基于经验模态分解的风机叶片故障监测诊断方法研究

魏 刚 任 伟 张 涛 李锦虎 严新明 王咸武

(1.华电福新柳州新能源有限公司 2.华电广西能源有限公司)

0 引言

能源和环境是当前世界关注的热点议题。风力发电作为一种技术成熟高、绿色友好的可再生能源发展技术, 在我国取得了长足进展。据统计, 我国风电机组累积装机容量已达到328.5GW, 为我国风力发电发展提供了重要支撑。然而, 风电机组的运维成本约占其全生命周期发电成本的25% -30%[1], 成为制约其发展的一大问题。在此背景下, 风电机组故障的早期检测预警显得尤为重要, 能够有效防止其主要组件的破坏性故障。通过实施有效的维护与维修策略,能够显著减少运维成本, 同时降低风力发电机的停机时间, 进一步提高风力发电的利用率和效益。因此,加强风电机组的早期故障检测预警和有效维护与维修策略的实施, 将对我国风力发电行业的健康发展产生积极作用。

叶片是风力发电机组的核心部件, 但由于其故障失效率极高, 叶片故障往往是导致整个风电机组失效的主要原因之一。目前, 叶片故障通常是通过人工定期巡检来发现, 但是这种方法存在一些问题, 例如耗时长、效率低、实时性和准确性不高等[2-3]。为了解决这些问题, 需要研究一种更高效、准确、实时的方法来感知风机叶片故障, 以提高风电机组的可靠性和安全性, 同时减少维护成本和停机时间, 促进风力发电产业的可持续发展。

风电机组叶片产生故障后, 其叶片的气动特性、机组运行状态及运行参数会较正常运行状态由显著的差异, 通过对参数变化的识别, 可以监测风机叶片的运行情况。本文通过详细分析叶片故障状态下机组运行监测信号的特征, 采用集合经验模态分解 (EEDM) 方法对叶片采样信号分解, 消除噪声的影响,运用主成分分析方法(PCA) 提取多维尺度下的风电机组叶片状态监测信号, 利用卷积神经网络对提取的叶片状态监测信号进程故障状态识别, 实现对叶片故障的早期监测和预警。

1 风电机组叶片故障状态监测原理

风电机组的叶片故障失效率极高, 包括多种类型的故障, 如叶片结冰、边缘开裂、老化、断裂、卡死和电机其它故障等。这些故障若不及时发现和处理,将导致风电机组的损毁。通过实时监测风电机组的叶轮转速和实时输出功率, 可以帮助早期识别和预报风机叶片故障。但是, 由于风速的变化会导致叶轮转速和输出功率表现为在其最大值和最小值之间随机变化, 因此设定固定阈值来比较检测出叶片故障造成的叶轮转速和输出功率是较为困难的。因此需要研究并实施更加先进的实时监测和数据分析方法, 以实现更准确、可靠、实时的叶片故障检测与预警, 提高风电机组的运行效率和可靠性。

本文采用文献[4] 中基于随机变量建模的高斯过程回归(Gaussian process regression, GPR) 建立的风电机组正常运行状态时的功率模型和叶轮转速模型作为风电机组正在运行状态的评估基准, 根据风电机组叶片转动信号和功率信号的特点, 应用集合经验模态分解(EEDM) 方法消除噪声的影响, 更好的进行故障特征提取, 形成比较全面反映叶片运行状态和故障信息的高维特征矩阵, 然后应用Pearson-PCA 的降维方法实现高维特征矩阵的低维化, 为快速精确实现故障智能预警和诊断提供简洁清晰的特征向量, 最终利用CNN 神经网络对提取的叶片状态信号和正常运行状态信号进行对比分析, 识别叶片故障, 达到预警效果。

2 基于EEDM+PCA 的特征提取方法

2.1 集合经验模态分解方法

风电机组叶片监测信号是具有动态时变、尺度多的特点, 这也使得信号易受到强干扰噪声的影响。尤其是在变速变载工况下, 双馈式风电机组的连续运行导致风机叶片状态监测信号存在强噪声干扰和多源耦合调制的特点, 这给叶片故障的监测与预测带来了很大的挑战。为了应对这些困难, 一种数据驱动的自适应非线性时变信号分解方法——EMD 已被广泛应用。EMD 方法具有较大的优势, 尤其是在处理非线性、非平稳信号方面, 能够有效地把信号分解成不同频率成分, 帮助实现叶片故障的监测与预测。

图1 EEDM 分解原理图

EMD 能够将复杂时序的数据分解为有限个本征模函数(intrinsic mode function, IMF) 与一个残余分量[4-7]。对于原始信号x(t), EMD 的实现步骤如下:

