CN112001632B - 一种风电机组齿轮箱轴承性能退化状态评估方法 - Google Patents

Abstract

本发明提供的一种风电机组齿轮箱轴承性能退化状态评估方法，包括如下步骤：分别采集齿轮箱轴承的SCADA性能监测参数数据和CMS特征数据；对采集的SCADA性能监测参数数据预处理，对采集的CMS特征数据构建多域特征集；对预处理后的SCADA性能监测参数和CMS多域特征集进行数据优选；基于数据优选结果构建SCADA与CMS决策融合状态评估模型；基于SCADA与CMS决策融合状态评估模型输出齿轮箱轴承状态评估结果。本发明，在变工况下有效利用CMS和SCADA数据，多角度多侧面反应风电机组齿轮箱轴承的退化趋势，从而实现了齿轮箱轴承健康状态的精准融合评估。

Description

一种风电机组齿轮箱轴承性能退化状态评估方法

技术领域

本发明涉及风电机组关重零部件健康状态评估技术领域，具体涉及一种风电机组齿轮箱轴承性能退化状态评估方法。

背景技术

风电机组齿轮箱轴承性能退化过程随机，其中某些性能退化特征信息存在测量误差并且对性能退化过程敏感性不高，不同监测系统信息呈现不同的性能退化趋势，同时，风电机组齿轮箱变工况的工作模式导致风电机组齿轮箱轴承退化呈现多阶段的特点，进一步加剧了状态评估的难度。目前主流方法通过单一监测系统信息表征风电机组齿轮箱轴承性能退化趋势，不能同时表征不同监测系统信息下的性能退化趋势，不具有自适应提取变工况引起的时变性特征的能力，难以在特征快速变化的情况下进行精准状态评估。因此，在变工况下有效利用CMS(在线振动状态监测系统(Condition Monitoring System，CMS))和SCADA(数据采集与监控系统(Supervisory Control and Data Acquisition，SCADA))数据，多角度多侧面反应风电机组齿轮箱轴承的退化趋势，从而实现齿轮箱轴承健康状态的精准融合评估是亟待解决的难题。

发明内容

针对现有技术中的缺陷，本发明提供的一种风电机组齿轮箱轴承性能退化状态评估方法，以解决单一监测系统难以在变工况下对风电机组齿轮箱轴承性能退化趋势进行精准状态评估的技术问题。

为了实现上述目的，本发明通过如下技术方案来实现：

一种风电机组齿轮箱轴承性能退化状态评估方法，包括如下步骤：

S1、分别采集齿轮箱轴承的SCADA性能监测参数数据和CMS特征数据；

S2、对采集的SCADA性能监测参数数据预处理，对采集的CMS特征数据构建多域特征集；

S3、对预处理后的SCADA性能监测参数和CMS多域特征集进行数据优选；

S4、基于数据优选结果构建SCADA与CMS决策融合状态评估模型；

S5、基于SCADA与CMS决策融合状态评估模型输出齿轮箱轴承状态评估结果。

可选地，在步骤S2中，

所述对采集的SCADA性能监测参数数据预处理包括对SCADA数据进行无趋势项去除、缺失值监测、缺失值插补和归一化操作；

所述对采集的CMS特征数据构建多域特征集包括对CMS数据提取时频域统计特征和小波相对能量特征。

可选地，在步骤S3中，还包括以下子步骤：

S31、基于灰色关联度分析方法，对SCADA多种性能监测参数和CMS多域特征分别进行相关性分析，选择与风电齿轮箱轴承运行状态相关的SCADA监测参数和CMS特征，剔除无关的或相关性不大的冗余量；

S32、对剔除冗余量后保留的SCADA性能监测参数和CMS特征分别进行趋势性和单调性综合评价，剔除综合性能较差的SCADA监测参数和CMS特征。

可选地，所述剔除无关的或相关性不大的冗余量，采用以下公式：

式中，取定阈值r∈[0，1]，ε_ij＝1(i＝j)，r>0.5，当ε_ij≥r(i≠j)时，表明两个参数时间方向相关性较强，选择相关性大于阈值的SCADA监测参数和CMS特征。

