CN109681391B - 一种叶根螺栓断裂故障检测方法及介质 - Google Patents

Abstract

本发明公开了一种叶根螺栓断裂故障检测方法，包括：S01、选择多个特征进行预处理，将描述叶片运行状态的三个变量采用均值‑方差标准化后求和作为输出；S02、使用未发生过螺栓断裂故障的数据训练LSTM正常模型；使用螺栓发生断裂故障发生前的数据训练LSTM故障模型；将S01的数据投入至LSTM正常和故障模型，提取误差向量特征；S03、将误差向量特征代入至随机森林算法训练随机森林模型；再将风机运行数据代入至随机森林模型进行故障诊断。本发明还公开了一种计算机可读存储介质，其上储存有计算机程序，该程序被处理器执行时实现如上所述的方法。本发明的检测方法及介质具有自动化程度高、检测准确率高以及降低成本等优点。

Description

一种叶根螺栓断裂故障检测方法及介质

技术领域

本发明主要涉及风电技术领域，特指一种叶根螺栓断裂故障检测方法及介质。

背景技术

风电对于缓解能源供应、改善能源结结构、保护环境等方面意义重大。这些年，风电机组在我国得到了广泛的安装使用。由于风力发电机组通常处于野外，环境条件恶劣，容易出现故障，维修起来耗费大量人力物力，对风机的可靠性要求越来越高。因此对风力发电机组常见故障机理进行分析研究，对保证风力发电机组安全运行，预防故障发生，减少故障发生率，提高风力发电机组运行的可靠性有重大的实际意义。

螺栓连接是风力发电机组装配中的重要装配方式，几乎涉及到风力发电机组的所有部件。因此，螺栓的选用和强度校核是风力发电机组可靠性的重要保证。目前人们主要通过利用有限元软件分析和科学计算两种途径来对螺栓的可靠性进行设计和校核。

风力发电机中的高强度螺栓主要起到连接、紧固及提供抵抗外载的预紧力的作用，叶片螺栓作为连接风机叶片和轮毂两大关键部件，一般都采用10.9级的高强度螺栓，其重要程度不言而喻。如果不能有限保证每个环节的质量，则有可能造成严重的事故。引起螺栓失效的原因主要有以下几个方面：一、螺栓本身质量不合格，不能满足标准或技术规范要求；二、使用不当，主要包括过载、安装不合格等；三、元件老化等。

由于叶根螺栓位置并未安装传感器，一旦发生断裂，系统无法对该故障进行实时的警报。只有当叶根螺栓断裂后触发其他警报风场的业务人员才能够得到故障信息。因此，对叶根螺栓断裂故障的检测能够满足风场业务人员设备健康监控需求，提前获知故障状态，及时检修，避免因延误修理而造成重大事故。

目前对叶根螺栓故障的提前检测尚无较好的方法，一般是通过人工定检，或发生断裂后，通过对断裂的螺栓进行外观检查，对断口进行宏观、微观分析，化学成分分析，金相组织检查，力学性能及硬度检测及疲劳试验等。在理化试验的基础上，运用微观断裂机理对螺栓的断裂原因进行分析，确定其断裂形式为疲劳断裂或其他异常。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种自动化程度以及准确率高的叶根螺栓断裂故障检测方法及介质。

为解决上述技术问题，本发明提出的技术方案为：

一种叶根螺栓断裂故障检测方法，包括以下步骤：

S01、选择风电机组多个特征作为输入进行预处理，将描述叶片运行状态的三个变量采用均值-方差标准化后求和作为输出，其中三个变量分别为叶片变桨角度、叶片变桨速度和叶片变桨电机电流值；

S02、使用未发生过叶根螺栓断裂故障的数据训练LSTM正常模型；使用叶根螺栓发生断裂故障的风电机组在故障发生前的数据训练LSTM故障模型；将步骤S01输出的数据投入至LSTM正常模型和LSTM故障模型，提取误差向量特征；

