CN104200396B - 一种风力发电机部件故障预警方法 - Google Patents

Abstract

一种风力发电机部件故障预警方法，其内容是：是调用历史数据库中数据对并行回声状态网络组进行模型训练，并测试每个回声状态网络模型的准确性，将符合要求的模型通过过程统计分析得出各特征参数的标准阈值；通过采集风力发电机各部件的不同信号，经数据预处理模块处理后，在信息融合模块中各特征参数与对应标准阈值比较，并将比较结果和对应的权值结合，给出预警信息，并根据现场维护的实际情况调节各特征参数的权值，监测的实时数据要根据预警信息和现场维护情况。本发明是将多种特征参数的监测结果进行融合分析后，给出风力发电机部件的健康参数，保证预警结果的准确性和可靠性。

Description

一种风力发电机部件故障预警方法

技术领域

本发明属于风力发电机状态监测领域，涉及一种风力发电机部件故障预警方法。

背景技术

近年来，随着世界各国化石能源供应不确定性问题和节能减排形势的日益严峻，绿色可再生能源和环保型低碳经济越来越受到重视。尤其是近五年，中国风电装机容量的增长极为迅速，并已于2010年底超越美国成为全球风电装机容量第一的国家。

在风电产业迅猛发展的前提下，也引发了一系列的严峻问题。其中甚至有某风场数十台风力发电机安装数年来因故障而从未发电的报告，更多的情况是风力发电机可靠性较低，而又缺乏故障预警功能，以致较小的故障未能及时发现、维修而发展成重大的安全和设备事故，不仅造成停机损失，而且维修费用急剧上升，甚至可能超过其产出费用。因此，国内外已经出现了某风力发电机制造商因保修其故障多发的产品导致企业入不敷出而破产的报道。

当前风力发电机故障监测主要是通过在风力发电机传动系统布置振动传感器和温度传感器来监测风力发电机的运行状态，当测量值超过预先设定的阈值时报警或停机。但由于风力发电机的运行环境不同，导致所设的阈值针对性较差，且缺乏对于风力发电机早期故障的判断，易造成风力发电机的重大事故；风力发电机是一种复杂的旋转机械，如只单独考虑一种或几种测量参数，不能准确地反映风力发电机的运行状态；另一方面，现在风力发电机故障多发，状态监测和故障预警功能的低效和缺失，已严重地制约了风电成为可靠高质量能源的发展。

发明内容

针对上述背景技术中提到当前风电机组的状态评价在阈值确定和信息融合方面存在的不足，本发明提出了一种风力发电机部件故障预警方法，本发明通过对具有预测功能阈值的确定来实现预警功能。为了保证该方法预警结果的准确性和可靠性，本发明应用信息融合的技术，将不同信号源的预测结果进行融合分析，以此来判断风力发电机部件的健康状态，及时发现病情并指导治疗，能够防止小疾发展为大病，以较小的代价恢复健康，从而保持风力发电机部件的健康和延长寿命，发挥更大的经济效益。

为了解决上述技术问题，本发明是通过以下技术方案实现的：一种风力发电机部件故障预警方法，该方法包括如下内容：

步骤一离线训练过程

离线训练过程是调用历史数据库中数据训练对并行回声状态网络组(ParallelEcho State Network Group,以下简称PESNG)进行模型训练，并测试每个回声状态网络(Echo State Network，以下简称ESN)模型的准确性，将符合要求的ESN模型通过过程统计分析得出各特征参数的标准阈值；

步骤二在线监测过程

在线预警过程是通过多传感器采集模块采集风力发电机各部件的不同信号，经数据预处理模块处理后，输入PESNG监测模块，并将运行结果输入信息融合模块；在信息融合模块中各特征参数与对应标准阈值比较，并将比较结果和对应的权值结合，给出预警信息；

步骤三预警维护过程

预警维护过程是对发出故障预警警报的部件进行现场维护，并根据现场维护的实际情况调节各特征参数的权值；监测的实时数据要根据预警信息和现场维护情况，分类存入历史数据库中，以达到历史数据库更新的目的。

