認(rèn)為診斷的部件發(fā)生了故障并發(fā)出警報(bào)。

3 故障案例

3.1 齒輪箱機(jī)械剝落故障

案例數(shù)據(jù)來自某海上風(fēng)電場5 MW雙饋型風(fēng)電機(jī)組的SCADA數(shù)據(jù)，數(shù)據(jù)時(shí)間跨度為2018年4月至2019年12月，每10 min記錄一條數(shù)據(jù)。

根據(jù)風(fēng)場維修工單記錄，在52號機(jī)組2018年10月12日進(jìn)行振動測試時(shí)，發(fā)現(xiàn)齒輪箱高速軸振動值超出GL設(shè)計(jì)標(biāo)準(zhǔn)［20］，對齒輪箱高速軸修形后，振動值減小，并于10月13日更換了齒輪箱高速軸。此前2018年9月17日更換主齒輪箱油泵過濾器濾芯時(shí)，從更換下的濾芯上發(fā)現(xiàn)不明異物，檢查濾芯本身無明顯損壞，齒輪箱未見異常。由于齒輪箱內(nèi)為密閉空間，濾芯上的異物僅可能來自齒輪箱系統(tǒng)本身，以上兩條記錄時(shí)間間隔不到一個(gè)月，因此推斷齒輪箱高速軸異常振動使相關(guān)部件發(fā)生碰摩，碰摩掉落的碎屑導(dǎo)致濾芯堵塞，即存在機(jī)械剝落。在整理該機(jī)組維修記錄時(shí)發(fā)現(xiàn)，2019年1月1日至2019年9月1日之間未出現(xiàn)與齒輪箱相關(guān)的故障，因此取這段數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，依照本文所提的診斷流程，繪制出全部數(shù)據(jù)的狀態(tài)指標(biāo)值如圖3所示。從圖中可以看到，在2018年10月12日之前該機(jī)組齒輪箱的狀態(tài)指標(biāo)遠(yuǎn)超出閾值4.58，而在更換高速軸后狀態(tài)指標(biāo)斷崖式回落，此后指標(biāo)值一直維持在閾值以下。

為驗(yàn)證2018年9月17日的濾芯堵塞是由高速軸異常振動引起的，選取相同的數(shù)據(jù)區(qū)間作為正常數(shù)據(jù)對該機(jī)組的濾芯進(jìn)行建模，診斷結(jié)果如圖4所示。可以看到2018年9月17日更換濾芯后其狀態(tài)指標(biāo)在短暫回落之后急劇上升，直到10月13日更換齒輪箱高速軸后狀態(tài)指標(biāo)回歸正常并保持在閾值內(nèi)。圖3和圖4狀態(tài)指標(biāo)同步變化證明了以上推測，也驗(yàn)證了1.2節(jié)中齒輪箱機(jī)械剝落故障演變規(guī)律的正確性。

3.2 齒輪箱高速軸軸承故障

根據(jù)表1，齒輪箱高速軸軸承的故障診斷模型可以用高速軸軸承驅(qū)動端和非驅(qū)動端溫度的相對大小來進(jìn)行診斷，本案例的數(shù)據(jù)來源為某風(fēng)場2.5 MW雙饋型風(fēng)電機(jī)組實(shí)際運(yùn)行數(shù)據(jù)，數(shù)據(jù)跨度為2018年4月至2021年4月。本故障案例的維修記錄為：2018年10月13日，8號機(jī)組齒輪箱高速軸后軸承在線振動檢測超標(biāo)，通知廠家到場檢查，確認(rèn)為高速軸后軸承損壞，需更換軸承。取2020年1月1日至2021年4月15日期間的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，訓(xùn)練并測試模型，結(jié)果如圖5所示。

以模型診斷狀態(tài)異常與否為標(biāo)簽，繪制出高速軸軸承驅(qū)動端和非驅(qū)動端的散點(diǎn)圖（圖6），可以發(fā)現(xiàn)異常點(diǎn)與正常點(diǎn)在分布上區(qū)別明顯，整體上后軸承（非驅(qū)動端）的溫度高于前軸承（驅(qū)動端）的溫度，所以判定為后軸承出現(xiàn)了故障。

