CN111537219A - 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 - Google Patents

Abstract

本发明公开了一种基于温度参数的风机齿轮箱性能检测与健康评估方法，通过对风机状态检测数据的分析，结合风电机组运行的特点，采用KECA、GRNN结合建立的模型对齿轮箱温度和齿轮箱轴承温度进行状态检测与故障预测，并根据预测的残差，通过阈值判别和统计过程控制的思想对风机齿轮箱运行状态做出评估决策，同时采用综合模糊判别得出齿轮箱健康状态结果。将该方法应用于某具有小样本数据的实际风电机组案例中，能够实现对风电机组健康状态的准确预测与评估。本发明方法应用于小样本数据的实际风电机组中，可实现对该风电机组健康状态的准确预测与评估。

Description

一种基于温度参数的风机齿轮箱性能检测与健康评估方法

技术领域

本发明是一种应用于风电机组齿轮箱性能检测与健康评估方法，尤其考虑了风机SCADA参数大量多样且非线性的特点，提高齿轮箱健康评估方法的可靠性；属于基于数据驱动的状态检测、故障预警和健康评估技术领域。

背景技术

随着人类对能源要求不断加大，电力行业飞速发展，风力发电行业以其成本相对较低，风力资源丰富，能源绿色环保等优势已经成为清洁能源的主要发展趋势。而风电场建成之后的维护成本直接决定着风电场的效益，风力发电项目是一种投资时间很长的工程，大概在7年左右，而且收益期也很长，甚至会超过 10年。长期运转的风力发电机组需要定期进行检修和维护，来确保运行的稳定性和安全性。当工程中风力发电机组的工作寿命为20年时，其维护成本就占了整体收益的10％～15％；风力发电机组安装在海上所需要的运行和维护成本占到整体效益的20％～25％，大量的运转和维护成本加大了工程的运营费用及降低了工程的经济收益。要使风电场的效益最大化，就需要将运维成本降到最低。风电机组的运行维护基于状态检测和故障预警技术，采用多种方法和手段对机组的重要部件(叶轮、齿轮箱、发电机等)进行在线检测和分析，评估其运行状态，尽早提前发现潜在故障，确定合理的维护时间和方案，大幅降低维护成本。齿轮箱作为风机传动系统的关键部位，起到连接主轴与发电机的作用。随着大重型风机的投入运营，齿轮箱故障率也在随之增加，且维修成本高昂。风电机组中齿轮箱的故障比例很高，且相比于其他部件需要更多的维修时间。

考虑到风机SCADA参数大量多样且非线性的特点，导致预测模型输入参数的选择和处理缺少通用的准则。且预测状态参数选择单一，依据单一状态对齿轮箱的健康分析缺少可靠性，由此提出基于状态检测和预测模型的风电机组齿轮箱状态评估方法。首先对SCADA数据进行整理和分析，采用核熵成分分析解决 SCADA数据非线性耦合的问题，通过广义回归神经网络建立机组状态多参数预测模型，预测齿轮箱油温状态与齿轮箱轴承温度状态，最后采用模糊理论对预测残差结果进行融合，得出风机齿轮箱的健康状态结果。

发明内容

本发明对风电机组重要部件之一齿轮箱进行状态评估与故障预测。本发明方法的核心思想是：通过对风机状态检测数据的分析，结合风电机组运行的特点，采用KECA、GRNN结合建立的模型对齿轮箱温度和齿轮箱轴承温度进行状态检测与故障预测，并根据预测的残差，通过阈值判别和统计过程控制的思想对风机齿轮箱运行状态做出评估决策，同时采用综合模糊判别得出齿轮箱健康状态结果。将该方法应用于某具有小样本数据的实际风电机组案例中，能够实现对风电机组健康状态的准确预测与评估。

