CN107609669A - 轴承加脂量的预测方法和装置、风电机组轴承加脂系统 - Google Patents

Abstract

本发明公开了一种风电机组轴承加脂量的预测方法和装置、风电机组轴承加脂系统。风电机组轴承加脂量的预测方法包括：采集风电机组的第一运行时间段内的第一运行状况数据和与第一运行时间段对应的第一轴承加脂量；根据第一运行状况数据构建第一特征值矩阵；利用机器学习算法对第一特征值矩阵和第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型；采集风电机组的第二运行时间段内的第二运行状况数据；根据第二运行状况数据构建第二特征值矩阵；将第二特征值矩阵代入轴承加脂量的第一预测模型，得到第二运行时间段后的轴承所需加脂量。利用本发明实施例中的风电机组轴承加脂量的预测方法，能够合理预测风电机组轴承所需加脂量。

Description

轴承加脂量的预测方法和装置、风电机组轴承加脂系统

技术领域

本发明涉及风力发电技术领域，尤其涉及一种风电机组轴承加脂量的预测方法和装置、风电机组轴承加脂系统。

背景技术

目前，为确保风力发电机组(简称为风电机组)能够在良好的润滑状态下运行，需要对风电机组轴承进行定期加脂。现有技术中采用人工的方式定期对风电机组轴承进行定量加脂。但是，由于定量加脂的方式没有考虑风电机组轴承内的剩余脂含量，导致加脂后的风电机组轴承可能出现脂含量不足或脂含量过量的问题，因此无法确保风电机组轴承在良好的润滑状态下运行。

发明内容

本发明实施例提供了一种风电机组轴承加脂量的预测方法和装置、风电机组轴承加脂系统，能够对风电机组轴承的加脂量进行合理预测，从而确保风电机组轴承在良好的润滑状态下运行。

第一方面，本发明实施例提供一种风电机组轴承加脂量的预测方法，包括：

采集所述风电机组的第一运行时间段内的第一运行状况数据和与所述第一运行时间段对应的第一轴承加脂量；

根据所述第一运行状况数据构建第一特征值矩阵；

利用机器学习算法对所述第一特征值矩阵和所述第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型；

采集所述风电机组的第二运行时间段内的第二运行状况数据；

根据所述第二运行状况数据构建第二特征值矩阵；

将所述第二特征值矩阵代入所述轴承加脂量的第一预测模型，得到所述第二运行时间段后的轴承所需加脂量。

在第一方面的一些实施例中，所述根据所述第一运行状况数据构建第一特征值矩阵包括：

对所述第一运行状况数据进行平滑和离点群预处理；

根据所述平滑和离点群预处理后的数据构建所述第一特征值矩阵。

在第一方面的一些实施例中，在所述对所述第一运行状况数据进行平滑和离点群预处理之后，所述预测方法还包括：

对平滑和离点群预处理后的时序数据进行季节因素分解，得到去除季节周期干扰后的残差数据；

根据所述残差数据构建所述第一特征值矩阵。

在第一方面的一些实施例中，所述根据所述第一运行状况数据构建第一特征值矩阵包括：

根据所述第一运行状况数据构建初始特征值矩阵；

利用奇异值分解算法对所述初始特征值矩阵进行特征提取，得到简化后的特征值矩阵；

对所述简化后的特征值矩阵进行归一化处理，得到所述第一特征值矩阵。

在第一方面的一些实施例中，所述利用机器学习算法对所述第一特征值矩阵和所述第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型包括：

