采用趨勢狀態(tài)分析的風(fēng)機齒輪箱狀態(tài)在線評估云模型

方瑞明， 江順輝， 尚榮艷， 王黎

(華僑大學(xué) 信息科學(xué)與工程學(xué)院， 福建 廈門 361021)

?

采用趨勢狀態(tài)分析的風(fēng)機齒輪箱狀態(tài)在線評估云模型

方瑞明， 江順輝， 尚榮艷， 王黎

(華僑大學(xué) 信息科學(xué)與工程學(xué)院， 福建 廈門 361021)

摘要：為預(yù)防風(fēng)機齒輪箱嚴(yán)重故障的發(fā)生，提出了一種結(jié)合正態(tài)云模型和趨勢狀態(tài)分析法的齒輪箱狀態(tài)評估模型.首先，基于數(shù)據(jù)采集與監(jiān)控(SCADA)系統(tǒng)的歷史數(shù)據(jù),采用支持向量機方法建立齒輪箱運行溫度預(yù)測模型，對齒輪箱不同狀態(tài)下的趨勢預(yù)測特征進行分析，求取正常和異常狀態(tài)時預(yù)測值的相對誤差序列.然后，采用改進無確定度逆向正態(tài)云發(fā)生器，利用所求取的相對誤差序列提取正常云和異常云的數(shù)字特征，構(gòu)建齒輪箱狀態(tài)評估云模型.該模型能夠根據(jù)風(fēng)機SCADA系統(tǒng)的實測數(shù)據(jù)，求取齒輪箱當(dāng)前狀態(tài)對正常云和異常云的貼近度，并采用最大貼近度原則確定齒輪箱狀態(tài).最后，利用遼寧某風(fēng)機齒輪箱的實測數(shù)據(jù)對所提模型進行驗證.結(jié)果表明:該模型能夠?qū)X輪箱的早期缺陷及時預(yù)警，達到實時監(jiān)測的目的.

關(guān)鍵詞：齒輪箱; 風(fēng)電機組； 正態(tài)云模型; 趨勢狀態(tài)分析; 逆向正態(tài)云發(fā)生器

大型風(fēng)電機組中，齒輪箱的故障率雖然不高，但是其維修、更換和停機損失的總費用卻很昂貴[1].因此,對齒輪箱進行實時狀態(tài)監(jiān)測，及時發(fā)現(xiàn)異常，對降低齒輪箱運維成本和提高機組可靠性具有重大意義.現(xiàn)代風(fēng)電機組大多建立了聯(lián)接機組、氣象站和遠程計算機的數(shù)據(jù)采集與監(jiān)控(SCADA)系統(tǒng)，能夠提供全面的設(shè)備監(jiān)測數(shù)據(jù)，因而，被越來越多地應(yīng)用于實現(xiàn)齒輪箱的狀態(tài)監(jiān)測[2-4].其中，齒輪箱運行溫度的趨勢狀態(tài)分析法是齒輪箱狀態(tài)監(jiān)測的一種有效方法.其基本思想是基于歷史數(shù)據(jù)建立齒輪箱運行溫度預(yù)測模型，并利用該模型對齒輪箱的運行溫度進行預(yù)測，當(dāng)預(yù)測趨勢背離實際演化趨勢時,認(rèn)為齒輪箱狀態(tài)出現(xiàn)了異常.由于其概念清晰、實現(xiàn)方便，得到了廣泛應(yīng)用[2-7].然而，在實際應(yīng)用中，由于齒輪箱不同狀態(tài)轉(zhuǎn)換時，其溫度邊界具有模糊性和不確定性的特征.因此，如何判斷趨勢狀態(tài)轉(zhuǎn)換一直是制約該方法應(yīng)用的難題[3-4].正態(tài)云模型理論能夠綜合反映定性概念的模糊性和隨機性[8]，國內(nèi)外學(xué)者將其應(yīng)用于不同領(lǐng)域的設(shè)備進行狀態(tài)評估和診斷[9-14]，取得了較好效果.逆向正態(tài)云發(fā)生器能夠從量化數(shù)據(jù)中提取定性概念正態(tài)云模型的數(shù)字特征，將趨勢預(yù)測數(shù)據(jù)準(zhǔn)確映射到定性狀態(tài)空間.因而，為了解決趨勢狀態(tài)分析法所存在的問題，本文提出了基于趨勢狀態(tài)分析法的風(fēng)機齒輪箱狀態(tài)在線評估云模型.

