基于自编码网络的海上风电机组典型故障诊断方法

李 鹏，张 凡，马溪原，姚森敬，王晓东，吴宇航，徐 臻，杨 苹

(1.南方电网数字电网研究院，广东 广州 510630；2. 国家电投集团广西电力有限公司，广西 南宁 530000；3. 华南理工大学广东省绿色能源技术重点实验室，广东 广州 510641)

0 引 言

海上风电机组长期运行在环境多变的海洋气候环境下，其维护工作比陆上风电场更加复杂，运维人员需要通过搭乘专业运维船或直升机才能到达检修地点。受海上气象条件限制，运维人员需要选择合适的出海条件开展维护工作。然而，当机组发生故障时，若不及时排除故障，可能会造成故障扩散发展，造成大面积海上风电机组停运，造成巨大经济损失。因此，对海上风电机组进行精准故障诊断，是海上风电场安全稳定运行的重要保障。

为提升风电机组故障诊断精度，国内外学者开展了大量研究。文献[1]以风电场SCADA系统的实时监测数据为基础进行越限报警；文献[2]基于SCADA系统的实时监测数据，给出典型故障的越限诊断指标；文献[3]采用SCADA系统的实时监测数据建立风电机组的故障预警模型。文献[4]基于主传动链振动监测系统的振动信号分析，采用神经网络对转速和载荷非平稳状态下的齿轮箱故障进行识别，比较SCADA系统的低速实时监测系统的越限报警信号可以更精确地定位齿轮箱故障。文献[5]构建了深度变分自编码网络预测模型，挖掘了SCADA数据的分布特征，提高了风电齿轮箱预警的鲁棒性。文献[6]采用了梯度惩罚Wasserstein生成对抗网络，更精确的预警了风电机组传动链故障。文献[7]将快速独立成分分析与经验模态分解结合，对信号进行分离，并采用基于改进遗传算法的极限学习机，提高了风电机组轴承故障的诊断准确率。文献[8-14]分别提出基于小波分解与支持向量机分类相结合的齿轮箱典型故障诊断方法、基于噪声抑制的风电轴承振动故障的神经网络诊断方法、基于自适应最优核时频分析的非平稳工况下风电机组主传动链的行星齿轮箱的故障诊断方法，都是从专业的主传动链振动监测系统的振动信号中提取出更加有效的典型故障特征。文献[15]提出了SCADA数据和振动信息相结合的风电机组状态监测方法，利用这两类数据开展了风电机组状态的实时监测，以便对典型故障进行研究。

以上研究大多数集中在SCADA系统信号的处理方法和故障检测模型的改进上，期待通过大量的故障样本提取故障特征进行典型故障的检测。海上风电场的建设刚刚在国内兴起，针对大型海上风电机组这类新兴的大型复杂设备的典型故障诊断，积累的故障样本很少，且数据源单一，仅包含SCADA数据，无法准确检测故障。因此，本文将SCADA系统和振动监测系统的数据融合，并提出一种基于自编码网络的海上风电机组典型故障诊断方法。通过对SCADA系统和振动监测系统的数据接口进行二次开发对接，将两种系统的数据进行特征融合，进一步提高了故障诊断的精度。

1 海上风电机组典型故障诊断框架

海上风电机组的电气类部件监测数据完备，这类故障容易实现提前预警，其模块化结构也方便更换故障部件。而海上风电机组的机械传动部件实时监测成本高、监测数据较少，故障难以提前预警，故障排除也十分困难。针对海上风电机组故障多发的主轴、发电机轴承和发电机绕组三大核心机械部件，对其典型故障进行重点分析。其中，主轴的主要故障类型包括轴不对中和轴弯曲两种，轴不对中主要是由于设计、安装缺陷等原因造成，轴弯曲则主要是由于材料、安装缺陷，导致制造过程中没有消除应力集中造成的；发电机轴承的主要故障类型包括轴断裂、轴承磨损两种，轴断裂主要是由于材料缺陷，导致制造过程中没有消除应力集中造成，轴承磨损主要是由于材料、安装缺陷、润滑不良等原因造成；发电机绕组的主要故障类型包括转子故障、定子故障两种，转子故障是由于转子偏心、轴承变形、制造缺陷、安装不良等原因造成，定子故障则是由于绕组绝缘老化等原因造成。

