基于改進(jìn)的多塊核主元分析的 風(fēng)電機(jī)組故障診斷方法

賈子文, 顧煜炯

(華北電力大學(xué) 能源動(dòng)力與機(jī)械工程學(xué)院， 北京 102206)

風(fēng)電機(jī)組的安全穩(wěn)定高效運(yùn)行是風(fēng)力發(fā)電行業(yè)的基本要求。但是風(fēng)電場(chǎng)選址大多在偏遠(yuǎn)地區(qū)，惡劣的環(huán)境和非穩(wěn)定負(fù)荷變化等因素對(duì)機(jī)組的正常運(yùn)行帶來較大影響[1]。隨著風(fēng)電機(jī)組運(yùn)行時(shí)間的增加，其維護(hù)費(fèi)用呈逐年上升的趨勢(shì)。當(dāng)機(jī)組服役時(shí)間超過20年時(shí)，其維護(hù)成本占能源成本的15%左右[2]。風(fēng)力發(fā)電行業(yè)前期投入大，資本回籠慢，過高的運(yùn)維開銷是風(fēng)電行業(yè)發(fā)展的重大隱患。因此，對(duì)風(fēng)電機(jī)組設(shè)備運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)、及時(shí)準(zhǔn)確診斷機(jī)組故障是避免嚴(yán)重故障發(fā)生和降低事后維修費(fèi)用的有效途徑。

風(fēng)電機(jī)組作為大型戶外發(fā)電設(shè)備，風(fēng)速、溫度、雨水和沙塵等自然因素均會(huì)對(duì)機(jī)組運(yùn)行狀態(tài)造成影響。運(yùn)行工況的時(shí)變性增大了診斷風(fēng)電機(jī)組故障的難度。在既定工況下通過單純的數(shù)據(jù)特征分析已不能滿足風(fēng)電機(jī)組故障診斷的要求[3]。盧錦玲等[4]對(duì)極限學(xué)習(xí)機(jī)方法進(jìn)行改進(jìn)，將風(fēng)電機(jī)組主軸軸承振動(dòng)信號(hào)作為模型輸入，研究了主軸軸承的故障診斷問題。Kusiak等[5]根據(jù)實(shí)時(shí)風(fēng)速對(duì)機(jī)組運(yùn)行工況進(jìn)行劃分，確定了監(jiān)測(cè)各個(gè)工況振動(dòng)數(shù)據(jù)的閾值。向玲等[6]將小波包與固有時(shí)間尺度分解方法相結(jié)合，通過振動(dòng)信號(hào)主要特征分量的關(guān)聯(lián)維數(shù)計(jì)算實(shí)現(xiàn)了風(fēng)電機(jī)組齒輪箱的故障診斷。但以上研究大多僅對(duì)機(jī)組某一類型的運(yùn)行參數(shù)進(jìn)行分析，單一數(shù)據(jù)特征有時(shí)并不能充分反映機(jī)組運(yùn)行工況的時(shí)變性與多樣性。李靜立等[7]將模態(tài)參數(shù)識(shí)別與階次分析應(yīng)用到風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測(cè)領(lǐng)域，完成了在動(dòng)態(tài)環(huán)境下齒輪箱運(yùn)行狀態(tài)的識(shí)別工作。Zhang等[8]和王雅琳等[9]采用多塊核主元分析(MBKPCA)方法對(duì)運(yùn)行數(shù)據(jù)進(jìn)行分塊處理，實(shí)現(xiàn)了設(shè)備故障發(fā)生位置的診斷。但是以上研究對(duì)于運(yùn)行數(shù)據(jù)劃分的主觀性過強(qiáng)，缺乏對(duì)變量之間關(guān)聯(lián)性的分析。郭鵬等[10]采用非線性狀態(tài)估計(jì)方法對(duì)風(fēng)電機(jī)組齒輪箱油溫趨勢(shì)進(jìn)行分析，提高了齒輪箱診斷結(jié)果的精度，雖然考慮了機(jī)組在確定工況下運(yùn)行過程的組成，但是在進(jìn)行樣本數(shù)據(jù)遴選過程中沒有形成樣本數(shù)據(jù)與運(yùn)行過程的對(duì)應(yīng)關(guān)系，對(duì)數(shù)據(jù)特征沒有進(jìn)行明確說明。

