首页 > 论文范文 > 工程工业论文 > 工业综合论文 > 工业设备论文 > 故障预警中非线性状态估计的应用分析

故障预警中非线性状态估计的应用分析

2020-11-25 188 上传者：管理员

摘要：故障预警研究作为资产管理的新方向，吸引着全球学者的目光.非线性状态估计(non-linearstateestimationtechnique,NSET)以设备历史状态为基础，使用非线性组合的方式表征当前设备的预警值；并将3σ准则进一步推广，得到故障预警阈值；最终通过预警值与实际值的残差，得出设备状态是否处于故障的结论.依托现场的真实风电机组数据，经数据预处理，建立NSET预警模型，并通过设定预警阈值验证了NSET预警故障的可行性与预警策略的可实施性.

关键词：
故障诊断
故障预警
资产管理
非线性状态估计
风电机组
加入收藏

故障预警作为资产管理的基本环节，得到了我国学者的广泛关注，而且相关概念“预防性维护”也早已在国外提出.国内研究经验丰富的领域是故障诊断，即通过仪器检测设备是否存在裂纹、磨损、断裂等现象，或是通过采集高频信号以频域的形式展现设备状态.但故障诊断往往是设备已发生故障或是计划性维修过程中发现较严重故障时的措施，修复设备需要耗费大量人力物力，若想提前预警潜在故障，则需要设计新的算法策略或是算法结构.

近日，有研究学者分别使用大数据分析[1]及门控循环单元神经网络[2]等技术手段，深入研究了风电机组的轴承故障预警方法；西安理工大学的谭思雨研究了基于温差变化分析的车轴故障预警方法与基于温差估计的车轴故障诊断方法，实验结果验证了所提方法的有效性[3]；李德等人结合hadoop大数据平台与专家分析，得到了电站设备远程预知性信息[4]；韩万里等人使用主成分分析法与小波变换处理现场数据，得到了引风机的故障预警方法[5]；林新智等人则根据模块化思想建立了燃气轮机性能仿真模型，并确定了各工况下各部件截面气路参数基准值上下限值，从而能及时预警[6].

1、算法简介

1.1非线性状态估计

近十年来，利用NSET方法[7,8]对设备建立故障预警模型，进而预警设备状态是否处于异常的策略得到了众多学者的关注.基本思路为将风机正常运行特征量的数据经过归一化后组成的矩阵作为NSET的过程记忆矩阵D，通过NSET模型进行预测，最后将实际值与预测值进行比较，计算二者之间的残差，验证模型的精准度.

NSET的建模过程需要用到的参量有：系统总体观测矩阵P、训练矩阵K、过程记忆矩阵D以及观测矩阵Dobs和预测输出矩阵Xest.

设系统总体观测矩阵Pn×b形式如式（1），其中n表示每个时间的观测变量数，b表示时间标签.

从总体观测矩阵P中选取一段时间的参数记为训练矩阵K，代表各个观测参数的健康状态.K可表示为：

从训练矩阵K中选择出一部分满足条件的状态数据即可构成过程记忆矩阵D.过程记忆矩阵D可表示为：

NEST模型的输入是具有一定时间长度的观测矩阵Xobs，输出为当前系统的预测输出矩阵Xest，对任意输入的一个观测矩阵Xobs,NEST模型都相应地生成一个与Xobs维数相同（设维数为m）的权值矩阵W使得：

其中，W=[w1,w2，…，wm].

设观测矩阵和预测输出矩阵的残差为ε，若要满足相似性最大，则残差ε取最小为：

若使ε最小，则需要求ε2的极小值，令，则：

由式（6）可知，W存在的前提是矩阵DTD可逆，为增加模型可用度，选择两向量间的Eucliden距离作为DT·D和D之间的非线性运算符，即

则权值矩阵W可改为

则系统的当前预测输出矩阵可写为

自此可根据历史典型数据重构出当前数据的预测值，并最终得到故障预警潜在信息.

1.23σ准则

3σ准则又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除.

