CN103234753A - 基于高斯过程建模的风电机组轴系状态监测方法 - Google Patents

Abstract

本发明公开了风电机组状态监测领域的一种基于高斯过程建模的风电机组轴系状态监测方法。其技术方案是，从风电机组SCADA系统的历史数据中收集待监测轴承正常时的温度和轴承温度相关变量的值，构成轴承温度向量集；用高斯过程回归方法建立轴承温度模型；用轴承温度模型对轴承进行实时监测，并将实测的轴承温度与模型输出的预测温度的差作为模型预测残差；模型预测残差与设定的残差阈值比较，当模型预测残差大于残差阈值时，则轴承异常；否则，轴承属于正常状态。本发明的有益效果是在风速随机变化、风电机组轴系转速时变的运行工况下，对机组轴系上的轴承状态进行准确分析和判断，及时发出轴承故障报警，降低维修复杂程度和成本。

Description

基于高斯过程建模的风电机组轴系状态监测方法

技术领域

本发明属于风电机组状态监测领域，尤其涉及一种基于高斯过程建模的风电机组轴系状态监测方法。

背景技术

据中国风能协会2013年3月发布的“2012年中国风电装机容量统计”报告，截至2012年底，我国的风电机组装机容量已位居世界第一位，累计安装风电机组53764台，装机容量75324MW。我国海上风电的发展也开始起步，我国第一个海上风电场上海东海大桥风电场已于2010年并网发电。根据国家“十二五”可再生能源规划，2015年我国海上风电的规模将达到500万千瓦；到2020年，海上风电将达到3000万千瓦。风电机组分布范围广、机舱位置高、运行环境恶劣。特别是海上风电场，机组维护维修与海况等气象因素密切相关。因此，高质量的风电机组运行维护和状态监测是风电产业特别是海上风电稳健快速发展迫切需要解决的关键技术问题之一。

有效的风电机组状态监测系统能够实时在线地监测机组的运行状态，及时发现重要部件的异常情况，从以下两方面大幅降低运行维护成本：（1）及早发现机组早期运行异常状态，可以避免严重的设备损坏，降低维护的成本和复杂程度。（2）及早发现机组的早期故障征兆，可以减少维修等待的时间（特别是海上风电机组），提高机组的可用率。

风电机组轴系是风电机组故障率较高的部件，对轴系轴承进行状态监测和故障诊断具有重要的实用价值。

现有对风电机组轴系的状态监测和故障诊断是采用振动监测方法，采用常规振动分析方法实现风电机组轴系状态监测和故障诊断存在的缺点是无法适应风电机组运行中的风速随机变化、轴系转速和载荷时变的特点，状态监测的效果差。

发明内容

针对现有风电机组轴系状态监测和故障诊断技术无法适应风电机组运行中的风速随机变化、轴系转速和载荷时变的特点，以及状态监测效果差的问题，本发明提出了一种基于高斯过程建模的风电机组轴系状态监测方法。

一种基于高斯过程建模的风电机组轴系状态监测方法，其特征在于，所述方法具体包括步骤：

步骤1：从风电机组SCADA系统的历史数据中收集待监测轴承工作正常时的温度和轴承温度相关变量的值，将每一时刻的轴承温度和其相关变量组成一个矢量(X_i,y_i)；n个时刻的矢量构成轴承温度向量集；其中，y_i为i时刻的轴承温度，X_i为该时刻轴承温度相关变量，包括风速、轴系转速、转矩和环境温度；

步骤2：采用高斯过程回归方法在步骤1得到的轴承温度向量集的基础上建立轴承温度模型；

步骤3：采用轴承温度模型对轴承进行实时监测，并将实测的轴承温度与轴承温度模型输出的预测温度之间的差作为模型预测残差；

步骤4：将步骤3得到的模型预测残差与设定的残差阈值进行比较，当模型预测残差大于残差阈值时，发出轴承异常报警；否则，判定轴承属于正常状态。

所述建立轴承温度模型的过程为：

设定历史数据集为：(X,Y)={X_i,y_i|i=1,2,…,n}；高斯过程回归的协方差函数为：cov(y_p,y_q)=k(X_p,X_q)，其中，k(,)为协方差函数；(X_p,y_p)，(X_q,y_q)为历史数据集中两组输入输出数据对；高斯过程回归模型的一个新的输入矢量为X^*，则对应该新输入矢量高斯过程回归模型的预测输出为：y^*=K(X^*,X)K(X,X)^-1Y；其中，K(X^*,X)和K(X,X)分别为由协方差函数k(X^*,X)和k(X,X)协方差函数构成的协方差矩阵。

