基于BP神經網絡及Pearson相關系數的風機發電機軸承溫升故障診斷研究

周致富 羅浩然 牟令

【摘? 要】發電機軸承溫升高是直驅風力發電機頻發的故障，易導致風機長時間停機，維修難度大，造成設備重大損失。通過建立基于BP神經網絡和Pearson相關系數的發電機軸承溫升故障診斷模型，并以湖北荊門某風電場為例，試驗結果表明：該方法能夠較準確預測風機發電機軸承溫升變化，通過將溫度預測值與正常工況下的溫度值進行誤差對比，判斷發電機是否處于正常工狀，實現發電機潛在故障的預警，為風力發電機的故障診斷提供了一種切實可行的方法。

【Abstract】The bearing temperature rise of generator is a frequent fault of direct drive wind turbine， which is easy to lead to long-term shutdown of the wind turbine， which is difficult to maintain and cause heavy losses of equipment. By establishing a fault diagnosis model of generator bearing temperature rise based on BP neural network and Pearson correlation coefficient， and taking a wind farm in Jingmen， Hubei Province as an example， the test results show that the method can give a fairly accurate forecast for the temperature rise change of wind turbine generator bearing. By comparing the temperature prediction value with the temperature value under normal conditions， whether the generator is in normal working condition can be judged， and the early warning of potential fault of generator can be achieved， which provides a feasible method for fault diagnosis of wind turbine.

【關鍵詞】BP神經網絡;Pearson相關系數;故障診斷;發電機軸承溫升;直驅風力發電機

【Keywords】BP neural network; Pearson correlation coefficient; fault diagnosis; temperature rise of generator bearing; direct drive wind turbine

【中圖分類號】TM315? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻標志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2021）01-0190-03

1 引言

經過多年的快速發展，我國風電裝機規模已居世界前列，如何提高風力發電機的運行小時數，降低風機故障率和故障停機小時數己經成為研究熱點。直驅風力發電機是一種無增速系統，葉輪直接帶動永磁發電機旋轉發電的設備，其中永磁發電機是其核心部件，發電機軸承溫升高是其頻發的故障，易導致風機長時間停機，維修難度大，極壞情況下易引起風機壽命縮短，甚至造成絕緣損壞，造成巨大經濟損失。目前，風電機組SCADA的溫度自動預警值多為對應部件材料的耐受國標溫度，往往較高，故障早期的輕微溫升變化難以預警。而且風力發電機軸承溫升故障受風機多個關聯變量的影響，溫升變化與其受影響的多個關聯變量構成非線性公式。同時，因發電機軸承溫升高故障產生的全過程涉及多個關聯變量的影響，其涉及原因的海量數據具有復雜性、動態性、多變性等特點，極大地影響發電機承溫升高的故障預警。傳統的閾值預測方法，對該類發電機軸承溫升故障預警具有局限性。

針對上述情況，本文提出了一種基于BP神經網絡及Pearson相關系數的風機發電機軸承溫升故障診斷方法，主要通過BP神經網絡和Pearson相關系數的構建風機發電機軸承溫升故障預測模型。通過提取不同狀態下風機發電機的軸承溫升數據，通過Pearson相關性分析對數據進行篩選和優化，構建基于歷史故障數據的風機發電機軸承溫升故障大數據平臺。通過實時獲取風機的運行數據，并將其輸入基于BP神經網絡及Pearson相關系數平臺進行分析判斷，決策出風機發電機軸承溫升的故障判斷，提前降低風機負荷降低發電機軸承溫度或提前隱患消缺，對提高風機的可靠性和利用小時數具有重要的現實和理論意義。

2 BP神經網絡

BP神經網絡是指基于誤差反向傳播算法的多層前饋神經網絡[1]。BP神經網絡可以實現輸入和輸出的任意非線性映射，可以實現自學習且結構簡單，這使得它在預測領域得到廣泛應用[2]。BP神經網絡能學習和存貯大量的輸入—輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。

基本BP神經網絡算法包括兩個方面：信號的前向傳播和誤差的反向傳播。即計算時實際輸出值時按從輸入變量到輸出變量的方向進行，而權值和閾值的修正從輸出變量到輸入變量的方向進行[3]。權值不斷修正更新的經過，也就是網絡學習程序。此權值的修正過程一直運行到網絡輸出的誤差縮小到可接受的情況或學習次數達到設定次數。

3 風機發電機軸承溫升故障大數據庫的數據處理

基于風電機組后臺的大數據分析已在風電的多領域內得到應用，主要有故障預警、負荷預測、風電機組性能分析等方面。在風電機組故障預警及分析方面的探索，目前關注點多為齒輪箱、發電機軸承、風機主軸和風機葉片等關鍵大部件，而故障預測所需數據來源主要包括兩方面：一是在線監測系統CMS;二是數據采集與監視控制系統SCADA。基于風電場CMS系統的預測方法主要是通過監測風電機組關鍵部件的振動信號、電壓電流信號等，主要使用于預測和診斷風機大部件設備的機械性故障，無法診斷電氣類故障。

