一種風電機組軸承健康劣化趨勢預測方法

董興輝， 張 光， 程友星， 王 帥

(1．華北電力大學 能源動力與機械工程學院，北京102206；2．河南理工大學 電氣工程與自動化學院，河南焦作 454000)

風電機組運行環境惡劣，受氣象等多種不確定因素的影響，容易出現性能與狀態劣化，頻繁出現故障。風電機組的關鍵部件一旦失效，檢修時間較長，不僅影響發電量，也增加了風電場的運維成本[1-3]。風機軸承作為風電機組關鍵部件，在機組機械故障中占很高比例，發電機、齒輪箱的機械故障中約80%是由軸承失效而導致的[4]。較早掌握風電機組軸承的劣化程度和劣化趨勢，實時了解風電機組狀態，在可預知情況下合理安排檢修，有助于提高整機的可靠性和利用率。

近年來，國內外學者針對風電機組軸承健康研究集中在劣化程度與狀態評估2方面。安學利等[5-7]基于振動參數量計算風電機組主軸承、齒輪箱軸承和發電機軸承等的劣化程度；李輝等[1,8]基于溫度參數量研究風電軸承劣化程度，并在此基礎上進一步對軸承進行狀態評估，但沒有對機組軸承劣化發展趨勢開展預測研究。

筆者基于數據采集與監視控制(SCADA)系統監測數據，應用改進的集合經驗模態分解(EEMD)和時間序列神經網絡，通過建立預測模型，研究風電機組軸承健康狀態溫度劣化趨勢。首先，利用SCADA監測的有關參數(如風速、功率、發電機轉速和環境溫度等)與軸承溫度的相關系數，歸一化得到影響權重，基于溫度特征量構建軸承健康劣化度模型；然后利用改進后的EEMD對劣化趨勢進行分解，得到一系列相對平穩的本征模態函數(IMF)分量和一個剩余分量；最后，應用時間序列神經網絡對各類分量建立預測模型，疊加所有預測分量，得到最終預測結果。

1 軸承健康劣化度模型

1.1 軸承劣化度

選用軸承運行溫度參數作為風電機組健康裝填評價指標，采用相對劣化度d′(t)來表征風電機組軸承當前的相對劣化程度，表達式如下：

(1)

1.2 軸承健康狀態模型

軸承健康狀態模型的建立如下。

(1) 樣本數據。

SCADA數據中，與風電機組軸承溫度相關的主要參數有風速、功率、發電機轉速和環境溫度[8]。從SCADA系統中選取n組健康的、同一時刻的軸承溫度、風速、有功功率、發電機轉速和環境溫度歷史數據，構建樣本集{(Vi,Pi,Ni,Ti，環,Ti)}，i=1,2,…，n，其中Vi表示風速，Pi表示有功功率，Ni表示轉速，Ti，環表示環境溫度，Ti表示軸承溫度。

(2) 相關系數和權重。

相關系數C反映了變量X(V,P,N,T環)對Y(T)的相關程度，記作C(X,Y)。

(2)

將相關系數歸一化處理后，得到變量X(V,P,N,T環)對Y(T)的影響權重A(a1,a2,a3,a4)，其中：

(3)

式中：aj(Xj,Y)為第j類變量對Y(T)的影響權重；k為變量的總數，即k=4。

(3) 工況劃分。

(4)

式中：σ為不同工況下溫度偏離方差。

(4) 劣化度。

(5)

2 軸承健康劣化趨勢預測

風電機組軸承健康劣化趨勢具有明顯的非平穩性特性，這直接影響到其預測精度，需要提前處理將劣化趨勢分解成相對平穩的分量。

經驗模態分解(EMD)可以將復雜的非平穩信號分解為一系列相對平穩的本征模態函數分量和一個剩余分量，一定程度上避免了人為因素對分解結果的干預。但在某些情況下，EMD會產生模態混疊，出現分解后有局部不平穩和不連貫現象，因此往往得不到理想的分解結果。EEMD加入高斯白噪聲，利用高斯白噪聲頻率均勻分布的統計特性，使信號在不同尺度上具有連續性，避免了模態混疊現象[10-11]。

