CN113095693A - 一种基于温度特征量的风电轴承健康状态评估方法 - Google Patents

Abstract

本发明涉及一种基于温度特征量的风电轴承健康状态评估方法，属于风电轴承状态监测技术领域。该方法包括：S1：从风电场SCADA系统中提取全部风电机组的风力机转速和风电轴承温度数据，通过数据拟合方法建立两者之间的映射，建立随转速变化的劣化度上限动态阈值函数；S2：采用风电场机群划分，将运行同一工况的风电机组划分同一机群，寻求在单一机群中的各机组相同温度特征量运行数据中最小温度值，作为机群内机组的劣化度下限动态阈值；S3：根据确定的劣化度上、下限动态阈值，计算风电轴承的劣化度，并确定健康状态评语集及其等级划分范围，以确定风电轴承的健康状态等级。本发明可实时获得在线风电轴承的健康状态状况。

Description

一种基于温度特征量的风电轴承健康状态评估方法

技术领域

本发明属于风电轴承状态监测技术领域，涉及一种基于温度特征量的风电轴承健康状态评估方法。

背景技术

大功率风电机组轴承故障在机械故障中比例较高，发电机、齿轮箱的机械故障中约80％是由轴承失效所导致。主轴、齿轮箱、发电机等部位所装配的轴承，一旦发生故障，高空作业难度大，需要较长的检修时间和花费较昂贵的检修成本，严重影响机组的使用率和风电场的发电量。因此，有必要开展风电轴承状态监测的相关技术研究，较早掌握风电轴承的健康状态，可为确定合理的检修时机提供依据、为风电场的安全经济运行提供重要的技术支撑。

当前，现有风电机组的状态监测手段多倾向于通过增置振动加速度传感器，来实现对风电轴承的振动状态监测，然而，风电机组常在不同转速下频繁切换运行，使得振动特征量易受到各种不确定噪声干扰影响，较难通过算法准确提出关键部件早期的劣化征兆。而反映轴承劣化的温度特征量具有热惯性特征，抗干扰能力强，通过探索温度特征量与轴承劣化关联关系，将不失为一种研究风电轴承健康状态评估方法的新思路。

发明内容

有鉴于此，本发明的目的在于提供一种基于温度特征量的风电轴承健康状态评估方法，该方法基于风电机组关键部件温度特征量监测数据，引入劣化度概念，从而实时获得在线风电轴承的健康状态状况。

为达到上述目的，本发明提供如下技术方案：

一种基于温度特征量的风电轴承健康状态评估方法，从风电场SCADA系统中提取全部风电机组的风力机转速和风电轴承温度数据；引入劣化度的概念，表征风电轴承良好状态与劣化状态相比的相对劣化程度，并提出了基于数据拟合思路的劣化度上限动态阈值确定方法和基于机群划分思路的劣化度下限动态阈值确定方法；然后，计算风电轴承的劣化度，并确定健康状态评语集及其等级划分范围，以确定风电轴承的健康状态等级。

引入劣化度的概念，表征风电轴承良好状态与劣化状态相比的相对劣化程度。不同劣化度反映轴承不同的劣化程度。轴承温度特征量属于越小越优型指标，其劣化度计算式为：

其中，g(x)为轴承的劣化度；x为温度特征量的监测数据；β₁和β₂分别为劣化度下限和上限阈值。由于风电机组运行工况的不确定性，导致合理设置劣化度的上下限阈值是准确确定相应风电轴承劣化程度的关键。

该评估方法具体包括以下步骤：

S1：针对风力机转速和风电轴承温度数据，通过数据拟合方法建立两者之间的映射，建立随转速变化的劣化度上限动态阈值函数；

S2：采用风电场机群划分，将运行同一工况的风电机组划分同一机群，寻求在单一机群中的各机组相同温度特征量运行数据中最小温度值，作为机群内机组的劣化度下限动态阈值；

S3：根据步骤S1和S2确定的劣化度上、下限动态阈值，计算风电轴承的劣化度，并确定健康状态评语集及其等级划分范围，以确定风电轴承的健康状态等级。

进一步，步骤S1中，应用Bin方法进行数据提取，再通过数据拟合的方法建立两者之间的映射，求得自变量为转速，因变量为温度特征量的数学函数f(n)，随转速变化的f(n)即为劣化度的上限动态阈值。详述如下：应用Bin方法，得到劣化严重的轴承的温度和转速的t组运行数据为(x′₁,n′₁),(x′₂,n′₂),…,(x′_t,n′_t)，运用数据拟合方法得到转速与温度的函数表达式为x′＝f(n′)，将随转速变化的温度值作为劣化度的上限动态阈值β₂，计算公式为：β₂＝f(n)。

