CN112304613A - 一种基于特征融合的风电机组发电机轴承预警方法 - Google Patents

Abstract

本发明公开了一种基于特征融合的风电机组发电机轴承预警方法，包括以下步骤：对CMS数据进行预处理；获取时域特征指标；获取趋势特征指标；获取频域特征指标；获取包络特征指标；特征融合；进行极限梯度提升模型训练；训练分类模型中的函数集合，构建XGBoost的学习目标函数；对XGBoost的学习目标函数进行计算。上述技术方案利用CMS状态监测系统振动数据，从时域特征、趋势特征、频域特征和包络特征，对发电机轴承故障机理进行分析，将四种特征进行融合，有效提取了表征发电机运行状态的特征向量，大大提升了算法对机组发电机轴承故障的识别敏感度，采用极限梯度提升方法实现故障预警，具有更高的准确率。

Description

一种基于特征融合的风电机组发电机轴承预警方法

技术领域

本发明涉及风力发电技术领域，尤其涉及一种基于特征融合的风电机组发电机轴承预警方法。

背景技术

有资料显示，近年来，风能因其清洁、可再生的特点，在我国能源结构中地位越发突出。随着并网机组数量的增加，已投运2-5年的大量机组由于持续运行的损耗，发生故障的概率大幅提高，发电机轴承运行环境复杂、工况多变，容易发生损伤、松动等故障，并且维修成本高、停机时间长，造成经济损失巨大，是风电机组运维中的一大难题。因此，对发电机运行状态进行监测与预警是保证发电机安全稳定运行的关键。

对机械设备进行故障诊断和预测的方法大致可以分为两种，分别是基于故障机理的方法、基于数据驱动的方法。基于机理的方法是根据设备故障的力学、热学等物理模型，推导故障产生和演化的特征，利用这些特征识别设备的故障。

其中，基于机理的方法在提取故障特征后，故障识别方法单一，泛化能力弱；基于数据驱动的方法在处理高维海量的机组运行数据时，无法科学提取故障特征，影响模型识别效果。

综上考虑，本文在总结前人的研究基础上，分析了发电机轴承实际运行过程中主要故障，如轴承损伤、松动跑圈等，提出了将时域特征、趋势特征、频域特征、包络特征进行融合，利用XGBoost算法对机组数据进行学习训练，形成发电机轴承故障预警辨识模型，从而保证风电机组稳定经济运行，降低运维成本。

中国专利文献CN108894932B公开了一种“风电机组发电机轴承故障智能诊断系统及方法”。采用了包括轴承在线监测子系统和轴承故障智能诊断子系统，轴承在线监测子系统用于实时采集发电机轴承的状态参数，并将其采集到的状态参数传送至轴承故障智能诊断子系统；轴承故障智能诊断子系统包括数据采集模块、数据分析处理模块、风险评估模块、数据存储模块、通讯模块和电源模块。上述技术方案并未综合考虑时域特征、趋势特征、频域特征和包络特征等因素，故障识别方法单一，泛化能力弱，对故障判断不够准确。

发明内容

本发明主要解决原有的技术方案故障识别方法单一，泛化能力弱，对故障判断不够准确的技术问题，提供一种基于特征融合的风电机组发电机轴承预警方法，利用CMS状态监测系统振动数据，从时域特征、趋势特征、频域特征和包络特征，对发电机轴承故障机理进行分析，将四种特征进行融合，有效提取了表征发电机运行状态的特征向量，大大提升了算法对机组发电机轴承故障的识别敏感度，采用极限梯度提升方法实现故障预警，具有更高的准确率。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

(1)对CMS数据进行预处理；

(2)获取时域特征指标；

(3)获取趋势特征指标；

(4)获取频域特征指标；

(5)获取包络特征指标；

(6)特征融合；对CMS数据进行预处理，筛选发电机稳定工况运行的数据，剔除低精度与失稳数据，得到机组运行的有效数据。从振动趋势、时域特征、频域特征、包络特征四个维度能够表征发电机运行状态的特征，共25个特征组成特征向量进行融合。按照正常、发电机轴承损伤、发电机轴承松动跑圈，对特征向量进行标记

(7)进行极限梯度提升模型训练；

(8)训练分类模型中的函数集合，构建XGBoost的学习目标函数；

(9)对XGBoost的学习目标函数进行计算。利用极限梯度提升(Extreme GradientBoosting,XGBoost)算法对发电机轴承案例数据进行训练，得到XGBoost预警模型。对于在线采集的数据，仍然先进行特征融合，将融合的特征向量作为的输入变量，用XGBoost模型对在线数据进行故障预警。