建立表示所述风电机组的运行状况数据和所述轴承加脂量之间对应关系的计算公式：

β＝xV_w+yV_r+zT，

其中，β为轴承加脂量，V_W为环境风速，V_r为风电机组转速，T为轴承温度值，x，y和z均为拟合系数；

利用所述机器学习算法，将所述第一特征值矩阵和所述第一轴承加脂量分别代入所述计算公式中进行学习训练，得到所述轴承加脂量的第一预测模型。

在第一方面的一些实施例中，所述机器学习算法包括逻辑回归算法和/或线性回归算法。

在第一方面的一些实施例中，其特征在于，所述第一运行状况数据为所述风电机组的第一运行时间段内的运行状态良好时的运行状况数据。

在第一方面的一些实施例中，在所述将所述第二特征值矩阵代入所述轴承加脂量的第一预测模型之后，所述预测方法还包括：

将所述第二特征值矩阵代入所述轴承加脂量的第一预测模型的计算结果作为第二轴承加脂量，并判断所述第二轴承加脂量是否在预设阈值范围内；

如果所述第二轴承加脂量在所述预设阈值范围内，则将所述第二轴承加脂量作为所述第二运行时间段后的轴承所需加脂量；

利用所述机器学习算法对所述第一特征值矩阵、所述第二特征值矩阵、所述第一轴承加脂量和所述第二轴承加脂量一起进行学习训练，得到所述轴承加脂量的第二预测模型；

利用所述第二预测模型对所述第一预测模型进行更新。

在第一方面的一些实施例中，所述预测方法还包括：

如果所述第二轴承加脂量超出所述预设阈值范围，则从所述预设阈值范围中选取一个值作为所述第二运行时间段后的轴承所需加脂量；

利用所述机器学习算法对所述第一特征值矩阵、所述第二特征值矩阵、所述第一轴承加脂量和选取的加脂量一起进行学习训练，得到所述轴承加脂量的第三预测模型；

利用所述第三预测模型对所述第一预测模型进行更新。

在第一方面的一些实施例中，所述第一运行状况数据和所述第二运行状况数据包括以下数据中的一种或多种：环境风速数据、风电机组转速数据和轴承温度数据。

第二方面，本发明实施例提供一种风电机组轴承加脂量的预测装置，包括：

采集模块，用于采集所述风电机组的第一运行时间段内的第一运行状况数据和与所述第一运行时间段对应的第一轴承加脂量；

构建模块，用于根据所述第一运行状况数据构建第一特征值矩阵；

训练模块，用于利用机器学习算法对所述第一特征值矩阵和所述第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型；

所述采集模块，还用于采集所述风电机组的第二运行时间段内的第二运行状况数据；

所述构建模块，还用于根据所述第二运行状况数据构建第二特征值矩阵；

预测模块，用于将所述第二特征值矩阵代入所述轴承加脂量的第一预测模型，得到所述第二运行时间段后的轴承所需加脂量。

在第二方面的一些实施例中，所述构建模块包括：

平滑处理单元，用于对所述第一运行状况数据进行平滑和离点群预处理；

构建单元，用于根据所述平滑和离点群预处理后的数据构建所述第一特征值矩阵。

在第二方面的一些实施例中，所述构建模块还包括因素分解单元，用于对平滑和离点群预处理后的时序数据进行季节因素分解，得到去除季节周期干扰后的残差数据；

其中，所述构建单元，还用于根据所述残差数据构建所述第一特征值矩阵。

在第二方面的一些实施例中，所述构建模块还包括特征提取单元和归一化单元，

其中，所述构建单元，还用于根据所述第一运行状况数据构建初始特征值矩阵；

所述特征提取单元，用于利用奇异值分解算法对所述初始特征值矩阵进行特征提取，得到简化后的特征值矩阵；

所述归一化单元，用于对所述简化后的特征值矩阵进行归一化处理，得到所述第一特征值矩阵。

在第二方面的一些实施例中，所述训练模块包括：

建立单元，用于建立表示所述风电机组的运行状况数据和所述轴承加脂量之间对应关系的计算公式：

β＝xV_w+yV_r+zT，

其中，β为轴承加脂量，V_W为环境风速，V_r为风电机组转速，T为轴承温度值，x，y和z均为拟合系数；

训练单元，用于利用所述机器学习算法，将所述第一特征值矩阵和所述第一轴承加脂量分别代入所述计算公式中进行学习训练，得到所述轴承加脂量的第一预测模型。

在第二方面的一些实施例中，所述预测装置还包括：判断模块，用于将所述第二特征值矩阵代入所述轴承加脂量的第一预测模型的计算结果作为第二轴承加脂量，并判断所述第二轴承加脂量是否在预设阈值范围内；

确定模块，用于如果所述第二轴承加脂量在所述预设阈值范围内，则将所述第二轴承加脂量作为所述第二运行时间段后的轴承所需加脂量；

所述训练模块，还用于利用所述机器学习算法对所述第一特征值矩阵、所述第二特征值矩阵、所述第一轴承加脂量和所述第二轴承加脂量一起进行学习训练，得到所述轴承加脂量的第二预测模型；

更新模块，用于利用所述第二预测模型对所述第一预测模型进行更新。

在第二方面的一些实施例中，所述确定模块，还用于如果所述第二轴承加脂量超出所述预设阈值范围，则从所述预设阈值范围中选取一个值作为所述第二运行时间段后的轴承所需加脂量；

所述训练模块，还用于利用所述机器学习算法对所述第一特征值矩阵、所述第二特征值矩阵、所述第一轴承加脂量和选取的加脂量一起进行学习训练，得到所述轴承加脂量的第三预测模型；

所述更新模块，还用于利用所述第三预测模型对所述第一预测模型进行更新。

第三方面，本发明实施例提供了一种风电机组轴承加脂系统，所述风电机组轴承加脂系统包括：

如上所述的风电机组轴承加脂量的预测装置；

加脂控制单元，用于根据所述风电机组轴承加脂量的预测装置得到的轴承所需加脂量来控制轴承的加脂。

根据本发明实施例中的风电机组轴承加脂量的预测方法，首先采集风电机组的第一运行时间段内的第一运行状况数据和与第一运行时间段对应的第一轴承加脂量，根据第一运行状况数据构建第一特征值矩阵；接着利用机器学习算法对第一特征值矩阵和第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型；然后采集风电机组的第二运行时间段内的第二运行状况数据，根据第二运行状况数据构建第二特征值矩阵，通过将第二特征值矩阵代入轴承加脂量的第一预测模型，得到第二运行时间段后的轴承所需加脂量。

