風(fēng)電遇上數(shù)據(jù)科學(xué)家 | 一種異常檢測的方法

風(fēng)電機(jī)組運(yùn)行工況復(fù)雜多變，機(jī)組狀態(tài)監(jiān)測數(shù)據(jù)量大、來源多且雜，現(xiàn)有的異常檢測方法面對如此海量的數(shù)據(jù)很難保證預(yù)測的精度并進(jìn)行快速處理。

天澤智云資深數(shù)據(jù)科學(xué)家謝鵬從全新視角出發(fā)，以溫度數(shù)據(jù)進(jìn)行故障預(yù)測為例，呈現(xiàn)新的建模方法。

數(shù)據(jù)科學(xué)家

21世紀(jì)“最性感職業(yè)”之一

他們懂?dāng)?shù)據(jù)、懂算法、懂軟件

懂行業(yè)專業(yè)知識、懂市場應(yīng)用、懂決策分析

具備過人的溝通協(xié)調(diào)能力

也具備超高的設(shè)計(jì)能力

……

他們練就十八般武藝

解決各種可見不可見的問題

一、數(shù)據(jù)科學(xué)處理問題的思路

我們處理問題的一般思路是，首先根據(jù)問題的需求提出假設(shè)/理論，發(fā)現(xiàn)并構(gòu)建出特征，之后基于假設(shè)和特征構(gòu)建模型將其轉(zhuǎn)化為數(shù)學(xué)問題，最后通過測試、優(yōu)化模型，實(shí)現(xiàn)算法來進(jìn)行工程上的部署。

其中，特征是指可以抽象化問題的一些表征，特征有來自于表征的，比如基于機(jī)理的、基于統(tǒng)計(jì)的以及基于圖形的等。

有的故障、失效的機(jī)理并沒有研究清楚，這種情況下我們需要通過實(shí)驗(yàn)研究建立統(tǒng)計(jì)模型，比如隊(duì)列（Cohort）/案例對照（Case-control）研究、生存分析等。

二、聚焦到風(fēng)電領(lǐng)域如何應(yīng)用

聚焦到傳統(tǒng)風(fēng)電數(shù)據(jù)分析領(lǐng)域，經(jīng)常從其變量間的關(guān)系，尤其是以功率曲線為基礎(chǔ)的圖形入手進(jìn)行分析。風(fēng)機(jī)的控制為工程師設(shè)定的具有固定邏輯的算法，具有特定的規(guī)律性，所以很多機(jī)組中的異常都會在功率曲線中有所體現(xiàn)。

除風(fēng)功率曲線外，轉(zhuǎn)速、槳葉角、對風(fēng)角、葉尖速比等都是我們經(jīng)常用來觀察的變量。

實(shí)際工作中，我們研究的故障在這些變量間兩兩關(guān)系并不能觀察到異常。

對于沒有任何表征的模型，我們有以下兩個(gè)思路：識別特定故障發(fā)生前模式及識別特定故障發(fā)生時(shí)模式。

從方法角度，這兩者均屬于模式識別，我們希望通過建立可以描述故障發(fā)生前或者故障發(fā)生時(shí)的特征，利用機(jī)械工程上的方法、信號處理的方法、統(tǒng)計(jì)學(xué)方法以及機(jī)器學(xué)習(xí)的方法構(gòu)建一個(gè)或多個(gè)可以識別一種或多種故障模式的模型。

路徑1：識別特定故障發(fā)生前模式

在此，我們先來探討一下故障發(fā)生前是否有征兆？對于這個(gè)問題，天澤智云幾位數(shù)據(jù)科學(xué)家發(fā)表了自己的看法。

• A博士：故障發(fā)生前不會有任何表征。

  
  

• B博士：用戶想要避免的失效一般都為故障非常嚴(yán)重的失效狀態(tài)，所以有時(shí)把早期故障預(yù)測也簡稱為故障預(yù)測。

  
  

• C博士：故障和失效沒有準(zhǔn)確定義，一般說的有沒有表征只是指能不能監(jiān)測到數(shù)據(jù)，但故障的演進(jìn)是一直存在的。

  
  

• D博士：故障既然被稱之為故障，證明故障已經(jīng)表征出來了。而故障表現(xiàn)出來需要經(jīng)歷一定的時(shí)間，各個(gè)內(nèi)在已經(jīng)磨耗到一定的階段才能表現(xiàn)出來。

  
  

