CN104614179A - 一种风电机组齿轮箱状态监测方法 - Google Patents

Abstract

本发明提供了一种风电机组齿轮箱状态监测方法，其包括以下步骤：收集风电机组SCADA系统历史数据，筛选机组健康运行工况下的有功功率、风速、机舱温度、主轴转速和齿轮箱油温，建立标准专家库；采用引力搜索算法对最小二乘支持向量回归机的惩罚系数与核参数进行寻优，基于优化后的向量机模型，以专家库中的有功功率、风速、机舱温度、主轴转速为输入，齿轮箱油温为输出，建立健康工况下的齿轮箱油温映射模型；用映射模型对风电机组齿轮箱进行实时监测，将有功功率、风速、机舱温度、主轴转速的实测值输入，得到齿轮箱油温的预测值，定义油温预测值与实测值的商为判别指数，如果判别指数的统计特性发生异常，可认为风电机组齿轮箱存在故障并进行报警。本发明可广泛应用于对风电机组齿轮箱的早期预警。

Description

一种风电机组齿轮箱状态监测方法

技术领域

本发明属于风电机组状态监测技术领域，特别涉及一种风电机组齿轮箱状态监测方法。

背景技术

风能是可再生能源中发展最快且最具有商业开发价值的清洁能源，据世界风能协会统计，截止到2013年底，我国风电总装机容量达到91GW，位列全球首位。由于风电机组运行条件恶劣，经常受极端天气影响，机组部件会随累计运行时间的增加不断老化、发生故障，导致风电场运行和维护费用居高不下。据统计，风电机组齿轮箱相关故障造成停机时间最长，对电力生产影响最大。因此，对风电机组齿轮箱的运行状态进行监测与分析，尽早发现故障征兆，进而指导风电场制定合理的维护时间和方案，对于降低风电场运维成本、提高风电场运营效益是非常有必要的。

由于风电机组齿轮箱故障成因与征兆映射关系呈现不确定性与复杂性，采用何种方法和手段合理地监测其运行状态，成为了当前的研究热点与难点。现有对风电机组齿轮箱的状态监测与故障诊断多采用振动分析、油液分析技术。传统的振动监测方法大致可归为三类：第一类为时域统计特征值及无量纲参数；第二类为频域分析方法，如频谱分析、倒频谱分析、细化谱分析、解调分析等；第三类为时频域分析方法，如窗口傅里叶变换、小波分析、EMD等方法。基于模式识别技术的智能诊断方法也越来越多地应用于设备状态监测。油液监测技术主要通过分析设备润滑油和液压油本身性能和所含颗粒数来诊断部件的运行状态，常用手段包括铁谱分析、光谱分析、理化分析等。

振动信号分析需要额外布置传感器，增加了风电场的运营成本；传统振动分析技术难以适用于风电机组载荷时变的运行工况；基于模式识别的智能诊断技术往往依赖于足够多的故障样本；基于油液监测的技术需要额外设备进行油品检测，且难以实现风电机组齿轮箱运行状态的实时监测。

发明内容

为了克服上述风电机组齿轮箱状态监测技术中需要额外布置传感器、或使用专门油品检测设备等造成成本高的缺点，以及载荷时变和故障样本不足等造成的实时状态监测效果差的问题，本发明提供一种风电机组齿轮箱状态监测方法，包括：

S1，收集风电机组数据采集与监视控制SCADA系统的历史数据，作为训练样本数据建立基于最小二乘支持向量回归机LSSVR模型的风电机组齿轮箱油温映射模型；

S2，根据所述风电机组齿轮箱油温映射模型得到齿轮箱油温的预测值；

S3，取所述步骤S2的所述齿轮箱油温的预测值与实测值的商为判别指数GHI，如果所述判别指数GHI在设定阈值之内，则所述风电机组齿轮箱正常，反之所述风电机组齿轮箱存在潜伏故障并进行报警。

在本发明中，所述判别指数GHI设定的阈值为0.9至1.1，可以将判别指数GHI设定的阈值调整为0.8至1.2以放宽验证范围；也可以将判别指数GHI设定的阈值调整为0.95至1.05以严格监测风电机组齿轮箱运行状态。

其中，所述SCADA系统的历史数据包括：有功功率、风速、机舱温度、主轴转速和齿轮箱油温；所述有功功率、风速、机舱温度、主轴转速为所述风电机组齿轮箱油温映射模型的输入数据；所述齿轮箱油温为所述风电机组齿轮箱油温映射模型的输出数据。

