基于自編碼網(wǎng)絡(luò)的海上風(fēng)電機(jī)組典型故障診斷方法

李 鵬，張 凡，馬溪原，姚森敬，王曉東，吳宇航，徐 臻，楊 蘋

(1.南方電網(wǎng)數(shù)字電網(wǎng)研究院，廣東 廣州 510630；2. 國家電投集團(tuán)廣西電力有限公司，廣西 南寧 530000；3. 華南理工大學(xué)廣東省綠色能源技術(shù)重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510641)

0 引 言

海上風(fēng)電機(jī)組長期運(yùn)行在環(huán)境多變的海洋氣候環(huán)境下，其維護(hù)工作比陸上風(fēng)電場更加復(fù)雜，運(yùn)維人員需要通過搭乘專業(yè)運(yùn)維船或直升機(jī)才能到達(dá)檢修地點(diǎn)。受海上氣象條件限制，運(yùn)維人員需要選擇合適的出海條件開展維護(hù)工作。然而，當(dāng)機(jī)組發(fā)生故障時(shí)，若不及時(shí)排除故障，可能會造成故障擴(kuò)散發(fā)展，造成大面積海上風(fēng)電機(jī)組停運(yùn)，造成巨大經(jīng)濟(jì)損失。因此，對海上風(fēng)電機(jī)組進(jìn)行精準(zhǔn)故障診斷，是海上風(fēng)電場安全穩(wěn)定運(yùn)行的重要保障。

為提升風(fēng)電機(jī)組故障診斷精度，國內(nèi)外學(xué)者開展了大量研究。文獻(xiàn)[1]以風(fēng)電場SCADA系統(tǒng)的實(shí)時(shí)監(jiān)測數(shù)據(jù)為基礎(chǔ)進(jìn)行越限報(bào)警；文獻(xiàn)[2]基于SCADA系統(tǒng)的實(shí)時(shí)監(jiān)測數(shù)據(jù)，給出典型故障的越限診斷指標(biāo)；文獻(xiàn)[3]采用SCADA系統(tǒng)的實(shí)時(shí)監(jiān)測數(shù)據(jù)建立風(fēng)電機(jī)組的故障預(yù)警模型。文獻(xiàn)[4]基于主傳動(dòng)鏈振動(dòng)監(jiān)測系統(tǒng)的振動(dòng)信號分析，采用神經(jīng)網(wǎng)絡(luò)對轉(zhuǎn)速和載荷非平穩(wěn)狀態(tài)下的齒輪箱故障進(jìn)行識別，比較SCADA系統(tǒng)的低速實(shí)時(shí)監(jiān)測系統(tǒng)的越限報(bào)警信號可以更精確地定位齒輪箱故障。文獻(xiàn)[5]構(gòu)建了深度變分自編碼網(wǎng)絡(luò)預(yù)測模型，挖掘了SCADA數(shù)據(jù)的分布特征，提高了風(fēng)電齒輪箱預(yù)警的魯棒性。文獻(xiàn)[6]采用了梯度懲罰Wasserstein生成對抗網(wǎng)絡(luò)，更精確的預(yù)警了風(fēng)電機(jī)組傳動(dòng)鏈故障。文獻(xiàn)[7]將快速獨(dú)立成分分析與經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)合，對信號進(jìn)行分離，并采用基于改進(jìn)遺傳算法的極限學(xué)習(xí)機(jī)，提高了風(fēng)電機(jī)組軸承故障的診斷準(zhǔn)確率。文獻(xiàn)[8-14]分別提出基于小波分解與支持向量機(jī)分類相結(jié)合的齒輪箱典型故障診斷方法、基于噪聲抑制的風(fēng)電軸承振動(dòng)故障的神經(jīng)網(wǎng)絡(luò)診斷方法、基于自適應(yīng)最優(yōu)核時(shí)頻分析的非平穩(wěn)工況下風(fēng)電機(jī)組主傳動(dòng)鏈的行星齒輪箱的故障診斷方法，都是從專業(yè)的主傳動(dòng)鏈振動(dòng)監(jiān)測系統(tǒng)的振動(dòng)信號中提取出更加有效的典型故障特征。文獻(xiàn)[15]提出了SCADA數(shù)據(jù)和振動(dòng)信息相結(jié)合的風(fēng)電機(jī)組狀態(tài)監(jiān)測方法，利用這兩類數(shù)據(jù)開展了風(fēng)電機(jī)組狀態(tài)的實(shí)時(shí)監(jiān)測，以便對典型故障進(jìn)行研究。