針對(duì)以上問題，筆者提出一種基于因子分析改進(jìn)的MBKPCA方法，可實(shí)現(xiàn)風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)與診斷。采用對(duì)應(yīng)分析方法對(duì)風(fēng)電機(jī)組的樣本數(shù)據(jù)與變量進(jìn)行關(guān)聯(lián)性分析，確定機(jī)組在正常狀態(tài)下各運(yùn)行過程對(duì)變量的影響程度，明確數(shù)據(jù)分塊份數(shù)及每個(gè)子塊的實(shí)際意義，可提高各子塊分析結(jié)果的解釋能力；采用因子分析方法，通過對(duì)機(jī)組各運(yùn)行狀態(tài)下數(shù)據(jù)特征貢獻(xiàn)率的計(jì)算，確定正常情況下的典型數(shù)據(jù)并作為最終診斷模型的樣本，提高M(jìn)BKPCA方法的準(zhǔn)確性。

1 MBKPCA方法及改進(jìn)

1.1 KPCA與MBKPCA方法

核主元分析法(KPCA)[11]是在傳統(tǒng)主元分析法(PCA)基礎(chǔ)上引入核函數(shù)概念的方法，通過非線性函數(shù)將輸入的低維數(shù)據(jù)映射到高維空間中進(jìn)行處理，用核函數(shù)運(yùn)算代替非線性變換后進(jìn)行特征空間內(nèi)積運(yùn)算，可減少計(jì)算量。假設(shè)X={X1,X2,…,Xn}作為KPCA的變量輸入序列，其中每個(gè)變量有m個(gè)樣本?？紤]到機(jī)組運(yùn)行數(shù)據(jù)的非線性特點(diǎn)，采用非線性映射Φ:RM→F，將原始輸入數(shù)據(jù)在高維特征空間中展開。其中，特征空間F的協(xié)方差矩陣為：

(1)

式中：n為參與分析的變量序列長(zhǎng)度。

(2)

式中：αi為核矩陣K的特征向量中第i個(gè)值。

引入核函數(shù)Kjk=K(Xj,Xk)=Φ(Xj)Φ(Xk)，表示核矩陣K中第j行、第k列的值，K的特征值可表示為：

λα=(1/n)Kα

(3)

(4)

式中：E為單位矩陣。

通過主元分析中的累計(jì)方差貢獻(xiàn)率 (取80%)，確定主元個(gè)數(shù)p，即原始樣本的最終特征表示為1個(gè)p維向量：

(5)

新觀測(cè)樣本XT的得分向量為：

se=[se1,se2,…,sep]

(6)

(7)

對(duì)于新的觀測(cè)數(shù)據(jù)，可通過監(jiān)控統(tǒng)計(jì)量T2和SPE進(jìn)行監(jiān)測(cè)，其表達(dá)式如下：

(8)

(9)

式中：T2為觀測(cè)數(shù)據(jù)特征與樣本數(shù)據(jù)特征的重合程度；SPE為觀測(cè)數(shù)據(jù)與樣本數(shù)據(jù)的偏差程度；Λ為每個(gè)主元特征值形成的對(duì)角矩陣。

(10)

1.2 MBKPCA方法的改進(jìn)

MBKPCA通過對(duì)輸入數(shù)據(jù)進(jìn)行分塊的方式來解釋設(shè)備各組成之間存在的固有聯(lián)系，在一定程度上提高了最終分析結(jié)果的精度，但是在整個(gè)分塊過程中存在以下問題：

(1) 通常直接指定或依據(jù)變量采集位置與設(shè)備結(jié)構(gòu)之間的關(guān)系給出數(shù)據(jù)分塊份數(shù)。分塊劃分過程缺乏依據(jù)，各子塊表示的實(shí)際含義不明確，主觀性較強(qiáng)。

