使用人工神经网络的风力涡轮机传感器故障检测

抽象的

本文提出了一种风力涡轮机传感器验证和故障检测方法。确保传感器测量的有效性是整体状态监测的重要部分，因为传感器故障导致监测系统的健康状况不正确。尽管识别传感器中的突变失效相对简单，但校准漂移更难以检测。因此，开发了对测量验证目的的传感器校准漂移的检测和隔离技术。来自风力涡轮机的监控和数据采集系统的温度传感器测量用于此目的。系统的测量值和非线性特性的低输出率驱动了设计先进的故障检测算法的必要性。选择人工神经网络以考虑到在非线性环境中的高性能。结果表明，该方法可以有效地检测校准漂移的存在，并将确切的传感器隔离有故障的行为。

1.介绍

在过去的几十年里，由于风能领域的技术发展，风力涡轮机的尺寸和容量都有所增加。这种情况导致人们越来越关注风力发电机故障检测等课题[1- - - - - -6］.风力涡轮机的状态监测和故障检测算法是有助于降低风力发电厂维护成本和停机时间的重要系统。此外，风力发电厂通常位于远处部位，使得可靠性更加重要。风力涡轮机故障导致需要维修和/或更换动作并导致能源生产损失。此外，在某些情况下，部件中的失败也会影响其他组件甚至整个风力涡轮机。考虑到所有这些事实，尽早检测和隔离风力涡轮机故障是很重要的，以防止这种不期望的结果。此外，随着维护成本的降低，与其他能源相比，风能将变得具有竞争力。

故障检测方法可以分为两种不同的类别，即基于模型和数据驱动的方法。在基于模型的方法中，首先产生表达风力涡轮机动态的数学模型。将该模型的输出与风力涡轮机传感器的实际测量进行比较，并且通过分析真实系统和模型输出之间的残差来给出故障报警。风力涡轮机的模型的故障检测研究的一些示例可以在[7，8］.基于模型的方法具有不需要高采样速率测量的优点[3.］.然而,这些方法的成功依赖于数学模型的一致性和真正的行为系统,这种方法和遇到的挑战,因为除了系统的复杂性,风力涡轮机有复杂的控制系统,增加的困难获得合理的整个系统的数学模型9］.

数据驱动方法不需要明确的数学模型来识别物理系统。相反，它们是基于对安装在风力发电厂不同部分的传感器所收集的测量数据的分析。在选择要处理的传感器数据方面存在不同的选择。第一种替代方案是使用监视控制和数据采集(SCADA)系统的传感器输出，这是大多数现代风力涡轮机的内置部分，没有额外的成本。为了实现故障检测的目的，已经进行了许多尝试，从SCADA数据中获益[9- - - - - -15.］.另一种替代方案是使用具有专门安装用于条件监测目的的传感器的目的设计的测量系统。用于此目的的常见传感器类型是振动，声发射，应变，扭矩和弯矩传感器。使用特定传感器的有些过去的风力涡轮机故障检测研究可以在[16.- - - - - -24.］.两个数据收集方法都具有某些优点和缺点。来自SCADA系统的传感器数据具有低频，通常具有10分钟的采样间隔。由于携带关于故障形成的重要信息的噪声特性丧失，这种低频带来了困难。此外，通常存在SCADA系统收集的数据存在许多缺失的值和缺陷。但作为一个优势，SCADA系统是大多数大型风力涡轮机的内置部分;因此，不需要额外的成本来达到这些数据。另一方面，可以选择用于目的内置的风力涡轮机状态监测传感器的数据输出频率，足够高，不能在信号中丢失信息。然而，这种方法会导致维护额外的维护成本，结果是在对其他能量转换方法的成本竞争力方面成为一个劣势。

在本文中，采用了从风力涡轮机SCADA系统的温度传感器收集的数据来检测和隔离传感器故障。为了构建有效的故障检测系统，区分来自涡轮机的其他组件的传感器误差是至关重要的，因为传感器中的错误行为可能导致数据评估中的错误，并导致故障检测系统的错误报警和性能下降。

