一种发电机轴承故障预测方法技术

本发明专利技术公开了一种发电机轴承故障预测方法，首先基于功率曲线方法选取健康的风电机组SCADA数据，作为训练样本与测试样本；然后建立目标参数的发电机轴承故障预测模型；其次，利用预测模型预测测试样本的目标参数，并与实际值对比，得到残差；然后利用过程控制技术，计算报警阈值的上限与报警阈值的下限及警告阈值的上限与警告阈值的下限；最后，利用预测模型预测风电机组实际运行目标参数，并与实际值对比，得到残差一，并判断发电机轴承的健康状态。本发明专利技术的有益效果：利用风电机组SCADA数据进行建模预测，利用统计过程控制思想，将发电机轴承的状态分为健康、亚健康和故障三个状态，提前预警发电机轴承失效，提高轴承的使用管理能力。

A fault prediction method for generator bearing

The invention discloses a method to predict the fault of the generator bearing. First, based on the power curve method, the SCADA data of the healthy wind turbine is selected as the training sample and the test sample. Then the prediction model of the generator bearing fault is established by the target parameters. Secondly, the prediction model is used to predict the target parameters of the sample. Compared with the actual value, the residual difference is obtained, and then the upper limit of the alarm threshold and the lower limit of the warning threshold and the lower limit of the warning threshold are calculated by using the process control technology. Finally, the prediction model is used to predict the actual operating target parameters of the wind turbine, and the residual one is obtained and the power generation is judged by comparing with the actual value. The healthy state of the machine bearing. The beneficial effect of the invention is: using the SCADA data of the wind turbine to model and forecasting, by using the statistical process control idea, the state of the generator bearing is divided into three states of health, subhealth and fault, early warning of the failure of the bearing of the generator and improving the use management ability of the bearing.