所述风电机组齿轮箱油温映射模型包括：向量集Input_i(input₁,input₂,input₃,input₄)和向量集Output_i，其中input₁、input₂、input₃、input₄分别为第i时刻的有功功率、风速、机舱温度和主轴转速，Output_i为第i时刻齿轮箱油温；

优选的，所述风电机组齿轮箱油温映射模型还包括：惩罚系数C和核参数σ。

本发明采用引力搜索算法优化所述风电机组齿轮箱油温映射模型，其步骤包括：

S1-1，设定一个n维空间的引力系统中有N个粒子，定义第i个粒子的位置为i＝1,2,L N，式中：为第i个粒子在第d维中的位置；

S1-2，随机初始化所述惩罚系数C和核参数σ，作为引力搜索算法中粒子的初始位置；

S1-3，由粒子位置计算适应度函数求解适应度函数的极大值；式中：K为所述训练样本数；g_i为所述训练样本中所述齿轮箱油温的预测数据；τ为所述训练样本中所述齿轮箱油温的预期输出；E为任意大于0的实数；

S1-4，计算粒子i在t时刻的质量M_i(t)；并根据粒子的质量计算粒子所受引力合力；

S1-5，进行粒子加速度、速度和位置更新；

S1-6，重复步骤S1-3至S1-5直至满足最大迭代次数，求得所述风电机组齿轮箱油温映射模型惩罚系数C和核参数σ的最优组合；

优选的，可将所述最大迭代次数设为50-100。

所述步骤S1-4中计算粒子i在t时刻的质量M_i(t)的方法为：

根据式 $m_i\left(t\right)=\frac{{\mathrm{fit}}_i\left(t\right)-\min \mathrm{fit}\left(t\right)}{\max \mathrm{fit}\left(t\right)-\min \mathrm{fit}\left(t\right)}$ 得到 $M_i\left(t\right)=\frac{m_i\left(t\right)}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{m}_j\left(t\right)};$ 其中，fit_i(t)为在t时刻粒子i的适应度函数值。

优选的，所述步骤S1-4中根据粒子的质量计算粒子所受引力合力的方法为：

在第d维空间上，第i个粒子受到其它粒子引力合力的作用，用各粒子引力的随机加权和表示：

${F_i}^d\left(t\right)=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}\mathrm{rand}\×F_{\mathrm{ij}}^d\left(t\right)$

式中：rand为范围在[0,1]间的任意数；

为在第d维空间上，第i个粒子受到第j个粒子的作用力；

优选的，的计算式为：

$F_{\mathrm{ij}}^d\left(t\right)=G\left(t\right)\frac{M_i\left(t\right)\×M_j\left(t\right)}{{\left|\right|X_i\left(t\right),X_j\left(t\right)\left|\right|}_2+\mathrm{\ϵ}}(x_j^d\left(t\right)-x_i^d\left(t\right))$

其中，ε为接近0的常量；G(t)为t时刻的引力常数；和分别为粒子i和j在第d维空间上的位置；||X_i(t),X_j(t)||₂为粒子i和j的欧氏距离；

优选的，所述引力常数G(t)的计算式为：

$G\left(t\right)=G_0{e}^{-a_0\frac{t}{T}}$

式中：G₀＝100；a₀＝20；T为最大迭代次数；t为当前迭代次数。

根据式

$a_i^d\left(t\right)=\frac{{F_i}^d\left(t\right)}{M_i\left(t\right)}$

在基于牛顿第二定理计算在第d维空间上，计算所述步骤1-5中，所述粒子i在引力合力作用下的加速度。

所述步骤1-5中，速度和位置更新的计算式：

$v_i^d(t+1)=\mathrm{rand}\×v_i^d\left(t\right)+d_i^d\left(t\right)$

$x_i^d(t+1)=x_i^d\left(t\right)+v_i^d(t+1),$

其中，为粒子i在第d维空间上的位置，为粒子i在第d维空间上的速度。

在所述步骤S1中，根据收集到的风电机组数据采集与监视控制SCADA系统的历史数据建立专家库。

本发明提出的一种风电机组齿轮箱状态监测方法，由于使用了以引力搜索算法为代表的优化算法，建立了SCADA数据中有功功率、风速、机舱温度、主轴转速与齿轮箱油温的映射模型，并将齿轮箱油温预测值与实测值的比值作为风电机组齿轮箱运行状态的判别指数，因此，取得的有益效果是：