所述的离线训练过程所用到的历史数据库中的数据，是风力发电机正常工作时记录下来的经过相应预处理的数据，并且所选择的训练数据是风力发电机某一部件的不同特征参数的集合。

所述的离线训练过程中的PESNG是将多个ESN模型集合在一起，每个PESNG对应风力发电机某一部件，其中每个ESN模型对应该部件一个特征参数，每个ESN模型独立进行训练测试。

所述的模型训练是从所选数据中抽取一段连续时间序列的数据U₁＝[u₁₁,u₁₂,…,u_1n]^T,将P₁＝[u₁₁,u₁₂,…,u_1m]^T作为ESN模型的输入单元，对应的输出单元为Q₁＝[u_1(1+t),u_1(2+t),…,u_1(m+t)]^T，其中m+t≤n，输入和输出存在时间差t，根据ESN模型的基本方程(1)、(2)：

x(k+1)＝f(Wⁱⁿu(k+1)+Wx(k)+W^backy(k)) (1)

y(k+1)＝f^out(W^out(u(k+1),x(k+1),y(k))) (2)

训练ESN模型求出输出权值矩阵W^out，即可得到ESN的数学模型，并进行模型的准确性验证。

所述模型的准确性验证的步骤是，从历史数据库中选取另一段同源正常数据U₂＝[u₂₁,u₂₂,…,u_2n′]^T，将P₂＝[u₂₁,u₂₂,…,u_2m′]^T作为已训练完的ESN模型的输入，经过ESN模型运算得出一组输出将输出单元预测输出的与经过t时间后真实输出数据Q₂＝[u_2(1+t),u_2(2+t),…,u_2(m+t)]^T根据公式：

求得预测数据的无偏均方根误差NRMSE，其中σ²为Q₂(i)的方差，当NRMSE<0.6时，表示模型性能安全准确，否则重新训练，直到满足要求，并在模型满足条件时进行相应特征参数的标准阈值确定。

所述的标准阈值确定的方法是将测试模型的输出值与模型输入值P₂＝[u₂₁,u₂₂,…,u_2m′]^T做差，得到一组后向穿越差向量C，对后向穿越差向量C进行相应的过程统计分析，得出对应特征参数的标准阈值。

所述在线预警过程中的PESNG监测模块，该模块中的PESNG是经过离线训练过程，满足条件而保存下来的模型组；该模块的输入是同一部件各特征参数的实时数据；该模块的工作过程是将当前时刻的实时特征参数数据P(n)输入对应的ESN模型，计算经过t时间后的预测值进一步做差计算得到当前时刻的后向穿越差c，即：

所述在线预警过程中的信息融合模块，其参数阈值比较的具体过程为，特征参数超出阈值范围的比较结果输出1，在阈值范围内的输出0；各特征参量的权值是根据模型预测准确度确定的，赋予准确度高的特征参数较高的权值，并且所述的权值实时根据预警和维护结果进行修正；给出预警结果b，预警结果b的运算公式为：b＝r₁q₁+r₂q₂+…+r_dq_d，其中r₁,r₂,…,r_d为各特征参数与相应标准阈值的比较输出结果，q₁,q₂,…,q_d为各特征参数所占的权值，各参数的初始权值相等，且q₁+q₂+…+q_d＝1，当该部件在一段时间内，预警结果b频繁大于0.6时，该部件发出故障预警警报。

所述的预警维护过程是根据预警维护结果进行相应的参数调整和数据存储，对于预警结果不正确的特征参数，削减当前权值的1/5，将削减的这部分权值平均分配给预警结果正确的特征参数，当某一特征参数的权值小于1/2d，其中d为此部件所需监测特征参数的个数，需要对相关传感器的性能和放置进行检查。

所述历史数据库更新的工作原则是，对于经过该预警方法没有引起报警的数据，直接存入历史数据库中的正常数据库；对于引起报警的数据，则需要根据现场的维护情况来判断数据的存储地址；如果报警正确，将其存入历史数据库中的异常数据库；如果是误报警，则将此数据存入历史数据库中的正常数据库。