由上可知，本发明实施例的风电机组轴承加脂量的预测方法基于风电机组轴承的历史运行状况数据和历史加脂量对轴承所需的加脂量进行了合理预测，由于轴承的加脂量与风电机组的运行状况密切相关，因而根据上述历史运行状况数据和历史加脂量得到的加脂量来控制轴承的加脂，能够避免加脂后的风电机组轴承出现脂含量不足或者脂含量过量的问题，从而能够确保风电机组轴承在良好的润滑状态下运行。

附图说明

从下面结合附图对本发明的具体实施方式的描述中可以更好地理解本发明其中，相同或相似的附图标记表示相同或相似的特征。

图1为本发明第一实施例提供的风电机组轴承加脂量的预测方法的流程示意图；

图2为本发明第二实施例提供的风电机组轴承加脂量的预测方法的流程示意图；

图3为本发明第三实施例提供的风电机组轴承加脂量的预测方法的流程示意图；

图4为本发明第四实施例提供的风电机组轴承加脂量的预测方法的流程示意图；

图5为本发明第五实施例提供的风电机组轴承加脂量的预测方法的流程示意图；

图6为本发明第六实施例提供的风电机组轴承加脂量的预测方法的流程示意图；

图7为本发明第七实施例提供的风电机组轴承加脂量的预测方法的流程示意图；

图8为本发明第八实施例提供的风电机组轴承加脂量的预测装置的结构示意图；

图9为本发明第九实施例提供的风电机组轴承加脂量的预测装置的结构示意图；

图10为本发明第十实施例提供的风电机组轴承加脂量的预测装置的结构示意图；

图11为本发明第十一实施例提供的风电机组轴承加脂量的预测装置的结构示意图；

图12为本发明第十二实施例提供的风电机组轴承加脂量的预测装置的结构示意图；

图13为本发明第十三实施例提供的风电机组轴承加脂系统的结构示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中，提出了许多具体细节，以便提供对本发明的全面理解。但是，对于本领域技术人员来说很明显的是，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明的更好的理解。本发明决不限于下面所提出的任何具体配置和算法，而是在不脱离本发明的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中，没有示出公知的结构和技术，以便避免对本发明造成不必要的模糊。

本发明实施例提供的风电机组轴承加脂量的预测方法和装置、风电机组轴承加脂系统能够合理预测轴承所需加脂量，避免加脂后的风电机组轴承出现脂含量不足或者脂含量过量的问题，确保风电机组轴承在良好的润滑状态下运行。

其中，分布于风电机组中的轴承数量较多且位置分散，本发明实施例中的风电机组轴承加脂量的预测方法和装置对风电机组中的多种轴承均适用，比如主轴轴承、齿轮箱轴承、偏航轴承和变桨轴承等。

图1为本发明第一实施例提供的风电机组轴承加脂量的预测方法的流程示意图。图1中的风电机组轴承加脂量的预测方法包括步骤101至步骤106。

在步骤101中，采集风电机组的第一运行时间段内的第一运行状况数据和与第一运行时间段对应的第一轴承加脂量。

其中，第一运行时间段指的是风电机组进行加脂的时间间隔。风电机组的常规加脂操作时间通常为对风电机组进行半年检的时期。风电机组轴承的加脂量与其所处的运行环境密切相关。通常风电机组的安装环境较为恶劣，即使在处于同一风电场中的风电机组之间，轴承的运行条件也会存在差异性较大，而在处于不同风电场中的风电机组之间，轴承运行条件的差异性更为明显。

在一个示例中，第一运行状况数据可以是风电机组的运行环境数据，比如环境风速数据。

在又一示例中，第一运行状况数据也可以是风电机组的运行工况数据，比如风电机组转速数据和轴承温度数据。其中，轴承温度与轴承加脂量之间的关系为：过量的润滑脂会导致轴承的工作温度迅速上升，尤其是当风电机组高度旋转时，轴承温度急剧上升，会导致风电机组的运行稳定性下降。此处，可以采用数据采集与监视控制(SupervisoryControl And Data Acquisition，SCADA)系统实时采集轴承温度数据，其中，SCADA系统采集的数据的有效性较强。

在一优选示例中，可以选取风电机组的第一运行时间段内的运行状态良好时的运行状况数据作为第一运行状况数据，以提高轴承加脂量预测的准确度。其中，运行状态良好指的是风电机组运行稳定。具体地，运行状态良好可以由风电机组转速或者风电机组功率在一个时间段内的波动特性来衡量。比如，可以计算对采集自一段时间内的风电机组转速的时序数据进行方差计算，如果计算得到方差落入预设阈值，则可以认为上述时间段内的风电机组的运行状态良好。当然，也可以采用其他方式对风电机组运行稳定进行描述，此处不进行限制。

在步骤102中，根据第一运行状况数据构建第一特征值矩阵。

其中，第一运行状况数据的形式为多组时序数据，即按照时间排列的多组时序数据。为了计算方便，通常需要将第一运行状况数据的多组时序数据转换为特征值矩阵。

在步骤103中，利用机器学习算法对第一特征值矩阵和第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型。

其中，机器学习算法可以为逻辑回归算法，也可以为线性回归算法，也可以是其他机器学习算法，还可以是多种机器学习算法的组合，此处不进行限定。

在采用机器学习算法进行学习训练之前，需要建立表示风电机组的运行状况数据和轴承加脂量之间对应关系的计算公式。示例性地，可以选取环境风速数据、风电机组转速数据和轴承温度数据作为轴承加脂量的参考数据，表示上述风电机组的运行状况数据和轴承加脂量之间对应关系的计算公式为：