經(jīng)過討論，我們認(rèn)為在故障發(fā)生之前，會存在很多因素影響一個(gè)部件的壽命（稱之為危險(xiǎn)因素），比如空氣的酸堿度、沙塵、惡劣的環(huán)境溫度、共振載荷會對葉片材料壽命造成顯著的危害，通過對這些因素進(jìn)行受控實(shí)驗(yàn)或者長時(shí)的隊(duì)列/案例研究可以通過統(tǒng)計(jì)模型描述其剩余壽命。

在故障完全發(fā)生前，進(jìn)行壽命預(yù)測是一種可行的方法，但是這種方法需要的實(shí)驗(yàn)、數(shù)據(jù)、時(shí)間的代價(jià)都很大。

對于部件來說，其故障發(fā)生前沒有明確的表征，因此我們著重研究故障早期的表征。

路徑2：識別故障發(fā)生早期的表征

Q：我們有什么數(shù)據(jù)？

SCADA數(shù)據(jù)，秒級/分鐘級

無故障標(biāo)簽/無準(zhǔn)確故障產(chǎn)生時(shí)間

有限傳感器測點(diǎn)，大多數(shù)為溫度測點(diǎn)數(shù)據(jù)

能獲取的數(shù)據(jù)可能并不滿足對特定故障模式的建模。

Q：在這種情況下如何做故障預(yù)測？

有限數(shù)據(jù)，尤其是沒有標(biāo)簽數(shù)據(jù)的情況下，對特定故障模式建模難以實(shí)現(xiàn)。退而求其次，我們對部件進(jìn)行異常檢測。對此，我們提出一個(gè)理論：

定義什么是異常：

偏離正常就是異常

如何描述正常：

用正常狀態(tài)的物理過程來定義

如何測量對正常的偏離

有了正常狀態(tài)的定義之后，用數(shù)學(xué)上或者其他方法來描述對正常的偏離：使用分類模型，或者使用距離來度量

以上是我們從以前的研究中總結(jié)的研究方法。研究發(fā)現(xiàn)，熱傳導(dǎo)和溫度是物理系統(tǒng)的最基本的變量，基于熱力學(xué)第一定律，可以建立溫度變化和風(fēng)機(jī)輸出功率或轉(zhuǎn)速的變量關(guān)系。如果風(fēng)機(jī)在大部件失效的狀態(tài)下，這種線性關(guān)系就會遭到破壞，從而服從不同于正常狀態(tài)下的溫度分布情況。在很多情況下，溫度關(guān)系的變化是部件失效的一種直接表征。如下圖研究中表示油溫溫升分布與齒輪箱失效的關(guān)系。

基于以上，我們認(rèn)為可以將溫度、溫升作為建模的依據(jù)，將溫度、溫升分布的改變作為故障發(fā)生（早期）的表征。

當(dāng)然，通常做異常檢測我們有很多可以用的其他統(tǒng)計(jì)和機(jī)器學(xué)習(xí)模型，比如使用PCA-T2/SPE、SOM-MQE、Isolation Forest等方法進(jìn)行建模。在本例中，我們關(guān)注于特定溫度的異常檢測，呈現(xiàn)另外的建模方法。

三、建模的思路是什么

對于軸承，我們認(rèn)為發(fā)電機(jī)前后軸承溫度存在一定差異并在正常情況下保持動態(tài)的穩(wěn)態(tài)，熱傳導(dǎo)的過程需要時(shí)間并且逐漸變化。由于發(fā)電機(jī)軸承失效或故障導(dǎo)致這種穩(wěn)態(tài)的破壞，并將體現(xiàn)在基線的偏離上。我們用以下幾種方式定義基線。

定義基線方式1：

我們用一種函數(shù)關(guān)系來描述一種溫度量，建立模型來預(yù)測溫度，比如建立油溫的模型對溫度進(jìn)行預(yù)測。將預(yù)測的溫度作為基線，如果預(yù)測的數(shù)據(jù)和實(shí)際獲得的數(shù)據(jù)相差很大，我們認(rèn)為偏離正常狀態(tài)。

我們可以使用回歸模型來擬合，比如ANN、SVR、ANFIS，這很多情況下我們觀察的變量具備一定的時(shí)間序列上的關(guān)聯(lián)，則可以使用NARX/LSTM模型。之后使用距離（比如MD）度量一段時(shí)間內(nèi)預(yù)測值與實(shí)際值的差異，使用單機(jī)組無故障數(shù)據(jù)訓(xùn)練建立基線。

