CN108680358A - 一种基于轴承温度模型的风电机组故障预测方法 - Google Patents

Abstract

本发明公开了一种基于轴承温度模型的风电机组故障预测方法，包括以下步骤：1）根据风电机组的故障监测目标选取轴承；2）对SCADA运行数据进行分析，并应用主成分分析法选定轴承温度模型的建模参数；3）基于径向基函数神经网络与线性回归分析方法，根据历史健康状态运行数据建立健康状态轴承温度的LRRBF预测模型；4）基于LRRBF预测模型，根据当前运行数据计算实际运行状态下的轴承温度预测值；5）计算得到轴承温度预测值与实际运行值之间的残差，使用滑动窗口法进行残差分析；如果残差均值超过预设的置信区间，则判断故障监测目标出现故障，从而实现风电机组的故障预测。通过轴承温度进行风电机组的故障预测，经济而高效。

Description

一种基于轴承温度模型的风电机组故障预测方法

技术领域

本发明涉及一种风电机组故障预测方法，特别是涉及一种基于轴承温度模型的风电机组故障预测方法，属于状态监测与故障诊断技术领域。

背景技术

随着时代的进步和人类环保意识的提升，对可再生清洁能源的开发和利用越来越受到国际社会的重视。为世界范围内技术最成熟、最具规模化商业开发潜力的新能源之一，风能具有蕴藏量丰富、可再生、分布广、无污染等特性，具备规模化开发利用价值。风能作为一种储量丰富、可再生、零排放的清洁能源，风力发电技术已经成为各国争相发展的重要领域，并且已经被提升到了国家战略的高度。

近年来风力发电经历了爆炸式的增长，根据全球风能理事会(GWEC)发布的2016风电发展报告统计，截止2016年全球风力发电机组装机总量已经达到486.79GW，其中中国全年新增装机容量23370MW，截止16年底全国装机总容量达168.732GW，预计到2020年我国风电装机容量将达到200GW。

在风电装机容量迅猛增长、风电市场特别是海上风电的快速发展的同时，机组事故率在逐年增加。由于风力发电机组经常运行在高海拔或者海上等环境恶劣的偏远地区，一旦出现故障，巨大的维修费用与长时间的维修周期将造成不小的经济损失，并且一些故障的产生如果没有及早的发现处理会造成对于机组本身不可挽回的影响，并且有可能对周围工作人员的生命安全造成威胁。

风电机组的状态监测技术通过温度、转速、振动等传感器对机组的叶轮、齿轮箱、发电机、偏航与变桨机构等关键位置进行实时数据采集、监控和相关数据分析，了解机组的运行健康状态，及时发现故障征兆，提前进行相关故障的处理及发电运行的合理安排，从而提高运营效率，降低运维成本，使效益最大化。2012年，全国风电场设备运行质量状况调查报告显示，我国风电机组发电机的年故障发生频次仅次于叶片，为0.13次/台，平均排除故障耗时为105.93h。所以，风电机组的齿轮箱与发电机均是故障率较高的部件，现有技术中对其状态监测仍存在提前预测能力不足，不能有效监测到关键部件的运行状态。

发明内容

本发明的主要目的在于，克服现有技术中的不足，提供一种基于轴承温度模型的风电机组故障预测方法，通过轴承温度进行风电机组的故障预测，无需安装额外传感器，不仅可提前预测发现风电机组的齿轮箱、发电机等部件故障，防止故障进一步扩大导致机组停机、损坏等，从而导致发电量降低、风电场收益降低的现象发生；还可风电场运维工作人员分析机组部件状态和进行维护工作提供指导，极具有产业上的利用价值。

为了达到上述目的，本发明所采用的技术方案是：

一种基于轴承温度模型的风电机组故障预测方法，包括以下步骤：

1)根据风电机组的故障监测目标选取轴承；

2)从风电机组内SCADA系统获取SCADA运行数据，对SCADA运行数据进行分析，并应用主成分分析法选定轴承温度模型的建模参数；

其中，SCADA运行数据包括历史运行数据和当前运行数据，所述历史运行数据包括历史健康状态运行数据；

3)基于径向基函数神经网络与线性回归分析方法，根据历史健康状态运行数据建立健康状态轴承温度的线性回归径向基函数神经网络预测模型、即LRRBF预测模型；

4)基于LRRBF预测模型，根据当前运行数据计算实际运行状态下的轴承温度预测值；

5)计算得到轴承温度预测值与实际运行值之间的残差，使用滑动窗口法进行残差分析；如果残差均值超过预设的置信区间，则判断故障监测目标出现故障，从而实现风电机组的故障预测。

