CN113537627B - 一种面向运维的海上风电机组故障间隔时间预测方法 - Google Patents

Abstract

本发明公开了一种面向运维的海上风电机组故障间隔时间预测方法，通过提出一种改进的GM(1,1)模型应用于海上风电机组的故障间隔时间预测，改进的GM(1,1)模型对背景值和参数a、b的计算方式进行了优化，从理论分析层面提高了模型的预测精度；同时，结合海上风电机组的运行环境特点，考虑到其故障间隔时间的随机波动特性，在优化后的模型中加入了残差序列，并采用变周期的三角函数对其进行建模；采用人工蜂群算法对残差序列模型的参数进行优化求解，计算了各个数据点的残差值，并通过将其叠加到原始数据的预测值上来减小模型的预测误差。本发明故障间隔时间预测方法，能够有效地预测海上风电机组的故障发生时间，为海上风电机组的及时维修和故障预防提供指导。

Description

一种面向运维的海上风电机组故障间隔时间预测方法

技术领域

本发明属于可靠性预计领域，涉及一种海上风电机组的故障间隔时间预测方法，具体涉及一种面向运维的海上风电机组故障间隔时间预测方法。

背景技术

海上风电场一般离岸距离较远，海洋环境恶劣，加上台风、风暴潮等极端天气的影响，可达性较差，出海与海上作业对天气要求严格，风电机组的运行维护比较困难，维护成本较高。因此，如何有效地利用海上风电机组的故障记录数据，预测其故障的发生时间，对其进行预防性维修，掌握维修保障的主动权，对于充分发挥海上风电机组的使用效能以及节约维修保障资源有着积极重要的现实意义。

故障预测技术是比故障诊断更高级的维修保障形式，它以当前装备的使用状态为起点，结合已知预测对象的结构特性、参数、环境条件及历史数据，对装备未来的故障进行预测，以便预先消除故障。现在装备保障普遍采用的是视情维修，它可避免因过剩维修而造成资源的浪费，也可防止因不足维修而导致事故的发生。而准确的故障预测是视情维修的前提。发展故障预测技术能为视情维修或其他先进的维修理念提供科学的决策依据，最大限度地减少装备的维修次数和维修范围，保证其安全可靠地运行。年来，故障预测技术得到了长足的发展。目前，故障预测方法主要分为三大类，即：基于模型的故障预测技术，基于数据驱动的故障预测技术和基于统计可靠性的故障预测技术。

基于模型的故障预测指采用动态模型或过程的预测方法，物理模型方法、卡尔曼/扩展卡尔曼滤波/粒子滤波以及基于专家经验的方法等均可划为基于模型的故障预测技术。基于模型的故障预测技术具有能够深入对象系统本质的性质和实现实时故障预测的优点。Adams等人在结构性动力学系统中提出一/二阶非线性微分方程的损伤累积模型。Chelidze等人将性能退化用缓慢时变过程间的模型表达，并与子系统的快速时变过程相对应，该模型用于跟踪电池退化。Luo等人利用标称和退化状态下基于模型的仿真数据，提出了基于数据的综合预测过程。基于数据驱动的故障预测方法主要有：人工神经网络、模糊系统和其他计算智能方法。相比于传统统计学范畴内的回归分析以及时间序列分析方法，神经网络是一类在故障预测方法和应用研究中最多的一种方法，与基于模型的方法不同，神经网络可以实现对于数据的自适应，通过从样本中学习捕捉样本数据之间内在的函数关系。Zhang和Ganesan等应用自组织神经网络进行多变量趋势预测，并应用到轴承系统的剩余使用寿命预测中。随着人工智能技术的发展，很多研究者也探索应用其他方法进行故障预测。Skormin等人提出了一种基于数据挖掘的故障预测算法，将设备的故障看作工作环境变量的函数，从历史数据中发掘设备故障与工作环境变量之间的联系，从而实现设备故障发展过程的预测。基于统计可靠性的故障预测方法包括贝叶斯方法、Dempster-Shafer理论、模糊逻辑等。所有这些方法一般都是基于贝叶斯定理估计故障的概率密度函数。通过对大量的工程产品和系统的可靠性分析，一般产品或系统的失效与时间数据趋势很好地服从威布尔分布，因此，Weibull模型被大量用于系统或设备的剩余寿命预计。

