基于經驗模態分解的風機葉片故障監測診斷方法研究

魏 剛 任 偉 張 濤 李錦虎 嚴新明 王咸武

(1.華電福新柳州新能源有限公司 2.華電廣西能源有限公司)

0 引言

能源和環境是當前世界關注的熱點議題。風力發電作為一種技術成熟高、綠色友好的可再生能源發展技術, 在我國取得了長足進展。據統計, 我國風電機組累積裝機容量已達到328.5GW, 為我國風力發電發展提供了重要支撐。然而, 風電機組的運維成本約占其全生命周期發電成本的25% -30%[1], 成為制約其發展的一大問題。在此背景下, 風電機組故障的早期檢測預警顯得尤為重要, 能夠有效防止其主要組件的破壞性故障。通過實施有效的維護與維修策略,能夠顯著減少運維成本, 同時降低風力發電機的停機時間, 進一步提高風力發電的利用率和效益。因此,加強風電機組的早期故障檢測預警和有效維護與維修策略的實施, 將對我國風力發電行業的健康發展產生積極作用。

葉片是風力發電機組的核心部件, 但由于其故障失效率極高, 葉片故障往往是導致整個風電機組失效的主要原因之一。目前, 葉片故障通常是通過人工定期巡檢來發現, 但是這種方法存在一些問題, 例如耗時長、效率低、實時性和準確性不高等[2-3]。為了解決這些問題, 需要研究一種更高效、準確、實時的方法來感知風機葉片故障, 以提高風電機組的可靠性和安全性, 同時減少維護成本和停機時間, 促進風力發電產業的可持續發展。

風電機組葉片產生故障后, 其葉片的氣動特性、機組運行狀態及運行參數會較正常運行狀態由顯著的差異, 通過對參數變化的識別, 可以監測風機葉片的運行情況。本文通過詳細分析葉片故障狀態下機組運行監測信號的特征, 采用集合經驗模態分解 (EEDM) 方法對葉片采樣信號分解, 消除噪聲的影響,運用主成分分析方法(PCA) 提取多維尺度下的風電機組葉片狀態監測信號, 利用卷積神經網絡對提取的葉片狀態監測信號進程故障狀態識別, 實現對葉片故障的早期監測和預警。

1 風電機組葉片故障狀態監測原理

風電機組的葉片故障失效率極高, 包括多種類型的故障, 如葉片結冰、邊緣開裂、老化、斷裂、卡死和電機其它故障等。這些故障若不及時發現和處理,將導致風電機組的損毀。通過實時監測風電機組的葉輪轉速和實時輸出功率, 可以幫助早期識別和預報風機葉片故障。但是, 由于風速的變化會導致葉輪轉速和輸出功率表現為在其最大值和最小值之間隨機變化, 因此設定固定閾值來比較檢測出葉片故障造成的葉輪轉速和輸出功率是較為困難的。因此需要研究并實施更加先進的實時監測和數據分析方法, 以實現更準確、可靠、實時的葉片故障檢測與預警, 提高風電機組的運行效率和可靠性。

本文采用文獻[4] 中基于隨機變量建模的高斯過程回歸(Gaussian process regression, GPR) 建立的風電機組正常運行狀態時的功率模型和葉輪轉速模型作為風電機組正在運行狀態的評估基準, 根據風電機組葉片轉動信號和功率信號的特點, 應用集合經驗模態分解(EEDM) 方法消除噪聲的影響, 更好的進行故障特征提取, 形成比較全面反映葉片運行狀態和故障信息的高維特征矩陣, 然后應用Pearson-PCA 的降維方法實現高維特征矩陣的低維化, 為快速精確實現故障智能預警和診斷提供簡潔清晰的特征向量, 最終利用CNN 神經網絡對提取的葉片狀態信號和正常運行狀態信號進行對比分析, 識別葉片故障, 達到預警效果。

2 基于EEDM+PCA 的特征提取方法

2.1 集合經驗模態分解方法

風電機組葉片監測信號是具有動態時變、尺度多的特點, 這也使得信號易受到強干擾噪聲的影響。尤其是在變速變載工況下, 雙饋式風電機組的連續運行導致風機葉片狀態監測信號存在強噪聲干擾和多源耦合調制的特點, 這給葉片故障的監測與預測帶來了很大的挑戰。為了應對這些困難, 一種數據驅動的自適應非線性時變信號分解方法——EMD 已被廣泛應用。EMD 方法具有較大的優勢, 尤其是在處理非線性、非平穩信號方面, 能夠有效地把信號分解成不同頻率成分, 幫助實現葉片故障的監測與預測。

圖1 EEDM 分解原理圖

EMD 能夠將復雜時序的數據分解為有限個本征模函數(intrinsic mode function, IMF) 與一個殘余分量[4-7]。對于原始信號x(t), EMD 的實現步驟如下:

