摘要：近年来随着风电机组向着大单机容量和适于恶劣环境的方向发展，潜在具有耦合特性的故障发生的概率也就随之增大。多元数据融合技术应用在风电机组故障诊断中可显著提高机组故障诊断的准确性。本文首先概述了基于多元数据融合的风电机组故障诊断的研究情况，然后介绍了多元数据融合技术的提出及关键问题，接着针对多元数据融合模型的不同层次，介绍了风电机组故障诊断的多元数据融合技术的研究现状，最后探讨了基于多元数据融合的风电机组故障诊断的可行性方案。
关键词：风电机组；多元数据融合；故障诊断；研究现状
1 引言
面对全球能源短缺、环境污染形势日趋严峻、节能减排要求日益提高的背景下，风能作为一种新兴的清洁能源，正逐渐为人们所重视和广泛接受。然而由于风电机组运维和管理水平的不足和滞后性使得风电机组事故频频，无形中提高了风电机组的运营成本。另外随着机型向着大单机容量和适于恶劣环境的方向发展，由于机组运维不当造成巨大经济损失的案例更加突出。
随着科技的不断进步，设备结构变得日益复杂，组成部件间的关联性与耦合性不断增强，设备运行数据中涵盖的信息不断增多，应用传统的单一类型监测技术，无法全面提取运行数据中的全部内容。所以，多数据类型的传感器监测技术在现代设备中的应用越来越广泛[1]。
多元数据融合技术通过对被监测设备各类型的数据进行同步采样，通过对每个数据进行进一步的解析，寻找到各类数据特征之间的对应关系，全面解析设备运行状态的成因。完成对设备运行状态的监测、分析、评估、预测等工作[2]，保证风电机组设备的经济性、安全性和可靠性等方面具有深远意义。
2 基于数据融合的风电机组故障诊断研究的提出与关键问题
2.1 多元数据融合技术基本原理
数据融合方法主要基于对设备运行特点全面透彻的分析，尽可能的寻找与设备工作相关的所有信息，最大程度的通过各类型传感器，收集实际运行数据，在层次分明，逻辑清晰的推理机制下，通过人机交互或智能解析的方法，实现对被监测设备运行状况全面、客观的描述与解释[4]。
在旋转设备故障诊断领域，对于复杂故障或早期故障的分析是数据融合方法主要研究内容。对于多类运行数据分析方法很多：图小波分析、支持向量机、多元离群监测和神经网络等方法。以神经网络为例，将实采数据或特征引入模式识别器，并进行特征融合，将结果输入专家系统，完成决策融合工作。在进行过程中，需要与建立好的知识库（或样本库）进行特征匹配工作，最终给出设备当前的运行状态，对异常情况作出及时，客观的评价 [5]。
2.2基于多元数据融合的风电机组故障诊断研究的提出
目前，传动链部分齿轮箱故障由于存在耦合现象[6]是风电机组故障诊断中最复杂的部分。针对齿轮箱故障诊断，对振动数据的分析依旧是主流，且在整个诊断过程中占据主导地位。但由于振动传递路径的原因，振动能量在传递过程中存在不成程度的干扰、耗散等情况，尤其对于齿轮早期故障引起的异常振动十分微弱，因此单纯采用这种方法有一定缺陷[7]。对机组轴承部件进行分析诊断中发现：轴承类故障振动数据特征变化不明显。随然可以用包络谱等方法对所关心的特征数据进行“放大”处理，但这类处理过程通常会造成数据特性的一些变化，例如，数据信噪比下降，数据失真等问题，因而很难做出准确评价。而且，通过振动信号的分析，有时能够对设备故障作出一定的评定或诊断工作，但是实际中，更多时候给出的结果是不尽人意的。所以，对于机组齿轮箱类故障的诊断工作，在振动数据的基础上，结合温度参数、油质参数等类型数据对机组运行情况作出全面诊断 [8-10]。
2.3基于多元数据融合的风电机组故障诊断研究的主要问题
目前故障诊断数据融合的研究中一直只是处于理论研究与工程实践的边缘[11]，而且众多研究只能建立单一数据融合模型[12]，而如何形成客观、合理且有效的层次化诊断模型是当务之急。