【技术实现步骤摘要】
一种发电机轴承故障预测方法
本专利技术涉及故障预测方法
，具体来说，涉及一种发电机轴承故障预测方法。
技术介绍
风电机组发电机轴承是旋转机械不可缺少的零部件，长期工作在恶劣环境下容易导致轴承的内外圈、滚动体和保持架极易出现故障或失效，影响整个机组的正常运行，造成经济损失。目前对于轴承的故障诊断及预警主要是针对CMS振动信号进行特征提取及分析，但CMS监测设备不是每台风电机组都有安装，因此对于轴承故障的及时发现及处理是有困难的。
技术实现思路
针对相关技术中的上述技术问题，本专利技术提出一种发电机轴承故障预测方法，能够克服现有技术的上述不足。为实现上述技术目的，本专利技术的技术方案是这样实现的：一种发电机轴承故障预测方法，包括以下步骤：S1：基于功率曲线方法选取健康的风电机组SCADA数据，作为训练样本与测试样本；S2：建立目标参数的发电机轴承故障预测模型；S3：利用预测模型预测测试样本的目标参数，并与实际值对比，得到残差；S4：利用过程控制技术，计算报警阈值的上限与报警阈值的下限及警告阈值的上限与警告阈值的下限；S5：利用预测模型预测风电机组实际运行目标参数，并与实际值对比，得到残差一；S6：若残差一大于警告下限且小于警告上限，则判定发电机轴承健康；S7：若残差一大于警告阈值上限且小于报警阈值上限或者残差小于警告值下限且大于报警阈值下限，则判定发电机轴承处于亚健康状态；S8：若残差一大于报警上限或小于报警下限，则判定发电机轴承处于故障状态。进一步的，在步骤S1中，所述的基于功率曲线方法选取健康的风电机组SCADA数据的具体步骤包括：S1.1：剔除停机数据：大于切入风速且小于切出风速，功率小于等于零的数据；S1.2：剔除异常数据：有功功率小于-10KW或者有功功率超过满发功率100kw的数据及风速超出切出风速的数据；S1.3：根据风电机组的实际功率曲线数据，利用查表法，计算每个风速数据对应的理论功率值P理论；S1.4：计算理论功率值P理论与实际功率值P实际差值绝对值Err，即Err＝|P实际-P理论|；S1.5：将ERR大于设定最大误差25KW的数据剔除；S1.6：利用上述方法剔除1年以上风电机组SCADA数据中的异常数据，剩余的数据作为风电机组健康样本数据。进一步的，在步骤S2中，所述的建立目标参数的发电机轴承故障预测模型即BP神经网络模型,具体包括:S2.1：确定模型输入为15个状态参数，模型输出为T输出，即发电机驱动端轴承温度与发电机非驱动端轴承温度差；S2.2：选取三层BP神经网络作为预测模型；S2.3：根据kolmogorov定理，确定三层BP神经网络隐层节点数的近似关系为：n2＝2n1+1，其中：n1为输入层神经元个数；n2为隐含层神经元个数；S2.4：分别选取双极性S型函数和线性函数作为模型隐含层与输出层的传递函数；S2.5：选取贝叶斯正则化迭代算法优化BP神经网络的权值；S2.6：利用MATLAB的神经网络工具箱的函数newff建立模型，通过多次训练BP神经网络，得到最佳的模型。优选的，在步骤S2.5中，所述的贝叶斯正则化迭代算法的性能函数为：msereg＝α·msw+β·mse式中：mse为均方误差，n为样本总数，ti为期望输出，pi为网络实际输出，msw为网络权值均方，m为网络权值总数，ωj为网络权值，α和β为正则化系数。进一步的，在步骤S3中，所述的利用预测模型预测测试样本的目标参数，并与实际值对比得到残差的具体步骤包括：S3.1：利用步骤S2训练得到的模型，对测试样本进行预测，得到预测值T预测；S3.2：将预测值T预测与实际值T实际对比，计算残差Error，具体公式为：Error＝T预测-T实际。进一步的，在步骤S4中，所述的利用过程控制技术，计算报警阈值的上限与报警阈值的下限及警告阈值的上限与警告阈值的下限的具体步骤包括：S4.1：利用正常运行状况下的风电机组数据进行验证，证明样本的残差服从正态分布，确定样本残差的均值μ和方差σ2作为正态分布均值和方差的估计值，计算表达式如下：S4.2：利用步骤S3计算的残差数据，计算残差均值μ和方差σ2，公式如下：S4.3：确定以均值μ为中心，±3σ和±2σ作为发电机轴承故障预警的报警和警告的上下限：即报警上限为μ+3σ；警告上限为μ+2σ；警告下限为μ-2σ；报警下限为μ-3σ。进一步的，在步骤S5中，所述的利用预测模型预测风电机组实际运行目标参数，并与实际值对比得到残差一的具体步骤包括：S5.1：利用步骤S2训练得到的模型，对实际风电机组数据进行预测，得到预测值T预测1；S5.2：将预测值T预测1与实际值T实际1对比，计算残差一Error1，具体公式为：Error1＝T预测1-T实际1。本专利技术的有益效果：本专利技术可以在不增加任何硬件设备的基础上，利用风电机组SCADA数据进行建模预测，利用统计过程控制思想，将发电机轴承的状态分为健康、亚健康和故障三个状态，提前预警发电机轴承失效，提高轴承的使用管理能力。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据本专利技术实施例所述的一种发电机轴承故障预测方法的流程图；图2是根据本专利技术实施例所述的数据预处理流程图；图3是根据本专利技术实施例所述的BP神经网络建模流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。如图1-3所示，根据本专利技术实施例所述的一种发电机轴承故障预测方法，包括以下步骤：S1：基于功率曲线方法选取健康的风电机组SCADA数据，作为训练样本与测试样本；S2：建立目标参数的发电机轴承故障预测模型；S3：利用预测模型预测测试样本的目标参数，并与实际值对比，得到残差；S4：利用过程控制技术，计算报警阈值的上限与报警阈值的下限及警告阈值的上限与警告阈值的下限；S5：利用预测模型预测风电机组实际运行目标参数，并与实际值对比，得到残差一；S6：若残差一大于警告下限且小于警告上限，则判定发电机轴承健康；S7：若残差一大于警告阈值上限且小于报警阈值上限或者残差小于警告值下限且大于报警阈值下限，则判定发电机轴承处于亚健康状态；S8：若残差一大于报警上限或小于报警下限，则判定发电机轴承处于故障状态。在一具体实施例中，在步骤S1中，所述的基于功率曲线方法选取健康的风电机组SCADA数据的具体步骤包括：S1.1：剔除停机数据：大于切入风速且小于切出风速，功率小于等于零的数据；S1.2：剔除异常数据：有功功率小于-10KW或者有功功率超过满发功率100kw的数据及风速超出切出风速的数据；S1.3：根据风电机组的实际功率曲线数据，利用查表法，计算每个风速数据对应的理论功率值P理论；S1.4：计算理论功率值P理论与实际功率值P实际差值绝对值Err，即Err＝|P实际-P理论|；S1.5：将ERR大于设定最大误差2本文档来自技高网...

