一种风电机组部件故障预测方法

技术领域

本发明涉及风电领域，具体地涉及一种风电机组部件故障预测方法。

背景技术

故障预测是指通过对历史数据进行分析处理，然后通过当前数据来预测未来的故障趋势或剩余有效寿命。随着技术的发展和生产生活的需要，设备检修从最开始的事故检修逐渐发展到如今的状态检修。故障预测技术是对设备进行状态检修的基础。风电机组设备的状态检修就是在对其设备进行在线监控的基础上，分析设备的运行情况并预测其发展趋势，进而对可能出现故障的设备进行及时的维修。故障预测相对于传统故障监测方式，最大的优势就是在故障发生之前，就可以预测出其可能发生的故障，如果这种预测的提前量足够长，预测结果足够准确，那么现场运行人员就可以立马采取对应的措施防止故障的发生，提高风电机组运行的安全性、稳定性、经济性。

现今主流的风电机组故障预测方法主要有：振动监测，油液监测，声发射监测，应变测量，模式识别方法和智能预警方法。振动监测法是通过对设备传感器记录的振动信号进行时域与频域的分析，识别设备的故障，主要有频谱分析、倒谱分析、包络线分析法及时间波形分析法等方法。油液监测是通过分析被监测设备的润滑油性能变化和携带的磨损微粒情况，获得机器的润滑和磨损状态信息，从而评价设备工况，确定故障原因。声发射监测是通过接收和分析材料的声发射信号来评定材料性能或结构完整的无损检测方法。应变测量是应用应变片和应变仪测量设备部件的表面应变，根据应变和应力之间的关系，确定部件的受力状态，判断元件的损坏情况，主要包括电测法、光测法、声测法、脆性涂层法、应变机械测量法等。模式识别方法是一项基本的智能方法，主要利用从诊断对象上获取的信息中提供的特征或者属性，根据一些模式识别算法进行分类识别。智能预警方法是基于在线监测的数据信息运用人工智能方法实现对风电运行状况的评估，并不完全依赖于风电机组的实验数据。

现有技术提出通过利用神经网络建立风机组件正常模型对风机齿轮箱进行故障预警、通过观察神经网络的预测值与实时数据之间的误差和误差频率的增加来实现故障预警、改进神经网络模型，选取最优性能模型对风机发电机轴承进行故障预测。

但是这些预警方法精度都不高，都不能准确的识别故障信号，实现故障预警。

发明内容

针对现有技术的上述问题，本发明拟提出一种风电机组部件故障预测方法，以能有效赢得备件和维护计划优化时间，同时也能剔除SCADA系统误报警，降低维护量，从而降低风电场维护成本。

具体地，本发明的实施方式提供了一种风电机组部件故障预测方法，包括以下步骤：

采集被监测的风电机组部件的运行状态数据；

针对所述风电机组部件进行故障分析，并获取所述风电机组部件运行的历史数据和实时数据；

对所述历史数据和实时数据进行预处理；

利用经过预处理的所述历史数据训练神经网络，获取神经网络预测模型；

结合神经网络与欧式距离算法，通过故障预警判据与所述实时数据对比，实现故障预警。

可选地，所述风电机组部件包括：风轮、偏航系统、变桨系统、液压系统、发电机、主轴承、SCADA系统。

可选地，还包括用优化前后的神经网络进行仿真对比。

可选地，所述预处理采用Z简单化。

可选地，所述获取神经网络预测模型包括采用遗传算法优化所述神经网络初始阈值和权值建立神经网络预测模型。

可选地，所述获取神经网络预测模型包括循环操作，直到训练目标达到设置的要求或者迭代次数达到设定的目标为止。

可选地，所述故障预警包括对单个关键部件进行故障预警。

可选地，所述故障预警的输入层的神经元个数为6，输出参数为故障预警部件。

本发明还提出一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明所提出的风电机组部件故障预测方法。

本发明还提出一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明所提出的风电机组部件故障预测方法。

本发明以发电厂SCADA数据为依托，结合GA-BP神经网络算法和欧式距离算法，设计了一种风电机组故障预警方法。相对于传统的故障预警方案，这种方法解决故障预警时间与预警精度的矛盾，能够适应风电机组运行工况复杂多变情况，能有效赢得备件和维护计划优化时间，同时也能剔除SCADA系统误报警，降低维护量，从而降低风电场维护成本。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本发明其中一实施例的故障预测方法流程示意图。