可选地，所述剔除综合性能较差的SCADA监测参数和CMS特征，采用以下公式：

式中：Cie为趋势性和单调性综合评价值，取值范围为[0,1]；Mon表示轴承退化指标随时间变化的单调性系数；Cor表示轴承退化指标随时间变化的趋势性；No.ofd/dx＞0是退化指标序列的正导数的个数；No.ofd/dx＜0是退化指标序列的负导数的个数；T为退化特征序列长度；d是序列之间的差异；n是序列长度。

可选地，所述SCADA与CMS决策融合状态评估模型为1D-CNN+LSTM+决策融合的多网络混合模型，其中：

所述1D-CNN应用堆叠的卷积层挖掘SCADA优选量与CMS优选特征在时间轴上的深层次全局序列特征，以提取SCADA与CMS时序深层特征；

多层所述LSTM用于提取SCADA与CMS时序深层特征的长短期依赖性，以获得SCADA与CMS单一监测系统数据的预测结果；

所述决策融合即对所述SCADA与CMS单一预测结果进行权重分配和调整，以便于多角度反映风电机组齿轮箱轴承运行状态，实现最终的状态精准评估。

可选地，所述决策融合采用以下公式：

y_预测＝y_预测scada*w₀+y_预测cms*(1-w₀)

式中，y_预测scada表示SCADA预测结果，y_预测cms表示CMS数据预测结果，w₀表示SCADA预测结果分配权重，1-w₀表示CMS预测结果分配权重。

可选地，基于原始多维传感器序列对SCADA数据与CMS数据进行时间窗口滑动以构造训练样本，且SCADA与CMS的样本构造滑动窗口在时间宽度选取一致，则样本数NUM及样本对应的剩余寿命RUL满足以下供公式：

NUM＝(T+1-[((N-1)*240+1)*P]_下)/[((N-1)*240+1)*(1-P)]_上

RUL＝T-1-j*[((N-1)*240+1)*(1-P)]_上/T

式中，T为轴承寿命，j为样本序号，N为CMS数据滑动窗口采样点，P为采样重叠率，[]_上表示向上取整，[]_下表示向下取整。

由上述技术方案可知，本发明的有益效果：

本发明提供的一种风电机组齿轮箱轴承性能退化状态评估方法，包括如下步骤：分别采集齿轮箱轴承的SCADA性能监测参数数据和CMS特征数据；对采集的SCADA性能监测参数数据预处理，对采集的CMS特征数据构建多域特征集；对预处理后的SCADA性能监测参数和CMS多域特征集进行数据优选；基于数据优选结果构建SCADA与CMS决策融合状态评估模型；基于SCADA与CMS决策融合状态评估模型输出齿轮箱轴承状态评估结果。本发明，在变工况下有效利用CMS和SCADA数据，多角度多侧面反应风电机组齿轮箱轴承的退化趋势，从而实现了齿轮箱轴承健康状态的精准融合评估。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为一种风电机组齿轮箱轴承性能退化状态评估方法的流程图；

图2为SCADA性能监测参数数据预处理的流程图；

图3为风电机组齿轮箱轴承性能退化状态评估模型的模型训练流程图；

图4为风电机组齿轮箱轴承性能退化状态评估模型的模型测试流程图；

图5为1D-CNN+LSTM+决策融合的多网络混合模型；

图6为SCADA与CMS滑动窗口构造训练样本示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

请参阅图1，本发明提供一种风电机组齿轮箱轴承性能退化状态评估方法，包括如下步骤：

S1、分别采集齿轮箱轴承的SCADA性能监测参数数据和CMS特征数据；

S2、对采集的SCADA性能监测参数数据预处理，对采集的CMS特征数据构建多域特征集；

S3、对预处理后的SCADA性能监测参数和CMS多域特征集进行数据优选；

S4、基于数据优选结果构建SCADA与CMS决策融合状态评估模型；

S5、基于SCADA与CMS决策融合状态评估模型输出齿轮箱轴承状态评估结果。

针对步骤S1中，以某风场数据为例，齿轮箱SCADA数据采集频率为1次/分，监测15个连续量，采样长度为1点；包含有功功率、一号叶片变桨角度、瞬时风速、瞬时风向、环境温度、风轮转速、齿轮箱油温、齿轮箱输入轴1温度、齿轮箱输出轴2温度、齿轮箱冷却水温度、齿轮箱进口油温、齿轮箱进口压力、齿轮箱出口压力、机舱X向振动、机舱Y向振动。而CMS数据为振动量，是风电齿轮箱轴承运行状态直接的体现，采样间隔1次/4小时，采样长度为256K(1K＝1024个采样点数)。SCADA与CMS数据对比如表1所示。SCADA和CMS数据采样间隔、采样长度相差很大，给多监测信息融合造成很大困难，目前主流方法主要针对单一性能退化趋势，难以在特征快速变化深度挖掘潜在退化规律，实现精准状态评估。