【技术保护点】
一种发电机轴承故障预测方法，其特征在于，包括以下步骤：S1：基于功率曲线方法选取健康的风电机组SCADA数据，作为训练样本与测试样本；S2：建立目标参数的发电机轴承故障预测模型；S3：利用预测模型预测测试样本的目标参数，并与实际值对比，得到残差；S4：利用过程控制技术，计算报警阈值的上限与报警阈值的下限及警告阈值的上限与警告阈值的下限；S5：利用预测模型预测风电机组实际运行目标参数，并与实际值对比，得到残差一；S6：若残差一大于警告下限且小于警告上限，则判定发电机轴承健康；S7：若残差一大于警告阈值上限且小于报警阈值上限或者残差小于警告值下限且大于报警阈值下限，则判定发电机轴承处于亚健康状态；S8：若残差一大于报警上限或小于报警下限，则判定发电机轴承处于故障状态。

【技术特征摘要】
1.一种发电机轴承故障预测方法，其特征在于，包括以下步骤：S1：基于功率曲线方法选取健康的风电机组SCADA数据，作为训练样本与测试样本；S2：建立目标参数的发电机轴承故障预测模型；S3：利用预测模型预测测试样本的目标参数，并与实际值对比，得到残差；S4：利用过程控制技术，计算报警阈值的上限与报警阈值的下限及警告阈值的上限与警告阈值的下限；S5：利用预测模型预测风电机组实际运行目标参数，并与实际值对比，得到残差一；S6：若残差一大于警告下限且小于警告上限，则判定发电机轴承健康；S7：若残差一大于警告阈值上限且小于报警阈值上限或者残差小于警告值下限且大于报警阈值下限，则判定发电机轴承处于亚健康状态；S8：若残差一大于报警上限或小于报警下限，则判定发电机轴承处于故障状态。2.根据权利要求1所述的一种发电机轴承故障预测方法，其特征在于，在步骤S1中，所述的基于功率曲线方法选取健康的风电机组SCADA数据的具体步骤包括：S1.1：剔除停机数据：大于切入风速且小于切出风速，功率小于等于零的数据；S1.2：剔除异常数据：有功功率小于-10KW或者有功功率超过满发功率100kw的数据及风速超出切出风速的数据；S1.3：根据风电机组的实际功率曲线数据，利用查表法，计算每个风速数据对应的理论功率值；S1.4：计算理论功率值与实际功率值差值绝对值Err，即；S1.5：将ERR大于设定最大误差25KW的数据剔除；S1.6：利用上述方法剔除1年以上风电机组SCADA数据中的异常数据，剩余的数据作为风电机组健康样本数据。3.根据权利要求1所述的一种发电机轴承故障预测方法，其特征在于，在步骤S2中，所述的建立目标参数的发电机轴承故障预测模型即BP神经网络模型,具体包括:S2.1：确定模型输入为15个状态参数，模型输出为，即发电机驱动端轴承温度与发电机非驱动端轴承温度差；S2.2：选取三层BP神经网络作为预测模型；S2.3：根据kolmogorov定理，确定三层BP神经网络隐层节点数的近...

【专利技术属性】
技术研发人员：史丽荣，刘海民，张庆运，李精家，
申请(专利权)人：北京优利康达科技股份有限公司，
类型：发明
国别省市：北京,11