S03、将误差向量特征代入至随机森林算法，以是否为故障时间段的数据做标签，训练随机森林模型；再将风电组运行数据代入至随机森林模型进行故障诊断。

作为上述技术方案的进一步改进：

在步骤S02中，将步骤S01输出的数据进行特征工程处理，分别进入至LSTM正常模型和LSTM故障模型计算误差向量，再从两个误差向量中提取误差向量特征。

在步骤S03中，故障诊断包括由随机森林模型给出投票概率，将预定时间段内的投票概率输出，绘制运行图，挖掘故障模式。

还包括增量学习：一旦检测出故障并确定为故障的样本，对LSTM故障模型的参数进行更新以进行自我学习。

在步骤S01中，对风电机组输入的多个特征不进行去噪和标准化以保证数据的源信息。

在步骤S02中，LSTM正常模型和LSTM故障模型中的设计神经网络的结构包括层数、每层节点数、激活函数的选择和输出的定义。

在步骤S03中，随机森林模型设定为1001根树；样本设置为等权重；故障样本数和正常样本数的比例为1：3。

在所述LSTM正常模型和LSTM故障模型的LSTM结构中加入记录长期特征的变量。

所述LSTM正常模型和LSTM故障模型的输出层共有三个神经元，分别检测叶片变桨角度均值、叶片变桨速度均值和叶片变桨电机电流均值三个标签。

在步骤S02中，将步骤S01输出的数据按天进行切割后得到一天的误差向量。

本发明还公开了一种计算机可读存储介质，其上储存有计算机程序，该程序被处理器执行时实现如上所述的方法。

与现有技术相比，本发明的优点在于：

本发明的叶根螺栓断裂故障检测方法及介质，采用LSTM神经网络分类器进行螺栓故障机和正常机的模式分类，在原始数据无法发现明显的叶根螺栓断裂特征的情况下，建立机器学习分类模型，采用数据分析建模的方法对故障进行检测与识别，从而避免了人工去风机发电厂检测的较高费用，而只需要对风机数据建立模型，然后利用模型检测是否存在故障/断裂的螺栓；

本发明的叶根螺栓断裂故障检测方法及介质，提高了风机叶根螺栓故障的检测效率，传统的故障检测方法是直接通过人工定检，或发生断裂后实施一系列理化试验，评估手段复杂而费时；本发明则通过深度学习算法模型进行检测，省去了人工定检的环节，很大程度上提高了系统的自动化程度且节约了成本；

本发明的叶根螺栓断裂故障检测方法及介质，检测故障风机准确率较高：传统的检测风机螺栓故障需要检测螺栓表面有无肉眼可见的缺陷，如拉毛、变形、裂纹、松动等，可能需要采用放大镜、测量螺栓长度等技术配件；这些需要观察的指标可能受不同天气状况的影响得到不同的检测结果，检测准确率也会受到负面影响；而采用数据训练的深度学习模型，可以大大提升检测的准确率同时能够防止外界不可抗因素的干扰。

附图说明

图1为本发明的方法流程图。

图2为本发明的特征工程处理示意图。

图3为LSTM模型框架图。

图4为LSTM的Cell核心结构图。

图5为LSTM模型架构图。

图6为ROC阈值曲线图。

具体实施方式

以下结合说明书附图和具体实施例对本发明作进一步描述。

如图1至图6所示，本实施例的叶根螺栓断裂故障检测方法，包括以下步骤：

S01、选择风电机组多个特征作为输入进行预处理，将描述叶片运行状态的三个变量采用均值-方差标准化后求和作为输出，其中三个变量分别为叶片变桨角度、叶片变桨速度和叶片变桨电机电流值；

S02、使用未发生过叶根螺栓断裂故障的数据训练LSTM正常模型；使用叶根螺栓发生断裂故障的风电机组在故障发生前的数据训练LSTM故障模型；将步骤S01输出的数据投入至LSTM正常模型和LSTM故障模型，提取误差向量特征；

S03、将误差向量特征代入至随机森林算法，以是否为故障时间段的数据做标签，训练随机森林模型；再将风电组运行数据代入至随机森林模型进行故障诊断。

本发明的叶根螺栓断裂故障检测方法，采用LSTM神经网络分类器进行螺栓故障机和正常机的模式分类，在原始数据无法发现明显的叶根螺栓断裂特征的情况下，建立机器学习分类模型，采用数据分析建模的方法对故障进行检测与识别，从而避免了人工去风机发电厂检测的较高费用，而只需要对风机数据建立模型，然后利用模型检测是否存在故障/断裂的螺栓；

本发明的叶根螺栓断裂故障检测方法，提高了风机叶根螺栓故障的检测效率，传统的故障检测方法是直接通过人工定检，或发生断裂后实施一系列理化试验，评估手段复杂而费时；本发明则通过深度学习算法模型进行检测，省去了人工定检的环节，很大程度上提高了系统的自动化程度且节约了成本；

本发明的叶根螺栓断裂故障检测方法，检测故障风机准确率较高：传统的检测风机螺栓故障需要检测螺栓表面有无肉眼可见的缺陷，如拉毛、变形、裂纹、松动等，可能需要采用放大镜、测量螺栓长度等技术配件；这些需要观察的指标可能受不同天气状况的影响得到不同的检测结果，检测准确率也会受到负面影响；而采用数据训练的深度学习模型，可以大大提升检测的准确率同时能够防止外界不可抗因素的干扰。