2.1 EEMD模態分解

將多組具有有限振幅的高斯白噪聲序列ni(t)添加到原始劣化趨勢上，共進行m次，即

di(t)=d(t)+ni(t),i=1,2,…,m

(6)

式中：di(t)為t時段第i次加入高斯白噪聲后的劣化度。

對di(t)進行EMD分解，得到n個本征模態函數cij(t)和一個ri(t)。其中，cij(t)表示第i次加入高斯白噪聲后，分解獲得的第j個IMF，j=1，2，…，n。

將獲得的IMF進行總體平均運算，得到基于EEMD的IMF：

(7)

2.2 改進的EEMD方法

由于風電機組軸承健康劣化趨勢受各種噪聲的影響，主要是隨機噪聲和脈沖噪聲。而EEMD分解方法僅能去除信號中的隨機噪聲，脈沖噪聲還有待處理。利用小波變換對信號進行去噪，能濾除高頻噪聲部分，重構低頻部分，保留有價值的信息[12]，因此在對信號進行EEMD分解之前需進行小波去噪。具體步驟如下：(1)選擇合適的小波基，并確定分解層數n，然后對信號進行n層小波分解；(2)將高頻系數全部置零；(3)對第n層的低頻系數和第1～第n層經過閾值處理后的高頻系數進行重構，得到去噪后的信號。

2.3 組合預測

分別疊加高頻分量和低頻分量得到組合高頻信號和組合低頻信號。應用時間序列神經網絡模型對組合高頻信號、組合低頻信號和殘余量進行預測，進一步疊加各預測結果得到最終預測結果(見圖1)。

3 算法驗證

3.1 數據準備

以華北某風電場56號風電機組的發電機后軸承為研究對象，該風機切入風速為3 m/s，切出風速為24 m/s。隨機選擇2015-06-01—2016-03-30采樣頻率為10 min的發電機后軸承溫度、風速和有功功率的SCADA數據，篩選后共有32 595組健康的樣本數據，如表1所示。

圖1 改進的EEMD-時間序列神經網絡組合預測流程圖

Fig.1 Flow chart of improved EEMD-time series neural network combined forecasting

表1 健康數據集

3.2 相關性計算

應用式(2)計算各參數與軸承溫度的相關系數，通過式(3)歸一化處理后的各相關系數作為各變量影響軸承劣化度的權重，結果見表2。

3.3 健康狀態劣化趨勢

從32 595組樣本數據中，選取32 395組數據作為建模樣本，其余的200組數據作為測試樣本。

表2各參數與軸承溫度的相關系數

Tab.2Correlationcoefficientbetweeneachparameterandbearingtemperature

參數風速功率發電機轉速環境溫度C0.5570.5530.4530.136權重0.3280.3250.2670.080

圖2 健康狀態劣化趨勢

圖3 加權后健康狀態劣化趨勢

3.4 模態分解

從圖3可以看出，風機軸承健康狀態劣化趨勢具有復雜的非平穩性，為了提高狀態劣化趨勢預測的準確性，利用改進的EEMD將其分解成若干個相對平穩的分量，分解結果見圖4。圖中c1～c6為不同尺度的較平穩的IMF，c7為趨勢分量。

通過計算得到各個分量的均值(見表3)。從表3可以看出，各個分量的均值在c5處出現了較大的波動，有明顯偏離0的趨勢，因此c1～c4為高頻分量，c5～c6為低頻分量。

3.5 預測結果

時間序列神經網絡模型能夠較好地適應信號的非線性和非平穩性，具有較高的預測精度。因此，最終選擇時間序列神經網絡模型來獲得各類組合分量的預測結果。

圖4 基于改進的EEMD軸承健康狀態劣化趨勢分解結果

Fig.4 Decomposed results of degradation trend for wind turbine based on modified EEMD

表3 各個分量的均值

選用前160組數據進行訓練和測試，后40組數據進行預測。各類組合分量分別進行時間延遲L=3的時間序列神經網絡預測，組合高頻信號、組合低頻信號和殘余量的預測結果如圖5所示。從圖5可以看出，隨著軸承健康狀態劣化度疊加分量的平穩性越好和規律性越強，預測精度越高。