数据类型	采样频率	采样长度	采样点数/个	监测量/个	监测量类型
						SCADA	1次/min	1点/次	1	15	缓变量
CMS	1次/4h	256K/次	256*1024	1	瞬变量

表1SCADA与CMS数据对比

其中，在步骤S2中，所述对采集的SCADA性能监测参数数据预处理包括对SCADA数据进行无趋势项去除、缺失值监测、缺失值插补和归一化操作。针对SCADA数据，由于SCADA系统的监测数据多数情况下是不完整的、不一致的和含有噪声的，无法用于建立模型，因此为了提高数据的质量，需要对数据进行预处理，保证模型更准确的建立。具体实施过程如图2所示，包括如下步骤：

①无趋势项去除：全生命周期内始终保持不变的数据，对风电齿轮箱轴承的状态评估是冗余的，在进行网络训练时应该完全舍弃掉，仅选择趋势性明显的信息；

②缺失值检测：缺失值造成系统的不确定性更加显著，使得系统中的确定性成分更难把握，亦会使挖掘过程陷入混乱，导致不可靠的输出，需要进行补齐；

③缺失数据插补：SCADA数据多为缓变量，缺失值采用K-最近距离邻居法填充，使得数据更完整；

④数据归一化：使用最小－最大规范化法将数据格式转换或统一成适合于建模的形式，对原始数据进行线性变换，映射数据到[-1，1]区间，变换公式如下：

在步骤S2中，所述对采集的CMS特征数据构建多域特征集包括对CMS数据提取时频域统计特征和小波相对能量特征。

针对CMS数据，由于CMS振动数据是风电齿轮箱轴承运行状态直接的体现，传统时、频域指标直观地反映齿轮箱振动信号的变化，不同频带内振动信号的能量分布变化及信号中所包含的信息量增减，能有效表征齿轮箱轴承运行状态变化情况。因此，提取振动信号的8个时频域统计特征和小波包相对能量特征。

具体如下：

①时、频域统计特征：

从CMS振动信号中提取8个统计特征F＝[f1,…,f8]其中，6个为时域统计特征、2个为频域统计特征，表2给出了各特征的定义。

表2时域和频率统计特征的定义

②小波包相对能量

假设{x_k,k∈Z}为原轴承振动信号序列，经J层小波包分解及小波包系数重构后，可计算得第J层上第n个频带的相对能量为:

E_j，n＝∑_lx² _j，n，l/∑_kx² _k

式中，x_j,h,l为第J层第n个频带重构信号的第l个离散点，

为第J层第n个频带重构信号的能量，

为原信号序列总能量。根据上式，可提取得到轴承在各时刻的性能衰退特征向量，

在步骤S3中，在SCADA的多种性能监测参数和CMS的多域特征集中，并不是所有的量在风电齿轮箱轴承的状态评估中都能提供有用的信息，且各参数之间可能会相互影响与信息冗余，且在风电齿轮箱轴承退化过程中，SCADA的多种性能监测参数和CMS的多域特征反映轴承的退化状态差异较大，某些量在表征滚动轴承退化过程中没有很大的作用，因此需要进行SCADA多监测量和CMS多域特征集优选。具体实施步骤如下：

S31、基于灰色关联度分析方法，对SCADA多种性能监测参数和CMS多域特征分别进行相关性分析，得到相关矩阵，分别挑选相关性大的SCADA多种性能监测参数和CMS多域特征，选择与风电齿轮箱轴承运行状态相关的SCADA监测参数和CMS特征，剔除无关的或相关性不大的冗余量。具体采用以下公式：

式中，取定阈值r∈[0，1]，ε_ij＝1(i＝j)，r>0.5，当ε_ij≥r(i≠j)时，表明两个参数时间方向相关性较强，选择相关性大于阈值的SCADA监测参数和CMS特征。