以上研究大多數(shù)集中在SCADA系統(tǒng)信號的處理方法和故障檢測模型的改進(jìn)上，期待通過大量的故障樣本提取故障特征進(jìn)行典型故障的檢測。海上風(fēng)電場的建設(shè)剛剛在國內(nèi)興起，針對大型海上風(fēng)電機(jī)組這類新興的大型復(fù)雜設(shè)備的典型故障診斷，積累的故障樣本很少，且數(shù)據(jù)源單一，僅包含SCADA數(shù)據(jù)，無法準(zhǔn)確檢測故障。因此，本文將SCADA系統(tǒng)和振動(dòng)監(jiān)測系統(tǒng)的數(shù)據(jù)融合，并提出一種基于自編碼網(wǎng)絡(luò)的海上風(fēng)電機(jī)組典型故障診斷方法。通過對SCADA系統(tǒng)和振動(dòng)監(jiān)測系統(tǒng)的數(shù)據(jù)接口進(jìn)行二次開發(fā)對接，將兩種系統(tǒng)的數(shù)據(jù)進(jìn)行特征融合，進(jìn)一步提高了故障診斷的精度。

1 海上風(fēng)電機(jī)組典型故障診斷框架

海上風(fēng)電機(jī)組的電氣類部件監(jiān)測數(shù)據(jù)完備，這類故障容易實(shí)現(xiàn)提前預(yù)警，其模塊化結(jié)構(gòu)也方便更換故障部件。而海上風(fēng)電機(jī)組的機(jī)械傳動(dòng)部件實(shí)時(shí)監(jiān)測成本高、監(jiān)測數(shù)據(jù)較少，故障難以提前預(yù)警，故障排除也十分困難。針對海上風(fēng)電機(jī)組故障多發(fā)的主軸、發(fā)電機(jī)軸承和發(fā)電機(jī)繞組三大核心機(jī)械部件，對其典型故障進(jìn)行重點(diǎn)分析。其中，主軸的主要故障類型包括軸不對中和軸彎曲兩種，軸不對中主要是由于設(shè)計(jì)、安裝缺陷等原因造成，軸彎曲則主要是由于材料、安裝缺陷，導(dǎo)致制造過程中沒有消除應(yīng)力集中造成的；發(fā)電機(jī)軸承的主要故障類型包括軸斷裂、軸承磨損兩種，軸斷裂主要是由于材料缺陷，導(dǎo)致制造過程中沒有消除應(yīng)力集中造成，軸承磨損主要是由于材料、安裝缺陷、潤滑不良等原因造成；發(fā)電機(jī)繞組的主要故障類型包括轉(zhuǎn)子故障、定子故障兩種，轉(zhuǎn)子故障是由于轉(zhuǎn)子偏心、軸承變形、制造缺陷、安裝不良等原因造成，定子故障則是由于繞組絕緣老化等原因造成。

針對故障診斷問題，常常采用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模與診斷。然而，海上風(fēng)電機(jī)組大多數(shù)情況下是正常運(yùn)行的，其故障樣本遠(yuǎn)少于正常運(yùn)行樣本，于是，直接采用典型故障的少量樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)效果不佳。針對這一類問題，可以利用深度自編碼網(wǎng)絡(luò)對正常運(yùn)行狀態(tài)進(jìn)行重構(gòu)，通過檢測的重構(gòu)誤差發(fā)現(xiàn)典型故障。同時(shí)，深度自編碼網(wǎng)絡(luò)的中間層輸出結(jié)果提取了輸入數(shù)據(jù)的核心特征，可用于故障的分類。因此，本文設(shè)計(jì)了海上風(fēng)電機(jī)組典型故障診斷框架如圖1所示。

