風(fēng)電機(jī)組齒輪箱高溫故障分析與預(yù)測(cè)

銀磊 孫啟濤 魯納納

近年來(lái)國(guó)內(nèi)風(fēng)電裝機(jī)容量不斷增加，齒輪箱作為風(fēng)力發(fā)電機(jī)組的關(guān)鍵部件，雖然制造工藝已成熟，但是風(fēng)力發(fā)電機(jī)組工作環(huán)境的特殊性和承受載荷的復(fù)雜性致使齒輪箱易發(fā)生故障和損壞，而且損壞一旦觸發(fā)，其維修過(guò)程相對(duì)復(fù)雜，造成機(jī)組停機(jī)時(shí)間較長(zhǎng)，嚴(yán)重影響風(fēng)電機(jī)組的安全性和經(jīng)濟(jì)性，因此對(duì)風(fēng)電機(jī)組齒輪箱的故障進(jìn)行預(yù)測(cè)及識(shí)別變得尤為重要。

齒輪箱高溫不僅會(huì)導(dǎo)致風(fēng)電機(jī)組限功率運(yùn)行或超溫停機(jī)，而且無(wú)法保證滿負(fù)荷運(yùn)行機(jī)組的穩(wěn)定性。有些廠家為了回避此問(wèn)題，調(diào)高油溫報(bào)警閾值，但此方法給齒輪箱的潤(rùn)滑造成嚴(yán)重危害，使齒面容易出現(xiàn)膠合現(xiàn)象。另外，現(xiàn)今基于齒輪箱高溫故障的研究大多集中于結(jié)構(gòu)設(shè)計(jì)方面的技術(shù)升級(jí)，雖然提出的方案有一定的效果，但還不夠理想。為了更好地解決此類問(wèn)題，基于齒輪箱高溫故障預(yù)測(cè)的預(yù)防性維修將逐漸發(fā)展為有效的手段之一。換言之，風(fēng)電機(jī)組部件的故障預(yù)測(cè)技術(shù)在一定程度上能夠有效避免部件因突發(fā)失效進(jìn)而導(dǎo)致故障事故發(fā)生。

當(dāng)前關(guān)于風(fēng)電機(jī)組故障分析與預(yù)測(cè)的研究存在明顯不足，如基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Long Short -Term Memory，LSTM）對(duì)齒輪帶故障進(jìn)行預(yù)測(cè)，能夠有效提高齒輪帶斷裂故障預(yù)測(cè)的精度，但是在訓(xùn)練時(shí)間成本上并沒(méi)有顯著的優(yōu)勢(shì)?；趶?fù)數(shù)據(jù)經(jīng)驗(yàn)?zāi)B(tài)分解和隨機(jī)森林（Random Forest，RF）理論的風(fēng)電機(jī)組多域特征故障診斷研究，驗(yàn)證了隨機(jī)森林具有很高的準(zhǔn)確率，卻未考慮齒輪箱高溫故障從早期出現(xiàn)微弱特征到徹底失效需要經(jīng)歷一個(gè)漸變演化過(guò)程等等。故本文提出采用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林組合模型LSTM-RF進(jìn)行風(fēng)電機(jī)組齒輪箱高溫故障（包括齒輪箱驅(qū)動(dòng)端軸承溫度高、齒輪箱非驅(qū)動(dòng)端軸承溫度高及齒輪箱油溫高三類）預(yù)測(cè)，該模型考慮了故障特征演變的時(shí)變性和周期性。仿真結(jié)果驗(yàn)證了混合模型能夠有效提高齒輪箱高溫預(yù)測(cè)精度，并且具有較高穩(wěn)定性，可以實(shí)現(xiàn)提前預(yù)測(cè)未來(lái)一周齒輪箱高溫故障。

齒輪箱高溫預(yù)測(cè)模型理論分析

一、LSTM的原理

LSTM作為RNN的改進(jìn)模型，其實(shí)質(zhì)為在RNN基礎(chǔ)上引入“門”的概念，由控制“門”的手段來(lái)控制新信息對(duì)已存信息神經(jīng)元的擾亂程度，從而能夠有效地保留歷史信息。如圖1為L(zhǎng)STM模型架構(gòu)，LSTM的關(guān)鍵在于細(xì)胞的狀態(tài)和穿過(guò)細(xì)胞的水平線。細(xì)胞狀態(tài)類似傳送帶，直接在整個(gè)鏈上運(yùn)行，只涉及少部分的線性交互，因此信息在上面流傳不易發(fā)生改變。LSTM通過(guò)忘記門、輸入門和輸出門這三個(gè)“門”來(lái)控制細(xì)胞狀態(tài)，“門”結(jié)構(gòu)支持LSTM更新或丟棄信息，及更新細(xì)胞狀態(tài)。

