基于数字孪生的风电机组齿轮箱故障诊断方法研究

摘要：风力发电作为可再生能源的重要支柱，其风电机组齿轮箱受多种因素影响出现故障，影响整个风电机组的稳定性。因此，提出基于数字孪生的风电机组齿轮箱故障诊断方法。首先，构建数字孪生总体架构。其次，采集风电机组齿轮箱数据并过滤，利用集合经验模态分解特征。最后，构建风电机组的齿轮箱的数字孪生模型并采用长短期记忆完成故障诊断。实验结果表明，所提方法故障诊断的准确率在0.94以上，漏报率在0.15以下，为风电场的运维管理提供有力的决策支持。

关键词：数字孪生 风电机组 故障诊断 长短期记忆 齿轮箱

中图分类号： TH165" "文献标识码： A

Research on Fault Diagnosis Method of Wind Turbine Gearbox based on Digital Twin

SUN Yafei QU Yejun

Ningxia New Energy Development Co.， Ltd. of GD Power Development Co.， Ltd.， Yinchuan， Ningxia Hui Autonomous Region， 750001 China

Abstract： Wind power generation， as an important pillar of renewable energy， the gearbox of its wind turbine" is affected by various factors， leading to gearbox failures and affecting the stability and reliability of the entire wind turbine. Therefore， a fault diagnosis method for wind turbine gearbox based on Digital Twin is proposed. Firstly， construct a digital twin overall architecture.Then， collect and filter wind turbine gearbox data， and use set empirical mode decomposition to extract features from wind turbine gearbox data. Finally， construct a digital twin model of the wind turbine gearbox and use long short term memory to complete fault diagnosis. The experimental results show that the accuracy of the proposed method for fault diagnosis is above 0.94， and the 1 alarm rate is below 0.15， providing strong decision support for the operation and maintenance management of wind farms.

Key Words： Digital Twin; Wind turbine; Fault diagnosis; Long short term memory; Gearbox

风电机组作为风力发电的核心设备，其运行状况影响整个发电系统性能。然而，风电机组长期运行在复杂的环境中，其关键部件如齿轮箱易受到多种因素影响出现故障，影响风电机组运行。因此，对齿轮箱进行故障预测，及时发现并维修潜在问题，对提高机组性能有重要意义。随着技术进步，众多研究人员对此进行研究。周伟等人[1]利用长短期记忆网络模型（Long Short-Term Memory，LSTM）融合风电机组齿轮箱的数据采集与监视控制系统（Supervisory Control And Data Acquisition，SCADA）数据预测油温，通过残差和预警阈值实现故障预警。但LSTM在处理长期累积效应或周期性变化时，无法捕捉复杂关系，影响预测准确性。吴岚等人[2]结合变分模态分解（Variational Mode Decomposition，VMD）和倒频变换技术，通过VMD处理振动信号对数谱，区分不同部件故障信息，提升分辨率。然而，风电机组齿轮箱振动信号受环境噪声干扰，掩盖或扭曲故障特征，影响诊断准确性。赵宇等人[3]利用卷积神经网络结合双向LSTM模型划分温度场景并预测油温。但面对突发异常情况无法有效诊断和预警。

为解决上述问题，本文提出了基于数字孪生的风电机组齿轮箱故障诊断方法。旨在科学有效的支持风电机组的维护和管理，推动风力发电行业的发展。

1 基于数字孪生的风电机组齿轮箱故障诊断方法设计

1.1数字孪生总体架构构建

构建基于数字孪生的风电机组齿轮箱故障诊断系统。其总体架构按功能特性和数据处理流程，分为4个层次。

（1）物理层为系统基础，包括风电机组齿轮箱的实际设备、传感器网络、数据采集硬件等。（2）数据层负责接收、存储和管理从物理层传输的数据。该层包括数据库管理系统和数据处理模块。（3）模型层为系统核心，基于数字孪生技术构建与实际齿轮箱一致虚拟模型。利用数据层数据，通过建模和仿真技术，集成故障检测算法，实时监测分析齿轮箱运行情况。（4）应用层作为系统与用户间的桥梁，负责与用户连接，展示故障诊断结果，提供决策支持等功能。各层次间通过标准数据接口和通信协议进行交互。确保数据的顺畅和系统稳定。

1.2风电机组齿轮箱数据收集与过滤

数据采集对风电机组齿轮箱状态监测至关重要[4]。利用温度传感器、振动传感器和油液分析传感器实时、连续监测齿轮箱状态，确保其在适宜温度范围内运行。传感器布置在关键部位，为后续监测和诊断提供依据[5]。

为提高数据质量，需对原始数据进行过滤处理。采用小波变换降噪法去除噪声，过程如下。

若采集的数据，则连续傅立叶变换为：

若乘以频率的正弦时，则产生组成原始信号的正弦分量。小波基函数定义为：

式（2）中：为尺度因子；为平移量。

的小波变换定义为：（3）的作用是确定在哪个时刻对信号基于自适应随机振动，因此为何值，具有相同的品质因数。由于数据来源不同，因此需对数据进行处理，设最小值为，则归一公式如下