圖1 海上風(fēng)電機(jī)組故障診斷框架

首先，將SCADA數(shù)據(jù)和振動(dòng)監(jiān)測系統(tǒng)數(shù)據(jù)進(jìn)行歸一化。然后，分別對SCADA數(shù)據(jù)和振動(dòng)監(jiān)測系統(tǒng)數(shù)據(jù)采用自編碼網(wǎng)絡(luò)進(jìn)行降維。由于，振動(dòng)監(jiān)測系統(tǒng)數(shù)據(jù)是對機(jī)組關(guān)鍵部件振動(dòng)細(xì)節(jié)的局部放大，與SCADA監(jiān)測系統(tǒng)低頻數(shù)據(jù)的全局描述聯(lián)合，可以更加全面表征典型故障的特征，因此本文將兩類獨(dú)立故障特征數(shù)據(jù)進(jìn)行了融合。接著，通過深度自編碼網(wǎng)絡(luò)對輸入故障特征進(jìn)行重構(gòu)，判斷重構(gòu)誤差是否大于閾值，若大于閾值，說明其為故障樣本，否則為正常樣本。最后，通過深度自編碼故障分類模型將故障樣本進(jìn)行分類，實(shí)現(xiàn)海上風(fēng)電機(jī)組典型故障的診斷。

2 基于兩類獨(dú)立故障特征數(shù)據(jù)的海上風(fēng)電機(jī)組典型故障的特征降維

針對海上風(fēng)電機(jī)組的典型故障，提取足夠的故障特征才能準(zhǔn)確判斷故障，但是，冗余的故障特征不但對故障判斷沒有幫助，還會降低故障診斷的精度，為此，需要對故障特征進(jìn)行降維。海上風(fēng)電機(jī)組的SCADA系統(tǒng)以1 s為間隔全面監(jiān)測機(jī)組的運(yùn)行狀態(tài)，與振動(dòng)監(jiān)測系統(tǒng)以2 kHz的采集頻率實(shí)時(shí)監(jiān)測的機(jī)組主傳動(dòng)鏈振動(dòng)信號數(shù)據(jù)一起，組成兩類原始故障特征數(shù)據(jù)樣本。這2類獨(dú)立數(shù)據(jù)源對于典型故障的表征能力與表征的角度是不一樣的。海上風(fēng)電機(jī)組的SCADA系統(tǒng)的機(jī)組的運(yùn)行狀態(tài)數(shù)據(jù)包括4大類：機(jī)組運(yùn)行模式及其功率、機(jī)組運(yùn)行狀態(tài)、溫度特征、振動(dòng)特征。其中的運(yùn)行模式及其功率、機(jī)組運(yùn)行狀態(tài)是對于機(jī)組的全局表征，溫度特征是關(guān)鍵部位的溫度信息，振動(dòng)特征是關(guān)鍵部位的振動(dòng)特征。而基于振動(dòng)監(jiān)測系統(tǒng)的實(shí)時(shí)監(jiān)測數(shù)據(jù)提取的故障特征只有一類：振動(dòng)特征。來源于2種系統(tǒng)的振動(dòng)數(shù)據(jù)的振動(dòng)特征是不一樣的，SCADA系統(tǒng)是低速采集的振動(dòng)數(shù)據(jù)，振動(dòng)監(jiān)測系統(tǒng)是采集的多方位的振動(dòng)數(shù)據(jù)，因此，振動(dòng)監(jiān)測系統(tǒng)的振動(dòng)信號是SCADA系統(tǒng)振動(dòng)信號在細(xì)節(jié)上的重要補(bǔ)充。為此，針對這2類獨(dú)立數(shù)據(jù)源，分別進(jìn)行故障特征提取與特征降維，以保留它們對于典型故障的獨(dú)立表征能力。

