一种风电机组主轴承温度预警诊断方法技术

本发明专利技术涉及新能源风力发电系统领域，具体涉及一种风电机组主轴承温度预警诊断方法，包括如下步骤：(1)风电场监控数据的采集；(2)与风电机组主轴承温度相关的参数的获取；(3)风电机组主轴承正常温度模型的建立；(4)风电机组主轴承实时的正常温度的理论值的计算：在步骤(1)采集的实时数据中选取与步骤(2)中的风电机组主轴承温度相关参数的实时值，将上述相关参数的实时值输入步骤(3)中训练完成后的神经网络中并生成正常的风电机组主轴承温度值；(5)判断风电机组主轴承实时温度是否异常。本发明专利技术可以有效的预判风电机组主轴承故障，不需要安装额外的传感器，显著提升了诊断精度与诊断时间提前量。

【技术实现步骤摘要】
一种风电机组主轴承温度预警诊断方法
本专利技术涉及新能源风力发电系统领域，具体涉及一种风电机组主轴承温度预警诊断方法。
技术介绍
风电机组主轴承故障预警方法主要运用到时一种基于数据挖掘的故障诊断，它是一种重要的故障预警方法，由于风机安装环境的复杂性，导致一当风机发生故障就会导致维护的困难。所以对于风机的故障诊断技术成为现阶段的一个难题。在实际中对于风电机组故主轴承故障诊断方法可以分为基于数据、基于信号处理和基于模型的方法，通常基于模型的故障诊断方法是需要一个复杂的物理或者数学模型来检验故障，基于信号的故障诊断技术需要在风机上安装额外的各种传感器，并且基于信号的故障诊断技术对信号的采集有着很严格的要求，但是基于数据的故障诊断方法是基于历史数据的挖掘和简单的数学方法来进行数据的实时监测，利用数据进行故障诊断能够将避免安全复杂的传感器同时也能够避免数据的采集的苛刻要求，因此在新能源中，特别是风力系统中的故障诊断也可做到应有的应用效果。对于风电场的SCADA数据,神经网络选取输入参数，大多通过主观经验判断或者参数之间的相关性来决定神经网络输入参数。由于风电场SCADA参数之间存在相关性，使用参数相关性选取神经网络输入参数的方法，存在当选择输入参数存在高度相关时，会造成参数的重复使用和数据冗余的问题。而通过主观经验法选择神经网络输入参数，由于影响风机部件的参数比较多，存在选择参数不准确，导致神经网络效率低，选择参数过少，精度不够等问题。在实际的应用系统中，SCADA系统收集到的数据仅仅只是用来判断风机运行状态以及风机的是否发生故障，导致了大量收集到的数据无法利用。而且，现在的很多SCADA系统所得到的数据结果未必能够反映当前风机的状态，由于这些问题仍存在，现阶段大多数SCADA技术仅仅追求SCADA系统对风机的控制，却容易忽视对SCADA系统收集到的数据的利用。
技术实现思路
本专利技术的目的是提供一种提高风电场发电风机主轴承故障的诊断精度以及诊断时间提前量的风电机组主轴承温度预警诊断方法。上述目的是通过如下技术方案实现：一种风电机组主轴承温度预警诊断方法，包括如下步骤：(1)风电场监控数据的采集：利用数据采集模块采集并储存风电场的监控数据；(2)与风电机组主轴承温度相关的参数的获取：利用数据处理模块从步骤(1)中储存的历史数据经过数据处理，选择与风电机组主轴承温度相关参数；(3)风电机组主轴承正常温度模型的建立：将步骤(2)中获取的相关的参数作为输入训练神经网络，训练完成的神经网络输入步骤(2)中获取的相关参数的值可生成风电机组主轴承温度值；(4)风电机组主轴承实时的正常温度的理论值的计算：在步骤(1)中采集的实时数据选取与步骤(2)中的风电机组主轴承温度相关参数的实时值，将上述相关参数的实时值输入步骤(3)中训练完成后的神经网络中并生成正常的风电机组主轴承温度值，即所述的风电机组主轴承实时的正常温度的理论值；(5)判断风电机组主轴承实时温度是否异常：将步骤(4)中神经网络输出的风电机组主轴承温度值与数据采集模块采集的实时风电机组主轴承温度值进行比较，当二者的差值超过预设的阈值时判定所述风电机组主轴承故障并发出预警显示。