基于灰色粗糙集理論的風電機組傳動鏈智能故障診斷方法

蔣維

（中國水利電力物資有限公司，北京 100045）

風電是世界上公認的最接近商業(yè)化的可再生能源技術(shù)之一[1]。據(jù)全球風能理事會（GWEC）的統(tǒng)計數(shù)據(jù)顯示，1996年至2009年期間，世界風電累計裝機的平均增長速度達到了28.6%，風電已成為世界上增長最快的可再生能源[2]。隨著風能的快速發(fā)展和大規(guī)模風電機組的投入運行，且由于大部分機組安裝在偏遠地區(qū)，負荷不穩(wěn)定等因素，我國不少風電機組都出現(xiàn)了運行故障，直接影響了風電的安全性和經(jīng)濟性。為保持風電的長期穩(wěn)定發(fā)展，增強它與傳統(tǒng)能源的競爭力，必須不斷降低風電的成本（包括制造安裝成本和運行維護成本）。旋轉(zhuǎn)機械在風電機組中占有很大的部分，從葉片、主軸承到齒輪箱再到發(fā)電機，整個傳動鏈都是以旋轉(zhuǎn)形式傳遞著機械能。風電機組速比較大、多軸系，且包含低速重載的葉輪軸、高速輕載的電機軸及多個關(guān)系復雜的齒輪和軸承零部件；又由于其安裝地理位置的特殊性、運行環(huán)境的復雜性及運行工況的波動性等特征，使得反映機組健康狀況的狀態(tài)參量以較為復雜的關(guān)聯(lián)形式呈現(xiàn)[3]。因此，風電機組的狀態(tài)檢測和故障診斷顯得尤為重要，是保證機組長期穩(wěn)定運行和安全發(fā)電的關(guān)鍵。

基于灰色系統(tǒng)理論的設(shè)備故障診斷方法與基于粗糙集理論的設(shè)備故障診斷方法得到廣泛應(yīng)用[4-6]?；诨疑到y(tǒng)理論的設(shè)備故障診斷是通過對灰色關(guān)聯(lián)度的分析，研究設(shè)備當前運行狀態(tài)與各種典型故障狀態(tài)特征間的相關(guān)性，從而確定設(shè)備的故障原因。這種故障診斷方法由于無法區(qū)別特征參數(shù)是相關(guān)的還是獨立的，往往將所有特征參數(shù)一一羅列，導致工作量大大增加。基于粗糙集理論的設(shè)備故障診斷方法是針對設(shè)備各種故障的特征參數(shù)構(gòu)成的決策表，利用粗糙集優(yōu)越的約簡能力，對決策表中冗余特征參數(shù)約簡，再從約簡的決策表中提取規(guī)則，從而進行故障診斷。但是，粗糙集理論不能處理連續(xù)數(shù)值，應(yīng)用粗糙集理論時必須先對連續(xù)數(shù)值進行離散化處理。由于灰色系統(tǒng)理論與粗糙集理論的理論基礎(chǔ)不同，在處理不確定性復雜系統(tǒng)時有很強的互補性[7]，因此探討2種理論的結(jié)合，并應(yīng)用于風電機組的故障診斷中，具有重要的理論意義和應(yīng)用價值。

