（成都阜特科技股份有限公司，成都 611731）

摘要：健康狀態(tài)分析作為一種新的分析方法，是檢測性能退化程度的重要手段，也為高可靠性產(chǎn)品的壽命預測提供了新的途徑。然而，使用傳統(tǒng)的健康狀態(tài)分析方法對風機進行性能退化分析，會面臨試驗難度大、成本高等問題。風機在線監(jiān)測中產(chǎn)生了大量的振動數(shù)據(jù)，激增的數(shù)據(jù)中蘊含著重要的風機性能退化信息和知識，亟需進一步挖掘和分析。本文以風機大數(shù)據(jù)為對象，綜合統(tǒng)計學習及數(shù)據(jù)挖掘相關理論和技術，提出了基于支持向量數(shù)據(jù)描述的健康狀態(tài)分析方法，通過對監(jiān)測數(shù)據(jù)的有效預處理，狀態(tài)特征提取和健康狀態(tài)模型訓練等步驟后，對風機性能進行退化分析和趨勢預測分析。最后以山東某風電場的風機進行健康狀態(tài)分析實例，分析結果與現(xiàn)場檢測一致。

關鍵詞：風機；大數(shù)據(jù)；健康狀態(tài)；數(shù)據(jù)挖掘；時間序列；預測

Research on health status analysis and prediction of wind turbine based on support vector

YANG Bin-yuan

(Chengdu Forward Technology Co., Ltd. Chengdu 611731, China)

Abstract: As a new analysis method, health status analysis is an important means of detecting the degree of degradation of performance, and also provides a new way for life prediction of high reliability products. However, using the traditional health analysis method to analyze the performance degradation of the wind turbine will be difficult and costly. A large amount of vibration data is generated in the on-line monitoring of wind turbine, and the significant performance degradation information and knowledge of wind turbine are urgently needed to be further excavated and analyzed. based on wind turbine data and the related theories and techniques of statistical learning and data mining, a health analysis method based on support vector data description is proposed, after through the effective pretreatment of the monitoring data, the extraction of the state features and the training of the health state model, carring out wind turbine performance degradation analysis and trend prediction analysis. Finally, a case study of health analysis of a wind turbine in a wind farm in Shandong is given, and the results are in good agreement with field tests.

Key words: Wind turbine; Big data; Health status; Data mining; Time series; Prediction

0、引言

當前風能作為清潔能源在改善中國能源結構方面發(fā)揮著越來越重要的作用，但隨之而來的風電場安全性和經(jīng)濟效益問題也逐漸引起關注。因此，對風機進行健康狀態(tài)監(jiān)測和性能退化分析就顯得尤為重要^[1]。目前，國內外不少學者對風機的故障診斷開展了許多研究。文獻[2]采用K鄰近度異常檢測技術，將非平穩(wěn)的時域信號轉化為平穩(wěn)或準平穩(wěn)的頻域信號，提取故障特征、挖掘故障信息、實現(xiàn)故障預警。文獻[3]提出一種基于支持向量機，融合了風速、發(fā)電機轉速以及相關振動的時頻參數(shù)等多源信息的直驅風電機組故障診斷方法。文獻[4]基于LabVIEW開發(fā)環(huán)境和NI CompactDAQ平臺開發(fā)的風機齒輪箱健康狀態(tài)監(jiān)測系統(tǒng)，通過采取多種時頻域方法對振動信號進行對比分析，可以快速、準確地確定故障的類型。文獻[5]討論了一種風電SCADA數(shù)據(jù)的預處理方法，提出了一種基于最小二乘法的風機健康系數(shù)計算方法，討論了相應設備的健康狀態(tài)監(jiān)測標準。綜上所述，利用風機監(jiān)測大數(shù)據(jù)進行風機健康狀態(tài)及性能退化分析和預測的研究工作還比較少，也不是很成熟。

目前風電監(jiān)測的振動數(shù)據(jù)動輒十余處, 而且每處的振動信號又可以進行各種時域、頻域分析，運行工況又復雜多變，造成故障決策過程頭緒繁多，很難對風機健康狀態(tài)進行有效的分析以及給出明確的結論^[6]。為了解決這個問題，并考慮風機監(jiān)測數(shù)據(jù)總量大，數(shù)據(jù)復雜程度高，本文提出基于支持向量數(shù)據(jù)描述的風機健康狀態(tài)分析方法，該方法建立高級分析模型，能夠高效地從風機監(jiān)測大數(shù)據(jù)去粗取精，運用領域知識，精確地分析這些核心數(shù)據(jù)，發(fā)現(xiàn)隱藏的性能退化信息。

3、結束語

針對風機監(jiān)測數(shù)據(jù)量大、數(shù)據(jù)密集和數(shù)據(jù)波動性強等特點，提出基于支持向量數(shù)據(jù)描述健康狀態(tài)分析方法。方案給出了狀態(tài)特征、健康狀態(tài)模型及退化度的定義，并給出了相應的具體處理策略，能夠對監(jiān)測通道狀態(tài)對應退化過程進行定量分析。同時，針對風機監(jiān)測數(shù)據(jù)狀態(tài)特征序列，采用非等間隔灰色預測法對各通道監(jiān)測數(shù)據(jù)的狀態(tài)特征進行有效預測，進一步地預測分析相應風機部件性能退化趨勢情況。健康狀態(tài)分析作為新的研究方向，本文為高可靠、長壽命風機的可靠性研究提供了新的思路和方法，具有重要的研究意義。

作者簡介: 楊濱源(1990-),男,工程師，主要從事風電機組狀態(tài)監(jiān)測與故障診斷研究，E-mail: orient@sc-forward.com

參考文獻：

[1] 汪光陽，周義蓮. 風機振動故障診斷綜述[J]，安徽工業(yè)大學學報，2006,23(1).

[2] 顧煜炯，宋磊，徐天金等. 變工況條件下的風電機組齒輪箱故障預警方法[J].中國機械工程，2014(10) :1346-1351．

[3] 安學利，趙明浩，蔣東翔等. 基于支持向量機和多源信息的直驅風力發(fā)電機組故障診斷[J]. 電網(wǎng)技術，2011,35(4) :117-122．

[4] 王建國，孫小明，王少鋒等. 基于LabVIEW的風電機組齒輪箱健康狀態(tài)監(jiān)測系統(tǒng)設計[J]，測控技術，2017, 36(3).

[5] 呂躍剛，吳子晗，陳敏娜. 基于風機健康系數(shù)的風電設備狀態(tài)監(jiān)測方法[J]，可再生能源，2015, 33(7).

[6] 劉文藝. 風電機組振動監(jiān)測與故障診斷研究[D]，重慶大學，2010.

[7] Richman J S, Moorman J R. Physiological time-series analysis using approximate entropy and sample entropy[J]. American Journal of Physiology-Heart and Circulatory Physiology, 2000, 278(6) : H2039-H2049.

[8] 董海鷹，李曉楠，姚軍. 基于粗糙集和灰關聯(lián)分析的750 kV變電站故障診斷[J]，高電壓技術，2015, 41(10).

[9] Bekenstein J D. Black holes and entropy[J]. Physical Review D, 1973, 7(8): 2333-2346.

[10] Tax D M J, Duin R P W. Outliers and data descriptions[C]//Proceedings of the 7th Annual Conference of the Advanced School for Computing and Imaging. 2001: 234-241.

[11] Vapnik V. The nature of statistical learning theory[M].  springer, 2000. 

[12] USIAK A，LI Wenyan．Virtual models for prediction of wind turbine parameters[J]．IEEE Trans on Energy Conversion，2010，25(1): 245-252.