本实施例中，在步骤S02中，将步骤S01输出的数据进行特征工程处理，分别进入至LSTM正常模型和LSTM故障模型计算误差向量，再从两个误差向量中提取误差向量特征。

本实施例中，在步骤S03中，故障诊断包括由随机森林模型给出投票概率，将预定时间段内的投票概率输出，绘制运行图，挖掘故障模式。

下面结合一具体实施例对本发明的检测方法做进一步说明：

首先，对风机运行日志数据进行预处理；其次，使用未发生过叶根螺栓断裂故障的数据训练一种非故障情况下的运行模式，对故障风机采用故障发现前5天的数据作为故障数据，训练一种叶根螺栓发生断裂后的运行模式；最后，通过训练随机森林模型分析新数据的表现给出判断。具体为：

一、数据预处理：

根据物理意义和实际运行机理选取14个特征作为输入(14个特征见下表1所示)，为了平滑输出，将描述叶片运行状态的三个变量——采用均值-方差标准化后的叶片变桨角度、叶片变桨速度、叶片变桨电机电流值之和作为输出(基于三个叶片参数无差异化的假设)。为了保证传感器数据的源信息，不对输入的特征进行去噪和标准化。具体的特征工程步骤如图2所示。

表1：

二、构建LSTM模型：

(1)LSTM结构设计

基本的LSTM结构如图3所示，其中关键的LSTM具有记忆该层输入及输出的作用，该结构称为Cell。传统的RNN网络结构通过记忆某层上一次的输出，记为h，与当期的输入拼接(Concat)之后进入网络训练，反向传播误差。该做法的最大的问题是只能记忆短期的特征，对长期特征具有明显的遗忘性。LSTM通过在Cell中加入记录长期特征的变量，解决了长期记忆问题。对于风力发电机而言，长期特征对风机运行的影响可能比短期特征更显著。LSTM的结构如图4所示。传统的RNN结构中，只有红色虚线范围内的结构，而LSTM通过3个门(Gate)控制了长短期的记忆，分别为遗忘门，选择遗忘多少上一期的输出；更新门，选择当期的输入和上一期的输出如何改变细胞的记忆状态(State)；输出门，当期状态改变后通过Tanh激活函数得到当期Cell的输出。通过这样的结构，神经网络可以记忆长期的特征，改善了RNN原有结构的欠缺。

(2)超参数设置

模型的超参数设置如下：LSTM层设置具有3层记忆细胞，其中有Dropout机制，会随机忘记前几层的Cell中神经元，该层设置共30个神经元作为LSTM的输出。DeepLearnning全连接层共设置3层，其中第一层有50个神经元，激活函数为ReLU；第二层有25个神经元，激活函数为ReLU；第三层有15个神经元，激活函数也为ReLU。最终隐层的输出进入输出层，输出层共有3个神经元，分别检测叶片变桨角度均值、叶片变桨速度均值、叶片变桨电机电流均值三个标签，激活函数为Linear线性激活函数，构造出基于LSTM神经网络结构的回归模型。模型结构如图5所示。

(3)训练说明

采取1000Batch Size大小的数据分批投入训练，即每批数据包含1000条特征数据，检测的序列为当时刻对应的输出，反映指令对之前运行状态的修正。选取数据方面，以太平里风场数据为例，由于故障样本数/正常样本数比例低于2％，随机选取部分时间的正常数据，使该比例提高到30％左右，避免正常模型的过拟合。

在训练中，考虑到主控状态在代码38以上的数字均处于停机状态，因此对于状态码大于38的Batch直接跳过，提高模型收敛的速度。之所以对风机主控状态不进行热编码处理的原因在于状态码具有一定的序列性，如从低到高分别对应低风速到高风速的状态。且热编码后特征过于稀疏，也不利于模型的训练。

使用故障数据训练故障风机的运行模式，使用正常数据训练正常风机的运行模式，得到两组参数，描述了处于不同运行状态风机的运行原理。得到的两组参数保存为Tensorflow的参数文件，便于下一阶段模型读取。

三、基于误差的随机森林算法

得到两个LSTM模型后，对训练数据重新进入LSTM模型分别计算两个模型中的误差。由于投入的数据是一段时间序列，将其按天进行切割后得到一天的误差向量。由于风场记录数据可能出现丢失、空值等情况，数据长度不一致会导致机器学习模型构建失败。需从两个误差向量中提取一些特征，得到对应每一天数据的13个特征。