本文采用自編碼網(wǎng)絡(luò)對故障特征進(jìn)行降維。自編碼網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示，全連接層1是編碼器，將輸入數(shù)據(jù)進(jìn)行編碼提取其特征，特征維度為輸出的神經(jīng)元個(gè)數(shù)；全連接層2是解碼器，對提取的特征進(jìn)行解碼，重構(gòu)輸入數(shù)據(jù)。當(dāng)提取的特征維度小于輸入數(shù)據(jù)維度時(shí)，即實(shí)現(xiàn)了故障特征的降維，這一過程可表示為

圖2 自編碼網(wǎng)絡(luò)結(jié)構(gòu)

(1)

自編碼網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是輸出與輸入的誤差最小，可采用均方誤差作為訓(xùn)練的損失函數(shù)

(2)

為使降維后的故障特征盡可能地保持原始輸入故障特征的表征能力，應(yīng)使得誤差LAE盡可能小。因此，對故障特征進(jìn)行降維的步驟如下：

(1)從原始特征的維數(shù)開始，逐漸減少全連接層1輸出神經(jīng)元的個(gè)數(shù)，并逐一訓(xùn)練自編碼網(wǎng)絡(luò)；

(2)計(jì)算重構(gòu)誤差，當(dāng)誤差顯著增大時(shí)，選定顯著增大前一個(gè)維數(shù)為降維的維數(shù)，并保留相應(yīng)的編碼器的參數(shù)；否則重復(fù)步驟(1)。

3 基于兩類獨(dú)立故障特征數(shù)據(jù)融合的海上風(fēng)電機(jī)組典型故障診斷

SCADA數(shù)據(jù)是對機(jī)組狀態(tài)全局的描述，而振動(dòng)檢測系統(tǒng)數(shù)據(jù)是對機(jī)組振動(dòng)特征的細(xì)節(jié)描述，二者的結(jié)合可以更全面的描述機(jī)組的狀態(tài)。因此，本節(jié)將這2類獨(dú)立的故障特征數(shù)據(jù)融合，構(gòu)建了基于自編碼網(wǎng)絡(luò)的典型故障診斷及分類模型，以充分利用2類故障特征數(shù)據(jù)的特點(diǎn)，對海上風(fēng)電機(jī)組典型故障進(jìn)行診斷。

3.1 基于深度自編碼器的典型故障診斷模型

海上風(fēng)電機(jī)組的典型故障樣本較少，如果采用少量故障樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練建模，神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)效果不佳。針對這一類問題，可以采用深度自編碼網(wǎng)絡(luò)對正常運(yùn)行狀態(tài)進(jìn)行重構(gòu)訓(xùn)練，通過檢測深度自編碼網(wǎng)絡(luò)[16]的重構(gòu)誤差發(fā)現(xiàn)典型故障。

大量監(jiān)測數(shù)據(jù)表明，海上風(fēng)電機(jī)組正常運(yùn)行過程中，其振動(dòng)的頻率、幅值與機(jī)組的運(yùn)行模式及其對應(yīng)的功率緊密相關(guān)，運(yùn)行功率越大，搖晃和振動(dòng)越大，其關(guān)系是非線性的，無法采用固定背景振動(dòng)模板或線性背景振動(dòng)模型反映實(shí)際的背景振動(dòng)。而本文利用自編碼神經(jīng)網(wǎng)絡(luò)的重構(gòu)能力，將海上風(fēng)電機(jī)組正常運(yùn)行模式及其對對應(yīng)的不同功率范圍的背景振動(dòng)進(jìn)行重構(gòu)，而故障運(yùn)行模式下，相應(yīng)的振動(dòng)與正常運(yùn)行模式相比有較大的區(qū)別，無法完全重構(gòu)。從而實(shí)現(xiàn)識別背景振動(dòng)和異常振動(dòng)的目的。對于非振動(dòng)數(shù)據(jù)，其在故障運(yùn)行狀態(tài)下的特征也會發(fā)生改變，因此也可以采用自編碼網(wǎng)絡(luò)，對正常運(yùn)行模式和故障運(yùn)行模式進(jìn)行判斷。

