基于故障樹和神經網絡的的風機故障在線診斷

艾進才

（龍源電力集團股份有限公司寧夏公司 寧夏回族自治區固原市 756000）

當今世界，全球能源結構改革的浪潮已經到來，風能作為一種新能源，在電力產業中具有舉足輕重的地位，因此近年來，使得風電產業得到了迅速的發展，全球風電機組裝機的數量也隨之增長迅速。據調查研究發現，在實際中全球各大型風電場存在很多不足，如超過一半的風機無法正常并網運行，這給風電產業帶來了巨大挑戰。相關學者與專家對我國某電力公司的300 多臺風機進行調查統計，發現能夠正常工作的僅33%，其余無法正常工作運行，造成的原因除了常見的棄風等因素外大多數是由于機組發生的故障，使得風電產業在電力設備資金投入上產生一定的浪費。風電場存在于陸地和海上，海上工作環境相比于陸地工作環境存在更大挑戰，首先在嚴寒下存在海冰，使得風機基礎受到海冰撞擊的威脅，其次海上溫度低，濕度大，導致風機葉片上容易存在冰，因此葉輪和塔筒的載荷會隨之增加，風電機發電喪失部分能力，在極端地區，電能損失達到了將近20%-50%的應發電量，當積冰嚴重時甚至會導致葉片斷裂，這對風電機組損害相當嚴重。

在風電機組中，其故障的發生率相當高，據統計，一個風場中風機的故障率高達40%-50%，對于一臺已經工作了20年的風機，其總維護和維修費用占據了10%-15%的風場總效益，對于海上風機，其維護費用更是高達30%的風場總效益。目前可以通過兩方面降低風機運維成本，一方面對風機的品質進行改善，另一方面通過監測風機運行狀態數據，及時發現風機故障的早期隱患，并對其進行處理排除，保證風機的正常工作，從而使發電效益不受影響。根據電工委員會IEC 制定的相關標準IEC61400，它規定風機的使用壽命為20年，但是根據實際生產中的經驗，這個要求往往很難滿足。一般情況下，風機電組的平均質保期為5年，當前投入使用的風機超過一半的工作時間已經超過5年，為保證風機的正常的工作，需對風機電機進行全面的維護檢修，此次維修將會投入相當大的人力物力，因此在以后的工作中將老舊風機和故障診斷研究作為研究方向，具有重要價值和實際意義。

1 故障樹模型簡介

故障樹模型是一個比較定性的因果模型，它是主要研究目標的構造和功能所具有特點的行為模型，它展現了故障的傳播關系。故障樹從頂事件到底事件的方向對對象進行故障判斷，頂事件一般為最不期望的事件，底事件為不可再分事件，故障判斷依據為對象的功能以及兩個事件之間的關系。因此可以得到，基于故障樹的傳播有向圖主要是以節點之間擁有和邏輯有關的帶權有向樹，故障傳播的目標就是底事件→中間事件→頂事件。如圖1所示。

圖1：故障傳播關系的有向圖

故障樹的建立和更新機制:故障樹模型根據系統發生的故障，對其原因進行邏輯性的逐層分析與總結，從而確定出造成故障的原因或者幾個原因，最終提出解決或排除故障的方法。故障樹中的新知識一般通過人工獲取的方式取得，所謂人工知識獲取即領域專家和工程師之間的資料和數據分享，獲取的知識在工程師和領域專家指之間通過交流探討與歸納總結，從而對其進行更進一步的編碼，實現對故障樹模塊庫的更新。

2 風機故障樹模型與推理方法

根據風電場風機的結構，可將風機故障樹分為六個部分，即風輪系統故障樹、傳動系統故障樹、液壓系統故障樹、偏航系統故障樹、變槳系統故障樹、發電機系統故障樹，下面以發電機系統故障樹為例。

