基于故障树和神经网络的的风机故障在线诊断

电力电子Power Electronic
电子技术与软件工程
Electronic Technology & Software Engineering 基于故障树和神经网络的的风机故障在线诊断
艾进才
(龙源电力集团股份有限公司宁夏公司宁夏回族自治区固原市756000 )
摘要：本文基于故障树模型和神经网络，提出一种基于故障树和神经网络的风机故障在线诊断方法，它集故障树和神经网络的优点，相比于传统的风机故障诊断，该诊断方法具有更高的准确率和更强的鲁棒性，同时执行效率得到有效提高。

目前国内风机故障诊断研究主 要存在两方面难题，一是缺乏基础数据，二是信息综合利用率低。

对系统进行状态评估和故障诊断时，大部分仅采用单一的判断依据，评 估和诊断结果的准确性缺乏。

关键词：故障诊断；故障树；神经网络
当今世界，全球能源结构改革的浪潮己经到来，风能作为一种
新能源，在电力产业中具有举足轻重的地位，因此近年来，使得风
电产业得到了迅速的发展，全球风电机组装机的数量也随之增长迅
速。

据调查研究发现，在实际中全球各大型风电场存在很多不足，
如超过一半的风机无法正常并网运行，这给风电产业带来了巨大挑
战。

相关学者与专家对我国某电力公司的300多台风机进行调查统
计，发现能够正常工作的仅33%，其余无法正常工作运行，造成的
原因除了常见的弃风等因素外大多数是由于机组发生的故障，使得
风电产业在电力设备资金投入上产生一定的浪费。

风电场存在于陆
地和海上，海上工作环境相比于陆地工作环境存在更大挑战，首先
在严寒下存在海冰，使得风机基础受到海冰撞击的威胁，其次海上
温度低，湿度大，导致风机叶片上容易存在冰，因此叶轮和塔筒的
载荷会随之增加，风电机发电丧失部分能力，在极端地区，电能损
失达到了将近20%-50%的应发电量，当积冰严重时甚至会导致叶
片断裂，这对风电机组损害相当严重。

在风电机组中，其故障的发生率相当高，据统计，一个风场中 风机的故障率高达40%-50%，对于一台己经工作了 20年的风机，其总维护和维修费用占据了 10%-15%的风场总效益，对于海上风 机，其维护费用更是高达30%的风场总效益。

目前可以通过两方 面降低风机运维成本，一方面对风机的品质进行改善，另一方面通 过监测风机运行状态数据，及时发现风机故障的早期隐患，并对其 进行处理排除，保证风机的正常工作，从而使发电效益不受影响。

根据电工委员会I E C制定的相关标准I E C61400，它规定风机的使 用寿命为20年，但是根据实际生产中的经验，这个要求往往很难 满足。

一般情况下，风机电组的平均质保期为5年，当前投入使用 的风机超过一半的工作时间己经超过5年，为保证风机的正常的工 作，需对风机电机进行全面的维护检修，此次维修将会投入相当大 的人力物力，因此在以后的工作中将老旧风机和故障诊断研究作为 研宂方向，具有重要价值和实际意义。

1故障树模型简介
故障树模型是一个比较定性的因果模型，它是主要研究目标的 构造和功能所具有特点的行为模型，它展现了故障的传播关系。

故 障树从顶事件到底事件的方向对对象进行故障判断，顶事件一般为 最不期望的事件，底事件为不可再分事件，故障判断依据为对象的 功能以及两个事件之间的关系。

因此可以得到，基于故障树的传播 有向图主要是以节点之间拥有和逻辑有关的带权有向树，故障传播 的目标就是底事件—中间事件—顶事件。

如图1所示。

故障树的建立和更新机制：故障树模型根据系统发生的故障，对其原因进行逻辑性的逐层分析与总结，从而确定出造成故障的原 因或者几个原因，最终提出解决或排除故障的方法。

故障树中的新
图1:故障传播关系的有向图
知识一般通过人工获取的方式取得，所谓人工知识获取即领域专家
和工程师之间的资料和数据分享，获取的知识在工程师和领域专家
指之间通过交流探讨与归纳总结，从而对其进行更进一步的编码，
实现对故障树模块库的更新。

2风机故障树模型与推理方法
根据风电场风机的结构，可将风机故障树分为六个部分，即风
轮系统故障树、传动系统故障树、液压系统故障树、偏航系统故障
树、变桨系统故障树、发电机系统故障树，下面以发电机系统故障
树为例。

