基于大数据分析技术的风电机组齿轮箱故障预警_成志伟.pdf

内燃机与配件 基于大数据分析技术的风电机组齿轮箱故障预警成志伟，王晓丹，李雪娇，邓永生（重庆机电职业技术大学 信息工程学院，重庆 ；重庆开放大学重庆工商职业学院，管理学院，重庆 ；重庆电讯职业学院，智慧城市建设学院，重庆 ）摘要：齿轮箱的损伤和失效会直接或间接导致风电机组的故障或停机，造成重大的经济损失。为了能对齿轮箱的故障状态进行预警，本文提出了一个基于大数据分析技术的风电机组齿轮箱故障预警模型。首先利用最大互信息系数分析各工况参数与齿轮箱输出轴温度的相关性，提取主要影响因子作为具有记忆时序信息的循环神经网络的输入特征，构建正常状态下齿轮箱温度的残差分布，设置故障预警阈值，从而实现对风电机组齿轮箱故障状态预警。关键词：齿轮箱；最大互信息系数；循环神经网络；残差分析；故障预警中图分类号：文献标识码：文章编号：（），（，；，；，）：，：；基金项目：重庆市教委科学技术研究项目“基于大数据分析技术的风电机组轴承健康管理关键技术研究与应用”（）；重庆市高等教育教学改革研究项目“大数据高技能人才培训探索与实践”（）作者简介：成志伟（），男，汉族，陕西汉中人，硕士，高级工程师，主要方向大数据技术与应用。通讯作者：王晓丹（），女，汉族，河南商丘人，硕士，讲师，主要研究方向大数据技术及应用。引言齿轮箱作为风电机组传动系统的核心装置，发生故障可能导致整个风电机组停运，造成的经济损失是十分巨大的。若在齿轮箱故障发生之前，提前预警，采取相应的措施，对风电机组的安全可靠运行有这非常重要的意义。齿轮箱的工作状态可以通过其温度的变化和分布情况显示，如果能准确预测齿轮箱温度的未来变化趋势，通过分析其分布特性就可以及时检测到齿轮箱的工作状态，对其故障进行预警。近年来，研究者们对于齿轮箱温度与其健康状态关系进行了大量的探索性研究，其中大多数都利用一个能够描述齿轮箱工作状态的温度残差分布规律判断是否处于故障状态，这种方法关键在于准确预测齿轮箱温度变化趋势。齿轮箱温度随着运行时间的变化而改变，属于时间序列数据，当前时刻的温度和过去时刻的有很大的关联，对于温度的未来变化趋势可通过过去的数据信息来预测。目前，许多基于大数据分析技术的时间序列回归模型已被广泛地用于时序数据的预测。在众多方法中，循环神经网络（，）是一类具有时间信息记忆能力的神经网络，特别擅长于处理时间序列型数据的模型，可以被用作具有时序信息的齿轮箱温度数据预测。本文通过最大互信息系数分析监控和数据 采 集 系 统（，）历史监测工况数据与齿轮箱温度的相关关系，提取出最主要工况参数，利用循环神经网络构建正常状态下齿轮箱温度变化趋势预测模型，继而获得正常状态下的残差分布规律与预警阈值，最后通过实时监控模型温度变化的预测趋势与真实趋势之间差异实现对风电机组齿轮箱故障状态预警。齿轮箱故障预警模型 最大互信息系数DOI:10.19475/ki.issn1674-957x.2023.04.011 年第期最大互信息系数用于衡量两个随机变量之间的线性或非线性的强度，常用于模型的特征选择。给定随机变量，和 ，为样本总量，其互信息的计算公式可以定义为：（，）（，）（，）（）（），（）其中，（，）为与的联合概率密度函数，（）和（）分别为与的边缘概率密度函数。对于给定的有序对（，），数据集为（，），样本数量为。将划分在列行的网格中。