本发明采用了如下的技术方案及实现步骤：

A.基于KECA方法的检测风电机组运行状态阶段：

1)数据清洗：在利用SCADA数据进行风电机组健康状态预警评估时需要对原始数据集进行预处理，采用四分位原理去除数据中随机误差和系统误差等原因引起的少量分散性异常数据点，以及大量堆积的沿风速轴横向分布的异常数据簇。

2)特征参数选择：对清洗后的SCADA数据采用皮尔逊相关系数的特征参数筛选方法，选出与期望输出相关度大的特征参数作为后续实验参数对象。皮尔逊相关系数r公式如下：

其中，x表示齿轮箱轴承温度和齿轮箱油温，y表示SCADA系统其它参数，n 表示数据点个数。

皮尔逊相关系数描述的是两个定距变量x和y之间的相关，其值介于-1与1 之间，选择SCADA系统其它参数与齿轮箱轴承温度和齿轮箱油温的皮尔逊相关系数大于p的变量作为模型的最终相关变量集。

3)KECA主元模型建立：利用KECA对SCADA数据进行非线性变化，并通过Renyi二次熵贡献量提取主元，通过SPE统计量指标检测齿轮箱状态性能。 SPE统计量反映的是某一时刻模型和测试值之间的偏离程度。SPE统计量计算公式如下：

SPE_i＝E_iE_i ^T＝t_i(I-P_RP_R ^T)t_i ^T (2)

其中，t_i表示输入向量x在特征空间中第i个核主元，P_R为KPCA提取的特征向量。T表示矩阵的转置。

计算SPE统计量，并和u₁％可信度的控制限相比较，判断齿轮箱故障是否发生。

B.基于KECA-GRNN预测齿轮箱油温与齿轮箱轴承温度阶段：

1)KECA-GRNN预测模型建立：对经KECA提取主元后的数据建立GRNN 神经网络预测齿轮箱油温和齿轮箱轴承温度，通过预测模型分析情况。

2)残差分析：通过KECA-GRNN预测模型预测的油温与轴承温度残差图，以3倍标准差σ监测残差，定义残差波动范围在μ±3σ之间，定义齿轮箱故障预警线为μ±2σ，齿轮箱故障报警线为μ±3σ。由齿轮箱轴承温度和油温两个残差的趋势图，推断风机齿轮箱部件可能的故障即原因，预见早期故障的产生。

C.基于综合健康状态指标获得齿轮箱的健康状态等级阶段：

选取残差作为指标层的评价指标，从健康管理的角度将机组状态参数异常状态的评估结果划为5个等级：L＝{l₁,l₂,l₃,l₄,l₅}＝{健康，良好，注意，恶化，疾病}。以状态参数预测残差的异常程度为基础，隶属于机组5个异常状态评估等级的隶属度分别按照下列公式(3)-(7)计算：

定义风机齿轮箱的综合健康状态指数β：

其中，λ_i为第i个残差，L_i1为第i个残差的预警线，L_i2为第i个残差的报警线。

将残差代入公式式(3)-(7)，取置信水平为u₂，对隶属度进行基本置信度分配，得出齿轮箱的健康状态等级。

有益效果

与现有技术相比，本发明提出一种基于温度参数的风机齿轮箱性能检测与健康评估方法。该方法克服了预测状态参数选择单一而导致的可靠性较低，采用 Pearson相关系数具有收敛快，可解释性好的特点，较好的选出与期望输出相关度大的特征参数作为后续实验参数对象。考虑了风机SCADA参数大量多样且非线性的特点，使用KECA建立风机齿轮箱状态检测模型，以一种揭示数据集中结构的方式来降维，从而揭示数据中底层的信息。进一步利用GRNN具有很强的非线性映射能力和学习速度，而且全局收敛性好、调节参数少，具有更强的优势，对齿轮箱油温与齿轮箱轴承温度实现短期预测。本发明提出的预测模型与评估方法结果准确且简单直观，用于分析风机齿轮箱的健康状态可靠性较高。