为了弥补SCADA系统低频传感器测量的缺点，需要一种复杂的信号处理方法。考虑到人工神经网络在非线性系统建模方面的高性能，因此选择了人工神经网络。建立了不同的人工神经网络体系结构，并对其进行了比较，得到了不同方案中的最佳方案。

本文的布局如下:节2介绍了传感器的选择和数据采集部分的研究。节3.，在本研究中设计的ANN架构，并在部分中解释4和5，分别给出了结果和讨论。

2.数据收集

风力涡轮机由不同的互连子系统组成。主要子系统可以列为空气动力学，机械，电子和控制系统（图1)．这些组件中的任何一个传感器故障导致涡轮机的性能下降。检测和隔离传感器故障是整体故障检测系统的重要组成部分，因为区分异常原因需要进行维修或更换动作。

在风力发电机组的各子系统中，传感器可能会遇到各种类型的故障。典型的传感器故障可分为乘性故障、加性故障、偏移故障和导致系统动态变化的故障[25.］.本文研究了温度传感器测量中的乘法故障。乘法故障可能会从校准漂移时出现，并类似于传感器测量的缩放因子。选择这种类型的传感器故障是调查，因为除非乘法故障的缩放因子太大，否则它不会导致与传感器的正常响应相比，易于识别的变化，这使得它们更加难以检测。本工作中使用的SCADA测量提供了主要故障的一些状态，如主电源故障，馈电故障和音高控制误差;但是，SCADA系统不提供有关传感器故障的信息。但是，确保测量验证是整体故障检测系统设计的强制性步骤。因此，在本研究中人工创建要检测的乘法传感器故障。乘法效应形式的测量差可以源自传感器校准漂移或实际温度偏差，因此需要区分这两个情况。因此，在代表这些情况的不同情况下测试了设计的方法。

收集了900千瓦风力涡轮机的SCADA系统的温度测量，以训练在这项工作中设计的ANN。数据具有10分钟的采样间隔，并在2015年11月1日至2015年11月30日之间收集。SCADA系统包括10个温度传感器，安装在表中显示的涡轮机的不同部件1．

传感器与表格1为本工作的传感器验证目的而选择。他们测量后轮毂轴承温度( )，控制柜温度（ )，塔温度（ )，和变压器温度（ )．该算法仅基于对其中一个传感器的测量，而不使用任何操作或环境数据来检测校准漂移。因此，考虑到传感器安装区域的相似温度特征，我们选择了这个传感器子集。操作人员对每一个部件进行监控，以确定其周围部件是否出现异常。本研究中使用的传感器位置如图所示2．

使用这些传感器的测量，首先是ANNS培训。为培训目的，使用75％的数据。其余25％的数据用于形成测试数据集以评估和比较网络性能。Ann型号的设计和培训在Matlab环境中。

3.人工神经网络架构

ANNS已被证明是各种目标的强大算法，包括分类，估计和故障检测。由于它们在实时应用中成功处理了非线性及其优势，方便设计了用于检测风力涡轮机故障的ANN型号。培训并分析了几个ANN模型，以获得成功的网络架构，满足本研究的要求。

在输入 - 输出关系方面，已经使用了2种方法，即自动随机性和味噌（多输入单输出）结构。在图中呈现了自动关联的情况，其中输入载体与自身相关联3.．可以看出，在图中可以看出，所有传感器都被设置为自动关联网络的输入和输出。在MISO案例中，4个选定的传感器中的3个被设置为输入，并且剩余的传感器设置为输出。使用作为输出的每个传感器重复4次结构。数字4显示味噌结构作为系统的输出。还创建了类似的网络与输出层中的其他传感器。

图中呈现的输入 - 输出关系3.和4用于不同的神经网络类型，即BackProjagation神经网络（BPNN），径向基函数神经网络（RBFNN）和一般回归神经网络（GRNN）。桌子2介绍了所设计网络的计算原理和输入输出关系。

3.1。BackProjagation神经网络

bp神经网络是一种前馈神经网络，其中信息从输入流到输出，没有任何反馈连接，而错误从输出传播到输入。bpnn的详细数学基础可在[26.，27.］.这种神经网络已经常用于故障检测目的。

