一种基于SCADA数据降维的自更新风机故障诊断模型

张羽　辛克锋　刘洋广　纪洪涛　洪晓伟

摘 要：针对风机故障诊断，本文提出了一种基于数据和模型自更新的风机故障诊断方法。方法融合了机器学习模型和经验模型两类判据，通过两者的配合诊断风机的故障。同时方法提供了一套自更新机制，将经验诊断模型不断转换机器学习模型判据，使系统对诊断故障的准确率越来越高。

关键词：风机；故障诊断；SCADA数据；自更新模型

中图分类号：TM315 文献标识码：A 文章编号：1671-2064（2018）04-0169-02

1 引言

作为一种新型的清洁能源，风电在近几年来发展迅速，风能被认为是一种可以替代传统能源的清洁能源[1]。现代风场通常装备了监督控制和数据采集（SCADA）系统，大多数以10分钟的频率采集大量的运行时数据，具体包括：风速和气象信息，风能转换信息，设备的震动信息、机械状态信息、不同部件的温度等信息[2]。使用SCADA数据进行风机的故障诊断具有很多优点，例如不需要加装额外的传感器和硬件设备，安装和使用成本低等[3]。随着人工智能在工业领域的广泛应用，针对风机故障诊断的机器学习方法越来越多。文献[4]提出了一种基于人工神经元网络的风机故障诊断方法，文献[5，6]使用了基于专家经验的模糊判定方法来进行故障的诊断。本文提出了一套针对风机故障诊断的系统架构，利用相关性分类和故障数据特征选择的方法定性地确定SCADA数据的输入对故障的影响大小。同时本文方法提供了一种将经验类诊断模型换为学习型故障诊断模型的机制，从而不断提高对故障的诊断效率。

2 故障诊断方法结构

本文基于采集到的SCADA数据，建立故障预测诊断的系统模型，方法结构图如图1所示。

方法的流程由几部分组成，首先数据基本处理模块对数据进行基本的预处理，然后分类降维模块依据数据的相关性进行分类和降维，之后学习型模型判定模块针对故障对数据进行再次降维、机器学习并生成学习型判定模型，同时业务型模型判定模块依据业务和经验生成业务型判定模型，最终在故障診断模块中进行故障诊断，随着系统的不断运行，模型更新处理模块不断把业务型判定模型转换为学习型判定模型，提高系统整体的诊断效果。方法分为线下处理和线上处理两部分：

（1）线下处理：线下处理为非实时处理，不用时刻都参与故障诊断的计算。学习型故障模型中，首选进行相关性降维处理，将原始数据的维数依据相关性进行降维，然后针对故障进行故障数据特征选择降维处理。对故障进行依次学习后，形成学习型故障模型的各类故障模型，以备实时处理时使用；（2）线上处理：线上处理为实时处理，时刻参与故障诊断的计算。学习型故障模型直接取得线下处理选择出的数据，进行故障诊断计算；业务型故障模型则首先进行数据预测处理，然后依据预测出的数据与实际测量数据的对比进行故障诊断。在两类处理中，学习型故障模型的优先级要高于业务型故障模型。

3 模型自更新结构

随着系统的不断运行，业务类故障模型判定和学习类故障模型判定协同作业，对系统的实时数据进行故障诊断。学习类故障模型的准确度和确信度都高于业务类故障模型，因此在系统运行的过程中，可以将业务类故障诊断的模型逐步转化为学习类故障模型。

如图2所示，假设当前系统中故障2为业务类故障模型，并且已经部署在系统中实时运行，某个时刻系统触发了故障2的业务类模型，此时系统自动获取发证故障2时和发生故障2之前的SCADA数据，系统依据这些对数据进行故障分析和学习，会得出故障的详细信息和故障2的学习类故障模型，系统比较业务类故障模型和学习类故障模型，且经过效果评估后，将业务类故障模型的故障2撤下，同时将故障2的学习类故障模型添加到方法中来，完成两类模型的转换。

4 结语

本文提出了一套针对风机故障诊断的方法，利用相关性分类和故障数据特征选择的方法定性地确定SCADA数据的输入对故障的影响大小，并通过两类模型的结合提升了故障诊断的精度。方法的模型自更新机制使此方法能够随着数据的不断增加，使对故障诊断的精度越来越高。

参考文献

[1]Chehouri A， Younes R. Review of performance optimization techniques applied to wind turbines. Appl Energy 2015；142：361-88.

[2]Francesco Castellani， Davide Astolfi，Paolo Sdringola，Stefania Proietti， Ludovico Terzi， Analyzing wind turbine directional behavior： SCADA data mining techniques for efficiency and power assessment Applied Energy（2015）.

[3]Wenxian Yang， Jiesheng Jiang. Wind turbine condition monitoring and reliability analysis by SCADA information. In： Proceedings of the second international conference on mechanic automation and control engineering （MACE）， Inner Mongolia， China； July 15e17，2011.p.1872e5.

[4]M. An， S. Park， J. Shin， H. Lim， and D. Kang， “Implementation of automatic failure diagnosis for wind turbine monitoring system based on neural network，” Multimedia Ubiquitous Eng.，vol.240，no.5，pp.1181-1188，Jan.2013.

[5]Meik Schlechtingen， Ilmar Ferreira Santos，Sofiane Achiche， Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 1： System description， Applied Soft Computing 13（2013）259-270.

[6]Wenxian Yang， Richard Court， Jiesheng Jiang， Wind turbine condition monitoring by the approach of SCADA dataanalysis， Renewable Energy53（2013）365e376.