二、RF的原理

隨機(jī)森林分類模型針對(duì)多變量的分類效果較好，不易出現(xiàn)過(guò)擬合，但結(jié)果與參數(shù)選擇有關(guān)，因此需要進(jìn)行參數(shù)調(diào)優(yōu)。隨機(jī)森林使用重采樣方法從原始樣本中抽取多個(gè)子樣本的數(shù)據(jù)，為每個(gè)子樣本建立決策樹(shù)模型，然后結(jié)合多個(gè)預(yù)測(cè)結(jié)果，通過(guò)投票方式來(lái)獲得最終的預(yù)測(cè)分類。

RF是Bagging的擴(kuò)展版本，套袋仍是它的主要思想，但它基于套袋做了一些獨(dú)特的改進(jìn)。首先，RF的基本分類器是CART決策樹(shù)；其次，在決策樹(shù)的訓(xùn)練過(guò)程中引入隨機(jī)屬性選擇，進(jìn)一步提高模型的泛化能力，原理如圖2所示。

三、LSTM-RF的原理

傳統(tǒng)的齒輪箱高溫故障診斷方法集中于齒輪箱溫度異常診斷流程或者溫度高原因分析及解決方法，以風(fēng)電機(jī)組齒輪箱潤(rùn)滑系統(tǒng)原理及高溫原因分析為切入點(diǎn)，提供合理的處理方案，在一定程度上能有效降低齒輪箱油溫，避免齒輪箱高溫停機(jī)，延長(zhǎng)其剩余壽命?；蛘咄ㄟ^(guò)對(duì)齒輪箱潤(rùn)滑油冷卻系統(tǒng)熱交換器傳熱原理進(jìn)行分析，通過(guò)改變散熱器翅片結(jié)構(gòu)，解決齒輪箱油溫高問(wèn)題—— 該方法雖然在齒輪箱故障技改上得到推廣使用，但是缺乏預(yù)測(cè)性的分析，只考慮齒輪箱潤(rùn)滑系統(tǒng)設(shè)計(jì)層面的研究及導(dǎo)致此現(xiàn)象的可能因素，忽略了時(shí)間相關(guān)特征為在預(yù)測(cè)過(guò)程中需要考慮的關(guān)鍵因素等等。

風(fēng)電機(jī)組齒輪箱故障由初期出現(xiàn)微弱跡象漸變演化為徹底失效的過(guò)程伴隨著較強(qiáng)的時(shí)間序列性，本文提出的組合模型LSTM-RF考慮了齒輪箱油溫高的數(shù)據(jù)在時(shí)間上的特征空間域，提高了齒輪箱高溫預(yù)測(cè)的精度，選取隨機(jī)森林主要用以特征篩選及參數(shù)調(diào)優(yōu)。仿真實(shí)驗(yàn)結(jié)果表明，該組合模型在故障時(shí)間序列預(yù)測(cè)中具有較高的精度，其基本框架如圖3所示。

預(yù)測(cè)模型建立

通過(guò)對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理、特征選取以及LSTMRF模型訓(xùn)練，從而實(shí)現(xiàn)預(yù)測(cè)效果。其中，在數(shù)據(jù)采集階段，考慮到數(shù)據(jù)集過(guò)于龐大，倘若以秒級(jí)數(shù)據(jù)作為訓(xùn)練樣本會(huì)導(dǎo)致訓(xùn)練時(shí)間成本太高，故對(duì)原始數(shù)據(jù)以1分鐘為基準(zhǔn)進(jìn)行等距壓縮處理?？紤]到實(shí)時(shí)數(shù)據(jù)運(yùn)算等操作的時(shí)效性，采用固定間隔采樣，以此獲取故障樣本和正常樣本。建模流程如圖4所示，其主要包括：

1. 數(shù)據(jù)壓縮、清洗

通過(guò)數(shù)據(jù)抽樣方式獲取故障樣本和正常樣本，作為特征提取樣本。

2. 多重K-means聚類去除冗余數(shù)據(jù)

K-means實(shí)現(xiàn)數(shù)據(jù)的聚類，并對(duì)每行數(shù)據(jù)打上類別標(biāo)簽。設(shè)某部件的故障種類數(shù)為c，則多重K-means聚類的指定聚類K值為從c到2c。在多個(gè)K值的聚類時(shí)，若某批數(shù)據(jù)的類別標(biāo)簽始終相同，則這批數(shù)據(jù)的數(shù)據(jù)特征相近，將其視為同類型數(shù)據(jù)，將這批數(shù)據(jù)的行數(shù)記為X—— 若X極小，則認(rèn)為這些數(shù)據(jù)在聚類過(guò)程中貢獻(xiàn)值極小，視為冗余、噪聲數(shù)據(jù)，將其從訓(xùn)練集中剔除，最終生成新的數(shù)據(jù)集。

