基于DBNs风机故障检测方案设计

王默玉 段利锋 李新颖 申晓留

1.华北电力大学控制与计算机工程学院

2.河南省嵩县供电局

1.概述

风力发电是当前最成熟、最具有市场竞争力的可再生能源发电技术，它是人类解决能源与环境问题的一项重要措施。截至2012年底，我国风电并网装机容量已达62.66GW。随着越来越多的风场投入运营，使得风机检修工作的经济意义变得越来越重大。一个高效的风机检修方案可以更好的保证风机的可利用率，从而提高风场的经济效益。

我国风电场正处于从计划检修到状态检修的过渡阶段，相比于传统的计划检修，状态检修有以下几方面优势:（1）克服计划检修的盲目性（2）减少停运时间（3）减少维护工作的工作量[1]。状态监测作为状态检修的核心工作，它是通过提供风机实时运行时各个关键部件的健康状态数据，来为决策者提供是否进行设备检修决策基础数据。通过使用这些实时数据，可以是缺陷发生的最初阶段就可以被检测或者诊断出，这样便降低了重大故障发生的可能性，从而尽可能地来保证风机的可使用时间。

典型的状态监测系统（CMS）通常监控风机主要部件的温度数据，诸如风机的轴承、润滑油以及绕组等部件的温度信息，通过温度的信息来了解各个部件的健康状况，这些实时的温度数据可以通过scada 系统来收集和存储。通过对这些数据进行自动分析来为运行人员提供是否进行设备检修的决策依据。

本文提出一种风机故障监测方案，通过自动的对scada 系统提供的实时数据进行分析，来识别风机设备是否存在缺陷或者故障。数据分析的核心工作由deep belief networks（DBNs)来完成。本文的实验数据来源于我国山西某风场的实时运行数据。

2.深度信念网（Deep Belief Networks）

Deep Belief Networks 是由Hinton 等在文献[2]中首次提出的，它是一种带有多个隐层的生成型神经网络模型，组成这种模型的基石是一种叫做限制型玻尔兹曼机（RBM）的概率模型。限制型玻尔兹曼机已经成功的应用于许多问题处理中，例如：数据分类，数据降维、信息的检索。而作为深度机器学习中的一个重要分支，DBNs 已经在模式识别领域去得了良好的效果。

图1给出了一个典型的DBN。

图1 一个典型的DBN

它是由一个用于输入的可视层（Visible Layer），若干个隐藏层（Hidden Layer)以及最顶端的用于数据输出的联合存储器（Associative Memory）。其中相邻层单元之间存在一个带全的双向链接，而同层单元之间则不存在连接。Wj 是j-1 层和j 层单元之间的权重矩阵，bj 是j 层的偏移量。

训练DBN 首先要解决的一个关键问题是：依据什么标准来初始化权重矩阵和偏移量。Hinton et al.在[2]中介绍了一种叫做无导层博学贪心学习算法（Greedy Layerwise Unsupervised Learning Algrithm)。这种算法是基于对一系列的RBMs 的训练。单个的RBM 如图2-2 中所示，它是一种双层结构神经网络模型，其中输入和输出单元之间通过一个带权的双向链接连接起来，所有的单元均是随机二进制单元。它的第一层用于二进制向量的输入（visible units v），另外一层单元则对应于输出(hidden units h)。

图2

这里用vi 和hj 分别代表可视单元i 和隐元j 的状态，对称阵wij 表示双向权重矩阵。各个单元的状态概率决定函数为：

接下来本文依据状态概率决定函数对RBM 进行训练，首先将训练样本作为输入交给可视单元以产生{vi}.根据方程（2）可以得到隐元的状态{hj}。然后重复这一训练过程以更新可视单元和隐元产生单步重构状态vi'和hj'。对权重矩阵wij 的更新依据方程（3）

