一种基于机器学习的改进型动态模态分解方法,用于海上风力发电机蒸发冷却系统的故障检测

《Expert Systems with Applications》:A novel machine learning-enhanced dynamic mode decomposition (MLE-DMD) method for evaporative cooling system offshore wind turbines fault detection

【字体: 大 中 小 】 时间:2025年12月30日 来源:Expert Systems with Applications 9.4

编辑推荐:

  雷丽|王海峰|刘慧忠|王斌|曾涛|谢晨宇|王子渊|胡文标 中国江西省赣州市江西科技学院冶金工程学院,邮编341000 摘要:提升风能在全球能源结构中的占比对于实现碳中和及构建可持续能源未来至关重要。由于风力发电机常常在偏远且无人值守的环境中运行,因此需要高度可靠的故障检测系统来保

  雷丽|王海峰|刘慧忠|王斌|曾涛|谢晨宇|王子渊|胡文标 中国江西省赣州市江西科技学院冶金工程学院,邮编341000 摘要:提升风能在全球能源结构中的占比对于实现碳中和及构建可持续能源未来至关重要。由于风力发电机常常在偏远且无人值守的环境中运行,因此需要高度可靠的故障检测系统来保障运行安全并维持经济效率。本研究提出了一种新的故障诊断算法——机器学习增强型动态模态分解(MLE-DMD),该算法将动态模态分解与机器学习相结合,用于海上风力发电机的故障诊断。以配备定子蒸发冷却系统的20兆瓦级风力发电机为研究对象,利用动态模态分解提取动态特征并降低数据维度,从而显著减轻计算负担和模型调优难度。通过系统级故障仿真实验验证了该方法的可行性。实验结果表明,模型更新仅需4.035秒。与K-最近邻算法相比,决策树在初始收敛时可将训练时间缩短75.34%,在最优设置下可缩短89.9%。动态模态分解可使空间复杂度降低70%,同时保留具有物理意义的多模态特征。贝叶斯优化进一步提升最终分类精度,决策树可达99.57%,K-最近邻算法可达99.51%,所有故障类别的曲线下面积均为1.0。该方法能够在tnorm值为0.4时就能检测到异常,在tnorm值为0.54时可实现准确分类,有效减少了复杂故障场景下的误诊现象。引言:目前全球风力发电装机容量已超过837吉瓦,风能已成为全球可再生能源结构中的重要组成部分(全球风能理事会,2025年)。确保风力发电机的稳定运行对于提高发电效率、保障能源安全以及实现最大经济收益具有重要意义(Gohar等人,2025年)。随着风力发电机单机容量的不断增大,大型风力发电机能够捕获更多风能并得益于规模经济效应,从而大幅降低平准化电力成本。然而,故障可能导致电力中断和设备更换,带来极高的成本,给项目经济性带来严重挑战。在现代风力能源系统中,尤其是在维护成本高昂且环境条件恶劣的海上应用中,如何在保证高功率输出的同时实现经济高效的运行和维护已成为关键问题。因此,提升海上风力发电机的可靠性和使用寿命已成为风工程领域的重点研究方向。在那些风力发电机全年都处于无人监控的偏远海洋环境中,这一挑战要求既要使用机械性能优异的组件,又要具备能够快速、准确且可靠地进行故障诊断的先进监测算法。作为风力发电机系统的核心部件,发电机起着至关重要的作用,而风力发电技术的发展趋势则是不断提升单个机组的容量。其运行可靠性直接影响着整个发电机组的效率和使用寿命。近年来,大量研究致力于发电机冷却系统的设计和可靠性研究。相变传热因其高导热性和优异的等温特性,已成为先进冷却技术研究的热点,展现出巨大的研究潜力(Mao等人,2023年)。有一种用于电动机的新型蒸发冷却系统,它采用吸液PDMS内衬,使得薄膜蒸发可以直接在绕组表面发生,从而降低热阻并展现出色的散热性能,这一结论已通过实验得到验证(Tikadar等人,2022年)。还有研究探索了使用R134a的流动沸腾冷却方法,相比传统水冷方式,该方法能更有效地降低电动机绕组温度并减少泵的能耗(Kim等人,2023年)。目前,对于兆瓦级和20兆瓦级大型风力发电机的定子热量扩散和散发问题,仍缺乏实用的解决方案。为了解决这一问题,我们的团队开发了一种配备定子集成蒸发冷却系统的20兆瓦级风力发电机。其原型由CRRC西安永和捷力风力能源有限公司制造,该公司还协助建立了生产线。该系统利用相变传热技术,能够高效地吸收定子槽内的热量。同时,在定子和转子之间形成了冷却屏障,有助于防止过热导致的绝缘层损坏,进而避免电气短路等严重故障。这样一来,风力发电机的运行可靠性得到了提升,大修需求也有所减少。在相同的运行寿命内,该系统能带来更好的经济效益。不过,恶劣的海上环境,再加上蒸发冷却系统与发电机核心的集成,使得整个系统高度耦合,目前尚未有针对此类耦合故障的可靠故障诊断方法。过去十年间,人们为开发风力发电机系统的状态监测技术付出了大量努力,旨在提升运行可靠性并降低维护成本。有效的状态监测系统能够及早发现表明潜在故障的异常信号,从而便于及时采取干预措施。在配备蒸发冷却系统的系统中,这一功能尤为重要,因为早期识别故障可以启动保护机制,大大减少经济损失(W. Y. Liu等人,2015年)。传统上,状态监测技术依赖于单一传感器的数据,如振动数据(de Lima Munguba等人,2024年)、电流数据(Badihi等人,2015年)或温度测量数据。但随着系统复杂性的增加,现代状态监测技术已发展为整合多源、异构数据,从而实现多维度的状态感知。这一发展也带来了新的挑战,尤其是监测数据量和复杂度的急剧增长。为此,数据驱动的机器学习模型被视为未来风力发电机故障诊断的有希望的方向(Badihi等人,2022年)。这类方法在多种工程应用中都取得了显著成效,包括结构优化(Ma等人,2024年)和动态系统预测(Ren等人,2024年)。数据驱动方法因其强大的泛化能力和计算效率而备受重视。