Step 1.对任一待处理的信号x(t), 求得其局部最大值、最小值, 将信号数据x(t) 与上、下包络线均值m1(t) 的差值记为h1(t), 其表达式如下:

Step 2.重复以上过程, 从原始信号中筛选出的第一阶段IMF 分量h1(t) 通常包含信号的最高频分量。将h1(t) 从x(t) 中分离出来, 得到去除高频分量的差值信号r1(t), 把r1(t) 作为新信号重复以上筛分步骤, 直到第n 阶段的残余信号为单调函数不再筛分出IMF 分量的rn(t), 其表达式如下:

根据分解算法,x(t) 可表示为n个IMF 分量和1个残差的和, 表达式如下:

式中,rn(t) 为残差, 表示信号中的平均趋势;hj(t) 为第j个IMF 分量,j=1, 2, …,n, 分别表示信号从高到低不同频率的成分。

EMD 分解是一种能够将信号分解成不同频带的成分的方法, 类似于带通滤波。由于信号本身具有非平稳、非线性特性, 不同IMF 分量所覆盖的频带宽度差别较大, 这可能导致模态混叠效应。为了有效解决这个问题, 可以采用EEDM 方法, 该方法的思路是将高斯白噪声添加进原信号中, 进行多次重复分解, 然后将每次分解得到的IMF 取平均作为最终的分解结果。这种方法的优点在于可以减小模态混叠效应对分解结果的影响, 同时提高了分解结果的可靠性和稳定性。因此, EEDM 方法是处理非平稳、非线性信号的一个有效工具, 特别是在风电机组叶片监测信号处理中有着广泛的应用。EEDM 分解的实现步骤如下:

Step 1: 在被分析信号x(t) 中加入随机白噪声n(t), 令其幅值水平为a, 得到新的含噪信号。

Step 2: 对含噪信号y(t) 进行EDM 分解得到一组IMF 分量fh(t),h(h∈(1,H])。

Step 3: 重复执行步骤1 -2 若干次(设为I次),共分解出I组IMF 分量, 则第f次EDM 后的第个IMF分量表示为。

Step 4: 通过求每一次EDM 分解得到的第i 个IMF 分量的平均数, 将其作为EEDM 分解的第i 阶的IMF 分量ch(t), 公式表示为:

2.2 主成分提取

经过EEMD 分解处理后, 风机运行状态信号被分解成k 个IMF 分量, 每个IMF 分量代表了原始信号的不同频率成分。但在进行EEDM 处理的插值包络过程中, 可能会造成包络的均值不为零, 导致虚假IMF 分量的出现。为了剔除这些虚假IMF 分量, 本文采用Pearson 相关性分析, 剔除相关性较强的IMF 分量,保留相关性较弱的真实IMF 分量。接着, 对真实IMF分量进行PCA 分析, 实现特征数据的降维, 以提高监测信号的分解效果。这种处理方法可以有效地减少噪声干扰和模态混叠效应的影响, 提高叶片状态监测的准确性和实时性。

将EEMD 分解后得到的K 个IMF 分量分别与原信号x(t) Pearson 相关系数为:

式中,ch(t) 为第h 个IMF 分量;D(x(t)) 为信号x(t) 的方差;D(ch(t)) 为信号ch(t) 的方差;COV(x(t),ch(t)) 为信号x(t) 与ch(t) 之间的协方差。

通过设定一个阈值, 将相关度小于阈值的IMF 分量剔除, 得到矩阵Z。

利用PCA 对Z= [z1,z2,…,zM]T进行分析, 实现特征降维, 过程如下:

Step 1: 计算经过特征过滤后的IMF 分量的均值向量u, 即:

式中,j=…1, 2,,,L为采样点个数。

Step 2: 将每个信号分量进行中心化变换的处理:

Step 3: 通过特征分解协方差矩阵V, 得到特征值:

Step 4: 将特征值进行降序排列, 即λ1≥λ2≥…≥λm, 对应特征向量为e1≥e2≥…≥em; 则第i 个主成分为:

Step 5: 计算特征值的方差贡献率和累计方差贡献率。diag[λ1,λ2…λβ] 对应的特征向量作为子空间的基, 所提取β个主成分为:

