一种风力发电机组轴承故障预警方法、装置、设备及介质

技术领域

本申请涉及风力发电机组轴承检测领域，特别是涉及一种风力发电机组轴承故障预警方法、装置、设备及介质。

背景技术

能源是促进人类生存和发展的重要物质基础。为积极响应碳达峰、碳中和战略目标，减少环境污染，大量可再生能源得到了开发与应用。其中，风能被认为是最具潜力和技术经济性的可再生能源之一，风力发电被视为能有效缓解能源短缺、应对环境问题的重要手段。

目前，各类轴承部件是风力发电机组出现故障的重灾区之一。现有的风力发电机组轴承故障预警策略是在设置故障判定准则时仅考虑了是否超限以及超限点个数对预警结果的影响，容易在残差剧烈波动的情况下出现故障误报。

因此，如何解决现有风力发电机组轴承故障预警策略存在的上述问题，是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种风力发电机组轴承故障预警方法、装置、设备及介质，可以有效降低风力发电机组轴承故障漏报与误报的风险，实现准确可靠的故障预警。其具体方案如下：

一种风力发电机组轴承故障预警方法，包括：

根据风力发电机组的SCADA历史数据，建立针对轴承温度的估计模型，并利用所述估计模型获取验证残差序列；

根据所述验证残差序列，利用3-sigma原则确定轴承温度残差预警阈值并获取轴承故障的基准预警分数；

利用所述估计模型获取风电发电机组的SCADA待测数据对应的应用残差序列；

将所述应用残差序列与所述轴承温度残差预警阈值进行比较，得到所述应用残差序列的超限情况并计算对应的超限预警分数；

当所述超限预警分数超过所述基准预警分数时，则进行轴承故障预警。

优选地，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，所述根据风力发电机组的SCADA历史数据，建立针对轴承温度的估计模型，包括：

获取风电发电机组的SCADA历史数据，并从所述SCADA历史数据中选取部分数据作为训练集；所述SCADA历史数据包括轴承温度；

利用所述训练集建立针对轴承温度的估计模型。

优选地，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，所述利用所述估计模型获取验证残差序列，包括：

从所述SCADA历史数据中选取部分风力发电机组健康运行状态下的数据作为验证集；

利用所述估计模型获取所述验证集对应的预测轴承温度与实际轴承温度的差值并作为验证残差序列。

优选地，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，所述根据所述验证残差序列，利用3-sigma原则确定轴承温度残差预警阈值并计算轴承故障的基准预警分数，包括：

获取所述验证残差序列的平均值和标准差；

根据所述验证残差序列的平均值和标准差，利用3-sigma原则确定轴承温度残差预警阈值；

将所述验证残差序列与所述轴承温度残差预警阈值进行比较，得到所述验证残差序列的超限情况；

获取所述验证残差序列中出现连续超限的最大次数作为轴承故障的基准预警分数。

优选地，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，所述将所述应用残差序列与所述轴承温度残差预警阈值进行比较，得到所述应用残差序列的超限情况，包括：

判断所述应用残差序列中的应用残差是否大于所述轴承温度残差预警阈值；若是，则判定应用残差超限；若否，则判定应用残差未超限；

若当前时刻应用残差超限且在设定时间段内首次出现超限，则判定当前时刻应用残差的超限情况属于单点超限；

若当前时刻应用残差和上一时刻应用残差均超限，则判定当前时刻应用残差的超限情况属于连续超限；

若当前时刻应用残差未超限但上一时刻应用残差超限，则判定当前时刻应用残差的超限情况属于超限消失；

若当前时刻应用残差超限，上一时刻应用残差未超限且历史时间内曾出现过超限，则判定当前时刻应用残差的超限情况属于重新超限。

优选地，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，采用下述公式计算所述应用残差序列中每一时刻应用残差对应的超限预警分数，包括：

其中，

优选地，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，所述当所述超限预警分数超过所述基准预警分数时，则进行轴承故障预警，包括：

判断所述应用残差序列中属于连续超限的应用残差对应的预警分数是否超过所述基准预警分数；

若是，则进行轴承故障预警；若否，则判定当前时刻轴承状态未发生故障。

本发明实施例还提供了一种风力发电机组轴承故障预警装置，包括：离线训练模块和在线应用模块；

所述离线训练模块包括验证残差序列获取单元和基准预警分数获取单元；所述在线应用模块包括应用残差序列获取单元、超限预警分数获取单元和轴承故障预警单元；

所述验证残差序列获取单元，用于根据风力发电机组的SCADA历史数据，建立针对轴承温度的估计模型，并利用所述估计模型获取验证残差序列；

所述基准预警分数获取单元，用于根据所述验证残差序列，利用3-sigma原则确定轴承温度残差预警阈值并获取轴承故障的基准预警分数；

所述应用残差序列获取单元，用于利用所述估计模型获取风电发电机组待测数据对应的应用残差序列；

所述超限预警分数获取单元，用于将所述应用残差序列与所述轴承温度残差预警阈值进行比较，得到所述应用残差序列的超限情况并计算对应的超限预警分数；

所述轴承故障预警单元，用于当所述超限预警分数超过所述基准预警分数时，则进行轴承故障预警。

本发明实施例还提供了一种风力发电机组轴承故障预警设备，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如本发明实施例提供的上述风力发电机组轴承故障预警方法。

