基于贝叶斯网络的风电机组偏航系统故障诊断

国电电力湖南新能源开发有限公司 谢宝瑜 王清岭 张尊彦 李 阳 伍席文 王泽科

华风数据（深圳）有限公司 黎 涛 黄剑峰

风力发电作为风能利用的主要形式，因其环境友好、建设周期短、项目规模灵活等优点，在近年取得快速发展。但由于风电机组长期处于恶劣环境中，其叶片、传动系统、变浆系统、偏航系统等均为故障高发部位。偏航系统作为水平轴风力发电机组中重要的机械系统之一，能在风向发生改变时控制风轮方向、追踪风向变化，从而做到风电机组的高效运行。但现阶段针对风电机组偏航系统故障检测的研究还相对较少。当前基于风机偏航系统状态监测的方法有人工听诊、振动检测、数据挖掘等方法。

人工听诊方法主要是运行人员根据运行经验来判断偏航系统是否发生故障，该方法存在严重的滞后性，人为主观性较强、效率低下且误差大；振动检测方法作为一种成熟的故障检测方法广泛应用于风电机组故障检测中，如文献[1]针对风电机组叶片断裂、偏航系统故障等在内的5种工况，在设备合适的部位安装振动传感器来获取振动信号，利用信号处理和BP 神经网络方法实现了特征与故障类型的关联，但基于振动法检测需安装大量的传感器，成本高且信号源复杂多变，很难检测到设备的早期故障；基于数据挖掘的方法是利用风场SCADS 系统和大数据技术来挖掘数据之间的关系，如文献[2]从风电机组的发电功率、转子速度和俯仰角同风速间三个参数进行关联分析，从SCADA 系统中提取海量数据进行分析，但此方法不足之处在于模型运算过程耗时较长、成本较高，不利于工程利用。

从工程成本、安全性及以适用性等方面考虑，以上方法难以满足工程实际的需求。因此，本文提出了一种基于非接触式的声学检测方法，该方法具有安装简单、维护方便、不影响机组正常工作等优点。提出了改进SOM 与贝叶斯网络的偏航故障诊断方法，并结合风场实测数据验证方法的有效性。

1 算法设计

偏航系统损伤检测可看作是一个故障征兆的非确定性推理过程，而基于概率信息表示及推理的贝叶斯网络在处理非确定性问题时有着良好的表现[3]。因此，本文提出了基于贝叶斯网络的风电机组偏航系统故障诊断方法，主要包括特征提取，数据离散化，贝叶斯网络模型。

1.1 特征提取

当偏航系统发生故障时，其声信号的频谱必然会发生改变，通过倍频程分析，这种改变可在提取的信号声压级来（Sound Pressure Level,SPL）表示：，其中pe表示频带的声压级，分别表示中心频率上限截止频率和下限截止频率，pref表示参考声压级，空气中取值为2×10-5Pa。因此可用SPLs 特征向量来表示偏航系统的状态：S=[SPL1，SPL2，…，SPLi，SPLN]，其中i=1，2，…，N，N 表示SPL 特征向量的个数。

1.2 数据离散化

贝叶斯网络要求特征属性是离散化的，而提取的SPL 特征向量各维度属性是连续的，因此SPL 特征向量必须离散化。SOM 神经网络是无监督式学习人工神经网络（artificial neural network，ANN）的一种，主要是用于数据离散化[4]。传统SOM 算法是随意的划分数据间隔，这样会导致数据信息的丢失。本文提出了一种基于信息增益率的SOM 方法来有效地提取离散属性间隔数以便更纯的离散化连续属性。给定归一化数据集XN'M={xi；xi=(xi,1，xi,2，…，xi,M)，i=1，2，…，N}，其中M 表示样本数，IGR-SOM 算法描述如下。

Step1：初始化SOM 网络的输入层和输出层网络，其中wk,i(0),k=1,2，表示初始化网络第k 个输出神经元到第i 个输入神经元的连接权重。

Step2：选择竞争获胜神经元，选择产生最小的节点作为最匹配的神经元，即为获胜神经元。，确定获胜的神经元之后，更新神经元及其领域内的所有神经元。更新函数为， 其 中a(n)、b(n)和wk,i(n)分别代表学习率、神经元领域宽度、第n 次迭代的连接权重；d(k,L)表示第k个输出神经元到获胜神经元的距离。a(n)、b(n)更新公式如下，其中T 表示总的迭代次数，最后得到离散数据集:

Step4：增加输出神经元直到达到最大的间隔，根据IGR 计算公式，第i 个SPL 特征向量的最优间隔为。

1.3 贝叶斯网络模型

贝叶斯方法以其独特的丰富概率表达、不确定知识表达等优点被广泛应用于文本识别、故障预测、分类等领域[5～7]。基于贝叶斯网络诊断包括了故障层和征兆层。征兆层的节点表示提取的SPL 特征，用S={S1，S2，…，SN}来表示，故障层节点用F={F1，F2，…，FC}，其中C 表示故障类别数，故障类别包括刹车片磨损、制动盘故障、减速器故障、偏航轴承失效。

2 实验分析

为验证模型的有效性，采集了实际风电场偏航系统正常类与故障类的数据。传感器安装在靠近偏航轴承附近且指向偏航轴承，测试系统有AWA14423型传声器、工控笔记本电脑（里面集成了信号采集程序），采样频率设置为64kHz，采集了偏航正常状态和刹车片磨损故障状态两类数据，故障信号能量在3kHz 左右突然增加。

通过1/3倍频程提取信号声压级特征，共25个SPLs 特征，总共等到200个正常类样本和200个故障类样本，经过IGR-SOM 算法将特征数据集离散化，其中IGR-SOM 算法参数设置为：T1500、最大间隔2、最小间隔18、0.96、6.5；在对SPL 数据离散化后的间隔最优结果中，最优IGR 值及最优间隔数分别为：0.968、2，0.132、5，0.071、20，0.198、18，0.092、6，0.501、2，0.076、3，0.599、2，0.139、2，0.028、3，0.059、8，0.030、19，0.421、2，0.298、2，0.502、4，0.598、4，0.0258、18，0.899、2，0.621、2，0.221、2，0.075、9，0.022、20，0.042、2，0.015、20，0.031、18。表1给出了特征数据经过离散化之后的表示结果。

表1 离散化特征数据表示

将离散特征数据70%作为训练数据、30%作为测试数据，为了证明本文所提方法的优势，对比了支持向量机（SVM）分类器、基于SOM 的贝叶斯算法（BN_SOM）和基于IGR 和SOM 的贝叶斯算法（BN_IGR_SOM）。所提方法的准度度最高，为96.55%。

综上，本文从现有的研究基础上，提出了基于贝叶斯网络诊断的风电机组偏航系统故障诊断模型，并结合改进的SOM 数据离散方法，最后通过风电场实测的数据验证的该模型的正确性与适用性。