文 | 成倚贤
编辑 | 成倚贤
●—≺ 前言 ≻—●
风电机组运行环境通常较为恶劣，相较于其他发电方式故障率更高。
据不完全统计，目前风电场中风电机组平均可利用率普遍低于95%，其中排除风电不具备接入电力系统的条件之后，更主要的原因是 风电机组故障率较高。
如何通过可靠性指标快速精准对风电机组齿轮箱进行故障诊断，以及研究解决问题的方法？
●—≺ 多角度诊断故障方法 ≻—●
由于风电机组的高故障率导致的维修费用增加，直接提高了风电场的运营成本。
按照风电机组20年全周期运行成本平均计算，风电机组的维护费用平均为1.2¢/kWh，因此及时有效的故障诊断是提高风电场效益的重要渠道。
齿轮箱作为双馈机组中风能到电能转化的关键结构，故障率在风电机组所有结构故障率中始终位居前列。
据统计，齿轮箱故障率仅次于电气系统，且故障严重程度相较于其他系统也偏高，对于常见的水平轴风电机组，机舱架设位置很高导致维修不便。
因此，加强对风电机组齿轮箱的故障诊断，对降低风电机组运行维护成本具有重要意义。
我们的团队提出一种融合可靠性分析的神经网络风电机组齿轮箱故障诊断方法。
通过对齿轮箱可靠性分析，将可靠性作为新的输入层因子，结合传统的振动无量纲因子，利用BP神经网络的学习过程，完成融人可靠性指标的风电机组故障诊断。
通过将可靠性指标融入诊断过程当中，获得更加完备的诊断结果，为今后进一步多角度诊断故障提供了新方法。
●—≺ 可靠性理论 ≻—●
采用可靠性对机组进行分析通常有两个方面:固有可靠性(Inherentreliability)与实时可靠性(Real-timereliability)。
固有可靠性往往是从产品设计的角度出发进行分析，而实时可靠性的分析角度则着重于运行方面，因此就故障诊断而言，实时可靠性显然在可靠性分析中占有更加重要的地位。
对风电机组实时可靠性的分析过程中采用实时可靠度进行量化有较多优点。
实时可靠度的定义为:设备在实时运行过程中，由在线监测信息反映的，表征设备功能实现程度的度量，采用实时可靠度可以将机组在线监测数据进行实时处理分析，具有很好的时效性。
对存在n种状态参数的运行设备，首先要利用主成份分析法对设备不同种类状态参数进行独立化，消除参数之间的相互影响并使参数之间相互独立，然后通过对设备中不同参数的可靠度进行计算，并最终融合为设备的多参数运行可靠度变化量。
实时可靠度的表达式为:
运行参数矩阵为:
对以上参数矩阵进行标准化处理，并计算参数矩阵的相关系数矩阵H。
相关系数矩阵的构成元素为:
各参数主成分权重:
各参数主成分偏差度:
通过主成分分析法将各个主成分之间的相关性进行消除，最终得到设备实时可靠度结果。
●—≺ 无量纲参数 ≻—●
使用无量纲参数对机组进行故障诊断，优势在于其对故障反映的灵敏度较高。
风电机组齿轮箱故障早期阶段特征频率较弱，振动信号中又伴有很大的噪声干扰，因此从频谱上分析较为困难，而无量纲参数敏感度较强可以很好地解决这一点。
时域统计指标，无量纲参数在变工况下可以进行对比分析，齿轮箱内出现故障时，会导致振动量能出现变化。
峭度定义为信号峰值与均值的比，而裕度则是峰值与方根均值的比值，因此选取峭度、裕度作为无量纲参数诊断指标。
风电机组所处风场的状态往往受到地形影响，气流持续变化导致机组长期处于交变载荷下运行。
由此齿轮箱振动信号多表现为调幅、调频各成分之间的相互耦合叠加，导致信号具有非平稳性、不确定性和复杂性等特点。
因此需要信息熵来衡量信号源在总体上的不确定性量度，由此表征信息的确定性与否，我们的团队采用常用的功率谱熵作为信息确定性的量度。
由于风电机组的运行工况复杂，导致监测信号不稳定，因此对于非线性系统，利用分形维数分析系统耗散能量的大小，反映振动信号的不规则形和不稳定性。