对海上风电机组而言，由于其环境的复杂多变，海上风电机组在服役过程中发生故障的规律比较复杂，具有很强的不确定性，一般的数学模型难以满足故障预测的精度。此外，基于数据驱动的故障预测方法，如基于神经网络的故障预测和基于支持向量机的故障预测，需要大量的数据样本对模型进行训练。而对海上风电机组而言，故障数据样本量较少，难以训练出准确的故障预测模型。因此，基于小样本、贫信息的故障预测技术应该是海上风电机组故障预测问题的研究重点。

发明内容

为了解决现有技术中的问题，本发明的目的在于提供一种面向运维的海上风电机组故障间隔时间预测方法，基于灰色系统理论，提出一种改进的GM(1,1)模型应用于海上风电机组的故障间隔时间预测。

为了实现以上目的，本发明所采用的技术方案为，

一种面向运维的海上风电机组故障间隔时间预测方法，包括以下步骤：

1)收集海上风电机组的历史故障间隔时间数据，选取其中的n个数据构建原始时间序列：

X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),……,x⁽⁰⁾(n))

其中：X⁽⁰⁾为利用海上风电机组的历史故障间隔时间数据构建的长度为n的原始时间序列，x⁽⁰⁾(n)为原始时间序列X⁽⁰⁾中的第n个数据；

2)根据步骤1)获得的原始时间序列，对其进行一次累加，得一次累加生成算子：

X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),……,x⁽¹⁾(n))

其中：X⁽¹⁾为原始时间序列X⁽⁰⁾的一次累加生成算子，x⁽¹⁾(k)为X⁽⁰⁾前k个数据的累加和；

3)根据步骤2)获得的一次累加生成算子，构建灰色GM(1,1)预测模型的背景值：

Z⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(1),……,z⁽¹⁾(n))

其中：Z⁽¹⁾为背景值序列，z⁽¹⁾(k)为第k个背景值；

4)根据步骤3)得到的灰色GM(1,1)预测模型的背景值，构建灰色GM(1,1)预测模型：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

其中，a为发展系数，是模型的大小和符号，反映了原始时间序列X⁽⁰⁾和其一次累加生成序列X⁽¹⁾的发展态势；b为灰作用量，即外部加入的或者是事先给定的，不能够直接观测，需要通过计算得到；参数(a,b)^T＝(BB^T)^-1B^TY；

5)根据步骤4)得到的灰色GM(1,1)预测模型，求解参数(a,b)，具体包括以下步骤：

5.1)计算矩阵B：

5.2)令

采用基于三次Hermite多项式的三次样条函数计算矩阵Y：

其中：

其中：x⁽¹⁾'(k)为x⁽¹⁾(k)的导数，H为三次Hermite多项式，H(1)为Hermite多项式的第一项，H(k)为Hermite多项式的中间项，H(n)为Hermite多项式的最后一项；

6)根据灰色GM(1,1)预测模型，生成灰色GM(1,1)预测模型的时间响应序列，即一次累加生成向量x⁽¹⁾(k)的预测值

7)对步骤6)得到的一次累加生成向量x⁽¹⁾(k)的预测值进行还原，得到灰色GM(1,1)预测模型的预测值，即原始时间序列的预测值

8)为提高灰色GM(1,1)预测模型的预测精度，利用三角函数对原始数据与预测数据之间的残差序列进行建模，计算出每个时刻的残差修正值，并将残差修正值迭加到同一时刻的还原预测值上，具体包括以下步骤：