构建一个故障诊断数据融合系统的关键问题包括：构建数据融合体系、寻找数据整合算法[13]。为了将机组自带的数据与自行安装系统监测信号实现有效准确的数据融合，必须解决以下3个基本问题[14-16]：
（1）选择适合实际情况的数据融合分析体系，保证融合模型在满足用户需求的同时，兼顾实际设备的运行能力；
（2）针对已经确定的数据类型及特点，选择合适的数据分析模型；
（3）确定融合以后的数据特征能够切实有效的解决实际问题；
所以，由数据融合模型的特点以及功能不难发现：主要工作是实现各类数据的关联程度、结果估计以及工况识别的分析工作。
1）数据相关
数据相关主要是指在一定的规则下，完成不同类型数据之间相关系数、相似度等问题的分析工作。其核心问题是如何降低采集设备本身的测量误差和现场干扰，以保持数据的一致性；在保证分析结果达到实际要求的同时，尽可能的降低数据分析空间的复杂程度，并能够实现理论分析向实际应用的过程转化[17]。
2）故障识别
即对被监测设备当前运行情况的属性分类或估计。将不同类型的数据的特征组成一个N维的向量，形成独立性强、关联性低的特征向量，即样本。通过实际数据与样本数据的匹配度来确定目标类别。对于识别技术，比较成熟的有D-S证据理论、模糊神经网络、支持向量机等方法[3]。
3）融合推理
此过程是融合系统的关键环节，其中包括：实采数据取舍；同类型数据数值、趋势等内容的修正；不同类型数据间的相关性进行验证、调和与跟踪。在被研究对象先验知识不足，缺乏理论支撑时，要保证较为稳定、灵活的诊断机制[18]。
3 风电机组故障诊断中的多元数据融合技术
3.1 多元数据融合模型的层次结构
数据融合的层次及位置确定了对原始数据的处理方式和数据整合的在整个分析结构中的位置。根据数据的级别及所在层次的差异，对于融合工作组主要分为：数据层融合、特征层融合、决策层融合[19]，如图1所示：
（1）数据级融合
此层次融合直接作用于原始数据，此过在信号预处理之前，为最低层次的融合。涉及到的方法主要有极大似然估计、加权平均法、最小二乘法等[20]。
在此阶段的融合能够最大度的保留现场数据的特征。但此过程为保证信息的完整性，需要对大量实际数据进行初步的分析整理，工作量大，盲目性较强，对硬件采集设备要求较高；对未经任何处理的数据进行融合更大的风险在于之前对数据本身的特性未经分析与研究，在融合过程中的不确定性因素较多，可能会影响最终的分析结果；大数量级的数据会对实际通讯带来压力。
（2）特征级融合
此级别的融合通常依托于模式识别技术，融合的最终目的是将各类数据变成具有明确指向性的组合。方法主要有神经网络、聚类算法等。其中，对于数据信息的二次处理、建立征兆（或特征）与现象的对应关系是此阶段融合的优点。但过度的信息压缩会弱化数据内容的真实性，对诊断结果带来一定影响。
（3）决策级融合
此阶段的工作主要是依照一定的准则标准对各类数据进行可信的协调，以达到全局最优决策的目的。对于设备的故障诊断问题，此阶段融合的目的是为诊断结果提供有效依据。所以，决策级融合必须结合实际情况，对被监测设备的信息特征进行全面、综合的是梳理工作。其中，较为合适的决策层融合方法有D-S证据理论、模糊理论、专家系统等。但是，这些方法本身对数据自身特性要求不高。所以，分析结果有较高的可信度，需要对运行数据进行较为复杂的处理与判定，对模型结构提出了较高要求。
物理数据级别的整合在数据融合利用有了一定的进展，除此以外，目前人们致力于对情况更加复杂，时变性强的数据分析问题进行研究。然而目前对认知了解尚浅，认知领域问题难以建模。新的方法有模糊数学和复合结构。