典型的BPNN由输入层，一个或多个隐藏层和输出层组成。通过考虑问题的要求，可以使用不同的激活功能。在隐藏或输出层中存在的非线性激活函数的帮助下，神经网络能够在输入和输出之间学习非线性关系。在本研究中，设计了具有一个隐藏层的几种BPNN架构。首先，确定隐藏和输出层的激活函数的类型。因此，使用较小的样本数据集进行设计和评估具有不同激活函数对的网络，例如“对数矩形线性”，“对数矩形对数矩形”的“切线丝状线性”和“切线丝状 -切线乙状物质。“前一个函数表示隐藏层的激活功能，后者表示输出层的激活函数。通过“对数型丝状线性”激活函数对获得的最佳结果。因此，继续使用这些激活功能继续进行以下部分的详细网络开发。

如表所示2， bp神经网络模型设计采用了自关联结构和MISO结构。为了获得高性能的自关联bp神经网络，设计了包含2个和3个隐藏神经元的不同网络结构，并对每种结构进行了10次实验。之所以进行多次试验，是因为网络的性能取决于连接不同层的权值的初值，以及保证代价函数空间中最小点的到达。

对于MISO BPNN，隐藏的神经元的数量从2到15增加，并且再次举行10个具有不同随机初始条件的试验。根据比较制作了在研究的下一部分中使用的最佳网络的选择拟合优度值。在自动关联的bpnn中传感器1 ~ 4的最佳网络值分别为0.999、0.999、0.996和0.993。MISO bpnn得分最高分别为0.836、0.979、0.984、0.985。数字5显示具有最佳性能的自动关联和MISO BPNN的测试集的回归图。

3.2。径向基函数神经网络

RBFNN是一种前馈神经网络，通常具有单层隐藏单元，这些隐藏单元连接到线性输出单元。他们以混合的方式接受训练。隐层中的计算部分采用无监督学习，每一个计算部分都用径向基函数描述。隐藏层中单位的大小与训练向量的大小相同。输出层以监督的方式进行训练。rbfnn的数学细节可在[28.］.

RBFNN的神经元的输出如下所示： 在哪里是隐藏层神经元的数量，为各单元径向基函数的核，是神经元的径向基功能载体的中心 ，和是神经元的重量在输出层中。RBFNN内核最常见的选择是在本研究中也使用的高斯激活功能。它如下所示： 在哪里是相关中心矢量和输入矢量之间的平方欧几里德距离和是宽度因子^TH.隐藏层中的隐藏单元，控制插值函数的平滑性。

在这项研究中开发了几种具有RBFNN方法的自动随机性和MISO网络。在0.1和100之间的不同值中选择了网络的宽度因子。基于该数据的性能价值观。最好的所有传感器的自动联合rbfnn评分均大于0.999。MISO rbfnn的最高分分别为0.824、0.979、0.982和0.984。在后续研究的详细分析中，使用了性能最好的网络。具有最高性能结果的RBFNN网络测试集的回归图如图所示6．

3.3。一般回归神经网络

GRNN计算输出的最可能值只有培训向量 ．在这种方法中，不需要特定的功能形式，以描述输入和输出之间的关系，而是表示作为从观察数据确定的概率密度函数的相应形式。由于参数使用示例直接计算，因此不需要迭代计算[29.］.

平方距离哪个给出（3.）用于计算可能的值。

输出计算通过 在哪里输出的估计是所有观察样本的加权平均值吗 ， 是输入矢量，是观察样本的数量，和是宽度因素。与RBFNNS中使用的方法一样，GRNN型号的设计也被设计为0.1到100的不同宽度因子。最高用于传感器1到4的自动关联GRNN网络的值分别为0.992,0.990,0990和0.994，并且MISO GRNN的最佳分数为0.808,0.976,0.973和0.981。数字7显示了拟合结果最佳的自关联和MISO GRNN模型的回归图。