將各分量的預測結果進行疊加，得到風機軸承健康狀態劣化趨勢的最終預測結果。并與其他的預測方法進行對比，結果如圖6所示。由圖6可知，所提出的預測模型可以有效跟蹤風機軸承劣化趨勢。

4 模型誤差分析

采用平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)和均方根百分比誤差(MSPE)等誤差指標來度量模型精度。同時，也為了驗證本文模型的準確性，分別采用人工神經網絡(BPNN)模型、徑向基函數神經網絡(RBFNN)模型、支持向量機(SVM)模型和時間序列神經網絡模型對不同機組的發電機后軸承健康狀態劣化趨勢進行預測，未改進的EEMD預測誤差如表4所示。

由表4可知，單看MAE和RMSE 2個誤差指標，對于未使用EEMD方法分解的預測模型，即BPNN模型、RBFNN模型、SVM模型和時間序列神經網絡模型，通過對3臺機組的發電機后軸承狀態劣化趨勢結果來看，時間序列神經網絡模型誤差都是最小的，說明對于較復雜的非線性和非平穩性信號，時間序列神經網絡模型的預測精度相對其他傳統預測模型更高。

(a) 組合高頻信號預測結果

(b) 組合低頻信號預測結果

(c) 殘余量預測結果

圖6 最終預測結果

而在使用EEMD方法分解之后，即EEMD+時間序列神經網絡模型，3臺機組的各項誤差指標都有明顯改善。從表4中的均值誤差指標分析，EE-MD+時間序列神經網絡模型的幾個誤差值相比時間序列神經網絡模型降低了50%多，表明EEMD結合傳統參數預測模型的組合預測能夠有效提高預測精度。

表4 5種模型的誤差指標

充分考慮小波去噪對信號的影響，分別對EEMD分解前的信號和EEMD分解后的各分量進行去噪，預測誤差如表5所示。由表5可知，在對風機軸承健康狀態劣化趨勢進行EEMD分解之前進行小波去噪，能提高預測精度，而對EEMD的各分量進行小波去噪，并不能提高預測精度，反而在一定程度上降低了預測精度。

5 結 論

(1) 利用SCADA監測風速、功率、轉速和環境溫度參數，計算這些參數與軸承溫度(劣化度)的相關系數，歸一化處理記作該參數對軸承劣化度的影響權重。在此基礎上，基于溫度特征量構建的軸承健康劣化度模型，可有效描述軸承的劣化程度。

(2) 應用改進后的EEMD結合時間序列神經網絡模型分析風機軸承健康狀態劣化趨勢，將具有非平穩性特性的劣化趨勢分解為相對平穩和規律的分量。相對于其他預測方法多進行了2次預測，但能很好地跟蹤劣化趨勢，得到更高的預測精度。

表5改進的EEMD組合預測模型的誤差指標

Tab.5ErrorindexesofmodifiedEEMDcombinedforecastingmodel

機組誤差指標EEMD+小波小波+EEMD38號MAE0.03330.0171RMSE0.04590.0327MAPE0.11220.0614MSPE0.16550.126256號MAE0.02910.0091RMSE0.03610.0109MAPE0.06720.0215MSPE0.08640.026687號MAE0.02110.0066RMSE0.03840.0129MAPE0.22320.0661MSPE1.36560.1161均值MAE0.02780.0109RMSE0.04010.0188MAPE0.13420.0497MSPE0.53920.0896

(3) 改進的EEMD結合時間序列神經網絡的組合預測模型，可更準確地預測風電機組軸承健康狀態劣化趨勢，有利于風電場制定檢修策略和開展可靠性評估。

：

[1] 李輝, 胡姚剛, 唐顯虎, 等. 并網風電機組在線運行狀態評估方法[J].中國電機工程學報, 2010, 30(33): 103-109.

LI Hui, HU Yaogang, TANG Xianhu, et al. Method for on-line operating conditions assessment for a grid-connected wind turbine generator system[J].ProceedingsoftheCSEE, 2010, 30(33): 103-109.