在给定的分辨率下网格的划分方式有多种，取不同划分方式的互信息的最大值作为的互信息值：（，）（），（）将不同划分方式 获 取 的（，）组 成 特 征 矩 阵（），为：（），（，），（）最大互信息系数定义为：（）（）（），（）其中，（）为网 格 数 量 的 上 限，通 常（）.。长短时记忆神经网络长短时记 忆 神 经 网 络（，）是一种具有记忆长短期信息能力的改进的。在 隐含层上增加了一个的状态，它承载着之前所有状态信息，类似于信息传递的路径，可以视作网络的“记忆”。信息的添加与移除是通过遗忘门（）、输入门（）、输出门（）这三种门结构实现的，门结构在训练过程中会去学习该保存或遗忘哪些信息。具体过程如下：（，）（），（）（，），（）（，）（），（）（，），（）（），（）其中，控制上一个状态信息的保留情况，当前状态的输入信息和上一个状态的输出信息被输入到一个激活函数 中产生一个元素值均在，之间的向量，表示全部舍去，表示全部保留。新信息通过和和一个 激活函数生成。输入门用来控制新信息的信息保留，也就是对当前状态输入进行有选择的“记忆”。同一样它也产生一个元素值在，之间的向量。通过前一时刻的状态与的逐点相乘的结果再加上与逐点相乘的结果就得到的当前状态。输出门控制当前状态信息的输出情况。在故障状态下，工况参数发生较大的变化并生成了新的工况状态空间，温度预测模型无法给出准确的温度描述，从而形成一个新的残差分布。假设正常状态下的温度残差服从正态分布，依据法则，若残差值在（，）区间内，认为是正常残差值，否则判定为异常残差值。风电机组齿轮箱故障预警模型根据以上的分析，建立基于最大互信息系数和循环神经网络的齿轮箱故障预警模型，具体步骤如下：）建立实验数据集。实验数据包括正常状态下的工况数据和故障状态下的工况数据，具体被划分为用于创建正常状态下温度预测模型的训练集与测试集，用于验证残差分布规律能否判断齿轮箱运行状态的验证集。）提取与输出轴温度趋势变化最相关的主要工况参数。通过计算各工况参数与输出轴温度的最大相关系数，得到每个工况参数的贡献率，降序排列，提取出累计贡献率大于 的主要工况参数。，（）齿轮箱输出轴温度的变化趋势预测。将训练集的主要工况参数作为 网络的输入数据，建立正常状态下的 预测模型。将预测数据和测试集的真实数据的差值作为残差时间序列，并计算出残差时间序列的正态分布参数，设置故障预警阈值。）故障预警评估。将验证集的各工况参数作为训练完成的 模型的输入数据，对验证集的输出轴温度的变化趋 势 进 行 预 测，根 据 预 警 阈 值 评 估 齿 轮 箱 故 障状态。工程案例 输入特征选取本文选取某风电场的一个风电机组的 数据集来评估该预警方法的有效性。采用最大互信息系数分别计算工况参数与齿轮箱输出轴温度的相关系数、贡献率和累计贡献率，其计算结果如表所示。齿轮箱输入温度、齿轮箱进口油温等个主要相关工况参数的累计贡献率超过，因此，选择它们作为温度预测的输入特征。表工况参数与齿轮箱输出轴温度之间的相关性齿轮箱输出轴温度贡献率（）累计贡献率（）齿轮箱输入温度 齿轮箱进口油温 齿轮箱油温 齿轮箱进口压力（）有功功率（）瞬时风速 齿轮箱出口压力（）机舱温度 齿轮箱冷却水温度 机舱前端温度 无功功率（）环境温度 机舱 方向振动 机舱方向振动 内燃机与配件 正常状态下残差分布的建立选取 系统 ：之间的样本点作为本次工程案例的数据集，共 个数据样本。取 正 常 状 态 下 的 数 据 集 的 作 为 训 练 集，为测试集。将训练集各主要工况参数作为 网络的输 入 数 据，并 训 练 模 型。