8.1)构建灰色GM(1,1)预测模型的残差序列r⁽⁰⁾(k)：

8.2)利用变周期的三角函数对步骤8.1)中的残差序列进行建模，得到残差序列模型：

其中：α₀,α₁,α₂,α₃为模型参数；ε_k为随机变量；t_k为k时刻的周期参数；

8.3)步骤8.2)中建立的残差序列模型共有3+2(n-1)个参数，即[α₀,α₁,α₂,α₃,t₁,……,t_n-1,ε₁,…,ε_n-1]，首先对参数列[t₁,…,t_n-1,ε₁,…,ε_n-1]进行求解，采用人工蜂群算法，以残差序列的均方误差最小为目标，对参数进行优化求解，具体包括以下步骤：

8.3.1)初始化参数集的位置：

t_id＝t_dmin+rand(0,1)(t_dmax-t_dmin),i＝1,2,…,50；d＝1,2,…,n-1

ε_id＝ε_dmin+rand(0,1)(ε_dmax-ε_dmin),i＝1,2,…,50；d＝1,2,…,n-1

其中：t_id，ε_id分别为周期参数和随机变量中第i个参数集中第d个参数的初始化值；t_dmax，ε_dmax分别为周期参数和随机变量中第d个参数的最大取值；t_dmin，ε_dmin分别为周期参数和随机变量中第d个参数的最小取值；rand(0,1)为[0,1]之间的随机数；

8.3.2)雇佣蜂在各参数集附件随机搜索一个新的参数集：

其中：

分别为周期参数和随机变量中新生成的第i个参数集中第d个参数的值；/>

为[-1,1]中的随机数，其大小代表扰动幅度；

8.3.3)雇佣蜂比较新旧参数集的优劣：

其中：fit()为适应度函数，此处为残差序列的均方误差的倒数；

8.3.4)跟随蜂根据轮盘赌的方式选择是否跟随雇佣蜂前去搜索参数集，即在[0,1]内随机产生一个小数r，当跟随概率P_i大于随机数r时，跟随蜂选择跟随当前雇佣蜂，P_i计算方式为：

其中：fit_i为第i个参数集的适应度函数；

8.3.5)如果一个参数集的搜索次数达到调节参数Limit时还未被更新，那么该参数集被视为已经开采完，即该解已陷入局部最优，该参数集将被其对应的雇佣蜂放弃，同时雇佣蜂转化为侦查蜂，侦查蜂按照步骤8.3.2)中的方式随机搜索一个新的参数集；

8.3.6)重复步骤8.3.2)～8.3.5)直到循环次数达到设置的最大循环次数，停止算法，输出最优的参数列[t₁,…,t_n-1,ε₁,…,ε_n-1]；

8.4)根据步骤然8.3)求得的最优的参数列[t₁,…,t_n-1,ε₁,…,ε_n-1]，对模型参数[α₀,α₁,α₂,α₃]进行求解，利用最小二乘法求得模型参数：

8.5)根据获得的残差序列模型的参数，计算各数据点的残差值，并将计算结果分别迭加到对应数据点的还原预测值上，得到修正后的故障间隔时间的预测值

其中：

为根据残差值修正后的故障间隔时间的预测值；

通过上述步骤实现了利用海上风电机组最近的前k次故障间隔数据来预测下一次的故障间隔时间，由于每次用于预测的数据列不同，因此每次预测之前都要对模型进行修正，即每预测一步，参数做一次修正，模型得到改进，保证模型与最新的故障数据相关联。

与现有故障预测方法相比，本发明提出了一种改进的GM(1,1)模型用于海上风电机组的故障间隔时间预测，改进的模型对参数(a,b)的计算方式进行了优化，从理论分析层面提高了模型的预测精度；同时，结合海上风电机组的运行环境特点，考虑到其故障间隔时间的随机波动特性，在优化后的模型中加入了残差序列，并采用变周期的三角函数对其进行建模；采用人工蜂群算法对残差序列模型的参数进行优化求解，计算了各个数据点的残差值，并通过将其叠加到原始数据的预测值上来减小模型的预测误差。本发明故障间隔时间预测方法，能够有效地预测海上风电机组的故障发生时间，为海上风电机组的及时维修和故障预防提供指导。