圖3 基于深度自編碼器的故障診斷模型

(3)

(4)

故障診斷模型的訓(xùn)練過程如下：

(1)對海上風(fēng)電機(jī)組典型故障的樣本數(shù)據(jù)集(含正常運(yùn)行狀態(tài)和故障狀態(tài)的樣本數(shù)據(jù))進(jìn)行歸一化處理，再按第2節(jié)所述故障特征降維方法進(jìn)行降維。將數(shù)據(jù)集按一定比例分為訓(xùn)練集和測試集。其中，訓(xùn)練集只包含正常運(yùn)行狀態(tài)的樣本數(shù)據(jù)，測試集既包含有故障樣本數(shù)據(jù)，又包含正常狀態(tài)樣本數(shù)據(jù)。

(2)確定深度自編碼網(wǎng)絡(luò)的隱藏層數(shù)量，采用貪婪訓(xùn)練法，通過堆疊自動(dòng)編碼器逐層進(jìn)行預(yù)訓(xùn)練。

(3)預(yù)訓(xùn)練完成后，通過反向傳播法進(jìn)行網(wǎng)絡(luò)參數(shù)微調(diào)，得到故障診斷模型。

當(dāng)完成深度自編碼網(wǎng)絡(luò)的整個(gè)訓(xùn)練后，需要確定重構(gòu)誤差閾值。重構(gòu)誤差閾值可由以下方法確定[17]

T=1.2(ER+σR)

(5)

3.2 基于深度自編碼器的典型故障分類

3.1節(jié)的故障診斷模型訓(xùn)練過程主要用于判斷是否存在故障，但無法判斷故障的類別，因此本節(jié)設(shè)計(jì)了一個(gè)基于深度自編碼器的故障分類模型，進(jìn)行故障類別的判斷。模型結(jié)構(gòu)如圖4所示。模型的歸一化、降維以及深度自編碼網(wǎng)絡(luò)的編碼器部分與故障診斷模型的結(jié)構(gòu)相同，不同之處在于此模型利用自編碼網(wǎng)絡(luò)提取的數(shù)據(jù)特征進(jìn)行分類，即將深度自編碼器中的編碼器的輸出H，輸入到一個(gè)全連接層中，該全連接層采用softmax激活函數(shù)以計(jì)算各類故障的概率，從而判斷輸入樣本故障所屬的類別。該模型的訓(xùn)練樣本和測試樣本均只采用故障狀態(tài)的樣本，同時(shí)還需要使用故障類別標(biāo)簽數(shù)據(jù)，進(jìn)行有監(jiān)督訓(xùn)練。在進(jìn)行訓(xùn)練時(shí)，所采用的損失函數(shù)為交叉熵誤差，計(jì)算公式為

圖4 基于深度自編碼器的故障分類模型

(6)

式中，Lc為故障分類模型的損失值；n為樣本數(shù)；C為故障的種類數(shù)；pic為第i個(gè)樣本屬于第c類故障的概率；tic為故障類別標(biāo)簽，當(dāng)故障屬于第c類時(shí)，值為1，否則為0。

故障分類網(wǎng)絡(luò)的訓(xùn)練過程如下：

(1)取海上風(fēng)電機(jī)組的故障樣本集進(jìn)行歸一化和降維。并將數(shù)據(jù)集按一定比例分為訓(xùn)練集和測試集。

(2)采用貪婪訓(xùn)練法，通過堆疊自動(dòng)編碼器逐層進(jìn)行預(yù)訓(xùn)練。

(3)預(yù)訓(xùn)練完成后，運(yùn)用故障類型標(biāo)簽，進(jìn)行有監(jiān)督訓(xùn)練，微調(diào)模型，得到故障分類模型。