(2) 傳統(tǒng)的MBKPCA方法缺乏對(duì)典型樣本選取的過程。因?yàn)闃颖緮?shù)據(jù)的特征過于分散會(huì)影響子塊數(shù)據(jù)的特性，弱化各子塊數(shù)據(jù)特征的差異性。分塊策略雖然削減了原始變量核矩陣的尺寸，但對(duì)每個(gè)子塊核矩陣的分析仍屬于高維空間運(yùn)算。原始數(shù)據(jù)量較大時(shí)，MBKPCA運(yùn)算效率也會(huì)受到影響。

針對(duì)以上問題，筆者采用對(duì)應(yīng)分析方法建立各變量與設(shè)備運(yùn)行工況之間的關(guān)聯(lián)機(jī)制，通過樣本數(shù)據(jù)與各個(gè)變量的對(duì)應(yīng)分布明確分塊份數(shù)，提高各個(gè)子塊中數(shù)據(jù)的解釋能力；應(yīng)用因子分析方法，合理提取各子塊中具有典型特征的數(shù)據(jù)，提升子塊間的特征差異，減少樣本總數(shù)，提高運(yùn)算效率。

1.2.1 基于對(duì)應(yīng)分析的分塊原則

對(duì)應(yīng)分析方法[13]主要通過對(duì)定性變量列聯(lián)表解析，揭示變量之間、變量和樣品(指工況)之間的關(guān)系。此方法適用于數(shù)量型變量和品質(zhì)型變量，并且可通過圖形直觀反映變量與樣品之間的關(guān)系，便于后續(xù)分析結(jié)果的揭示與推理。結(jié)合MBKPCA方法，可觀察變量與設(shè)備運(yùn)行過程的分布情況，以確定分塊份數(shù)，并根據(jù)子塊中變量的內(nèi)容賦予子塊一定的含義，具體過程如下：

(1) 根據(jù)輸入變量結(jié)構(gòu)，構(gòu)建輸入變量矩陣X=(xij)n×m，計(jì)算規(guī)格化概率矩陣P=(pij)n×m。

(11)

(2) 計(jì)算過渡矩陣Z=(zij)n×m，zij可表示為：

(12)

(13)

(14)

(4) 繪制變量點(diǎn)與樣本點(diǎn)分布圖。載荷矩陣U和V中各元素取值范圍相同，元素含義相近，可將載荷矩陣中的數(shù)據(jù)看成二維點(diǎn)繪制在同一坐標(biāo)平面，以各點(diǎn)對(duì)應(yīng)的因子載荷值作為坐標(biāo)值，形成對(duì)應(yīng)分布圖。

(5) 在分布圖中，載荷矩陣U的點(diǎn)表示變量的分布，V中的點(diǎn)表示樣本的分布，即點(diǎn)分布表示變量與樣本之間的對(duì)應(yīng)關(guān)系。通過對(duì)橫縱坐標(biāo)區(qū)間的選取，可提取變量與樣本集中的點(diǎn)集。其中，點(diǎn)集表示被測(cè)對(duì)象當(dāng)前狀態(tài)下的某一種子狀態(tài)，點(diǎn)集中樣本表示此子狀態(tài)的表征數(shù)據(jù)，變量表示影響這一子狀態(tài)樣本數(shù)據(jù)的主要因素。例如，輸入風(fēng)電機(jī)組正常數(shù)據(jù)，則點(diǎn)集表示設(shè)備在機(jī)組正常情況下的運(yùn)行過程。其中，點(diǎn)集中樣本數(shù)據(jù)對(duì)應(yīng)的是MBKPCA中子塊的輸入數(shù)據(jù)，區(qū)域中變量數(shù)據(jù)表示的是該子塊對(duì)應(yīng)運(yùn)行過程中的主導(dǎo)變量，點(diǎn)集個(gè)數(shù)即為分塊份數(shù)?？蛇M(jìn)一步綜合各子集中變量的物理意義，明確各子集的含義，即子塊的物理意義。