4.结果和讨论

如部分所述2，SCADA数据不提供有关初始温度传感器故障的信息。因此，在这项工作中人工创建代表校准漂移的乘法故障。该模型不独立评估单传感器测量，而是通过观察与从物理相关的位置中选择的组中的其他传感器的关系来评估它们，因此可以区分由校准引起的变化从出现由于由于所出现的变化而引起的校准漂移引起的变化真正的温度变化。在多个传感器中可以看到源自环境影响的温度升高，而校准漂移将导致仅在故障传感器中的变化。为确保所提出的算法区分温度变化的根本原因，在3个不同的情况下测试了网络。观察到无需任何温度漂移的测试集的ANN模型的性能，以便1．以防2，通过将传感器的输出中的一个具有恒定因子乘以一个传感器的输出来模拟校准故障。在情况下，模拟了所有温度测量的总移位3.这代表了源自故障而是实际环境温度变化的变化。

ANN产出的详细信息和不同期望总结如下。

案例1。没有故障情况。
在这种情况下，从传感器收集的温度测量被直接用作网络输入。将其作为测试集分开的数据的25％用于此目的。数据显示了涡轮机的正常行为而没有任何故障，因此来自网络的期望是产生尽可能靠近实际传感器测量的闭合输出值。

例2。其中一个传感器中的乘法故障。
案件2旨在引入要检测到测量系统的故障。在其中一个传感器中是人工创建的乘法故障。测试设置为控制柜温度传感器的测量（ ）乘以常数术语1.2。通过分析网络输出和传感器测量之间的残差来评估这种情况的网络的性能。期望是在与其他传感器比较的故障传感器的测量和估计之间获得更大的残差。

案例3。没有故障情况。由于环境温度升高，所有测量的总转变。
在这种情况下，通过常数术语1.2乘以所有4个传感器的测量值。这种整体班次的目标是确保用于该故障检测算法的网络在没有传感器出现故障时不会产生假故障警报，但记录了真正的温度升高。对这种情况的网络的期望再次产生尽可能靠近实际温度值的关闭估计值。

所有3个案例的输入数据都被实现到6个最佳模型中价值观。根据每个案例的不同要求分析网络的输出。

桌子3.给出了神经网络在°C下的每个情况的均方根误差(RMSE)值。结果表明，自关联bp神经网络是区分故障案例和非故障案例最方便的网络。在这种情况下1和3.，实际值和ANN输出之间的RMSE值对于所有传感器小于0.8°C，而在情况下2，传感器2和4的RMSE值分别为1.6°C和1.3°C。尽管自关联RBFNN在Case中优于前者1和案例3.，它无法在错误的情况下生产所需的残留物（案例2)．数据8- - - - - -10.给出了每种情况下的自关联BPNN结果。从图中可以看出8和10.，真正的温度值和ANN输出非常接近1和案例3.．数字9表明在Case中残差是可见的2，这是出现故障的迹象。然而，控制柜和变压器的剩余幅度彼此非常接近。这种情况可以防止找到故障的确切位置。因此，为了隔离故障定位，出现了以组合方式使用不同的网络估计的必要性。

提供提供最佳故障隔离结果的网络是MISO BPNN，其中故障传感器的RMSE值（ ）在情况下，比其他传感器显着大2，在其他情况下，RMSE值相对较小。数据11.- - - - - -13.给出指定网络所获得的结果。对应的图显示了4个神经网络的组合，由于MISO网络的单输出结构，每个子图中有不同的输出传感器。

如图所示11.，实际数据和网络输出在正常操作情况下是一致的。数字12.表明，以防万一2，与自关联网络的结果不同，本次控制柜温度的残差明显大于其他传感器的残差，RMSE值为7.2°C。因此，该网络可用于故障的隔离定位。为例3.如图所示13.），网络产生对这种情况不受欢迎的残留物;但是，将通过支持自动关联BPNN来防止虚假警报的故障存在的决定。通过使用不同网络的这种组合决策算法，故障检测系统将能够以更敏感的方式区分故障和非事实情况，并提供有关故障的确切位置的信息。

