一种风力发电机主轴承温度异常预警方法

技术领域

本申请涉及新能源领域和风力发电运维领域，尤其是一种风力发电机主轴承温度异常预警方法。

背景技术

近年来随着清洁能源的推广，风力发电机的装机量日益上涨，且在电力能源及可再生能源中的比重越来越大，保证风力发电机的稳定及可靠运行是风场运维的重要任务，如能在风力发电机出现故障之前准确预测设备的故障趋势或健康状态，有利于风场运维部门执行风电机组的状态检修，从而避免将轻微故障演变为严重事故，保证设备运行的稳定性并降低风场的运维成本，发电机轴承故障特征在轴承的温度特性上有一定体现，因此可基于温度信号对轴承运行风险进行分析与预测，进而对发电机轴承故障进行早期的预警。轴承磨损退化可能造成轴温升高，而正常工况下轴承转速、载荷、环境温度的变化亦可引起轴承温升，轴承温度信息能有效表征其健康状况，而轴承温升原因的不确定性是基于温度信号进行故障预警的难点，目前有基于振动和数据驱动的一些研究在主轴承故障预警方面有一些进展，但对于实际的风机来说，发电机这些方法的适用性不太理想。

随着机器学习的发展，一些机理简单、计算结果有效的机器学习算法以及应用到了风机的数值分析中，有的研究结合机器学习的方法开展超温故障预测研究并取得了一些成果，在针对风机发电机主轴承故障，如何能创设一种诊断结果可靠的风力发电机主轴承故障的诊断方法，提前对主轴承故障进行预警，降低主轴承损坏率，提高风力发电机发电率和经济效益，成为当前急需改进的目标。因此，针对上述问题提出一种风力发电机主轴承温度异常预警方法。

发明内容

在本实施例中提供了一种风力发电机主轴承温度异常预警方法用于解决现有技术无法对风力发电机主轴承故障进行预警的问题。

根据本申请的一个方面，提供了一种风力发电机主轴承温度异常预警方法，所述风力发电机主轴承温度异常预警方法包括如下步骤：

(1)对风机SCADA采集的数据处理，并将这些数据存储到设定的数据库中；

(2)传入待测风机的数据，并初始化高斯分布的模型参数；

(3)通过循环计算，根据贝叶斯定理计算故障系数的后验概率；

(4)通过循环计算，求得新的均值向量、新的协方差矩阵及新的高斯混合系数；

(5)通过判别条件判定所求的结果是否满足计算停止条件；

(6)更新聚类划分类别，对故障样本进行标记，并输出最终的预警结果。

进一步地，所述步骤(1)中采集某风机的历史运行数据，通过聚合算法，将秒级的数据聚合为分钟级数据，这样有利于数据的处理并优化存储空间，对于聚合后的数据，通过时间及风速进行可视化输出，利用运行人员的经验判别无效数据，并将无效数据剔除，根据处理后的数据设置SQL数据库并存储这些数据。

进一步地，所述步骤(2)中的聚合算法是以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性，SQL数据库是具有数据操纵和数据定义等多种功能的数据库语言。

进一步地，所述步骤(2)中假设故障预警模型中，输入模型的样本的生成过程由高斯混合和分布给出，对于给定一个具体的数据样本集合Ω＝{x

其中，x代表数据样本Ω中的样本，μ

当高斯混合分布已知时，高斯混合聚类把样本集Ω划分为k个簇C＝{C

进一步地，所述步骤(3)中的根据贝叶斯定理计算故障系数的后验概率：

其中，γ

进一步地，所述步骤(3)中高斯混合聚类算法采用极大似然估计，最大化似然函数，通常采用EM算法进行迭代优化求解，通过迭代优化来求得每个所属于的每个后验概率。EM算法的大致迭代过程为：每部迭代中，先根据当前参数计算每个样本属于高斯成分的后验概率(E步)，该根据最大化似然函数的推导公司更新模型参数(M步)。

进一步地，所述步骤(4)中根据第三步中的模型，以及输入模型中的风机数据，设计循环迭代算法，以计算得到新的均值向量、新的协方差矩阵及新的高斯混合系数。

进一步地，所述步骤(5)中判定聚类的故障数据与温度异常数据的匹配程度，如果满足差异裕度，则停止计算。

进一步地，所述步骤(5)的差异裕度即相位裕，在电路设计中是非常重要的一个指标，主要用来衡量负反馈系统的稳定性，并能用来预测闭环系统阶跃响应的过冲，相位裕度越大，系统越稳定。

进一步地，所述步骤(6)中对风机的限功率等功率下降工况进行标记，对故障样本进行标记，并输出最终的预警结果。

通过本申请上述实施例，采用了决策树的输出算法，可以将风机的故障预警数据和限功率数据分类，所标记的限功率数据用于增功控制或者提升运维质量，所标记的故障预警数据用于风机的发电机主轴承预警，以尽早发现风机故障，应用风机的离线数据验证了该方法的有效性，解决了现有技术无法对风力发电机主轴承故障进行预警的问题，提高了风机轴承故障预警的准确率，避免较大的风机事故，从而对风机进行保护，提高了风机的使用寿命。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本申请一种实施例的方法示意图；