基于風電機組SCADA系統的實時及歷史監測數據，考慮與風機發電機軸承狀態相關的物理量，其中風機后臺的SCADA數據庫中與風機軸承溫度有關聯變量包括實時風速、機艙溫度、環境溫度、實時功率、發電機前軸承溫度、發電機后軸承溫度、發電機轉速和風機軸承水平方向上振動數據等。通過獲取風電機組發電機溫升故障前后信息，將大數據分析方法應用到風電機組狀態指標評價中，為風電機組的運行狀態預測、系統運行狀態評估和故障預測的方法研究提供技術支撐。為了進一步提高樣本數據的質量，優化樣本數據的數量，合理規避因為數據不平衡所影響的預警效果質量，按季節和風速選取SCADA系統中風機發電機軸承的關聯數據并剔除不合理的數據。

4 基于Pearson相關性分析的數據篩選和優化

因最大信息數在計算風力發電機組海量數據時分析內容多、計算速度慢，不能判斷非主要特征之間的冗余性，選擇Pearson相關系數篩選與風機發電機軸承溫升相關性參數，降低數據的計算維度。

Pearson相關系數也稱Pearson積矩相關系數，是一種統計學方法，可以定量地衡量隨機變量之間的線性關系。其輸出范圍一般在[-1，1]，其中負值為負的相關性、正值為正的相關性、無相關性則用0表示。選擇風力發電機軸承溫度作為特征向量，使用Pearson相關系數分析與特征向量線性關系絕對值大的特征量，如果輸出值的絕對值越大，則關聯特征的線性關系越強，如式（1）所示。

上式中，cov（X，Y）用于表示X、Y兩者特征的協方差，σX為前者特征的標準差，σY則主要用于表示Y兩列特征的標準差。

用Pearson相關性分析風力發電機組海量數據中全體關聯變量與溫升變化之間的相關系數，剔除相關性系數小于0.6但大于0.99的相關特征，留下與風機軸承溫升相關系數較高的關聯變量，降低數據集維度，提高數據分析的準確性和高效性。

5 工程實例數據分析

本文選用湖北荊門某采用直驅風機的風電場的風電機組進行實際預測，自風機SCADA后臺提取風機實時狀態數據，通過Pearson相關性處理得到風機軸承狀態的特征數據分析荊門地區歷年氣溫，確定1、8月為極端氣溫時段，故選取1月、8月數據作數據探測，同時隨機選取11月數據作驗證。經數據處理、探測和分析，確定并構建了針對該風電場的發電機散熱預測分析。經軟件仿真結果顯示，紅線為實際發電機后軸承溫度數據，藍線為系統預測的風機發電機后軸承溫度數據。其中圖1為1月低溫天氣下數據訓練結果，圖2為8月高溫天氣下數據訓練結果，圖3為11月數據實際預測結果，圖4為11月數據預測結果與實測數據的對比情況及預警故障。

從完整的數據中篩選與目標值強相關的特征，篩選得到的強相關特征列表如下。以1月、8月為例，各特征量與目標值之間的Pearson相關系數如下（見表1）。

6 結論

針對風機發電機軸承溫升故障，本文提出基于BP神經網絡及Pearson相關系數的風機發電機軸承溫升故障診斷模型。通過提取不同狀態下風機發電機的軸承溫升數據，通過Pearson相關性分析對數據進行篩選和優化，并將其輸入BP神經網絡及歷史故障大數據平臺進行分析判斷，決策出風機發電機軸承溫升的故障判斷，提前降低風機負荷降低發電機軸承溫度或提前隱患消缺，對提高風機的可靠性和利用小時數提出了新的解決思路。并用項目實例分析測試了該方法，仿真結果表明了基于BP神經網絡及Pearson相關系數的風機發電機軸承溫升故障診斷模型對預測風電機組軸承溫度準確性較高、可靠性較強、適用性較好。

【參考文獻】

【1】義炫.基于反向傳播神經網絡的自適應SCL譯碼算法[J].通信技術，2019（2）：275-279.

【2】宋玉強.人工神經網絡在時間序列預測中的應用研究[D].西安：西安建筑科技大學，2005.

【3】馮樹清.基于BP神經網絡的GPS高程模型研究與應用[J].卷宗，2015（3）：524-525.

【4】陳化軍.基于BP神經網絡的電力設備運行溫度預測方法研究[J].電子世界，2018（10）：40-41.