1基于SVM的齒輪箱運行溫度預(yù)測模型

支持向量機(SVM)具有模型簡單、全局優(yōu)化、樣本數(shù)量少、收斂速度快、泛化能力強等特點，其基本原理參考文獻[15].文中采用SVM建立齒輪箱運行溫度的預(yù)測模型.

1.1　SVM回歸建模算法

對于給定的已知樣本(x1,y1)，(x2,y2)，…，(xN,yN)，xi∈Rn，yi∈R，i=1,2,…,N，xi為輸入量，yi為輸出量.SVM利用核函數(shù)k(x,xi)把低維非線性輸入空間映射到高維特征空間,并在此空間中進行線性回歸，得到回歸函數(shù)為

由于齒輪箱運行溫度預(yù)測模型是高度非線性模型，故采用高斯函數(shù)作為該模型的核函數(shù).SVM預(yù)測模型中，文中采用網(wǎng)格法和十折交叉驗證法對懲罰系數(shù)和核寬參數(shù)進行尋優(yōu)[15]，確定最優(yōu)參數(shù)組合.

1.2　預(yù)測模型輸入輸出量的選取

以遼寧某風(fēng)電場的風(fēng)機齒輪箱為對象，其SCADA系統(tǒng)采樣頻率為每分鐘1次.SCADA系統(tǒng)包含了47項連續(xù)監(jiān)測指標(biāo).其中,齒輪箱的監(jiān)測指標(biāo)包括齒輪箱輸入軸溫度、齒輪箱輸出軸溫度、齒輪箱油溫和主軸齒輪箱側(cè)軸承溫度.采用SPSS 19.0軟件的變量相關(guān)性分析功能，對齒輪箱各溫度指標(biāo)進行相關(guān)性分析.以齒輪箱輸入軸溫度為例，分析結(jié)果表明:其與齒輪箱輸出軸溫度、齒輪箱油溫、發(fā)電機轉(zhuǎn)速、葉輪轉(zhuǎn)速及主軸齒輪箱側(cè)軸承溫度高度相關(guān)，Pearson相關(guān)系數(shù)在[0.8,1.0]范圍內(nèi).因而，以上述相關(guān)變量的當(dāng)前值及齒輪箱輸入軸溫度上一時刻值作為SVM模型輸入，以齒輪箱輸入軸溫度作為SVM模型輸出，建立齒輪箱輸入軸溫度預(yù)測模型.

2預(yù)測趨勢狀態(tài)的描述

基于齒輪箱正常狀態(tài)時的歷史數(shù)據(jù)建立齒輪箱運行溫度預(yù)測模型后，將其用于齒輪箱運行溫度預(yù)測.當(dāng)齒輪箱狀態(tài)正常時，趨勢狀態(tài)分析法能夠準(zhǔn)確挖掘指標(biāo)參數(shù)的非線性關(guān)系，得出的參數(shù)預(yù)測值可較好擬合真實值，預(yù)測誤差較小；而若齒輪箱處于異常狀態(tài)時，其參數(shù)內(nèi)部關(guān)系發(fā)生變化，已由當(dāng)前關(guān)系轉(zhuǎn)移至其他不確定的關(guān)系，導(dǎo)致參數(shù)趨勢的變化并不在預(yù)測算法的“記憶”中，此時，參數(shù)預(yù)測效果必然較差，導(dǎo)致誤差值很大.因此,可以采用預(yù)測誤差的變化序列描述齒輪箱趨勢狀態(tài)的演化過程.

考慮到相對誤差較絕對誤差更能反映預(yù)測的可信程度[16]，比方根誤差計算更簡單.因此，采用齒輪箱運行溫度的預(yù)測相對誤差序列描述其趨勢狀態(tài)的演化過程,即

式(2)中:yp,i表示預(yù)測值;yc,i表示實際值;n表示實際值或真實值的個數(shù).