图2是本发明其中一实施例的GA—BP神经网络预测模型。

图3是本发明其中一实施例的通过故障预警判据与实时SCADA数据的流程示意图。

图4是本发明其中一实施例的BP神经网络性能曲线。

图5是本发明其中一实施例的GA-BP神经网络性能曲线。

图6是本发明其中一实施例的预测输出与期望输出的拟合图对比。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。

风电机组各个组成部件及其原理功能如下：

风轮主要是由叶片和轮廓组成，通过采用空气原理设计，是风电机组捕获风能的主要部件。将叶片固定在轮廓的轮轴上，风轮通过旋转产生的力矩传递到主传动轴上，在风轮内部还安装有一些用于变桨的机械设备与电气设备。

直驱式发电机，是一种由风力直接驱动发电机，亦称无齿轮风力发动机，这种发电机采用多极电机与叶轮直接连接进行驱动的方式，免去齿轮箱这一传统部件。直驱式风力发电机的优点有：发电效率高、可靠性高、运行及维护成本低、电网接入性能优异。直驱型风电机组没有齿轮箱，低速风轮直接与发电机相连接，各种有害冲击载荷也全部由发电机系统承受，对发电机要求很高。同时，为了提高发电效率，发电机的极数非常大，通常在100极左右，发电机的结构变得非常复杂，体积庞大，需要进行整机吊装维护。且永磁材料及稀土的使用增加了一些不确定因素。

变桨系统主要包括两大类型：液压和电动变桨系统。液压变桨是通过给液体施加压力驱动执行机构调节变桨实现的；而电动变桨则是通过伺服电机驱动齿轮机构调节变桨实现的。电动变桨系统包括变桨驱动和变桨距轴承两个部件。电动变桨系统的主要工作原理是，当应对不断发生变化的风速时，伺服电机驱动减速装置带动小齿轮旋转，而小齿轮又与变桨轴承的内环咬合，使变桨轴承和叶片组同时旋转，达到了改变风机桨距角的目的。

偏航是指风力发电机的风轮对风绕着轴旋转的过程。偏航系统功能就是捕捉风向控制机舱准确、平稳、可靠的对风，能最大程度获得风能。偏航系统按照不同的偏航方式可以分为两大类：被动偏航系统和主动偏航系统。被动偏航系统顾名思义是依靠风的作用使风机偏航，常见的调向装置有三种，分别是舵轮侧风轮、风向跟踪装置和尾舵调向；主动偏航系统主要通过电动机拖动齿轮机构使风轮一直保持正面迎风，获得最大风能。

液压系统的作用是通过改变液体压强增加作用力，将动力传输到机械单元。因液体具有密度大、无级调速、旋转平稳可靠和换零件相对容易等优点，因此被广泛使用于大型风电机组中。在发电机组中，液压系统主要用于风机的机械制动机构、变桨距机构、偏航系统驱动和偏航制动中。此外，还用于发电机冷却、变流器温度控制以及齿轮箱润滑油的冷却中，液压系统都发挥着不可替代的重要作用。

主轴承做为旋转机械系统中的重要组成部分，一般为调心滚子轴承，亦有采用大锥角双列圆锥滚子轴承的，大多数叶轮主轴是由两个调心滚子轴承支撑。由于叶轮主轴承受的载荷非常大，而且轴很长，容易变形，因此要求轴承必须有良好的调心性能。

SCADA的基本功能有风电场远程控制、实时监控和历史数据浏览等，保障风电机组的正常运行和安全性。在风机的运行过程中，需要SCADA系统监测上百个运行参数，根据这些运行数据观测风机运行的状态，同时也起到保护和监控等作用。这些实时跟踪参数是可以考核风电机组的综合性能以及判断是否故障的重要根据。如果深入的分析这些实时监控数据能够研究出更加有价值的信息，准确而又及时的看到风机异常情况的出现，伴随着哪些数据的变化。这些数据的变化帮助运行人员提高/风机机组的安全可靠性能以及大大降低了维修所花费的成本。