图2为本申请一种实施例的测试数据示意图；

图3为本申请一种实施例的验证数据示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本实施例中的温度异常预警方法可以适用于风力发电机，例如，在本实施例提供了如下一种抗风能力强的离网型垂直轴风力发电机，本实施例中的温度异常预警方法可以用于抗风能力强的离网型垂直轴风力发电机。

包括支撑杆、滑槽、定位孔、第一支撑组件、第一活动杆、卡槽、第二活动杆、滑块、第二支撑组件、第三支撑组件、第四支撑组件、发电机、传动轴、Ⅰ段扇叶、转动座、调节组件、第一滑动块、第一支杆、第一螺杆、套座、第二螺杆、第二支杆、第二滑动块、第一凹槽、第二凹槽和Ⅱ段扇叶，所述支撑杆的前表面开设有滑槽，所述支撑杆的前表面对应滑槽一侧上下设置有两组定位孔，且支撑杆的前表面对应滑槽前方设置有第一支撑组件，所述支撑杆的后表面设置有第二支撑组件，所述支撑杆的一侧设置有第三支撑组件，且支撑杆的另一侧设置有第四支撑组件，所述支撑杆的顶端固定安装有发电机，所述发电机的上表面嵌入设置有传动轴，所述发电机的上表面靠近传动轴上方位置处设置有Ⅰ段扇叶，且发电机的上表面靠近Ⅰ段扇叶上方位置处安装有Ⅱ段扇叶，所述传动轴的外部安装有转动座，所述转动座的四周环绕设置有调节组件，所述Ⅰ段扇叶的侧表面沿竖直方向上开设有第一凹槽，且Ⅰ段扇叶的侧表面靠近第一凹槽下方位置处开设有第二凹槽。

当然本实施例也可以用于其他风力发电机。在此不再一一赘述，下面对本申请实施例的温度异常预警方法进行介绍。

请参阅图1-3所示，一种风力发电机主轴承温度异常预警方法，所述风力发电机主轴承温度异常预警方法包括如下步骤：

(1)对风机SCADA采集的数据处理，并将这些数据存储到设定的数据库中；

(2)传入待测风机的数据，并初始化高斯分布的模型参数；

(3)通过循环计算，根据贝叶斯定理计算故障系数的后验概率；

(4)通过循环计算，求得新的均值向量、新的协方差矩阵及新的高斯混合系数；

(5)通过判别条件判定所求的结果是否满足计算停止条件；

(6)更新聚类划分类别，对故障样本进行标记，并输出最终的预警结果。

所述步骤(1)中采集某风机的历史运行数据，通过聚合算法，将秒级的数据聚合为分钟级数据，这样有利于数据的处理并优化存储空间，对于聚合后的数据，通过时间及风速进行可视化输出，利用运行人员的经验判别无效数据，并将无效数据剔除，根据处理后的数据设置SQL数据库并存储这些数据。

所述步骤(2)中的聚合算法是以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性，SQL数据库是具有数据操纵和数据定义等多种功能的数据库语言。

所述步骤(2)中假设故障预警模型中，输入模型的样本的生成过程由高斯混合和分布给出，对于给定一个具体的数据样本集合Ω＝{x

其中，x代表数据样本Ω中的样本，μ

当高斯混合分布已知时，高斯混合聚类把样本集Ω划分为k个簇C＝{C

所述步骤(3)中的根据贝叶斯定理计算故障系数的后验概率：

其中，γ

所述步骤(3)中高斯混合聚类算法采用极大似然估计，最大化似然函数，通常采用EM算法进行迭代优化求解，通过迭代优化来求得每个所属于的每个后验概率。EM算法的大致迭代过程为：每部迭代中，先根据当前参数计算每个样本属于高斯成分的后验概率(E步)，该根据最大化似然函数的推导公司更新模型参数(M步)。

所述步骤(4)中根据第三步中的模型，以及输入模型中的风机数据，设计循环迭代算法，以计算得到新的均值向量、新的协方差矩阵及新的高斯混合系数。

所述步骤(5)中判定聚类的故障数据与温度异常数据的匹配程度，如果满足差异裕度，则停止计算。

所述步骤(5)的差异裕度即相位裕，在电路设计中是非常重要的一个指标，主要用来衡量负反馈系统的稳定性，并能用来预测闭环系统阶跃响应的过冲，相位裕度越大，系统越稳定。

所述步骤(6)中对风机的限功率等功率下降工况进行标记，对故障样本进行标记，并输出最终的预警结果。

一种风力发电机主轴承温度异常预警方法，采集风机的离线历史运行数据，进行数据预处理，将处理后的数据作为该方法的输入，目的是为了通过离线数据测试该方法的有效性；按照上述发明内容中的实施步骤以及图1中所示的实施流程，测试目标风机的发电机主轴承的故障情况，测试得到的结果如图2中所示，得到输出结果之后，将故障预警的结果与历史运行故障结果进行比对，最终结果显示，通过本发明中的方法得到风机主轴承故障信息可以准确描述风机实际的主轴承故障；经过离线验证之后，将风机的实时数据作为数据输入进入到该方法中，可以得到实时的风机主轴承故障预警信息，其结果如图3中所示。

涉及到电路和电子元器件和模块均为现有技术，本领域技术人员完全可以实现，无需赘言，本申请保护的内容也不涉及对于软件和方法的改进。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。