1.不需要添加额外的传感器，以节省成本；

2.不需要大量故障历史数据；

3.通过采用引力搜索算法(GSA)对支持向量机惩罚系数和核函数参数进行寻优，进一步提高预测精度；

4.对预测值与实际值的处理方法简单实用。

附图说明

下面结合附图对本发明所述的一种风电机组齿轮箱状态监测方法进行具体说明。

图1是本发明风电机组齿轮箱状态监测流程图；

图2是本发明引力搜索算法流程图；

图3是正常状态下风电机组齿轮箱油温预测值与实测值；

图4是正常状态下判别指数；

图5是故障状态下风电机组齿轮箱油温预测值与实测值；

图6是故障状态下判别指数。

具体实施方式

1、本发明风电机组齿轮箱状态监测流程

本发明采用某额定功率为2.3MW的风电机组历史运行数据作为样本，构建最小二乘支持向量回归机(LSSVR)模型，并用GSA优化LSSVR模型参数，基于风电机组SCADA系统的数据实现对齿轮箱运行状态的监测，具体步骤如下：

步骤1、建立标准专家库

收集2.3MW风电机组SCADA系统(supervisory control and data acquisition，数据采集与监视控制系统)历史数据，筛选机组健康运行工况下的有功功率、风速、机舱温度、主轴转速和齿轮箱油温，建立标准专家库。

步骤2：构建基于最小二乘支持向量回归机(LSSVR)模型的风电机组齿轮箱油温映射模型

支持向量机能利用小样本进行训练学习，目前已成为状态监测与故障诊断领域重要的研究手段。最小二乘支持向量机是基于正则化理论对标准支持向量机的改进，将最小二乘支持向量机用于回归分析时，即为最小二乘支持向量回归机(Least square supportvector regression,LSSVR)。在实际应用中，LSSVR方法在参数的选择上依赖于人的主观经验，模型的精度受惩罚系数C和核参数σ的影响较大。

提取标准专家库数据构建向量集Input_i(input₁,input₂,input₃,input₄)和向量集Output_i，其中input₁、input₂、input₃、input₄分别为第i时刻的有功功率、风速、机舱温度和主轴转速，Output_i为第i时刻齿轮箱油温。确定训练样本与测试样本，随机初始化惩罚系数C和核参数σ，作为GSA算法中粒子的初始位置。

在这里，从标准专家库中选取500组数据，其中300组作为训练数据建立映射模型，用100组数据作为验证数据分析该映射模型的预测精度，再取100组数据，并对该100组数据进行处理作为故障测试数据验证映射模型在状态监测方面的可靠性。

步骤3：用GSA优化LSSVR模型参数

本发明用引力搜索算法求解步骤2中LSSVR模型惩罚系数C和核参数σ的最优组合。引力搜索算法是一种新型全局智能搜索算法，利用物体间的万有引力定律搜索最优解，全局优化能力突出。假设一个n维空间的引力系统中有N个粒子，定义第i个粒子的位置为i＝1,2,L N。式中：为第i个粒子在第d维中的位置。流程见图2。

1)初始化GSA参数和粒子位置

初始化GSA参数，包括最大迭代次数和粒子规模。每次迭代粒子初始位置代表LSSVR模型的惩罚系数C和核参数σ。

2)由粒子位置计算适应度函数

粒子适应度函数计算公式为式中：K为训练样本数；g_i为训练样本训练LSSVR所得实际输出；τ为训练样本目标输出；E为任意大于0的实数。适应度函数值越大，表示训练样本的目标输出和实际输出的误差越小，即个体越优。因此GSA迭代的目标是求解适应度函数的极大值。

3)计算粒子质量

fit_i(t)为在t时刻粒子i的适应度函数值。粒子i在t时刻的质量M_i(t)：

$m_i\left(t\right)=\frac{{\mathrm{fit}}_i\left(t\right)-\min \mathrm{fit}\left(t\right)}{\max \mathrm{fit}\left(t\right)-\min \mathrm{fit}\left(t\right)}$

$M_i\left(t\right)=\frac{m_i\left(t\right)}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{m}_j\left(t\right)}$

4)计算粒子所受引力合力

在第d维空间上，第i个粒子受到第j个粒子的作用力为：

$F_{\mathrm{ij}}^d\left(t\right)=G\left(t\right)\frac{M_i\left(t\right)\×M_j\left(t\right)}{{\left|\right|X_i\left(t\right),X_j\left(t\right)\left|\right|}_2+\mathrm{\ϵ}}(x_j^d\left(t\right)-x_i^d\left(t\right))$