3.3 齒輪箱濾芯堵塞故障

另一個(gè)濾芯堵塞相關(guān)故障案例的數(shù)據(jù)與3.2節(jié)案例數(shù)據(jù)來源于同一風(fēng)電場，記錄顯示，46號機(jī)組長期報(bào)出齒輪箱壓差高警報(bào)，壓差報(bào)警頻繁，更換壓差發(fā)訊器后恢復(fù)正常。圖7顯示了壓差發(fā)訊器前后狀態(tài)指標(biāo)的變化情況，由圖8可以看到，當(dāng)過濾器堵塞或與過濾器相關(guān)器件發(fā)生故障時(shí)，在相同油泵出口壓力下，齒輪箱進(jìn)口油壓偏小，故障數(shù)據(jù)向右下偏移。本節(jié)案例與3.1節(jié)案例的機(jī)組類型不同、數(shù)據(jù)來源不同，但在模型不做任何調(diào)整的情況下成功應(yīng)用并檢測出了故障，說明了本文方法具有較強(qiáng)泛化能力。

3.4 齒輪箱溫控閥故障

齒輪箱溫控閥故障案例與3.2節(jié)案例數(shù)據(jù)來源于同一風(fēng)電場，30號機(jī)組在2019年3月10日發(fā)現(xiàn)齒輪箱軸承超溫故障，維修人員判斷溫控閥損壞，進(jìn)行更換溫控閥后觀察數(shù)據(jù)正常，機(jī)組恢復(fù)正常運(yùn)行。

當(dāng)溫控閥發(fā)生故障時(shí)齒輪箱內(nèi)油液不能隨溫度變化而自動分配進(jìn)行散熱，如圖9所示，異常數(shù)據(jù)的油池溫度和齒輪箱進(jìn)口油溫偏高，基本在60 ℃以上，而本該發(fā)揮散熱作用的冷卻水溫度卻在0～40 ℃之間變化，不符合齒輪箱實(shí)際運(yùn)行規(guī)律。

3.5 齒輪箱油泵故障

油泵故障案例與3.2節(jié)案例數(shù)據(jù)來源于同一風(fēng)電場。根據(jù)表1，當(dāng)齒輪箱潤滑油泵故障停止工作時(shí)，油液停止循環(huán)，油路中壓力下降，隨著時(shí)間的推移，齒輪箱中各處溫度上升。因?yàn)閷τ捅霉收戏从匙钪苯拥氖怯鸵簤毫?，所以選擇油泵出口油壓力和齒輪箱進(jìn)口油壓力作為模型特征，與濾芯堵塞故障不同，油泵故障關(guān)注低油壓狀態(tài)。

因此在數(shù)據(jù)清洗階段額外刪除油泵出口油壓力和齒輪箱進(jìn)口油壓力大于0.7 MPa的數(shù)據(jù)。根據(jù)記錄，65號機(jī)組在2021年4月9日處理齒輪箱油泵電機(jī)保護(hù)故障時(shí)，上機(jī)檢查發(fā)現(xiàn)油泵電機(jī)損壞，更換后機(jī)組恢復(fù)正常運(yùn)行。選擇油泵運(yùn)行良好的2019年8月1日至2020年8月1日期間數(shù)據(jù)作為訓(xùn)練集，測試結(jié)果如圖11所示。從圖中可以看到早在2021年1月初模型就已經(jīng)成功檢測出油泵的故障，而工人則在4月19日才發(fā)現(xiàn)并更換。圖12中同樣顯示了正常數(shù)據(jù)與異常數(shù)據(jù)的分布情況，油泵發(fā)生故障時(shí)齒輪箱油泵出口壓力和齒輪箱進(jìn)口油壓力均低于正常時(shí)期的壓力。