S32、对剔除冗余量后保留的SCADA性能监测参数和CMS特征分别进行趋势性和单调性综合评价，剔除综合性能较差的SCADA监测参数和CMS特征，保留趋势性和单调性较好的量，将剩余的优选SCADA性能监测参数和CMS特征作为模型的输入。具体采用以下公式：

式中：Cie为趋势性和单调性综合评价值，取值范围为[0,1]；Mon表示轴承退化指标随时间变化的单调性系数；Cor表示轴承退化指标随时间变化的趋势性；No.ofd/dx＞0是退化指标序列的正导数的个数；No.ofd/dx＜0是退化指标序列的负导数的个数；T为退化特征序列长度；d是序列之间的差异；n是序列长度。

针对步骤S4，所述SCADA与CMS决策融合状态评估模型为1D-CNN+LSTM+决策融合的多网络混合模型(一维卷积神经网络+长短时记忆网络+决策融合的多网络混合模型)，充分发挥各网络的优势，取长补短，实现决策评估，请参阅图5，具体包括如下步骤：

首先，所述1D-CNN应用堆叠的卷积层挖掘SCADA优选量与CMS优选特征在时间轴上的深层次全局序列特征，以提取SCADA与CMS时序深层特征；

其次，多层所述LSTM用于提取SCADA与CMS时序深层特征的长短期依赖性，以获得SCADA与CMS单一监测系统数据的预测结果；

最后，应用决策融合的思想，对所述SCADA与CMS单一预测结果进行权重分配和调整，以便于多角度反映风电机组齿轮箱轴承运行状态，实现最终的状态精准评估。

其中，1D-CNN应用堆叠的卷积层充分挖掘SCADA优选量与CMS优选特征在时间轴上的深层次全局序列特征，1D-CNN的网络设计如表3所示。CNN输出格式符合LSTM的输入格式，本文设计堆叠3层的LSTM提取风电齿轮箱轴承SCADA和CMS数据的长短期依赖性，LSTM层之后将特征向量连接到全连接层，用于回归预测轴承状态。将SCADA和CMS数据的预测结果输入决策融合的权重分配层，进行权重的分配(SCADA权重w₀、CMS权重1-w₀)，有效利用CMS和SCADA数据，实现决策融合，从多角度多侧面反应风电机组齿轮箱轴承的退化趋势，实现风电机组齿轮箱轴承状态性能退化状态的精准评估，决策融合的策略为：

y_预测＝y_预测scada*w₀+y_预测cms*(1-w₀)

式中，y_预测scada表示SCADA预测结果，y_预测cms表示CMS数据预测结果，w₀表示SCADA预测结果分配权重，1-w₀表示CMS预测结果分配权重。

表3 1D-CNN的网络设计

为了满足LSTM输入要求和保证SCADA与CMS状态的一致性，对原始多维传感器序列进行时间窗滑动，构造训练样本，且SCADA与CMS的样本构造滑动窗口在时间宽度是选取一致，示意图如图6所示。

设风电齿轮箱的寿命为T，j为样本序号，CMS数据滑动窗口为N个采样点，则SCADA滑动窗口为(N-1)*240+1(SCADA与CMS的采样间隔相差4h)，若重叠率为P，则CMS和SCADA样本个数均为NUM，样本对应的剩余寿命为RUL：

NUM＝(T+1-[((N-1)*240+1)*P]_下)/[((N-1)*240+1)*(1-P)]_上

RUL＝T-1-j*[((N-1)*240+1)*(1-P)]_上/T

式中，[]_上表示向上取整，[]_下表示向下取整。

在本发明中，采用SCADA数据和CMS数据决策融合的方式，在风电机组随机工况的情况下，有效利用风电齿轮箱轴承的多监测信息，多角度反映其退化趋势，实现精准评估，其技术实施方案如图3、4所示。其中图3为模型的训练方法流程，是通过样本数据对模型的内部参数进行训练，以获取模型的最优参数；图4是模型的测试方法流程，是通过样本数据对训练好的模型进行数据盲测，以验证模型运行的准确度和运行效果。该方法效果明显优于传统的基于单一监测系统信息的风电机组齿轮箱轴承性能退化状态评估方法，在不增加传感器的情况下，根据风力机自身的运行状态数据，在结合轴承性能退化的机理的基础上，通过融合风电机组的多源运行数据信息，对风电机组轴承状态进行识别和判断，提高了轴承故障预警的准确性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (3)