β＝xV_w+yV_r+zT (1)

其中，β为轴承加脂量，V_W为环境风速数据，V_r为风电机组转速数据，T为轴承温度数据，x，y和z均为拟合系数。然后利用机器学习算法，将第一特征值矩阵和第一轴承加脂量分别代入计算公式中进行学习训练，就可得到轴承加脂量的第一预测模型。

在步骤104中，采集风电机组的第二运行时间段内的第二运行状况数据。

在步骤105中，根据第二运行状况数据构建第二特征值矩阵。

在步骤106中，将第二特征值矩阵代入轴承加脂量的第一预测模型，得到第二运行时间段后的轴承所需加脂量。

根据本发明实施例中的风电机组轴承加脂量的预测方法，首先采集风电机组的第一运行时间段内的第一运行状况数据和与第一运行时间段对应的第一轴承加脂量，根据第一运行状况数据构建第一特征值矩阵；接着利用机器学习算法对第一特征值矩阵和第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型；然后采集风电机组的第二运行时间段内的第二运行状况数据，根据第二运行状况数据构建第二特征值矩阵，通过将第二特征值矩阵代入轴承加脂量的第一预测模型，得到第二运行时间段后的轴承所需加脂量。

由上可知，本发明实施例的风电机组轴承加脂量的预测方法基于风电机组轴承的历史运行状况数据和历史加脂量对轴承所需的加脂量进行了合理预测，由于轴承的加脂量与风电机组的运行状况密切相关，因而根据上述历史运行状况数据和历史加脂量得到的加脂量来控制轴承的加脂，能够避免加脂后的风电机组轴承出现脂含量不足或者脂含量过量的问题，从而能够确保风电机组轴承在良好的润滑状态下运行。

图2为本发明第二实施例提供的风电机组轴承加脂量的预测方法的流程示意图。图2与图1的不同之处在于，图1中的步骤102可细化为图2中的步骤1021和步骤1022。

在步骤1021中，对第一运行状况数据进行平滑和离点群预处理，可以降低风电机组在实际运行过程中传感器采集的时序数据中的波动和误差。在一个示例中，可以采用滑动窗口形式对上述数据进行平滑和离群点的预处理，计算公式如下：

其中，x_i为原始时序数据的第i个数据值；y_i为原始时序数据x_i平滑后的数据值，k为滑动窗口值，k值可以根据采集的时序数据的物理意义和采集频率、传感器误差和离群点等因素来确定，示例性地，k的取值可以为12。

在步骤1022中，根据平滑和离点群预处理后的数据构建第一特征值矩阵。

图3为本发明第三实施例提供的风电机组轴承加脂量的预测方法的流程示意图。图3与图2的不同之处在于，在图2中的步骤1021之后，还包括图3中的步骤1023和步骤1024。

在步骤1023中，由于风电机组的常规加脂操作时间通常为对风电机组进行半年检的时期，而风电机组在半年的维护和运行过程当中会呈现季节性的变化趋势，为减少这些因素对后续数据分析的干扰，因此需要对平滑和离点群预处理后的时序数据进行进一步地季节因素分解，得到去除季节周期干扰后的残差数据。

在步骤1024中，根据残差数据构建第一特征值矩阵。

图4为本发明第四实施例提供的风电机组轴承加脂量的预测方法的流程示意图。图4与图1的不同之处在于，图1中的步骤102可细化为图4中的步骤1025-步骤1027。

在步骤1025中，根据第一运行状况数据构建初始特征值矩阵。

在步骤1026中，为了提高数据的处理效率，可以利用奇异值分解算法对初始特征值矩阵进行特征提取，得到简化后的特征值矩阵。

在步骤1027中，对简化后的特征值矩阵进行归一化处理，得到第一特征值矩阵。

接下来，对采用本发明实施例的风电机组轴承加脂量的预测方法的优选方案进行示例性说明。

首先，采集风电机组的运行时序数据(即运行状况数据)，其中，轴承温度数据用t₁,t₂,t₃…t_n表示，环境风速数据用v₁,v₂,v₃…v_n表示，风机机组功率数据用P₁,P₂,P₃…P_n表示，此处，风机机组功率可以理解为与风电机组转速等效。

以采集到两个周期的运行时序数据为例，依次对采集到两个周期的历史运行时序数据分别进行平滑和离群点的预处理和季节因素分解处理，得到去除季节周期干扰后的残差时序数据，可以参看公式(3)和公式(4)观察两个周期内的时序数据变化：

其中，下标中的第一个数字表示周期数，简称为周期1和周期2，m表示平滑和离群点的预处理后的数据，r表示去除季节周期干扰后的残差数据。

接下来，分别将周期1和周期2对应的残差时序数据转化为特征值矩阵C₁和C₂：

为了更快地提取敏感特征，可以对周期1和周期2对应的特征值矩阵进行奇异值分解(Singular Value Decomposition，SVD)，即对特征值矩阵进行特征提取和分析，从而得到简化后的特征矩阵C_svd1和C_svd2：