作为优选，所述的步骤1首先筛选出转速大于1200RPM的数据，然后剔除无效数据，无效数据的特征如下：

(a)前后两端数据均值之差的绝对值大于去除直流量之后的有效值；表示数据偏移，前后稳定性差。

(b)均值的绝对值大于去除直流量之后的有效值；表示数据偏移量大。

(c)去重后数据量小于50；表示数据精度低。

(d)连续0.5s数据均大于0或均小于0。表示数据短时失稳。

作为优选，所述的步骤2获取的时域特征指标包括：

有效值：

峰峰值：

x_p-p＝x_max-x_min

波形指标：

W_s＝x_rms/x_mean

峭度指标：

峰值指标：

C_f＝x_max/x_rms

脉冲指标：

I＝x_max/|x_rms|

裕度指标：

其中，x是振动加速度信号序列，N是x的长度，x_max是x的最大值，x_min是x的最小值，x_mean是x的算术平均值，

基于振动信号的时域特征提取的特征向量表示为

F_time＝[x_rms,x_p-p,W_s,K,C_f,I,L]。

时域特征指标主要反映两种波形特征，一是振动强度与能量，主要有振动有效值、波形指标，适用于轴承磨损、点蚀产生的连续性振动；二是冲击特征，主要有峰峰值、峰值指标、脉冲指标、峭度指标和裕度指标，适用于轴承损伤产生的冲击性振动。从加速度信号数据提取上述时域特征指标如上式。

作为优选，所述的步骤3趋势特征计算机组运行前3个月的时域数据的有效值，并进行平滑处理，再每隔半个月拟合有效值曲线，曲线斜率作为趋势特征，得到6个趋势特征，采用移动平均平滑方法，如式

其中，y_t表示第t期的观察值，N为平均项数；

原始数据进行平滑处理后，使用最小二乘法进行一次曲线拟合，计算曲线斜率k，基于振动信号的趋势特征提取的特征向量表示为

F_trend＝[k₁,k₂,k₃,k₄,k₅,k₆]。

风电机组发电机轴承故障一般都是逐渐劣化的渐变型故障，所以提取振动特征的变化趋势。

作为优选，所述的步骤4的频域特征为滚动轴承内外圈或滚动体上出现局部损伤时，损伤点便会以相应的频率来撞击轴承的部件，将原始数据重采样后，用0-500Hz,500-1280Hz,1280-2560Hz对振动信号进行滤波，分别计算3个频段的频谱峰值幅值、个数及占比，共9个特征参数，如式：

z_peak＝signal.find_peaks(z,distance＝d)

p_num＝count(z_peak>2*z_rms)

p_v＝sum(z_peak>2*z_rms)

p_ratio＝p_value/sum(z)

得到基于振动信号的频域特征提取的特征向量，表示为

F_freq＝[p_num1,p_v1,p_ratio1,p_num2,p_v2,p_ratio2,p_num3,p_v3,p_ratio3]。

作为优选，所述的步骤5的包络特征用来检测轴承的缺陷，当轴承表面产生剥落或者损伤时，就会产生周期性的冲击振动信号，这种周期性的冲击振动信号，在包络谱上表现为等间隔的峰值，将原始数据重采样后，用0-500Hz,500-1280Hz,1280-2560Hz对振动信号进行滤波，提取包络谱周期性规律,得到基于振动信号的频域特征提取的特征向量，表示为

F_e＝[cor₁,cor₂,cor₃]。

作为优选，所述的步骤6的特征融合为对发电机轴承故障的时域、趋势、频域、包络特征进行融合，组成表征发电机轴承运行状态的特征向量F：

F＝[F_time,F_trend,F_freq,F_e]。

作为优选，所述的步骤7进行极限梯度提升模型训练，通过若干个回归树来降低预测误差，同时保证树群的泛化能力，其在一个有n个样本，m个振动特征组成的数据集D＝{(F_i,y_i)}上进行模型训练，F_i为i时刻特征向量F的值，y_i为i时刻发电机故障类别，

模型训练后，将特征向量输入模型，会得到一个预测值

是K个弱学习器f_k集成为的强学习器的计算结果，表示为

其中，Γ是多个弱学习器，即CART回归树构成的函数集合，Γ＝{f(X)＝ω_q(X)}，ω是为叶子权重，q为每棵树的结构,每个f_k对应一棵独立树结构q_k和叶子权重ω_k。