经过特征处理后的数据，进入到随机森林算法，以是否为故障时间段的数据做标签，训练随机森林模型。随机森林模型设定为1001棵树(避免投票为1:1的情况)，避免模型的过拟合。样本设置为等权重。模型评估方面，故障样本数和正常样本数在比例上的差别使得随机森林无法在投票比例50％左右做出选择，绘制ROC曲线后发现比例在75％左右时交叉验证集表现较好，如图6所示。这也较为符合训练LSTM中约为1:3的故障/正常样本比例。由于随机森林本身在选取样本和特征时具有随机性，因此不需要进行交叉验证，也不会过拟合。

四、故障检测

训练好以上两个阶段的模型后，新的测试数据会首先经过以下过程转化为投入数据：

Step1：按照LSTM模型的要求进行特征工程处理；

Step2：分别进入两个LSTM模型中计算误差向量；

Step3：从两个误差向量中提取关键特征；

Step4：进入随机森林模型给出投票概率；

Step5：将每天的投票概率输出，绘制运行图，挖掘故障模式。

五、增量学习

随着真实数据中正常样本越来越多，模型的误差可能会越来越大，一旦出现检测出故障并确定为故障的样本，需要对模型的参数进行进一步的训练，保障模型能够更容易的识别更多故障状态，确保叶根螺栓断裂模型的持续学习性。通过参数更新，保证模型可以识别到更多的故障模式，实现AI式的自我学习与更新。

本发明还公开了一种计算机可读存储介质，其上储存有计算机程序，该程序被处理器执行时实现如上所述的方法。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (11)

1.一种叶根螺栓断裂故障检测方法，其特征在于，包括以下步骤：

S01、选择风电机组多个特征作为输入进行预处理，将描述叶片运行状态的三个变量采用均值-方差标准化后求和作为输出，其中三个变量分别为叶片变桨角度、叶片变桨速度和叶片变桨电机电流值；

S02、使用未发生过叶根螺栓断裂故障的数据训练LSTM正常模型；使用叶根螺栓发生断裂故障的风电机组在故障发生前的数据训练LSTM故障模型；将步骤S01输出的数据投入至LSTM正常模型和LSTM故障模型，提取误差向量特征；

S03、将误差向量特征代入至随机森林算法，以是否为故障时间段的数据做标签，训练随机森林模型；再将风电组运行数据代入至随机森林模型进行故障诊断。

2.根据权利要求1所述的叶根螺栓断裂故障检测方法，其特征在于，在步骤S02中，将步骤S01输出的数据进行特征工程处理，分别进入至LSTM正常模型和LSTM故障模型计算误差向量，再从两个误差向量中提取误差向量特征。

3.根据权利要求1所述的叶根螺栓断裂故障检测方法，其特征在于，在步骤S03中，故障诊断包括由随机森林模型给出投票概率，将预定时间段内的投票概率输出，绘制运行图，挖掘故障模式。

4.根据权利要求1或2或3所述的叶根螺栓断裂故障检测方法，其特征在于，还包括增量学习：一旦检测出故障并确定为故障的样本，对LSTM故障模型的参数进行更新以进行自我学习。

5.根据权利要求1或2或3所述的叶根螺栓断裂故障检测方法，其特征在于，在步骤S01中，对风电机组输入的多个特征不进行去噪和标准化以保证数据的源信息。

6.根据权利要求1或2或3所述的叶根螺栓断裂故障检测方法，其特征在于，在步骤S02中，LSTM正常模型和LSTM故障模型中的设计神经网络的结构包括层数、每层节点数、激活函数的选择和输出的定义。

7.根据权利要求1或2或3所述的叶根螺栓断裂故障检测方法，其特征在于，在步骤S03中，随机森林模型设定为1001根树；样本设置为等权重；故障样本数和正常样本数的比例为1：3。

8.根据权利要求1或2或3所述的叶根螺栓断裂故障检测方法，其特征在于，在所述LSTM正常模型和LSTM故障模型的LSTM结构中加入记录长期特征的变量。

9.根据权利要求1或2或3所述的叶根螺栓断裂故障检测方法，其特征在于，所述LSTM正常模型和LSTM故障模型的输出层共有三个神经元，分别检测叶片变桨角度均值、叶片变桨速度均值和叶片变桨电机电流均值三个标签。

10.根据权利要求1或2或3所述的叶根螺栓断裂故障检测方法，其特征在于，在步骤S02中，将步骤S01输出的数据按天进行切割后得到一天的误差向量。

11.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～10中任意一项所述的方法。

Images