3.2 风电机组故障诊断中多元数据融合技术
在实际工程应用中，数据融合技术主要以估计理论、假设检验和人工智能的方式进行介入。估计理论较为传统，其特点是运算空间较为简单，分析过程明了，实现容易。主要有加权平均法、极大似然估计法、最小二乘法等。假设检验主要方法有贝叶斯估计法、经典推论、D-S证据理论等。人工智能主要方法有神经网络算法、专家系统、模糊逻辑算法等[21]。
3.2.1 D-S证据理论
Dempseter于1967年提出证据理论。D-S针对事件发生的结果，追寻事件发生的主要原因，解决不确定性问题。D-S的主要特点是通过证据的积累逐步缩小假设集，将不同类型数据作为依据，在决策目标集上建立其基本可信度。
D-S理论可以较为客观地描述和合成不确定事件，能较好地处理状态监测和故障诊断中的不确定性问题[22]。证据理论的主要优点：
虽然D-S证据理论主要弊端：基本概率赋值很难获得，数据间分析结构较为复杂。在初始赋值阶段，若赋值结果与实际情况出现较大差异，会对结果造成很大影响。所以，D-S方法不太适合长推理链分析。
3.2.2 模糊推理
多源数据分析中，信息与环境之间相互影响带来的不确定性是无法避免的。因为不确定因素的参与，致使信息在融合过程中表现出来的是一个不明确的推理过程。所以，人们开始试图采用一些系统化方法，对不确定性信息进行建模工作，形成模糊推理。对数据源的分析思路能够有效避免单一数据源分析时造成的信息缺失或偏差情况。模糊推理在数据融合中常与其它方法一起使用[23]，如模糊一致性推理、模糊神经网络等。
3.2.3 神经网络
神经网络（ANN）是通过对人脑或自然神经网络若干基本特性的分析研究，对其进行抽象和模拟形成的一门多个学科领域边缘交叉学科。基于ANN的数据融合是通过对不同类型传感器数据进行合理运算和处理，得到数据间的联系与特征，最终给出结论。ANN具有容错率高、鲁棒性强、自学习、自适应能力突出，对非线性问题处理能力较强等优点，因此有很广泛的应用范围。
神经网络主要缺点[24]有：屏蔽专家的经验知识，人机交流能力较差，对训练数据要求较高，样本数据训练困难等。
3.2.4 专家系统
对于复杂程度较高，涉及流程环节较多的系统，因为缺乏严格准确的数学模型，或物理模型搭建过程难度较大。所以，专家系统，尤其在电场设备中，得到了较为广泛的认可与应用。专家系统是基于海量的专家知识与推理方法，依托计算机技术，对多类信息归类、整理、分析的过程，描绘出数据分布规律及特征。所以，基于专家系统的多传感器融合方法是故障诊断领域重要的发展方向之一，也是应用很广的一类智能故障诊断技术[25]。
相比ANN，专家系统在自学习，自适应性及一些非线性问题的处理分析上具有较为明显的局限性，这也是对于专家系统研究未来需要解决的主要问题。
3.2.5 综合方法
由上述数据融合技术在发电设备状态监测和故障诊断的应用情况可看出，每种方法都有各自的优缺点。单纯的应用一种方法，通常情况下很难满足对复杂设备或系统的状态监测与诊断的工作要求。针对这一现象，灵活应用多种分析方法，取长补短，对多元数据进行综合分析的混合系统在发电系统中的应用愈发广泛[26]。
（1）D-S结合ANN
将D-S与ANN结合的多传感器数据融合技术，可有效解决ANN在故障诊断中效率低、准确度不高等问题，提高了最终诊断结果的精度。而D-S证据理论善于处理不确定性信息问题，两者的有机结合增加了状态监测和故障诊断的准确度和可靠度[27]。
（2）模糊理论与专家系统的结合
专家系统的多传感器数据融合技术可以有效避开系统数学模型缺失的问题，同时在分析、处理不确定性问题上更容易得出被监测对象运行状态的原因与本质[28]，结合专家经验较强的非结构化问题解析的能力，可有效应用于电厂状态监测和故障诊断中。两种方法的结合充分体现了互补性，弥补了传统的专家系统解决知识不确定性问题的不足。