1.2.2 基于因子分析的典型樣本提取

通過對(duì)原始數(shù)據(jù)的對(duì)應(yīng)分析，確定了MBKPCA分塊份數(shù)和各運(yùn)行過程的主導(dǎo)變量。但只說明輸入樣本數(shù)據(jù)與各運(yùn)行過程的分布特性，對(duì)數(shù)據(jù)特征與運(yùn)行過程特性之間的關(guān)系沒有做出明確解釋。如上所述，在已確定的子塊中過于分散的數(shù)據(jù)特征分布會(huì)削弱子塊對(duì)新數(shù)據(jù)的分析能力。在高維空間中對(duì)過多的數(shù)據(jù)進(jìn)行分析，會(huì)增加整個(gè)算法的運(yùn)算負(fù)擔(dān)。因此，筆者運(yùn)用因子分析[14]方法，提取每個(gè)子塊中的典型數(shù)據(jù)作為最終樣本，以提高子塊的解釋能力與運(yùn)算效率。具體過程如下：

(1) 對(duì)子塊中的數(shù)據(jù)變量進(jìn)行標(biāo)準(zhǔn)化處理。

(2) 建立變量間相關(guān)系數(shù)矩陣，對(duì)其進(jìn)行取樣適切性量數(shù)(KMO)和巴特利特球度檢驗(yàn)，驗(yàn)證所選數(shù)據(jù)進(jìn)行因子分析的可行性。

(3) 采用主元分析法計(jì)算相關(guān)矩陣的特征值和特征向量，通過參數(shù)累計(jì)方差貢獻(xiàn)率確定相關(guān)矩陣的主要成分，并對(duì)主要成分進(jìn)行因子旋轉(zhuǎn)，提高主要成分間的差異性。

(4) 利用回歸方法計(jì)算子塊中數(shù)據(jù)在各主要成分下的得分，提取主要成分得分較高的數(shù)據(jù)作為樣本數(shù)據(jù)。

重復(fù)以上步驟，完成所有子塊數(shù)據(jù)的選取，形成最終的MBKPCA輸入樣本數(shù)據(jù)。

2 風(fēng)電機(jī)組故障診斷模型建立

以1.5 MW雙饋風(fēng)電機(jī)組為研究對(duì)象建立故障診斷模型。根據(jù)風(fēng)電機(jī)組結(jié)構(gòu)及運(yùn)行特點(diǎn)，確定機(jī)組正常情況下的模型輸入變量；通過對(duì)應(yīng)分析確定MBKPCA分塊份數(shù)；通過因子分析方法確定樣本集；確定機(jī)組正常情況下監(jiān)測(cè)統(tǒng)計(jì)量的控制上限，作為衡量機(jī)組運(yùn)行是否正常的標(biāo)準(zhǔn)。

2.1 輸入變量的確定

按照風(fēng)電機(jī)組結(jié)構(gòu)和功能進(jìn)行系統(tǒng)邊界劃分，可分為變槳系統(tǒng)、偏航系統(tǒng)、傳動(dòng)系統(tǒng)和發(fā)電機(jī)系統(tǒng)。目前絕大部分機(jī)組配備數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(SCADA)，對(duì)機(jī)組運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。篩選機(jī)組SCADA主要運(yùn)行參數(shù)，選擇以下參數(shù)作為診斷模型的輸入：變槳系統(tǒng)主要通過調(diào)節(jié)槳葉實(shí)現(xiàn)機(jī)組最大風(fēng)能跟蹤和防止機(jī)組過載等功能，主要運(yùn)行參數(shù)包括槳葉角度和風(fēng)速；偏航系統(tǒng)主要根據(jù)實(shí)時(shí)風(fēng)向改變機(jī)艙位置，保證機(jī)艙對(duì)風(fēng)準(zhǔn)確，主要運(yùn)行參數(shù)為機(jī)艙位置和風(fēng)向角度；傳動(dòng)系統(tǒng)主要完成轉(zhuǎn)軸升速和傳遞轉(zhuǎn)矩的任務(wù)，運(yùn)行參數(shù)以油溫?cái)?shù)據(jù)為主；發(fā)電機(jī)系統(tǒng)將旋轉(zhuǎn)機(jī)械能轉(zhuǎn)化為電能，主要參數(shù)為有功功率。