分形维数包括关联维数、能量维数、盒维数，我们的团队采用关联维数与盒维数作为特征值。
●—≺ BP神经网络 ≻—●
人工神经网络(ArtificialNeuralNetwork)，是通过人工建立的以有向图组成拓扑结构的动态系统。
在众多人工神经网络结构当中，BP网络对机械设备故障的非线性预测分析效果最好，在设备或系统的故障分析预测中占有重要地位。
BP网络分为输人层(Inputlayer)、隐层(Hidelayer)、输出层(Outputlayer)，3层网络结构如：
神经网络算法上由信号的正向传播与误差的反向传播构成，正向传播过程中由输人层经隐层处理传至输出层并与期望输出进行比对，如果结果不符合条件则进人反向传播阶段。
计算实际输出与要求输出误差，并将误差分散至所有单元获得各单元误差信号，并以此修正各单元的权值，直至误差降到最小。
当神经网络出现反向传播时，定义网络期望输出值与实际推导值的误差均值作为目标函数:
神经网络的学习过程相当于各神经单元权值调整过程，即:
BP神经网络由大量的处理单元互连组成，各单元同时具有信息存储和处理的功能，数量较大的神经单元所构成的神经网络可以逼近任意非线性映射关系，具有较强的自学与泛化能力。
●—≺ 仿真BP网络参数 ≻—●
仿真过程采用Matlab工具中的BP神经网络模型进行设计，分析输人端的故障特征值类别与风电机组齿轮所发生的故障类型可知，网络输出端存在3种可能性，而3层网络可以完成输入至输出端的全部映射。
对于风电机组齿轮箱融合可靠度的分析，同时考虑到风电机组运行工况的多变导致振动信号的复杂性与不稳定性，选取可靠度、峭度、裕度、功率谱熵、关联维数、盒维数作为齿轮箱故障特征参数。
根据故障特征参数的类别与齿轮箱故障类型分析可知，3层BP网络的输人节点数为6，隐层节点数为15，输出层节点数为3，采用Trainlm函数对网络进行训练，训练次数1500次，隐层函数采用正切函数Tansig，输出层采用对数函数Logsig，标准误差0.001。
●—≺ 网络训练 ≻—●
我们的团队以华锐SL1500机组作为分析对象，对机组齿轮箱振动信号进行采集，将齿轮箱的状态分为:正常状态、局部故障、分布故障3种情况。
振动信号经阶比重采样处理，采样频率设为8196Hz，采样时间设为60s，每类状态选取15组数据进行网络训练，3组数据对诊断结果进行检验。其中部分训练数据如：
●—≺ 网络诊断结果测试与分析 ≻—●
利用上述样本数据对于BP网络的训练完成之后，另选取6组仿真数据(每种状态各两组)，对诊断结果进行测试，验证通过将可靠性指标作为新的输入端故障特征参量能否实现风电机组故障诊断。
网络测试数据：
选取齿轮箱正常状态、局部故障、分布故障的各两组测试数据，对BP网络的诊断效果进行检验，验证融合可靠性指标的故障诊断是否正确，测试结果如：
将可靠性等指标输人BP网络之后可以看出，对于齿轮箱的3种状态可以进行有效的诊断辨识，可以看出，融合可靠性分析的齿轮箱故障诊断方法准确有效。
●—≺ 结论 ≻—●
我们的团队对机组可靠性进行建模分析，通过对机组齿轮箱可靠性进行量化分析，而后将可靠性指标与传统无量纲振动指标相结合，考虑到风电机组振动信号的不稳定，以及故障早期信号较为模糊等特点，选取无量纲参数峭度、波形裕度作为诊断指标，针对信号的复杂性与不稳定性，选取关联维度、盒维度、功率谱熵作为特征参量。
6个特征参量以BP神经网络作为载体，实现融合可靠性指标的故障诊断，通过将可靠性融入BP网络诊断，提高了诊断的参考意义。
经测试，融人可靠性指标的BP网络诊断效果准确，对风电机组多类别指标故障诊断研究有十分重要的意义。