本发明为了提高风电机组运行安全性和稳定性以及远程监控自动化水平，提出了一种基于神经网络和欧式距离算法的风电机组部件故障预测方法。

具体地，该方法是采用如下步骤实现的：

对被监测的风电机组部件，如风轮、偏航系统、变桨系统、液压系统、发电机、主轴承、SCADA系统等进行状态数据采集。

针对风机主要部件进行故障分析，并通过SCADA系统获取风机运行历史SCADA数据与实时SCADA数据。

其中，风轮主要故障模式及原因如表1所示：

表1

发电机主要故障模式及原因如表2所示：

表2

变桨系统故障模式及原因如表3所示：

表3

偏航系统故障模式及原因如表4所示：

表4

液压系统故障模式及原因如表5所示：

表5

主轴承故障模式及原因如表6所示：

表6

对数据进行预处理：

进行数据的简单滤除。基于SCADA数据对风电机组进行故障预警需要保证SCADA数据部分数据集是正常完整的，然而SCADA数据在正常情况下很难找到一个完整的、正常的数据集。通常情况通过SCADA系统获取到的数据是不连续、不一致，需要对SCADA数据进行第一步简单的滤除，滤除丢失和异常的数据。

对数据进行标准化处理。数据标准化处理是将数据按照区间进行大小缩放，其中经典的方法有Z归一化、0-1归一化和Z简单化。本发明采用的数据归一化方法为Z简单化。

0-1归一化，也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0,-1]之间。转换函数如下所示：

x

公式(1)中，x

Z归一化，这种方法能够让样本数据的均值和标准差进行数据归一化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，转换函数如下所示：

x

公式(2)中，x

Z简单化表明x越大x

x

异常数据滤除。为了减少数据分析误差，需要对数据进行处理，滤除异常数据点。风功率样本数据x

公式(4)中，

根据公式(4)可以得到正常数据判断公式如下，而剩余数据则被判断为异常数据进行滤除。

公式(5)中，k通过统计小概率事件确定，通过设置k和a对数据进行异常判断，当x

选取处理后的正常历史数据对神经网络进行训练，并通过测试获取GA-BP神经网络预测模型。

初始化种群P，交叉概率、交叉规模P

适应度函数的设定，本发明的适应度函数设定为神经网络误差平方和的倒数：

公式(6)中，SE是经网络与神经网络预测输出与期望输出之间的误差平方和。

计算每一个个体评价函数，并将其排序，按下面的概率值选择网络个体：

公式(7)中，n为所有个体的数目，f

交叉操作和变异操作：最优个体没有进行交叉操作，而是直接复制进入下一代。而其他个体使用交叉概率P

循环操作，直到训练目标达到设置的要求或者迭代次数达到设定的目标为止。

通过故障预警判据与实时SCADA数据对比，实现故障预警。

GA-BP神经网络与欧氏距离进行故障预警框图如附图3所示。

本发明通过遗传算法优化GA-BP神经网络初始阈值和权值建立神经网络预测模型，选取6个特征参数作为BP神经网络的输入，输入层的神经元个数为6。输出参数为故障预警部件参数。

本发明针对单个关键部件进行故障预警，所以输出层神经元个数为1，隐含层经验公式如下所示：

公式(8)中，a＝[1,2,3,…,10]，m是输入层神经元个数，n是输出层神经元个数，得到最优隐含层神经元个数为8。隐含层的传递函数为S型正切函数tan sig,输出层传递函数为S型对数函数log sig,训练算法为trainlm算法，性能指数为MSE，训练目标为0.0001，遗传算法运行种群规模为50，最大遗传代数为100，变异率取0.09，交叉概率取0.7。

步骤6：用优化前后的神经网络进行仿真对比。

得到主轴承温度预测均方差值如表7所示：

表7

由仿真对比结果可知，本发明能够更准确的识别故障信号，实现故障预警。

本发明还涉及一种电子设备，包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明所提出的风电机组部件故障预测方法。

其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。

处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。

本发明还提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现权本发明所提出的风电机组部件故障预测方法。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。