其中，η(表示学习率，<·>表示训练样本的均值。

本文中，本文将要处理的是连续型数据，因此，简单的使用RBM 是不合适的。Chen 和 Murray 在[3]中提出了一种连续型限制玻尔兹曼机（CRBM)，它的各个单元是实属型随机单元，因此本文选择CRBM 作为DBN 的组成单元。

本文将Sj 作为单元j 的输出，它的输入是状态矩阵{si}所对应的单元。

其中，Nj(0,1)表示标准正态分布，σ是一个常量，φj(x)是渐近线由θH、θL 决定的S 函数。aj 是噪声控制变量，用于控制s 函数的斜率。Wij 和aj 的更新方程是：

其中，ηw 和ηa 是学习率，sj'之前定义的一样，是指单元j 经过一次抽样后的状态，<·>指训练样本均值，对偏移量的计算公式同RBM 对偏移量的处理。

本文通过数目与DBN 中隐层数相同的一系列连续的CRBMs，来构造DBN。

本文采用的是一种与（1）中相似的算法。首先，使用输入样本对第一层的CRBM 进行直接训练，得到的数据用于对隐层的训练，这样的话隐层的单元可以得到输入数据的关键特征，以此类推直到所有的隐层等训练完成。

3.基于DBNs 的风机故障检测方案

3.1 风机系统

典型的风机系统包括叶片、塔架和机舱。机舱位于塔架的顶部，主轴、齿轮箱和发电机分别被安装在机舱内，除此之外，机舱内还安置有大量的用于监控风机关键部件实时运行状态的传感器，用于scada 系统获取风机的实时运行数据。

Scada 系统监控的数据通常包括以下参数：

1）风机实时发电量（以十分钟为一个时间间隔，取平均值）

2）风速（以十分钟为一个时间间隔，取平均值）

3）齿轮箱轴承温度（以十分钟为一个时间间隔，取平均值）

4）齿轮箱润滑油温度（以十分钟为一个时间间隔，取平均值）

5）发电机绕组温度（以十分钟为一个时间间隔，取平均值）

6）叶片角度（以十分钟为一个时间间隔，取平均值）

7）机舱外温度（以十分钟为一个时间间隔，取平均值）

将搜集到的数据整理形成风机实时运行风机实时运行参数矩阵P(Youtput,xwspeed,xgtemp,xoiltemp,xwtemp,x pangle,xoutemp)T,其中

Youtput：风机实时发电量

xwspeed：风速，作为该矩阵的标记量

xgtemp：齿轮箱轴承温度

xoiltemp：齿轮箱润滑油温度

xwtemp：发电机绕组温度

xpangle：叶片角度

xoutemp:：机舱外温度

3.2 风功率曲线

理论上，正常情况下的风机发电量和风速之间存在着一种恒定的函数关系，这种函数关系通常通过功率曲线来表示。下图展示了WT1650/D8 风机的标准功率曲线。

图3

在生产中，图3的功率曲线是状态监控系统的参照系，通过和实际生产中的功率曲线进行对比，有经验的生产工作人员可以判断风机缺陷或者故障发生的可能程度。

3.3 方案设计

整个风机故障检测方案包括：数据预处理、dbns 模型训练、状态评估三个步骤。

A 数据预处理

风机在运行过程中，有时候为了保证风机的运行安全，需要调整叶片的角度，这种原因造成的出力下降，在风机状态监测中属于噪声数据，因此，在进行模型训练操作之前，应该对已有的数据进行预处理，剔除掉这种噪声数据。

