（成都阜特科技股份有限公司，成都 611731）

摘要：健康状态分析作为一种新的分析方法，是检测性能退化程度的重要手段，也为高可靠性产品的寿命预测提供了新的途径。然而，使用传统的健康状态分析方法对风机进行性能退化分析，会面临试验难度大、成本高等问题。风机在线监测中产生了大量的振动数据，激增的数据中蕴含着重要的风机性能退化信息和知识，亟需进一步挖掘和分析。本文以风机大数据为对象，综合统计学习及数据挖掘相关理论和技术，提出了基于支持向量数据描述的健康状态分析方法，通过对监测数据的有效预处理，状态特征提取和健康状态模型训练等步骤后，对风机性能进行退化分析和趋势预测分析。最后以山东某风电场的风机进行健康状态分析实例，分析结果与现场检测一致。

关键词：风机；大数据；健康状态；数据挖掘；时间序列；预测

Research on health status analysis and prediction of wind turbine based on support vector

YANG Bin-yuan

(Chengdu Forward Technology Co., Ltd. Chengdu 611731, China)

Abstract: As a new analysis method, health status analysis is an important means of detecting the degree of degradation of performance, and also provides a new way for life prediction of high reliability products. However, using the traditional health analysis method to analyze the performance degradation of the wind turbine will be difficult and costly. A large amount of vibration data is generated in the on-line monitoring of wind turbine, and the significant performance degradation information and knowledge of wind turbine are urgently needed to be further excavated and analyzed. based on wind turbine data and the related theories and techniques of statistical learning and data mining, a health analysis method based on support vector data description is proposed, after through the effective pretreatment of the monitoring data, the extraction of the state features and the training of the health state model, carring out wind turbine performance degradation analysis and trend prediction analysis. Finally, a case study of health analysis of a wind turbine in a wind farm in Shandong is given, and the results are in good agreement with field tests.

Key words: Wind turbine; Big data; Health status; Data mining; Time series; Prediction

0、引言

当前风能作为清洁能源在改善中国能源结构方面发挥着越来越重要的作用，但随之而来的风电场安全性和经济效益问题也逐渐引起关注。因此，对风机进行健康状态监测和性能退化分析就显得尤为重要^[1]。目前，国内外不少学者对风机的故障诊断开展了许多研究。文献[2]采用K邻近度异常检测技术，将非平稳的时域信号转化为平稳或准平稳的频域信号，提取故障特征、挖掘故障信息、实现故障预警。文献[3]提出一种基于支持向量机，融合了风速、发电机转速以及相关振动的时频参数等多源信息的直驱风电机组故障诊断方法。文献[4]基于LabVIEW开发环境和NI CompactDAQ平台开发的风机齿轮箱健康状态监测系统，通过采取多种时频域方法对振动信号进行对比分析，可以快速、准确地确定故障的类型。文献[5]讨论了一种风电SCADA数据的预处理方法，提出了一种基于最小二乘法的风机健康系数计算方法，讨论了相应设备的健康状态监测标准。综上所述，利用风机监测大数据进行风机健康状态及性能退化分析和预测的研究工作还比较少，也不是很成熟。

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，很难对风机健康状态进行有效的分析以及给出明确的结论^[6]。为了解决这个问题，并考虑风机监测数据总量大，数据复杂程度高，本文提出基于支持向量数据描述的风机健康状态分析方法，该方法建立高级分析模型，能够高效地从风机监测大数据去粗取精，运用领域知识，精确地分析这些核心数据，发现隐藏的性能退化信息。

3、结束语

针对风机监测数据量大、数据密集和数据波动性强等特点，提出基于支持向量数据描述健康状态分析方法。方案给出了状态特征、健康状态模型及退化度的定义，并给出了相应的具体处理策略，能够对监测通道状态对应退化过程进行定量分析。同时，针对风机监测数据状态特征序列，采用非等间隔灰色预测法对各通道监测数据的状态特征进行有效预测，进一步地预测分析相应风机部件性能退化趋势情况。健康状态分析作为新的研究方向，本文为高可靠、长寿命风机的可靠性研究提供了新的思路和方法，具有重要的研究意义。

作者简介: 杨滨源(1990-),男,工程师，主要从事风电机组状态监测与故障诊断研究，E-mail: orient@sc-forward.com

参考文献：

[1] 汪光阳，周义莲. 风机振动故障诊断综述[J]，安徽工业大学学报，2006,23(1).

[2] 顾煜炯，宋磊，徐天金等. 变工况条件下的风电机组齿轮箱故障预警方法[J].中国机械工程，2014(10) :1346-1351．

[3] 安学利，赵明浩，蒋东翔等. 基于支持向量机和多源信息的直驱风力发电机组故障诊断[J]. 电网技术，2011,35(4) :117-122．

[4] 王建国，孙小明，王少锋等. 基于LabVIEW的风电机组齿轮箱健康状态监测系统设计[J]，测控技术，2017, 36(3).

[5] 吕跃刚，吴子晗，陈敏娜. 基于风机健康系数的风电设备状态监测方法[J]，可再生能源，2015, 33(7).

[6] 刘文艺. 风电机组振动监测与故障诊断研究[D]，重庆大学，2010.

[7] Richman J S, Moorman J R. Physiological time-series analysis using approximate entropy and sample entropy[J]. American Journal of Physiology-Heart and Circulatory Physiology, 2000, 278(6) : H2039-H2049.

[8] 董海鹰，李晓楠，姚军. 基于粗糙集和灰关联分析的750 kV变电站故障诊断[J]，高电压技术，2015, 41(10).

[9] Bekenstein J D. Black holes and entropy[J]. Physical Review D, 1973, 7(8): 2333-2346.

[10] Tax D M J, Duin R P W. Outliers and data descriptions[C]//Proceedings of the 7th Annual Conference of the Advanced School for Computing and Imaging. 2001: 234-241.

[11] Vapnik V. The nature of statistical learning theory[M].  springer, 2000. 

[12] USIAK A，LI Wenyan．Virtual models for prediction of wind turbine parameters[J]．IEEE Trans on Energy Conversion，2010，25(1): 245-252.