3.6 與其他方法對比

分析參數(shù)的變化趨勢可以識別和定位故障。自編碼器（autoencoder，AE）的參數(shù)重構(gòu)功能能夠用于計(jì)算當(dāng)前值與預(yù)測值的相對大小。采用3.3節(jié)的案例從訓(xùn)練時(shí)間、測試時(shí)間、指標(biāo)平穩(wěn)性幾個(gè)方面對比了本文方法和AE在相同數(shù)據(jù)集上的表現(xiàn)，結(jié)果如表2所示。從表2中可以看出本文方法的訓(xùn)練時(shí)間遠(yuǎn)短于AE模型的訓(xùn)練時(shí)間（AE訓(xùn)練停止條件為損失小于0.001），且多次訓(xùn)練結(jié)果穩(wěn)定，而AE每次訓(xùn)練的結(jié)果都有所不同，想要得到理想的預(yù)警效果需要仔細(xì)調(diào)參。表2中的指標(biāo)平穩(wěn)性指齒輪箱正常工作狀態(tài)下輸出指標(biāo)每天方差的平均值與總體方差的比值，即

式中，n為正常樣本數(shù)量；K為總天數(shù)； yi、yj分別為式（5）平滑后的總體指標(biāo)值和每日指標(biāo)值；y-、y-k分別為總體均值和每日均值。

方差反映了序列的離散程度，本文定義的指標(biāo)平穩(wěn)性一定程度上反映了模型輸出的穩(wěn)定性，表2表明本文方法具有更高的穩(wěn)定性。

諸多算法模型對數(shù)據(jù)具有很大依賴性，越多數(shù)據(jù)樣本訓(xùn)練的模型其精度通常越高，但在工程中數(shù)據(jù)極有可能短缺。表3給出了在不同數(shù)據(jù)量下兩模型指標(biāo)平穩(wěn)性的情況，其中100%數(shù)據(jù)量與表2中使用的數(shù)據(jù)量相同（33 642個(gè)樣本），在保證診斷效果的前提下本文方法的指標(biāo)穩(wěn)定性一直保持在0.031以下，而AE模型的指標(biāo)平穩(wěn)性隨數(shù)據(jù)量的減少而降低，在數(shù)據(jù)量只有30%時(shí)失去診斷能力。本文方法數(shù)據(jù)泛化能力好的原因在于從機(jī)理上分析了參數(shù)的變化規(guī)律，將正常運(yùn)行工況下的數(shù)據(jù)歸為一簇，弱化了工況變化對模型的影響，使其在較少數(shù)據(jù)量下仍具有很好的診斷預(yù)警能力，更符合工程實(shí)際需要。

4 結(jié)語

本文對常見的水冷式風(fēng)電齒輪箱的結(jié)構(gòu)進(jìn)行了研究，從故障機(jī)理上分析了各個(gè)重要子部件發(fā)生故障時(shí)齒輪箱中各關(guān)鍵參數(shù)的變化規(guī)律，建立了故障與參數(shù)的定性映射關(guān)系，為這些部件診斷模型的參數(shù)選擇提供了理論支撐。然后分析了參數(shù)變化與數(shù)據(jù)分布的聯(lián)系，選擇單分類支持向量機(jī)作為各子部件的診斷模型，最后通過實(shí)際機(jī)組運(yùn)行數(shù)據(jù)與故障案例驗(yàn)證了本文所提出的參數(shù)選擇與診斷流程的有效性，每個(gè)模型的診斷結(jié)果與實(shí)際維修記錄相吻合，且故障數(shù)據(jù)分布與故障機(jī)理分析結(jié)果相一致，可解釋性強(qiáng)，具有現(xiàn)實(shí)的工程價(jià)值。本文的創(chuàng)新性貢獻(xiàn)在于故障預(yù)警模型的建立充分考慮了風(fēng)電齒輪箱潤滑系統(tǒng)的工作過程和故障機(jī)理，建立了運(yùn)行數(shù)據(jù)與物理模型的關(guān)系，因而診斷結(jié)果是可解釋的，模型是準(zhǔn)確且易于泛化的。

參考文獻(xiàn)：

［1］國家能源局. 《新時(shí)代的中國能源發(fā)展》白皮書［EB/OL］. ［2020-12-21］. http：∥www.scio.gov.cn/m/zfbps/32832/Document/1695117/1695117.htm.