B dbns 模型训练

输入层和各个隐层的节点数以及隐层的数目是DBN 中至关重要的参数。首先，输入层节点的个数对应着对预测产生影响的历史实际数据的个数，而隐层节点的数目则关系着整个模型对数据间的非线性的关系模式的捕捉能力，所以隐层节点数目的选取将对整个DBN 至关重要。一方面，过少的隐层节点将使得DBNs 在对数据进行建模时显得能力不足。而从另一方面讲，过多的隐层节点数目又有可能对问题产生过拟合效应，反而影响了DBN 的性能。除此之外，隐层的层数的选取也是很重要的。隐层的多少可以决定DBN 对数据间复杂关系建模能力的大小。其层数的可变性给了设计者很多自由的选择，但是，同时也给设计者带来了一个很大的问题，因为，迄今为止还没有一个成熟的理论来决定如何选取隐层的数目，所以，这就导致了如何构建DBN 的最优架构依然是一项很困难的工作。

正如上文说述隐层层数的选取，现在也没有一种理想的方法，由于神经网络中多层结构的学习能力要强于单层，本文将隐层数目设为2，将第二隐层的节点数设为第一层的一半。而第一层隐层的结点数目，本文将通过实验来从12、16、20 中确定。

对于用于模型训练的数据选取，本文将选择连续超过30 天未发生过故障停机的风机运行历史数据的前40%，作为模型训练的基础数据。以风机出力作为标记结点输入，风机实时运行参数矩阵P 中其他分量作为模型输入，选取单台风机100 天的正常运行数据（约合1 万次）对模型进行训练，选取10 天的正常数据，采用平均绝对误差（MAE),对DBNs 的预测做性能的评估，得到下表：

?

因此，本文选择16-8 结构。

C 缺陷识别算法

待模型训练完毕后，通过将实时运行的温度数据和叶片角度数据作为模型输入，使用模型输出的评估电量和实时发电量进行对比。理论上来讲，当风机处于正常状态时，评估电量和实时发电量的差值是比较小的，而一旦风机发生了缺陷或者故障的话，风机的实时发电量会发生比较大幅度的降低，因此，通过计算实时发电量r 和评估电量s 的差值率p 从而来生成风机缺陷发生概率[3]。

P=(r-s)/r

当P 大于某一特定值σ时，风机被认为存在未被发现缺陷的可能性，通过选取某一时间区间来计算曲线发生概率的公式如下：

其中σ是根据经验所得的经验值。

4.案例分析

本文以山西某风电场风机作为研究对象，首先，通过对该型号风机的实时运行数据进行分析和评估，得出实时评估电量，然后，将评估电量和实际发电量的差值作为缺陷识别算法的输入计算风机缺陷发生概率。

?

图4

上图是某风场单台风机运行两个月的发电曲线图，通过对已有的历史运行数据和故障信息数据进行分析，这里选择σ=0.1037。本文采用12 个小时作为一个分析区间，每个区间共48 个采样点，根据历史消缺任务单，来验证该方案对缺陷和故障检测灵敏性。

5.结语

本方案通过使用风机的实时监控数据，首先根据这些实时监控数据进行出力评估，然后用评估值和实际监测值进行对比分析，对影响风机出力情况的较严重缺陷，本方案有着比较高的灵敏度，但对于风机出力情况较小的缺陷，其检测能力还有待提高。

[1]樊长博,张来斌,殷树根等.应用倒频谱分析法对风力发电机组齿轮箱故障诊断[J].科学技术与工程,2006 ,6(2):1 87 220 0.FAN C hang B o,Z HA NG LaiBin ,WAN G Z h a o Hui,et a l.Using in verse spectrum analysis method to diagnose complex fault of wind power dyna2 motor gear box[J].Science Tech no lo g y and Engineering,20 06,6(2):187 22 00(I n Chinese).

[2]G.Hinton and R.Salakhutdinov,“Reducing the dimensionality of data with neural networks,” Science,vol.313,pp.504-507,2006

[3]H.Chen and A.F.Murray,“Continuous restricted Boltzmann machine with an implementable training algorithm,” IEE Proc-Vis.Image Signal Process.,vol.120,pp.153-158,2003.

[4]Edzel Lapira,Dustin Brisset,“Wind turbine performance assessment using multi-regime modeling approach”,Renewable Energy,Vol.45,pp.86-95,2012