作为优选，所述的步骤8训练分类模型中的函数集合，XGBoost极限梯度提升的学习目标函数为:

其中，l函数用来衡量模型预测值

和实际值y_i间的误差，Ω是正则项用来惩罚结果复杂的模型，防止出现过拟合，

其中γ和λ为正则化系数。

作为优选，所述的步骤9对XGBoost的学习目标函数进行计算，首先对L函数进行了二次泰勒展开，

式中，

将第j个叶子节点集合定义为I_j，I_j＝{i|q(X_i＝j)}；

则模型目标函数为，

对模型目标函数进行求导，得到

将

带入原式，最终可得

上式可用于衡量集成树结构的得分。

本发明的有益效果是：

1.利用CMS状态监测系统振动数据，从时域特征、趋势特征、频域特征和包络特征，对发电机轴承故障机理进行分析，将四种特征进行融合，全有效提取了表征发电机运行状态的特征向量，大大提升了算法对机组发电机轴承故障的识别敏感度。

2.采用极限梯度提升方法实现故障预警，利用XGBoost算法极强的分类能力，对发电机轴承正常、损伤、松动跑圈三类情况进行辨识，具有更高的准确率。

3.首次提出一种基于特征融合和极限梯度提升的风电机组发电机轴承故障预警方法，实现对发电机轴承的故障预警。

附图说明

图1是本发明的一种流程框图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：本实施例的一种基于特征融合的风电机组发电机轴承预警方法，如图1所示，包括以下步骤

步骤一：特征融合。对CMS数据进行预处理，筛选发电机稳定工况运行的数据，剔除低精度与失稳数据，得到机组运行的有效数据。从振动趋势、时域特征、频域特征、包络特征四个维度能够表征发电机运行状态的特征，共25个特征组成特征向量进行融合。按照正常、发电机轴承损伤、发电机轴承松动跑圈，对特征向量进行标记；

步骤二：故障预警。利用极限梯度提升(Extreme Gradient Boosting,XGBoost)算法对发电机轴承案例数据进行训练，得到XGBoost预警模型。对于在线采集的数据，仍然先进行特征融合，将融合的特征向量作为的输入变量，用XGBoost模型对在线数据进行故障预警。

步骤一所述的特征融合过程如下：

1)数据预处理

首先，筛选出转速大于1200RPM的数据，因为高转速的信号器振动特征越明显，便于模型识别；然后剔除无效数据，无效数据的特征如下：

(a)前后两端数据均值之差的绝对值大于去除直流量之后的有效值，表示数据偏移，前后稳定性差；

(b)均值的绝对值大于去除直流量之后的有效值，表示数据偏移量大；

(c)去重后数据量小于50，表示数据精度低；

(d)连续0.5s数据均大于0或均小于0，表示数据短时失稳。

2)时域特征

时域特征指标主要反映两种波形特征，一是振动强度与能量，主要有振动有效值、波形指标，适用于轴承磨损、点蚀产生的连续性振动；二是冲击特征，主要有峰峰值、峰值指标、脉冲指标、峭度指标和裕度指标，适用于轴承损伤产生的冲击性振动[10]。从加速度信号数据提取上述时域特征指标，如表1所示。

表1时域特征表

其中，x是振动加速度信号序列，N是x的长度，x_max是x的最大值，x_min是x的最小值，x_mean是x的算术平均值。基于振动信号的时域特征提取的特征向量表示为

F_time＝[x_rms,x_p-p,W_s,K,C_f,I,L] (1)

3)趋势特征

风电机组发电机轴承故障一般都是逐渐劣化的渐变型故障，所以提取振动特征的变化趋势，本方法计算机组运行前3个月的时域数据的有效值，并进行平滑处理，再每隔半个月拟合有效值曲线，曲线斜率作为趋势特征，得到6个趋势特征。本文采用移动平均平滑方法，如式

其中，y_t表示第t期的观察值，N为平均项数。

原始数据进行平滑处理后，使用最小二乘法进行一次曲线拟合，计算曲线斜率k。基于振动信号的趋势特征提取的特征向量表示为

F_trend＝[k₁,k₂,k₃,k₄,k₅,k₆] (3)