3正態(tài)云模型及狀態(tài)評估策略

3.1　正態(tài)云模型理論

正態(tài)云模型可用3個數(shù)字特征(Ex,En,He)表征[17].其中:期望值Ex是最能夠代表定性概念的數(shù)值；熵En反映定性概念的模糊程度；超熵He反映代表定性概念值的樣本出現(xiàn)的隨機性，揭示了模糊性和隨機性的關(guān)聯(lián).正態(tài)云發(fā)生器包括正向正態(tài)云發(fā)生器、逆向正態(tài)云發(fā)生器和條件正態(tài)云發(fā)生器[18].其中，逆向正態(tài)云發(fā)生器能夠基于統(tǒng)計學(xué)原理，對數(shù)據(jù)序列進行挖掘，將一定數(shù)量的精確數(shù)據(jù)轉(zhuǎn)換為以數(shù)字特征(Ex,En,He)表示的定性概念，從而實現(xiàn)從定量值到定性概念的轉(zhuǎn)換.因此，文中采用逆向正態(tài)云發(fā)生器生成狀態(tài)評估云模型.

3.2　改進無確定度逆向正態(tài)云發(fā)生器求取云數(shù)字特征

步驟4若S2-En2<0，則刪除m=n×1%個離期望Ex最近的樣本點，在剩余樣本中,重新計算方差S2，直到S2-En2>0,再跳轉(zhuǎn)步驟5;若S2-En2>0,直接跳轉(zhuǎn)步驟5.

3.3　齒輪箱定性概念評估策略

若把數(shù)x作為一個云滴，y表示數(shù)x對正態(tài)云模型的關(guān)聯(lián)程度，則稱y為云滴關(guān)聯(lián)度，其可由X條件發(fā)生器求取.具體有以下3個步驟.

李德仁[18]指出，定性概念的正態(tài)云模型中,99.74%的云滴均位于(Ex-3En,Ex+3En)區(qū)間內(nèi)，若將這個區(qū)間視為一個集合，則正態(tài)云模型C1和C2之間的關(guān)聯(lián)度k可定義為

式(6)中:N和M分別表示區(qū)間交集和并集，即

貢獻度表示正態(tài)云模型間的關(guān)聯(lián)度對區(qū)分不同定性概念的貢獻程度，關(guān)聯(lián)度越大，則其對區(qū)分定性概念的貢獻越小，反之則越大.貢獻度的計算式為

貼近度表示樣本對不同定性概念正態(tài)云模型的貼近程度，計算式為

式(10)中:ρi表示定性概念正態(tài)云模型貼近度;yi,j表示狀態(tài)i的第j個指標(biāo)的云滴關(guān)聯(lián)度;wj表示第j個指標(biāo)的貢獻度.

將齒輪箱運行狀態(tài)評估為正常(ρ1)或異常(ρ2)，按照最大貼近度的原則確定齒輪箱狀態(tài)，即若ρ1>ρ2，則判定齒輪箱為正常狀態(tài);若ρ1≤ρ2，則判定齒輪箱為異常狀態(tài).

4齒輪箱狀態(tài)在線評估流程

基于風(fēng)電機組的SCADA系統(tǒng)實時監(jiān)測數(shù)據(jù)，利用上述模型對風(fēng)機齒輪箱狀態(tài)在線評估，具體有以下4個步驟.

步驟1基于SCADA系統(tǒng)歷史數(shù)據(jù)，采用SVM建立齒輪箱各溫度指標(biāo)正常狀態(tài)下的預(yù)測模型，分別將正常和異常的監(jiān)測數(shù)據(jù)作為模型輸入，進行溫度預(yù)測，并計算相對誤差指標(biāo)ei,j,k(i=1,2;j=1,2,3,4;k=1,…,t).其中，i=1表示正常狀態(tài)，i=2表示異常狀態(tài)；j=1,2,3,4表示齒輪箱各溫度指標(biāo)；k表示預(yù)測樣本序號.