在本示例中，可以将风电机组在周期1结束后的加脂操作时的加脂量记作β₁。本示例中采用机器学习算法中的最为简单的线性回归模型对周期1简化后的特征值矩阵C_svd1和周期1对应的加脂量进行学习训练β₁，其中，线性回归模型的公式为：

β₁＝x₁λ₁₁+x₂λ₁₂+x₃λ₁₃+…+x_nλ_1n+x_n+1 (9)

接下来，将C_svd1和β₁代入公式(8)进行机器学习，就可以得到系数x₁,x₂,x₃…x_n的值，根据x₁,x₂,x₃…x_n就可以构建出周期1对应的轴承加脂量预测模型。然后将C_svd2代入到所构建的周期1对应的轴承加脂量预测模型中，就可以得到周期2结束后风电机组的轴承所需加脂量β₂，根据β₂实施相应的加脂操作即可。

由上可知，利用一个周期段对应的时序数据构造特征值矩阵，然后基于该周期段对应特征值矩阵和的轴承加脂量构建轴承所需加脂量的预测模型后，只需要将另一个周期段对应的时序数据构造的特征值矩阵代入所构建的预测模型，就能够得到另一周期对应的轴承所需加脂量。

但是，由于风电机组轴承长期处在变化的环境条件下且使用过程中自身也会发生磨损，风电机组轴承所需的加脂量会呈现动态变化。为了使风电机组轴承保持在最佳的润滑状态，并提高风电机组的运行稳定性和延长风电机组的工作寿命，需要对风电机组轴承所需的加脂量不断调整。

图5为本发明第五实施例提供的风电机组轴承加脂量的预测方法的流程示意图。图5与图1的不同之处在于，图1中的步骤106之后还包括图5中的步骤107至步骤110。

在步骤107中，将第二特征值矩阵代入轴承加脂量的第一预测模型的计算结果作为第二轴承加脂量，并判断第二轴承加脂量是否在预设阈值范围内。

其中，预设阈值范围为本领域技术人员根据经验得到的轴承加脂量的取值范围。通过判断第二轴承加脂量是否在预设阈值范围，可以对得到的轴承加脂量的预测模型的有效性进行评估。

在步骤108中，如果第二轴承加脂量在预设阈值范围内，则将第二轴承加脂量作为第二运行时间段后的轴承所需加脂量。

在步骤109中，利用机器学习算法对第一特征值矩阵、第二特征值矩阵、第一轴承加脂量和第二轴承加脂量一起进行学习训练，得到轴承加脂量的第二预测模型。

在步骤110中，利用第二预测模型对第一预测模型进行更新。

根据本发明的实施例，将第二特征值矩阵和第二轴承加脂量，即第二时间段对应的时序数据和实际加脂量也纳入第二预测模型的训练数据，从而利用与第二时间段对应的风电机组轴承的环境条件和自身结构变化带来的数据的变化对第一预测模型进行了调节和修正，进而提高了轴承预测模型的预测准确率。

可以理解的是，随着时间的累积以及预测模型的不断更新，可以将历史时间段对应的所有时序数据纳入新构建的预测模型，使得预测模型的数据库越来越完善，同时预测准确率也越来越高。

图6为本发明第六实施例提供的风电机组轴承加脂量的预测方法的流程示意图。图6与图5的不同之处在于，图1中的步骤107之后还包括图5中的步骤111至步骤113，图6中的步骤用于处理图5中第一预测模型的预测结果不准确的情况。

在步骤111中，如果第二轴承加脂量超出预设阈值范围，则从预设阈值范围中选取一个值作为第二运行时间段后的轴承所需加脂量。

在步骤112中，利用机器学习算法对第一特征值矩阵、第二特征值矩阵、第一轴承加脂量和选取的加脂量一起进行学习训练，得到轴承加脂量的第三预测模型。

在步骤113中，利用第三预测模型对第一预测模型进行更新。

如上所述，本发明实施例充分考虑了风电机组运行的差异性，并设计了能够使风电机组根据实际运行数据和实际加脂数据对初始逻辑回归模型(即第一预测模型)进行迭代和更新的预测方法，从而使本发明实施例中的风电机组轴承加脂量预测模型更具有定制性和鲁棒性。

需要说明的是，为继续完善本发明实施例中的风电机组轴承加脂量预测模型的构建，本发明实施例可以综合多种机器学习算法进行预测模型进行构建。具体地，本发明实施例使用机器学习库提供的API接口将模型构建与机器学习库相结合，实现对风电机组轴承加脂量预测模型进行迭代和更新。

值得一提的是，本发明实施例利用机器学习算法对风电机组轴承加脂量进行了β参数的引入和迭代优化，实现了对风电机组轴承加脂量的精准预测，同时实现了不同风电机组之间的轴承加脂量的差异化定制。

图7为本发明第七实施例提供的风电机组轴承加脂量的预测装置的结构示意图。图7中示出的风电机组轴承加脂量的预测装置包括采集模块701、构建模块702、训练模块703和预测模块704。