根據故障樹進行故障診斷方向有三種：正向推理、反向推理和正反向混合性推理。

（1）正向推理：所謂正向推理，即由條件到結論的推理方式，其中的依據是條件和結論之間的某種邏輯關系，又被稱為事實驅動理論推理。它以事實為依據，將相應的推理方法作為指導，證明命題是否成立。正向推理簡單易行，用戶也可以隨時自主的提供問題的相關信息（新事實），方便及時做出反應。不足之處在于不相關的操作對求解問題影響較大，在求解時也會被執行，導致推理結果中存在大量與問題不相關的其他子目標，因此正向推理存在盲目性大，效率低的缺陷。

（2）反向推理：即由結論到條件，推理過程與正向推理相反，它將結論作為依據，又被稱為目標驅動理論，在知識庫中，以結論為出發點，尋找能夠證明該結論的真偽的證據。由于反向推理具有較強的目的性，因此可以排除與假設無關的知識，避免它對尋找結果的影響。根據反向推理的過程，可以得出反向推理策略能夠支持其解釋的精確性，其中要遵循的規則（知識），用戶也可以簡單明了的了解到，以更快更高效的實現目標。

圖2：發電機系統故障樹

圖3：概率神經網絡的基本結構

（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，正向推理將已有的初始數據或數據作為出發點，根據相應推理方法得到假設結論，但是這些初始數據或證據往往存在不充分的缺點，因此將正向推理得到的假設結論再作為反向推理的結論，從假設結論開始，尋找與之對應的事實或者證據。正反向混合推理將正向和方向推理的優點進行了結合，這種推理方式和人們的思維方式類似，相對于正向和反向推理，它的控制策略更加復雜，因此它適用于對復雜問題的求解。

在實際應用中，由于部分未知狀態分類難以確定，因此得到的情報往往欠缺完整性，如果只使用單一的故障樹方式，故障診斷結果存在一定的不準確性，影響后續工作，而概率神經網絡算法性能比故障樹分析性能明顯較好，它可以通過結合診斷對象的運行狀態構造出模式識別分類器對狀態進行檢測并進行分析處理，完成對故障的診斷，和只使用故障樹分析法相比，它能明顯降低對某一設備狀態診斷的誤判率。概率神經網絡（PNN）的計算過程是完全向前的，它與傳統的多層前向網絡BP算法相比，無需計算反向誤差傳播，因此運算速度比較快，同時訓練時間短、不易產生局部最優解、分類準確率高。對于無論多么復雜的計算，當訓練數據足夠多時，它就可保證能夠獲得貝葉斯準則下的最優解。發電機系統故障樹如圖2所示。

概率神經網絡（PNN）是一種前饋型神經網絡，它是由徑向基函數網絡發展而來的，適用于模式分類。其依據準則是貝葉斯最小風險準則即貝葉斯決策理論，采用 Parzen 窗函數密度估計方法估計條件概率。訓練樣本的臨近分類器通常由散布常數Spread 的值來實現，概率神經網絡由4 層模型組成，分別是輸入層、模式層、求和層、輸出層。在輸出層中，根據已經建立的網絡，對輸入向量進行最大后驗概率估計，最后將概率值最大的輸出為相應類別。如圖3所示。

在在故障樹模型的基礎上，根據貝葉斯準則概率神經網絡理論，得到一種新的故障診斷模型，它結合兩者優點，能夠解決之前難以判斷的故障如復雜轉速故障診斷，克服了使用一種方法帶來的片面性，因此使得在實際中故障檢測的準確性得到有效提升，同時故障檢測的效率也有效提高。此方法在實際中工作人員操作簡單，且容易實現，當樣本中存在一定的噪聲時，算法對噪聲具有較強的魯棒性，因此可進一步增強診斷準確率。隨著樣本數據的增多，診斷網絡將不斷被得到完善，診斷率將得到大大提高。

3 小結

基于故障樹和神經網絡的風機故障檢測，可在長期運行過程中，動態更新故障庫類型，不斷提高故障檢測的準確率。采用故障樹分析可以對已知故障進行快速診斷，神經網絡可以對多因素、多機理的復雜故障經過訓練后進行快速識別，現場運維人員可通過信息化手段得到診斷結果，診斷結果對現場人員的故障處理具有一定的指導性。