本发明进一步设置为：所述步骤1)中的轴承选定为发电机前轴承。

本发明进一步设置为：所述步骤1)中的故障监测目标包括发电机和齿轮箱的机组部件。

本发明进一步设置为：所述步骤2)中的主成分分析法，具体为，

在影响轴承温度的总数为p个的主成分(y₁,y₂,…,y_i,…,y_k,…,y_p)；i,k∈[1,p]中，第k个主成分y_k的贡献率α_k为其中，λ_k表示第k个主成分y_k的特征值、即y_k的方差，λ_i表示第i个主成分y_i的特征值、即y_i的方差，p为自然数；

根据贡献率排名，排名前m个主成分(y₁,y₂,…,y_m)；m∈[1,p]的累计贡献率γ为

其中，α_i表示第i个主成分y_i的贡献率。

本发明进一步设置为：所述步骤2)中的建模参数的选定要求为应用主成分分析法所得的计算结果中累计贡献率γ≥85％的测量参数。

本发明进一步设置为：所述步骤2)中的建模参数选定为发电机输出有功功率、机舱内温度、高速轴后轴承温度、高速轴前轴承温度、发电机定子温度和高速轴转速。

本发明进一步设置为：所述LRRBF预测模型的网络结构共有3层，包括输入层、隐含层和输出层；

其中，输入层X共7维，包括发电机输出有功功率P_a、机舱内温度T_c、高速轴后轴承温度T_hr、高速轴前轴承温度T_hf、发电机定子温度T_s、高速轴转速ω_h和当前时刻点发电机前轴承温度的线性回归预测值T_bt；隐含层根据RBF神经网络隐节点选择策略，选择隐节点个数n＝8；输出层为发电机前轴承温度预测值T_P；

所述径向基函数神经网络采用的径向基函数为高斯核函数φ(X,σ_j)，其模型为，

其中，C_j,σ_j分别为第j个隐含层神经元的核函数中心向量和宽度参数，n为自然数，w_j为突触权值，b为神经元的偏置；

所述当前时刻点发电机前轴承温度的线性回归预测值T_bt由自变量前3个时刻的发电机前轴承温度T_t-1、T_t-2、T_t-3得到，即T_bt＝β₀+β₁T_t-1+β₂T_t-2+β₃T_t-3；

其中，β₀为回归常数，β₁,β₂,β₃为回归系数，β₀,β₁,β₂,β₃的值用最小二乘法进行估计，

其中，

其中，T′为T的转置温度，T为样本数据矩阵，矩阵中的每一行代表一组输入的样本数据；N为样本总组数，为β₀,β₁,β₂,β₃构造形成的系数矩阵；T_t-1,1,T_t-2,1,T_t-3,1分别为第一组自变量前3个时刻的发电机前轴承温度的样本数据，依次类推，T_t-1,N,T_t-2,N,T_t-3,N分别为第N组自变量前3个时刻的发电机前轴承温度的样本数据；T_bt,1为第一组当前时刻点发电机前轴承温度的线性回归预测值的样本数据，依次类推，T_bt,N为第N组当前时刻点发电机前轴承温度的线性回归预测值的样本数据。

本发明进一步设置为：所述步骤5)中的滑动窗口法，具体为，

设置窗口大小和置信区间，将窗口设为宽度为I的窗口，将置信区间设为[-10℃，10℃]的温度区间；

计算残差均值 其中，R_x为该窗口的第x个残差；

将残差均值与置信区间进行比较，进而进行故障判断；

如果残差均值在预设的置信区间内，则判断故障监测目标运行正常；

如果残差均值超过预设的置信区间，则判断故障监测目标出现故障，并引发报警。

与现有技术相比，本发明具有的有益效果是：

本发明提供的一种基于轴承温度模型的风电机组故障预测方法，通过轴承温度进行故障预测对风电机组健康运行有重大意义，关键位置轴承数量充足，对于部件故障预测有重要参考价值；不仅能够对风电机组重要部件进行运行状态的实时监测，提前预测发现风电机组的齿轮箱、发电机等部件故障；而且无需安装额外传感器，数据来源均是机组内SCADA系统，经济输出较小；以及能够有效提高设备运行的安全可靠性，最小化故障带来的重大损失，降低风电场的运营成本，创造出高效、安全、经济的风电机组发电环境。