由于采用上述技术方案，本发明提供的一种风力发电机部件故障预警方法，与现有技术相比具有这样的有益效果：

1、本发明通过一种具有预测功能的阈值确定方法，能够准确预测到风力发电机部件发生故障的时间，从而及时对风力发电机故障部件进行处理和维护，避免风力发电机部件的深度伤害；

2、本发明是将多种特征参数的监测结果进行融合分析后，给出风力发电机部件的健康参数，保证本发明方法预警结果的准确性和可靠性；

3、本发明方法其中关于多特征参数结果的融合中，权值的设定是自适应变化的，这就进一步提高了本发明方法预警结果的准确性和可靠性。

附图说明

图1为一种风力发电机部件故障预警方法的结构示意图；

图2为ESN模型结构示意图；

图3为在线监测预警过程工作流程图；

图4为各特征参数权值调节结构图；

图5为实时更新历史数据库工作图。

具体实施方式

本发明提供一种风力发电机部件故障预警方法，该方法的核心是一种新的具有预测功能的阈值确定方法，为提高预警结果的准确性和可靠性，应用信息融合技术，通过对不同特征参数预测结果进行融合给出风力发电机部件的健康状态，并根据预警结果对信息融合中各特征参数权值进行自适应调节。

为了使本领域的技术人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

图1为本发明一种具体实施方式所提供的风力发电机部件故障预警方法的结构示意图，该方法包括离线训练过程、在线监测过程和预警维护过程三个部分。

其中离线训练过程是对PESNG中的多个ESN同时进行训练，每个PESNG对应风力发电机一个部件，PESNG中的每个ESN对应此部件的一个不同的特征参数来进行训练；

结合图2和ESN模型的基本方程(1)、(2)，训练求得输出连接权矩阵W^out，由于同一PESNG中的每个ESN都是彼此独立，互不影响，故为了介绍清晰，下面将选取一种特征参数对训练过程进行叙述，具体训练步骤如下：

①选取风力发电机连续正常工作下记录下来的经过相应预处理的数据，选择一种特征参数的两组不同数据U₁＝[u₁₁,u₁₂,...,u_1n]^T和U₂＝[u₂₁,u₂₂,...,u_2n′]^T进行如下ESN模型的训练和测试；

②训练模型，选取数据P₁＝[u₁₁,u₁₂,...,u_1m]^T作为ESN的输入，Q₁＝[u_1(1+t),u_1(2+t),...,u_1(m+t)]^T作为输出，其中m+t≤n，根据ESN模型的基本方程(1)、(2)，采用伪逆矩阵算法求出输出权值矩阵W^out；

③测试模型，选取数据P₂＝[u₂₁,u₂₂,…,u_2m′]^T作为已训练完的ESN模型的输入，经过ESN模型运算得出一组输出将输出单元预测输出的与经过t时间后真实输出数据Q₂＝[u_2(1+t),u_2(2+t),…,u_2(m+t)]^T根据公式：

求得预测数据的无偏均方根误差NRMSE，其中σ²为Q₂(i)的方差，当NRMSE<0.6时，表示模型性能安全准确，否则重复②，直到ESN模型满足要求为止；

④将满足要求的模型保存，并将测试模型得到的输出值与模型输入值P₂＝[u₂₁,u₂₂,...,u_2m′]^T做差，得到一组后向穿越差向量C；

⑤对后向穿越差向量C进行相应的过程统计分析，得出对应特征参数的标准阈值。

本发明方法中在线预警过程的具体工作步骤，结合图3可知：

首先，将多传感器采集模块中的多传感器安装在风力发电机各个部件上，如安装在齿轮箱上的振动传感器、温度传感器和油质传感器等，安装在发电机上的振动传感器、温度传感器和电流传感器等，安装在叶片上的振动传感器和应力传感器等，安装在风力发电机上其它部位的各类传感器；