National Energy Administration， White Paper on Chinas Energy Development in the New Era［EB/OL］. ［2020-12-21］.http：∥www.scio.gov.cn/m/zfbps/32832/Document/1695117/1695117.htm.

［2］陳雪峰， 郭艷婕， 許才彬， 等. 風(fēng)電裝備故障診斷與健康監(jiān)測研究綜述［J］.中國機(jī)械工程， 2020，31（2）： 175-189.

CHEN Xuefeng， GUO Yanjie， XU Caibin， et al.Review of Fault Diagnosis and Health Monitoring of Wind Power Equipment［J］. China Mechanical Engineering， 2020， 31（2）：175-189.

［3］王桂松， 郭鵬， 胥佳， 等. 基于XGBoost建模和Change-Point殘差處理的風(fēng)電機(jī)組齒輪箱溫度預(yù)警［J］. 電力科學(xué)與工程， 2018， 34（9）： 46-53.

WANG Guisong， GUO Peng， XU Jia， et al. Temperature Warning of Wind Turbines Gearbox Based on XGboost Modeling and Change-Point Residual Processing［J］. Electric Power Science and Engineering， 2018， 34（9）： 46-53.

［4］符楊， 周全， 賈鋒， 等. 基于SCADA數(shù)據(jù)圖形化的海上風(fēng)電機(jī)組故障預(yù)測［J］. 中國電機(jī)工程學(xué)報(bào)， 2022，42（20）：7465-7475.

FU? Yang， ZHOU? Quan， JIA? Feng， et al. Fault Prediction of Offshore Wind Turbines Based on Graphical Processing of SCAD Data［J］.? Proceedings of the? CSEE， 2022， 42（20）：7465-7475.

［5］SU Xiangjing， SHAN Yanhao， LI Chaojie， et? al. Spatial-temporal Attention and GRU Based Interpretable Condition Monitoring of Offshore Wind Turbine Gearboxes［J］. IET Renewable Power Generation，? 2022， 16： 402-415.

［6］XIANG Ling， YANG Xin， HU Aijun， et al. Condition Monitoring and Anomaly Detection of Wind Turbine Based on Cascaded and Bidirectional Deep Learning Networks［J］. Applied Energy， 2022， 305：117925.

［7］PANG Yanhua， HE Qun， JIANG Guoqian， et al. Spatio-temporal Fusion Neural Network for Multi-class Fault Diagnosis of Wind Turbines Based on SCADA Data［J］. Renewable Energy， 2020， 161： 510-524.

［8］SZEGEDY C， LIU W， JIA Y Q， SERMANET P， et al. Going Deeper with Convolutions［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Boston， 2015：15523970.

［9］景彤梅， 齊詠生， 劉利強(qiáng)， 等. 基于KECA-GRNN的風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測與健康評估［J］. 太陽能學(xué)報(bào)， 2021， 42（6）： 400-408.

JIN Tongmei， QI Yongsheng， LIU Liqiang， et al. Condition Monitoring and Health Assessment of Wind Turbine Gearboxes Based on KECA-GRNN［J］. Acta Energiae Solaris Sinica， 2021， 42（6）： 400-408.

［10］齊詠生， 景彤梅， 高學(xué)金， 等. 基于多維度SCADA參數(shù)的風(fēng)電機(jī)組異常辨識［J］. 控制工程， 2021， 28（12）： 2393-2401.

QI Yongsheng， JING Tongmei， GAO Xuejin， et al. Wind Turbine Anomaly Identification Based on Multi-dimensional SCADA Parameters［J］. Control Engineering of China， 2021， 28（12）： 2393-2401.

［11］王煒超， 袁逸萍， 孫文磊， 等. 融合SCADA數(shù)據(jù)的風(fēng)電機(jī)組齒輪箱狀態(tài)評估［J］. 機(jī)械科學(xué)與技術(shù)， 2020， 39（2）： 201-206.