5。结论

本文提出了一种使用风力涡轮机SCADA系统的温度传感器来检测和隔离传感器故障的数据驱动方法。这种方法的显着优点是使用来自SCADA系统的传感器数据，该系统是最大型现代风力涡轮机的内置;因此，数据收集系统不会带来任何额外的硬件要求和额外费用。然而，由于SCADA测量值为低频检测频率低，因此需要通过本研究中的人工神经网络提供的智能模型。训练了几个人工神经网络架构的目标。基于对模拟结果的评估，提出从不同架构的优势中受益。自动随机性BPNN已被证明是一个成功的网络，以区分非事实情况的故障情况，MISO BPNN在找到具有故障行为的确切传感器方面提供了令人满意的结果。结果表明，该方法对于传感器故障检测和隔离是可行的和有效的。作为未来的工作，可以扩展研究以涵盖从风力涡轮机聚集的其他测量，以构建整体故障检测系统。

数据可用性

由于与风能公司签署了保密协议，用于支持这项研究结果的SCADA数据尚未公布。

利益冲突

作者宣布没有关于本文的出版物的利益冲突。

致谢

这项工作得到了土耳其科学和技术研究理事会(TUBITAK)的部分支持。

参考

1. P. Tchakoua, R. Wamkeue, M. Ouhrouche, F. Slaoui-Hasnaoui, T. Tameghe，和G. Ekemb，《风力涡轮机状态监测:最新技术综述、新趋势和未来挑战》，能量，卷。7，不。4，pp。2595-2630,2014。查看在：出版商网站|谷歌学术
2. W. Yang，P. J. Tavner，C. J. Crabtree，Y.冯和Y.邱，“风力涡轮机状态监测：技术和商业挑战”风能，卷。17，不。5，pp。673-693,2014。查看在：出版商网站|谷歌学术
3. M. L. Wymore, J. E. Van Dam, H. Ceylan, D. Qiao，“风力涡轮机健康监测系统的调查”，可再生和可持续能源评论，卷。52，不。1069283，pp。976-990，2015。查看在：出版商网站|谷歌学术
4. W.乔和D. Lu，“风力涡轮机状态监测和故障诊断调查 - I：组件和子系统，”IEEE工业电子产品交易第62期10，pp。6536-6545,2015。查看在：出版商网站|谷歌学术
5. W.乔和D. Lu，“风力涡轮机状态监测和故障诊断调查 - 第二部分：信号和信号处理方法，”IEEE工业电子产品交易第62期10, pp. 6546-6557, 2015。查看在：出版商网站|谷歌学术
6. G. D。N.P. Leite，A.M.Araújo和P.A.C.ROSA，“预后技术适用于风力涡轮机的维护：简明和特定的审查，”可再生和可持续能源评论，卷。81，pp。1917-1925,2018。查看在：出版商网站|谷歌学术
7. P. F. Odgaard, J. Stoustrup, R. Nielsen，和C. Damgaard，“基于观测器的风力涡轮机传感器故障检测”，在1999年欧洲风能会议，页1-10,Marsielle，法国，2009。查看在：谷歌学术
8. 魏晓伟，“基于鲁棒观测器和滤波的风力发电系统传感器和执行器故障诊断”，风能，卷。14，不。4，PP。491-516，2011。查看在：出版商网站|谷歌学术
9. W. Yang，R. Court和J. Jiang，“风力涡轮机状态监测SCADA数据分析的方法”可再生能源， vol. 53, pp. 365-376, 2013。查看在：出版商网站|谷歌学术
10. M. Schlechtingen，I. F. Santos和S. Achiche，“风力涡轮机状态监测”使用正常行为模型，基于SCADA数据。第1部分：系统描述，“应用软计算，第13卷，第2期1，页259-270,2013。查看在：出版商网站|谷歌学术
11. K. Leahy, R. Lily Hu, I. C. Konstantakopoulos, C. J. Spanos, A. M. Agogino，“利用应用于运行数据的机器学习技术诊断风力涡轮机故障”，刊于2016 IEEE预后与健康管理国际会议(ICPHM)，pp.1-8，渥太华，在，加拿大，2016年。查看在：出版商网站|谷歌学术
12. Y. Zhao，D. Li，A. Dong，J. Lin，D.康和L. Shang，使用SCADA数据的风力涡轮发电机的故障预后，“NAPS 2016-48 North Am。权力研讨会，pp.1-5，丹佛，美国，2016年。查看在：出版商网站|谷歌学术