通過現(xiàn)場(chǎng)調(diào)研，發(fā)現(xiàn)SCADA系統(tǒng)中機(jī)組傳動(dòng)鏈測(cè)點(diǎn)較少。為滿足風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)與診斷的要求，在機(jī)組傳動(dòng)鏈特定位置增加振動(dòng)測(cè)點(diǎn)，具體測(cè)點(diǎn)位置及描述如表1所示。

表1 測(cè)點(diǎn)位置及描述Tab.1 Arrangement and description of measuring points

對(duì)傳動(dòng)鏈主要組成部件進(jìn)行結(jié)構(gòu)及運(yùn)行特點(diǎn)分析，進(jìn)一步提取振動(dòng)數(shù)據(jù)中的有效信息并作為模型輸入變量。

齒輪箱結(jié)構(gòu)緊湊，各測(cè)點(diǎn)間信號(hào)耦合性較強(qiáng)，特征數(shù)據(jù)易受其他信號(hào)干擾，選擇無量綱因子[15]范疇中的波形裕度和偏態(tài)因子，其變量數(shù)值只與設(shè)備結(jié)構(gòu)本身有關(guān)，與運(yùn)行工況無關(guān)?；趫D形學(xué)的計(jì)算方法可有效避免其他信號(hào)干擾對(duì)結(jié)果帶來的影響。

發(fā)電機(jī)前、后軸承發(fā)生故障時(shí)，信號(hào)特征十分微弱，不易觀察，選擇J散度和KL散度[16]作為軸承部件的輸入變量。

為使模型輸入變量能全面反映機(jī)組的運(yùn)行情況，從機(jī)組能效角度將各系統(tǒng)效率指標(biāo)也作為模型的輸入變量，主要包括風(fēng)輪損失、齒輪箱損失和發(fā)電機(jī)損失[17]。各損失均與主軸轉(zhuǎn)速或主軸轉(zhuǎn)速的倍數(shù)有關(guān)，所以在最終的變量信息統(tǒng)計(jì)中，未獨(dú)立給出主軸轉(zhuǎn)速。模型輸入變量如表2所示。

表2 模型輸入變量Tab.2 Input variables of model

基于數(shù)據(jù)本身特性和數(shù)據(jù)來源的差異，信號(hào)采樣頻率以所有變量中采樣頻率最低的數(shù)據(jù)為準(zhǔn)。其中，由SCADA系統(tǒng)獲得的機(jī)組各類運(yùn)行數(shù)據(jù)均為該數(shù)據(jù)10 min的平均值，其采樣頻率最低。對(duì)于振動(dòng)參數(shù)，為保證數(shù)據(jù)分析的同步性，計(jì)算振動(dòng)每個(gè)采樣時(shí)刻數(shù)據(jù)的無量綱因子和散度指標(biāo)，并取其10 min的平均值作為模型輸入數(shù)據(jù)。

2.2 分塊份數(shù)的確定

采集風(fēng)速為11～12 m/s時(shí)機(jī)組的700組正常數(shù)據(jù)作為輸入變量，表3給出了協(xié)方差矩陣R的前4個(gè)特征值、方差貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率。

表3 協(xié)方差矩陣數(shù)據(jù)統(tǒng)計(jì)Tab.3 Covariance matrix data statistics

由表3可知，輸入變量前2個(gè)特征值的累計(jì)方差貢獻(xiàn)率已達(dá)到81.1%，說明這2個(gè)特征值已經(jīng)能夠表述所有變量的絕大部分信息，故提取前2個(gè)特征值，即確定公共因子個(gè)數(shù)為2。構(gòu)建R型載荷矩陣U和Q型載荷矩陣V，并根據(jù)載荷矩陣中的數(shù)據(jù)繪制輸入樣本與變量的對(duì)應(yīng)分布，如圖1所示。

圖1 輸入樣本與變量的對(duì)應(yīng)分布Fig.1 Corresponding distribution of input samples and variables