所述k(X_p,X_q)的确定过程包括：

步骤21：采用历史数据作为训练数据集合来确定协方差函数中的待定参数；

协方差函数的形式为：

$k(X_p,X_q)={\mathrm{\δ}}_f^2\exp (-\frac{1}{2}\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{l}_i{(X_p^i-X_q^i)}^2)$

其中，

为信号方差，模型输入矢量X={X₁,X₂,…,X_d}为d维，l₁,l₂,…,l_d为对应输入矢量各维的权值系数；(X_p,y_p)，(X_q,y_q)为历史数据集中两组输入输出数据对；d为轴承温度模型的输入矢量X维数；

步骤22：设待定参数向量为：θ={δ_f,l₁,l₂,…,l_d}；构造以参数向量θ为变量的似然函数：

$\log p\left(Y\right|X,\mathrm{\θ})=-\frac{1}{2}{Y}^T{K}_y^{-1}Y-\frac{1}{2}\log \left|K_y\right|-\frac{n}{2}\log 2\mathrm{\π}$

其中，p(Y|X,θ)为由历史训练数据集构成的似然函数， $K_y={\left[\begin{array}{ccc}k(X_1,X_1)& ...& k(X_1,X_n)\\ .& & .\\ .& k(X_p,X_q)& .\\ .& & .\\ k(X_n,X_1)& ...& k(X_n,X_n)\end{array}\right]}_{n\×n}$ 为由协方差函数构成的协方差矩阵，n为历史数据样本数量；

步骤23：给定参数向量θ的初值，采用历史数据集(X,Y)={X_i,y_i|i=1,2,…,n}和最优化方法中的共轭梯度法求解似然函数的最大值，从而得到似然函数最大值对应的参数向量θ，即高斯过程回归模型的参数。

本发明由于能够有效地克服风电机组轴系监测中的风速随机变化，风机转速转矩时变的困难，因此能够很好地完成轴系的状态监测和故障诊断的任务。本发明能够及时准确地发现风电机组轴系轴承的早期故障，由此带来的有益效果是：

（1）早期发现轴系轴承故障，能够避免轴承损伤的扩大以及其导致的事故停机；

（2）早期发现轴系轴承故障，能够避免轴承故障进一步导致的后续成本更高部件的损坏和故障。如齿轮箱轴承发生故障后，会导致齿轮箱振动增加，进而导致齿轮箱内啮合齿轮的严重磨损和失效。及早发现轴承故障并进行更换后，能够避免上述后续故障的发生，避免更换成本很高的故障齿轮箱。

（3）采用本发明能够实现风电机组轴系轴承的在线实施监测，随时了解机组轴系的状态。变风电场现有的定期维护和更换轴系轴承（通常为半年），为基于轴系轴承状态的维护方式。维护方式更科学、更准确。缩短维护停机时间，节约轴承备品备件成本，从而大幅度降低风电场的运行成本。

附图说明

图1是本发明提供的一种基于高斯过程建模的风电机组轴系状态监测方法的流程图；

图2是本发明提供的一种基于高斯过程建模的风电机组轴系状态监测方法的实验结果图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是本发明提供的一种基于高斯过程建模的风电机组轴系状态监测方法的流程图。图1中，所述方法具体包括以下步骤：

一种基于高斯过程建模的风电机组轴系状态监测方法，其特征在于，所述方法具体包括步骤：

步骤1：从风电机组SCADA系统的历史数据中收集待监测轴承工作正常时的温度和轴承温度相关变量的值，将每一时刻的轴承温度和其相关变量组成一个矢量(X_i,y_i)；n个时刻的矢量构成轴承温度向量集；其中，y_i为i时刻的轴承温度，X_i为该时刻轴承温度相关变量，包括风速、轴系转速、转矩和环境温度；