附图说明

图1为本发明的方法流程图。

图2为海上风电机组故障间隔时间预测结果图。

具体实施方式

下面结合具体的实施例和说明书附图对本发明作进一步的解释说明。

参见图1，本发明为一种面向运维的海上风电机组故障间隔时间预测方法，具体包括以下步骤：

1)以某型号海上风电机组为研究对象，收集该型号海上风电机组的历史故障数据：

2)根据海上风电机组的历史故障数据，构建原始时间序列X⁽⁰⁾，即故障的间隔时间序列；

3)计算原始时间序列的一次生成算子X⁽¹⁾；

4)计算灰色GM(1,1)预测模型的背景值Z⁽¹⁾；

5)构建灰色GM(1,1)预测预测模型，在进行海上风电机组故障间隔时间预测时，每次取最近前7次的故障数据来预测下一次故障的发生时间；

6)计算参数(a,b)，由于每次用于预测的数据列不同，因此每次预测之前都要对灰色GM(1,1)预测模型的参数进行修正，即每预测一步，参数做一次修正，模型得到改进，保证模型与最新的故障数据相关联。

7)根据得到的灰色GM(1,1)预测模型，计算一次累加生成向量x⁽¹⁾(k)的预测值

8)对x⁽¹⁾(k)的预测值进行还原，得到灰色GM(1,1)预测模型的预测值，即原始时间序列的预测值

9)计算每个时刻的残差修正值，并将残差修正值迭加到同一时刻的还原预测值上，得到原始时间序列的预测值，各个时刻的预测结果参照图2。从图2中可以看出，本发明提出的改进的GM(1,1)模型能够在反映故障变化趋势的同时，给出故障间隔时间的波动性特征，预测曲线能够较好地贴近原始数据，预测效果较好。

Claims (1)

1.一种面向运维的海上风电机组故障间隔时间预测方法，其特征在于，包括以下步骤：

1)收集海上风电机组的历史故障间隔时间数据，选取其中的n个数据构建原始时间序列：

X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))

其中：X⁽⁰⁾为利用海上风电机组的历史故障间隔时间数据构建的长度为n的原始时间序列，x⁽⁰⁾(n)为原始时间序列X⁽⁰⁾中的第n个数据；

2)根据步骤1)获得的原始时间序列，对其进行一次累加，得一次累加生成算子：

X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中：X⁽¹⁾为原始时间序列X⁽⁰⁾的一次累加生成算子，x⁽¹⁾(k)为X⁽⁰⁾前k个数据的累加和；

3)根据步骤2)获得的一次累加生成算子，构建灰色GM(1,1)预测模型的背景值：

Z⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(1),…,z⁽¹⁾(n))

其中：Z⁽¹⁾为背景值序列，z⁽¹⁾(k)为第k个背景值；

4)根据步骤3)得到的灰色GM(1,1)预测模型的背景值，构建灰色GM(1,1)预测模型：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

其中，a为发展系数，是模型的大小和符号，反映了原始时间序列X⁽⁰⁾和其一次累加生成序列X⁽¹⁾的发展态势；b为灰作用量，即外部加入的或者是事先给定的，不能够直接观测，需要通过计算得到；参数(a,b)^T＝(BB^T)^-1B^TY；

5)根据步骤4)得到的灰色GM(1,1)预测模型，求解参数(a,b)，具体包括以下步骤：

5.1)计算矩阵B：

5.2)令

采用基于三次Hermite多项式的三次样条函数计算矩阵Y：

其中：

其中：x⁽¹⁾'(k)为x⁽¹⁾(k)的导数，H为三次Hermite多项式，H(1)为Hermite多项式的第一项，H(k)为Hermite多项式的中间项，H(n)为Hermite多项式的最后一项；