附图说明

图1为算法具体流程图；

图2为剔除异常数据前后的v-p散点图对比图；

图3为齿轮箱正常状态下的PCA、KPCA、KECA检测对比图；

图4为齿轮箱故障状态下的PCA、KPCA、KECA检测对比图；

图5为KECA-GRNN模型预测效果图；

图6为GRNN模型预测图；

图7为预测油温与轴承温度残差图图；

图8为计算得到综合健康指数β变化曲线；

图9为风电机组健康状态等级变化图。

具体实施方式

发明主要针对SCADA系统采集的风机数据是一个多变量、多工况和高耦合的数据，且具有非线性，传统分析方法效果并不理想的问题。本发明主要使用某风场的1.5MW机组采集的SCADA运维数据证明算法的有效性。以下为运维数据相关介绍：风电机组运维数据采集的时间为2016年2月21日至4月16日。该风机在2016年4月16日因主轴高温故障停机，故障部件为齿轮箱。

将本发明方法实现齿轮箱性能检测与健康评估，主要包括检测风电机组状态、预测齿轮箱油温与齿轮箱轴承温度和获得齿轮箱的健康状态等级三个步骤，如图1是本发明的具体流程图，具体实施过程如下：

A.基于KECA方法的检测风电机组运行状态阶段：

步骤1：选择2.21日至3.01日采样时间为1h输出功率、齿轮箱轴端温度、叶轮转速、风速、齿轮箱润滑油入口压力作为实验训练数据。选择3.02日至3.11 日采样时间为1h输出功率、齿轮箱轴端温度、叶轮转速、风速、齿轮箱润滑油入口压力作为模型验证数据。选择3.12至4.16采样时间为1h输出功率、发动机转速、叶轮转速、风速、齿轮箱润滑油入口压力作为待检测数据进行后续实验分析。

步骤2：对原始数据集进行预处理，去除SCADA数据中存在的异常数据。如图2(a)所示为原始数据v-p(v代表风速，p代表输出功率)散点图中的异常数据，由图2(a)可看出v-p散点图中，除了由随机误差和系统误差等原因引起的少量分散性异常数据点之外，还会出现大量堆积的沿风速轴横向分布的异常数据簇，根据异常数据簇在v-p散点图中的分布特征，采用四分位原理对SCADA数据进行清洗。图3为剔除异常数据簇的v-p散点图。

步骤3：计算SCADA系统其它参数与齿轮箱轴承温度和齿轮箱油温的 Pearson相关系数，选取相关系数大于0.5的变量作为模型的最终相关变量集，即输出功率、发动机转速、叶轮转速、风速、齿轮箱润滑油入口压力作为特征参数。

步骤4：对样本数据建立核矩阵。将核矩阵分解，得到相应的特征值与特征向量，计算Renyi二次熵，根据Renyi二次熵的贡献率选取累计贡献率高于95％的主元。之后对正常工况下的数据建立KECA模型。接着对待检测的数据采用与训练数据相同的方法进行处理，计算SPE统计量，并和99％可信度的控制限相比较，判断故障是否发生。

对比分析PCA、KPCA、KECA三种算法对于风机齿轮箱状态检测性能。首先以正常工作状态为例，如图3所示。图中虚线代表99％的控制限，实线代表正常运行下的变化曲线。提取2.21-3.01日的健康数据作为正常数据集提取主元， 3.02-3.11日的模型验证数据作为检测阶段的测试数据集，验证模型的有效性。图中曲线变化剧烈的主要原因是环境参数(风速、风向、环境温度等)使风电机组具有多种工况，变化频繁。图中都存在虚报警点，相比KPCA与KECA，PCA效果更差，这是由于风机齿轮箱数据存在非线性，经过非线性变化后的主元取得的效果更好。KECA的结果比KPCA更好，这是由于KECA通过Renyi二次熵大小选取主元，能够揭示数据的内部信息，也能够最大限度的保证信息不被丢失。

