用于风力发电机组寿命监测与扰动识别的Weibull–神经网络框架

《Wind Energy》:Weibull-Neural Network Framework for Wind Turbine Lifetime Monitoring and Disturbance Identification

【字体: 大 中 小 】 时间:2026年03月08日 来源:Wind Energy 3.6

编辑推荐:

  摘要:风力发电机组对可持续能源至关重要,但其在多样运行与环境条件下的可靠性仍具挑战,常导致代价高昂的故障。研究人员提出一种新颖的Weibull–Neural Network Framework,通过估算可靠度R(t)与平均剩余寿命(Mean Residual

  
摘要:风力发电机组对可持续能源至关重要,但其在多样运行与环境条件下的可靠性仍具挑战,常导致代价高昂的故障。研究人员提出一种新颖的Weibull–Neural Network Framework,通过估算可靠度R(t)与平均剩余寿命(Mean Residual Life, MRL)来增强风力发电机组寿命监测。该框架将广义Weibull分布(用于建模失效概率)、前馈神经网络(Feedforward Neural Network, FNN)(利用SCADA数据预测实时可靠度)与Bootstrap控制图(用于连续监测与异常检测)相融合。通过将概率建模与神经网络预测相结合,该方法捕捉了运行应力因子(如温度、转子转速)与环境因子(如风况变异性)的动态交互作用,克服了传统模型计算密集及缺乏可解释性的局限。实验室缩比案例研究与2 MW陆上风力发电机组的模拟商用规模应用验证了框架的有效性。主要贡献包括:(1) 将广义Weibull分布、前馈神经网络与Bootstrap控制图独特集成用于实时监测,弥补了现有研究在可解释性与数据稀缺方面的不足;(2) 用于预防性维护的早期扰动识别;(3) 可扩展、可解释的风力发电机组可靠性管理解决方案。该框架可降低停机时间、减少运维成本,并支持可持续能源生产。
论文解读:《Weibull-Neural Network Framework for Wind Turbine Lifetime Monitoring and Disturbance Identification》发表于《Wind Energy》
研究背景与意义
风力发电机组是可再生能源转型的关键设备,但在多变运行和环境条件下其可靠性仍是重大挑战。非计划故障和高昂运维成本严重制约风电场经济性。传统可靠性模型——如基于疲劳(Fatigue-based)的物理模型虽精度较高但计算量大,难以用于实时监测;基于概率的方法(尤指Weibull分布)擅长刻画风速随机性与元件失效概率,但通常无法动态纳入多维运行协变量(如偏航误差、尾流效应);纯数据驱动(Data-driven)方法(如CNN、LSTM)擅长故障检测但可解释性差、泛化能力弱且依赖大量标注数据;现有混合(Hybrid)模型往往需要繁复校准且未充分融合概率可靠性分析与实时监测。针对上述不足,研究人员提出了一种集成广义Weibull分布、前馈神经网络(Feedforward Neural Network, FNN)与Bootstrap控制图的Weibull–Neural Network Framework,兼顾可解释性、实时性和小样本适应性,用于风力发电机组可靠度R(t)与平均剩余寿命(Mean Residual Life, MRL)预测及早期扰动识别。
主要关键技术方法
研究人员采用实验室缩比风力发电机组(Finn Wind Tuule C 200, 200 W,310 h运行,约1860个SCADA数据点,变量含温度T、液压压力P、转子转速RPM)与公开Kaggle数据集之2 MW陆上风力发电机组(约52560点,含风速、转子转速、桨距角、偏航角、功率、环境温度、振动)进行验证。关键技术方法为四步:①SCADA数据预处理(中位数绝对偏差Median Absolute Deviation滤波去异常、短时段线性插值填补缺失值、按运行状态分段、[0,1]归一化、7:1.5:1.5划分训练/验证/测试集);②广义双参数Weibull分布建模——尺度参数η表示为运行与环境协变量(T、P、RPM)的指数/线性函数,通过最大似然估计(Maximum Likelihood Estimation, MLE)拟合形状参数β与回归系数,据此计算可靠度函数R(t)=exp[-(t/η)β]及MRL=m(t)=∫t∞R(u)du/R(t);③FNN(输入层→三隐层[16-32-64神经元或32-64-128神经元]激活函数tansig,输出层purelin,Levenberg–Marquardt训练,Adam优化器,MSE损失,Dropout正则化,Weibull模型合成样本数据增强)以SCADA变量为输入预测R(t)与MRL;④Bootstrap重抽样(10000~20000次)计算预测R(t)或MRL之2.5与97.5百分位数作为控制图上下限(Upper/Lower Control Limit, UCL/LCL),超界点结合相关性分析、回归、鱼骨图(Fishbone Diagram)进行扰动因子溯源。
