一种风力发电机组变桨轴承故障诊断方法技术

本发明专利技术涉及一种风力发电机组变桨轴承故障诊断方法。本发明专利技术所述的风力发电机组变桨轴承故障诊断方法包括如下步骤：获取风力发电机组的运行状态参数；通过PCA算法对所述运行状态参数进行处理，获得对所述风力发电机组的变桨轴承的运行状态敏感的P种状态参数；将所述P种状态参数输入训练好的所述变桨轴承故障诊断网络模型，得到所述风力发电机组的变桨轴承故障诊断结果，其中，所述变桨轴承故障诊断网络模型为单隐含层前馈神经网络模型。本发明专利技术所述的一种风力发电机组变桨轴承故障诊断方法具有快速、在线、无损、实时、高效监测和诊断故障的优点。障的优点。障的优点。

【技术实现步骤摘要】
一种风力发电机组变桨轴承故障诊断方法


[0001]本专利技术涉及风电领域，特别是涉及一种风力发电机组变桨轴承故障诊断方法。

技术介绍

[0002]变桨轴承作为水平轴风力发电机组的重要组成部分，主要功能是通过调节桨距角进行功率调节。其中，变桨轴承又是风力发电机组变桨轴承的关键部件，在工作中同时承受轴向载荷、径向载荷及倾覆力矩的影响，工况载荷情况复杂、工况环境差及整体刚度较低。因此变桨轴承的使用性能，决定着风力发电机组整体的稳定性和安全性。
[0003]风电场调研分析表明，随着机组运行时间的增加，变桨轴承故障概率呈增长趋势。例如，某风电场的各台风力发电机组陆续运行时间已有7
‑
10年，变桨轴承出现多起严重事故：发生21起导致叶片坠落的事故中，其中9起出现变桨轴承外圈断裂；在运维检查中发现近10台次轴承外圈开裂，与叶片坠落时轴承断裂情况类似；发生1起轴承卡涩导致叶轮无法回桨、高速轴过速制动引发机组着火事故；同时还发现50多例较为严重的磨损卡涩问题。该型机组变桨轴承的损坏主要表现为轴承外圈断裂和轴承轨道磨损卡涩问题，给风电场的安全生产带来极大的隐患。
[0004]因此，有必要不断研发和改进风力发电机组变桨轴承在线状态监测与故障诊断方法，以便及时准确地发现变桨轴承故障，并根据故障诊断结果安排对应的检修计划，减少设备事故率，降低维修费用，大大提高风力机运行安全性。

