大數(shù)據(jù)挖掘技術下的發(fā)電機故障診斷維護

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了大數(shù)據(jù)挖掘技術下的發(fā)電機故障診斷維護范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：針對海上電網發(fā)電機的故障診斷研究，提出一種基于大數(shù)據(jù)挖掘技術的發(fā)電機故障診斷與預測性維護方法。該方法利用大數(shù)據(jù)挖掘與人工智能故障診斷技術，研究發(fā)電機監(jiān)測點與發(fā)電機狀態(tài)之間的內在聯(lián)系，進一步對發(fā)電機的健康狀態(tài)進行評估，根據(jù)評估發(fā)電機的健康狀態(tài)值提出預測性維修意見。通過對實際電網發(fā)電機組的監(jiān)測，佐證了該方法發(fā)可行性與有效性。

關鍵詞：大數(shù)據(jù)；人工智能；電網；發(fā)電機；故障診斷；預測性維護

引言

發(fā)電機組的安全與穩(wěn)定運行是電網能否穩(wěn)定運行的先決條件，對發(fā)電機組進行實時狀態(tài)監(jiān)測與故障診斷可及時發(fā)現(xiàn)電網的隱患，且對保證發(fā)電機組的穩(wěn)定運行具有重大意義[1]。發(fā)電機一般由定子、轉子、端蓋、機座以及軸承等零部件組成，而每個單獨的零部件又由很多的零部件構成。由于發(fā)電機的組成元件過于復雜，因此如何有效設計發(fā)電機組的監(jiān)測點、有效提取到發(fā)電機組的狀態(tài)信息就尤為困難。因此，有效地對發(fā)電機進行狀態(tài)監(jiān)測與故障診斷具有很高的工程應用價值與實際意義。其中，文獻[1]提出對發(fā)電機的主要零部件進行振動監(jiān)測，然后對關鍵零部件進行故障診斷，該論文取得了一定的成果，但是沒有對發(fā)電機的整體狀態(tài)進行評估；文獻[2]對發(fā)電機組的運行狀態(tài)進行了狀態(tài)監(jiān)測，但是沒有做故障診斷。目前對海上電網發(fā)電機組故障診斷難點在于以下幾點：(1)發(fā)電機的組成零部件太復雜，造成干擾源太多，很難提取到發(fā)電機有效故障特征信息；(2)對海上電網發(fā)電機的故障診斷研究資料甚少；(3)一般的傳統(tǒng)故障診斷技術不能直接適用于發(fā)電機。鑒于綜上幾點，本文提出一種基于大數(shù)據(jù)挖掘技術的發(fā)電機故障診斷與預測性維護方法[3-5]。本方法采用大數(shù)據(jù)挖掘技術與人工智能技術相互結合，進一步在實現(xiàn)對海上電網發(fā)電機組的狀態(tài)監(jiān)測的基礎之上，更進一步的實現(xiàn)了對發(fā)電機組的故障診斷，然后基于故障診斷的信息提出預測性維護的意見。有效的打破了傳統(tǒng)方法對發(fā)電機的故障監(jiān)測的局限性，并且為后續(xù)發(fā)電機組的壽命預測提供了基礎保證，該方法具有很高的工程應用價值與實際意義。

1傳統(tǒng)的發(fā)電機故障診斷技術

目前對于電網系統(tǒng)中發(fā)電機的故障診斷在實際過程中主要還是依賴于專家系統(tǒng)[6-8]，其故障診斷流程圖如圖1所示。其主要技術方法的關鍵點在于如何構建基于發(fā)電機組的各種狀態(tài)檢測量來推算發(fā)電機的缺陷、以及發(fā)電機的故障發(fā)生概率(典型的有故障樹)的物理模型或者是數(shù)學模型。用于發(fā)電機故障診斷的狀態(tài)監(jiān)測量有很多，并且實際運用過程中每個狀態(tài)特征量代的作用也不一致，通常需要給每個特征狀態(tài)量給予不同權重。目前給予不同特征狀態(tài)量權重的方法主要有主觀權重法與客觀權重法兩種方式，主觀權重法的主要依據(jù)就是根據(jù)專家的意見進行特征監(jiān)測量權重的分配，因此該方法的結果很容易受到專家主觀性的影響，客觀權重法是根據(jù)各特征狀態(tài)量之間的客觀規(guī)律，然后依靠數(shù)學方法來確定其權重。通過數(shù)學方法確定客觀權重的方法主要包括模糊理論、可拓理論、灰色理論、證據(jù)理論等。

