基于机器学习的风电机组齿轮箱故障预警分析

康 杰

（国电电力湖南新能源开发有限公司）

0 引言

风电机组的齿轮箱是风力发电机组的核心部件，其工作环境恶劣，承受着来自机械、电气、液压等多种载荷的作用。因此，在风电机组正常运行过程中，其一旦发生故障将会造成巨大的经济损失和严重的环境污染。因此，为了保证风电机组长期可靠运行，必须对风电机组齿轮箱进行有效故障预警。相关人员要对风电机组齿轮箱故障原因进行深入研究，采用机器学习的方法提高风电机组齿轮箱故障诊断精度［1］。

1 机器学习概述

机器学习是一门新兴的学科，其主要研究如何利用已有数据对未知数据进行分析、判断和预测。在机器学习中，一般将训练集作为学习对象，将测试集作为评估标准，通过将测试数据与训练集进行比较来分析问题并作出判断。通常情况下，机器学习模型是在大量训练数据的基础上建立起来的，所以在模型建立之前需要对训练数据进行预处理。目前常用的预处理方法有归一化、均值漂移和主成分分析。归一化是将数据按照标准化后的大小进行归一化处理，均值漂移则是通过离群值的修正来实现对数据的筛选。主成分分析是将原始数据按照相关性大小进行降维，然后通过线性回归模型对降维后的数据进行预测。机器学习方法在实际应用中可以分为三种：监督学习、无监督学习和强化学习。其中监督学习是指训练样本带标签的模型训练，如分类、回归等；无监督学习是指训练样本没有标签的模型训练，如关联分析、聚类；强化学习是指通过与环境交互，根据反馈评估来优化模型。最后，机器学习模型建立之后还需要对其进行验证。

2 风电机组齿轮箱故障原因

2.1 工作环境恶劣

风电机组齿轮箱长期工作在恶劣的环境中，通常温度为-40～40℃，而且风速常年变化幅度较大。此外，风电机组齿轮箱还经常承受来自机械、电气、液压等多种载荷的作用。因此，在这样的工作环境下，风电机组齿轮箱部件长期工作在极端恶劣的工况中，极易发生故障。

2.2 设计制造不合理

风电机组齿轮箱部件在制造过程中，如果没有严格按照相关要求进行制造加工，就会造成零件尺寸不合格、零件加工精度不高、装配质量差等问题。此外，风电机组齿轮箱部件在实际安装过程中也会存在许多问题。例如，由于安装不当而造成风电机组齿轮箱部件产生较大的变形；由于安装时没有按照规定进行拆卸而造成风电机组齿轮箱部件发生损坏。

2.3 检修维护不当

由于风电机组齿轮箱部件长期工作在恶劣的工况中，其所承受的载荷非常大，其在长期使用过程中极易出现疲劳损伤、磨损等现象。为了保证风电机组齿轮箱部件的安全运行，需定期安排相关人员对风电机组齿轮箱部件开展日常检修维护工作。另外，在达到一定的使用标准后需要对风电机组齿轮箱部件进行大修。上述过程如果维护不当都会对风电机组齿轮箱的安全运行产生影响［2］。

2.4 产品质量不合格

由于风电机组齿轮箱部件在制造过程中不符合要求或存在一定缺陷，因此在风电机组齿轮箱部件投入使用后可能会发生故障。例如，由于设计制造原因而造成产品质量不合格；由于安装过程中存在不规范操作而造成风电机组齿轮箱部件损坏等。如果不能及时发现产品质量问题并采取有效措施加以解决，那么就会造成风电机组齿轮箱部件过早失效和过早损坏，从而影响风电机组齿轮箱部件的正常运行。

