基于故障树和神经网络的的风机故障在线诊断

2021-04-20艾进才

电子技术与软件工程 2021年1期

艾进才

（龙源电力集团股份有限公司宁夏公司宁夏回族自治区固原市 756000）

当今世界，全球能源结构改革的浪潮已经到来，风能作为一种新能源，在电力产业中具有举足轻重的地位，因此近年来，使得风电产业得到了迅速的发展，全球风电机组装机的数量也随之增长迅速。据调查研究发现，在实际中全球各大型风电场存在很多不足，如超过一半的风机无法正常并网运行，这给风电产业带来了巨大挑战。相关学者与专家对我国某电力公司的300 多台风机进行调查统计，发现能够正常工作的仅33%，其余无法正常工作运行，造成的原因除了常见的弃风等因素外大多数是由于机组发生的故障，使得风电产业在电力设备资金投入上产生一定的浪费。风电场存在于陆地和海上，海上工作环境相比于陆地工作环境存在更大挑战，首先在严寒下存在海冰，使得风机基础受到海冰撞击的威胁，其次海上温度低，湿度大，导致风机叶片上容易存在冰，因此叶轮和塔筒的载荷会随之增加，风电机发电丧失部分能力，在极端地区，电能损失达到了将近20%-50%的应发电量，当积冰严重时甚至会导致叶片断裂，这对风电机组损害相当严重。

在风电机组中，其故障的发生率相当高，据统计，一个风场中风机的故障率高达40%-50%，对于一台已经工作了20年的风机，其总维护和维修费用占据了10%-15%的风场总效益，对于海上风机，其维护费用更是高达30%的风场总效益。目前可以通过两方面降低风机运维成本，一方面对风机的品质进行改善，另一方面通过监测风机运行状态数据，及时发现风机故障的早期隐患，并对其进行处理排除，保证风机的正常工作，从而使发电效益不受影响。根据电工委员会IEC 制定的相关标准IEC61400，它规定风机的使用寿命为20年，但是根据实际生产中的经验，这个要求往往很难满足。一般情况下，风机电组的平均质保期为5年，当前投入使用的风机超过一半的工作时间已经超过5年，为保证风机的正常的工作，需对风机电机进行全面的维护检修，此次维修将会投入相当大的人力物力，因此在以后的工作中将老旧风机和故障诊断研究作为研究方向，具有重要价值和实际意义。

1 故障树模型简介

故障树模型是一个比较定性的因果模型，它是主要研究目标的构造和功能所具有特点的行为模型，它展现了故障的传播关系。故障树从顶事件到底事件的方向对对象进行故障判断，顶事件一般为最不期望的事件，底事件为不可再分事件，故障判断依据为对象的功能以及两个事件之间的关系。因此可以得到，基于故障树的传播有向图主要是以节点之间拥有和逻辑有关的带权有向树，故障传播的目标就是底事件→中间事件→顶事件。如图1所示。

图1：故障传播关系的有向图

故障树的建立和更新机制:故障树模型根据系统发生的故障，对其原因进行逻辑性的逐层分析与总结，从而确定出造成故障的原因或者几个原因，最终提出解决或排除故障的方法。故障树中的新知识一般通过人工获取的方式取得，所谓人工知识获取即领域专家和工程师之间的资料和数据分享，获取的知识在工程师和领域专家指之间通过交流探讨与归纳总结，从而对其进行更进一步的编码，实现对故障树模块库的更新。

2 风机故障树模型与推理方法

根据风电场风机的结构，可将风机故障树分为六个部分，即风轮系统故障树、传动系统故障树、液压系统故障树、偏航系统故障树、变桨系统故障树、发电机系统故障树，下面以发电机系统故障树为例。

根据故障树进行故障诊断方向有三种：正向推理、反向推理和正反向混合性推理。

（1）正向推理：所谓正向推理，即由条件到结论的推理方式，其中的依据是条件和结论之间的某种逻辑关系，又被称为事实驱动理论推理。它以事实为依据，将相应的推理方法作为指导，证明命题是否成立。正向推理简单易行，用户也可以随时自主的提供问题的相关信息（新事实），方便及时做出反应。不足之处在于不相关的操作对求解问题影响较大，在求解时也会被执行，导致推理结果中存在大量与问题不相关的其他子目标，因此正向推理存在盲目性大，效率低的缺陷。

（2）反向推理：即由结论到条件，推理过程与正向推理相反，它将结论作为依据，又被称为目标驱动理论，在知识库中，以结论为出发点，寻找能够证明该结论的真伪的证据。由于反向推理具有较强的目的性，因此可以排除与假设无关的知识，避免它对寻找结果的影响。根据反向推理的过程，可以得出反向推理策略能够支持其解释的精确性，其中要遵循的规则（知识），用户也可以简单明了的了解到，以更快更高效的实现目标。

图2：发电机系统故障树

图3：概率神经网络的基本结构

（3）正反向混合推理：正反向混合推理首先正向推理，再反向推理，正向推理将已有的初始数据或数据作为出发点，根据相应推理方法得到假设结论，但是这些初始数据或证据往往存在不充分的缺点，因此将正向推理得到的假设结论再作为反向推理的结论，从假设结论开始，寻找与之对应的事实或者证据。正反向混合推理将正向和方向推理的优点进行了结合，这种推理方式和人们的思维方式类似，相对于正向和反向推理，它的控制策略更加复杂，因此它适用于对复杂问题的求解。

在实际应用中，由于部分未知状态分类难以确定，因此得到的情报往往欠缺完整性，如果只使用单一的故障树方式，故障诊断结果存在一定的不准确性，影响后续工作，而概率神经网络算法性能比故障树分析性能明显较好，它可以通过结合诊断对象的运行状态构造出模式识别分类器对状态进行检测并进行分析处理，完成对故障的诊断，和只使用故障树分析法相比，它能明显降低对某一设备状态诊断的误判率。概率神经网络（PNN）的计算过程是完全向前的，它与传统的多层前向网络BP算法相比，无需计算反向误差传播，因此运算速度比较快，同时训练时间短、不易产生局部最优解、分类准确率高。对于无论多么复杂的计算，当训练数据足够多时，它就可保证能够获得贝叶斯准则下的最优解。发电机系统故障树如图2所示。

概率神经网络（PNN）是一种前馈型神经网络，它是由径向基函数网络发展而来的，适用于模式分类。其依据准则是贝叶斯最小风险准则即贝叶斯决策理论，采用 Parzen 窗函数密度估计方法估计条件概率。训练样本的临近分类器通常由散布常数Spread 的值来实现，概率神经网络由4 层模型组成，分别是输入层、模式层、求和层、输出层。在输出层中，根据已经建立的网络，对输入向量进行最大后验概率估计，最后将概率值最大的输出为相应类别。如图3所示。

在在故障树模型的基础上，根据贝叶斯准则概率神经网络理论，得到一种新的故障诊断模型，它结合两者优点，能够解决之前难以判断的故障如复杂转速故障诊断，克服了使用一种方法带来的片面性，因此使得在实际中故障检测的准确性得到有效提升，同时故障检测的效率也有效提高。此方法在实际中工作人员操作简单，且容易实现，当样本中存在一定的噪声时，算法对噪声具有较强的鲁棒性，因此可进一步增强诊断准确率。随着样本数据的增多，诊断网络将不断被得到完善，诊断率将得到大大提高。