针对故障诊断问题，常常采用神经网络进行建模与诊断。然而，海上风电机组大多数情况下是正常运行的，其故障样本远少于正常运行样本，于是，直接采用典型故障的少量样本对神经网络进行建模，神经网络的迭代学习效果不佳。针对这一类问题，可以利用深度自编码网络对正常运行状态进行重构，通过检测的重构误差发现典型故障。同时，深度自编码网络的中间层输出结果提取了输入数据的核心特征，可用于故障的分类。因此，本文设计了海上风电机组典型故障诊断框架如图1所示。

图1 海上风电机组故障诊断框架

首先，将SCADA数据和振动监测系统数据进行归一化。然后，分别对SCADA数据和振动监测系统数据采用自编码网络进行降维。由于，振动监测系统数据是对机组关键部件振动细节的局部放大，与SCADA监测系统低频数据的全局描述联合，可以更加全面表征典型故障的特征，因此本文将两类独立故障特征数据进行了融合。接着，通过深度自编码网络对输入故障特征进行重构，判断重构误差是否大于阈值，若大于阈值，说明其为故障样本，否则为正常样本。最后，通过深度自编码故障分类模型将故障样本进行分类，实现海上风电机组典型故障的诊断。

2 基于两类独立故障特征数据的海上风电机组典型故障的特征降维

针对海上风电机组的典型故障，提取足够的故障特征才能准确判断故障，但是，冗余的故障特征不但对故障判断没有帮助，还会降低故障诊断的精度，为此，需要对故障特征进行降维。海上风电机组的SCADA系统以1 s为间隔全面监测机组的运行状态，与振动监测系统以2 kHz的采集频率实时监测的机组主传动链振动信号数据一起，组成两类原始故障特征数据样本。这2类独立数据源对于典型故障的表征能力与表征的角度是不一样的。海上风电机组的SCADA系统的机组的运行状态数据包括4大类：机组运行模式及其功率、机组运行状态、温度特征、振动特征。其中的运行模式及其功率、机组运行状态是对于机组的全局表征，温度特征是关键部位的温度信息，振动特征是关键部位的振动特征。而基于振动监测系统的实时监测数据提取的故障特征只有一类：振动特征。来源于2种系统的振动数据的振动特征是不一样的，SCADA系统是低速采集的振动数据，振动监测系统是采集的多方位的振动数据，因此，振动监测系统的振动信号是SCADA系统振动信号在细节上的重要补充。为此，针对这2类独立数据源，分别进行故障特征提取与特征降维，以保留它们对于典型故障的独立表征能力。

本文采用自编码网络对故障特征进行降维。自编码网络的结构如图2所示，全连接层1是编码器，将输入数据进行编码提取其特征，特征维度为输出的神经元个数；全连接层2是解码器，对提取的特征进行解码，重构输入数据。当提取的特征维度小于输入数据维度时，即实现了故障特征的降维，这一过程可表示为

图2 自编码网络结构

(1)

自编码网络的训练目标是输出与输入的误差最小，可采用均方误差作为训练的损失函数

(2)

为使降维后的故障特征尽可能地保持原始输入故障特征的表征能力，应使得误差LAE尽可能小。因此，对故障特征进行降维的步骤如下：

(1)从原始特征的维数开始，逐渐减少全连接层1输出神经元的个数，并逐一训练自编码网络；

(2)计算重构误差，当误差显著增大时，选定显著增大前一个维数为降维的维数，并保留相应的编码器的参数；否则重复步骤(1)。

3 基于两类独立故障特征数据融合的海上风电机组典型故障诊断

SCADA数据是对机组状态全局的描述，而振动检测系统数据是对机组振动特征的细节描述，二者的结合可以更全面的描述机组的状态。因此，本节将这2类独立的故障特征数据融合，构建了基于自编码网络的典型故障诊断及分类模型，以充分利用2类故障特征数据的特点，对海上风电机组典型故障进行诊断。