式中：ε为接近0的常量；G(t)为t时刻的引力常数；||X_i(t),X_j(t)||₂为粒子i和j的欧氏距离。

$G\left(t\right)=G_0{e}^{-a_0\frac{t}{T}}$

式中：G₀为100；a₀为20；T为最大迭代次数，可根据情况人工设定，这里取T＝100。

在第d维空间上，第i个粒子受到其它粒子引力合力的作用，用各粒子引力的随机加权和表示：

${F_i}^d\left(t\right)=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}\mathrm{rand}\×F_{\mathrm{ij}}^d\left(t\right)$

式中：rand为范围在[0,1]间的任意数。

5)粒子位置、速度更新

基于牛顿第二定理，在第d维空间上，粒子i在引力合力作用下的加速度为：

$a_i^d\left(t\right)=\frac{{F_i}^d\left(t\right)}{M_i\left(t\right)}$

在GSA中，粒子i更新其在第d维空间上的位置和速度以实现迭代过程，速度和位置的更新公式如下：

$v_i^d(t+1)=\mathrm{rand}\×v_i^d\left(t\right)+d_i^d\left(t\right)$

$x_i^d(t+1)=x_i^d\left(t\right)+v_i^d(t+1)$

6)GSA迭代寻优

每次迭代开始重新计算粒子质量及所受引力，进行粒子加速度、速度和位置更新，直至满足终止条件，求得LSSVR模型惩罚系数C和核参数σ的最优组合。

步骤4：建立映射模型

基于优化后的LSSVR模型，以向量集Input_i(input₁,input₂,input₃,input₄)和向量集Output_i中的训练样本为基础，建立健康工况下的风电机组齿轮箱油温映射模型。并将有功功率、风速、机舱温度、主轴转速的实测值输入该经过优化的风电机组齿轮箱油温映射模型，得到齿轮箱油温的预测值。

步骤5：监测风电机组齿轮箱状态判别指数

定义风电机组齿轮箱油温预测值与实测值的商为判别指数GHI(Gearbox HealthIndex)，监测GHI的发展趋势，如果发生异常，可认为风电机组齿轮箱存在潜伏故障并进行报警。

2、验证本发明所提方法的有效性，其具体包括以下步骤：

1)以100组验证数据为基础，验证优化的LSSVR模型在预测齿轮箱油温的准确性

具体方法为：将该100组验证数据的有功功率、风速、机舱温度、主轴转速输入模型，得到齿轮箱油温预测值，然后将计算出的预测值与验证数据中齿轮箱油温的实测值作比较，监测指数GHI的发展趋势。阈值可设定，当GHI超出阈值时，则齿轮箱异常；否则，齿轮箱属于正常状态；由图4和图6可见本发明的阈值的上下限分别取为1.1和0.9。为了能直观显示预测模型是否准确，也可将预测数据与实测数据生成统计分析图表，如图3所示，表明优化的LSSVR模型可较准确预测风电机组齿轮箱油温。图4为GHI的发展趋势，再次验证了模型的可靠性。

2)以100组故障数据为基础，验证优化的LSSVR模型在监测齿轮箱健康状态的可靠性

具体方法为：将该100组数据人工调整以模拟齿轮箱故障时润滑油温度升高的情况。从第51点开始对齿轮箱润滑油的温度变量加入0.1的累积温度偏移，齿轮箱油温的实际值和预测值发展趋势如图5所示，运行状态判别指数GHI的发展趋势如图6所示，其统计特性发生异常，超出阈值范围，可判定风电机组齿轮箱存在故障并进行报警。

基于上述分析，可以确定基于引力搜索算法优化的最小二乘支持向量回归机建立的风电机组齿轮箱油温模型能够可靠的反映齿轮箱油温的情况，并以此为根据可以将实测结果与预测结果相比较，当风电机组齿轮箱运行状态判别指数GHI超出设定的阈值时，表明可能有故障发生。

以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (10)

1.一种风电机组齿轮箱状态监测方法，其特征在于，包括：

S1，收集风电机组数据采集与监视控制SCADA系统的历史数据，作为训练样本数据建立基于最小二乘支持向量回归机LSSVR模型的风电机组齿轮箱油温映射模型；

S2，根据所述风电机组齿轮箱油温映射模型得到齿轮箱油温的预测值；

S3，取所述步骤S2的所述齿轮箱油温的预测值与实测值的商为判别指数GHI，如果所述判别指数GHI在设定阈值之内，则所述风电机组齿轮箱正常，反之所述风电机组齿轮箱存在潜伏故障并进行报警。