6)根据灰色GM(1,1)预测模型，生成灰色GM(1,1)预测模型的时间响应序列，即一次累加生成向量x⁽¹⁾(k)的预测值

7)对步骤6)得到的一次累加生成向量x⁽¹⁾(k)的预测值进行还原，得到灰色GM(1,1)预测模型的预测值，即原始时间序列的预测值

8)为提高灰色GM(1,1)预测模型的预测精度，利用三角函数对原始数据与预测数据之间的残差序列进行建模，计算出每个时刻的残差修正值，并将残差修正值迭加到同一时刻的还原预测值上，具体包括以下步骤：

8.1)构建灰色GM(1,1)预测模型的残差序列r⁽⁰⁾(k)：

8.2)利用变周期的三角函数对步骤8.1)中的残差序列进行建模，得到残差序列模型：

其中：α₀,α₁,α₂,α₃为模型参数；ε_k为随机变量；t_k为k时刻的周期参数；

8.3)步骤8.2)中建立的残差序列模型共有3+2(n-1)个参数，即[α₀,α₁,α₂,α₃,t₁,…,t_n-1,ε₁,…,ε_n-1]，首先对参数列[t₁,…,t_n-1,ε₁,…,ε_n-1]进行求解，采用人工蜂群算法，以残差序列的均方误差最小为目标，对参数进行优化求解，具体包括以下步骤：

8.3.1)初始化参数集的位置：

t_id＝t_dmin+rand(0,1)(t_dmax-t_dmin),i＝1,2,…,50；d＝1,2,…,n-1

ε_id＝ε_dmin+rand(0,1)(ε_dmax-ε_dmin),i＝1,2,…,50；d＝1,2,…,n-1

其中：t_id，ε_id分别为周期参数和随机变量中第i个参数集中第d个参数的初始化值；t_dmax，ε_dmax分别为周期参数和随机变量中第d个参数的最大取值；t_dmin，ε_dmin分别为周期参数和随机变量中第d个参数的最小取值；rand(0,1)为[0,1]之间的随机数；

8.3.2)雇佣蜂在各参数集附件随机搜索一个新的参数集：

其中：

分别为周期参数和随机变量中新生成的第i个参数集中第d个参数的值；/>

为[-1,1]中的随机数，其大小代表扰动幅度；

8.3.3)雇佣蜂比较新旧参数集的优劣：

其中：fit()为适应度函数，此处为残差序列的均方误差的倒数；

8.3.4)跟随蜂根据轮盘赌的方式选择是否跟随雇佣蜂前去搜索参数集，即在[0,1]内随机产生一个小数r，当跟随概率P_i大于随机数r时，跟随蜂选择跟随当前雇佣蜂，P_i计算方式为：

其中：fit_i为第i个参数集的适应度函数；

8.3.5)如果一个参数集的搜索次数达到调节参数Limit时还未被更新，那么该参数集被视为已经开采完，即该解已陷入局部最优，该参数集将被其对应的雇佣蜂放弃，同时雇佣蜂转化为侦查蜂，侦查蜂按照步骤8.3.2)中的方式随机搜索一个新的参数集；

8.3.6)重复步骤8.3.2)～8.3.5)直到循环次数达到设置的最大循环次数，停止算法，输出最优的参数列[t₁,…,t_n-1,ε₁,…,ε_n-1]；

8.4)根据步骤然8.3)求得的最优的参数列[t₁,…,t_n-1,ε₁,……,ε_n-1]，对模型参数[α₀,α₁,α₂,α₃]进行求解，利用最小二乘法求得模型参数：

8.5)根据获得的残差序列模型的参数，计算各数据点的残差值，并将计算结果分别迭加到对应数据点的还原预测值上，得到修正后的故障间隔时间的预测值

其中：

为根据残差值修正后的故障间隔时间的预测值；

通过上述步骤实现了利用海上风电机组最近的前k次故障间隔数据来预测下一次的故障间隔时间，由于每次用于预测的数据列不同，因此每次预测之前都要对模型进行修正，即每预测一步，参数做一次修正，模型得到改进，保证模型与最新的故障数据相关联。

Images