[2] TCHAKOUA P, WAMKEUE R, OUHROUCHE M, et al. Wind turbine condition monitoring: state-of-the-art review, new trends, and future challenges[J].Energies, 2014, 7(4): 2595-2630.

[3] YANG Wenxian, TAVNER P J, CRABTREE C J, et al. Cost-effective condition monitoring for wind turbines[J].IEEETransactionsonIndustrialElectronics, 2010, 57(1):263-271.

[4] 蘇連成, 李興林, 李小俚, 等. 風電機組軸承的狀態監測和故障診斷與運行維護[J].軸承, 2012(1): 47-53.

SU Liancheng, LI Xinglin, LI Xiaoli, et al. Condition monitoring and fault diagnosis and operating maintenance systems for wind turbine bearings[J].Bearing, 2012(1): 47-53.

[5] 安學利, 唐擁軍, 王允. 基于健康樣本的風電機組滾動軸承狀態評估[J].中國水利水電科學研究院學報, 2015, 13(1):48-53.

AN Xueli, TANG Yongjun, WANG Yun. State evaluation of wind turbine roller bearing based on normal samples[J].JournalofChinaInstituteofWaterResourcesandHydropowerResearch, 2015, 13(1):48-53.

[6] 安學利, 唐擁軍, 吳光軍, 等. 基于健康樣本的風電機組狀態評估與異常檢測系統[J].大電機技術, 2015(2):14-17.

AN Xueli, TANG Yongjun, WU Guangjun, et al. Condition assessment and anomaly detection system of wind turbine based on healthy samples[J].LargeElectricMachineandHydraulicTurbine, 2015(2):14-17.

[7] 滕偉, 姜銳, 張陽陽, 等. 基于多尺度包絡譜圖的直驅式風電機組軸承故障特征提取[J].動力工程學報, 2017, 37(5): 373-378.

TENG Wei, JIANG Rui, ZHANG Yangyang, et al.Bearing fault feature extraction for a direct drive wind turbine using multi-scale enveloping spectrogram[J].JournalofChineseSocietyofPowerEngineering, 2017,37(5): 373-378.

[8] 李輝, 胡姚剛, 李洋, 等. 基于溫度特征量的風電機組關鍵部件劣化漸變概率分析[J].電力自動化設備, 2015, 35(11): 1-7, 19.

LI Hui, HU Yaogang, LI Yang, et al. Gradual deterioration probability analysis based on temperature characteristic parameters for critical components of wind turbine generator system[J].ElectricPowerAutomationEquipment, 2015, 35(11): 1-7, 19.

[9] 劉長良, 閆蕭. 基于工況辨識和變分模態分解的風電機組滾動軸承故障診斷[J].動力工程學報, 2017, 37(4): 273-278, 334.

LIU Changliang, YAN Xiao. Fault diagnosis of a wind turbine rolling bearing based on variational mode decomposition and condition identification[J].JournalofChineseSocietyofPowerEngineering, 2017, 37(4): 273-278, 334.

[10] 王賀, 胡志堅, 張翌暉, 等. 基于聚類經驗模態分解和最小二乘支持向量機的短期風速組合預測[J].電工技術學報, 2014, 29(4): 237-245.

WANG He, HU Zhijian, ZHANG Yihui, et al.A hybrid model for short-term wind speed forecasting based on ensemble empirical mode decomposition and least squares support vector machines[J].TransactionsofChinaElectrotechnicalSociety, 2014, 29(4): 237-245.

[11] AN Xueli, JIANG Dongxiang, LI Shaohua, et al. Application of the ensemble empirical mode decomposition and Hilbert transform to pedestal looseness study of direct-drive wind turbine[J].Energy, 2011, 36(9): 5508-5520.

[12] 崔玉敏, 和衛星, 高彩虹. 基于小波變換及HHT的軸承故障診斷應用研究[J].計算機仿真, 2010, 27(10): 294-296, 300.

CUI Yumin, HE Weixing, GAO Caihong. Application of bearing fault diagnosis based on wavelet and HHT[J].ComputerSimulation, 2010, 27(10): 294-296, 300.