其次，将上述传感器采集到的信号经过信号调理转换为数字信号后，根据各自数据的特点进行不同的预处理工作，提取不同的特征参量，并将采集到的原始数据存储在数据存储器中；

再次，所述的数据预处理工作，首先将信号进行相应的放大和滤波等；然后对各机械部件振动和发电机电流电压等复杂信号，进行特征值的提取；其中对振动信号提取如均值、均方根值、峰值、峭度、波形因子和均值频率等指标；对于电流电压信号提取特征频率和能量等指标参数；

再次，将提取的各特征参数的实时数据的P(n)，输入同源数据训练得到的ESN模型，经过ESN模型的基本方程(1)、(2)，得出实时数据经过t时间后的预测值做差得出此时的后向穿越差c，即：

再次，集合此ESN所在PESNG中其他实时特征参数的后向穿越差，并与所对应的各标准阈值比较，超出阈值范围的比较结果输出1，在阈值范围内的输出0；

最后，给出部件预警结果b，预警结果的运算公式为：b＝r₁q₁+r₂q₂+…+r_dq_d，其中r₁,r₂,…,r_d为各特征参数与对应标准阈值比较之后的输出结果，q₁,q₂,...,q_d为各特征参数所占的权值，其中各特征参数的初始权值相等，并且q₁+q₂+…+q_d＝1，当该部件在一段时间内，预警结果b频繁大于0.6时，该部件发出故障预警的警报。

对于发出故障预警警报的部件进行现场维护权值调节，具体步骤为：对于预警结果不正确的特征参数，削减当前权值的1/5，将削减的这部分权值平均分配给预警结果正确的特征参数，当某一特征参数的权值小于1/2d(其中d为此部件所需监测特征参数的个数)，需要对相关传感器的性能和放置进行检查。

关于历史数据库更新的工作原则，对于经过该预警方法没有引起报警的数据，直接存入历史数据库中的正常数据库；对于引起报警的数据，则需要根据现场的维护情况来判断数据的存储地址；如果报警正确，将其存入历史数据库中的异常数据库；如果误报警，则将此数据存入历史数据库中的正常数据库。

Claims (3)

1.一种风力发电机部件故障预警方法，其特征在于：该方法包括如下内容：

步骤一 离线训练过程

离线训练过程是调用历史数据库中数据训练对并行回声状态网络组进行模型训练，并测试每个回声状态网络模型的准确性，将符合要求的回声状态网络模型通过过程统计分析得出各特征参数的标准阈值；

步骤二 在线监测过程

在线监测过程是通过多传感器采集模块采集风力发电机各部件的不同信号，经数据预处理模块处理后，输入并行回声状态网络组监测模块，并将运行结果输入信息融合模块；在信息融合模块中各特征参数与对应标准阈值比较，并将比较结果和对应的权值结合，给出预警信息；

步骤三 预警维护过程

预警维护过程是对发出故障预警警报的部件进行现场维护，并根据现场维护的实际情况调节各特征参数的权值；监测的实时数据要根据预警信息和现场维护情况，分类存入历史数据库中，以达到历史数据库更新的目的；

所述的离线训练过程所用到的历史数据库中的数据，是风力发电机正常工作时记录下来的经过相应预处理的数据，并且所选择的训练数据是风力发电机某一部件的不同特征参数的集合；

所述的离线训练过程中的并行回声状态网络组是将多个回声状态网络模型集合在一起，每个并行回声状态网络组对应风力发电机某一部件，其中每个回声状态网络模型对应该部件一个特征参数，每个回声状态网络模型独立进行训练测试；

所述在线监测过程中的并行回声状态网络组监测模块，该模块中的并行回声状态网络组是经过离线训练过程，满足条件而保存下来的模型组；该模块的输入是同一部件各特征参数的实时数据；该模块的工作过程是将当前时刻n的实时特征参数数据P(n)输入对应的回声状态网络模型，计算经过t时间后的模型输出值进一步做差计算得到当前时刻的后向穿越差c，即：