上述内容仅是本发明技术方案的概述，为了更清楚的了解本发明的技术手段，下面结合附图对本发明作进一步的描述。

附图说明

图1为本发明一种基于轴承温度模型的风电机组故障预测方法的流程图；

图2为常见的双馈异步风电机组的结构示意图；

图3为本发明构建的LRRBF预测模型的结构图；

图4为LRRBF预测模型与传统RBF模型的发电机前轴承温度预测结果对比图；

图5为滑动窗口残差统计方法的示意图；

图6为本发明使用滑动窗口法准确预测机组故障的结果图。

具体实施方式

下面结合说明书附图，对本发明作进一步的说明。

本发明提供一种基于轴承温度模型的风电机组故障预测方法，如图1所示，包括以下步骤：

1)根据风电机组的故障监测目标选取轴承。

要求选定的轴承能够准确反映监测目标的状态情况，要对监测目标的异常运行敏感，本实施例轴承选定为发电机前轴承；故障监测目标包括发电机和齿轮箱的机组部件。

如图2所示为常见的双馈异步风电机组的结构示意图，可见发电机前轴承位于齿轮箱与发电机之间，其状态监测对于齿轮箱与发电机这两个部件的故障预测均具有重要意义，所以本发明针对发电机前轴承进行轴承温度的建模及后续分析，能够准确反映出风电机组的健康状况并及时进行故障预测。

2)从风电机组内SCADA系统获取SCADA运行数据，对SCADA运行数据进行分析，并应用主成分分析法选定轴承温度模型的建模参数；其中，SCADA运行数据包括历史运行数据和当前运行数据，所述历史运行数据包括历史健康状态运行数据。

所述步骤2)中的主成分分析法，具体为，

在影响轴承温度的总数为p个的主成分(y₁,y₂,…,y_i,…,y_k,…,y_p)；i,k∈[1,p]中，第k个主成分y_k的贡献率α_k为其中，λ_k表示第k个主成分y_k的特征值、即y_k的方差，λ_i表示第i个主成分y_i的特征值、即y_i的方差，p为自然数；

根据贡献率排名，排名前m个主成分(y₁,y₂,…,y_m)；m∈[1,p]的累计贡献率γ为

其中，α_i表示第i个主成分y_i的贡献率。

本发明轴承温度模型的建模参数的选定要求为应用主成分分析法所得的计算结果中累计贡献率γ≥85％的测量参数，能最大程度影响相应轴承的运行状态，并可减少冗余性。

根据对SCADA运行数据进行相关分析后，得到风电机组发电机前轴承温度模型的建模参数主成分分析计算结果表，参见表1。

表1

根据表1中的计算结果，最终选取表1中4个成分参与建立发电机前轴承的温度预测模型，其累计贡献率已经达95％。另外，有一些数据虽然方差值很小，但是对于发电机前轴承温度影响却较大，因此也应列入模型建立的建模参数中，具体是将发电机输出有功功率和机舱内温度也作为预测模型的输入。

所以，所述步骤2)中的建模参数选定为发电机输出有功功率、机舱内温度、高速轴后轴承温度、高速轴前轴承温度、发电机定子温度和高速轴转速。

3)基于径向基函数神经网络与线性回归分析方法，根据历史健康状态运行数据建立健康状态轴承温度的线性回归径向基函数神经网络(LRRBF)预测模型、即LRRBF预测模型。

所述LRRBF预测模型的网络结构共有3层，如图3所示，包括输入层、隐含层和输出层。

其中，输入层X共7维，包括发电机输出有功功率P_a、机舱内温度T_c、高速轴后轴承温度T_hr、高速轴前轴承温度T_hf、发电机定子温度T_s、高速轴转速ω_h和当前时刻点发电机前轴承温度的线性回归预测值T_bt；隐含层根据RBF神经网络隐节点选择策略，选择隐节点个数n＝8；输出层为发电机前轴承温度预测值T_P。

所述径向基函数神经网络采用的径向基函数为高斯核函数φ(X,σ_j)，其模型为，

其中，C_j,σ_j分别为第j个隐含层神经元的核函数中心向量和宽度参数，n为自然数，w_j为突触权值，b为神经元的偏置。

所述当前时刻点发电机前轴承温度的线性回归预测值T_bt由自变量前3个时刻的发电机前轴承温度T_t-1、T_t-2、T_t-3得到，即T_bt＝β₀+β₁T_t-1+β₂T_t-2+β₃T_t-3；

