大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用
摘要风能有着很多的优点，在改善我国能源结构方面有着非常大的作用。

本文包括五部分，第一部分进行概述，第二部分论述风电机组故障诊断和预警模型设计，第三部分论述基于大数据技术的齿轮箱故障诊断和预警方法实现，第四部分论述实验结果研究，第五部分进行总结。

关键词风电机组；故障诊断；故障预警
以主流大数据技术的风电机组故障诊断和预警模型为基础，利用storm实时处理状态监测流信息，提取故障诊断以及预警特点。

1 概论
随着大规模风电机组的投入运行，因为风电场选址的特殊性和负荷的不稳定性，很多机组都出现了故障，使得风电场的安全性受到了影响，所以对风电机组进行状态监测以及故诊断是相当关键的。

不同厂家生产的风电机组会使采集的数据类型等出现差异。

怎样通过风电机组状态监测大数据进行快速、有效的故障诊断和预警是新的课题。

大数据技术在电力体系监测领域还处于起步阶段，本文给出基于大数据技术的风电机组故障诊断和预警的模型结构，这个模型有着下面几个特点：第一，全体，收集和研究风电机组运行数据而不是样本数据。

第二，混杂：由于是全样本，不可避免地要处理不同风电机组、不同种类的异构数据。

第三，注重相关关系和效率，在故障诊断和预警环节中，使用数据挖掘方法找出故障，并在科学精确性的条件下利用并行计算技术实现快速的预警[1]。

2 风电机组故障诊断和预警模型设计
2.1 模型框架
基于大数据存储和处理的需要，本文基于X86集群，运用分布式技术，提出了融合各种相关异构状态检测数据的风电机组故障诊断和预警模型，模型架构见图1，主要由数据采集整合、数据存儲等模块组成。

数据来源有数据采集和监控系统、地理信息系统、项目管理信息系统，以及各种特殊传感器等业务系统的生产运行管理数据，除此之外，还有针对本文具体应用的各种故障知识库。

这些数据来源不一，模态各异，形成了海量异构电力大数据。

2.2 齿轮箱故障诊断和预警运行流程
作为风机传动系统的关键组成部分，齿轮箱是风电机组中故障率较高的部
件，齿轮箱故障主要有齿轮故障和轴承故障两类，常见的有齿面磨损、齿轮崩齿等，齿轮箱的振动信号中各时频域的特征参量对不同的故障各有侧重表达，本文主要选择下面参数作为故障振动特征参量：峰值指标、峭度指标等。

齿轮箱故障诊断和预警运行流程见图2。

3 基于大数据技术的齿轮箱故障诊断和预警方法实现
齿轮箱在线故障诊断和预警的关键是准确、有效的贝叶斯故障分类诊断模型和下一时刻特征值预测模型，这就要求贝叶斯分类模型中的故障类概率和特征概率矩阵，以及神经网络预测模型中的权值和阈值矩阵实时更新。

而朴素贝叶斯故障分类诊断模型和神经网络预测模型是通过对海量历史状态监测数据训练得到的，并且检测数据会随着时间不短积累，因此，运用大数据技术，在有限的时间内从电力状态检测大数据中训练得到诊断模型和预测模型是齿轮箱在线故障诊断和预警的内在要求，首先使用storm技术对状态检测流数据进行快速预处理，然后使用spark技术对状态监测流数据进行快速预处理，然后使用spark技术对随着时间累积的海量历史数据进行快速分析，得到所需的模型。

4 实验结果研究
为了模拟风电场大数据下故障诊断和预警相关情况，对本文所述方法进行了仿真实验，在实验室中搭建了风电机组故障诊断和预警模型试验平台，实验环境由九台联想台式机组成，实际运行的时候可以按照实际情况增减节点数，形成故障大数据处理平台。

实验用数据集为某风电场的前置机和风机服务器获得的实际运行数据，统一整合为XML格式，分别验证本文算法的准确性和时间性能。

本文分别验证所提出的RDD-NB算法和RDD-BP算法的逻辑有效性。

从收集到的故障样本中选择了一定数量的齿轮箱故障记录和正常运行数据记录来测试贝叶斯分类模型的故障准确率，本文实验选用的所要诊断的齿轮箱主要故障类型分为以下故障状态：齿面磨损、齿轮崩齿、轴承崩齿、轴承内圈划伤等。

本次实验所选用的齿轮箱故障诊断的训练集和测试集按三比二随机划分，实验分别在单机环境和并行化环境下测试，多次实验各取平均值进行比较，因为所能收集到的故障样本有限，分母小，个别故障类别准确率会略有偏差，在故障样本充足的情况下诊断正确率会进一步提升，总的来说，串行执行的故障诊断正确率和并行化的执行结果基本一致，即朴素贝叶斯分类算法并行化后没有削弱其故障诊断能力。

5 结束语
针对电力大数据环境下风电机组状态监测中数据实时处理分析的需求，本文设计实现了基于当前主流大数据技术的风电机组故障诊断和预警模型，利用storm实时处理状态监测流数据，提取故障诊断和预警特征。

参考文献
[1] 宋亚奇，周国亮，朱永利.智能电网大数据处理技术现状与挑战[J].电网技术，2013，（04）：927-935.。