步驟2采用改進無確定度逆向正態(tài)云發(fā)生器，從相對誤差序列ei，j，k中分別求取各指標(biāo)正常狀態(tài)云和異常狀態(tài)云的數(shù)字特征，并根據(jù)式(6)和式(9)計算不同狀態(tài)云之間的關(guān)聯(lián)度kj和貢獻度wj.

步驟3獲取實時SCADA數(shù)據(jù)作為SVM溫度模型的輸入，求取齒輪箱各指標(biāo)的相對誤差，進而計算得到云滴關(guān)聯(lián)度ei,j，結(jié)合所求正態(tài)云模型間關(guān)聯(lián)度kj和貢獻度wj，綜合計算待測試樣本對正常和異常正態(tài)云模型的貼近程度ρ1和ρ2.

步驟4根據(jù)最大貼近度原則，確定齒輪箱狀態(tài).

5實例分析

5.1　齒輪箱不同狀態(tài)時預(yù)測趨勢特征

利用風(fēng)電機組齒輪箱的SCADA系統(tǒng)的歷史監(jiān)測數(shù)據(jù)，選取該風(fēng)機齒輪箱在半個月內(nèi)的正常狀態(tài)監(jiān)測數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，對所建立的SVM模型進行訓(xùn)練，得到齒輪箱運行溫度預(yù)測模型.以齒輪箱輸入軸溫度為例，對齒輪箱不同狀態(tài)下的運行溫度趨勢預(yù)測特征進行分析.齒輪箱輸入軸溫度正常狀態(tài)時的預(yù)測結(jié)果，如圖1所示.圖1中：θ為齒輪箱輸入軸溫度；η為正常狀態(tài)下預(yù)測相對誤差.由圖1可知：該風(fēng)機齒輪箱輸入軸溫度正常狀態(tài)時，其平均預(yù)測相對誤差為0.45%，最大相對誤差為1.19%.可見，模型的預(yù)測精度較高，能夠準(zhǔn)確反映齒輪箱輸入軸溫度正常狀態(tài)時的趨勢變化.

(a) 預(yù)測結(jié)果曲線 (b) 預(yù)測相對誤差變化曲線圖1　齒輪箱輸入軸溫度正常狀態(tài)時的預(yù)測結(jié)果Fig.1　Gearbox input shaft temperature predictions of normal condition

該風(fēng)電機組SCADA系統(tǒng)在2012年1月22日2時41分時發(fā)出齒輪箱故障警報.齒輪箱輸入軸溫度異常狀態(tài)時的預(yù)測結(jié)果，如圖2所示.圖2中：θ為齒輪箱輸入軸溫度；η′為異常狀態(tài)下預(yù)測相對誤差.由圖2可知：異常狀態(tài)時，平均預(yù)測相對誤差為18.07%，最大相對誤差為24.44%.顯然，由于齒輪箱預(yù)測模型是根據(jù)正常狀態(tài)的數(shù)據(jù)所建立，因而當(dāng)齒輪箱狀態(tài)發(fā)生異常時，其趨勢狀態(tài)的變化特征無法被準(zhǔn)確描述.

(a) 預(yù)測結(jié)果曲線 (b) 預(yù)測相對誤差變化曲線圖2　齒輪箱輸入軸溫度異常狀態(tài)時的預(yù)測結(jié)果Fig.2　Gearbox input shaft temperature predictions of abnormal condition

5.2　正態(tài)云模型的數(shù)字特征

分別求取齒輪箱4個溫度指標(biāo)在正常和異常狀態(tài)時的預(yù)測相對誤差序列，即可得到齒輪箱各溫度指標(biāo)不同趨勢狀態(tài)下的特征數(shù)據(jù).

以齒輪箱輸入軸溫度為例，將正常樣本的預(yù)測相對誤差序列作為改進無確定度逆向正態(tài)云發(fā)生器的輸入，得到正常正態(tài)云模型的數(shù)字特性為(Ex，1,En，1,He，1)=(0.45,0.28,0.02).在超熵He，1的計算過程中，若采用傳統(tǒng)發(fā)生器，得到的結(jié)果為虛數(shù)0.26i，采用改進發(fā)生器剔除22個樣本點后，在剩余178個樣本點中，重新計算得到He=0.02.同理，異常正態(tài)云模型的數(shù)字特征為(Ex，2,En，2,He，2)=(13.97,5.36,0.33).齒輪箱各指標(biāo)狀態(tài)的正態(tài)云模型數(shù)字特征，如表1所示.