其中，β₀为回归常数，β₁,β₂,β₃为回归系数，β₀,β₁,β₂,β₃的值用最小二乘法进行估计，

其中，

其中，T′为T的转置温度，T为样本数据矩阵，矩阵中的每一行代表一组输入的样本数据；N为样本总组数，为β₀,β₁,β₂,β₃构造形成的系数矩阵；T_t-1,1,T_t-2,1,T_t-3,1分别为第一组自变量前3个时刻的发电机前轴承温度的样本数据，依次类推，T_t-1,N,T_t-2,N,T_t-3,N分别为第N组自变量前3个时刻的发电机前轴承温度的样本数据；T_bt,1为第一组当前时刻点发电机前轴承温度的线性回归预测值的样本数据，依次类推，T_bt,N为第N组当前时刻点发电机前轴承温度的线性回归预测值的样本数据。

使用学习样本数据得到参数估计值后，对发电机前轴承温度预测值T_P进行估计，以满足对LRRBF预测模型的要求。根据相关风电场实际运行数据作为学习样本进行线性回归建模，求得β₀＝5.7985，β₁＝0.9221，β₂＝0.1722，β₃＝0.1114。

4)基于LRRBF预测模型，根据当前运行数据计算实际运行状态下的轴承温度预测值。

如图4所示为LRRBF预测模型与传统RBF模型的发电机前轴承温度预测结果对比图，利用平均绝对误差(MAE)和均方根误差(RMSE)对这两种模型预测结果进行统计分析，统计结果参见表2的预测误差对比表。计算公式为，

其中，N′为预测总组数，T_P为发电机前轴承温度预测值，T_R为温度实测值。

表2

从表2中可见，LRRBF预测模型是由线性回归模型对传统RBF神经网络模型进一步修正得到，最终模型能解决传统模型的冗余问题和惯性问题，并可保证准确度的大幅提高。

5)计算得到轴承温度预测值与实际运行值之间的残差，使用滑动窗口法进行残差分析；如果残差均值超过预设的置信区间，则判断故障监测目标出现故障，从而实现风电机组的故障预测。

所述步骤5)中的滑动窗口法，如图5所示，具体为，

设置窗口大小和置信区间，将窗口设为宽度为I的窗口，将置信区间设为[-10℃，10℃]的温度区间；

计算残差均值 其中，R_x为该窗口的第x个残差；

将残差均值与置信区间进行比较，进而进行故障判断；

如果残差均值在预设的置信区间内，则判断故障监测目标运行正常；

如果残差均值超过预设的置信区间，则判断故障监测目标出现故障，并引发报警。

滑动窗口法中需要设置合理的窗口大小以弱化不稳定因素的影响并能准确反映轴承温度变化的趋势，所设的置信区间需合理并在后续运作中不断调整以减少误报警和失误次数。

使用滑动窗口法进行残差分析可以实时连续地反映残差分布特性的变化，能使风电机组运行过程不确定性及外界因素强干扰性最小化，避免极端工作点导致的误报警，连续地反应残差分布特性的变化；而且，算法简单，适合在线实时分析。

如图6所示为本发明使用滑动窗口法准确预测机组故障的结果图，在预先设定风电机组发电机前轴承健康运行的温度置信区间为[-10℃，10℃]下，第361组数据的滑动窗口残差统计结果开始超出设定的残差阈值，将引发报警，此时的模拟温度累计偏差已经达到(361-200)×0.1＝16.1℃，而轴承温度实测值仅为53.2℃，远远低于SCADA系统内置前轴承温度报警的阈值80℃，可实现对发电机故障的灵敏预测。

本发明的创新点在于，基于轴承温度的LRRBF预测模型能有效监测关键部件的健康状态，比SCADA系统提前发现故障趋势并报警，实现机组的故障预测，能够为风电场运行维护工作提供帮助和支持，为服务提供单位减少工作量和工作周期，实现“双赢”。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于轴承温度模型的风电机组故障预测方法，其特征在于，包括以下步骤：

1)根据风电机组的故障监测目标选取轴承；

2)从风电机组内SCADA系统获取SCADA运行数据，对SCADA运行数据进行分析，并应用主成分分析法选定轴承温度模型的建模参数；

其中，SCADA运行数据包括历史运行数据和当前运行数据，所述历史运行数据包括历史健康状态运行数据；

3)基于径向基函数神经网络与线性回归分析方法，根据历史健康状态运行数据建立健康状态轴承温度的线性回归径向基函数神经网络预测模型、即LRRBF预测模型；

4)基于LRRBF预测模型，根据当前运行数据计算实际运行状态下的轴承温度预测值；

5)计算得到轴承温度预测值与实际运行值之间的残差，使用滑动窗口法进行残差分析；如果残差均值超过预设的置信区间，则判断故障监测目标出现故障，从而实现风电机组的故障预测。