由于第1個(gè)公共因子的方差貢獻(xiàn)率達(dá)62.2%，遠(yuǎn)高于第2個(gè)公共因子，因此圖1中以橫坐標(biāo)為分類標(biāo)準(zhǔn)。變量與樣本大致可劃分為3個(gè)點(diǎn)集，即將原始數(shù)據(jù)劃分為3個(gè)子塊。每個(gè)子塊中主導(dǎo)變量分別為：子塊1變量，包括槳葉角、機(jī)艙位置、風(fēng)向角度、風(fēng)速和風(fēng)輪損失；子塊2變量，包括波形裕度、油溫、偏態(tài)因子和齒輪箱損失；子塊3變量，包括J散度、KL散度、有功功率和發(fā)電機(jī)損失。

子塊1中的變量主要涉及風(fēng)電機(jī)組能量來源和風(fēng)能捕獲環(huán)節(jié)，將此子塊命名為“能量子塊”；子塊2中的變量主要與機(jī)械能傳遞環(huán)節(jié)相關(guān)，將此子塊命名為“傳動(dòng)子塊”；子塊3中的變量主要與機(jī)組發(fā)電環(huán)節(jié)有關(guān)，將此子塊命名為“發(fā)電子塊”。通過機(jī)組正常工況下數(shù)據(jù)點(diǎn)集分布，發(fā)現(xiàn)機(jī)組整個(gè)正常運(yùn)行狀態(tài)由多個(gè)運(yùn)行過程(子塊)組成，且不同運(yùn)行過程對(duì)變量類型的影響也存在差異。因此，數(shù)據(jù)的對(duì)應(yīng)分析不僅對(duì)每個(gè)子塊的物理意義作出解釋，同時(shí)說明其運(yùn)行狀態(tài)特性，使后續(xù)分析結(jié)果的意義更為明確。

2.3 典型樣本提取

為提高各子塊對(duì)機(jī)組運(yùn)行過程的解釋能力，并改善模型的運(yùn)算效率，對(duì)每個(gè)子塊中的數(shù)據(jù)進(jìn)行因子分析，尋找具有機(jī)組運(yùn)行過程典型特征的數(shù)據(jù)作為最終樣本。建立每個(gè)子塊中各變量間的相關(guān)系數(shù)矩陣，并進(jìn)行相關(guān)性分析，結(jié)果如表4所示。

表4 KMO和巴特利特球度檢驗(yàn)Tab.4 KMO and bartlett's test

各子塊的KMO值均大于0.7，說明各變量之間關(guān)聯(lián)性較強(qiáng)。各子塊的巴特利特球狀檢驗(yàn)概率均為0.00，小于顯著性水平0.05，說明樣本充足，可進(jìn)行因子分析。以傳動(dòng)子塊為例，計(jì)算該子塊相關(guān)系數(shù)矩陣的特征值、方差貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率，結(jié)果如表5所示。

表5 各成分原有指標(biāo)總方差情況Tab.5 Original indicator and total variance of various components

表5中前2個(gè)成分的累計(jì)方差貢獻(xiàn)率達(dá)89.00%，由累計(jì)方差貢獻(xiàn)率要求(大于80%)可知，這2個(gè)成分可表示矩陣中數(shù)據(jù)的大部分信息，故確定主要成分個(gè)數(shù)為2。計(jì)算主要成分載荷矩陣，并對(duì)其進(jìn)行旋轉(zhuǎn)計(jì)算。筆者采用Kaiser方差最大旋轉(zhuǎn)方法計(jì)算主要成分與變量間的載荷值，結(jié)果如表6所示。

表6 主要成分載荷值Tab.6 Load value of main components

變量間的載荷越高，其在對(duì)應(yīng)成分中包含的信息就越多。成分1中的主要參數(shù)與齒輪箱振動(dòng)相關(guān)，此成分稱為“振動(dòng)成分”。成分2中的主要參數(shù)與齒輪箱油溫和損失有關(guān)，該成分稱為“溫度成分”。采用回歸方法計(jì)算各成分在樣本數(shù)據(jù)中的得分，結(jié)果如表7所示。