2基于大數(shù)據(jù)分析的發(fā)電機故障診斷技術

2.1基于大數(shù)據(jù)技術故障診斷原理簡述

大數(shù)據(jù)技術的興起，為海上電網發(fā)電機組的故障診斷提供了新的技術，并且對發(fā)電機的狀態(tài)監(jiān)測提出了更高要求。大數(shù)據(jù)挖掘技術引入了更高深的數(shù)理統(tǒng)計、模式識別等方面的理論技術與工具。在海量數(shù)據(jù)的前提下，重點挖掘出不確定模型與監(jiān)測狀態(tài)量、以及故障狀態(tài)之間的內在聯(lián)系?；诖髷?shù)據(jù)挖掘技術的發(fā)電機故障診斷技術主要是依靠歷史數(shù)據(jù)，然后根據(jù)歷史數(shù)據(jù)的特征預測未來的發(fā)展趨勢，進一步實現(xiàn)故障診斷監(jiān)測[9,10]。

2.2基于大數(shù)據(jù)技術發(fā)電機故障診斷

2.2.1聚類算法基于大數(shù)據(jù)挖掘技術的設備故障診斷方法是通過故障異常狀態(tài)參量的聚類分析來挖掘設備異常的故障模式。在本文中主要通過DBSCAN[12,13](Density-BasedSpatialClusteringofApplicationwithNoise)，基于密度的聚類算法)。DBSCAN是一種常見的聚類算法，其用于聚類的基本思想可以簡述如下：(1)DBSCAN通過檢查數(shù)據(jù)集中每個點的δ鄰域(該鄰域的大小由算法給定)來搜索簇，如果任意一點的δ鄰域包含多于給定點數(shù)，則創(chuàng)建一個以該點為核心對象的簇；(2)接步驟(1)，如果簇內的每一個點均滿足聚類條件則對簇進行拓展，否則計該點為噪聲點；(3)重復步驟(2)，當沒有新點添加到任何簇時，迭代過程結束。最終可以得出聚類的類別與數(shù)目。

2.2.2異常檢測大數(shù)據(jù)挖掘技術主要通過異常檢測的方式來實現(xiàn)對故障的監(jiān)測。異常檢測的方法有很多，例如隔離森林、局部異常因子監(jiān)測、自組織映射神經網絡(self-organizedmaps，SOM)[11]等。其中本文采用的基于SOM異常檢測方法，SOM的學習過程不同一般的神經網絡，其可以不用提前給定任何目標輸出。其基本思想上可以簡述為：當輸入矢量輸入到網絡后，網絡利用隨機選取的權值進行計算，尋找到最優(yōu)的神經元，然后調整權值，用收縮鄰域與學習因子(隨時間而收縮)的辦法，最終使取值形成一組能映射輸入的數(shù)據(jù)，當網絡自組織形成時，訓練即結束。一般而言SOM的神經元是一個二維規(guī)則的單元格(一般有六邊形、矩形)，其中每一個神經元均可以由一組向量表達鄰近神經元，且神經元之間是根據(jù)一定的拓撲關系進行關聯(lián)。其中SOM的實現(xiàn)步驟可以簡述為，將輸入特征向量進行歸一化后，反復訓練SOM。每訓練一步，計算SOM權值與特征向量之間的“歐式距離”，最終選取最短距離的神經元為最佳匹配單元(Bestmatchingunit,BMU)，BMU的本質就是權值矢量與輸入向量之間最為接近的單元。當BMU確定后，更新權值矢量與拓撲關系。其更新權值公式(1)為：式中：Wi為權值矢量；h(•)為鄰域函數(shù)；a(t)為學習率，在(0,1)區(qū)間內遞減；X為輸入特征矢量。在工業(yè)現(xiàn)場中，故障數(shù)據(jù)往往很難被采集到，然而設備正常數(shù)據(jù)可以輕易的獲取，因此可以利用偏離正常狀態(tài)的特征空間來探測設備健康狀態(tài)。因此可以結合SOM中的BMU與輸入特征向量之間的距離來衡量設備是否偏離了正常運行狀態(tài)，即運用最小量化誤差MQE(MinimumQuadratuerError)值來衡量設備的健康狀態(tài)。定義最小量化誤差MQE如下：式中：MMQE為MQE值；X為輸入特征矢量；BMU為BMU對應的權值矢量。通過MQE值即可實現(xiàn)對設備的故障監(jiān)測與預測性維護。基于大數(shù)據(jù)挖掘技術的發(fā)電機的故障診斷流程圖如圖2所示。(1)狀態(tài)監(jiān)測。利用傳感器獲取發(fā)電機的測量值，其中有發(fā)電機的電參數(shù)(電壓、電流、有功功率等)、設備參數(shù)(關鍵設備的壓力、溫度、轉速、加速度、位移、速度)等。(2)數(shù)據(jù)清洗。在步驟(1)的過程中，采集到的數(shù)據(jù)由于采集硬件設備的原因或者是網絡通訊的原因，會導致一些數(shù)據(jù)存在丟失。因此要將數(shù)據(jù)進行去重、去空及對缺失值進行補全等操作。(3)DBSCAN。接步驟(2)，對原始監(jiān)測數(shù)據(jù)進行降維、歸一化，然后運用密度聚類方法對其進行聚類，劃分原始數(shù)據(jù)的類別。(4)SOM-MQE。再步驟(3)的基礎上，對聚類后的數(shù)據(jù)進行異常檢測，判斷輸入的點是否為異常點，即此時發(fā)電機的狀態(tài)是否出現(xiàn)了異常。(5)狀態(tài)評估。根據(jù)步驟(4)的MQE值來判斷設備的健康狀態(tài)，如果設備正常，MQE值會在一定范圍內波動；如果MQE值突然變化很大，則說明設備出現(xiàn)異常。