根 据 测 试 结 果，在 两 层 网络结构中，每层隐含层单元数为，学习速率 ，迭代次数为 的情况下，最小的均方根残差为 ，平均 绝 对 百 分 残 差 等 于 、平 均 绝 对 残 差 是 和决定系数等于 。从结果可知，正常状态下，的整体预测精度较高，满足了建立残差分布规律的要求。图正常状态下齿轮箱输出轴温度的残差分布图展示了正常状态下齿轮箱输出轴温度的真实值与模型预测值之间的残差分布。从图中可以看出，预测模型能够根据动态工况参数的变化准确预测出温度变化趋势，实际值与预测值之间的差异在较小的数值范围 范围内波动，并出现明显的分布规律。去除残差中的个别异常点，可视作残差分布近似于正态分布，计算出其均值为 ，标准值为 ，则 的范围区间为 ，区间内，将其区间范围作为故障预警的阈值，如果一段时间内，有残差点持续超出此区间范围，则认为齿轮箱有故障将要发生。异常状态下的残差分布及故障预测齿轮箱的故障或者异常并不是突然产生的，而是一个逐渐退化的过程。为了全面地分析齿轮箱故障的变化情况，采集风电机组齿轮箱发生故障造成停机前 分钟的数据进行齿轮箱故障状态下的预测值与真实值的残差分析。图展示了包含了齿轮箱正常状态和故障状态数据的验证集预测结果。从图（）可以看出，风电机组的运行状态可大致分为四个阶段。正常运行阶段：在第 采样点之前，残差曲线变化平稳，都处于状态预警阈值以内，对应到图（）相应的时间段，预测曲线能够准确地跟随真实值曲线，拟合效果较好。说明这段时间内风电机组运行正常，齿轮箱没有发生故障。故障早期阶段：在 采点 采样点之间，残差曲线开始震荡，开始频繁越过故障预警线，虽然超过的时间持续不长，但是可以观察到故障的早期表现已经出现。同时图（）的对应的阶段的模型的预测值开始逐渐偏离真实值，偏离控制在一定范围内，说明齿轮箱内部或者外部存在一些安全隐患，致使齿轮箱开始偏离正常工作状态。这个阶段表明齿轮箱故障开始产生并处于早期阶段。故障发展阶段：在 采样点 采样点，残差曲线开始急剧上升，并快速地接近并开始超过预警线，观察图（）对应部分预测值曲线偏离预测值曲线的程度开始增加。该阶段显示了随着隐患的进一步发展，齿轮箱故障严重度越来越高。故障停机阶段：在 采样点之后，残差曲线超过预警阈值的横线并持续上升，图（）的对应时间段的曲线预测值和真实值发生严重的差距，模型已无法预测输出轴温度的趋势。这显示了风机发生齿轮箱故障后停机。通过对以上分析表明，本文提出的方法可以比较全面地对齿轮箱的故障状态进行识别，并对故障进行预警。图验证集温度预测结果，其中（）为预测值和真实值的曲线图，（）为预测值和真实值的残差结论齿轮箱是风电机组的关键部件，及时识别其故障可以提高风电机组运行的安全性和可靠性。本文提出一种基于大数据分析技术的风电机组齿轮箱故障预警方法。首选，结合风电机组的 数据集，通过最大互信息系数法选择和齿轮箱输出轴温度最相关的工况参数，有效地提高了模型预测的精度；采用善于处理时序数据的 建立正常状态下温度预测模型，通过模型预测值和真实值之间的残差分布规律确定合适的工作状态的预警区间，实现对风电机组齿轮箱故障状态预警。通过工程实例验证，本文提出的方法可以的有效地进行风电机组齿轮箱故障预警，对风电机组的运维具有重大意义。参考文献：雷亚国，贾峰，孔德同，等大数据下机械智能故障诊断的机遇与挑战机械工程学报，（）：王晓丹基于深度学习的风力发电机故障预测研究重庆工商大学，（）：，（）：