4)频域特征

当滚动轴承内外圈或滚动体上出现电蚀、剥落等局部损伤时，损伤点便会以相应的频率来撞击轴承的部件。这些频率便是轴承外圈、内圈、和滚动体的故障特征频率。这些故障在频谱表现为以特定频率为基频的倍频，或者故障频率周围出现的以特定频率为间隔的边带。由于不同类型的故障会在不同的频率区间表现显著，所以本文将原始数据重采样后，用0-500Hz,500-1280Hz,1280-2560Hz对振动信号进行滤波，分别计算3个频段的频谱峰值幅值、个数及占比，共9个特征参数，如式。

z_peak＝signal.find_peaks(z,distance＝d) (4)

p_num＝count(z_peak>2*z_rms) (5)

p_v＝sum(z_peak>2*z_rms) (6)

p_ratio＝p_value/sum(z) (7)

得到基于振动信号的频域特征提取的特征向量，表示为

F_freq＝[p_num1,p_v1,p_ratio1,p_num2,p_v2,p_ratio2,p_num3,p_v3,p_ratio3] (8)

5)包络特征

包络频谱通常用来检测轴承的缺陷，当轴承表面产生剥落或者损伤时，就会产生周期性的冲击振动信号。这种周期性的冲击振动信号，在包络谱上表现为等间隔的峰值。本文将原始数据重采样后，用0-500Hz,500-1280Hz,1280-2560Hz对振动信号进行滤波，提取包络谱周期性规律,

得到基于振动信号的频域特征提取的特征向量，表示为

F_e＝[cor₁,cor₂,cor₃] (9)

6)特征融合

最后，对发电机轴承故障的时域、趋势、频域、包络特征进行融合，组成表征发电机轴承运行状态的特征向量F。

F＝[F_time,F_trend,F_freq,F_e] (10)

步骤二所述的故障预警过程如下：

极限梯度提升(Extreme Gradient Boosting,XGBoost)算法

XGBoost(eXtreme Gradient Boosting)是一种将弱学习器提升为强学习器的算法，是梯度提升算法(Gradient Boosting)的一种高效实现[11,12]。其算法核心是通过若干个回归树来降低预测误差，同时保证树群的泛化能力。其在一个有n个样本，m个振动特征组成的数据集D＝{(F_i,y_i)}上进行模型训练，F_i为i时刻特征向量F的值，y_i为i时刻发电机故障类别。

模型训练后，将特征向量输入模型，会得到一个预测值

是K个弱学习器f_k集成为的强学习器的计算结果，表示为

其中，Γ是多个弱学习器(CART回归树)构成的函数集合，Γ＝{f(X)＝ω_q(X)}，ω是为叶子权重，q为每棵树的结构,每个f_k对应一棵独立树结构q_k和叶子权重ω_k。

为了训练分类模型中的函数集合，XGBoost的学习目标函数为:

其中，l函数用来衡量模型预测值

和实际值y_i间的误差，Ω是正则项用来惩罚结果复杂的模型，防止出现过拟合。

其中γ和λ为正则化系数。

接下来对l函数进行了二次泰勒展开，

式中，

将第j个叶子节点集合定义为I_j，I_j＝{i|q(X_i＝j)}。

则模型目标函数为，

对模型目标函数进行求导，得到

将

带入原式，最终可得

上式可用于衡量集成树结构的得分。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了振动趋势、时域特征、频域特征、包络特征等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (10)

1.一种基于特征融合的风电机组发电机轴承预警方法，其特征在于，包括以下步骤：

(1)对CMS数据进行预处理；

(2)获取时域特征指标；

(3)获取趋势特征指标；

(4)获取频域特征指标；

(5)获取包络特征指标；

(6)特征融合；

(7)进行极限梯度提升模型训练；

(8)训练分类模型中的函数集合，构建XGBoost的学习目标函数；

(9)对XGBoost的学习目标函数进行计算。

2.根据权利要求1所述的一种基于特征融合的风电机组发电机轴承预警方法，其特征在于，所述步骤1首先筛选出转速大于1200RPM的数据，然后剔除无效数据，无效数据的特征如下：

