基于回歸參數(shù)算法的風(fēng)機(jī)軸承超溫故障預(yù)警

王新

摘要：在風(fēng)力發(fā)電機(jī)運(yùn)行的過(guò)程中，SCADA系統(tǒng)監(jiān)測(cè)的軸承溫度與功率存在較為顯著的相關(guān)關(guān)系。本文基于回歸參數(shù)法建立了軸承超溫故障預(yù)警模型，通過(guò)風(fēng)機(jī)軸承溫度與功率之間的相關(guān)性進(jìn)行軸承的健康狀況評(píng)估與故障預(yù)測(cè)。

關(guān)鍵詞：軸承超溫;回歸參數(shù)法;故障預(yù)警

中圖分類號(hào)：TM315 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2020）02-0098-01

0 引言

風(fēng)能是可再生能源中最具開發(fā)前景的一種能源[1]。然而，風(fēng)電機(jī)組因運(yùn)行環(huán)境較為惡劣和長(zhǎng)期的運(yùn)行工作會(huì)生產(chǎn)各種各樣的故障。風(fēng)機(jī)軸承超溫是風(fēng)機(jī)故障中最為常見的一種故障。風(fēng)機(jī)軸承超溫是可以通過(guò)預(yù)警監(jiān)測(cè)和故障診斷避免的[2]。其中代表性成果有：利用小波分析的方法進(jìn)行特征提取，并采用BP神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)智能診斷[3]。采用自適應(yīng)遺傳與蟻群算法融合的方法，對(duì)故障進(jìn)行診斷[4]。

本文提出回歸參數(shù)算法建立軸承超溫故障預(yù)警模型，當(dāng)異常發(fā)生時(shí)，溫度會(huì)偏離該依賴關(guān)系決定的理論溫度。通過(guò)判定實(shí)測(cè)溫度是否顯著偏離正常工況下的理論溫度來(lái)給出預(yù)警信號(hào)，從而達(dá)到預(yù)警的目的。

1 數(shù)據(jù)預(yù)處理

選取國(guó)內(nèi)某風(fēng)場(chǎng)風(fēng)電機(jī)組的SCADA系統(tǒng)所記錄的軸承溫度與30s平均功率數(shù)據(jù)進(jìn)行驗(yàn)證，該風(fēng)場(chǎng)風(fēng)機(jī)的基本參數(shù)為：切入風(fēng)速3m/s，切出風(fēng)速22m/s，額定功率為2100kw，額定風(fēng)速11m/s，異常數(shù)據(jù)分布比較典型的76號(hào)風(fēng)機(jī)的連續(xù)12個(gè)月的數(shù)據(jù)。選取機(jī)組相應(yīng)故障前50d至100d的監(jiān)測(cè)數(shù)據(jù)為正常數(shù)據(jù)，選取故障點(diǎn)至故障前1d的監(jiān)測(cè)數(shù)據(jù)為異常數(shù)據(jù)。

1.1 數(shù)據(jù)清洗

數(shù)據(jù)清洗，剔除訓(xùn)練數(shù)據(jù)集中的停機(jī)及限功率工況數(shù)據(jù)。

1.2 數(shù)據(jù)歸一化

將監(jiān)測(cè)參數(shù)的值映射到[0， 1]區(qū)間內(nèi)，采用最大最小值法歸一化數(shù)據(jù)，避免高次冪項(xiàng)與低次冪項(xiàng)之間數(shù)量級(jí)的差別，從而影響計(jì)算精度。

2 模型建立

2.1 回歸參數(shù)法軸承溫度模型建立

監(jiān)測(cè)參數(shù)間的相關(guān)關(guān)系通過(guò)多項(xiàng)式擬合的方法進(jìn)行分析，利用最小二乘法擬合訓(xùn)練風(fēng)機(jī)軸承溫度和功率數(shù)據(jù)中相關(guān)監(jiān)測(cè)參數(shù)的關(guān)系，其中功率作為擬合關(guān)系中的自變量x，溫度為因變量y。經(jīng)預(yù)處理后的數(shù)據(jù)為（x1，y1），（x2，y2），…，（xn，yn），采用k次多項(xiàng)式擬合：y=a0+a1x+…+akxk，則最小二乘法擬合系數(shù)的計(jì)算公式（1）、（2）為：

a=（XTX）-1Xy? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

a=（a0，a1，…，ak）T? y=（y1，y2，…，yn）T? ? ? ? ? ? ? ? ? ? （2）

由數(shù)據(jù)訓(xùn)練擬合正常與異常回歸曲線，并量化正常與異常曲線之間的差別。當(dāng)計(jì)算得到的擬合差別超過(guò)一定閾值時(shí)，即可認(rèn)為存在潛在的故障風(fēng)險(xiǎn)而發(fā)出預(yù)警。