表7 各成分得分Tab.7 Component score

樣本得分越高，其在對(duì)應(yīng)成分中的解釋能力越強(qiáng)，樣本的數(shù)據(jù)特征越具有代表性。因此，按照一定比例提取所有主要成分中的高分樣本數(shù)據(jù)，形成傳動(dòng)子塊的典型樣本。

同理，對(duì)其他2個(gè)子塊中的數(shù)據(jù)做相同分析，得出各子塊的典型樣本，形成最終參與MBKPCA分析的輸入樣本。樣本比例可依照子塊中各主要成分方差貢獻(xiàn)率進(jìn)行選取。經(jīng)因子分析提取出的風(fēng)電機(jī)組樣本與變量的對(duì)應(yīng)分布如圖2所示。

圖2 因子分析樣本與變量的對(duì)應(yīng)分布Fig.2 Distribution of samples and variables by factor analysis

2.4 機(jī)組故障判定

3 實(shí)例分析

為驗(yàn)證風(fēng)電機(jī)組故障診斷模型的有效性，以國(guó)內(nèi)某1.5 MW雙饋風(fēng)電機(jī)組齒輪箱磨損故障為例進(jìn)行分析。該機(jī)組在2013年2月3日出現(xiàn)解列停機(jī)情況，通過查找文件傳輸協(xié)議(FTP)服務(wù)器記錄，

圖3 故障診斷流程圖

Fig.3 Flow chart of fault diagnosis

風(fēng)電機(jī)組齒輪箱油溫過高故障，經(jīng)現(xiàn)場(chǎng)勘查，發(fā)現(xiàn)齒輪箱一級(jí)太陽(yáng)輪磨損嚴(yán)重。提取停機(jī)前7天的歷史數(shù)據(jù)，利用所提出的方法對(duì)3個(gè)子塊單元進(jìn)行監(jiān)測(cè)統(tǒng)計(jì)量T2和SPE分析，結(jié)果如圖4所示。

(a) 能量子塊統(tǒng)計(jì)量結(jié)果

(b) 傳動(dòng)子塊統(tǒng)計(jì)量結(jié)果

(c) 發(fā)電子塊統(tǒng)計(jì)量結(jié)果圖4 改進(jìn)的MBKPCA方法的故障檢測(cè)圖Fig.4 Fault detection plot by improved MBKPCA method

由圖4(b)可知，從第600點(diǎn)開始傳動(dòng)子塊的2個(gè)統(tǒng)計(jì)量顯著上升，超過此子塊的控制上限，并且數(shù)據(jù)具有較好的識(shí)別持續(xù)性。由圖5可知，傳動(dòng)子塊的統(tǒng)計(jì)值明顯高于其他子塊，且超出閾值，說明機(jī)組的傳動(dòng)部分異常。傳動(dòng)子塊主要變量為齒輪箱數(shù)據(jù)，因此診斷為風(fēng)電機(jī)組齒輪箱出現(xiàn)了故障。由圖4(a)可知，從600點(diǎn)開始能量子塊也出現(xiàn)了統(tǒng)計(jì)量數(shù)據(jù)上升的現(xiàn)象，這是因?yàn)橹鬏S與風(fēng)輪依靠法蘭盤連接，屬于剛性連接，為齒輪箱振動(dòng)能量的傳遞提供了路徑。當(dāng)齒輪箱振動(dòng)較大時(shí)，振動(dòng)能量可通過主軸傳遞到風(fēng)輪，造成風(fēng)輪數(shù)據(jù)特征偏離正常運(yùn)行狀態(tài)。但風(fēng)輪不是故障源頭，所以偏離程度較小，如圖5所示。齒輪箱輸出軸與發(fā)電機(jī)軸之間靠柔性聯(lián)軸器連接，柔性聯(lián)軸器不僅補(bǔ)償了兩軸平衡性偏差和角度誤差，較強(qiáng)的阻尼性可有效減弱由齒輪箱傳遞的振動(dòng)能量，因此齒輪箱故障引起的振動(dòng)對(duì)發(fā)電機(jī)運(yùn)行無太大影響，發(fā)電子塊的統(tǒng)計(jì)值最低。綜上說明所提出的方法能夠有效診斷機(jī)組故障，并明確故障發(fā)生的具體位置。