3.1 基于深度自编码器的典型故障诊断模型

海上风电机组的典型故障样本较少，如果采用少量故障样本对神经网络进行训练建模，神经网络的迭代学习效果不佳。针对这一类问题，可以采用深度自编码网络对正常运行状态进行重构训练，通过检测深度自编码网络[16]的重构误差发现典型故障。

大量监测数据表明，海上风电机组正常运行过程中，其振动的频率、幅值与机组的运行模式及其对应的功率紧密相关，运行功率越大，摇晃和振动越大，其关系是非线性的，无法采用固定背景振动模板或线性背景振动模型反映实际的背景振动。而本文利用自编码神经网络的重构能力，将海上风电机组正常运行模式及其对对应的不同功率范围的背景振动进行重构，而故障运行模式下，相应的振动与正常运行模式相比有较大的区别，无法完全重构。从而实现识别背景振动和异常振动的目的。对于非振动数据，其在故障运行状态下的特征也会发生改变，因此也可以采用自编码网络，对正常运行模式和故障运行模式进行判断。

图3 基于深度自编码器的故障诊断模型

(3)

(4)

故障诊断模型的训练过程如下：

(1)对海上风电机组典型故障的样本数据集(含正常运行状态和故障状态的样本数据)进行归一化处理，再按第2节所述故障特征降维方法进行降维。将数据集按一定比例分为训练集和测试集。其中，训练集只包含正常运行状态的样本数据，测试集既包含有故障样本数据，又包含正常状态样本数据。

(2)确定深度自编码网络的隐藏层数量，采用贪婪训练法，通过堆叠自动编码器逐层进行预训练。

(3)预训练完成后，通过反向传播法进行网络参数微调，得到故障诊断模型。

当完成深度自编码网络的整个训练后，需要确定重构误差阈值。重构误差阈值可由以下方法确定[17]

T=1.2(ER+σR)

(5)

3.2 基于深度自编码器的典型故障分类

3.1节的故障诊断模型训练过程主要用于判断是否存在故障，但无法判断故障的类别，因此本节设计了一个基于深度自编码器的故障分类模型，进行故障类别的判断。模型结构如图4所示。模型的归一化、降维以及深度自编码网络的编码器部分与故障诊断模型的结构相同，不同之处在于此模型利用自编码网络提取的数据特征进行分类，即将深度自编码器中的编码器的输出H，输入到一个全连接层中，该全连接层采用softmax激活函数以计算各类故障的概率，从而判断输入样本故障所属的类别。该模型的训练样本和测试样本均只采用故障状态的样本，同时还需要使用故障类别标签数据，进行有监督训练。在进行训练时，所采用的损失函数为交叉熵误差，计算公式为

图4 基于深度自编码器的故障分类模型

(6)

式中，Lc为故障分类模型的损失值；n为样本数；C为故障的种类数；pic为第i个样本属于第c类故障的概率；tic为故障类别标签，当故障属于第c类时，值为1，否则为0。

故障分类网络的训练过程如下：

(1)取海上风电机组的故障样本集进行归一化和降维。并将数据集按一定比例分为训练集和测试集。

(2)采用贪婪训练法，通过堆叠自动编码器逐层进行预训练。

(3)预训练完成后，运用故障类型标签，进行有监督训练，微调模型，得到故障分类模型。

4 故障诊断案例分析

以某海上风电场的5台4 MW海上风电机组为实际分析对象。该风电场配备了完善的SCADA系统和主传动链振动监测系统，并通过技术改造打通这两类系统的数据接口，建立了基于这两类独立故障特征数据融合的海上风电机组典型故障诊断系统。针对4 MW海上风电机组典型故障的故障特征，利用风电场2021年8月10日～2021年10月11日的实际运行数据共8 183个，对该海上风电场进行故障诊断。将6 144个正常状态样本作为故障诊断模型的训练集，剩余1 536个正常状态样本和503个故障样本作为测试集。采用自编码网络对故障特征进行降维，最终得到降维后SCADA系统故障特征和振动监测系统的故障特征共232维。基于深度自编码器的故障诊断模型对应的编码器的三层隐藏层神经元个数分别设置为128、64和16。根据深度自编码器的对称性，可相应确定解码器的三层隐藏层神经元的个数分别为64、128和232。