进一步，步骤S2中，考虑风力机转速比风速更能准确地反映机组的运行工况，风电场SCADA系统实时监测风电场内所有机组的转速变化情况，可根据风力机转速监测数据来进行机群划分，尽可能的将运行在相同工况机组划分到同一机群。机群的划分方法是用2个机组转速之差的最大值来反映其转速的相同程度，当这个最大值小于某个给定的门槛值ε时，则可以将它们归到同一机群里。此时划分机群的依据见下式：

max|n_i(t)-n_j(t)|＜ε

其中，n_i(t)和n_j(t)分别是i号机组和j号机组在时间t时刻的转速值，ε为门槛值，门槛值取ε<1rpm。

在确定以转速为机群划分的依据后，采用C均值聚类算法对风电场内所有机组进行机群划分。假设风电场中共有k+m台机组，若某个时间段内有k台机组并网运行，m台机组由于某些原因而与电网脱离，则将m台离网的机组剔除，选取在该时间段内并网运行机组的转速数据作为样本，转速在该时段内的采样点数为k个；以k台机组转速{n₁,n₂,...n_k}为机群划分的依据，机群划分主要包括以下3个步骤：

1)分别从风电场SCADA系统运行数据中提取个k个机组转速；需设置模糊C均值聚类算法的参数包括：幂指数为3、最大迭代次数为200、初次机群划分组数c＝2。

2)将k个转速运行数据的标准化处理，输入到模糊C均值算法中，按照步骤1)所设置的参数，经迭代计算得到初步的机群划分结果。

3)对步骤2)中的机群划分数目进行合理性检验，不满足ε<1rpm，则机群数自动加1，重新进行机群划分；否则，输出机群划分结果。

通过上述的机群划分得到c个机群D⁽ⁱ⁾(i＝1,2,...c)，用x^(ij)表示机群D⁽ⁱ⁾中j号机组的风电轴承的温度特征量的监测数据，机群D⁽ⁱ⁾中j号机组x^(ij)值越小表明风电轴承的劣化程度越低，风电轴承运行状态越好；基于此，β₁＝min(x⁽ⁱ⁾)可为机群D⁽ⁱ⁾内机组同一风电轴承劣化度的下限动态阈值。

进一步，步骤S3中，从上述的上、下限动态阈值的确定过程可知，风电轴承劣化度与转速n和温度特征量的监测数值x^(ij)有关，则j号机组风电轴承劣化度计算式如下：

其中，x^(ij)为温度特征量的监测数值，f(n^(ij))为劣化度的上限动态阈值，min(x⁽ⁱ⁾)为劣化度的下限动态阈值，n为转速；g^(ij)(x^(ij))表示机群D⁽ⁱ⁾中的j机组风电轴承的劣化度，越小越优。

进一步，为评估风电轴承的健康程度，提出了四个等级的评语集(包括：良好、合格、注意、严重)，将轴承劣化度分为四个等级为：L＝{l₁,l₂,l₃,l₄}＝{良好,合格,注意,严重}，所确定的各等级所属的劣化度区间为：l₁∈[0,0.30)、l₂∈[0.30,0.55)、l₃∈[0.55,0.80)、l₄∈[0.80,∞)。依据确定的各等级所属的劣化度区间，确定出风电轴承的健康状态等级。

本发明的有益效果在于：本发明针对采用固定阈值不能准确确定劣化度的问题，利用风电轴承的温度特征量和转速信息，提出了基于数据拟合思路的劣化度上限动态阈值确定方法和基于机群划分思路的劣化度下限动态阈值确定方法；然后，计算风电轴承的劣化度，并确定健康状态评语集及其等级划分范围，以获得风电轴承的健康状态等级。本发明可应用于风电场大数据平台，仅需实时利用现有风电场SCADA系统中与风电轴承相关的转速和温度数据，可在线获得风电轴承的健康状态等级，为风电轴承健康状态监测与智慧运维提供科学依据，对确保风电机组安全、高效发电具有重要应用价值；还可应用于风电机组轴承的状态监测与故障预警中，为其状态检修策略优化提供科学依据，对确保风电场可靠高效发电运行具有重要意义和工程应用价值。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明基于温度特征量的风电轴承健康状态评估方法流程图；

图2为发电机后轴承温度上限阈值数据拟合曲线；

图3为机群划分流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1～图3，本实施例设计了一种基于温度特征量的风电轴承健康状态评估方法，针对的对象为风电轴承(包括：主轴轴承、齿轮箱前轴承、齿轮箱后轴承、发电机前轴承、发电机后轴承等)，主要包括3部分：劣化度上限阈值确定部分、劣化度下限阈值确定部分、风电轴承健康状态评估部分。

基于风电机组关键部件温度特征量监测数据，引入劣化度概念，结合图1详述一种基于温度特征量的风电轴承健康状态评估方法与实现步骤。

以2012年2月11日07:30时某风电场10号1.5MW风电机组的发电机后轴承数据为例，依据前面所述的数据拟合和机群划分方法分别确定发电机后轴承劣化度的上限和下限动态阈值后，计算发电机后轴承的劣化度，并确定该轴承的健康状态等级。