3 基于机器学习的风电机组齿轮箱故障预警策略

3.1 建立齿轮箱故障预警指标

在实际工作中，风电机组齿轮箱发生故障的原因具有复杂性和多样性，在对齿轮箱故障进行预警时，必须对影响风电机组齿轮箱故障的因素进行全面分析，建立相应的预警指标。根据风电机组齿轮箱的运行特点，可以建立以下预警指标： （1）齿轮箱振动能量变化率，其是反映齿轮箱工作状态的重要指标之一，通过对齿轮箱振动能量变化率进行分析，可以实现对齿轮箱工作状态的有效判断；（2）故障温度值，通过对风电机组运行过程中的温度进行监测，可以实现对齿轮箱油液温度值的有效监控； （3）轴承温度变化率，通过对轴承温度变化率进行分析，可以实现对风电机组齿轮箱油液温度值的有效监控； （4）齿轮箱振动速度变化率，通过对齿轮箱振动速度变化率进行分析，可以实现对齿轮箱振动速度值的有效监控；（5）故障温度变化率和故障频率变化率。上述最主要的预警指标是齿轮箱振动能量变化率。

齿轮箱振动能量变化率是指在对齿轮箱振动信号进行采集时，在没有外界干扰的情况下，齿轮箱振动信号中所包含的能量变化量，其可以对齿轮箱故障的发生程度进行有效反映，进而实现对齿轮箱工作状态的有效判断。在风电机组运行过程中，由于外界环境的干扰以及齿轮箱内齿轮、轴承等零部件的影响，在信号采集过程中不可避免地会出现信号干扰情况。因此，在对齿轮箱振动能量变化率进行分析时，必须要对信号进行有效过滤和提取［3］。

3.2 数据归一化

在进行风电机组齿轮箱故障预警研究时，首先要对风电机组齿轮箱的数据进行预处理，将数据进行归一化处理，避免由于数据异常导致的分析结果异常。常用的数据归一化方法有三种：第一种是均值归一化方法，第二种是方差归一化方法，第三种是极差归一化方法。均值归一化是对原始数据进行线性变换，其目的是使原始数据的均值在所有可能的值之间产生最小差异。方差归一化是对原始数据进行标准化处理，其目的是消除因样本规格不同而引起的方差不一致的影响，使标准化后的样本值具有可比性。极差归一化是对原始数据进行区间缩放处理，使其变化范围转换在0～1之间。在进行风电机组齿轮箱故障预警研究时，风电机组齿轮箱信号存在明显的噪声和突变现象，而在实际应用中常用的小波变换法存在着一定不足之处，因此可以考虑采用数据归一化方法对小波变换法进行改进。数据归一化后可以消除小波变换法中由于信号长度不同而产生的数据异常现象，而且可以使小波变换法在保留信号本身特性的同时更加有效地提取信号特征，使信号特征更具有代表性。

3.3 BP神经网络模型

BP神经网络模型由输入层、隐藏层和输出层三个部分构成。其中，输入层、隐藏层、输出层节点数分别为1、2和3，输入和输出节点的权值均为1。BP神经网络中输入和输出节点之间的权值系数都是非线性函数，需要对其进行训练学习。在风电机组齿轮箱故障预警分析过程中，将信号特征作为输入向量，将风电机组齿轮箱故障特征作为输出向量，可将二者作为BP神经网络的训练样本。为了使BP神经网络模型能够实现对风电机组齿轮箱故障预警的分析与预测，需要先对其进行特征提取。在进行特征提取时需要注意以下几点：第一，利用信号特征作为输入向量时，要确保信号特征与风电机组齿轮箱故障之间存在明显的关联性。第二，为了使风电机组齿轮箱故障预警分析结果更加准确、可靠，在进行特征提取时需要先对风电机组齿轮箱信号进行预处理。在进行预处理过程中，可以通过小波分析的方法对信号进行处理。第三，利用BP神经网络对风电机组齿轮箱故障预警进行分析与预测时，需要保证输入向量与输出向量之间的误差函数在误差范围内。在训练学习时需要采用网格搜索法对神经网络模型的参数进行优化［4］。