融合思想主要体现在模糊知识库和模糊推理机两部分。其结构如图3和图4所示：
4 结语
状态监测与故障诊断是一门融合电子、计算机、通讯、信号分析与数据处理、人工智能等多学科的技术[29]。本文介绍了现有的多元数据融合技术在风电机组故障诊断中的应用，对国内外相关研究进展进行了概要性的描述。综合国内外的研究现状以及现场实际的技术要求，未来状态监测与故障诊断技术的发展趋势是各种先进诊断方法的融合。
针对风电机组结构功能复杂、运行工况恶劣多变条件下机组早期故障难以精准判断的特点，综合以上介绍的多种数据融合方法，提出基于多元数据融合的风电机组故障诊断可行性方案。具体方案如下：
（1）建立比较系统全面的包含多层次的风电机组故障诊断多元数据融合模型，提高机组整体性能劣化评价水平和故障诊断的准确性；
（2）对采用的数据融合技术方法进行可行性和准确性评估，对包含多层次的数据融合方法进行整体性结果评估；
（3）加强各种数据融合方法与人工诊断的结合，提高风电机组故障诊断的智能化水平。
（4）充分利用工程项目训练多层次融合模型的实际可行性和准确性。
参考文献：
[1]徐章遂.故障诊断原理及应用[M].北京：国防工业出版社，2000．
[2]韩崇昭，朱洪艳.多源信息融合[M].北京：清华大学出版社，2006．
[3]夏虹，曹欣荣，王兆祥.基于传感器融合的机械设备故障诊断的方法与系统[J].哈尔滨工程大学学报，1998，19（4）：52-57.
[4]韩振南.齿轮传动系统的故障诊断方法的研究[D].太原理工大学，2003.
[5]黄建新.多传感器数据融合技术在轴承故障诊断中的应用研究[J]武汉理工大学，2006．
[6]何友，王国宏，陆大金，等.多传感器信息融合及应用[M].北京：电子工业出版社，2000：28-35.
[7]覃祖旭，张洪钺.信息融合的一般过程及在故障诊断中的应用[J].测控技术，1995，14（3）：15-18.
[8]王艳英.基于信息融合技术的故障诊断方法研究[D].河北科技大学，2010.
[9]周金华，张静.多传感器数据融合技术在电厂状态监测和故障诊断中的应用[J].煤矿机械，2011，32（11）：271-273.
[10]张保梅.数据级与特征级上的数据融合方法研究[D]．兰州理工大学，2005．
[11]谢春丽，夏虹，刘永阔.多传感器数据融合技术在故障诊断中的应用[J].传感器技术，2004，23（4）：67-72．
[12]王敏，王万俊，熊春山，黄心汉.基于多传感器数据融合的故障诊断技术[J].华中科技大学学报，2001，29（2）：96-98．
[13]张晓丹，赵海，王刚，等.基于信息融合的故障诊断模糊专家系统的应用[J].吉林大学学报（工学版），2004，34（1）：141-145.
[14]何剑斌，郑启伦，彭宏．数据融合与数据挖掘的集成研究[J].计算机工程与应用，2002，18：204-206．
[15]王士同.模糊推理理论与模糊专家系统[M].上海：上海科学技术文献出版社，1994.
[16]徐太征，徐中宇.Fisher理论和多数投票法相结合的数据融合算[J]．科技信息，2009，27：488-488．
作者简介：
雷启龙（1981-），男，硕士研究生，工程师，主要从事风电、光伏生产管理工作。
论文作者:雷启龙
论文发表刊物:《电力设备》2017年第21期
论文发表时间:2017/11/29
标签：数据论文; 故障诊断论文; 机组论文; 方法论文; 专家系统论文; 风电论文; 技术论文; 《电力设备》2017年第21期论文;