用于实时识别已知和未知风力发电机故障及发电状态的倒谱系数

《Renewable Energy》：Cepstral coefficients for real-time recognition of known and unknown wind turbine damage and power-generation states

　　摘要：本研究提出了一种实时识别风力发电机故障及发电状态的方法。该框架通过将结构响应特征与异常或退化的运行行为相关联，实现了基于振动的监测与可再生能源发电性能之间的联系。该方法结合了用于降维的线性判别分析以及用于在条件变化时进行自适应分类的概率线性判别分析。其核心创新在于，即便仅在半监督学习环境下基于已知正常运行条件进行训练，该模型仍能识别已知类别及此前未曾见过的类别。这一能力有效解决了风力发电机监测中的关键难题——故障难以预测，且标记数据往往有限。该框架还引入了混淆流矩阵，这是一种对传统混淆矩阵的创新扩展，能够体现时间动态变化，从而反映随时间变化的分类行为。该方法通过Aventa AV-7研究用风力发电机的振动数据及SCADA数据进行了验证，这些数据被分为四种正常运行状态以及与俯仰系统故障和气动失衡相关的多种非正常状态。所识别的类别对应着运行行为的显著变化，包括在俯仰系统故障导致紧急停机前的从正常状态到发电性能下降的状态转变。该框架的平均二元分类准确率和多类分类准确率分别高达0.89和0.67，对于某些传感器而言，最佳准确率甚至超过0.94和0.91。所提出的混淆流矩阵进一步凸显了误分类的时间趋势、类别稳定性以及状态可区分性，为理解模型随时间的适应性提供了可解释的依据。

引言：为应对气候变化，可再生能源领域发展迅速，其中风能已成为具有成本竞争力的电力来源之一[1]。然而，风力发电机需要在变化极大且恶劣的条件下运行，这些条件包括风速波动[2]、海浪影响、极端天气事件[3]、机组间相互作用[4]以及大气湍流。这些因素会带来时变载荷和机械应力，进而影响结构的完整性、维护需求、气动效率、转子转速控制、能量转换效率以及发电机组的可用性[5]。因此，需要相应的监测策略来识别机组状态的变化以及运行状态与发电状态之间的转换。为此，人们开发出了多种方法来监测基础、塔架、叶片以及传动系统等关键部件[6]。其中，基于振动的结构健康监测技术尤为值得关注，因为动态响应测量对结构特性和运行条件的变化极为敏感[7]、[8]。这类方法通常通过从测量信号中提取与状态相关的特征，再利用统计或机器学习工具来描述系统状态[9]、[10]。基于固有频率、阻尼比和模态形状的模态分析法因其对刚度变化及其他结构差异的敏感性而被广泛使用。为了应对风速波动和转子动力学等因素带来的环境和运行条件变化，人们常常引入回归模型和机器学习算法[11]、[12]。例如，Oliveira等人[13]将模态参数跟踪与统计控制图相结合，Colone等人[14]在统计模式识别框架下利用频率变化进行分析，而Hyoung-Chul等人[15]则借助位移模态形状、曲率模态形状和固有频率来评估海上浮动式风力发电机组部件的状态。不过，由于计算成本高、对环境和运行条件变化敏感，以及系统动态不断演变，从响应测量中提取模态参数仍然是一项挑战[16]。此外，由于安装限制和成本问题，风力发电机通常不会配备大量传感器，因此基于选定参考位置传感器所提取的局部特征往往更受青睐[17]。在风力发电机中，这些特征既能反映结构退化情况，也能体现运行状态的演变，而这些变化又会改变测量响应的频谱特征以及发电机组的发电行为。这种对运行状态演变的重视，也与复杂工程和能源系统中的普遍监测挑战相一致[18]、[19]。在此背景下，倒谱系数显得尤为重要。它最初是为语音和说话人识别而开发的，能够以简洁高效的方式表示频谱特征。在旋转且时变系统中，它对周期性结构及频谱能量分布的变化十分敏感。对于风力发电机而言，风速变化、转子转速变化、叶片掠过效应、控制器动作以及非正常运行状态都会改变振动频谱，同时往往伴随发电量的变化。因此，倒谱系数非常适合用来捕捉结构异常的特征，从而区分那些动态随时间变化的发电机组的运行状态和发电状态。在机械诊断领域，倒谱系数的应用也支持了这一观点。Zheng等人[20]提出了一种基于复倒谱的算法，用于识别导致瞬态振动成分的激励源。Nelwamondo等人[21]则将梅尔频率倒谱系数与隐马尔可夫模型和高斯混合模型结合，用于早期检测轴承故障。Benkedjouh等人[22]将梅尔频率倒谱系数与支持向量机结合，用于齿轮箱故障诊断，而Yao等人[23]则将其与卷积神经网络结合，用于在类别不平衡情况下检测滚动轴承故障。在结构应用领域，倒谱系数已被证明能有效识别系统动态的变化，因为它能在较低计算成本的情况下捕捉频率内容的变化[24]。在涉及动态行为演变和非平稳响应信号的类似监测问题上，倒谱特征也展现出了良好的应用前景[25]。尽管在风力发电机结构健康监测和状态监测方面已取得一定进展，但仍有诸多重要挑战。其中一个主要问题是，对于异常或退化状态，标记数据极为稀缺，因为在实际运行条件下很难重现这类状态，而且一旦发生，相关记录也往往很不完善。因此，那些需要大量标记数据的传统监督学习方法[26]往往不切实际，或者只能应用于范围有限的案例研究[27]。当仅有正常状态数据时，无监督方法则提供了一种替代方案。在异常检测场景中，任何偏离正常基线的现象都被视为异常行为[28]。Castellani等人[29]提出了一种用于塔架振动测量的多变量异常检测算法，Movsessian等人[30]将马氏距离与人工神经网络结合，用于减少叶片监测中的环境和运行因素影响，而Feijóo等人[31]则提出了一种基于自编码器的无监督方法，用于检测海上风力发电机的基础结构异常。然而，许多无监督方法仅能实现正常状态与异常状态之间的二元区分，且无法在新数据出现时更新分类结构。这对于风力发电机而言是个局限，因为其运行条件和异常行为可能会逐步发展，而及时识别对于减少停机时间、避免发电损失至关重要[32]。本研究解决的则是与传统的二元异常检测不同的相关问题。诸如基于主成分分析或马氏距离的异常检测方法[33]、单类支持向量机[34]以及基于自编码器重建误差的分类方法[35]，虽然可作为检测偏离正常行为的基准方法，但按其标准形式，它们通常只给出异常评分或二元性的正常/异常判断结果，无法在连续测试过程中直接创建、更新并跟踪多个此前未曾见过的类别。因此，要区分不同的非正常状态，还需要额外的聚类、标记或自适应后处理步骤。本研究提出的框架正是针对这种自适应状态识别需求设计的，在该框架中，未分类的样本可以逐步积累，新的类别可以不断生成，而且随着测试的推进，类别阈值也可以相应调整。基于上述需求，本文提出了一种基于从动态响应测量中提取的倒谱系数的实时风力发电机状态识别框架。该框架通过结合线性判别分析用于降维，以及概率线性判别分析用于概率分类，从而识别出与结构退化、运行状态改变或发电行为变化相关的已知类别及新出现的类别。为考虑环境和运行条件的变化，训练过程中会纳入多种运行状态，从而使分类器能够区分正常运行状态与不断变化的非正常行为。该方法被设计为适用于连续处理，能够随着新数据的获取实现持续监测和逐步适应。此外，该框架还引入了混淆流矩阵，通过追踪分类结果的演变、模型在不同运行条件下的适应性以及稳定性，以时间维度来评估分类性能。该方法通过Aventa AV-7风力发电机的振动数据及监控与数据采集系统数据进行了验证，展示了所识别出的类别与异常结构响应、运行行为以及发电情况之间的关联。