所述在线监测过程中的信息融合模块，其参数阈值比较的具体过程为，特征参数超出阈值范围的比较结果输出1，在阈值范围内的输出0；各特征参量的权值是根据模型预测准确度确定的，赋予准确度高的特征参数较高的权值，并且所述的权值实时根据预警和维护结果进行修正；给出预警结果b，预警结果b的运算公式为：b＝r₁q₁+r₂q₂+…+r_dq_d，其中r₁,r₂,…,r_d为各特征参数与相应标准阈值的比较输出结果，q₁,q₂,…,q_d为各特征参数所占的权值，各参数的初始权值相等，且q₁+q₂+…+q_d＝1，当该部件在一段长度为L的连续采样时间内，预警结果b大于0.6的次数超过L/2时，该部件发出故障预警警报；

所述的模型训练是从所选数据中抽取一段采样长度为N的连续时间序列的数据U₁＝[u₁₁,u₁₂,…,u_1N]^T,将长度为M的子序列P₁＝[u₁₁,u₁₂,…,u_1M]^T作为回声状态网络模型的输入单元，对应的输出单元为Q₁＝[u_1(1+t),u_1(2+t),…,u_1(M+t)]^T，其中M+t≤N，输入和输出存在时间差t，根据回声状态网络模型的基本方程(1)、(2)：

x(k+1)＝f(Wⁱⁿu(k+1)+Wx(k)+W^backy(k)) (1)

y(k+1)＝f^out(W^out(u(k+1),x(k+1),y(k))) (2)

其中，f为模型内部激活函数；f^out为输入与输出单元激活函数；x(k)、u(k)和y(k)分别为k时刻模型的状态变量、系统输入向量和网络输出；W、Wⁱⁿ、W^back分别表示状态变量，输入和输出对状态变量的连接权矩阵，在网络的训练中，随机产生，一经产生就固定不变；W^out表示连接到输出的连接权矩阵，需要经过训练得到；训练回声状态网络模型求出输出权值矩阵W^out，即可得到回声状态网络的数学模型，并进行模型的准确性验证；

所述的预警维护过程是根据预警维护结果进行相应的参数调整和数据存储，对于预警结果不正确的特征参数，削减当前权值的1/5，将削减的这部分权值平均分配给预警结果正确的特征参数，当某一特征参数的权值小于1/2d，需要对相关传感器的性能和放置进行检查，其中d为此部件所需监测特征参数的个数；

所述历史数据库更新的工作原则是，对于经过该预警方法没有引起报警的数据，直接存入历史数据库中的正常数据库；对于引起报警的数据，则需要根据现场的维护情况来判断数据的存储地址；如果报警正确，将其存入历史数据库中的异常数据库；如果是误报警，则将此数据存入历史数据库中的正常数据库。

2.根据权利要求1所述的一种风力发电机部件故障预警方法，其特征在于：所述模型的准确性验证的步骤是，从历史数据库中选取另一段长度为N'同源正常数据U₂＝[u₂₁,u₂₂,…,u_2N']^T，将长度为M'的子序列P₂＝[u₂₁,u₂₂,…,u_2M']^T作为已训练完的回声状态网络模型的输入，经过回声状态网络模型运算得出一组输出将输出单元预测输出的与经过t时间后真实输出数据Q₂＝[u_2(1+t),u_2(2+t),…,u_2(M+t)]^T根据公式：

求得预测数据的无偏均方根误差NRMSE，其中σ²为Q₂(i)的方差，当NRMSE<0.6时，表示模型性能安全准确，否则重新训练，直到满足要求，并在模型满足条件时进行相应特征参数的标准阈值确定。

3.根据权利要求2所述的一种风力发电机部件故障预警方法，其特征在于：所述的标准阈值确定的方法是将测试模型的输出值与模型输入值P₂＝[u₂₁,u₂₂,…,u_2M']^T做差，得到一组后向穿越差向量C，对后向穿越差向量C进行相应的过程统计分析，得出对应特征参数的标准阈值。