式（4）中：为原始数据；为最大值。

1.3风电机组齿轮箱数据特征提取

基于过滤后的数据进行风电机组齿轮箱数据特征提取。采用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）提取风电机组齿轮箱数据特征：

获得处理后的信号添加有标准正态分布的白噪声，得到待处理信号：

并（5）对待处理信号进行EMD分解，将复杂的信号分解为本征模态函数，得到分解后的信号：

式（4）中：为各阶本征模态函数分量；为残余项。

重复步骤上述步骤，每次使用不同白噪声序列。对多次分解得到的本征模态函数（Intrinsic Mode Functions，IMF）进行平均处理。

从平均后的IMF中提取齿轮箱的特征信息。

1.4基于数字孪生的风电机组齿轮箱故障诊断

根据上述构建风电机组的齿轮箱的数字孪生模型。模拟齿风电机组齿轮箱的行为和性能，模型层构建过程如下。

1.4.1几何模型构建

风电机组齿轮箱的几何模型基于计算机辅助设计（Computer Aided Design，CAD）的图纸，通过三维软件建模。

1.4.2材料属性建模

材料属性决定风电机组齿轮箱在不同条件行为。弹性模量用于描述材料的属性。弹性模量为：

式（6）中：为应力；为应变。

1.4.3动力学方程构建

对于风电机组齿轮箱的动力学行为，多体动力学仿真是一种常用方法。设风电机组齿轮箱的动力学方程为：

式（7）中：为质量矩阵、为支撑刚度矩阵和阻尼矩阵；为啮合刚度矩阵和阻尼矩阵；为啮合误差激励矩阵；为传动系统所受到的外力矩阵；为风电机组齿轮箱的耦合惯性力矩阵。

本文数字孪生模型采用长短期记忆进行故障诊断，生成诊断结果。设为权重矩阵，是上一时刻的单元状态，长短期记忆的遗忘门、输入门、输出门分别为：

式（8）中：表示遗忘门权重矩阵；表示输入门权重矩阵；表示输出门权重矩阵；偏置向量；为激活函数；当前时刻的输入。

长短期记忆的输出为：

式（9）中：为此刻的记忆状态值。

至此，完成基于数字孪生的风电机组齿轮箱故障诊断。

2 实验设计

2.1 实验方案

为验证本文方法性能，选取某风电机组齿轮箱为实验对象，正常样本数据21 128条，故障样本数据4 114条。以诊断准确率和漏报率为指标，与周伟等人[1]和吴岚等人[2]提出的方法进行对比实验，准确率和漏报率的公式如下。

式（10）中：为真正例；为假反例；为假正例；为真反例。

式（11）中：为漏报次数；为总检测次数。

2.2 实验结果三种方法故障诊断准确率结果如表1所示。

由表1可知，本文方法风电机组齿轮箱故障诊断准确率均在0.94以上，而周伟等人[1]和吴岚等人[2]提出的方法的准确率均在0.91以下，说明本文方法准确率高，诊断效果好。

3种方法风电机组齿轮箱故障诊断漏报率结果如图1所示。

图1不同方法风电机组齿轮箱故障诊断漏报率

由图1可知，本文方法应用后的漏报率在0.15以下，而周伟等人[1]提出的方法应用后的报率在0.2左右，吴岚等人[2]提出的方法应用后的漏报率在0.25左右，说明本文方法的漏报率更小，能准确对故障进行诊断。

3 结论

综上所述，本文提出基于数字孪生的风电机组齿轮箱故障诊断方法。构建数字孪生的整体架构，采集风电机组齿轮箱的相关数据进行过滤，确保数据准确性。利用集合经验模态分解提取特征，构建数字孪生模型，实时反映齿轮箱的运行状态，为故障诊断提供有力支撑。采用LSTM算法进行故障诊断，实现对齿轮箱故障的精准识别。实验结果表明，本文方法不仅能快速准确识别齿轮箱故障，还能为风电行业的故障预防和维护提供依据，有助于推动风电行业的发展。

参考文献

[1]周伟，魏鑫，李西兴.改进MFO-LSTM网络的风电机组齿轮箱故障预警研究[J].机床与液压，2024，52（4）：185-194.

[2]吴岚，柳亦兵，吴仕明，等.基于VMD倒频变换的风电机组齿轮箱复合故障诊断[J].振动与冲击，2023，42（24）：221-227，256.

[3]赵宇，王晓东，吕海华，等.基于场景判别的风电齿轮箱温度预测及趋势异常预警方法[J].电力科学与工程，2024，40（2）：61-70.

[4]曾平，张琛，李征.电网故障期间全功率风电机组的暂态同步稳定控制策略[J].中国电机工程学报，2022，42（16）：5935-5947，6168.

[5]秦世耀，齐琛，李少林，等.电压源型构网风电机组研究现状及展望[J].中国电机工程学报，2023，43（4）：1314-1334.