研究结果
2.1 Step 1: Data Collection and Preprocessing
研究人员采集并清洗SCADA与环境气象站数据,滤除传感器错误与通信故障导致的离群值,短时段缺失值线性插值,按正常运行/待机/维护状态分段且仅保留正常运行数据,所有变量归一化至[0,1],按70%训练、15%验证、15%测试划分,为后续建模提供标准化输入。
2.2 Step 2: Weibull-Based Reliability Modeling
研究人员建立广义二参数Weibull模型,将尺度参数η表达为温度T、压力P、转子转速RPM之函数:η=A·exp(B·T+C·P+D·RPM/1000),其中A为基准常数,B、C、D分别为各协变量对特征寿命之影响系数。通过MLE对各工况下子样估计β与lnη并做多元线性回归得各系数。可靠度R(t)=exp[-(t/η)β],MRL由不完全Γ函数计算 m(t)=η·Γ(1+1/β, (t/η)β)/R(t)。实验室案例得β≈2.18(磨损失效特征),η0≈15800 h,B为负(升温降可靠性),C、D亦为负;商用2 MW案例β=2.2~2.6(依应力水平),η=10000~15000 h,表明该方法能随运行条件动态修正可靠性评估。
2.3 Step 3: Neural Network Development for Reliability Prediction
研究人员构建FNN,实验室案例输入3节点(T,P,RPM)输出2节点(R(t),MRL),商用案例输入7节点(风速、RPM、桨距角、偏航角、功率、温度、振动)输出同类;隐层分别配置[16,32,64]与[32,64,128]神经元,tansig激活,purelin输出,trainlm算法训练,加入Weibull生成合成样本增强鲁棒性。实验室案例测试集R2=0.95~0.98,RMSE≈12~17 h,MAPE<5%;商用案例R2=0.96~0.97,RMSE≈13.4 h,MSE≈180,性能较实验室案例提升15%~20%,证明网络可有效学习SCADA变量到可靠性指标的映射。
2.4 Step 4: Control Chart Design and Disturbance Factor Identification
研究人员以Bootstrap法对神经网络输出R(t)或MRL重抽样估算UCL与LCL(实验室案例R(t): UCL≈0.98, LCL≈0.82;商用案例MRL: UCL=14000 h, LCL=10000 h)。预测点超出控制限或呈Western Electric规则判定之非随机模式即触发报警。异常点通过提取同期SCADA与环境数据,经Pearson相关系数、Weibull回归、主成分分析(Principal Component Analysis, PCA)及鱼骨图定位主因(如超高风速、振动尖峰源于偏航不对中Yaw Misalignment等),实现扰动因子识别。商用案例异常检出率~5%,主要与风速>15 m/s相关(r=-0.68),验证了监控与溯源有效性。
结论与讨论
研究人员得出结论:所提Weibull–Neural Network Framework成功融合了广义Weibull概率可靠性模型与前馈神经网络实时预测能力,并通过Bootstrap控制图实现连续运行监测与早期扰动识别。关键贡献为:(1) 神经网络补偿数据稀缺,实现精确可靠度与剩余寿命预测;(2) 控制图区分稳定与不稳定工况,实现实时运行监测;(3) 失控状态预警使运维人员可及时采取纠正措施防止故障。框架相比计算密集的疲劳模型、无实时适应性的纯概率方法以及"黑箱"数据驱动模型,具备更好可解释性、较低校准需求和可扩展性,支持预防性维护、降低停机时间并延长风力发电机组服役寿命,对可持续能源生产具重要推进意义。实验室缩比与2 MW商用仿真案例均证实其预测精度(R2>0.95,MAPE<5%)与异常检测能力(模拟停机时间较基线减少25%),适用于部分数据缺失及多部件竞争失效情形(可用右删失Right-censoring生存分析及竞争风险Competing Risks模型扩展)。
相关新闻
生物通微信公众号
微信
新浪微博

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