根据故障树进行故障诊断方向有三种：正向推理、反向推理和
正反向混合性推理。

(1)正向推理：所谓正向推理，即由条件到结论的推理方式，其中的依据是条件和结论之间的某种逻辑关系，又被称为事实驱动
理论推理。

它以事实为依据，将相应的推理方法作为指导，证明命
题是否成立。

正向推理简单易行，用户也可以随时自主的提供问题
的相关信息（新事实），方便及时做出反应。

不足之处在于不相关
的操作对求解问题影响较大，在求解时也会被执行，导致推理结果
中存在大量与问题不相关的其他子目标，因此正向推理存在盲目性
大，效率低的缺陷。

(2)反向推理：即由结论到条件，推理过程与正向推理相反，它将结论作为依据，又被称为目标驱动理论，在知识库中，以结论
为出发点，寻找能够证明该结论的真伪的证据。

由于反向推理具有
较强的目的性，因此可以排除与假设无关的知识，避免它对寻找结
222
电子技术与软件工程
Electronic Technology & Software Engineering
电力电子Power Electronic
—磨损
油承故睡点蚀
一内夕圈裂痕
其他故蹿基挪麵嫌这輸图2:发电机系统故障树果存在一定的不准确性，影响后续工作，而概率神经网络算法性能 比故障树分析性能明显较好，它可以通过结合诊断对象的运行状态 构造出模式识别分类器对状态进行检测并进行分析处理，完成对故 障的诊断，和只使用故障树分析法相比，它能明显降低对某一设备 状态诊断的误判率。

概率神经网络（P N N)的计算过程是完全向前 的，它与传统的多层前向网络B P算法相比，无需计算反向误差传播，因此运算速度比较快，同时训练时间短、不易产生局部最优解、分 类准确率高。

对于无论多么复杂的计算，当训练数据足够多时，它 就可保证能够获得贝叶斯准则下的最优解。

发电机系统故障树如图 2所示。

概率神经网络（P N N)是一种前馈型神经网络，它是由径向基 函数网络发展而来的，适用于模式分类。

其依据准则是贝叶斯最小 风险准则即贝叶斯决策理论，采用P a r z e n窗函数密度估计方法估计 条件概率。

训练样本的临近分类器通常由散布常数S p r e a d的值来 实现，概率神经网络由4层模型组成，分别是输入层、模式层、求 和层、输出层。

在输出层中，根据已经建立的网络，对输入向量进 行最大后验概率估计，最后将概率值最大的输出为相应类别。

如图 3所示。

在在故障树模型的基础上，根据贝叶斯准则概率神经网络理论，得到一种新的故障诊断模型，它结合两者优点，能够解决之前难以 判断的故障如复杂转速故障诊断，克服了使用一种方法带来的片面 性，因此使得在实际中故障检测的准确性得到有效提升，同时故障 检测的效率也有效提高。

此方法在实际中工作人员操作简单，且容 易实现，当样本中存在一定的噪声时，算法对噪声具有较强的鲁棒 性，因此可进一步增强诊断准确率。

随着样本数据的增多，诊断网 络将不断被得到完善，诊断率将得到大大提高。

输入层 模式层 求和层 输出层
图3:概率神经网络的基本结构
果的影响。

根据反向推理的过程，可以得出反向推理策略能够支持 其解释的精确性，其中要遵循的规则（知识），用户也可以简单明 了的了解到，以更快更高效的实现目标。

(3)正反向混合推理：正反向混合推理首先正向推理，再反 向推理，正向推理将已有的初始数据或数据作为出发点，根据相应 推理方法得到假设结论，但是这些初始数据或证据往往存在不充分 的缺点，因此将正向推理得到的假设结论再作为反向推理的结论，从假设结论开始，寻找与之对应的事实或者证据。

正反向混合推理 将正向和方向推理的优点进行了结合，这种推理方式和人们的思维 方式类似，相对于正向和反向推理，它的控制策略更加复杂，因此 它适用于对复杂问题的求解。

在实际应用中，由于部分未知状态分类难以确定，因此得到的 情报往往欠缺完整性，如果只使用单一的故障树方式，故障诊断结3小结
基于故障树和神经网络的风机故障检测，可在长期运行过程中，动态更新故障库类型，不断提高故障检测的准确率。

采用故障树分 析可以对已知故障进行快速诊断，神经网络可以对多因素、多机理 的复杂故障经过训练后进行快速识别，现场运维人员可通过信息化 手段得到诊断结果，诊断结果对现场人员的故障处理具有一定的指 导性。

参考文献
[1] 谢源.风力发电机组状态监测系统与故障诊断方法研究现状
[J].上海电机学院学报，2010.
[2] 朱明.凝聚共识、完善管理，助力风电产业健康发展[J].风
能，2014
[3] 邓雁敏.叶轮质量不平衡下永磁直驱风力发电机特性分析[D].
华北电力大学，2015.
[4] 苏立峰.风电发展现状与潜力分析探讨[J].能源与节能，2013.
[5] 蔡新，潘盼，朱杰等.风力发电机叶片[M].北京：中国水利
水电出版社，2014.
[6] 任永.风力机叶轮不平衡故障建模与仿真研究[D].武汉：华
中科技大学，2012.
作者简介
艾进才（ 1974-)，男，宁夏回族自治区中卫市人。

硕士研究生学历，高级工程师。

研究方向为风力发电机组控制系统。

223。