方法论：所提出的方法包括特征提取、训练和测试三个环节。首先从加速度响应信号中提取倒谱系数，然后将其纳入一个整合了线性判别分析和概率线性判别分析的统计模式识别框架中。分类性能则通过混淆流矩阵来评估，该矩阵可用于追踪随时间变化的误分类趋势、新出现的类别以及模型在不断变化的条件下的稳定性。

案例研究：Aventa AV-7：本研究使用的数据集作为开放获取资源发表在[50]、[51]中，来源于苏黎世联邦理工学院的Aventa AV-7风力发电机。该发电机位于瑞士温特图尔，由Aventa AG公司制造，于2002年开始投入使用。由于已接近设计寿命，它于2020年作为结构健康监测项目的一部分被配备了监测设备。本研究所分析的数据是在2022年和2023年收集的，涵盖了四种不同的发电机运行状态：一种为正常状态。

分类结果：本节旨在评估所提出的框架在两种与发电性能直接相关的非正常运行状态下的表现，这两种状态分别为俯仰驱动系统故障和气动失衡。由于现有的结冰数据都是在对机组进行停机处理或处于极低转速运行状态时收集的，因此 rotor icing情况并未纳入本次分类研究。在这些条件下，转子转速和发电量都几乎可以忽略不计，传递到机舱和塔架上的气动激励也非常微弱。

讨论：本研究提出了一种半监督框架，利用倒谱特征提取和自适应概率分类技术，实现风力发电机运行状态与非正常状态的实时识别。该框架结合了用于特征压缩的线性判别分析以及用于类别分配和未知状态识别的概率线性判别分析。该方法的一个核心特点在于，训练阶段仅需正常运行数据，而非正常状态则被视为此前未曾见过的类别，需要被识别出来。

结论：本研究提出了一种灵活的方法，无需预先标记的故障数据即可识别风力发电机的正常状态与非正常状态。通过结合倒谱系数与自适应概率分类框架，该方法能够实现跨不同运行工况以及不断变化的机组行为的持续监测。尤其重要的是，该方法能够区分不同发电条件下的状态，并及时识别出那些偏离正常状态的异常情况。

作者贡献声明：Costanza Speciale负责撰写原始稿件、可视化处理、软件开发、数据收集、正式分析以及数据整理工作；Silvia Milana负责审稿与编辑、项目监督、项目管理、数据收集以及概念构思工作；Raimondo Betti负责审稿与编辑、项目监督、方法设计以及概念构思工作；Eleonora Maria Tronci负责审稿与编辑、原始稿件撰写、可视化处理、结果验证、项目监督、软件开发、资源协调以及方法设计工作。

利益冲突声明：作者声明自己不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢：作者感谢WeDoWind、The RTDT Space以及ASCE-EMI结构健康监测与风能挑战项目[50]、[51]（https://community.wedowind.ch/spaces/17204906/content）的支持。同时，他们还要感谢Eleni Chatzi、Imad Abdallah以及苏黎世联邦理工学院团队在协调Aventa研究用风力发电机项目以及提供研究所需数据方面的帮助。数据下载链接为：https://zenodo.org/records/8229750。

Costanza Speciale | Silvia Milana | Raimondo Betti | Eleonora Maria Tronci
意大利罗马萨皮恩扎大学机械与航空航天工程系