13. P. Sun，J.Li，C. Wang和X. Lei，基于SCADA数据的风力涡轮机异常识别的广义模型，“应用能量，卷。168，pp。550-567,2016。查看在：出版商网站|谷歌学术
14. 陈建平，“基于SCADA数据协整分析的风力发电机组状态监测与故障检测”，中国电机工程学报，2018,vol . 18, no . 1, no . 1可再生能源，卷。116，B部分，PP。107-122,2018。查看在：出版商网站|谷歌学术
15. L.王，Z. Zhang，H长，J.Xu和R. Liu，“带有深神经网络的风力涡轮机齿轮箱故障识别”工业信息学的IEEE交易，第13卷，第2期3，pp。1360-1368,2017。查看在：出版商网站|谷歌学术
16. P. Caselitz和J.Giebhardt，“转子状态监测，提高海上风能转换器的运行安全”，“太阳能工程学报，第127卷，第127期2, p. 253, 2005。查看在：出版商网站|谷歌学术
17. M. J. Schulz和M. J. Sundaresan，用于风力发电机结构状态监测的智能传感器系统:2002年5月30日- 2006年4月30日，技术。代表。国家可再生能源实验室（NREL），Golden，Co，USA，2006。查看在：出版商网站
18. D. J. Comboni和B. Fazenda，“风力涡轮机叶片的声学状态监测：尖端故障”美国声学学会杂志，卷。132，p。1956年，2012年。查看在：谷歌学术
19. Y. Qu，E. Bechhoefer，D。他和J.朱，“一种新的声发射传感器的齿轮故障检测方法”，国际预后与健康管理杂志，卷。4，pp。1-14,2013。查看在：谷歌学术
20. 陈志强，陈志强，陈志强，“基于压电陶瓷主动传感和阻抗传感的风力发电机叶片结构健康监测”，中华人民大学学报(自然科学版)第十一届IEEE网络、传感与控制国际会议论文集，第661-666页，佛罗里达州迈阿密，美国，2014。查看在：出版商网站|谷歌学术
21. O. M.Bouzid，G. Y. Tian，K. Cumanan和D. Moore，“风力涡轮机叶片的结构健康监测：使用无线传感器网络的声学源定位”中国传感器杂志， vol. 2015, Article ID 139695, 11页，2015。查看在：出版商网站|谷歌学术
22. 钱勇，“基于单传感器盲源分离的风力发电机齿轮箱故障诊断”，中国传感器杂志， 2016年，第6971952号，14页，2016年。查看在：出版商网站|谷歌学术
23. Y. Guo，X. Chen，S. Wang，R. Sun和Z. Zhao，“风力涡轮机诊断”在可变速度条件下使用单个传感器的基于同步调节变换方法“传感器，卷。17，不。5，p。1149,2017。查看在：出版商网站|谷歌学术
24. A. Coscetta，A. Minardo，L. Olivares等，“带布里渊的光纤传感器的”风力涡轮机叶片监测“，中国传感器杂志，卷。2017年，第9175342号，5页，2017年。查看在：出版商网站|谷歌学术
25. P. F. Odgaard，J. Stohstrup和M. Kinnaert，“风力涡轮机的容错控制：基准模型”，控制系统技术汇刊，卷。21，不。4，pp。1168-1182，2013。查看在：出版商网站|谷歌学术
26. B. Krose和P.Van der Smagt，神经网络介绍，阿姆斯特丹大学，1996。
27. K. Patan，用于建模和故障诊断技术过程的人工神经网络，卷。377，Springer，2008年。查看在：出版商网站
28. S. Haykin，神经网络和学习机，Prentice Hall，3版，2009年。
29. D. F. Specht，“广义回归神经网络”，神经网络上的IEEE交易，卷。2，不。6，pp。568-576,1991。查看在：出版商网站|谷歌学术

版权

Copyright©2018 Ayse Gokcen Kavaz和Burak Barutcu。这是一篇发布在知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。