（2）計(jì)算這批數(shù)據(jù)中每行數(shù)據(jù)與中心點(diǎn)的歐式距離；

（3）取距離中心點(diǎn)最近的前80%的數(shù)據(jù)行數(shù)，剩余的剔除；

（4）生成新的訓(xùn)練集。

3. 隨機(jī)森林+專家經(jīng)驗(yàn)篩選特征點(diǎn)位

（1）將訓(xùn)練集輸入到多個(gè)隨機(jī)森林，輸出每個(gè)維度的特征在分類器模型的貢獻(xiàn)值，若某個(gè)特征的貢獻(xiàn)值大于0.05，則判為重要特征；

（2）將篩選出的特征和經(jīng)驗(yàn)特征結(jié)合，使用經(jīng)驗(yàn)點(diǎn)位和刪除點(diǎn)位來(lái)更新特征點(diǎn)位，即保證最終選取的結(jié)果中包含所有的經(jīng)驗(yàn)點(diǎn)位，然后采用皮爾遜相關(guān)系數(shù)的計(jì)算，去除關(guān)聯(lián)較大的變量，最終，得到的特征點(diǎn)位如表1所示。

4. 模型訓(xùn)練及預(yù)測(cè)

利用處理后的數(shù)據(jù)進(jìn)行模型訓(xùn)練及預(yù)測(cè)。

預(yù)測(cè)結(jié)果分析

組合模型LSTM-RF是用LSTM對(duì)處理后的數(shù)據(jù)進(jìn)行計(jì)算，將得到的結(jié)果作為隨機(jī)森林的輸入，利用投票法確定LSTM預(yù)測(cè)的結(jié)果中有沒(méi)有故障。由仿真結(jié)果可知，LSTMRF預(yù)測(cè)模型非常適用于處理與時(shí)間序列高度相關(guān)的齒輪箱油溫高等問(wèn)題。在故障為齒輪箱驅(qū)動(dòng)端軸承溫度高、齒輪箱非驅(qū)動(dòng)端軸承溫度高及齒輪箱油溫高的情形下，LSTM-RF預(yù)測(cè)模型的準(zhǔn)確率及召回率如表2所示。由表2可知，運(yùn)用組合模型LSTM-RF進(jìn)行風(fēng)電機(jī)組齒輪箱高溫故障預(yù)測(cè)具有一定的可行性。

基于隨機(jī)森林特征選擇，對(duì)比分析LSTM-RF與XGBoost、AdaBoost、GBDT和RF等機(jī)器學(xué)習(xí)算法在相同測(cè)試集上的訓(xùn)練時(shí)間成本和準(zhǔn)確率，結(jié)果如表3所示。由表3易知，LSTM-RF相比其他幾種機(jī)器學(xué)習(xí)算法，具有較高的齒輪箱高溫故障預(yù)測(cè)準(zhǔn)確率，比其他機(jī)器學(xué)習(xí)預(yù)測(cè)算法平均提高3.35%；盡管GBDT和RF的時(shí)間成本低，但GBDT和RF 均是以決策樹(shù)為基礎(chǔ)的，其預(yù)測(cè)準(zhǔn)確率比LSTM-RF略差。因此，綜合來(lái)看，LSTM-RF用于齒輪箱高溫故障預(yù)測(cè)較為可行。

結(jié)論

為捕捉風(fēng)電機(jī)組齒輪箱高溫初期故障，達(dá)到高溫故障預(yù)測(cè)的效果，本文構(gòu)造了LSTM-RF組合模型：與其他預(yù)測(cè)模型相比，該模型考慮了故障漸變過(guò)程，非常適合處理與時(shí)間序列高度相關(guān)的問(wèn)題；由案例仿真分析結(jié)果可知，LSTMRF可以實(shí)現(xiàn)故障分析及預(yù)測(cè)的目的。除此之外，相比XGBoost、AdaBoost、GBDT和RF機(jī)器學(xué)習(xí)算法，LSTMRF具有較優(yōu)的預(yù)測(cè)精度，可進(jìn)一步研究其在風(fēng)電機(jī)組其他大部件上應(yīng)用的可行性。

（作者單位：明陽(yáng)智慧能源集團(tuán)股份公司）