CN110674842A - 一种风电机组主轴轴承故障预测方法 - Google Patents

Abstract

本发明公开了一种风电机组主轴轴承故障预测方法，该方法是基于风机主轴轴承的历史故障维修数据，结合统计学和机器学习方法，以风机的多个监测指标作为输入变量，主轴轴承状态作为预测输出变量，并对输出变量的预测值进行统计分析，设定阈值进行故障预测。本发明方法具有较高的准确性及稳定性，可以实现提前一周预测主轴轴承故障，尽早发现早期异常。

Description

一种风电机组主轴轴承故障预测方法

技术领域

本发明涉及风力发电的技术领域，尤其是指一种风电机组主轴轴承故障预测方法。

背景技术

随着风力发电技术的不断发展，近年来大兆瓦、低风速机型的风力发电机组不断涌现，海上型大兆瓦紧凑型机组的研发与投产也取得了实质性的进展。

主轴轴承作为风力发电机组传动***的关键部件，由于受到随机性自然风的影响，其承受着巨大的随机冲击力，导致其产生多种类型的故障。主轴轴承一旦出现故障，如果未能及时维护，轻则迫使机组停机更换昂贵组件，重则损毁整个机组造成巨大损失。

现阶段风场以执行例行检修维护为主，且对风机状态评估及故障的诊断过于依赖运维人员的经验；另一方面，目前的风机监控***会对超限指标进行报警，但是由于其主要采用的是较宽的阈值，其触发预警时间已经很晚，不能做到更早地发现故障的作用。及时准确预警能够降低风机健康恶化的风险，以降低部件报废和停机过长带来的损失。

目前也已经有不少关于风电机组预警的研究，其中不少结合风速基于功率异常的方法来预警；一方面，该类方法的针对性不够，不能将故障定位到具体部件；另一方面，该类方法对现有的数据及其风机指标利用不够，容易造成误报。

因此，为了提升风机维护的目的性、准确性和及时性，良好的风机预警是十分迫切的需求。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种风电机组主轴轴承故障预测方法，具有较高的准确性及稳定性，可以实现提前一周预测主轴轴承故障，尽早发现早期异常。

为实现上述目的，本发明所提供的技术方案为：一种风电机组主轴轴承故障预测方法，该方法是基于风机主轴轴承的历史故障维修数据，结合统计学和机器学习方法，以风机的多个监测指标作为输入变量，主轴轴承状态作为预测输出变量，并对输出变量的预测值进行统计分析，设定阈值进行故障预测；其包括以下步骤：

1)数据探索

1.1)数据质量分析

数据质量分析是数据挖掘分析结论有效性和准确性的基础，数据质量分析的主要任务是检查原始数据中是否存在脏数据，脏数据是指不符合要求及不能直接用于分析的数据，脏数据包括缺失值、异常值、不一致的值、重复数据及含有特殊符号的数据；

1.2)数据特征分析

对数据进行质量分析后，接下来通过绘制图表、计算某些特征量的手段进行数据特征分析，数据特征分析包括：

分布分析：能够揭示数据的分布特征和分布类型；

对比分析：把两个或多个相互联系的指标进行比较，从数量上展示和说明指标之间的联系；

统计分析：用统计量对定量数据进行统计描述；

2)数据清洗

数据清洗主要是删去原始数据集中无关数据、重复数据，平滑噪声数据，筛选掉与挖掘主题无关的数据，处理缺失值、异常值；

处理数据缺失值的方法有3种：删除记录、数据插补和不处理；

处理异常值的方法包括：删除记录、视为缺失值即按照缺失值处理、平均值修正、不处理；

3)数据标准化及不平衡处理

对数据进行标准化处理，将数据转换成适当的形式，以适用于算法的需求；

为消除指标之间的量纲和取值范围差异的影响，需要进行标准处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析；数据标准化方法有：最小-最大标准化和零-均值标准化；

原始数据集中存在正负样本不平衡的问题，会导致模型无法正确分类；数据平衡处理方法有：ADASYN采样方法和SMOTE采样方法；ADASYN采样方法为自适应合成抽样方法，采用某种机制自动决定每个少数类样本需要产生多少合成样本；SMOTE采样方法是在少数类样本之间进行插值来产生额外的样本。