2.2 健康指標(biāo)計(jì)算與故障預(yù)警

本文以正常曲線與異常擬合曲線之間的平均距離作為健康狀態(tài)的指示指標(biāo)，即健康指標(biāo)如公式（3）：

（3）

其中xmin和xmax分別為訓(xùn)練樣本的最小值和最大值。

3 實(shí)驗(yàn)分析結(jié)果與分析

對(duì)76號(hào)機(jī)組的監(jiān)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)清洗與歸一化實(shí)現(xiàn)了數(shù)據(jù)規(guī)約，排除了大部分噪聲的影響，只保留較為平滑的數(shù)據(jù)變化趨勢(shì)。采用3次多項(xiàng)式對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行擬合，得到的擬合曲線如圖1中黑線所示，此即為正常回歸曲線。圖中綠色點(diǎn)所示即為超溫?cái)?shù)據(jù)分布，擬合如圖1中紅線異常回歸曲線。采用平均距離對(duì)回歸曲線的偏離程度進(jìn)行量化，即得到反映軸承潛在超溫問(wèn)題的機(jī)組健康指標(biāo)如圖2所示。

在所有檢測(cè)時(shí)間點(diǎn)上計(jì)算得到的該健康指標(biāo)隨時(shí)間的變化曲線，通過(guò)該健康指標(biāo)可對(duì)軸承超溫問(wèn)題進(jìn)行識(shí)別和預(yù)警。該健康指標(biāo)位于0附近波動(dòng)時(shí)，表明機(jī)組基本處于正常狀態(tài)，而當(dāng)該指標(biāo)顯著高于0時(shí)，則表明軸承存在超溫風(fēng)險(xiǎn)。從圖3中可見，隨著時(shí)間的推移，機(jī)組健康指標(biāo)存在隨時(shí)間增加的趨勢(shì)，并在故障發(fā)生的約前4d出現(xiàn)急劇的增加，圖中紅線則為第一次相關(guān)報(bào)警信號(hào)的出現(xiàn)時(shí)間。

4 結(jié)論

本文基于回歸參數(shù)法建立了軸承超溫故障預(yù)警模型，通過(guò)風(fēng)機(jī)軸承溫度與功率之間的相關(guān)性進(jìn)行軸承的健康狀況評(píng)估與故障預(yù)測(cè)。能有效的對(duì)軸承超溫進(jìn)行提前預(yù)警，減少因超溫而帶來(lái)的軸承故障問(wèn)題。

參考文獻(xiàn)

[1] 胡錦楠，朱峙成，劉佳瑋，等.基于大數(shù)據(jù)的風(fēng)電場(chǎng)風(fēng)能資源及其利用情況評(píng)估[J].科技創(chuàng)新導(dǎo)報(bào)，2018，15（16）：48-49.

[2] 宋磊.雙饋異步風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)的研究[D].北京：華北電力大學(xué)，2015.

[3] KUSIAK A，LI W.The prediction and diagnosis of wind turbine faults [J].Renewable Energy，2011，36（1）：16-23.

[4] 張祥羅.風(fēng)力機(jī)中發(fā)電機(jī)在線故障特征提取與故障診斷系統(tǒng)研究[D].廣東：華南理工大學(xué)，2013

The Overtemperature Fault Warning of? Fan Bearing Based on Regression

Parameter Algorithm

WANG Xin

（Chongqing JiaoTong University， Chongqing? 400000）

Abstract：During the operation of wind turbine， the bearing temperature monitored by SCADA system is significantly correlated with the power. In this paper，based on the regression parameter method， a bearing over-temperature fault warning model is established.

Key words：bearing over-temperature; regression parameter method; fault early warning