這種方法存在一種缺陷：對實(shí)際值的擬合的模型精度會放大后續(xù)建模的誤差

定義基線方式2：用直方圖描述分布

我們認(rèn)為在健康情況下，溫升存在特定的分布。描述一種分布最常用的圖形是直方圖。從數(shù)學(xué)的角度看，直方圖是一種離散化數(shù)據(jù)進(jìn)行統(tǒng)計(jì)的方法。

直方圖這種方法雖然簡單，但是在很多領(lǐng)域都有著廣泛的用途。

比如：

xgboost － 其中應(yīng)用到直方圖算法，用于高效地生成候選的分割點(diǎn)，運(yùn)算非?？?/p>

方向梯度直方圖（HOG） – 機(jī)器視覺領(lǐng)域的特征方法

使用離散化權(quán)重的方法優(yōu)化深度學(xué)習(xí)性能等

在實(shí)際應(yīng)用到工業(yè)場景中，對數(shù)據(jù)離散化的參數(shù)需要根據(jù)其業(yè)務(wù)屬性來約束。

直方圖方法的變種

使用直方圖方法可以獲得對變量的特征向量，這種方法通常可以描述數(shù)據(jù)的分布。但是在很多情況中，數(shù)據(jù)的噪聲，尤其是傳感器的測量誤差，會淹沒異常模式的表征。為提高信噪比，我們采用一種來自被自然語言處理（NLP）領(lǐng)域廣泛使用的加權(quán)方法TF-IDF。

獲得特征向量后，有了基線及實(shí)時(shí)數(shù)據(jù)特征矩陣后，我們可以使用歐式距離來描述實(shí)時(shí)數(shù)據(jù)與基線特征向量的距離。當(dāng)然，我們也可以應(yīng)用其他的模型，比如可以進(jìn)行聚類。

TF-IDF訓(xùn)練案例

案例：變槳電機(jī)溫度的異常檢測。

我們以三個(gè)變槳電機(jī)編組為三組，計(jì)算三組特征向量與基線的距離。

下圖為正常的變槳電機(jī)溫度狀態(tài)。

下圖為異常的變槳電機(jī)溫度狀態(tài)。

在所應(yīng)用到的各種案例中，該方法對各部件溫度的異常檢測具備良好的準(zhǔn)確性（>90%）。

定義基線方式3：符號化的特征表示

使用直方圖或者是TF-IDF，其中的一個(gè)重要的步驟是對連續(xù)數(shù)據(jù)的離散化。離散化可以看成一種對信號中的信號進(jìn)行平滑的過程，損失了一定的信息換取更高的信噪比。

在獲得離散化的數(shù)據(jù)后，使用固定維度對原始數(shù)據(jù)進(jìn)行重新表達(dá)。在自然語言處理中，這種技術(shù)稱為詞的分布式表示（Distributional Representation）。

我們繼續(xù)把這種離散化的連續(xù)數(shù)據(jù)視為“符號”，這種處理在很多領(lǐng)域都有應(yīng)用，比如在信號處理領(lǐng)域的SAX方法。使用NLP的方法，比如word2vec來訓(xùn)練這些“詞”或“文檔”的向量。同樣，我們利用訓(xùn)練的基線向量來進(jìn)行異常檢測或其他任務(wù)。

高維數(shù)據(jù)中，我們可以拓展這種方法到更多的故障模式的學(xué)習(xí)中。

四、結(jié) 語

在這里，我們提出了一種對于連續(xù)數(shù)據(jù)的符號化的特征表示的方法用于異常檢測，作為常規(guī)異常檢測技術(shù)的補(bǔ)充。

這種方法使用對連續(xù)數(shù)據(jù)離散化處理，使之符號化，進(jìn)而尋找符號映射到數(shù)學(xué)空間的表達(dá)。在文章的例子中，“符號”表示了一種兩種變量間的統(tǒng)計(jì)關(guān)系，并且，在這種方法中，我們認(rèn)為這些“符號”和詞語在語料庫中一樣，具有穩(wěn)定的統(tǒng)計(jì)分布。這種方法之所以可以用于異常檢測，在于從物理模型上，該“符號”表達(dá)了我們關(guān)注量的物理關(guān)系。

更多精彩內(nèi)容歡迎關(guān)注我們：天澤智云CyberInsight（微信ID：CPS-China）