(a) 各子塊SPE的統(tǒng)計(jì)量

(b) 各子塊T2的統(tǒng)計(jì)量圖5 改進(jìn)的MBKPCA方法的監(jiān)測(cè)統(tǒng)計(jì)量Fig.5 Monitoring statistics by improved MBKPCA method

應(yīng)用傳統(tǒng)MBKPCA方法，樣本數(shù)據(jù)分塊按照機(jī)組組成結(jié)構(gòu)進(jìn)行劃分，分別為偏航子塊、變槳子塊、傳動(dòng)子塊和發(fā)電子塊4部分。對(duì)同一組故障數(shù)據(jù)進(jìn)行分析，結(jié)果如圖6所示。

(a) 偏航子塊統(tǒng)計(jì)量結(jié)果

(b) 變槳子塊統(tǒng)計(jì)量結(jié)果

(c) 傳動(dòng)子塊統(tǒng)計(jì)量結(jié)果

(d) 發(fā)電子塊統(tǒng)計(jì)量結(jié)果圖6 傳統(tǒng)MBKPCA方法的故障監(jiān)測(cè)圖Fig.6 Fault detection plot by original MBKPCA method

由圖6可知，在650點(diǎn)處傳動(dòng)子塊統(tǒng)計(jì)值超過控制上限，在時(shí)間上明顯滯后于改進(jìn)的MBKPCA方法，且數(shù)據(jù)波動(dòng)較大。由于傳統(tǒng)MBKPCA方法缺少對(duì)數(shù)據(jù)之間關(guān)聯(lián)性的分析，將能量子塊拆分為變槳子塊和偏航子塊，使統(tǒng)計(jì)量的趨勢(shì)變化相比改進(jìn)的MBKPCA方法不明顯，2子塊的統(tǒng)計(jì)量變化與傳動(dòng)子塊未形成對(duì)應(yīng)關(guān)系。由圖7可知，相比改進(jìn)的MBKPCA方法，傳統(tǒng)MBKPCA方法各子塊的統(tǒng)計(jì)量差異性較小，偏航子塊、變槳子塊和傳動(dòng)子塊的監(jiān)測(cè)統(tǒng)計(jì)量相近，且均接近控制上限，無法明確機(jī)組故障發(fā)生的確切部位。這說明改進(jìn)的MBKPCA方法能更及時(shí)準(zhǔn)確地對(duì)風(fēng)電機(jī)組故障作出診斷。

(a) 各子塊SPE的統(tǒng)計(jì)量

(b) 各子塊T2的統(tǒng)計(jì)量圖7 傳統(tǒng)MBKPCA方法的監(jiān)測(cè)統(tǒng)計(jì)量Fig.7 Monitoring statistics by original MBKPCA method

4 結(jié) 論

(1) 深度挖掘SCADA數(shù)據(jù)與振動(dòng)數(shù)據(jù)信息，引入機(jī)組效率、無量綱因子變量和散度指標(biāo)，提高了數(shù)據(jù)特征對(duì)機(jī)組故障的識(shí)別能力。

(2) 通過對(duì)應(yīng)分析對(duì)傳統(tǒng)MBKPCA方法進(jìn)行改進(jìn)，明確了機(jī)組正常工況下各運(yùn)行過程的特征，賦予了各子塊實(shí)際的物理意義，建立了數(shù)據(jù)與變量之間的關(guān)聯(lián)體系，增強(qiáng)了分塊劃分的客觀性。

(3) 采用因子分析方法分析數(shù)據(jù)與各運(yùn)行過程之間的影響程度，提取對(duì)每個(gè)子塊影響程度較大的數(shù)據(jù)作為改進(jìn)MBKPCA方法的輸入樣本，提高了診斷模型的精度與解釋能力。