2.根据权利要求1所述的一种基于轴承温度模型的风电机组故障预测方法，其特征在于：所述步骤1)中的轴承选定为发电机前轴承。

3.根据权利要求1所述的一种基于轴承温度模型的风电机组故障预测方法，其特征在于：所述步骤1)中的故障监测目标包括发电机和齿轮箱的机组部件。

4.根据权利要求1所述的一种基于轴承温度模型的风电机组故障预测方法，其特征在于：所述步骤2)中的主成分分析法，具体为，

在影响轴承温度的总数为p个的主成分(y₁,y₂,…,y_i,…,y_k,…,y_p)；i,k∈[1,p]中，第k个主成分y_k的贡献率α_k为其中，λ_k表示第k个主成分y_k的特征值、即y_k的方差，λ_i表示第i个主成分y_i的特征值、即y_i的方差，p为自然数；

根据贡献率排名，排名前m个主成分(y₁,y₂,…,y_m)；m∈[1,p]的累计贡献率γ为其中，α_i表示第i个主成分y_i的贡献率。

5.根据权利要求4所述的一种基于轴承温度模型的风电机组故障预测方法，其特征在于：所述步骤2)中的建模参数的选定要求为应用主成分分析法所得的计算结果中累计贡献率γ≥85％的测量参数。

6.根据权利要求1所述的一种基于轴承温度模型的风电机组故障预测方法，其特征在于：所述步骤2)中的建模参数选定为发电机输出有功功率、机舱内温度、高速轴后轴承温度、高速轴前轴承温度、发电机定子温度和高速轴转速。

7.根据权利要求1所述的一种基于轴承温度模型的风电机组故障预测方法，其特征在于：所述LRRBF预测模型的网络结构共有3层，包括输入层、隐含层和输出层；

其中，输入层X共7维，包括发电机输出有功功率P_a、机舱内温度T_c、高速轴后轴承温度T_hr、高速轴前轴承温度T_hf、发电机定子温度T_s、高速轴转速ω_h和当前时刻点发电机前轴承温度的线性回归预测值T_bt；隐含层根据RBF神经网络隐节点选择策略，选择隐节点个数n＝8；输出层为发电机前轴承温度预测值T_P；

所述径向基函数神经网络采用的径向基函数为高斯核函数φ(X,σ_j)，其模型为，

其中，C_j,σ_j分别为第j个隐含层神经元的核函数中心向量和宽度参数，n为自然数，w_j为突触权值，b为神经元的偏置；

所述当前时刻点发电机前轴承温度的线性回归预测值T_bt由自变量前3个时刻的发电机前轴承温度T_t-1、T_t-2、T_t-3得到，即T_bt＝β₀+β₁T_t-1+β₂T_t-2+β₃T_t-3；

其中，β₀为回归常数，β₁,β₂,β₃为回归系数，β₀,β₁,β₂,β₃的值用最小二乘法进行估计，

其中，

其中，T′为T的转置温度，T为样本数据矩阵，矩阵中的每一行代表一组输入的样本数据；N为样本总组数，为β₀,β₁,β₂,β₃构造形成的系数矩阵；T_t-1,1,T_t-2,1,T_t-3,1分别为第一组自变量前3个时刻的发电机前轴承温度的样本数据，依次类推，T_t-1,N,T_t-2,N,T_t-3,N分别为第N组自变量前3个时刻的发电机前轴承温度的样本数据；T_bt,1为第一组当前时刻点发电机前轴承温度的线性回归预测值的样本数据，依次类推，T_bt,N为第N组当前时刻点发电机前轴承温度的线性回归预测值的样本数据。

8.根据权利要求1所述的一种基于轴承温度模型的风电机组故障预测方法，其特征在于：所述步骤5)中的滑动窗口法，具体为，

设置窗口大小和置信区间，将窗口设为宽度为I的窗口，将置信区间设为[-10℃，10℃]的温度区间；

计算残差均值其中，R_x为该窗口的第x个残差；

将残差均值与置信区间进行比较，进而进行故障判断；

如果残差均值在预设的置信区间内，则判断故障监测目标运行正常；

如果残差均值超过预设的置信区间，则判断故障监测目标出现故障，并引发报警。