1 系統(tǒng)理論與方法

1.1 灰色系統(tǒng)理論

在灰色系統(tǒng)理論中，設(shè)參考序列X0和比較序列Xi分別是

若參考序列X0和比較序列Xi在k點的關(guān)聯(lián)度系數(shù)為ξi（k），則參考序列X0和比較序列Xi的關(guān)聯(lián)度為

在取得了參考序列X0和比較序列Xi的關(guān)聯(lián)度后，則根據(jù)關(guān)聯(lián)度的大小確定參考序列X0和比較序列Xi的相關(guān)程度，關(guān)聯(lián)度越大說明兩者越相關(guān)聯(lián)，關(guān)聯(lián)度越小則說明兩者越不相關(guān)聯(lián)。關(guān)聯(lián)系數(shù)的計算是灰色關(guān)聯(lián)分析的關(guān)鍵，直接決定著灰色關(guān)聯(lián)分析結(jié)果的準確性。用于關(guān)聯(lián)度分析的各特征參數(shù)具有不同的量綱，在計算關(guān)聯(lián)度之前，需要對這些特征參數(shù)進行無量綱化處理。對于抽象系統(tǒng)，由于是時序模型，參考序列和比較序列是按時間排列的一組數(shù)，其量綱相同，無量綱化處理可以采用橫向初始化或橫向均值化。在設(shè)備故障診斷過程中使用灰色關(guān)聯(lián)度分析方法時，其物理模型、幾何意義和計算方法都有一些新的特點[8]。風機故障診斷模型屬于非時序模

1.2 粗糙集理論

粗糙集理論是波蘭學者Pawlak Z在1982年提出的，是一種刻畫不完整和不確定信息的數(shù)學工具，它能有效地處理不精確、不一致、不完整的數(shù)據(jù)信息，發(fā)現(xiàn)數(shù)據(jù)間潛在關(guān)系，從而提取有用知識，以獲得知識的簡要表達[10]。

1.2.1 相關(guān)的5個定義

1）設(shè)非空有限集合為U和A（其中U為論域，A為屬性域），對于每個屬性a∈A，存在屬性值集合Va={a（x）|坌x∈U}，稱S={U，A}為信息系統(tǒng)。若A=C∪D=準，且C∩D（其中C為條件屬性集），D為決策屬性集，則稱S={U，C∪D}為決策系統(tǒng)。

2）信息系統(tǒng)S={U，A}，設(shè)C哿A，稱二元等價關(guān)系IND（C）={（x，y）∈U2|a（x）=a（y），坌a∈C}為論域U上C的不可分辨關(guān)系。

3）設(shè)C哿A，X哿U，則X的C上近似C-（X）和下近似C-（X）分別為

C-（X）=∪{Y∈U/C|Y∩X≠準}，

C-（X）=∪{Y∈U/C|Y哿X}

習慣上把POSc（X）=C-（X）稱為X的C正域，NEGc（X）=U-C-（X）稱為X的C負域。BNc（X）=C-（X）-C-（X）為邊界域。

4）對于信息系統(tǒng)S={U，A}，設(shè)a∈A，當IND（A）=IND（A-a），稱a是A中可省略的，否則a是A中不可省略的。IND（A）=IND（B），則稱B是A的簡化。A中所有不可省略屬性的集合，稱為A的核，記為core（A）=∩red（A），其中red（A）表示A的所有簡化。

5）對于決策系統(tǒng)S={U，C∪D}，設(shè)屬性c∈B，其中：B哿C，POSB（D）＝∪型，參考序列和比較序列是由不同參數(shù)排列的一組數(shù)，其量綱不同，無量綱化處理不能采用橫向初始化或橫向均值化，只能采用縱向初始化或縱向均值化。由于關(guān)聯(lián)度的計算方法是針對時序模型提出的，因而在眾多的關(guān)聯(lián)度計算方法中，大多數(shù)計算方法不適用于非時序模型，經(jīng)分析，鄧氏關(guān)聯(lián)度和改進關(guān)聯(lián)度適合非時序模型，因此在故障診斷中，運用關(guān)聯(lián)分析方法時，僅能采用鄧氏關(guān)聯(lián)度或改進關(guān)聯(lián)度[9]，本文采用前者。鄧氏關(guān)聯(lián)度的關(guān)聯(lián)系數(shù)為，當POS（BD）＝POS（B-c）（D）時，稱c是B中D不可省略的。當B中的每個屬性c都是D中不可省略的，則稱B為D獨立的。當B為C的D獨立子集，且PODB（D）＝POS（CD），則稱B為C的D簡化。