这种判别处理原理及方法仅局限于对正态或近似正态分布的样本数据处理，它是以测量次数充分大为前提的，当测量次数较少的情形时用3σ准则剔除粗大误差是不够可靠的.因此，在测量次数较少的情况下，最好不要选用3σ准则，而用其他准则.

在正态分布中σ代表标准差，μ代表均值.x=μ即为图像的对称轴，3σ准则为：

1）数值分布在（μ-σ，μ+σ）中的概率为0.6826;

2）数值分布在（μ-2σ，μ+2σ）中的概率为0.9544;

3）数值分布在（μ-3σ，μ+3σ）中的概率为0.9974.

可以认为，Y的取值几乎全部集中在（μ-3σ，μ+3σ）区间内，超出这个范围的可能性不到0.3%.

2、案例分析

根据现场技术与运行数据资料，开展数据过滤、变量选择、建立模型、预测故障等一系列风电机组故障预警功能研究.以某风场的A12号机组为研究对象，使用其运行期间数据（2018年9月26日—2019年1月26日）作为数据来源，基于NSET算法进行故障预警分析.

2.1数据陈述

某风场的A12号机组在2018年12月26日早6时00分故障报警，SCADA系统中记录故障为“主轴止推轴承温度高”，具体描述为“轴承内部油脂呈褐色，有较多金属粉末，滚动体倒角处磨损，保持架有磨损翻边，两侧滚动体夹紧状态”，从故障描述可得：由于主轴止推轴承磨损而导致轴承温度高，由于温度为缓变信号，并不如冲击信号可通过高频振动传感器被瞬间捕获，其故障发展过程较为缓慢，温度信号在故障发展过程中将承载更多潜在信息.

SCADA数据中，含时间变量共有70类数据变量，有齿轮箱相关变量、发电机相关变量、主轴相关变量、机舱及环境变数、变桨系统相关变量等17713条信息量丰富的10min采样频率数据.针对主轴相关变量绘制成图，如图1所示.

由图1可知在菱形处，风电机组故障报警，但温度却继续上升，查询时间标签，发现继续匀速采样，风机并未停止，由此推断，可能有两种情况：1）风电机组在采样时间内已停机，待设备自然冷却后又重新起机并网；2）风电机组并未立即停机修整，而是带故障继续运行.从图1的子图可知第二种情况更符合实际情况，风电机组继续运行25.5h后才停机，停机时长达到51h.

图1主轴相关温度变量趋势

2.2数据关联变量分析

将SCADA数据导入Matlab中，以相关系数r有针对性分析主轴相关2个变量与其他变量之间的关联关系，以期发现对建模过程有建设性贡献的变量.需要说明的是，相关系数r只是众多变量关联关系分析指标的一种，并不具备直接决定全部建模相关变量的能力；最终的变量需要结合相关系数r与工程经验来决定具体的建模变量.

相关系数最早是由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母r表示.由于研究对象的不同，相关系数有多种定义方式，较为常用的是皮尔逊相关系数.下式为相关系数r的计算方法，当r的绝对值越接近1时，表明两变量相关程度越大，而绝对值越接近0时，表明两变量相关程度越小.

相关系数是用以反映变量之间相关关系密切程度的统计指标.相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过2个离差相乘来反映两变量之间相关程度，着重研究线性的单相关系数.

考虑到变量物理空间与机械结构构造，筛选出主轴承温度1、主轴承温度2、机舱温度、发电机转速、风速及上一拍数据变量作为建模的输入变量.

2.3建立故障预警模型

将上述变量重新组合成新的矩阵，作为原始的数据空间.将采集的SCADA数据划分成3份，分别是训练集、验证集、试验集，三者之间的比例为6∶1∶3.由于采集的SCADA数据样本覆盖了故障形成、故障显现、排除故障、再投运行等多个阶段，有建模意义的数据为2018年9月26日0时10分至2018年12月26日6时00分，共13142个数据条目.

