英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

风力涡轮机状态检测的机器学习方法综述

摘 要

本文回顾了有关机器学习 (ML) 模型的最新文献，这些模型已用于风力涡轮机的状态监测（例如叶片故障检测或发电机温度监测）。我们通过典型的 ML 步骤对这些模型进行分类，包括数据源、特征选择和提取、模型选择（分类、回归）、验证和决策。我们的研究结果表明，大多数模型使用 SCADA 或模拟数据，几乎三分之二的方法使用分类，其余的则依赖回归。神经网络、支持向量机和决策树是最常用的。最后，我们讨论了该模型未来工作的主要领域。

关键词：可再生能源，风电场，状态监测，机器学习，预测维护

正文：

第1章 引言

部分由公共投资推动[1] 和气候变化意识的上升，可再生能源收集技术的快速进步导致此类能源相对于传统能源（例如化石燃料）的比例增加。具体来说，风能是通过使用位于陆上（陆地）或海上（海洋）的涡轮机来捕获的。风电场越来越多地建在海上的原因有几个，包括海上风力更强、更稳定，更大的机组更容易运输和部署，更少的视觉干扰和潜在的利益冲突被最小化等。[2]然而，在海上位置维护风力涡轮机的成本很高：确保风力涡轮机在其生命周期（通常为 20 到 25 年）内以最佳水平运行，成本约为海上安装的 25%. [3]

状态监测 (CM) 涉及观察风力涡轮机的组件，以识别可以指示正在发展的故障的运行变化。很明显，通过强大的 状态监测 在故障发生之前对其进行预测，可以显着降低运营和维护 (Oamp;M) 成本 [4]。 状态监测 方法依赖于对特定测量和操作方面的分析（例如振动分析、应变测量、热成像和声发射）。传感器和信号处理系统、大数据管理、机器学习 (ML) 的最新发展以及计算能力的改进为集成和深入的 状态监测 分析开辟了机会，其中不同类型的数据可以促进知情、可靠、成本状态监测中的有效和稳健的决策。

本文回顾了最近基于 ML 的风力涡轮机 状态监测 方法（2011 年以后）。为了进行审查，使用搜索词“风力涡轮机状态监测回归”和“风力涡轮机状态监测分类”从谷歌学术检索文章，并按年份（gt;2011）、访问、引用和相关性过滤；介绍了 2011 年之前的精选论文，因为它们具有历史重要性。

我们筛选了 144 篇关于任务相关性（故障诊断/预测）和相关数据、ML 管道（特征选择和提取、模型）和决策的论文。对于确定的每一类模型，我们讨论了相关的挑战、潜力和缺点。附录 A概述了特征提取和选择方法；附录 B总结了与数据集、任务、方法和评估相关的主要趋势。

本文结构如下：第二部分概述风力涡轮机的状态监测；第三部分介绍 ML 中的典型步骤；第四部分提出具体的状态监测方法；第五部分总结并讨论未来的工作。

第2章 风力涡轮机的状态监测

风力涡轮机的状态监测是 Oamp;M 不可或缺的一部分，其中运营包括风电场现场的管理、监控和高级陆上控制，而维护则包括维护安装所需的干预措施。维护可以是反应性的、预防性的或预测性的 [5]：反应式（或纠正性，运行故障）是最昂贵的类型，不使用 状态监测，当缺陷发生或累积时更换组件；在预防性（预定）维护下，在下一次干预时更换组件，希望在相关故障发生之前更换；基于 状态监测 的预测性维护策略可以通知维护有关可能发生故障的组件并及时更换它们。

状态监测可以从几个方面来看。首先，状态监测 可以应用于不同的粒度级别：在最细粒度的级别上，我们可以监控风力涡轮机子组件（例如传动系统）的状况；在最粗粒度的最上层，我们可以考虑整个风电场。不同型号提供的信号可以组合起来，为整个涡轮机提供更高级别的警告。

其次，监控的方式可以有对被监控组件的物理影响。文献确定了两种主要的监测类型：

侵入式监测：涉及振动分析 [6]、油屑监测、冲击脉冲方法等。这些方法会对被监测的部件造成损失（磨损）。

非侵入式监测：涉及超声波检测技术、视觉检测、声发射、热成像、使用功率信号分析的性能监测等。[7]

1. 状态监测可用于实时或未来的故障检测，因此我们区分如下：

状态监测 用于诊断故障检测，我们在故障发生时识别故障。确保状态监测能够识别故障的存在应该是构建用于预测的 ML 模型的先决条件。

用于预测故障预测的 状态监测，其中基础模型在信号数据中找到可预测未来故障的模式。

在决定监控哪些组件时，重要的是要考虑不同子组件的故障率和每次故障的停机时间。优先考虑更可能发生故障或可能导致长时间停机的组件，因为它们可能会产生最大的潜在影响。 Pfaffel 等人[8] 汇总了七次调查的数据，以确定风力涡轮机不同子系统的年故障率以及每天的平均停机时间。他们得出的结论是，某些部件（如旋翼（尤其是变桨系统）、变速器和动力系统）的故障率往往高于其他部件。卡罗尔等人。 [9] 分析了 300 多台海上风机，发现每台海上风机每年的故障率约为 10，其中约 80% 需要小修（lt;1 k Euro），17.5% 需要大修（1-10 k Euro），2.5% 需要大修替代品（gt;10 k 欧元）。他们确定了俯仰/液压、发电机和其他子系统（门/舱口问题、盖子、螺栓、闪电）对故障率的影响最大。发电机和变流器在海上风力涡轮机中的故障率往往高于陆上风力涡轮机。齿轮箱的典型故障包括滑环、润滑脂管、转子问题 [9] 行星齿轮和轴承故障、中速和高速轴承和润滑系统故障 [10].