WANG Weichao， YUAN Yiping， SUN Wenlei， et al. Evaluation of Wind Turbine Gearbox State with Fusion of SCADA Data［J］. Mechanical Science and Technology for Aerospace Engineering， 2020， 39（2）： 201-206.

［12］CHEN Longting， XU Guanghua， ZHANG Qing， et al. Learning Deep Representation of Imbalanced SCADA Data for Fault Detection of Wind Turbines［J］. Measurement， 2019， 139： 370-379.

［13］李東東， 劉宇航， 趙陽，等. 基于改進(jìn)生成對抗網(wǎng)絡(luò)的風(fēng)機(jī)行星齒輪箱故障診斷方法［J］. 中國電機(jī)工程學(xué)報(bào)， 2021， 41（21）：7496-7507.

LI Dongdong， LIU Yuhang， ZHAO Yang， et al. Fault Diagnosis Method of Fan Planetary Gearbox Based on Improved Generative Adversarial Network［J］. Proceedings of the CSEE， 41（21）：7496-7507.

［14］靳志杰， 霍志紅， 許昌， 等. 基于特征選擇和XGBoost的風(fēng)電機(jī)組故障診斷［J］. 可再生能源， 2021， 39（3）： 353-358.

JIN Zhijie， HUO Zhihong， XU Chang， et al. Fault Diagnosis of Wind Turbine Based on Random Forest and XGBoost［J］. Renewable Energy Resources， 2021， 39（3）：353-358.

［15］TENG Wei， CHENG Hao， DING Xian， et al. DNN-based Approach for Fault Detection in a Direct Drive Wind Turbine［J］. IET Renewable Power Generation， 2018， 12（10）： 1164-1171.

［16］SCHLKOPF B， WILLIAMSON R，? SMOLA A et al. Support Vector Method for Novelty Detection［C］∥ Proceedings of the 12th International Conference on Neural Information Processing Systems. Denver， 1999：582-588.

［17］金曉航， 泮恒拓， 徐正國. 數(shù)據(jù)驅(qū)動的風(fēng)電機(jī)組變槳系統(tǒng)狀態(tài)監(jiān)測［J］. 太陽能學(xué)報(bào)， 2022，43（4）：409-417.

JIN Xiaohang， PAN Hengtuo， XU Zhengguo. Condition Monitoring of Wind Turbine Pitch System Using Data-driven Approach［J］. Acta Energiae Solaris Sinica，? 2022，43（4）：409-417.

［18］戴巨川， 曹俊偉， 張帆， 等.風(fēng)電場SCADA數(shù)據(jù)預(yù)處理方法及評價(jià)策略［J］. 太陽能學(xué)報(bào)， 2017， 38（9）：2597-2604.

DAI Juchuan， CAO? Junwei， ZHANG? Fan， et? al. Data Pre-processing Method and Its Evaluation Strategy of SCADA Data from Wind Farm［J］. Acta Energiae Solaris Sinica， 2017， 38（9）：2597-2604.

［19］LUCAS J M， SACCUCCI M S. Exponentially Weighted Moving Average Control Schemes： Properties and Enhancements［J］. Technometrics， 1990， 32（1）： 1-12.

［20］Industrial Services. Part 1： Guideline for the Certification of Wind Turbines. Chapter 5： Strength Analyses： GL IV-1-5-2003［M］.Hamburg：Germanischer Lloyd Wind Engrgie GmbH， 2003.

（編輯 王艷麗）

作者簡介：

蒙 康，男，1999年生，碩士研究生。研究方向?yàn)轱L(fēng)力發(fā)電機(jī)組故障診斷。E-mail： mking_536@163.com。

滕 偉（通信作者），男，1981年生，教授、博士研究生導(dǎo)師。研究方向?yàn)轱L(fēng)力發(fā)電設(shè)備故障診斷與壽命預(yù)測。發(fā)表論文70余篇。E-mail：tengw@ncepu.edu.cn.

收稿日期：2022-08-06

基金項(xiàng)目：國家自然科學(xué)基金（51775186）