经过等步长策略选择，共得到3026个有效数据条目，建立了NSET模型的状态记忆矩阵.通过此记忆矩阵与公式（9）配合，即可建立NSET模型.当Xobs维度缩减为观测向量后，可通过与状态记忆矩阵的复合运算得到预测估计向量Xest，预测估计向量Xest是当前状态参数以历史记忆向量度量的结果，能够代表同参数下的目标参数估计值，从而得到观测向量与预测估计向量的差值.将得到的记忆矩阵中关键变量风速、发电机转速、功率绘制成三维图，如图2所示.

使用验证集验证NSET模型的精准度，得到图3.从图3中能够直观感觉预测值的波动幅度较大，大部分情况下大于原始数据，但整体上能够跟随原始数据.出现这样的原因是仅通过限值对原始数据进行了简单处理，并未深度处理原始数据，造成记忆矩阵与原始数据的分布有明显区别.

图2记忆矩阵三维图

图3验证集数据预测图

2.4故障预警

使用上述的NSET模型，对试验数据进行预测，观察主轴齿轮箱侧温度变化，如图4.

图4中共有2条曲线，一条曲线为原始数据，是通过传感器捕获的当前主轴齿轮箱侧温度，而另一条曲线是预测数据，是原始数据与状态记忆矩阵共同计算得到的结果.从图4中能够明显看出，虽然部分趋势相同，风电机组的主轴齿轮箱侧温度的原始值与预测值发生较大偏离，表明原始数据与状态记忆矩阵的关联性已经发生改变，其本质特征需要进一步检验.值得注意的是1000点至2500点之间发生较大偏离，其原因可能是，由于设备状态衰退，原始的NSET模型与当前设备失配，原始模型的特征已不能较好地匹配当前设备的参数特征，以致于两者偏差较大，依据此思路可检测是否存在潜在故障.

使用试验集参数中的原始数据与预测数据相减，可得到主轴齿轮箱侧温度模型的残差图；使用验证集数据分布与3σ准则，可得到2条与x轴平行的预警线，且验证集数据残差值以0.9974的概率落在预警线内.则可得试验集的预警图，如图5.

从图5中能够看出温度残差信号在1000点左侧开始突然超出警戒线，统计得出900～1000点之间有17个点超出.随后频频超越警戒线，并在2500点以后反向向上超出警戒线.综上，在1000点处就应及时对风电机组安排登舱检视，此时时间为2018年12月5日，距离SCADA系统报警（2018年12月26日）、停机（2018年12月27日）尚有充裕检修时间，并且期间也有多次预警，依然存在预测性维护的可操作性.

图4试验集数据预测图

图5试验集预警图

3、结论

本文提出了一种基于NSET与3σ准则相结合的故障预警方法，首先构建了基于NSET算法的故障预警模型，得到现场数据与故障预警模型的残差序列，最后将3σ准则应用到残差序列的监测上，得到设备状态的健康信息.仿真结果表明，所提故障预警策略能有效完成故障预警任务，满足现场运维需求.

参考文献：

[1]李俊卿,王焕仲,季刚,等.基于大数据分析的风机轴承故障预警[J].智慧电力,2020,48(2):25-30.

[2]尹诗,侯国莲,胡晓东,等.风力发电机组发电机前轴承故障预警及辨识[J].仪器仪表学报,2020,41(5):242-251.

[3]谭思雨.高速列车车轴故障预警与诊断方法研究[D].西安:西安理工大学,2019.

[4]李德,石林,孟兆博.电站设备远程故障预警系统设计[J].电站系统工程,2020,36(1):69-70,74.

[5]韩万里,茅大钧,印琪民.基于PCA和多元状态估计的引风机故障预警[J].热能动力工程,2020,35(1):91-97.

[6]林新智,冯坤,胡明辉,等.基于性能仿真的燃气轮机气路故障预警方法[J].热能动力工程,2020(9):36-43.

[7]尹诗,余忠源,孟凯峰,等.基于非线性状态估计的风电机组变桨控制系统故障识别[J].中国电机工程学报,2014,34(S1):160-165.