MAGAZINE
刊物內容

回列表

應用雙向長短期記憶神經網路於異常風機部件之研究

摘要"

本研究分別使用前饋式神經網路[1]、捲積神經網路[2]、長短期記憶神經網路[3]及雙向長短期記憶神經網路[4]建立健康狀況診斷演算法,比較這些神經網路並討論這四種神經網路的優劣。再以最佳神經網路尋找適當的神經元數與隱藏層數,建立健康狀況診斷演算法,經比較後採用雙向長短期記憶神經網路(Bidirectional Long Short-Term Memory Neural Networks)建立風機部件健康診斷演算法,並以輸出值與實際值之誤差,定義部件健康指標。最後再以整合移動平均自迴歸模型(Autoregressive Integrated Moving Average Model)所預測之信賴區間設定閾值,以建立故障警訊之標準並和實際風場進行驗證比較。

關鍵詞:風力發電機、雙向長短期記憶神經網路、差分整合移動平均自迴歸模型、健康狀況診斷、故障警訊

前言

石化燃料是目前世界的主要能源來源,然而燃燒石化燃料會產生二氧化碳造成地球暖化,對環境產生各種負面的影響,如何減少全球二氧化碳排放量是我們這個時代的重大挑戰之一。再生能源包含水力發電、太陽能、波浪能、風力發電…等。其中風能是較早發展的再生能源,至今已技術成熟成為具有價格競爭力的綠色能源。根據全球風能協會(Global Wind Energy Council, GWEC)的統計報告,2019年陸域及離岸風電新增60.4GW裝置容量較2018年成長了19%。目前全球風能總裝置容量超過651GW,相較2018年成長了10%。GWEC預計2020年新增裝置容量將達76GW,將是風力發電創紀錄的一年。全球風電市場前景保持樂觀,預期未來5年的年均複合成長率仍將以每年4%持續成長[5]。
為了提升風能的經濟效益,良好的維護策略能降低成本增加收益[6]。目前風機的維護是根據其製造商的建議做定期或發生故障再做整修的措施。風機由於高度均在70公尺以上,若發生重大的故障維修困難,離岸風機更需考慮海況需有足夠的天氣窗期。因此風機的維修若能發展適當的預兆式診斷方法,在其發生重大故障前,就可提出警訊而提早維護,可降低維修成本和提高風機的時間有用率與容量因子。
本研究應用神經網路技術建立一套維護預警系統,讓風機能在風機故障前發出警訊,使得維修廠商能提早對即將故障的部件進行維護或更換,以延長風機之發電時間及降低維護成本。本研究可藉由傳感器收集的數據,監視不同部件的健康狀況,並應用於預測性維護
策略。
近年硬體的計算能力提升和神經網路技術的突破促進了神經網路的發展,使得神經網路在各個領域中被廣泛使用,較經典的神經網路包含前饋式神經網路[1]、捲積神經網路[2]、遞迴式神經網路[13],和其他機器學習方法一樣,神經網路已被用於解決各種各樣的問題。
目前應用在風機故障檢測的相關研究以神經網路為主,在Zaher等人的研究中[7],運用神經網路建立風機參數的預測模型,以模型之預測值與實際值之誤差做為健康評估的標準,並採用Multi-Agent的結構建立一套自動故障檢測的系統,對不同部件的診斷結果進行綜合分析,給出風機整體的運作狀態。Ziqian等人的研究中[8],運用捲積神經網路(Convolutional Neural Networks,CNN)和循環門控單元(Gated Recurrent Unit, GRU),建立一個考慮時間和各部件關係之預測模型,同樣以模型之預測值與實際值之誤差做為健康評估的標準,再以指數加權移動平均線圖(Exponentially Weighted Moving Average Chart,EWMA)監控風機的狀態,超過閾值之健康狀態則為異常。以及詹勳智[9]利用Elman類神經網路定義風機健康評估指標,並預測風機之剩餘有效壽命,可作為風機維修決策之依據。除了應用神經網路於風機故障檢測的相關研究外,也有周資穎對基於同儕比較的故障檢測之研究[10],使用風速與風向資料建立各風機之間的相似關係,再以此分群結果找出同群內與保證功率曲線(Guarantee Power Curve,GPC)最接近之風機,定為模範風機,並透過與模範風機比較找出行為異常之風機,進而分析其故障或衰退之原因。
使用方法及原理

利用層次方法的平衡疊代規約和分群演算法

利用層次方法的平衡疊代規約和分群演算法(Balanced Iterative Reducing and Clustering Using Hierarchies, BIRCH)是一種非監督式的階層分群演算法[11],利用分群特徵樹(Clustering FeatureTree, CFT)其結構如圖1,動態建構增加群集資料點,每個節點都包含一個分群特徵(Clustering Feature, CF),每個分群特徵包含三個參數,其中N為節點的資料點數,LS為節點數值的和,SS為節點數值的平方和,定義如下:

...更多內容,請見《機械新刊》雜誌

READ MORE BACK TO LIST