步骤1：劣化度上限阈值确定部分。针对风力机转速和风电轴承温度数据，应用Bin方法进行数据提取，通过数据拟合的方法建立两者之间的映射，建立随转速变化的劣化度上限动态阈值函数。

例如，统计该风电场内发电机后轴承温度超限停机故障前3天的转速和发电机后轴承温度运行数据，应用Bin方法提取了转速范围为10-18rpm的发电机后轴承温度历史运行数据。通过数值拟合方法得到了转速和发电机后轴承温度特征量之间的映射关系，上限动态阈值β₂数学函数式为：β₂＝f(n)＝0.2964n²-4.8551n+85.4187。另外，将实际值与拟合值进行比较，见图2所示，实际值围绕在拟合曲线上下波动，拟合效果较好。

步骤2：劣化度下限阈值确定部分。采用风电场机群划分，将运行同一工况的风电机组划分同一机群，寻求在单一机群中的各机组相同温度特征量运行数据中最小温度值，作为机群内机组的劣化度下限动态阈值。

例如，按照图3所示的机群划分流程，除30号机组处于停机状态不参与机群划分外，其它32台机组的转速将作为机群划分的依据，通过采用C均值聚类的迭代算法，进行机群划分。机群划分结果，见表1所示，可知，机群3(D⁽³⁾)中包括10、19号机组在内的共18台机组，其中，19号机组的发电机后轴承温度为D⁽³⁾内最低为43.8℃，即

为10号机组发电机后轴承的劣化度的下限动态阈值。

表1某风电场的机群划分结果

步骤3：风电轴承健康状态评估部分。依据所确定的劣化度上、下限动态阈值，计算风电轴承的劣化度，并确定健康状态评语集及其等级划分范围，以确定风电轴承的健康状态等级。

例如，发电机后轴承劣化度计算。在确定劣化度动态阈值后，计算出发电机后轴承劣化度为：

按照所确定的各等级所属的劣化度区间，此时劣化度g＝0.59∈[0.55,0.80)，发电机后轴承健康状态苹果结果为l₃等级，即“注意”等级。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于温度特征量的风电轴承健康状态评估方法，其特征在于，该方法具体包括以下步骤：

S1：从风电场SCADA系统中提取全部风电机组的风力机转速和风电轴承温度数据，通过数据拟合方法建立两者之间的映射，建立随转速变化的劣化度上限动态阈值函数；

S2：采用风电场机群划分，将运行同一工况的风电机组划分同一机群，寻求在单一机群中的各机组相同温度特征量运行数据中最小温度值，作为机群内机组的劣化度下限动态阈值；

S3：根据步骤S1和S2确定的劣化度上、下限动态阈值，计算风电轴承的劣化度，并确定健康状态评语集及其等级划分范围，以确定风电轴承的健康状态等级。

2.根据权利要求1所述的风电轴承健康状态评估方法，其特征在于，步骤S1中，应用Bin方法，得到劣化严重的轴承的温度和转速的t组运行数据为(x′₁,n′₁),(x′₂,n′₂),…,(x′_t,n′_t)，运用数据拟合方法得到转速与温度的函数表达式为x′＝f(n′)，将随转速变化的温度值作为劣化度的上限动态阈值β₂，计算式为：β₂＝f(n)。

3.根据权利要求1所述的风电轴承健康状态评估方法，其特征在于，步骤S2中，机群划分的依据为：

max|n_i(t)-n_j(t)|＜ε

其中，n_i(t)和n_j(t)分别是i号机组和j号机组在时间t时刻的转速值，ε为门槛值。

4.根据权利要求3所述的风电轴承健康状态评估方法，其特征在于，步骤S2中，在确定以转速为机群划分的依据后，采用C均值聚类算法对风电场内所有机组进行机群划分。

5.根据权利要求3或4所述的风电轴承健康状态评估方法，其特征在于，步骤S2中，假设风电场中共有k+m台机组，若某个时间段内有k台机组并网运行，m台机组由于某些原因而与电网脱离，则将m台离网的机组剔除，选取在该时间段内并网运行机组的转速数据作为样本，转速在该时段内的采样点数为k个；以k台机组转速{n₁,n₂,...n_k}为机群划分的依据，通过机群划分得到c个机群D⁽ⁱ⁾(i＝1,2,...c)，用x^(ij)表示机群D⁽ⁱ⁾中j号机组的风电轴承的温度特征量的监测数据，机群D⁽ⁱ⁾中j号机组x^(ij)值越小表明风电轴承的劣化程度越低，风电轴承运行状态越好；基于此，β₁＝min(x⁽ⁱ⁾)为机群D⁽ⁱ⁾内机组同一风电轴承劣化度的下限动态阈值。

6.根据权利要求1所述的风电轴承健康状态评估方法，其特征在于，步骤S3中，j号机组风电轴承劣化度计算式如下：

其中，x^(ij)为温度特征量的监测数值，f(n^(ij))为劣化度的上限动态阈值，min(x⁽ⁱ⁾)为劣化度的下限动态阈值，n为转速。

Images