技术实现思路

[0005]基于此，本专利技术的目的在于，提供一种风力发电机组变桨轴承故障诊断方法，其具有快速、在线、无损、实时、高效监测和诊断故障的优点。
[0006]一种风力发电机组变桨轴承故障诊断方法，其特征在于，包括如下步骤：
[0007]获取风力发电机组的运行状态参数；
[0008]通过PCA算法对所述运行状态参数进行处理，获得对所述风力发电机组的运行状态敏感的P种状态参数，其中，P为所述运行状态参数的输入维数；
[0009]将所述P种状态参数输入训练好的所述变桨轴承故障诊断网络模型，得到所述风力发电机组的变桨轴承故障诊断结果，其中，所述变桨轴承故障诊断网络模型为单隐含层前馈神经网络模型。
[0010]本专利技术所述的风力发电机组变桨轴承故障诊断方法，通过实时获取风电机组变桨轴承的运行状态参数及实时诊断，可及时准确地发现变桨轴承故障，并根据故障诊断结果安排对应的检修计划，减少设备事故率，降低维修费用，大大提高风力机运行安全性。
[0011]进一步地，所述通过PCA算法对所述运行状态参数进行处理，获得对所述风力发电机组的运行状态敏感的P种状态参数，包括：
[0012]1)标准化处理：
[0013]构建状态参数数据矩阵X：
[0014][0015]通过如下公式计算协方差矩阵x
i
'
j
，
[0016][0017](i＝1,2,...,n；j＝1,2,...,m)
[0018]其中，x
nm
表示第m组参数中的第n个状态参数；
[0019]标准化后的数据矩阵X'为：
[0020][0021]X'协方差矩阵为：
[0022][0023]2)利用协方差矩阵S对风力发电机组的运行状态参数进行降维处理：
[0024]将协方差矩阵S进行特征值分解，求出特征值及其特征向量：
[0025]S＝PΛP
T
[0026]式中，Λ是对角矩阵，包含递减的非负实特征值λ1≥λ2≥...≥λ
m
≥0，P为特征值降序排列后前m行组成的向量矩阵；
[0027]3)计算主成分贡献率：
[0028]将最大特征值及其对应的特征向量，定义为第一主成分的方差和方向，以此类推，直至确定最后一个主成分的方差和方向；
[0029]每个主成分的方差在样本总方差中所占比值，即为该主成分对于该样本的贡献率，第k个主成分的贡献率V
k
定义为：
[0030][0031]将特征值λ
m
从大到小排列，前k个主成分的累计贡献率CPV(k)定义为：
[0032][0033]累计贡献率达到CPV阈值时主成分k的个数，即为降维后风力发电机组的运行状态
参数的输入维数P。
[0034]通过上述公式处理，可从多种所述风力发电机组的变桨轴承运行状态参数中，获得所述运行状态参数的输入维数P。
[0035]进一步地，所述CPV阈值为90％，保证降维后风力发电机组的运行状态参数能包括原始状态参数的绝大多数信息。
[0036]进一步地，所述变桨轴承故障诊断网络模型包括一个输入层、一个隐含层和一个输出层；
[0037]输入层节点数为n个，将所述P种状态参数作为输入参数，即n＝P；
[0038]隐含层节点数为i；
[0039]输出层节点数为3，分别表示变桨轴承的三个典型状态：正常状态、部件磨损状态、部件断裂状态。
[0040]进一步地，所述变桨轴承故障诊断网络模型的训练过程包括如下步骤：
[0041]获取风力发电机组的运行状态参数；
[0042]通过PCA算法对所述运行状态参数进行处理，获得对所述风力发电机组的运行状态敏感的P种状态参数，其中，P为所述运行状态参数的输入维数；
[0043]通过OS
‑
W
‑
ELM训练算法来训练所述变桨轴承故障诊断网络模型，包括以下阶段：
[0044]1)OS
‑
W
‑
ELM初始化学习阶段：
[0045]初始阶段选取N0组数据其中
[0046]其中，x
i
是一个数组，其包含了一组特征值，指同一时刻，所有的风力机运行状态参数；
[0047]t
i
为这一组特征值所对应的时刻；
[0048]1‑
1)随机产生输出权重矩阵w
i
和偏置矩阵b
i
，其中，
[0049]1‑
2)通过如下公式计算初始的隐含层输出矩阵：
[0050][0051]其中，g(x)为激活函数，g(w1x1+b1)是隐含层输出矩阵中的值，根据随机的输出权重矩阵w
i
和偏置矩阵b
i
获得，然后在神经网络自我学习过程中自动修正输出权重矩阵w
i
和偏置矩阵b
i
；
[0052]1‑
3)通过如下公式计算初始的输出权重矩阵β0：
[0053][0054]其中，
[0055]其中，M0由计算得到，T0是单独提出的时间矩阵，对应中的t
i
；
[0056]1‑
4)设k＝0，k为块数，表示初始化学习阶段；
[0057]2)OS
‑
W
‑
ELM在线序列学习阶段：
[0058]2‑
1)设第k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力发电机组变桨轴承故障诊断方法，其特征在于，包括如下步骤：获取风力发电机组的运行状态参数；通过PCA算法对所述运行状态参数进行处理，获得对所述风力发电机组的变桨轴承的运行状态敏感的P种状态参数；将所述P种状态参数输入训练好的变桨轴承故障诊断网络模型，得到所述风力发电机组的变桨轴承故障诊断结果，其中，所述变桨轴承故障诊断网络模型为单隐含层前馈神经网络模型。2.根据权利要求1所述的一种风力发电机组变桨轴承故障诊断方法，其特征在于，所述通过PCA算法对所述运行状态参数进行处理，获得对所述风力发电机组的变桨轴承的运行状态敏感的P种状态参数，包括如下步骤：1)标准化处理：构建状态参数数据矩阵X：通过如下公式计算协方差矩阵x
′
ij
，其中，x
nm
表示第m组参数或在m时刻的第n个状态参数；标准化后的数据矩阵X'为：X'协方差矩阵为：2)利用协方差矩阵S对所述运行状态参数进行降维处理：将协方差矩阵S进行特征值分解，求出特征值及其特征向量：S＝PΛP
T
式中，Λ是对角矩阵，包含递减的非负实特征值λ1≥λ2≥...≥λ
m
≥0，P为特征值降序排列后前m行组成的向量矩阵；3)计算主成分贡献率：
将最大特征值及其对应的特征向量，定义为第一主成分的方差和方向，以此类推，直至确定最后一个主成分的方差和方向；每个主成分的方差在样本总方差中所占比值，即为该主成分对于该样本的贡献率，第k个主成分的贡献率V
k
定义为：将特征值λ
m
从大到小排列，前k个主成分的累计贡献率CPV(k)定义为：累计贡献率达到CPV阈值时主成分k的个数，即为降维后所述运行状态参数的输入维数P。3.根据权利要求2所述的一种风力发电机组变桨轴承故障诊断方法，其特征在于：所述CPV阈值为90％。4.根据权利要求1所述的一种风力发电机组变桨轴承故障诊断方法，其特征在于：所述变桨轴承故障诊断网络模型包括输入层、隐含层和输出层；所述输入层的节点数为n个，将所述P种状态参数作为输入参数，即n＝P；所述隐含层的节点数为i；所述输出层的节点数为3，分别表示所述变桨轴承的三个典型状态：正常状态、部件磨损状态、部件断裂状态。5.根据权利要求4所述的一种风力发电机组变桨轴承故障诊断方法，其特征在于，所述变桨轴承故障诊断网络模型的训练过程包括如下步骤：获取所述风力发电机组的运行状态参数；通过PCA算法对所述运行状态参数进行处理，获得对所述风力发电机组的变桨轴承的运行状态敏感的P种状态参数；通过OS
‑
W
‑
ELM训练算法训练所述变桨轴承故障诊断网络模型，包括以下阶段：1)OS
‑
W
‑
ELM初始化学习阶段：初始阶段选取N0组数据其中其中，x
i
是一个数组，其包含了一组特征值，指同一时刻，所有的所述运行状态参数；t
i
为这一组特征值所对应的时刻；1
‑
1)随机产生输出权重矩阵w
i
和偏置矩阵b
i
，其中，1
‑
2)通过如下公式计算初始的隐含层输出矩阵H0：
其中，g(x)为激活函数，g(w1x1+b1)是隐含层输出矩阵中...

【专利技术属性】
技术研发人员：杨波，王志刚，李茂东，叶伟文，陈茜，刘瑞，李录平，
申请(专利权)人：广州特种承压设备检测研究院，
类型：发明
国别省市：