本专利技术在获取实时风电机组主轴承相关数据的同时，将获取到的正常的历史的风电机组主轴承相关参数数据进行神经网络学习，通过正常的相关参数训练神经网络，当实时数据进行神经网络模型的时候会生成一个计算下的正常值，通过比较计算的正常值与实时的风电机组主轴承温度值，当能二者的差值超过预设的阈值时判定所述风电机组主轴承故障并发出预警显示。本专利技术可以有效的预判风电机组主轴承故障，不需要安装额外的传感器，显著提升了诊断精度与诊断时间提前量。作为优选，进一步的技术方案是：所述步骤(2)中先对步骤(1)中储存的历史数据先经过滤波处理，将所述的历史数据中异常数值进行处理，消除数据之间的不一致性，然后对经过滤波处理的数据进行数据相关性分析，获得与风电机组主轴承温度相关的参数。如此，通过滤波处理，滤除无关和无效的数据，消除数据之间的不一致性，留下正常数据。作为优选，进一步的技术方案是：所述步骤(2)中利用逐步回归算法按照自变量因子的显著程度，从大到小逐入回归方程，每次引入一个因子后对已选入的因子逐个进行F检验直至既无显著的因子选入，也无不显著的自变量剔除为止。如此，保证获得与风电机组主轴承温度相关参数过程中不漏掉也不多选，提高选择的与风电机组主轴承温度相关参数的准确性和相关性。作为优选，进一步的技术方案是：所述步骤(2)中数据相关性分析的具体步骤如下：(2-1)将经过滤波处理的数据构造参数样本集X(m,n)，将上述参数样本集输入数据处理模块，其中样本集X(m,n)包含n个参数x1,x2,x3,........,xn，所有参数的维度为m；(2-2)设与风电机组主轴承温度相关的参数为xn，计算所有参数的平均值离均差平方sii和协方差矩阵S＝(sij)n×n′，相关系数矩阵R＝(rij)n×n′，其中，上述矩阵包括n行n′列，计算公式如下：其中i,j＝1,2,3,.....,n-1,n；(2-3)判断可选择的参数数量是否大于2，当可选择的参数数量大于2则执行步骤(2-4)，否则结束，将可选择的参数作为风电机组主轴承温度的最优参数子集；(2-4)计算各参数的方差贡献，以l步为例，其中l≥1，计算偏回归平方和计算公式如下：其中p＝1,2,3,.....,n-1；(2-5)进行F检验，自定义选定信度α，查表可得Fα，选入显著性明显的参数至最优参数子集，计算未入选的方差贡献值最大的参数的F1，计算公式如下：若F1＞Fα，说明该参数对xn作用显著，应该选入该参数，同时对相关系数矩阵R做变换并执行步骤(2-6)，否则结束；(2-6)判断选入参数的数量是否大于2，当数量大于2则执行步骤(2-7)，否则执行步骤(2-4)。(2-7)做剔除参数的显著性检验，挑选入选的方差贡献最小的参数，计算：若F2＜Fα，说明该参数对xn作用不显著，应该剔除掉，对相关系数矩阵R做变换，否则将参数保留，并执行步骤(2-8)；(2-8)判断剩余可选入参数数量是否大于2个，当大于2时，执行步骤(2-4)，否则获得风电机组主轴承温度最优参数子集[x1,x2,x3,.....,xu]，结束，其中u为选入参数个数。作为优选，进一步的技术方案是：将步骤(2)中获得的风电机组主轴承温度最优参数子集[x1,x2,x3,.....,xu]输入包括神经网络模型的主轴承温度预测模块用以训练神经网络，并得到为风电机组主轴承正常温度与上述最优参数子集[x1,x2,x3,.....,xu]的函数关系的风电机组主轴承正常温度模型。训练神经网络的步骤中，在信号向前传播的过程中，输入信号从输入层经过隐含层的处理过后得到输出信号，当输出信号的结果不能够满足预期的结果的时，反向传播误差，通过反向传递误差，网络修改各层之间的阈值和权值，使得神经网络能够不断的逼近期望输出。作为优选，进一步的技术方案是：其特征在于，所述步骤(1)中，所述数据采集模块包括检测风电机组外部环境的各类传感器以及检测风电机组运行数据的传感器，所述数据采集模块将采集的数据传递给SCADA系统，所述SCADA系统储存上述数据并进行监本文档来自技高网...