1.2.2 約簡

決策表的約簡就是化簡決策表中的條件屬性，化簡后的決策表具有簡化前的決策表的功能，但簡化后的決策表具有更少的條件屬性。

1）決策系統(tǒng)S={U，A}，其中A=C∪D，且C∩D=準，C為條件屬性集，D為決策屬性集，U={x1，x2，…，xn}，C={c1，c2，…，cm}D=j5i0abt0b，可分辨矩陣是n×n矩陣，其第i行第j列元素

2）由可分辨矩陣MD唯一地確定一個分辨函數(shù)F，分辨函數(shù)是一個布爾函數(shù)，對于每個屬性c∈C，如果區(qū)分對象x和y的所有屬性集合c（x，y）={c1，c2，…，ck}≠準，指定一個布爾函數(shù)c1∨c2∨…∨ck，用Σc（x，y）來表示，分辨函F數(shù)定義為

2 基于灰色理論與粗糙集理論的風電機組傳動鏈智能故障診斷方法

2.1 融合灰色粗糙集推理方法的流程

本文將灰色系統(tǒng)理論與粗糙集理論結(jié)合起來，應(yīng)用于風電機組傳動鏈系統(tǒng)的故障診斷中。它將灰色關(guān)聯(lián)分析和粗糙集合并，其中灰色關(guān)聯(lián)分析方法利用灰色關(guān)聯(lián)度確定設(shè)計屬性與實際值的差距，若灰色關(guān)聯(lián)度大，說明差距小，取設(shè)計屬性數(shù)據(jù)；反之，取實際值。粗糙集的推理過程是利用決策表進行約簡。在應(yīng)用于風電機組傳動鏈復雜系統(tǒng)時，灰色粗集推理方法實現(xiàn)的首要問題是獲取信息。

2.2 故障診斷數(shù)據(jù)來源

本文刊發(fā)了“風力發(fā)電機組機械狀態(tài)在線監(jiān)測與診斷分析系統(tǒng)”（CWEME-Windit系統(tǒng)，如圖1所示）能夠連續(xù)監(jiān)測風電機組運行過程中的振動、沖擊、晃度、轉(zhuǎn)速、負荷等參數(shù)，自動存儲振動、沖擊、波形等有價值的數(shù)據(jù)，并能自動計算機組各部件的故障特征頻率；加速度傳感器直接測量機組主軸承、齒輪箱、發(fā)電機的振動；每臺機組共安裝8只加速度傳感器。主要布置在主軸、齒輪箱和發(fā)電機組上。其中在主軸軸承座、齒輪箱輸入軸處各安裝一只專用低頻加速度傳感器，齒輪箱外齒圈外殼、輸出軸箱體外殼處以及發(fā)電機前后軸承座等處各布置一只振動加速度傳感器，用于全方位監(jiān)測風力發(fā)電機組的振動狀態(tài)。

圖1 CWEME-Windit系統(tǒng)界面Fig.1 CWEME-Windit system interface

2.3 風電機組傳動鏈故障診斷的具體步驟

1）根據(jù)學習樣本集，對條件屬性值進行無量綱化處理，從而形成決策表，然后利用粗糙集理論進行約簡，形成最小條件屬性集。學習樣本集中的條件屬性值可以采用縱向初始化或縱向均值化。對學習樣本集中的條件屬性值無量綱化處理后，可以很方便地構(gòu)成決策表。決策表中含有很多條件屬性，不可避免地存在著冗余的條件屬性，可以采用式（2）構(gòu)造決策表的可分辨矩陣，在完成可分辨矩陣的構(gòu)造后，再利用式（5）確定其分辨函數(shù)。由于分辨函數(shù)的極小析取范式中的所有含取式是條件屬性關(guān)于所有決策屬性的簡化集，因此，可以通過求分辨函數(shù)的極小析取范式中的含取式來對條件屬性約簡，從而求得最小條件屬性集。