克拉布特里等人[11] 发现虽然有各种各样的商业状态监测系统在使用，但对于未来的研究方向还没有达成共识。他们报告说，当前的商用风力涡轮机 状态监测 在很大程度上依赖于从传统旋转机械行业借鉴的既定方法。执行 状态监测 的常用方法包括基于声学测量的方法、电效应监测、电能质量和温度监测、油污监测、振动分析 [12] [13]，基于物理的数据分析 [14] 等等。

第3章 机器学习（ML）概述

ML 是构建归纳模型的过程，该模型无需专家干预即可从有限数量的数据中学习。这种学习意味着找到一组潜在的结构（或模式），这些结构（或模式）有助于理解数据中的关系，这些关系可能与发生学习的关系并不完全相似。在 ML 模型的分类中（如图1所示），监督学习使用标记的输入数据预测输出变量，而无监督学习从没有标记输入的数据中得出推论（例如通过聚类算法、推荐系统等完成）。对于监督学习，我们区分预测数字变量（回归）或分类变量（分类器）的模型。

图1 机器学习模型的分类

模型中的学习转化为将模型的参数拟合到特定的数据集，通过多次遍历数据迭代地更新它们，直到最小化特定的预定义函数。

ML 过程可以表示为一系列步骤：

数据采集​​和预处理：可能集成不同的数据集和模式，清除异常值等。特征选择和提取：从数据中识别和提取重要的信号和特征。

bull;

bull;

模型选择：考虑到要解决的任务，选择适当的模型。

bull;

验证：使用特定于任务的性能度量，包括准确性（分类）和平均绝对误差（回归），在验证数据集上进行评估。

bull;

图 2 展示了两个常见 ML 任务的典型详细工作流程：

分类/预测：重要步骤包括数据预处理（处理缺失数据、异常值等）、类均衡（确保要预测的类具有均匀分布，使模型不存在偏差[15]），过滤器/包装器特征选择和提取（仅保留相关特征），分类模型拟合（估计模型参数），交叉验证（测试模型的泛化性）。

bull;

如果在未来时间（例如 t 1）将特征馈送到带有标签的模型中，则可以将解决方案转换为预测问题，从而将解决方案从诊断扩展到预测。

基于回归的异常检测：这里的任务是识别信号和特征如何与不同组件的输出相关。当系统处于健康状态时，通过拟合回归模型来捕获这种关系。当新数据进来时，它会与模型预测的健康状态进行比较，如果在几个连续的时间间隔内发现偏差，就会发出警报。组件的行为（从低粒度到高粒度）可以通过不同复杂性（从简单的线性模型到复杂的非线性模型）的回归来捕获。

bull;

图2 从数据中学习的两种主要方法

ML 模型选择步骤特别重要，因为它是从过去数据中学习并推广到未来的核心功能。这些模型已用于不同的任务，包括分类、回归、异常检测、合成和采样、缺失值的插补、去噪、密度估计和许多其他任务[16].

已经提出了几种不同的模型来从数据中学习。支持向量机 (SVM) 和神经网络 (NN)

是 ML 中用于诊断和预测的两种常见模型。连接主义模型，例如 NN，由称为神经元的简单复制计算单元组成，这些神经元可以通过突触之间的链接相互通信和传递信息。一开始，这些模型是基本的，只能解决线性分类问题（例如，见感知器 [17]）。解决非线性可分情况需要更复杂的架构，通常由多层神经元组成（参见图3）。这样的架构能够逼近任何分类函数，可以理解为通用逼近器[18]。前馈多层是一种 NN 架构，在神经元之间没有循环，信息在一个方向上传播，使其易于建模和实现（与循环神经网络 (RNN) 不同）。虽然 NN 背后的主要原则已经存在了一段时间（例如，用于每个神经元的误差贡献的反向传播算法 [19])、更大数据集的可用性、更好的初始化算法、更大的神经元激活函数集和更强大的机器使得训练由数百个堆叠隐藏层组成的神经网络成为可能。这种被称为“深度学习”的方法已在从图像识别到语音翻译的许多领域显示出颠覆性能力，并已开始渗透到风能行业（例如通用旋转机械 [20], [21]）。虽然 NN 的训练时间可能会很长，但在实际分类或回归方面，模型的应用相对来说非常快。然而，使用 NN 获得的结果高度依赖于所使用的架构、权重初始化、激活函数、优化过程等的选择，并且该过程可能需要大量的努力和专业知识。此外，如果模型的透明度、解释或审计很重要，NN 就不太适合。NN已广泛用于风能领域预测（例如风速预测）、控制（例如风力涡轮机功率控制）、识别和评估（例如故障诊断）[ 剩余内容已隐藏，支付完成后下载完整资料

资料编号：[591272]，资料为PDF文档或Word文档，PDF文档可免费转换为Word