图4为对此风机3.12-4.16日风机齿轮箱PCA、KPCA、KECA检测结果对比图，此时风电机组已存在故障工况，图中虚线代表99％的控制限，实线代表检测数据的SPE变化曲线。从图中可看出，三幅图中都有虚报警点的存在，但PCA-SPE图中虚报警点的SPE值大于故障点的SPE值，且虚线圈出的异常数据点，并不能分辨出是虚警点还是故障点，KPCA-SPE与KECA-SPE图不会有此现象发生。这一现象充分体现了PCA对于非线性数据处理存在局限性。KPCA-SPE与KECA-SPE，两种方法都能将故障状态检测出来，而KECA-SPE将故障程度更好的体现出来。 KECA-SPE发现故障状态的时间也要比另外两种方法提前。在KECA-SPE图中，3.30日之后超出SPE控制线的异常点增多，且异常程度越来越大，说明3.30日之后有异常发生，且持续一周之后异常程度增大。本实验采用KECA检测风机齿轮箱状态异常的结果与实际此风机在4.16日由于主轴高温停机相符，证明KECA算法可用于风机状态检测领域中。且通过对比PCA、KPCA说明KECA-SPE对于风电机组异常状态具有更高的敏感性。

B.基于KECA-GRNN预测齿轮箱油温与齿轮箱轴承温度阶段：

步骤1：选择在第一阶段通过KECA算法对训练数据提取的主元特征作为 GRNN神经网络训练样本输入，前10日采样时间为1h的齿轮箱油温与齿轮箱轴承温度作为训练样本输出。为验证本发明采用KECA-GRNN预测模型的有效性，采用3.02至3.11十天的风机处于正常状态下的数据经KECA提取主元后作为预测输入，计算得到预测输出，并与实际齿轮箱油温、齿轮箱轴承温度对比，图5为模型预测效果图。为了更好的体现本发明方法的有效性和优势，采用GRNN模型对未经KECA算法提取主元的数据进行参数预测，结果如图6所示。对比图5、图6 可发现，本发明所用模型预测拟合情况较好，精度较高。

步骤2：进一步分析预测残差确定风机齿轮箱油温与轴承高温异常产生的原因与时间。图7为通过KECA-GRNN预测模型预测的油温与轴承温度残差图，通过3倍标准差监测残差，从图7中可发现，轴承温度在3.18日已经超出高温预警线，在3.25日-3.27日温度有所下降，下降原因可能由于环境温度下降，或风速下降引起轴摩擦小所致。而在油温残差图中可发现，油温在3.21日之后持续超出高温预警线，甚至在3.30日之后超出高温报警线。通过齿轮箱轴承温度和油温两个残差的趋势图，可以推断此风机齿轮箱部件可能由于轴摩擦产生高温故障，且通过热传递使齿轮箱内油升温造成齿轮箱故障。

C.基于综合健康状态指标获得齿轮箱的健康状态等级阶段：

采用三角形和半梯形组合的分布隶属度函数，以状态参数预测残差的异常程度为基础，利用公式(3)-(7)计算隶属于机组5个异常状态评估等级的隶属度，取置信水平为0.9，对隶属度进行基本可信度分配，获得风机齿轮箱的健康状态等级。

上述步骤即为本发明方法在风电机组齿轮箱性能检测与健康评估中的具体应用。在采用综合模糊判别得出齿轮箱健康状态时，选取此风机中从健康状态到异常产生到故障趋势变化具有代表性的阶段进行分析。图8为计算得到综合健康指数β变化曲线；图9为风电机组健康状态等级变化图。从图9可知，此风机齿轮箱在3.10-3.30日风机运行处于“健康”和“良好”，机组正常运行；在4.01-4.07 日，健康状态为“注意”和“良好”，此时说明齿轮箱需加强维护；在4.08-4.15 日健康状态发生明显退化，为“恶化”状态，说明此阶段齿轮箱可能发生异常；到4.16日此风机齿轮箱健康状态处于“疾病”状态，从“注意”阶段过渡到“疾病”阶段共历时15天，过渡趋势与第二节KECA-SPE状态趋势图相符，由于过渡过程非常迅速，可知有关键或重要部件/子系统发生异常，此时应当制定紧急运维计划，排查故障。且从图9虚线圈出部分可知，通过此模糊隶属度函数评估齿轮箱健康状态会产生少量异常情况，且异常状态明显，出现此情况的原因可能是由于风机运行工况变化多样，数据较为波动。在后续研究分析中，对于量大，波动多，易受环境参数影响的数据，需进行进一步的预处理研究中，使实验数据尽可能地减少异常情况，避免实验结果出错。