3實例驗證

為了驗證本文所提方法的有效性，選取一個海上電網發(fā)電機組的實際數(shù)據(jù)進行試驗驗證。選取22個特征指標對發(fā)電機組進行狀態(tài)評估。由于采集的特征參數(shù)的具體數(shù)值不在同一量級上，因此對其進行歸一化處理，然后進行特征降維分析。其中算法的相關設置參數(shù)如下：DBSCAN中，鄰域半徑的大小設為0.35，最小采樣點數(shù)為10；SOM算法的參數(shù)設置如下：構建二維平面為5×5的六邊形結構拼接而成，領域半徑為0.5，學習率0.1，近鄰函數(shù)選用高斯函數(shù)。最終基于SOM-MQE方法發(fā)電機的故障診斷結果如圖3所示。在正常情況下，發(fā)電機的MQE值處于一個正常的波動狀態(tài)，當發(fā)電機出現(xiàn)異常時，其MQE值波動范圍較大，如圖3中紅色圓圈中的點。根據(jù)此時發(fā)電機的狀態(tài)，最終反查至發(fā)電機此時的監(jiān)測值，進行故障的根因分析，有利于進一步提高發(fā)電機的故障診斷。進一步，根據(jù)發(fā)電機的MQE值作為發(fā)電機狀態(tài)的特征指標，然后對發(fā)電機進行預測性維護。

4結語

文章所提的基于大數(shù)據(jù)挖掘技術的發(fā)電機故障診斷與預測性維護技術，在一定程度實現(xiàn)了發(fā)電機的故障診斷。在此基礎之上實現(xiàn)了對發(fā)電機的預測性維護，該方法避免了傳統(tǒng)狀態(tài)監(jiān)測與故障診斷方法的不足，進一步提高了發(fā)電機的狀態(tài)監(jiān)測與故障診斷效率。進一步提升了海上電網的安全性能，提高了實際工程應用價值。

參考文獻：

[1]陳雪峰，李繼猛，程航，等.風力發(fā)電機狀態(tài)監(jiān)測和故障診斷技術的研究與進展[J].機械工程學報，2011,47(009):45-52.

[2]汪喆.基于大數(shù)據(jù)分析的風電機組運行狀態(tài)監(jiān)測評估[D].2016.

[3]任震，黃群古，黃雯瑩.基于實值小波變換的發(fā)電機故障檢測新方法[J].中國電機工程學報，2000,020(006):58-60,64.

[4]張佰順.風力發(fā)電機狀態(tài)監(jiān)測和故障診斷技術的研究[J].黑龍江科技信息，2014(30):61-61.

[5]楊曉林，邵康，韋紹毅.大數(shù)據(jù)在國家電網公司的應用[J].電子技術與軟件工程，2016(23):201-201.

[6]陳華軍.大數(shù)據(jù)變革—南方電網大數(shù)據(jù)應用探索[J].中國電力企業(yè)管理，2015(009):25-28.

[7]沈海實.基于電網大數(shù)據(jù)的電網企業(yè)經濟運行研究與實踐[J].企業(yè)改革與管理，2016(23).

[8]閆龍川，李雅西，李斌臣，等.電力大數(shù)據(jù)面臨的機遇與挑戰(zhàn)[J].電力信息化，2013(04):6-9.

[9]李俊楠，李偉，李會君，等.基于大數(shù)據(jù)云平臺的電力能源大數(shù)據(jù)采集與應用研究[J].電測與儀表，2019(12).

[10]裴愛國，何登富.海上風電大數(shù)據(jù)發(fā)展研究—以廣東省海上風電大數(shù)據(jù)中心建設為例[J].南方能源建設，2018(02):25-29.

[12]孫吉貴，劉杰，趙連宇.聚類算法研究[J].軟件學報，2008,19(1):48-61.

[13]安計勇，韓海英，侯效禮.一種改進的DBSCAN聚類算法[J].微電子學與計算機，2015(07):68-71.

作者：倪先鋒 單位：中海石油(中國)有限公司天津分公司