风电+AI：实现齿轮箱故障预警，降低风机严重故障风险

当齿轮箱发生轻微故障时，若人工定检不能及时发现，小故障会伴随着风机继续运转，增加齿轮箱负荷，最终导致卡死、串轴、断裂等严重故障，给风场带来巨大的维修成本。

在政策驱动下，我国的风电行业已由快速发展逐步转向稳定、市场化发展。相较于较水电、光伏等新能源，风电行业的信息化较为成熟，因而具备较好的智能化条件和基础。其中，基于风场采集的SCADA数据进行故障诊断、故障预测建模，已成为风电行业的重要趋势。

在典型的大部件中，风力发电机齿轮箱，亦称变速箱，作为将叶轮转速提速为发电机所需转速的重要部件，在双馈式风力发电机中应用广泛。

当齿轮箱发生轻微故障时，若人工定检不能及时发现，小故障会伴随着风机继续运转，增加齿轮箱负荷，最终导致卡死、串轴、断裂等严重故障，给风场带来巨大的维修成本。

如果能通过数据及时发现齿轮箱的运行异常并实时报警，对于降低风机严重故障风险，提高风场发电效率具有重要意义。

文：天数润科 刘杨

齿轮箱数据概述

风力发电机的故障诊断、故障检测方面，常使用的数据有SCADA、CMS等数据。

SCADA作为集控系统的组成部分，其数据存储、提取、建模的过程较为容易。通常，对齿轮箱的测点包括齿轮箱油温、齿轮箱振动、齿轮箱轴转速、齿轮箱轴承温度等。

CMS通过采集高频振动数据，结合时域与频域的分析，给出齿轮箱振动异常的原因与是否需要停机维修的判断。

本次建模使用的数据为10s级别的SCADA数据，包含以上提及的SCADA数据特征。

建模思路

由于SCADA数据中齿轮箱的测点数较少，难以完全描述齿轮箱的运行状况，同时数据质量不佳，部分风机数据的时间间隔为12s，导致瞬时采样点数据时间戳不一致。针对这种情况，采用数据聚合的方法，将不同时间间隔的数据统一聚合为2min级别数据，提取每个特征在该段时间内的平均值、最小值、最大值。

采用聚合方式提取的数据，存在严重的线性相关，使用传统的统计学习方法（不包含树模型）会引入较大的误差，因此需要一层滤波，从原始的聚合数据中提取深层特征，同时需要确保这些特征可以较好地还原数据。因此模型使用降噪自编码器作为自动进行特征提取的工具。

按照2min的时间跨度聚合的数据较风电行业常用的10min级别数据，其时序特征较为明显。尤其在温度等特征方面，2min级别数据中描述了详细温度的变化特征，能够较好的反应风机运行过程中真实发生的工况。因此，在故障预测方面，采用基于LSTM架构的模型，以有效预测齿轮箱健康状况。

训练数据的标注方面，风场提供了齿轮箱故障发生的时间，将故障发生前一周的数据均标记为故障数据，同时选取一部分的齿轮箱未发生损坏的风机数据，以标签0作为正常风机的标注，用以训练模型。

首先，针对SCADA数据，进行按照时间聚合的数据操作；其次，构建降噪编码器模型，通过处理后的数据训练编码部分和解码部分，自动地使用神经网络提取2min级别数据的深层特征；最后，通过数据标签训练LSTM，输入编码后的结果，输出为风机在该时间段内是否发生故障的预测结果。

所有的算法开发与部署皆基于SkyAXE高速运算平台开发。

1.png

模型算法说明

降噪自编码器（Denoising AutoEncoder）是一种较为鲁棒的自动特征提取模式，通过在编码前对数据引入噪声（通常为高斯噪声）破坏原始的数据分布，再通过编码-解码过程还原未加入噪声的数据，实现类似滤波（filter）后自动提取特征的过程。

2.png

通过引入噪声，破坏原始数据的标准分布后，再通过数据将其还原，模拟了人类对破损图像自动补全的过程，充分利用数据间的相关性，自动提取数据的深层特征，在大批量数据的特征提取方面，其效果较传统的PCA降维方法都有显著地提升，且具有较高的鲁棒性。反映于模型中，可看到其对聚合之后特征的还原效果较好，因此可将编码器部分作为LSTM网络的前半部分，对原始特征进行预处理：

3.png

LSTM通过引入Cell的结构，可记忆在时间序列上有所间隔的数据特征，在自然语言处理、视频分析、信号分析等方面已有大量成熟应用。其结构不在赘述。

模型架构

模型整体架构为降噪自编码器的编码部分后接LSTM网络结构，构建模型需要以下几个步骤：

4.png

Step 1：训练自编码器

由于降噪自编码器属于无监督学习的神经网络，即不需要外部的标签来训练。输入输出均为原始特征。训练中仍然采用批量训练方法，此时不需要关注聚合数据的故障与否，将全部数据进行训练即可得到能够自动提取深层特征的编码器；

Step 2：构建LSTM网络

由于数据量较大，LSTM模型的堆叠Cell数量较多，网络较深，容易产生梯度爆炸或梯度消失的问题。采用批标准化（Batch Normalization）对每一层的输出进行标准化，解决梯度传播的问题。同时，为了避免模型过拟合，在LSTM层和全连接层中，均使用了Dropout，降低过拟合的概率。构建起多层的LSTM网络后，接收编码器提取的深层特征；

5.png

Step 3：训练模型

使用降噪编码器提取的深层特征作为LSTM的数据，故障与否作为标签，训练LSTM模型。从训练误差的下降来看，模型具有较好的稳健性，误差可稳定的下降：

6.png

Step 4：

模型测试

测试数据集为未用于训练的同风场其他几台风机数据，运行正常的风机没有报出故障，误报率接近于0。而故障风机主要呈现以下两种故障模型：

（1）突发故障

可能是由于瞬时风速过大，符合较大而导致的突发故障。模型在故障发生前并无给出明显的征兆，在系统报警的较近时间段才报出异常，此时风机可能已经处于齿轮箱故障发生的临界点，需要紧急停机进行维修；

7.png

（2）渐变故障

8.png

此类故障在发生前一段时间，模型已给出一些警报，此时对齿轮箱进行人工检查或维修，可以避免因严重故障导致的齿轮箱彻底更换，降低维修成本，提高风场的运营效率。

总结

齿轮箱是双馈式风力发电机的重要部件，其发生严重故障后更换齿轮箱的维修成本极高。若能尽早发现齿轮箱的损坏，并进行及时的维修，对于指导现场人员作业，实现智能化运营具有重要意义。

虽然模型有效地解决了该风场的离线数据问题，但在实际部署过程中，还需要考虑数据传输的质量、速度等因素，对模型参数进行不断修正，以提高预警的准确率。

随着风场信息化程度的不断提高，智能化必然成为风电行业未来的发展方向。引入AI的建模方法，将有助于提高模型的预测准确率，降低误报率，为业主带来真实的经济价值。