4.1 不同模型诊断结果分析

为验证本文所采用的SCADA数据和振动监测系统数据融合的故障诊断方法的有效性，本文将其与单独采用SCADA数据和单独采用振动监测数据的故障诊断方法进行了对比，并采用正常样本检出率和故障样本检出率评估故障诊断模型的效果。其中，正常样本检出率表示正常样本中被故障诊断模型检测为正常样本的占比，其计算公式为

(7)

式中，RP为正常样本检出率；nTP为实际为正常状态且检测为正常状态的样本；nFN为实际为正常状态但检测为故障状态的样本。

故障样本检出率表示故障样本中被故障诊断模型检测为故障样本的占比。计算公式为

(8)

式中，RN为正常样本检出率；nTN为实际为故障状态且检测为故障状态的样本；nFP为实际为故障状态但检测为正常状态的样本。

3种方法的正常样本检出率和故障样本检出率如表1所示。

表1 故障诊断模型评估结果 %

可以看出，采用不同的方法对正常样本进行检测时并不存在较大的区别。这是因为正常样本数据具有相似的规律，可以被基于深度自编码网络的故障诊断模型重构。而对于故障样本的检测，三种不同的方法则存在较大的差异。采用SCADA数据和振动监测系统数据融合的故障样本检出率最高。这是因为采用这两种独立故障特征数据融合的方法，既可以利用SCADA数据对机组状态全方位表征的能力，又可以利用振动监测系统对振动故障特征的细节表征能力，从而提高故障检出率。而仅采用SCADA数据时，虽可全面的检测各类故障，但对于某些振动故障，SCADA系统采集的数据无法检测出异常，因此故障检出率比本文的方法要低。而对于仅振动监测系统的方法来说，由于只能采集机组振动信息，从而只能判断具有异常振动的故障，无法判断其他故障，因此故障检出率最低。

4.2 实际运行案例分析

2021年12月23日，该海上风电场风电机组故障预警系统发出故障告警信号，根据系统故障预警结果，A机组主传动链运行状态异常。图5所示为本文提出的基于深度自编码器的故障诊断模型在2021年12月18日至2021年12月26日的重构误差结果。可见，通过该模型计算得出，在2021年12月23日时计算的重构误差R大于检测阈值，从而触发了风电机组主传动链故障预警系统发出故障告警信号。经过故障分类模型判断，该故障属于发电机轴承故障。

图5 风电机组故障诊断模型重构误差

3日后，机组SCADA阈值报警系统发生异常工作状态告警，经值班人员检测，发现发电机温度过高，运维人员随即安排该机组的检修计划。现场检修工作人员发现在人孔门处有部分金属铁削，工作人员检查发电机后轴承间隙，发现发电机后轴承存在碎裂情况。可见，主传动链故障预警系统顺利发现了机组主传动链的运行异常，比SCADA温度预警系统先一步发现机组的典型故障，具有出色的故障预警灵敏度。

5 结 论

针对目前常用的典型故障诊断方法仅利用单一数据来源的缺点，本文提出了一种基于多种数据源的故障诊断方法。将SCADA数据和振动监测数据融合，并构建了基于自编码网络的海上风电机组典型故障诊断模型，对海上风电机组典型故障进行检测和分类。该方法有效地利用了风电机组的SCADA系统对于风电机组实时监测的全局性和主传动链振动监测系统对于风电机组主传动链振动特征实时监测的针对性和深入程度，克服了单一数据源难以诊断故障的缺点。实际诊断案例表明，基于多类数据源的故障诊断模型的故障诊断正确率比仅采用单一数据源的故障诊断模型更高，且能够更早发现故障。本文所提的故障诊断方法准确定位了海上风电机组典型故障，对海上风电机组的高效运维提供了强有力的技术支撑。