表1　各指標(biāo)正態(tài)云模型的數(shù)字特征

5.3　齒輪箱狀態(tài)在線評估可行性驗證

該機組于2012年3月21日14時27分發(fā)出齒輪箱故障警報.獲取該故障發(fā)生前3個小時內(nèi)的SCADA系統(tǒng)數(shù)據(jù)，共180組監(jiān)測數(shù)據(jù)，應(yīng)用文中模型對其狀態(tài)進行在線評估.齒輪箱狀態(tài)對于正常云和異常云的貼近度變化曲線,如圖3所示.圖3中：ρ為正態(tài)云模型貼近度.由圖3可知：在前半部分，正常云的貼近度曲線存在波動，但其值明顯大于異常云的貼近度；在后半部分，正常貼近度快速下降為0，而異常貼近度迅速上升至較大數(shù)值.因此，所提模型能夠直觀描述齒輪箱由正常狀態(tài)向異常狀態(tài)的轉(zhuǎn)換過程.

根據(jù)最大貼近度原則，對該機組齒輪箱狀態(tài)進行實時評估，在線評估結(jié)果如圖4所示.由圖4可知：在第105個樣本點處，采用文中所提模型評估齒輪箱為異常狀態(tài).與原系統(tǒng)相比，所提模型能夠提前76 min對齒輪箱的早期缺陷進行及時預(yù)警.

圖3　正態(tài)云模型貼近度變化曲線 圖4　齒輪箱狀態(tài)在線評估結(jié)果 Fig.3　Variation curve of normal cloud Fig.4　Gearbox condition online　model closeness degree assessment results

6結(jié)束語

提出基于趨勢狀態(tài)分析的風(fēng)機齒輪箱狀態(tài)在線評估云模型，以某風(fēng)電機組故障前一段時間內(nèi)的SCADA數(shù)據(jù)對所提模型的可行性進行驗證.結(jié)果表明:文中模型能夠根據(jù)貼近度的變化在線評估齒輪箱狀態(tài)，及時發(fā)現(xiàn)出齒輪箱的異常狀態(tài)，有助于防范齒輪箱嚴(yán)重故障的發(fā)生，提高風(fēng)電機組安全性、可靠性和經(jīng)濟性.

參考文獻：

[1]TAVNER P J,XIANG J,SPINATO F.Reliability analysis for wind turbines[J].Wind Energy,2007,10(1):1-18.

[2]YUE Wang,INFIELD D.Supervisory control and data acquisition data-based non-linear state estimation technique for wind turbine gearbox condition monitoring[J].IEEE Transactions on Renewable Power Generation,2013,7(4):350-358.

[3]郭鵬,INFIELD D,楊錫運.風(fēng)電機組齒輪箱溫度趨勢狀態(tài)監(jiān)測及分析方法[J].中國電機工程學(xué)報,2011,31(32):129-136.

[4]趙洪山,胡慶春,李志為.基于統(tǒng)計過程控制的風(fēng)機齒輪箱故障預(yù)測[J].電力系統(tǒng)保護與控制,2012,40(13):67-73.

[5]郭鵬,李淋淋,馬登昌.基于IPSO-BP的風(fēng)電機組齒輪箱狀態(tài)監(jiān)測研究[J].太陽能學(xué)報,2012,33(3):439-445.

[6]QIU Yingning,SUN Juan,CAO Mengnan,et al.Model based wind turbine gearbox fault detection on SCADA data[C]∥IET Conference on Renewable Power Generation.Naples:IEEE Press,2014:1-5.

[7]趙洪山,郭偉,邵玲,等.基于子空間方法的風(fēng)機齒輪箱故障預(yù)測算法[J].電力自動化設(shè)備,2015,35(3):27-32.