(a)前后两端数据均值之差的绝对值大于去除直流量之后的有效值；

(b)均值的绝对值大于去除直流量之后的有效值；

(c)去重后数据量小于50；

(d)连续0.5s数据均大于0或均小于0。

3.根据权利要求1所述的一种基于特征融合的风电机组发电机轴承预警方法，其特征在于，所述步骤2获取的时域特征指标包括：

有效值：

峰峰值：

x_p-p＝x_max-x_min

波形指标：

W_s＝x_rms/x_mean

峭度指标：

峰值指标：

C_f＝x_max/x_rms

脉冲指标：

I＝x_max/|x_rms|

裕度指标：

其中，x是振动加速度信号序列，N是x的长度，x_max是x的最大值，x_min是x的最小值，x_mean是x的算术平均值，

基于振动信号的时域特征提取的特征向量表示为

F_time＝[x_rms,x_p-p,W_s,K,C_f,I,L]。

4.根据权利要求1所述的一种基于特征融合的风电机组发电机轴承预警方法，其特征在于，所述步骤3趋势特征计算机组运行前3个月的时域数据的有效值，并进行平滑处理，再每隔半个月拟合有效值曲线，曲线斜率作为趋势特征，得到6个趋势特征，采用移动平均平滑方法，如式

其中，y_t表示第t期的观察值，N为平均项数；

原始数据进行平滑处理后，使用最小二乘法进行一次曲线拟合，计算曲线斜率k，基于振动信号的趋势特征提取的特征向量表示为

F_trend＝[k₁,k₂,k₃,k₄,k₅,k₆]。

5.根据权利要求1所述的一种基于特征融合的风电机组发电机轴承预警方法，其特征在于，所述步骤4的频域特征为滚动轴承内外圈或滚动体上出现局部损伤时，损伤点便会以相应的频率来撞击轴承的部件，将原始数据重采样后，用0-500Hz,500-1280Hz,1280-2560Hz对振动信号进行滤波，分别计算3个频段的频谱峰值幅值、个数及占比，共9个特征参数，如式：

z_peak＝signal.find_peaks(z,distance＝d)

p_num＝count(z_peak>2*z_rms)

p_v＝sum(z_peak>2*z_rms)

p_ratio＝p_value/sum(z)

得到基于振动信号的频域特征提取的特征向量，表示为

F_freq＝[p_num1,p_v1,p_ratio1,p_num2,p_v2,p_ratio2,p_num3,p_v3,p_ratio3]。

6.根据权利要求1所述的一种基于特征融合的风电机组发电机轴承预警方法，其特征在于，所述步骤5的包络特征用来检测轴承的缺陷，当轴承表面产生剥落或者损伤时，就会产生周期性的冲击振动信号，这种周期性的冲击振动信号，在包络谱上表现为等间隔的峰值，将原始数据重采样后，用0-500Hz,500-1280Hz,1280-2560Hz对振动信号进行滤波，提取包络谱周期性规律,得到基于振动信号的频域特征提取的特征向量，表示为

F_e＝[cor₁,cor₂,cor₃]。

7.根据权利要求1所述的一种基于特征融合的风电机组发电机轴承预警方法，其特征在于，所述步骤6的特征融合为对发电机轴承故障的时域、趋势、频域、包络特征进行融合，组成表征发电机轴承运行状态的特征向量F：

F＝[F_time,F_trend,F_freq,F_e]。

8.根据权利要求1所述的一种基于特征融合的风电机组发电机轴承预警方法，其特征在于，所述步骤7进行极限梯度提升模型训练，通过若干个回归树来降低预测误差，同时保证树群的泛化能力，其在一个有n个样本，m个振动特征组成的数据集D＝{(F_i,y_i)}上进行模型训练，F_i为i时刻特征向量F的值，y_i为i时刻发电机故障类别，

模型训练后，将特征向量输入模型，会得到一个预测值

是K个弱学习器f_k集成为的强学习器的计算结果，表示为

其中，Γ是多个弱学习器，即CART回归树构成的函数集合，Γ＝{f(X)＝ω_q(X)}，ω是为叶子权重，q为每棵树的结构,每个f_k对应一棵独立树结构q_k和叶子权重ω_k。

9.根据权利要求1所述的一种基于特征融合的风电机组发电机轴承预警方法，其特征在于，所述步骤8训练分类模型中的函数集合，XGBoost极限梯度提升的学习目标函数为:

其中，l函数用来衡量模型预测值

和实际值y_i间的误差，Ω是正则项用来惩罚结果复杂的模型，防止出现过拟合，

其中γ和λ为正则化系数。

10.根据权利要求9所述的一种基于特征融合的风电机组发电机轴承预警方法，其特征在于，所述步骤9对XGBoost的学习目标函数进行计算，首先对L函数进行了二次泰勒展开，

式中，

将第j个叶子节点集合定义为I_j，I_j＝{i|q(X_i＝j)}；

则模型目标函数为，

对模型目标函数进行求导，得到

将

带入原式，最终可得

上式可用于衡量集成树结构的得分。

Images