Step 1.對任一待處理的信號x(t), 求得其局部最大值、最小值, 將信號數據x(t) 與上、下包絡線均值m1(t) 的差值記為h1(t), 其表達式如下:

Step 2.重復以上過程, 從原始信號中篩選出的第一階段IMF 分量h1(t) 通常包含信號的最高頻分量。將h1(t) 從x(t) 中分離出來, 得到去除高頻分量的差值信號r1(t), 把r1(t) 作為新信號重復以上篩分步驟, 直到第n 階段的殘余信號為單調函數不再篩分出IMF 分量的rn(t), 其表達式如下:

根據分解算法,x(t) 可表示為n個IMF 分量和1個殘差的和, 表達式如下:

式中,rn(t) 為殘差, 表示信號中的平均趨勢;hj(t) 為第j個IMF 分量,j=1, 2, …,n, 分別表示信號從高到低不同頻率的成分。

EMD 分解是一種能夠將信號分解成不同頻帶的成分的方法, 類似于帶通濾波。由于信號本身具有非平穩、非線性特性, 不同IMF 分量所覆蓋的頻帶寬度差別較大, 這可能導致模態混疊效應。為了有效解決這個問題, 可以采用EEDM 方法, 該方法的思路是將高斯白噪聲添加進原信號中, 進行多次重復分解, 然后將每次分解得到的IMF 取平均作為最終的分解結果。這種方法的優點在于可以減小模態混疊效應對分解結果的影響, 同時提高了分解結果的可靠性和穩定性。因此, EEDM 方法是處理非平穩、非線性信號的一個有效工具, 特別是在風電機組葉片監測信號處理中有著廣泛的應用。EEDM 分解的實現步驟如下:

Step 1: 在被分析信號x(t) 中加入隨機白噪聲n(t), 令其幅值水平為a, 得到新的含噪信號。

Step 2: 對含噪信號y(t) 進行EDM 分解得到一組IMF 分量fh(t),h(h∈(1,H])。

Step 3: 重復執行步驟1 -2 若干次(設為I次),共分解出I組IMF 分量, 則第f次EDM 后的第個IMF分量表示為。

Step 4: 通過求每一次EDM 分解得到的第i 個IMF 分量的平均數, 將其作為EEDM 分解的第i 階的IMF 分量ch(t), 公式表示為:

2.2 主成分提取

經過EEMD 分解處理后, 風機運行狀態信號被分解成k 個IMF 分量, 每個IMF 分量代表了原始信號的不同頻率成分。但在進行EEDM 處理的插值包絡過程中, 可能會造成包絡的均值不為零, 導致虛假IMF 分量的出現。為了剔除這些虛假IMF 分量, 本文采用Pearson 相關性分析, 剔除相關性較強的IMF 分量,保留相關性較弱的真實IMF 分量。接著, 對真實IMF分量進行PCA 分析, 實現特征數據的降維, 以提高監測信號的分解效果。這種處理方法可以有效地減少噪聲干擾和模態混疊效應的影響, 提高葉片狀態監測的準確性和實時性。

將EEMD 分解后得到的K 個IMF 分量分別與原信號x(t) Pearson 相關系數為:

式中,ch(t) 為第h 個IMF 分量;D(x(t)) 為信號x(t) 的方差;D(ch(t)) 為信號ch(t) 的方差;COV(x(t),ch(t)) 為信號x(t) 與ch(t) 之間的協方差。

通過設定一個閾值, 將相關度小于閾值的IMF 分量剔除, 得到矩陣Z。

利用PCA 對Z= [z1,z2,…,zM]T進行分析, 實現特征降維, 過程如下:

Step 1: 計算經過特征過濾后的IMF 分量的均值向量u, 即:

式中,j=…1, 2,,,L為采樣點個數。

Step 2: 將每個信號分量進行中心化變換的處理:

Step 3: 通過特征分解協方差矩陣V, 得到特征值:

Step 4: 將特征值進行降序排列, 即λ1≥λ2≥…≥λm, 對應特征向量為e1≥e2≥…≥em; 則第i 個主成分為:

Step 5: 計算特征值的方差貢獻率和累計方差貢獻率。diag[λ1,λ2…λβ] 對應的特征向量作為子空間的基, 所提取β個主成分為:

Step 6: 根據方差貢獻率的大小, 取前β個特征值。

2.3 基于卷積神經網絡的故障特征識別

卷積神經網絡(CNN) 是一種廣泛應用于圖像識別和處理等領域的深度學習算法, 由卷積層、池化層和全連接層構成。其中, 卷積層和池化層交替出現,通過卷積核提取輸入數據的局部特征, 再通過池化層進行下采樣, 減少數據的維度和計算量, 提高特征的表達能力。最后, 通過全連接層對特征進行非線性組合輸出處理結果[8-9]。本文采用了2 個卷積層、2 個池化層和1 個全連接層的CNN 框架進行風機運行狀態評估。卷積層的步長為1, 卷積核大小為3, 激活函數選用RELU 函數, 用于提取輸入數據的局部特征。2 個池化層均將步長設置為1, 池化核設置為3的重疊下采樣, 以減少計算量和參數數量, 提高網絡的泛化能力。全連接層的激活函數使用sigmoid 函數,將卷積層和池化層提取的特征進行非線性組合, 輸出最終的評估結果。則CNN 層的輸出HC 可以表示為[10-12]:

式中,X′為網絡輸入;C1、C2、C3、C4分別為4個卷積層的輸出;P1、P2分別為2 個池化層輸出;HC為全連接層輸出;W1、W2、W3、W4、W5為權值矩陣;b1、b2、b4、b5、b7為神經元偏置; ?表示卷積運算。

通過將輸出層與CNN 層之間全連接, 從而達到故障特征識別的目的, 采用自適應矩估計(adaptive moment estimation, Adam) 優化器對網絡進行訓練。損失函數選擇均方誤差 (mean-square error, MSE)函數[13-15]:

式中,n為輸出個數;yi為實際值,為網絡輸出值。

將上述提取到的機組葉片監測信號特征, 輸入到CNN 神經網絡中, 對機組葉片故障狀態狀態進行識別, 具體識別過程如圖2 所示。

圖2 故障狀態識別流程圖

3 案例

本文選取某個風電場6 臺風電機組葉片故障狀態檢測數據進行研究。原始數據主要包含風速、風向、溫度、電壓、電流、有功功率、葉輪轉速等, 用于EEDM-CNN分類器模型的訓練。具體數據情況如表1 所示:

表1 數據情況表

為了有效評估EEDM-CNN 算法模型對風電機組葉片故障檢測的效果, 定義以下參數:

FF: 風電機組為故障狀態同時被EEDM-CNN 算法預測為故障狀態的次數;

NF: 風電機組為正常狀態但被EEDM-CNN 算法預測為故障狀態的次數;

FN: 風電機組為故障狀態但被EEDM-CNN 算法預測為正常狀態的次數;

NN: 風電機組為正常狀態同時EEDM-CNN 算法預測為正常狀態的次數。

在以上參數的基礎上, 本研究中通過下式計算模型得分。

ND表示樣本集中風機狀態為正常的樣本量,NF表示樣本集中風機狀態為故障的樣本量,μ,ν為權重系數, 本文均取值為0.5。

將上述6 臺風電機組的葉片故障狀態數據重采樣和健康狀態數據降采樣之后的樣本送到訓練好的EEDM-CNN 算法組成的分類器中。

由表2 可知, 本文提出的基于EEDM-CNN 算法組成的分類器對風電機組葉片故障的監測方法, 在6臺風電機組的故障監測中實現了精度均大于97%,從而證明了本文提出EEDM-CNN 算法組成的分類器對風電機組葉片故障的檢測有效性。

表2 風電機組葉片故障檢測的精度

為了驗證本文提出的EEDM-CNN 算法組成的分類器對風電機組葉片故障監測的優勢, 本文選擇小波分解+神經網絡構成的弱分類器與基于EEDM +CNN算法組成的強分類器進行對比分析。分別用兩種算法計算識別6 臺風電機組的數據, 從而得出兩種算法在檢測風機葉片故障的得分, 結果如圖3 所示:

由圖3 可知: 基于EEDM+CNN 算法構建的風電機組葉片故障監測模型的計算性能得分均高于小波分解+BP 神經網絡; 基于EEDM +CNN 算法構建的模型在風機葉片故障監測中的性能平均得分為75.8,BP 神經網絡構建的模型在風機葉片故障監測中的性能平均得分為64.6 分。實驗對比結果表明, 本文基于EEDM+CNN 算法構建的風電機組葉片故障檢測模型具有較高的精度, 能夠滿足實用的需要。

4 結束語

本文在詳細分析風機葉片故障對運行狀態和運行參數的影響的基礎上, 提出了基于EEDM +CNN 的風機葉片故障狀態檢測方法。首先應用一種多參數的葉片正常運行狀態下的功率模型和轉速模型作為葉片運行狀態評估的基準, 提出一種集合經驗模態分解+Pearson-PCA 的特征降維處理方法, 以全面揭示隱含

主要結論如下: 1) 葉片故障會造成風電機組的功率和葉輪轉速相較于正常運行狀態出現顯著性能下降, 因此可以采用功率和葉輪轉速運行參數作為識別葉片故障的依據。2) 采用CNN 神經網絡故障識別的方法通過對風機葉片運行數據進行監測識別, 能夠發出葉片故障的早期預警。