步骤2：采用高斯过程回归方法在步骤1得到的轴承温度向量集的基础上建立轴承温度模型，建立轴承温度模型的过程为：

设定历史数据集为：(X,Y)={X_i,y_i|i=1,2,…,n}；高斯过程回归的协方差函数为：cov(y_p,y_q)=k(X_p,X_q)，其中，k(,)为协方差函数；(X_p,y_p)，(X_q,y_q)为历史数据集中两组输入输出数据对；高斯过程回归模型的一个新的输入矢量为X^*，则对应该新输入矢量高斯过程回归模型的预测输出为：y^*=K(X^*,X)K(X,X)^-1Y；其中，K(X^*,X)和K(X,X)分别为由协方差函数k(X^*,X)和k(X,X)协方差函数构成的协方差矩阵。

所述k(X_p,X_q)的确定过程包括：

步骤21：采用历史数据作为训练数据集合来确定协方差函数中的待定参数；

协方差函数的形式为：

$k(X_p,X_q)={\mathrm{\δ}}_f^2\exp (-\frac{1}{2}\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{l}_i{(X_p^i-X_q^i)}^2)$

其中，

为信号方差，模型输入矢量X={X₁,X₂,…,X_d}为d维，l₁,l₂,…,l_d为对应输入矢量各维的权值系数；(X_p,y_p)，(X_q,y_q)为历史数据集中两组输入输出数据对；d为轴承温度模型的输入矢量X维数；

步骤22：设待定参数向量为：θ={δ_f,l₁,l₂,…,l_d}；构造以参数向量θ为变量的似然函数：

$\log p\left(Y\right|X,\mathrm{\θ})=-\frac{1}{2}{Y}^T{K}_y^{-1}Y-\frac{1}{2}\log \left|K_y\right|-\frac{n}{2}\log 2\mathrm{\π}$

其中，p(Y|X,θ)为由历史训练数据集构成的似然函数， $K_y={\left[\begin{array}{ccc}k(X_1,X_1)& ...& k(X_1,X_n)\\ .& & .\\ .& k(X_p,X_q)& .\\ .& & .\\ k(X_n,X_1)& ...& k(X_n,X_n)\end{array}\right]}_{n\×n}$ 为由协方差函数构成的协方差矩阵，n为历史数据样本数量；

步骤23：给定参数向量θ的初值，采用历史数据集(X,Y)={X_i,y_i|i=1,2,…,n}和最优化方法中的共轭梯度法求解似然函数的最大值，从而得到似然函数最大值对应的参数向量θ，即高斯过程回归模型的参数。

步骤3：采用轴承温度模型对轴承进行实时监测，并将实测的轴承温度与轴承温度模型输出的预测温度之间的差作为模型预测残差；

步骤4：将步骤3得到的模型预测残差与设定的残差阈值进行比较，当模型预测残差大于残差阈值时，发出轴承异常报警；否则，判定轴承属于正常状态。

以轴系中的发电机轴承为例来说明本发明的具体实施方式，具体包括：

（1）收集发电机轴承正常运行时的历史数据，构成历史数据集(X,Y)={X_t,y_t|t=1,2,…,n}。其中，输入矢量X为四维矢量，

由风速、功率、环境温度、发电机轴承上一时刻温度四个变量构成；输出为发电机温度y。历史数据集中共有n个输入输出数据对，即训练样本。

（2）采用高斯过程回归方法和发电机轴承温度历史数据集(X,Y)={X_i,y_i|i=1,2,…,n}建立发电机轴承温度模型。首先确定协方差函数为：

$k(X_p,X_q)={\mathrm{\δ}}_f^2\exp (-\frac{1}{2}\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{l}_i{(X_p^i-X_q^i)}^2),$

待确定的协方差函数参数即高斯过程模型参数为θ={δ_f,l₁,l₂,l₃,l₄}。为建立发电机温度高斯过程模型，需对模型进行训练即确定参数向量θ。采用最大化似然函数的方法求解θ。即以θ为未知变量，求似然函数的最大值：

$\max \left[\log p\left(Y\right|X,\mathrm{\θ})\right]=\max [-\frac{1}{2}{Y}^T{K}_y^{-1}Y-\frac{1}{2}\log |K_y|-\frac{n}{2}\log 2\mathrm{\π}]$