本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述风力发电机组轴承故障预警方法。

从上述技术方案可以看出，本发明所提供的一种风力发电机组轴承故障预警方法，包括：根据风力发电机组的SCADA历史数据，建立针对轴承温度的估计模型，并利用估计模型获取验证残差序列；根据验证残差序列，利用3-sigma原则确定轴承温度残差预警阈值并获取轴承故障的基准预警分数；利用估计模型获取风电发电机组的SCADA待测数据对应的应用残差序列；将应用残差序列与轴承温度残差预警阈值进行比较，得到应用残差序列的超限情况并计算对应的超限预警分数；当超限预警分数超过基准预警分数时，则进行轴承故障预警。

本发明提供的上述风力发电机组轴承故障预警方法，在离线训练阶段，利用风力发电机组的SCADA历史数据，建立针对轴承温度的估计模型；根据模型输出的验证残差序列，应用3-sigma原则建立预警阈值并计算基准预警分数；在应用部署阶段，获取SCADA待测数据对应的应用残差序列，计算应用残差序列对应的超限预警分数，当该分数超过基准预警分数时，作出轴承故障预警，这样考虑了残差序列的波动对轴承故障预警结果输出的影响，能够有效降低风力发电机组轴承故障漏报与误报的风险，实现准确可靠的故障预警，有利于节约风电场的运维资源，对运维检修工作的开展有直接指导作用。

此外，本发明还针对风力发电机组轴承故障预警方法提供了相应的装置、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置、设备及计算机可读存储介质具有相应的优点。

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的风力发电机组轴承故障预警方法的流程图；

图2为本发明实施例提供的风力发电机组轴承故障预警方法的框架示意图；

图3为本发明实施例提供的故障预警判定准则原理图；

图4为本发明实施例提供的残差序列结果图；

图5为本发明实施例提供的36号故障机组故障预警结果示意图；

图6为本发明实施例提供的36号故障机组超限预警分数曲线图；

图7为本发明实施例提供的18号正常机组故障预警结果示意图；

图8为本发明实施例提供的18号正常机组超限预警分数曲线图；

图9为本发明实施例提供的风力发电机组轴承故障预警装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明提供一种风力发电机组轴承故障预警方法，如图1和图2所示，包括以下步骤：

S101、根据风力发电机组的SCADA历史数据，建立针对轴承温度的估计模型，并利用估计模型获取验证残差序列。

在实际应用中，采集设定历史时间段内风力发电机组的SCADA(SupervisoryControl And Data Acquisition，数据采集与监视控制系统)历史数据；该数据至少包含轴承温度信息，以及进行建模所需的其他信息。根据SCADA历史数据可以建立针对轴承温度的估计模型。利用该估计模型可以对SCADA历史数据输出对应的验证残差序列R

S102、根据验证残差序列，利用3-sigma原则确定轴承温度残差预警阈值并获取轴承故障的基准预警分数。

具体地，根据步骤S101获取的验证残差序列，根据3-sigma原则可以确定轴承温度残差预警阈值UCL(即固定阈值上限)。根据确定的轴承温度残差预警阈值UCL、验证残差的超限情况，可以获取轴承故障的基准预警分数S

S103、利用估计模型获取风电发电机组的SCADA待测数据对应的应用残差序列。

需要说明的是，本发明的预警方法采用的是“离线训练—在线应用”的框架实施。步骤S101至步骤S102是在离线训练阶段；步骤S103和后续步骤S104、步骤S105是在应用部署阶段。在执行步骤S103时，可以将步骤S101建立的估计模型在线应用部署到新获取的风电发电机组的SCADA待测数据上，进行轴承温度预测，获取当前的应用残差序列。该应用残差序列包含多个应用残差。可以理解的是，这里的应用残差和上述验证残差均是指残差(即预测值与实际值之间的差值)，只是为了区别这离线训练阶段和应用部署阶段这两个阶段获取的残差。