【技术保护点】
一种风电机组主轴承温度预警诊断方法，其特征在于，包括如下步骤：(1)风电场监控数据的采集：利用数据采集模块采集并储存风电场的监控数据；(2)与风电机组主轴承温度相关的参数的获取：利用数据处理模块从步骤(1)中储存的历史数据经过数据处理，选择与风电机组主轴承温度相关参数；(3)风电机组主轴承正常温度模型的建立：将步骤(2)中获取的相关的参数作为输入训练神经网络，训练完成的神经网络输入步骤(2)中获取的相关参数的值可生成风电机组主轴承温度值；(4)风电机组主轴承实时的正常温度的理论值的计算：在步骤(1)采集的实时数据中选取与步骤(2)中的风电机组主轴承温度相关参数的实时值，将上述相关参数的实时值输入步骤(3)中训练完成后的神经网络中并生成正常的风电机组主轴承温度值，即所述的风电机组主轴承实时的正常温度的理论值；(5)判断风电机组主轴承实时温度是否异常：将步骤(4)中神经网络输出的风电机组主轴承温度值与数据采集模块采集的实时风电机组主轴承温度值进行比较，当二者的差值超过预设的阈值时判定所述风电机组主轴承故障并发出预警显示。

【技术特征摘要】
1.一种风电机组主轴承温度预警诊断方法，其特征在于，包括如下步骤：(1)风电场监控数据的采集：利用数据采集模块采集并储存风电场的监控数据；(2)与风电机组主轴承温度相关的参数的获取：利用数据处理模块从步骤(1)中储存的历史数据经过数据处理，选择与风电机组主轴承温度相关参数；(3)风电机组主轴承正常温度模型的建立：将步骤(2)中获取的相关的参数作为输入训练神经网络，训练完成的神经网络输入步骤(2)中获取的相关参数的值可生成风电机组主轴承温度值；(4)风电机组主轴承实时的正常温度的理论值的计算：在步骤(1)采集的实时数据中选取与步骤(2)中的风电机组主轴承温度相关参数的实时值，将上述相关参数的实时值输入步骤(3)中训练完成后的神经网络中并生成正常的风电机组主轴承温度值，即所述的风电机组主轴承实时的正常温度的理论值；(5)判断风电机组主轴承实时温度是否异常：将步骤(4)中神经网络输出的风电机组主轴承温度值与数据采集模块采集的实时风电机组主轴承温度值进行比较，当二者的差值超过预设的阈值时判定所述风电机组主轴承故障并发出预警显示。2.根据权利要求1所述的风电机组主轴承温度预警诊断方法，其特征在于，所述步骤(2)中先对步骤(1)中储存的历史数据先经过滤波处理，将所述的历史数据中异常数值进行处理，消除数据之间的不一致性，然后对经过滤波处理的数据进行数据相关性分析，获得与风电机组主轴承温度相关的参数。3.根据权利要求2所述的风电机组主轴承温度预警诊断方法，其特征在于，所述步骤(2)中利用逐步回归算法按照自变量因子的显著程度，从大到小逐入回归方程，每次引入一个因子后对已选入的因子逐个进行F检验直至既无显著的因子选入，也无不显著的自变量剔除为止。4.根据权利要求3所述的风电机组主轴承温度预警诊断方法，其特征在于，所述步骤(2)中数据相关性分析的具体步骤如下：(2-1)将经过滤波处理的数据构造参数样本集X(m,n)，将上述参数样本集输入数据处理模块，其中样本集X(m,n)包含n个参数x1,x2,x3,........,xn，所有参数的维度为m；(2-2)设与风电机组主轴承温度相关的参数为xn，计算所有参数的平均值离均差平方sii和协方差矩阵S＝(sij)n×n′，相关系数矩阵R＝(rij)n×n′，其中，上述矩阵包括n行n′列，计算公式如下：其中i,j＝1,2,3,.....,n-1,n；(2-3)判断可选择的参数数量是否大于2，...

【专利技术属性】
技术研发人员：梁坤鑫，詹俊，汪雅果，苏永新，吴亚联，刘畅，
申请(专利权)人：湖南优利泰克自动化系统有限公司，湘潭大学，
类型：发明
国别省市：湖南,43