2）形成最小條件屬性集后，需要判斷各條件屬性的重要性。

3）屬性子集P哿A的信息熵為

式中，U/IND（P）={X1，X2，…，Xm}；P（Xi）=|Xi|/|U|（i=1，2，…，m）；|U|表示集合U的“勢”；|Xi|表示集合Xi的“勢”。

4）信息系統(tǒng)S={U，A}，屬性a∈A的重要性定義為

當時SA（a）≥0，屬性a在A中是必要的，等于0時，是冗余的。運用式（4）和式（5），可以求的最小條件屬性集中各個條件屬性的重要性。

5）計算待檢模式與各標準故障模式的關(guān)聯(lián)度，從而判斷故障原因。

確定了各屬性的重要性后，可按下式確定在關(guān)聯(lián)度計算中各屬性的權(quán)重。

然后，按式（1）計算待檢模式與標準故障模式的關(guān)于屬性ak的關(guān)聯(lián)系數(shù)ξi（ak）。

6）為計算簡便，利用Matlab定制開發(fā)了融合灰色粗糙集方法求解器，如圖2所示。

圖2 基于灰色理論與粗糙集方法的matlab求解器Fig.2 Matlab solver based on grey theory and rough set method

3 應(yīng)用實例計算

CWEME-Windit系統(tǒng)擁有強大的軸承數(shù)據(jù)庫，可準確地識別出軸承的內(nèi)圈故障特征頻率、外圈故障特征頻率、保持架故障特征頻率和滾動體故障特征頻率，并及早地發(fā)現(xiàn)軸承的各種早期損壞狀態(tài)，提前制定維修方案和計劃，確保設(shè)備安全穩(wěn)定運轉(zhuǎn)。風電機軸系振動信號經(jīng)過小波包分解后各頻帶能量特征向量，故障類型有7種，特征參數(shù)集有13個，（限于篇幅，原始故障樣本表略去）。表1為標準故障發(fā)生時各特征參數(shù)值及待檢模式。通過對特征參數(shù)無量綱化處理得到標準故障發(fā)生時，各特征參數(shù)值如表1所示。這里假定軸承常見故障集為{F1，F(xiàn)2，…，F(xiàn)7}，特征參數(shù)集為{Z1，Z2，…，Z13}，在求得最小特征參數(shù)集后，計算各特征參數(shù)的重要性。

{U/IND{d1，d2，d9，d10}={{F1}，{F2，F(xiàn)3}，{F4}，{F5}，{F7}}

{U/IND{d2，d9，d10}={{F1，F(xiàn)6}，{F2，F(xiàn)3}，{F4}，{F5}，{F7}}

{U/IND{d1，d9，d10}={{F1}，{F2，F(xiàn)3}，{F4}，{F5}，{F6，F(xiàn)7}}

{U/IND{d1，d2，d10}={{F1}，{F2，F(xiàn)3，F(xiàn)5}，{F4}，{F6}，{F7}}

{U/IND{d1，d2，d9}={{F1}，{F2，F(xiàn)3，F(xiàn)4}，{F5，F(xiàn)6}，{F7}}

由式（6）、（7）計算得d1，d2，d9，d10的重要度分別為：0.2173，0.2173，0.2387，0.4291。再按照式（8），得各特征參數(shù)的權(quán)重系數(shù)向量w=（0.1682，0.1682，0.2573，0.4306），該軸承在運行過程中d1~d13的值如表1所示。

表1 標準故障發(fā)生時各特征參數(shù)值及待檢模式Tab 1 .The feature parameter values and modes when the standard fault occurs

由于{d1，d2，d9，d10}是最小特征參數(shù)集，因此按4個參數(shù)，用上述方法計算出它與標準故障序列的關(guān)聯(lián)度為：0.9631，0.5247，0.5247，0.4829，0.6538，0.8216，0.8183。根據(jù)最大關(guān)聯(lián)度原則，可以判斷故障原因為F1。單純通過灰色關(guān)聯(lián)度計算，得到計算結(jié)果與本方法計算結(jié)果完全一致。但需要利用所有的特征參數(shù)，而在本文中，只用了4個特征參數(shù)，大大減少了計算時間，提高了診斷效率。同時，由于去除了冗余的特征參數(shù)的干擾，診斷的準確性也可進一步提高。