S104、将应用残差序列与轴承温度残差预警阈值进行比较，得到应用残差序列的超限情况并计算对应的超限预警分数。

具体地，将步骤S103中得到的当前时刻t的应用残差

S105、当超限预警分数超过基准预警分数时，则进行轴承故障预警。

在本发明实施例提供的上述风力发电机组轴承故障预警方法中，在离线训练阶段，利用风力发电机组的SCADA历史数据，建立针对轴承温度的估计模型；根据模型输出的验证残差序列，应用3-sigma原则建立预警阈值并计算基准预警分数；在应用部署阶段，获取SCADA待测数据对应的应用残差序列，计算应用残差序列对应的超限预警分数，当该分数超过基准预警分数时，作出轴承故障预警，这样考虑了残差序列的波动对轴承故障预警结果输出的影响，能够有效降低风力发电机组轴承故障漏报与误报的风险，实现准确可靠的故障预警，有利于节约风电场的运维资源，对运维检修工作的开展有直接指导作用。

进一步地，在具体实施时，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，步骤S101根据风力发电机组的SCADA历史数据，建立针对轴承温度的估计模型，具体可以包括：首先，获取风电发电机组的SCADA历史数据，并从SCADA历史数据中选取部分数据作为训练集；SCADA历史数据包括轴承温度；然后，利用训练集通过某种建模方法建立针对轴承温度的估计模型。

在具体实施时，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，步骤S101利用估计模型获取验证残差序列，具体可以包括：首先，从SCADA历史数据中选取部分风力发电机组健康运行状态下的数据作为验证集；然后，利用估计模型获取验证集对应的预测轴承温度与实际轴承温度的差值并作为验证残差序列R

进一步地，在具体实施时，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，步骤S102根据验证残差序列，利用3-sigma原则确定轴承温度残差预警阈值并计算轴承故障的基准预警分数，具体可以包括：获取验证残差序列R

在具体实施时，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，上述步骤中将验证残差序列R

判断验证残差序列R

若当前时刻验证残差和上一时刻验证残差均超限，则判定当前时刻验证残差的超限情况属于连续超限。

基于此，获取验证残差序列R

进一步地，在具体实施时，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，步骤S104将应用残差序列与轴承温度残差预警阈值UCL进行比较，得到应用残差序列的超限情况，具体可以包括：

判断应用残差序列中的应用残差是否大于轴承温度残差预警阈值UCL；若是，则判定应用残差超限；若否，则判定应用残差未超限；

若当前时刻应用残差

若当前时刻应用残差

若当前时刻应用残差

若当前时刻应用残差

也就是说，如图3所示，残差的超限情况包含四种情况：第一种是单点超限，即某连续时间段内第一次出现超限；第二种是连续超限，即该时刻残差超限且上一时刻残差也超限；第三种是超限消失，即该时刻残差未超限但上一时刻残差超限；第四种是重新超限，即该时刻残差超限，上一时刻残差未超限，且历史时间内曾出现残差超限点。

在具体实施时，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，采用下述公式计算应用残差序列中每一时刻应用残差对应的超限预警分数，具体可以包括：

其中，

需要说明的是，单点超限的预警分数

本发明对应用残差序列的超限情况分类分析，计算应用残差序列中每一时刻应用残差对应的超限预警分数。从上述公式(1)-(4)可以看出，要想求出当时时刻属于连续超限的应用残差对应的预警分数可能需要求出上一时刻属于单点超限或重新超限的应用残差对应的预警分数；要想求出当前时刻属于重新超限的应用残差对应的预警分数可能需要求出上一时刻属于超限消失的应用残差对应的预警分数。因此，本发明需要针对每一时刻应用残差的超限情况进行分类分析，求出其对应的超限预警分数。

进一步地，在具体实施时，在本发明实施例提供的上述风力发电机组轴承故障预警方法中，步骤S105当超限预警分数超过基准预警分数时，则进行轴承故障预警，具体可以包括：判断应用残差序列中属于连续超限的应用残差对应的预警分数是否超过基准预警分数；若是，则进行轴承故障预警；若否，则判定当前时刻轴承状态未发生故障。

在实施中，将连续超限情况下的

下面以一个具体实例对本发明实施例提供的上述风力发电机组轴承故障预警方法进行进一步的解释说明。

本实例对本发明提供方法的有效性进行验证，所用的风速和风向数据来自于中国东部某风电场一共36台风电机组的SCADA运行数据。该风电场36台风力发电机组的SCADA运行数据从2016年9月记录至2019年2月，一共为2年零5个月的数据，数据的采样时间间隔均为5分钟。实验使用的正常风电机组SCADA运行数据样本来自18号机组，其采集时间为2016年9月7日00:00:00到2017年9月24日00:35:00，共有110023条数据记录，且在该采样时间内机组整机运行正常。实验使用的故障机组数据样本来自36号机组，其采集时间为2016年9月7日00:00:00到2019年1月14日21:05:00，共有247645条数据记录；在该时间段内，36号机组曾分别于2018年9月10日09:35:00与2019年1月14日21:05:00报出“变桨轴承温度超限”故障，且在故障运维记录工单中显示第一次报出故障后对该轴承进行了巡检，但并未采取停机检修的措施。