1.一种风电机组齿轮箱轴承性能退化状态评估方法，其特征在于，包括如下步骤：

S1、分别采集齿轮箱轴承的SCADA性能监测参数数据和CMS特征数据；

S2、对采集的SCADA性能监测参数数据预处理，对采集的CMS特征数据构建多域特征集；

所述对采集的SCADA性能监测参数数据预处理包括对SCADA数据进行无趋势项去除、缺失值监测、缺失值插补和归一化操作；

所述对采集的CMS特征数据构建多域特征集包括对CMS数据提取时频域统计特征和小波相对能量特征；

S3、对预处理后的SCADA性能监测参数和CMS多域特征集进行数据优选，包括以下子步骤：

S31、基于灰色关联度分析方法，对SCADA多种性能监测参数和CMS多域特征分别进行相关性分析，选择与风电齿轮箱轴承运行状态相关的SCADA监测参数和CMS特征，剔除无关的或相关性不大的冗余量；

其中，所述剔除无关的或相关性不大的冗余量，采用以下公式：

式中，取定阈值r∈[0，1]，ε_ij＝1(i＝j)，r>0.5，当ε_ij≥r(i≠j)时，表明两个参数时间方向相关性较强，选择相关性大于阈值的SCADA监测参数和CMS特征；

S32、对剔除冗余量后保留的SCADA性能监测参数和CMS特征分别进行趋势性和单调性综合评价，剔除综合性能较差的SCADA监测参数和CMS特征；

其中，所述剔除综合性能较差的SCADA监测参数和CMS特征，采用以下公式：

式中：Cie为趋势性和单调性综合评价值，取值范围为[0,1]；Mon表示轴承退化指标随时间变化的单调性系数；Cor表示轴承退化指标随时间变化的趋势性；No.ofd/dx＞0是退化指标序列的正导数的个数；No.ofd/dx＜0是退化指标序列的负导数的个数；T为退化特征序列长度；d是序列之间的差异；n是序列长度；

S4、基于数据优选结果构建SCADA与CMS决策融合状态评估模型；所述SCADA与CMS决策融合状态评估模型为1D-CNN+LSTM+决策融合的多网络混合模型，其中：

所述1D-CNN应用堆叠的卷积层挖掘SCADA优选量与CMS优选特征在时间轴上的深层次全局序列特征，以提取SCADA与CMS时序深层特征；

多层所述LSTM用于提取SCADA与CMS时序深层特征的长短期依赖性，以获得SCADA与CMS单一监测系统数据的预测结果；

所述决策融合即对所述SCADA与CMS单一预测结果进行权重分配和调整，以便于多角度反映风电机组齿轮箱轴承运行状态，实现最终的状态精准评估；

S5、基于SCADA与CMS决策融合状态评估模型输出齿轮箱轴承状态评估结果。

2.根据权利要求1所述的一种风电机组齿轮箱轴承性能退化状态评估方法，其特征在于，所述决策融合采用以下公式：

y_预测＝y_预测scada*w₀+y_预测cms*(1-w₀)

式中，y_预测scada表示SCADA预测结果，y_预测cms表示CMS数据预测结果，w₀表示SCADA预测结果分配权重，1-w₀表示CMS预测结果分配权重。

3.根据权利要求1所述的一种风电机组齿轮箱轴承性能退化状态评估方法，其特征在于，基于原始多维传感器序列对SCADA数据与CMS数据进行时间窗口滑动以构造训练样本，且SCADA与CMS的样本构造滑动窗口在时间宽度选取一致，则样本数NUM及样本对应的剩余寿命RUL满足以下供公式：

NUM＝(T+1-[((N-1)*240+1)*P]_下)/[((N-1)*240+1)*(1-P)]_上

RUL＝T-1-j*[((N-1)*240+1)*(1-P)]_上/T

式中，T为轴承寿命，j为样本序号，N为CMS数据滑动窗口采样点，P为采样重叠率，[]_上表示向上取整，[]_下表示向下取整。

Images