在风力能源系统中,这些方法能够揭示在复杂且动态的运行条件下故障模式之间的潜在关联(H. Chen等人,2024年)。此外,它们还能弥补传统基于物理的模型的不足,尤其是在那些具有高维度、非线性以及环境变化大的场景中。多目标遗传编程方法被用于预测风力发电机故障,通过SCADA数据优化故障检测并减少误报,其召回率为91%,误报率为21%(Daaji等人,2025年)。通过监控与数据采集系统收集的运行参数和性能参数,也被研究人员广泛用于开发风力发电机的状态监测技术,以及评估不同机器学习模型在各种风电场场景中的适用性。有人将SCADA数据与K - 最近邻算法结合使用。选择K - 最近邻算法是因为它具有很强的稳定性,且能够适应风力发电机系统固有的非线性特征(Bao等人,2023年)。物理信息动态融合机制和动态融合条件扩散模型被用于风力发电机的异常检测,它们整合了多个物理参数,并利用SHAP值对运行状态进行评估,从而提升了故障检测的效率和准确性,这一效果已通过实际风电场数据得到验证(Yao等人,2025年)。数据驱动的机器学习技术已成为风力发电机故障诊断领域极具前景的方法。然而,监测数据的规模和维度迅速扩大,给模型训练带来了巨大挑战,尤其是在计算资源消耗和超参数优化方面。此外,这些方法在实现及时模型更新以及快速响应不断变化的故障状况方面往往也存在局限性。为了解决高维度且复杂监测数据带来的问题,特征工程作为一种重要方法,可用于识别低维度结构及关键变量(J. Liu等人,2025年)。这一过程能够在保留关键故障相关信息的同时降低数据维度,从而提高模型训练效率并增强模型的可解释性(G. Li等人,2021年)。在现有的方法中,动态模态分解是一种强大的数据驱动型降维技术,它在流体力学领域有着广泛的应用(de Lamotte等人,2018年,Fu等人,2023年,Ma等人,2025年,Mata等人,2023年),在故障诊断任务中的应用也在不断增加(Rajendran等人,2025年,Schmid,2021年)。其他方法,如经验模态分解(EMD)(Liang等人,2020年)和主成分分析(PCA)(Garcia-Alvarez等人,2023年,Shao等人,2023年,Wang等人,2018年),也被用于提取反映系统运行状态的特征。虽然这些方法能够在一定程度上阐明故障信号的物理特性,但其可解释性往往受到模式混合以及缺乏坚实理论基础等限制。相比之下,动态模态分解无需依赖先前的系统知识,就能够将复杂的非线性信号分解为由频率、衰减率和振幅定义的模态分量。这些特性使得动态模态分解特别适合用于非线性、高维度动态系统的特征提取和建模(Schmid,2010年)。有一种基于动态模态分解的一维机械信号故障诊断方法,它利用近似熵来描述多尺度时空模式的动态特性,以近似熵值作为故障分类的特征(Dang等人,2019年)。还有PLRDMD算法,可用于消除噪声对轴承故障特征的掩盖效应(Zhang等人,2022年)。全解耦高阶动态模态分解方法则可用于解决工业过程中静态特征和动态特征的耦合问题,从而有效分离出高阶动态特性和静止成分,进而提高诊断精度(X. Chen等人,2024年)。动态模态分解及其衍生方法已被广泛用于旋转机械,如轴承的分析,以及具有周期性或准周期性动态特性的系统的分析。不过,它们的应用范围并不局限于这些传统领域。在具有高空间复杂度和精细离散化的系统中,比如湍流场中,动态模态分解展现出强大的能力,能够捕捉时空演化模式(Zhou等人,2021年),从而便于处理包含数万个监测变量的数据集。这些特性使得动态模态分解成为风力发电机冷却系统高级诊断和过程可视化方面的极具潜力的工具,尤其是在那些采用蒸发冷却机制的系统中,因为在这些系统中,揭示故障的演化路径至关重要。本研究提出了一种新的诊断框架——机器学习增强型动态模态分解(MLE-DMD),该框架利用动态模态分解对大量监测数据进行高效的降维处理,显著降低了空间和时间上的复杂性。这种降维不仅保留了关键的动态特征,还减轻了与机器学习模型训练相关的计算负担和超参数调优工作量。该方法在配备定子蒸发冷却系统的20兆瓦级风力发电机上进行了演示,构建了一个完整的诊断流程。实验结果充分证明了MLE-DMD在复杂运行环境中的适用性、稳健性以及大规模应用的潜力。总之,本文的主要贡献如下:本研究提出了一种新的故障诊断框架——机器学习增强型动态模态分解(MLE-DMD),该框架将动态模态分解与机器学习相结合,用于配备定子蒸发冷却系统的海上大型风力发电机的故障诊断。该方法在海上环境多变的情况下,具备强大的动态系统特征提取能力,能够实现快速故障识别。MLE-DMD在故障特征提取方面表现出更优异的性能。通过分类精度对多种机器学习和深度学习模型进行了筛选,并进一步通过贝叶斯方法进行优化。在冷却系统背景下对性能相近的模型进行的比较评估表明,MLE-DMD在诊断精度和响应速度方面都具有明显优势。针对定子蒸发冷却系统开展了一系列系统级故障仿真实验,以评估MLE-DMD的实际性能。实验结果表明,该方法能够在故障形成的早期阶段就检测到故障,并在较短的响应时间内实现准确分类。该技术在多种故障类型面前都展现出强大的稳健性和高精度,为大型海上风力发电机的智能运行和维护提供了可靠的技术支持。基于以上分析,本文的结构安排如下:第二部分详细介绍了动态模态分解框架以及所采用的机器学习和深度学习算法,说明了如何利用带窗口的动态模态分解来捕捉不同运行条件下的模态特性,并构建具有代表性的特征数据集。第三部分阐述了蒸发冷却系统的实验装置,并描述了六种模拟故障类型。第4节研究了MLE-DMD算法生成的特征分布,重点比较了决策树和KNN分类器的性能——这两种模型的准确率相近。同时还探讨了MLE-DMD在处理多维监测系统方面的优势。第5节总结了所提方法在电动压缩机应用中的优势,强调了本研究的关键创新点和发现,并讨论了将MLE-DMD拓展到其他应用领域的潜在方向。