其中，采集模块701用于采集风电机组的第一运行时间段内的第一运行状况数据和与第一运行时间段对应的第一轴承加脂量。构建模块702用于根据第一运行状况数据构建第一特征值矩阵。训练模块703用于利用机器学习算法对第一特征值矩阵和第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型；采集模块701还用于采集风电机组的第二运行时间段内的第二运行状况数据；

构建模块702还用于根据第二运行状况数据构建第二特征值矩阵；预测模块704，用于将第二特征值矩阵代入轴承加脂量的第一预测模型，得到第二运行时间段后的轴承所需加脂量。

根据本发明实施例中的风电机组轴承加脂量的预测装置，为了得到轴承加脂量的预测模型，使采集模块701采集风电机组的第一运行时间段内的第一运行状况数据和与第一运行时间段对应的第一轴承加脂量；使构建模块702根据第一运行状况数据构建第一特征值矩阵；使训练模块703利用机器学习算法对第一特征值矩阵和第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型。为了利用得到的轴承加脂量的预测模型计算所需的轴承加脂量，使采集模块701采集风电机组的第二运行时间段内的第二运行状况数据；使构建模块702根据第二运行状况数据构建第二特征值矩阵；使预测模块704通过将第二特征值矩阵代入轴承加脂量的第一预测模型，得到第二运行时间段后的轴承所需加脂量。

由上可知，本发明实施例的风电机组轴承加脂量的预测方法基于风电机组轴承的历史运行状况数据和历史加脂量对轴承所需的加脂量进行了合理预测，由于轴承的加脂量与风电机组的运行状况密切相关，因而根据上述历史运行状况数据和历史加脂量得到的加脂量来控制轴承的加脂，能够避免加脂后的风电机组轴承出现脂含量不足或者脂含量过量的问题，从而能够确保风电机组轴承在良好的润滑状态下运行。

图8为本发明第八实施例提供的风电机组轴承加脂量的预测装置的结构示意图。图8与图7的不同之处在于，图7中的构建模块702可细化为图8中的平滑处理单元7021和构建单元7022。

其中，平滑处理单元7021用于对第一运行状况数据进行平滑和离点群预处理；构建单元7022用于根据平滑和离点群预处理后的数据构建第一特征值矩阵。

图9为本发明第九实施例提供的风电机组轴承加脂量的预测装置的结构示意图。图9与图8的不同之处在于，图8中的构建模块702还包括图9中的因素分解单元7023。

其中，因素分解单元7023用于对平滑和离点群预处理后的时序数据进行季节因素分解，得到去除季节周期干扰后的残差数据；构建单元7022(参看图8)还用于根据残差数据构建第一特征值矩阵。

图10为本发明第十实施例提供的风电机组轴承加脂量的预测装置的结构示意图。图10与图7的不同之处在于，图7中的构建模块702还可细化为图10中的构建单元7022(参看图8)、特征提取单元7024和归一化单元7025。

其中，构建单元7022还用于根据第一运行状况数据构建初始特征值矩阵；特征提取单元7024用于利用奇异值分解算法对初始特征值矩阵进行特征提取，得到简化后的特征值矩阵；归一化单元7025用于对简化后的特征值矩阵进行归一化处理，得到第一特征值矩阵。

图11为本发明第十一实施例提供的风电机组轴承加脂量的预测装置的结构示意图。图11与图7的不同之处在于，图7中的训练模块703可细化为图11中的建立单元7031和训练单元7032。

其中，建立单元7031用于建立表示风电机组的运行状况数据和轴承加脂量之间对应关系的计算公式：

β＝xV_w+yV_r+zT(参看公式1)，

其中，β为轴承加脂量，V_W为环境风速，V_r为风电机组转速，T为轴承温度值，x，y和z均为拟合系数；

训练单元7032用于利用机器学习算法，将第一特征值矩阵和第一轴承加脂量分别代入计算公式中进行学习训练，得到轴承加脂量的第一预测模型。

图12为本发明第十二实施例提供的风电机组轴承加脂量的预测装置的结构示意图。图12与图7的不同之处在于，所述预测装置还包括：判断模块705、确定模块706和更新模块707。

其中，判断模块705用于将第二特征值矩阵代入轴承加脂量的第一预测模型的计算结果作为第二轴承加脂量，并判断第二轴承加脂量是否在预设阈值范围内；确定模块706用于如果第二轴承加脂量在预设阈值范围

内，则将第二轴承加脂量作为第二运行时间段后的轴承所需加脂量；训练模块703(参看图7)还用于利用机器学习算法对第一特征值矩阵、第二特征值矩阵、第一轴承加脂量和第二轴承加脂量一起进行学习训练，得到轴承加脂量的第二预测模型；更新模块707用于利用第二预测模型对第一预测模型进行更新。

为了对判断模块705的判断结果为第一预测模型预测不准确的情况进行处理，确定模块706还用于如果第二轴承加脂量超出预设阈值范围，则从预设阈值范围中选取一个值作为第二运行时间段后的轴承所需加脂量；训练模块703还用于利用机器学习算法对第一特征值矩阵、第二特征值矩阵、第一轴承加脂量和选取的加脂量一起进行学习训练，得到轴承加脂量的第三预测模型；更新模块707还用于利用第三预测模型对第一预测模型进行更新。