Claims (2)

1.一种基于温度参数的风机齿轮箱性能检测与健康评估方法，其特征包括“基于KECA的检测风电机组运行状态”、“基于KECA-GRNN的预测齿轮箱油温与齿轮箱轴承温度”和“基于残差定义综合健康状态指标获得齿轮箱的健康状态等级”三个阶段，具体步骤如下：

A.基于KECA的检测风电机组运行状态：

1)SCADA数据预处理阶段；

根据异常数据簇在风速-输出功率散点图中的分布特征，采用四分位原理对SCADA数据进行清洗；

2)齿轮箱状态参数选择阶段；

对清洗后的数据，利用Pearson相关系数的SCADA参数筛选方法，选择可显现齿轮箱早期故障的参数，即选定输出功率、发动机转速、叶轮转速、风速、齿轮箱润滑油入口压力作为健康评估参数；

3)风机齿轮箱运行状态检测阶段；

通过建立KECA主元模型之后，计算主元模型的检测统计量和待检测数据之间的检测统计量，来判断风电机组是否有异常情况发生；使用的检测统计量是残差空间统计量平方预测误差SPE；

B.基于KECA-GRNN预测齿轮箱油温与齿轮箱轴承温度阶段：

1)齿轮箱油温、轴承温度预测阶段；

选择在第一阶段通过KECA算法对训练数据提取的主元特征作为GRNN神经网络训练样本输入，建立KECA-GRNN预测模型；并利用正常状态和异常状态下的测试数据经KECA提取主元后作为预测输入，计算得到预测输出，并与实际齿轮箱油温、齿轮箱轴承温度对比分析情况；

2)分析预测残差阶段；

分析预测残差确定齿轮箱油温、轴承高温异常产生的原因与时间，可预见早期故障的产生，并且通过对齿轮箱多参数的分析，考虑其相互制约的关系，避免预测结果的片面性和失误的产生；

C.基于综合健康状态指标获得齿轮箱的健康状态等级阶段：

选取残差作为指标层的评价指标，针对风电机组齿轮箱健康状态的评估，依据健康状态分级原则，通过模糊理论定义健康状态等级隶属度函数，得出齿轮箱的健康状态等级。

2.根据权利要求1所述的一种风机齿轮箱性能检测与健康评估方法，其特征在于：

①风机齿轮箱状态参数选择；充分考虑SCADA系统参数的特点并依据可显现齿轮箱早期故障的参数使用基于皮尔逊相关系数的SCADA参数筛选方法；皮尔逊相关系数能与期望输出相关度大的特征参数，即输出功率、发动机转速、叶轮转速、风速、齿轮箱润滑油入口压力作为后续实验参数对象；

②基于温度的建模与预测；建立KECA-GRNN模型预测齿轮箱油温与齿轮箱轴承温度，还对预测产生的残差进行分析，根据三倍标准差法定义齿轮箱故障预警限与报警限，预警早期故障的产生；

③采用模糊综合评判健康状态等级；分析KECA-GRNN模型产生的预测残差，通过模糊理论定义健康状态等级隶属度函数，获得齿轮箱的健康状态等级；

定义风机齿轮箱的综合健康状态指数β：

其中，λ_i为第i个残差，L_i1为第i个残差的预警线，L_i2为第i个残差的报警线；对隶属度进行基本置信度分配，得出齿轮箱的健康状态等级。

Images