求取上式最大值的最优化方法采用共轭梯度法。

（3）当采用共轭梯度法确定了似然函数的最大值对应的参数向量θ后，高斯过程模型训练结束。将新采集的发电机轴承输入矢量

作为轴承温度高斯过程模型的输入，计算模型输出预测值即发电机轴承温度预测值。并将该预测值与该时刻的发电机轴承温度实测值相减比较，得到模型的预测残差。

（4）将模型预测残差与预先设定的残差阈值比较。若残差大于阈值，则说明发电机轴承温度异常变化，预示轴承内部存在故障。发出发电机轴承异常报警，提示运行人员停机检查发电机轴承状态。残差阈值的大小可以由运行人员根据实际经验确定。

图2为发电机轴承监测实例图，发电机温度模型残差超过了阈值0.015。本方法成功检测出了风电机组发电机轴承的潜在故障。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种基于高斯过程建模的风电机组轴系状态监测方法，其特征在于，所述方法具体包括步骤：

步骤1：从风电机组SCADA系统的历史数据中收集待监测轴承工作正常时的温度和轴承温度相关变量的值，将每一时刻的轴承温度和其相关变量组成一个矢量(X_i,y_i)；n个时刻的矢量构成轴承温度向量集；其中，y_i为i时刻的轴承温度，X_i为该时刻轴承温度相关变量，包括风速、轴系转速、转矩和环境温度；

步骤2：采用高斯过程回归方法在步骤1得到的轴承温度向量集的基础上建立轴承温度模型；

步骤3：采用轴承温度模型对轴承进行实时监测，并将实测的轴承温度与轴承温度模型输出的预测温度之间的差作为模型预测残差；

步骤4：将步骤3得到的模型预测残差与设定的残差阈值进行比较，当模型预测残差大于残差阈值时，发出轴承异常报警；否则，判定轴承属于正常状态。

2.根据权利要求1所述的方法，其特征在于，所述建立轴承温度模型的过程为：

设定历史数据集为：(X,Y)={X_i,y_i|i=1,2,…,n}；高斯过程回归的协方差函数为：cov(y_p,y_q)=k(X_p,X_q)，其中，k(,)为协方差函数；(X_p,y_p)，(X_q,y_q)为历史数据集中两组输入输出数据对；高斯过程回归模型的一个新的输入矢量为X^*，则对应该新输入矢量高斯过程回归模型的预测输出为：y^*=K(X^*,X)K(X,X)^-1Y；其中，K(X^*,X)和K(X,X)分别为由协方差函数k(X^*,X)和k(X,X)协方差函数构成的协方差矩阵。

3.根据权利要求2所述的方法，其特征在于，所述k(X_p,X_q)的确定过程包括：

步骤21：采用历史数据作为训练数据集合来确定协方差函数中的待定参数；

协方差函数的形式为：

$k(X_p,X_q)={\mathrm{\δ}}_f^2\exp (-\frac{1}{2}\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{l}_i{(X_p^i-X_q^i)}^2)$

其中，为信号方差，模型输入矢量X={X₁,X₂,…,X_d}为d维，l₁,l₂,…,l_d为对应输入矢量各维的权值系数；(X_p,y_p)，(X_q,y_q)为历史数据集中两组输入输出数据对；d为轴承温度模型的输入矢量X维数；

步骤22：设待定参数向量为：θ={δ_f,l₁,l₂,…,l_d}；构造以参数向量θ为变量的似然函数：

$\log p\left(Y\right|X,\mathrm{\θ})=-\frac{1}{2}{Y}^T{K}_y^{-1}Y-\frac{1}{2}\log \left|K_y\right|-\frac{n}{2}\log 2\mathrm{\π}$

其中，p(Y|X,θ)为由历史训练数据集构成的似然函数， $K_y={\left[\begin{array}{ccc}k(X_1,X_1)& ...& k(X_1,X_n)\\ .& & .\\ .& k(X_p,X_q)& .\\ .& & .\\ k(X_n,X_1)& ...& k(X_n,X_n)\end{array}\right]}_{n\×n}$ 为由协方差函数构成的协方差矩阵，n为历史数据样本数量；

步骤23：给定参数向量θ的初值，采用历史数据集(X,Y)={X_i,y_i|i=1,2,…,n}和最优化方法中的共轭梯度法求解似然函数的最大值，从而得到似然函数最大值对应的参数向量θ，即高斯过程回归模型的参数。

Images