图13为本发明第十三实施例提供的风电机组轴承加脂系统的结构示意图。图13中的风电机组轴承加脂系统包括：如上所述的风电机组轴承加脂量的预测装置131和加脂控制单元132，其中，加脂控制单元132用于根据风电机组轴承加脂量的预测装置131得到的轴承所需加脂量来控制轴承的加脂。

在一个示例中，多个风电机组轴承分别与分油器的多个开关一一对应设置，风电机组轴承加脂量的预测装置131可以将各轴承需要的加脂量发送给加脂控制单元132，由加脂控制单元132根据各轴承需要的加脂量分别控制对应的分油器开关打开，并在加入指定量润滑脂后，控制对应的分油器开关闭合，然后将润滑脂输送给各轴承，从而实现轴承在最佳的润滑量下运行。其中，加脂控制单元132还可以通过控制分油器开关的大小调节润滑脂的出脂速率。

需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例而言，相关之处可以参见方法实施例的说明部分。本发明实施例并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本发明实施例的精神之后作出各种改变、修改和添加，或者改变步骤之间的顺序。并且，为了简明起见，这里省略对已知方法技术的详细描述。

需要明确，本发明实施例并不局限于上文所描述并在图中示出的特定配置和处理。并且为了简明起见，这里省略对已知方法技术的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明实施例的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明实施例的精神之后作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明实施例的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

本领域技术人员应能理解，上述实施例均是示例性而非限制性的。在不同实施例中出现的不同技术特征可以进行组合，以取得有益效果。本领域技术人员在研究附图、说明书及权利要求书的基础上，应能理解并实现所揭示的实施例的其他变化的实施例。在权利要求书中，术语“包括”并不排除其他装置或步骤；不定冠词“一个”不排除多个；术语“第一”、“第二”用于标示名称而非用于表示任何特定的顺序。权利要求中的任何附图标记均不应被理解为对保护范围的限制。权利要求中出现的多个部分的功能可以由一个单独的硬件或软件模块来实现。某些技术特征出现在不同的从属权利要求中并不意味着不能将这些技术特征进行组合以取得有益效果。

Claims (18)

1.一种风电机组轴承加脂量的预测方法，其特征在于，包括：

采集所述风电机组的第一运行时间段内的第一运行状况数据和与所述第一运行时间段对应的第一轴承加脂量；

根据所述第一运行状况数据构建第一特征值矩阵；

利用机器学习算法对所述第一特征值矩阵和所述第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型；

采集所述风电机组的第二运行时间段内的第二运行状况数据；

根据所述第二运行状况数据构建第二特征值矩阵；

将所述第二特征值矩阵代入所述轴承加脂量的第一预测模型，得到所述第二运行时间段后的轴承所需加脂量。

2.根据权利要求1所述的预测方法，其特征在于，所述根据所述第一运行状况数据构建第一特征值矩阵包括：

对所述第一运行状况数据进行平滑和离点群预处理；

根据所述平滑和离点群预处理后的数据构建所述第一特征值矩阵。

3.根据权利要求2所述的预测方法，其特征在于，在所述对所述第一运行状况数据进行平滑和离点群预处理之后，所述预测方法还包括：

对平滑和离点群预处理后的时序数据进行季节因素分解，得到去除季节周期干扰后的残差数据；

根据所述残差数据构建所述第一特征值矩阵。

4.根据权利要求1所述的预测方法，其特征在于，所述根据所述第一运行状况数据构建第一特征值矩阵包括：

根据所述第一运行状况数据构建初始特征值矩阵；

利用奇异值分解算法对所述初始特征值矩阵进行特征提取，得到简化后的特征值矩阵；

对所述简化后的特征值矩阵进行归一化处理，得到所述第一特征值矩阵。

5.根据权利要求1所述的预测方法，其特征在于，所述利用机器学习算法对所述第一特征值矩阵和所述第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型，包括：