4 故障診斷案例分析

以某海上風(fēng)電場的5臺4 MW海上風(fēng)電機(jī)組為實(shí)際分析對象。該風(fēng)電場配備了完善的SCADA系統(tǒng)和主傳動(dòng)鏈振動(dòng)監(jiān)測系統(tǒng)，并通過技術(shù)改造打通這兩類系統(tǒng)的數(shù)據(jù)接口，建立了基于這兩類獨(dú)立故障特征數(shù)據(jù)融合的海上風(fēng)電機(jī)組典型故障診斷系統(tǒng)。針對4 MW海上風(fēng)電機(jī)組典型故障的故障特征，利用風(fēng)電場2021年8月10日～2021年10月11日的實(shí)際運(yùn)行數(shù)據(jù)共8 183個(gè)，對該海上風(fēng)電場進(jìn)行故障診斷。將6 144個(gè)正常狀態(tài)樣本作為故障診斷模型的訓(xùn)練集，剩余1 536個(gè)正常狀態(tài)樣本和503個(gè)故障樣本作為測試集。采用自編碼網(wǎng)絡(luò)對故障特征進(jìn)行降維，最終得到降維后SCADA系統(tǒng)故障特征和振動(dòng)監(jiān)測系統(tǒng)的故障特征共232維?；谏疃茸跃幋a器的故障診斷模型對應(yīng)的編碼器的三層隱藏層神經(jīng)元個(gè)數(shù)分別設(shè)置為128、64和16。根據(jù)深度自編碼器的對稱性，可相應(yīng)確定解碼器的三層隱藏層神經(jīng)元的個(gè)數(shù)分別為64、128和232。

4.1 不同模型診斷結(jié)果分析

為驗(yàn)證本文所采用的SCADA數(shù)據(jù)和振動(dòng)監(jiān)測系統(tǒng)數(shù)據(jù)融合的故障診斷方法的有效性，本文將其與單獨(dú)采用SCADA數(shù)據(jù)和單獨(dú)采用振動(dòng)監(jiān)測數(shù)據(jù)的故障診斷方法進(jìn)行了對比，并采用正常樣本檢出率和故障樣本檢出率評估故障診斷模型的效果。其中，正常樣本檢出率表示正常樣本中被故障診斷模型檢測為正常樣本的占比，其計(jì)算公式為

(7)

式中，RP為正常樣本檢出率；nTP為實(shí)際為正常狀態(tài)且檢測為正常狀態(tài)的樣本；nFN為實(shí)際為正常狀態(tài)但檢測為故障狀態(tài)的樣本。

故障樣本檢出率表示故障樣本中被故障診斷模型檢測為故障樣本的占比。計(jì)算公式為

(8)

式中，RN為正常樣本檢出率；nTN為實(shí)際為故障狀態(tài)且檢測為故障狀態(tài)的樣本；nFP為實(shí)際為故障狀態(tài)但檢測為正常狀態(tài)的樣本。

3種方法的正常樣本檢出率和故障樣本檢出率如表1所示。

表1 故障診斷模型評估結(jié)果 %

可以看出，采用不同的方法對正常樣本進(jìn)行檢測時(shí)并不存在較大的區(qū)別。這是因?yàn)檎颖緮?shù)據(jù)具有相似的規(guī)律，可以被基于深度自編碼網(wǎng)絡(luò)的故障診斷模型重構(gòu)。而對于故障樣本的檢測，三種不同的方法則存在較大的差異。采用SCADA數(shù)據(jù)和振動(dòng)監(jiān)測系統(tǒng)數(shù)據(jù)融合的故障樣本檢出率最高。這是因?yàn)椴捎眠@兩種獨(dú)立故障特征數(shù)據(jù)融合的方法，既可以利用SCADA數(shù)據(jù)對機(jī)組狀態(tài)全方位表征的能力，又可以利用振動(dòng)監(jiān)測系統(tǒng)對振動(dòng)故障特征的細(xì)節(jié)表征能力，從而提高故障檢出率。而僅采用SCADA數(shù)據(jù)時(shí)，雖可全面的檢測各類故障，但對于某些振動(dòng)故障，SCADA系統(tǒng)采集的數(shù)據(jù)無法檢測出異常，因此故障檢出率比本文的方法要低。而對于僅振動(dòng)監(jiān)測系統(tǒng)的方法來說，由于只能采集機(jī)組振動(dòng)信息，從而只能判斷具有異常振動(dòng)的故障，無法判斷其他故障，因此故障檢出率最低。