Step 6: 根据方差贡献率的大小, 取前β个特征值。

2.3 基于卷积神经网络的故障特征识别

卷积神经网络(CNN) 是一种广泛应用于图像识别和处理等领域的深度学习算法, 由卷积层、池化层和全连接层构成。其中, 卷积层和池化层交替出现,通过卷积核提取输入数据的局部特征, 再通过池化层进行下采样, 减少数据的维度和计算量, 提高特征的表达能力。最后, 通过全连接层对特征进行非线性组合输出处理结果[8-9]。本文采用了2 个卷积层、2 个池化层和1 个全连接层的CNN 框架进行风机运行状态评估。卷积层的步长为1, 卷积核大小为3, 激活函数选用RELU 函数, 用于提取输入数据的局部特征。2 个池化层均将步长设置为1, 池化核设置为3的重叠下采样, 以减少计算量和参数数量, 提高网络的泛化能力。全连接层的激活函数使用sigmoid 函数,将卷积层和池化层提取的特征进行非线性组合, 输出最终的评估结果。则CNN 层的输出HC 可以表示为[10-12]:

式中,X′为网络输入;C1、C2、C3、C4分别为4个卷积层的输出;P1、P2分别为2 个池化层输出;HC为全连接层输出;W1、W2、W3、W4、W5为权值矩阵;b1、b2、b4、b5、b7为神经元偏置; ⊗表示卷积运算。

通过将输出层与CNN 层之间全连接, 从而达到故障特征识别的目的, 采用自适应矩估计(adaptive moment estimation, Adam) 优化器对网络进行训练。损失函数选择均方误差 (mean-square error, MSE)函数[13-15]:

式中,n为输出个数;yi为实际值,为网络输出值。

将上述提取到的机组叶片监测信号特征, 输入到CNN 神经网络中, 对机组叶片故障状态状态进行识别, 具体识别过程如图2 所示。

图2 故障状态识别流程图

3 案例

本文选取某个风电场6 台风电机组叶片故障状态检测数据进行研究。原始数据主要包含风速、风向、温度、电压、电流、有功功率、叶轮转速等, 用于EEDM-CNN分类器模型的训练。具体数据情况如表1 所示:

表1 数据情况表

为了有效评估EEDM-CNN 算法模型对风电机组叶片故障检测的效果, 定义以下参数:

FF: 风电机组为故障状态同时被EEDM-CNN 算法预测为故障状态的次数;

NF: 风电机组为正常状态但被EEDM-CNN 算法预测为故障状态的次数;

FN: 风电机组为故障状态但被EEDM-CNN 算法预测为正常状态的次数;

NN: 风电机组为正常状态同时EEDM-CNN 算法预测为正常状态的次数。

在以上参数的基础上, 本研究中通过下式计算模型得分。

ND表示样本集中风机状态为正常的样本量,NF表示样本集中风机状态为故障的样本量,μ,ν为权重系数, 本文均取值为0.5。

将上述6 台风电机组的叶片故障状态数据重采样和健康状态数据降采样之后的样本送到训练好的EEDM-CNN 算法组成的分类器中。

由表2 可知, 本文提出的基于EEDM-CNN 算法组成的分类器对风电机组叶片故障的监测方法, 在6台风电机组的故障监测中实现了精度均大于97%,从而证明了本文提出EEDM-CNN 算法组成的分类器对风电机组叶片故障的检测有效性。

表2 风电机组叶片故障检测的精度

为了验证本文提出的EEDM-CNN 算法组成的分类器对风电机组叶片故障监测的优势, 本文选择小波分解+神经网络构成的弱分类器与基于EEDM +CNN算法组成的强分类器进行对比分析。分别用两种算法计算识别6 台风电机组的数据, 从而得出两种算法在检测风机叶片故障的得分, 结果如图3 所示:

由图3 可知: 基于EEDM+CNN 算法构建的风电机组叶片故障监测模型的计算性能得分均高于小波分解+BP 神经网络; 基于EEDM +CNN 算法构建的模型在风机叶片故障监测中的性能平均得分为75.8,BP 神经网络构建的模型在风机叶片故障监测中的性能平均得分为64.6 分。实验对比结果表明, 本文基于EEDM+CNN 算法构建的风电机组叶片故障检测模型具有较高的精度, 能够满足实用的需要。

4 结束语

本文在详细分析风机叶片故障对运行状态和运行参数的影响的基础上, 提出了基于EEDM +CNN 的风机叶片故障状态检测方法。首先应用一种多参数的叶片正常运行状态下的功率模型和转速模型作为叶片运行状态评估的基准, 提出一种集合经验模态分解+Pearson-PCA 的特征降维处理方法, 以全面揭示隐含

主要结论如下: 1) 叶片故障会造成风电机组的功率和叶轮转速相较于正常运行状态出现显著性能下降, 因此可以采用功率和叶轮转速运行参数作为识别叶片故障的依据。2) 采用CNN 神经网络故障识别的方法通过对风机叶片运行数据进行监测识别, 能够发出叶片故障的早期预警。