[8]李德毅,劉常昱,杜鹢,等.不確定性人工智能[J].軟件學(xué)報,2004,15(1):1583-1594.

[9]李如琦,蘇浩益.基于可拓云理論的電能質(zhì)量綜合評估模型[J].電力系統(tǒng)自動化,2012,36(1):66-70.

[10]ZHOU Quan,WANG Shizheng,AN Wendou,et al.Power transformer fault diagnosis based on DGA combined with cloud model[C]∥International Conference on High Voltage Engineering and Application.Poznan:IEEE Press,2014:1-4.

[11]SUN Yong,LI Zenglu,MENG Hong,et al.Fault diagnosis of flight control system based on correction high dimensional cloud model[C]∥International Conference on Computer Science & Service System.Nanjing:IEEE Press,2012:1793-1797.

[12]董磊,閻芳,王鵬.基于修正高維云的故障映射模型[J].系統(tǒng)工程與電子技術(shù),2015,37(2):354-359.

[13]徐巖,陳昕.基于合作博弈和云模型的變壓器狀態(tài)評估方法[J].電力自動化設(shè)備,2015,35(3):88-93.

[14]梁永亮,李可軍,牛林,等.變壓器狀態(tài)評估多層次不確定模型[J].電力系統(tǒng)自動化,2013,37(22):73-78.

[15]方瑞明.支持向量機理論及其應(yīng)用分析[M].北京:中國電力出版社,2007:15-17.

[16]陳雪娟,吳春華,李智華,等.基于灰色預(yù)測的光伏組件陰影類型診斷研究[J],電網(wǎng)技術(shù),2014,38(14):3293-3299.

[17]凌武能,杭乃善,李如琦.基于云支持向量機模型的短期風(fēng)電功率預(yù)測[J].電力自動化設(shè)備,2013,33(7):34-38.

[18]李德仁.空間數(shù)據(jù)挖掘理論與應(yīng)用[M].北京:科學(xué)出版社,2013:149-155.

[19]劉常昱,李德毅,杜鹢,等.正態(tài)云模型的統(tǒng)計分析[J].信息與控制,2005,34(2):236-239.

(責(zé)任編輯： 黃曉楠英文審校： 吳逢鐵)

Online Wind Turbine Gearbox Condition Assessment

Cloud Model Using Trend Condition Analysis

FANG Ruiming, JIANG Shunhui, SHANG Rongyan, WANG Li

(College of Information Science and Engineering, Huaqiao University, Xiamen 361021, China)

Abstract：To prevent wind turbine gearbox severe faults occurrence, combined normal cloud model and trend condition analysis, this paper presents a novel condition assessment model. Firstly, based on supervisory control and data acquisition (SCADA) historical data, the forecasting model of gearbox operating temperature is established by adapting SVM, and the relative errors sequence of the forecasting values under normal and abnormal conditions are calculated after analyzing characteristics of trend forecasting. Then, inputting the relative errors sequence into improved backward normal cloud generator with the non-certainty degree, the digital features of normal and abnormal cloud model are obtained. Furthermore, the gearbox condition assessment cloud model is given, which is based on online SCADA data of wind turbine to calculate the closeness degree of normal and abnormal cloud model for gearbox current condition, and use the principle of maximum closeness degree to determine the gearbox condition. Finally, the proposed model is verified by online data of a wind turbine gearbox in Liaoning province, the results show that this model is capable of alarming early defects timely of a gearbox, achieving the aim of online condition assessment.

Keywords：gearbox; wind turbine; normal cloud model; trend condition analysis; backward cloud generator

基金項目：國家自然科學(xué)基金資助項目(51177039)； 福建省自然科學(xué)基金資助項目(2012J01223)； 福建省廈門市重大科技創(chuàng)新平臺項目(3502Z20111008)

通信作者：方瑞明(1972-)，男，教授，博士，主要從事電力設(shè)備在線監(jiān)測與故障診斷等的研究.E-mail:fangrm@126.com.

收稿日期：2015-08-15

中圖分類號：TM 715

文獻標(biāo)志碼：A

doi:10.11830/ISSN.1000-5013.2016.01.0032

文章編號：1000-5013(2016)01-0032-06