基于贝叶斯推断的变工况下风电机组健康评估状态分割方法

《ADVANCED ENGINEERING INFORMATICS》：Bayesian inference-based state segmentation for health assessment of wind turbines under varying operating conditions

　　

• •
  开发一种创新的真实退化状态分割方法，该方法无需依赖先验知识。
• •
  缓解波动运行工况的影响，以揭示潜在的退化状态。
• •
  建立一个能够捕捉设备长期状态而非瞬态状态的健康指标。

引言

风力涡轮机通常安装在偏远的地点，这使得维护人员难以及时、准确地评估其运行状态。此外，恶劣环境条件的暴露会加速性能退化，并增加故障发生的可能性[1]、[2]、[3]、[4]、[5]。因此，精确且及时地评估风力涡轮机的运行状态对于确保其安全可靠运行至关重要。

基于振动的状态监测仍然是评估风力涡轮机传动系统的一项关键技术，因为它对各组件的动态变化具有较高的灵敏度[6]。大量统计健康指标已被广泛利用，包括均方根值、峭度、基尼指数和边带能量比等，用于表征振动信号在时域、频域和时频域上的冲击性和能量分布。这些指标能够有效捕捉信号冲击性和能量分布的变化，从而实现故障相关特征的可靠检测和量化。然而，统计导出的健康指标通常未能充分考虑运行工况对其行为的影响，导致退化轨迹出现显著差异。只有当故障引起的健康指标变化显著超过运行变化引起的变化时，才能实现准确的故障状态识别。因此，在不同时间记录的信号中提取的健康指标无法直接比较。这一问题在低速轴上尤为突出，因为固有的微弱故障特征对运行波动表现出更高的敏感性[7]。这些挑战导致使用传统统计健康指标时误报率和漏检率增加。因此，风力涡轮机状态监测的主要挑战在于缓解不同运行工况对健康指标的影响。解决这一挑战对于精确评估运行状态和确保风力涡轮机系统的安全可靠性至关重要，因而具有重要的工程实践意义。

为应对这一挑战，本研究提出了一种基于贝叶斯推理的状态分割方法。首先，从振动信号中提取对应于每个转速的瞬时特征。然后，使用高斯过程回归估计各转速下这些特征的概率分布。随后，所提出的状态分割方法识别出潜在退化状态相对稳定的时间段，从而划分出多个不同的运行阶段。对每个运行阶段相对于初始基准阶段的潜在退化状态变化程度进行定量评估。基于该评估，制定了一种考虑前一运行阶段持续时间和健康指标相对差异的预警策略。与传统方法不同，所提出的方法构建了一个反映一段时间内变化的健康指标，而非孤立时间点上的变化。因此，它展现出检测原始统计特征中细微潜在变化的增强能力，从而得到一个更加鲁棒且具有趋势敏感性的健康指标。通过公开数据集和包含六台风力涡轮机的专有数据集上的实验验证了所提出方法的有效性和优越性。从运行风场获得的这些涡轮机的全生命周期数据涵盖了三种不同状态：齿轮故障、轴承故障和正常状态。主要贡献总结如下：

• •
  本文提出了一种基于贝叶斯推理的状态分割方法，旨在准确评估不同运行工况下真实状态的变化，且无需依赖先验信息。所导出的健康指标具有较高的鲁棒性和趋势性，能够有效捕捉通过传统原始统计特征往往无法识别的状态变化。
• •
  该方法通过将瞬时转速纳入特征分析，并在各转速区间内分析瞬时特征概率分布的变化，从而缓解转速变化的影响。随后采用贝叶斯框架，根据累积证据推断潜在退化状态变化的后验概率，进一步降低其他变化工况的影响，增强其对实际运行变化的适应性。

本文其余部分结构如下。第3节详细阐述了所提出方法的完整步骤。第2节回顾了相关文献。随后，第4节对实验结果进行了深入分析，第5节对所提出方法的有效性和局限性进行了批判性讨论。最后，第6节总结了本研究的主要结论。

章节摘要

相关文献

风力涡轮机布局优化受到计算挑战和实际运行限制的双重制约。从计算角度来看，文献[8]中引入了采用逻辑运算符的二进制哈里斯鹰优化算法，以在控制相关成本的同时提高能源产量。然而，该方法频繁产生"无布置"解，导致种群多样性下降，而方法

所提出方法的动机

由于风能的固有可变性，风力涡轮机在运行过程中受到波动运行工况的影响。因此，不同时间点导出的健康指标对这些变化表现出高度敏感性，导致显著的波动。当这些波动足够显著以至于掩盖了由系统真实状态变化引起的健康指标变化时，这些指标可能无法准确反映机械系统的

数据集描述

为评估所提出方法的实际性能，使用渥太华大学提供的公开数据集以及从运行风场收集的六个现场数据集进行了验证实验。公开数据集包含已知故障类型，用于评估该方法在不同运行工况下分割状态的准确性，并考察关键参数对分类结果的影响。同时，现场

所提出方法的有效性分析

该方法通过降低对运行工况变化的敏感性，生成了具有高鲁棒性和趋势性的可靠健康指标。通过将瞬时转速纳入特征分析，并在一致的转速区间内评估概率分布，从而解决转速波动问题。随后，采用贝叶斯框架根据观测证据推断状态转移的后验概率，进一步最大限度地减少

结论

本研究提出了一种检测设备状态真实变化的新方法。所提出的方法首先将连续运行分割为不同的阶段，在每个阶段中设备状态保持相对稳定。然后开发了一个健康指标，用于量化每个运行阶段与基准阶段之间的偏差。最后，使用综合变化率——一种结合相对变化率的新型指标——建立了一种报警机制

CRediT作者贡献声明

李宗霖： 论文写作——审阅与编辑，论文写作——原稿撰写，可视化，验证，监督，软件，资源，项目管理，方法论，调查研究，形式化分析，概念化。贾明星： 监督，项目管理，获取资金，形式化分析，数据整理。郭雷： 项目管理，形式化分析，数据整理。牛大鹏： 项目管理，获取资金，形式化分析，数据整理。楚飞： 监督，

生成式人工智能和AI辅助技术在稿件准备过程中的声明

在本文准备过程中，作者使用了ChatGPT以提高英文质量，并使用Grammarly来纠正语法错误。在使用该工具/服务后，作者对内容进行了审阅和编辑，并对出版物的内容承担全部责任。

资金来源

本研究得到国家重点研发计划（编号：2023YFC3010400）和国家自然科学基金（编号：62473369）的资助。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

李宗霖|贾明星|郭雷|牛大鹏|楚飞