离线训练阶段，基于18号风电机组进行轴承温度正常行为建模，采用时序卷积、图卷积等神经网络结构，利用图学习方法进行建模，并选取训练残差序列上的均值和方差来计算并设置应用残差序列的固定阈值上限UCL，如图4所示，UCL值约为2.5。在线应用阶段，选取36号机组“变桨轴承温度超限”这一故障开展故障预警实验；根据实际情况，选取评分策略中的系数λ

基于上述参数，可以计算得到36号机组上应用残差的故障预警结果和预警分数。如图5所示，本发明提出的故障预警方法能够在实际第一次故障发生前24天和实际第二次故障发生前8天报出预警，且未出现故障漏报的情况。如图6所示，验证了预警分数的变化过程：残差单点超限对应的预警分数较低；连续超限时分数会累加；超限消失时分数会下降；重新超限时分数会重新累加，直至超限预警分数超过基准分数时才会报出故障预警结果。作为对比，在同样的参数下选取正常运行的18号风电机组进行故障预警，可以得到图7示出的故障预警结果和图8示出的超限预警分数；可以看到，本发明提出的故障预警策略未能在该机组上得到故障预警结果。

基于同一发明构思，本发明实施例还提供了一种风力发电机组轴承故障预警装置，由于该装置解决问题的原理与前述一种风力发电机组轴承故障预警方法相似，因此该装置的实施可以参见风力发电机组轴承故障预警方法的实施，重复之处不再赘述。

在具体实施时，本发明实施例提供的风力发电机组轴承故障预警装置，如图9所示，具体可以包括：离线训练模块和在线应用模块；

离线训练模块包括验证残差序列获取单元11和基准预警分数获取单元12；在线应用模块包括应用残差序列获取单元21、超限预警分数获取单元22和轴承故障预警单元23；

验证残差序列获取单元11，用于根据风力发电机组的SCADA历史数据，建立针对轴承温度的估计模型，并利用估计模型获取验证残差序列；

基准预警分数获取单元12，用于根据验证残差序列，利用3-sigma原则确定轴承温度残差预警阈值并获取轴承故障的基准预警分数；

应用残差序列获取单元21，用于利用估计模型获取风电发电机组待测数据对应的应用残差序列；

超限预警分数获取单元22，用于将应用残差序列与轴承温度残差预警阈值进行比较，得到应用残差序列的超限情况并计算对应的超限预警分数；

轴承故障预警单元23，用于当超限预警分数超过基准预警分数时，则进行轴承故障预警。

在本发明实施例提供的上述风力发电机组轴承故障预警装置中，能够有效降低风力发电机组轴承故障漏报与误报的风险，实现准确可靠的故障预警，有利于节约风电场的运维资源，对运维检修工作的开展有直接指导作用。

进一步地，在具体实施时，在本发明实施例提供的上述风力发电机组轴承故障预警装置中，验证残差序列获取单元11具体可以用于获取风电发电机组的SCADA历史数据，并从SCADA历史数据中选取部分数据作为训练集；SCADA历史数据包括轴承温度；利用训练集通过某种建模方法建立针对轴承温度的估计模型；从SCADA历史数据中选取部分风力发电机组健康运行状态下的数据作为验证集；利用估计模型获取验证集对应的预测轴承温度与实际轴承温度的差值并作为验证残差序列R

进一步地，在具体实施时，在本发明实施例提供的上述风力发电机组轴承故障预警装置中，基准预警分数获取单元12具体可以用于获取验证残差序列R

进一步地，在具体实施时，在本发明实施例提供的上述风力发电机组轴承故障预警装置中，超限预警分数获取单元22具体可以用于判断应用残差序列中的应用残差是否大于轴承温度残差预警阈值UCL；若是，则判定应用残差超限；若否，则判定应用残差未超限；若当前时刻应用残差

进一步地，在具体实施时，在本发明实施例提供的上述风力发电机组轴承故障预警装置中，轴承故障预警单元23具体可以用于判断应用残差序列中属于连续超限的应用残差对应的预警分数是否超过基准预警分数；若是，则进行轴承故障预警；若否，则判定当前时刻轴承状态未发生故障。

关于上述各个单元更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。

相应地，本发明实施例还公开了一种风力发电机组轴承故障预警设备，包括处理器和存储器；其中，处理器执行存储器中存储的计算机程序时实现前述实施例公开的风力发电机组轴承故障预警方法。关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

进一步地，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的风力发电机组轴承故障预警方法。关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的风力发电机组轴承故障预警方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。