4 結(jié)語

隨著風電在世界范圍內(nèi)的快速發(fā)展，如何降低發(fā)電成本、保證機組的運行可靠性已成為一個亟待解決的問題。風電機組是一個復雜的機電綜合系統(tǒng)，往往征兆與故障之間存在多種映射關(guān)系，故障診斷仍存在較大的困難。本文將灰色系統(tǒng)理論與粗糙集理論有機地結(jié)合應(yīng)用于風電機組傳動鏈軸承故障診斷中。實例驗證表明，該方法是一種行之有效的方法，為智能故障診斷提供了理論基礎(chǔ)。

[1] 李海波，盧緒祥，李錄平，等.風力機葉片動力特性實驗臺設(shè)計[J].熱能動力工程，2012，27（1）:117-121.LI Hai-bo，LU Xu-xiang，LI Lu-ping，et al.Journal of engineering for thermal energy and power[J].Journal of Engineering for Thermal Energy and Power，2012，27（1）:117-121（in Chinese）.

[2] 蔣東翔，洪良友，黃乾，等.風力機狀態(tài)監(jiān)測與故障診斷技術(shù)研究[J].電網(wǎng)與清潔能源，2008，3（24）:40-44.JIANG Dong-xiang，HONG Liang-you，HUANG Qian，et al.Condition monitoring and fault diagnostic techniques for wind turbine[J].Power System and Clean Energy，2008，3（24）:40-44（in Chinese）.

[3] 張禮達，陳榮盛，張彥南，等.風力機風輪葉片振動特性分析[J].電力科學與工程，2009，25（11）:24-27.ZHANG Li-da，CHEN Rong-sheng，ZHANG Yan-nan，et al.Study on wind turbine rotor blades dynamic characteristics based on ANSYS[J].Electric Power Science and Engineering，2009，25（11）:24-27（in Chinese）.

[4]FRANCISEH，SHENLX.Faultdiagnosisbasedonrough set theory[J].Engineering Application so Far Artificiality Intelligence，2003，16（1）:39-43.

[5]WANG Q H，LI J R.A rough set based fault ranking prototype system for fault diagnosis[J].Engineering Applications of Artificial Intelligence，2004，17（8）：909-917.

[6]WANGMH，HUNGCP.Novel Grey model for the prediction of trend of dissolved gases in oil-filled power apparatus[J].Electric Power Systems Research，2003，67（1）:53-58.

[7] 羅黨，劉思峰，吳順祥.灰色粗糙組合決策模型研究[J].廈門大學學學報，2004，43（1）:26-30.LUO Dang，LIU Si-feng，WU Shun-xiang.Research on the grey rough combined decision making model[J].Journal of Xiamen University，2004，43（1）:26-30 （in Chinese）.

[8] 牛麗仙，苑津莎，張英慧.基于粗糙集和支持向量機的電力系統(tǒng)短期負荷預測[J].電力科學與工程，2010，26（2）:32-35.NIU Li-xian，YUAN Jin-sha，ZHANG Ying-hui.Short-Term load forecasting based on algorithms of rough sets and support vector machine[J].Electric Power Science and Engineering，2010，26（2）:32-35（in Chinese）.

[9] 蘇蓬，苑津莎，安曉玲.基于粗糙集理論的變壓器故障診斷方法[J].電力科學與工程，2008，28（3）:56-59.SU Peng，YUAN Jin-sha，AN Xiao-ling，et al.Diagnosis method of transformer faults based on rough set theory[J].Electric Power Science and Engineering，2008，28（3）:56-59（in Chinese）.

[10]韓緒鵬，李道霖，戴迪.基于粗糙集和神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)操作點狀態(tài)評估[J].電網(wǎng)與清潔能源，2012，28（1）:16-20.HAN Xu-peng， LI Dao-lin， DAI Di.Power system operating point state assessment based on rough set and neural network[J].Power System and Clean Energy，2012，28（1）：16-20（in Chinese）.