3.4 K均值聚类算法

K均值聚类算法是一种无监督的聚类方法，该算法的基本思想是将数据集分配到k个簇中，不断迭代更新簇中心，直到所有簇内数据相似性最高。K均值聚类算法常使用欧氏距离进行相似性度量。在聚类过程中需要为每个簇分配一个初始聚类中心。具体而言，就是在每个簇的数据中选取一个数据点作为聚类中心，然后根据数据点之间距离来计算每个数据点到聚类中心间的距离，并以此来决定数据集中各对象被分配到哪个聚类中心上。K均值聚类算法分为三个步骤：第一步是确定每个对象属于哪个聚类，即根据数据集中所有数据点距离计算每个数据点到各个聚类中心的距离；第二步是确定每个聚类中每个对象分配到哪个聚类中心上；第三步是每次迭代更新簇中心时重新计算该对象与其他对象之间的距离。K均值聚类算法主要有两个主要缺点：一是对数据规模敏感，随着数据规模的增大，聚类结果不稳定；二是容易陷入局部最优解。为解决这两个问题，K均值聚类算法常采用动态规划方法来寻找最佳聚类中心。动态规划是一种基于概率论原理的优化问题求解方法，其核心思想是通过对系统中某些变量进行预测或处理来达到使系统总体效用最大化的目的。在K均值算法中，将每个对象作为一个对象集来进行分析，当某个对象被分配到某个类时，系统中其他对象都将被分配到该类中［5］。

3.5 SVM 分类器模型

支持向量机（Support Vector Machine，SVM）是由Vapnik等人提出的一种基于统计学习理论的新型机器学习算法。在训练过程中，SVM将原问题转变成线性可分问题，使得目标函数趋于最小。支持向量机作为一种新的机器学习方法，它可以在有限的样本数据中，以最小的损失获得最大的分类精度，在处理非线性分类问题时具有明显的优势。在对故障特征进行提取时，不仅可以对风电机组齿轮箱的状态参数进行监测，还可以通过SVM模型将故障特征提取出来。SVM是基于结构风险最小化原则建立起来的。所谓结构风险最小化原则，即在任何一个训练样本上取得一个最优解的同时，对于未知样本也取得一个最优解。对于风电机组齿轮箱故障诊断来说，SVM分类器主要包括以下两个方面：首先是分类算法的选择；其次是核函数参数的选择。分类算法主要包括两个方面：第一个方面是建立一个训练样本集；第二个方面是通过核函数对训练样本集进行学习。核函数是SVM分类器中至关重要的组成部分，通常使用两种形式：线性核函数和非线性核函数。

在数据量较少的情况下，相关人员可对风电机组齿轮箱信号特征提取进行研究，对于风电机组齿轮箱故障诊断模型选择支持向量机作为分类器进行故障诊断，首先根据风电机组齿轮箱信号的时域和频域特征，利用主成分分析（Principal Component Analysis）方法对风电机组齿轮箱信号进行降维处理；其次将特征降维后的信号输入到SVM模型中进行训练，最终得到故障诊断模型；最后通过对风电机组齿轮箱进行故障诊断仿真实验，验证该方法在风电机组齿轮箱故障诊断中的有效性和准确性。

3.6 故障预警模型建立及验证

为了验证故障预警模型的准确性，可以通过某风电场采集到的数据进行分析，结果表明风电机组齿轮箱状态监测模型能够较好地对风电机组齿轮箱故障进行预警。为了验证模型的准确性，可以分别对正常和故障状态下采集到的信号进行分析，从而得到不同工况下的信号。结果表明，正常状态下的信号比故障状态下的信号呈现出更明显的波动性，且在整个特征空间中有较为明显的差异性，这一差异性是由于不同工况下信号本身存在差异性所致。因此，该模型能够有效地对风电机组齿轮箱故障进行预警。

4 结束语

总之，风电机组齿轮箱故障预警是风电机组安全稳定运行的重要保障，需要对齿轮箱信号特征进行提取，同时结合机器学习的方法对齿轮箱进行状态监测，从而实现故障预警。采用机器学习的方法对风电机组齿轮箱进行故障诊断，需要对风电机组信号特征进行分析，包括特征提取、特征选择和特征优化三个方面。通过分析风电机组齿轮箱信号，将故障状态划分为正常、轻载、重载、超载、断轴五种状态，并基于此设计信号特征提取流程。对风电机组齿轮箱各信号进行特征选择和特征优化后，将选取的特征向量作为输入特征向量，利用BP神经网络、SVM和K均值聚类分别进行故障诊断，可以为实现风电机组齿轮箱故障预警提供有效参考，对提高风电机组的安全性和可靠性具有重要意义。