2.根据权利要求1所述的风电机组齿轮箱状态监测方法，其特征在于，所述SCADA系统的历史数据包括：有功功率、风速、机舱温度、主轴转速和齿轮箱油温；所述有功功率、风速、机舱温度、主轴转速为所述风电机组齿轮箱油温映射模型的输入数据；所述齿轮箱油温为所述风电机组齿轮箱油温映射模型的输出数据。

3.根据权利要求2所述的风电机组齿轮箱状态监测方法，其特征在于，所述风电机组齿轮箱油温映射模型包括：向量集Input_i(input₁,input₂,input₃,input₄)和向量集Output_i，其中input₁、input₂、input₃、input₄分别为第i时刻的有功功率、风速、机舱温度和主轴转速，Output_i为第i时刻齿轮箱油温；

优选的，所述风电机组齿轮箱油温映射模型还包括：惩罚系数C和核参数σ。

4.根据权利要求1-3任一项所述的风电机组齿轮箱状态监测方法，其特征在于，采用引力搜索算法优化所述风电机组齿轮箱油温映射模型；

优选的，采用引力搜索算法优化所述风电机组齿轮箱油温映射模型的步骤为：

S1-1，设定一个n维空间的引力系统中有N个粒子，定义第i个粒子的位置为 i＝1,2,L N，式中：为第i个粒子在第d维中的位置；

S1-2，随机初始化所述惩罚系数C和核参数σ，作为引力搜索算法中粒子的初始位置；

S1-3，由粒子位置计算适应度函数求解适应度函数的极大值；式中：K为所述训练样本数；g_i为所述训练样本中所述齿轮箱油温的预测数据；τ为所述训练样本中所述齿轮箱油温的预期输出；E为任意大于0的实数；

S1-4，计算粒子i在t时刻的质量M_i(t)；并根据粒子的质量计算粒子所受引力合力；

S1-5，进行粒子加速度、速度和位置更新；

S1-6，重复步骤S1-3至S1-5直至满足最大迭代次数，求得所述风电机组齿轮箱油温映射模型惩罚系数C和核参数σ的最优组合；

优选的，所述最大迭代次数为50-100。

5.根据权利要求4所述的风电机组齿轮箱状态监测方法，其特征在于，所述步骤S1-4中计算粒子i在t时刻的质量M_i(t)的方法为：

根据式得到其中，fit_i(t)为在t时刻粒子i的适应度函数值。

6.根据权利要求4所述的风电机组齿轮箱状态监测方法，其特征在于，所述步骤S1-4中根据粒子的质量计算粒子所受引力合力的方法为：

在第d维空间上，第i个粒子受到其它粒子引力合力的作用，用各粒子引力的随机加权和表示：

式中：rand为范围在[0,1]间的任意数；

为在第d维空间上，第i个粒子受到第j个粒子的作用力；

优选的，的计算式为：

其中，ε为接近0的常量；G(t)为t时刻的引力常数；和分别为粒子i和j在第d维空间上的位置；||X_i(t),X_j(t)||₂为粒子i和j的欧氏距离；

优选的，所述引力常数G(t)的计算式为：

式中：G₀＝100；a₀＝20；T为最大迭代次数；t为当前迭代次数。

7.根据权利要求4所述的风电机组齿轮箱状态监测方法，其特征在于，根据式

在基于牛顿第二定理计算在第d维空间上，计算所述步骤S1-5中，所述粒子i在引力合力作用下的加速度。

8.根据权利要求4所述的风电机组齿轮箱状态监测方法，其特征在于，所述步骤S1-5中，粒子速度和位置更新的计算式：

其中，为粒子i在第d维空间上的位置，为粒子i在第d维空间上的速度。

9.根据权利要1所述的风电机组齿轮箱状态监测方法，其特征在于，在所述步骤S1中，根据收集到的风电机组数据采集与监视控制SCADA系统的历史数据建立专家库；将所述专家库的数据作为训练数据。

10.根据权利要求1-9任一项所述的风电机组齿轮箱状态监测方法，其特征在于，所述判别指数GHI的阈值为0.8至1.2；

优选的，所述判别指数GHI的阈值为0.9至1.1；

优选的，所述判别指数GHI的阈值为0.95至1.05。