在人类面临能源危机和环境污染双重挑战的今天，风能作为一种可再生的清洁能源具有巨大的环保效益和商业潜力。随着各国对风能利用的重视和风力发电技术的提高，风电在电力市场中的占有比例不断上升，风电机组单机容量也稳步增加[1]。但是风机高额的运行维护成本影响了风机的经济效益。
论文开头部分截图
风机一般地处偏远、环境恶劣，并且机舱位于50-80m的高空，给机组维护维修工作造成困难，增加了机组的运行维护成本。一旦风电机组故障停机，将对电网安全和国民经济造成巨大影响。因此，无论是从降低风机的运行风险，还是减少运行成本的角度考虑，都需要大力提高风电设备的状态监测和故障诊断能力。特别是当前海量风机运行状态数据已经存在，如何充分利用现有监测数据就成为一个刻不容缓的研究课题。
在已投产的风电机组中，其传动链结构比较复杂，一直是风电机组故障的多发区。振动信号作为传动链故障特征信息的载体，能够有效地反映风电机组传动链绝大部分的故障信息。但是, 目前风电监测的振动数据动辄十余处, 而且每处的振动信号又可以进行各种时域、频域分析，运行工况又复杂多变,造成故障决策过程头绪繁多，很难给出有效的分析和明确的结论。为了解决这个问题，本文基于真实风电传动链数据，在提取多个时域指标的基础上，引入PCA（Principle Component Analysis）降维技术,考虑运行工况, 并划定运行安全阈值，通过2-3个融合指标反映设备的运行状态, 为进一步实现传动链的运维服务决策提供切实可行的数据分析方案。
1 风电机组的状态监测
1.1 振动数据的时域分析
时域分析是在时域内对信号进行滤波、放大、统计特征计算等处理，通过时域分析，获得反映机械设备运行状态的特征参数，为机械系统状态监测和故障诊断提供有效信息。振动信号的时域参数指标可以反应早期故障，具有确定风电机组机械部件是否发生故障及分析故障严重程度的能力[1]。
但是,时域分析指标较多,例如:波形指标、峰值、峰值指标、脉冲指标、峭度系数、均方根值、熵指标和裕度指标等等。在风电机组传动链部件发生故障时，相应的振动能量有较大的变化，而且一般都会有冲击振动信号产生。在有量纲指标中，均方根值能直接反应振动能量的大小，所以常用来作为重要的评价指标；在无量纲指标中，峭度、峰值指标和脉冲指标也能反映振动冲击能量的大小，因此也是常用的评价指标。通过对这些指标的计算与研究，能够更好地提取和描述振动信号所蕴含的故障信息[2]。
1.2 指标阈值的确定
运用统计指标对风机运行状态进行监测，必须为其正常状态下振动信号的统计指标值确定一个变化范围，当统计值超出这个范围时，则判定风机某机械部件运行失常。对于一个连续测量,设备运行状态相对稳定的数据，可以看作近似服从正态分布。因此，完全可以认为振动数据的时域指标值X服从正态分布：
1.3 PCA降维技术的应用
时域指标的提取和阈值的计算可以针对若干个统计指标进行。为了简洁和准确地反映风电机组的故障和状态信息，消除一些不敏感的指标，本文选用了12 个统计指标进行真实数据的分析, 即峰峰值、平均值、平均幅值、最大值、均方根值、标准差、偏斜度、峭度、峰值指标、波形指标、脉冲指标和能量指标。同时，对原始振动信号做频域分析，提取频域上对应的12个统计指标。因此，时域和频域共24个指标提供分析研究。
对于这24个指标，如果单独进行研究，会导致数据结果庞杂，状态监测决策效率大大降低；若综合起来，把24个指标值看作24维的数据，其可视化能力又太低，无法很好地直观描述其变化规律。因此，考虑引入PCA （Principal Component Analysis）分析，解决这个矛盾。
PCA是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。PCA能够通过适当地变换，在将高维问题映射到低维空间的同时最大可能的保留原数据的信息，使问题能直观、简单的得到处理。此外，PCA还可以将原来有交叉的数据变换成独立、不相关的数据，极大地降低了问题解决的难度。因此，采用PCA降维，通过求解原数据的协方差矩阵，进而计算协方差矩阵的特征向量和特征值，选取2-3个贡献率高的特征向量与原数据矢量相乘，能够将24维指标值降到2维或3维，转换成2个或3个新的指标，并且极大地保留原有指标中蕴含的风机状态信息。通过对PCA降维后的主成分进行研究，可以直观描述其变化范围，同样基于阈值计算的原理，把变化范围作为风机运行异常的监测阈值。
2 实例分析
2.1 时域指标的阈值