建立表示所述风电机组的运行状况数据和所述轴承加脂量之间对应关系的计算公式：

β＝xV_w+yV_r+zT，

其中，β为轴承加脂量，V_W为环境风速，V_r为风电机组转速，T为轴承温度值，x，y和z均为拟合系数；

利用所述机器学习算法，将所述第一特征值矩阵和所述第一轴承加脂量分别代入所述计算公式中进行学习训练，得到所述轴承加脂量的第一预测模型。

6.根据权利要求1所述的预测方法，其特征在于，所述机器学习算法包括逻辑回归算法和/或线性回归算法。

7.根据权利要求1所述的风电机组轴承加脂量的预测方法，其特征在于，所述第一运行状况数据为所述风电机组的第一运行时间段内的运行状态良好时的运行状况数据。

8.根据权利要求1所述的预测方法，其特征在于，在所述将所述第二特征值矩阵代入所述轴承加脂量的第一预测模型之后，所述预测方法还包括：

将所述第二特征值矩阵代入所述轴承加脂量的第一预测模型的计算结果作为第二轴承加脂量，并判断所述第二轴承加脂量是否在预设阈值范围内；

如果所述第二轴承加脂量在所述预设阈值范围内，则将所述第二轴承加脂量作为所述第二运行时间段后的轴承所需加脂量；

利用所述机器学习算法对所述第一特征值矩阵、所述第二特征值矩阵、所述第一轴承加脂量和所述第二轴承加脂量一起进行学习训练，得到所述轴承加脂量的第二预测模型；

利用所述第二预测模型对所述第一预测模型进行更新。

9.根据权利要求8所述的预测方法，其特征在于，所述预测方法还包括：

如果所述第二轴承加脂量超出所述预设阈值范围，则从所述预设阈值范围中选取一个值作为所述第二运行时间段后的轴承所需加脂量；

利用所述机器学习算法对所述第一特征值矩阵、所述第二特征值矩阵、所述第一轴承加脂量和选取的加脂量一起进行学习训练，得到所述轴承加脂量的第三预测模型；

利用所述第三预测模型对所述第一预测模型进行更新。

10.根据权利要求1所述的预测方法，其特征在于，所述第一运行状况数据和所述第二运行状况数据包括以下数据中的一种或多种：环境风速数据、风电机组转速数据和轴承温度数据。

11.一种风电机组轴承加脂量的预测装置，其特征在于，包括：

采集模块，用于采集所述风电机组的第一运行时间段内的第一运行状况数据和与所述第一运行时间段对应的第一轴承加脂量；

构建模块，用于根据所述第一运行状况数据构建第一特征值矩阵；

训练模块，用于利用机器学习算法对所述第一特征值矩阵和所述第一轴承加脂量进行学习训练，得到轴承加脂量的第一预测模型；

所述采集模块，还用于采集所述风电机组的第二运行时间段内的第二运行状况数据；

所述构建模块，还用于根据所述第二运行状况数据构建第二特征值矩阵；

预测模块，用于将所述第二特征值矩阵代入所述轴承加脂量的第一预测模型，得到所述第二运行时间段后的轴承所需加脂量。

12.根据权利要求11所述的预测装置，其特征在于，所述构建模块包括：

平滑处理单元，用于对所述第一运行状况数据进行平滑和离点群预处理；

构建单元，用于根据所述平滑和离点群预处理后的数据构建所述第一特征值矩阵。

13.根据权利要求12所述的预测装置，其特征在于，所述构建模块还包括因素分解单元，用于对平滑和离点群预处理后的时序数据进行季节因素分解，得到去除季节周期干扰后的残差数据；

其中，所述构建单元，还用于根据所述残差数据构建所述第一特征值矩阵。

14.根据权利要求11所述的预测装置，其特征在于，所述构建模块还包括特征提取单元和归一化单元，

其中，所述构建单元，还用于根据所述第一运行状况数据构建初始特征值矩阵；

所述特征提取单元，用于利用奇异值分解算法对所述初始特征值矩阵进行特征提取，得到简化后的特征值矩阵；

所述归一化单元，用于对所述简化后的特征值矩阵进行归一化处理，得到所述第一特征值矩阵。

15.根据权利要求11所述的预测装置，其特征在于，所述训练模块包括：

建立单元，用于建立表示所述风电机组的运行状况数据和所述轴承加脂量之间对应关系的计算公式：

β＝xV_w+yV_r+zT，

其中，β为轴承加脂量，V_W为环境风速，V_r为风电机组转速，T为轴承温度值，x，y和z均为拟合系数；

训练单元，用于利用所述机器学习算法，将所述第一特征值矩阵和所述第一轴承加脂量分别代入所述计算公式中进行学习训练，得到所述轴承加脂量的第一预测模型。

16.根据权利要求11所述的预测装置，其特征在于，所述预测装置还包括：

判断模块，用于将所述第二特征值矩阵代入所述轴承加脂量的第一预测模型的计算结果作为第二轴承加脂量，并判断所述第二轴承加脂量是否在预设阈值范围内；

确定模块，用于如果所述第二轴承加脂量在所述预设阈值范围内，则将所述第二轴承加脂量作为所述第二运行时间段后的轴承所需加脂量；

所述训练模块，还用于利用所述机器学习算法对所述第一特征值矩阵、所述第二特征值矩阵、所述第一轴承加脂量和所述第二轴承加脂量一起进行学习训练，得到所述轴承加脂量的第二预测模型；

更新模块，用于利用所述第二预测模型对所述第一预测模型进行更新。

17.根据权利要求16所述的预测装置，其特征在于，

所述确定模块，还用于如果所述第二轴承加脂量超出所述预设阈值范围，则从所述预设阈值范围中选取一个值作为所述第二运行时间段后的轴承所需加脂量；

所述训练模块，还用于利用所述机器学习算法对所述第一特征值矩阵、所述第二特征值矩阵、所述第一轴承加脂量和选取的加脂量一起进行学习训练，得到所述轴承加脂量的第三预测模型；

所述更新模块，还用于利用所述第三预测模型对所述第一预测模型进行更新。

18.一种风电机组轴承加脂系统，其特征在于，所述风电机组轴承加脂系统包括：

根据权利要求11-17任意一项所述风电机组轴承加脂量的预测装置；

加脂控制单元，用于根据所述风电机组轴承加脂量的预测装置得到的轴承所需加脂量来控制轴承的加脂。