4.2 實(shí)際運(yùn)行案例分析

2021年12月23日，該海上風(fēng)電場風(fēng)電機(jī)組故障預(yù)警系統(tǒng)發(fā)出故障告警信號，根據(jù)系統(tǒng)故障預(yù)警結(jié)果，A機(jī)組主傳動(dòng)鏈運(yùn)行狀態(tài)異常。圖5所示為本文提出的基于深度自編碼器的故障診斷模型在2021年12月18日至2021年12月26日的重構(gòu)誤差結(jié)果。可見，通過該模型計(jì)算得出，在2021年12月23日時(shí)計(jì)算的重構(gòu)誤差R大于檢測閾值，從而觸發(fā)了風(fēng)電機(jī)組主傳動(dòng)鏈故障預(yù)警系統(tǒng)發(fā)出故障告警信號。經(jīng)過故障分類模型判斷，該故障屬于發(fā)電機(jī)軸承故障。

圖5 風(fēng)電機(jī)組故障診斷模型重構(gòu)誤差

3日后，機(jī)組SCADA閾值報(bào)警系統(tǒng)發(fā)生異常工作狀態(tài)告警，經(jīng)值班人員檢測，發(fā)現(xiàn)發(fā)電機(jī)溫度過高，運(yùn)維人員隨即安排該機(jī)組的檢修計(jì)劃。現(xiàn)場檢修工作人員發(fā)現(xiàn)在人孔門處有部分金屬鐵削，工作人員檢查發(fā)電機(jī)后軸承間隙，發(fā)現(xiàn)發(fā)電機(jī)后軸承存在碎裂情況。可見，主傳動(dòng)鏈故障預(yù)警系統(tǒng)順利發(fā)現(xiàn)了機(jī)組主傳動(dòng)鏈的運(yùn)行異常，比SCADA溫度預(yù)警系統(tǒng)先一步發(fā)現(xiàn)機(jī)組的典型故障，具有出色的故障預(yù)警靈敏度。

5 結(jié) 論

針對目前常用的典型故障診斷方法僅利用單一數(shù)據(jù)來源的缺點(diǎn)，本文提出了一種基于多種數(shù)據(jù)源的故障診斷方法。將SCADA數(shù)據(jù)和振動(dòng)監(jiān)測數(shù)據(jù)融合，并構(gòu)建了基于自編碼網(wǎng)絡(luò)的海上風(fēng)電機(jī)組典型故障診斷模型，對海上風(fēng)電機(jī)組典型故障進(jìn)行檢測和分類。該方法有效地利用了風(fēng)電機(jī)組的SCADA系統(tǒng)對于風(fēng)電機(jī)組實(shí)時(shí)監(jiān)測的全局性和主傳動(dòng)鏈振動(dòng)監(jiān)測系統(tǒng)對于風(fēng)電機(jī)組主傳動(dòng)鏈振動(dòng)特征實(shí)時(shí)監(jiān)測的針對性和深入程度，克服了單一數(shù)據(jù)源難以診斷故障的缺點(diǎn)。實(shí)際診斷案例表明，基于多類數(shù)據(jù)源的故障診斷模型的故障診斷正確率比僅采用單一數(shù)據(jù)源的故障診斷模型更高，且能夠更早發(fā)現(xiàn)故障。本文所提的故障診斷方法準(zhǔn)確定位了海上風(fēng)電機(jī)組典型故障，對海上風(fēng)電機(jī)組的高效運(yùn)維提供了強(qiáng)有力的技術(shù)支撐。