以山东某风电场对风电机组进行故障诊断为例，监测风电机组传动链的振动情况，在风机上布置了8个振动信号监测点，各个监测点的位置如图2-1。实例分析振动数据主要是其中1-6号传感器测得的振动数据，1-6号传感器分别测主轴轴向振动、主轴径向振动、齿轮箱中部径向振动、高速轴径向振动、发电机输入轴径向振动和发电机输出轴径向振动。
图2-1 风电机组传动链上传感器安装图
在选取分析的数据时，采用了CH1高速轴为900-2000rpm的振动数据。传感器采样频率为20kHz，每个数据文件包含了40万左右的振动测量值，共有8014个数据文件。通过对振动数据进行时域指标的计算，剔除掉异常数据后，其分布如图2-2所示（以波形指标为例）：
图2-2 波形指标波形图
由图2-2可知，波形指标在一定范围内波动，通过计算波形指标的均值和标准差即可获得其阈值，如图2-2中红线所示。
2.2 PCA降维分析
PCA降维的数据采用的数据来源与上述数据一致，进行24个指标计算之前，考虑到运行工况对研究结果的影响，因此，按照不同风机转速对振动数据进行研究（900-1000rpm、1000-1200rpm、1200-1500rpm和1500-2000rpm四组数据）。然后分别计算时域和频域指标值，将24组指标计算值合为24维数据，对其进行PCA降维，通过计算，降维之后前两个主成分的贡献率已经达到99.9%，基本上涵盖原有指标的信息，因此可以只取第一和第二主成分，在观察降维后主成分的变化情况。指标降维后主成分分布如图2-3所示：
图2-3 主成分二维分布图
根据图2-3可以看出前三个转速范围振动数据的主成分散点以第一主成分坐标值0.2左右为界分裂成两个散点聚集群。为了研究各转速范围振动数据的两个散点聚集群的不同点，将两个散点聚集群对应振动数据的风机发电有功功率进行比较，发现数目较少一方（图2-3竖线左侧, 散点聚集群1）有功功率为0，数目较多一方（图2-3竖线右侧,散点聚集群2）的有功功率基本都大于0。而当有功功率为0时，风电机组并没有发电，也就是风电的运行输出为零，这两部分的振动数据应区别对待，但是研究方法类似，因此，本文以风电发电状态的数据为研究对象。
对于散点聚集群2，由图2-3可以看出，每个转速范围内主成分分布范围较窄，散点群的分布可以用近似一个圆描述；而且，随着转速的增大，散点的分布明显呈现一个向右上方移动的变化规律。对此，用4个圆去分别代表每个转速范围内主成分的分布范围，这四个圆即可实现对整个风机状态的描述。当振动数据的指标进行降维后，主成分的分布与其对应圆的范围差别较大，则可以认为风机传动链出现异常。
散点分布阈值圆的确定：
数目达到总数目的99.7%，此时R的值即为所求。
2.3 结果验证
分别计算第5通道正常数据（有功功率非0）和故障数据（齿轮箱轴承磨损）的峰值、平均幅值等24个指标，并进行PCA降维，得到生成的主成分，分别比较几个转速范围下正常数据和故障数据的主成分分布情况，如图所示：
图2-4 1000-1200rpm主成分比较图
图2-5 1200-1500rpm主成分比较图
图2-6 1500+rpm主成分比较图
由图2-4到图2-6可以看出，在三个转速范围，故障数据的PCA降维结果与正常数据降维结果的分布有很大的差别，故障数据降维后的散点都落在分布圆外，可以实现正常数据与故障数据的分类。因此，结合PCA降维技术，考虑风电运行工况，对风电振动数据进行融合，获得散点分布圆，可以有效的实现风电设备的状态监测和故障诊断。
3 结束语
本文针对风电机组传动链状态监测和故障诊断过程的数据指标多,风机运行工况复杂的问题，基于真实风电传动链数据，进行了时域指标融合分析研究，提出了一种考虑风电运行工况（风速和有功功率）的有效状态监测方法；方法结合振动数据的时域、频域指标，并对指标进行PCA降维，在考虑运行工况的情况下绘制散点分布阈值圆，从而实现对风电机组状态的描述和故障诊断。
参考文献:
[1]DimitriosKoulocheris, GeorgiosGyparakis, AndoniosStathis. Vibration Signals and Condition Monitoring for Wind Turbines. Scientific Research Publishing Journal, 2013, Vol.05 (12)：948-955.
[2]徐展.基于振动法的风电机组传动链状态监测与故障诊断研究[D].杭州：浙江大学，2012.
[3] 杨滨源, 王玉, 王小康.基于振动信号分析的风电机组故障诊断研究[J].第十三届全国风能应用技术年会, 2016.