动态模式分解(DMD)是一种数据驱动的降维算法,最初由Peter J. Schmid和Joern Sesterhenn在2010年提出(Schmid, 2010)。这一概念基于Bernard Koopman在1931年提出的假设,此后被广泛应用于流体动力学分析中(Zhou等,2021)。该方法通过分析时间序列数据,提取具有固定振荡频率以及衰减/增长率的模式,从而为复杂系统的动态行为提供有力见解。

实验设置
图4和图5分别展示了用于电动压缩机系统实验的实验装置示意图及对应的测试平台。实验装置由60根并联的导热管组成,每根导热管上配有五个独立的温度测量点。此外,在气体收集管和液体收集管上还均匀布置了六个温度传感器,共计312个温度数据点。

故障模拟
窗口DMD特征分布
在本研究中,针对不同故障条件下的传感器数据,采用了窗口大小w=70以及截断阈值α=0.99进行处理。通过DMD算法提取关键的动态特性,包括模式幅度、频率和衰减率。同时还会确定每个分析窗口内的DMD模式数量。在上述参数设置下,每个窗口最多可观察到6种模式。这些特征被整理成一个包含19个元素的矩阵。

结论
本研究提出了一种专为20兆瓦海上风力发电机组的电动压缩机系统设计的创新性MLE-DMD故障诊断算法。通过实验测试和故障模拟,验证了该方法的可行性和有效性。主要结论如下:采用带窗口的DMD方法从电动压缩机系统中提取动态频域特征。除气体收集管泄漏外,大多数故障的模式特征都集中在较窄的范围内。

作者贡献说明
李雷:方法论、软件开发、形式化分析、研究实施、初稿撰写。王海峰:概念设计、资金获取、监督指导、项目管理、审稿与编辑。刘慧忠:概念设计、资金获取、监督指导。王斌:方法论、形式化分析、可视化处理、审稿与编辑。曾涛:研究实施、数据整理、验证工作。谢晨宇:研究实施、数据整理、验证工作。王子渊:资源协调。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了江西省“双千计划”的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号