4)数据相关性分析

对步骤3)处理后的数据进行相关性分析：先使用随机森林方法进行特征选择，选取出与主轴轴承状态相关性大的变量，再经过分析主轴轴承的故障机理，挑选出与主轴轴承状态相关性大的变量，结合两种方法得到的相关变量，再经过皮尔逊相关性系数计算方法，删去各变量之间相关性大的变量，降低数据维度，并防止模型训练过拟合；最终，输入变量包括风速实时值、发电机功率实时值、发电机转速实时值、X方向振动值、Y方向振动值、机舱温度、室外温度、轮毂温度、齿轮箱非驱动端温度、齿轮箱油温、主轴轴承A温度、扭缆角度、年发电量和电网电流L1；输出变量为主轴轴承状态值：‘0’表示正常，‘1’表示故障；

5)数据建模

采用XGBoost算法，将已处理好的数据输入到XGBoost分类模型训练，并加入交叉验证，防止训练过拟合，训练完后导入需要分析的测试数据，进行故障预测；其中，XGBoost算法为极端梯度提升算法，是一种集成学习方法，在绝大多数的回归和分类问题上表现的十分优秀。

6)模型评价及故障预测

模型评价主要是计算模型的准确率P、召回率R、F1值、AUC和ROC曲线等指标，若准确率、召回率、F1值、AUC均大于0.9，ROC曲线接近左上角，则满足训练要求；其中，F1值为准确率和召回率的综合评价指标，F1＝2*P*R/(P+R)，F1值越大，模型越理想；ROC曲线为接受者操作特征曲线，用于评价模型的预测能力，曲线下的面积(AUC)越大，或者说曲线更接近左上角，那么模型越理想；AUC为ROC曲线下与坐标轴围成的面积，数值小于或等于1，AUC越高，模型越理想；

故障预测阶段进行规定时间的实时诊断，若某一天的预测数据中‘1’所占的比例大于0.9，则判断该天主轴轴承发生故障。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明方法基于大数据，使用风机主轴轴承的所有历史故障维修数据，数据集足够大。

2、本发明方法采用XGBoost算法建模，对大量数据训练的耗时短，分类准确度高，有效地将主轴轴承状态分为故障和正常。

3、本发明方法的训练数据为主轴轴承故障前一周的数据，因此模型可以实现提前一周预测出主轴轴承故障。

4、本发明方法利用随机森林算法并结合工程经验，充分筛选出与主轴轴承故障相关的特征量，保证输入变量能够表征主轴轴承状态。

5、本发明方法是动态的，记录的故障数据都可以动态纳入到下次的计算中去，随着数据的积累越来越大，准确性会进一步提高。

附图说明

图1a为风速数据分布图。

图1b为功率数据分布图。

图1c为发电机转速数据分布图。

图1d为机舱温度数据分布图。

图2为部分监测指标标准化结果图。

图3为模型测试ROC曲线图。

图4为主轴轴承故障预测结果图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

本实施例所提供的风电机组主轴轴承故障预测方法，是基于风机主轴轴承的历史故障维修数据，结合统计学和机器学习方法，以风机的多个监测指标作为输入变量，主轴轴承状态作为预测输出变量，并对输出变量的预测值进行统计分析，设定阈值进行故障预测；其包括以下步骤：

1)数据探索：选取风电机组发生主轴轴承磨损故障前一周的数据，对所有监测指标做质量分析和特征分析，查看数据质量及数据分布等，参见附图1a、1b、1c、1d所示，为部分监测指标数据分布，表1为部分监测指标统计分析。其中，grWindSpeed为风速实时值、grGenPowerForProcess_1sec为发电机功率实时值、grGenSpeedForProcess为发电机转速实时值、grTempRotorBearA_1sec为主轴轴承A温度、grIL1为电网电流L1。

表1

数据质量分析是数据挖掘分析结论有效性和准确性的基础。数据质量分析的主要任务是检查原始数据中是否存在脏数据，脏数据一般指不符合要求及不能直接用于分析的数据。脏数据主要包括：缺失值、异常值、不一致的值、重复数据及含有特殊符号的数据。

对数据进行质量分析后，接下来可通过绘制图表、计算某些特征量等手段进行数据特征分析。数据特征分析主要包括：

分布分析：能够揭示数据的分布特征和分布类型；

对比分析：把两个或多个相互联系的指标进行比较，从数量上展示和说明指标之间的联系。

统计分析：用统计量对定量数据进行统计描述。

2)数据清洗

数据清洗主要是删去原始数据集中无关数据、重复数据，平滑噪声数据，筛选掉与挖掘主题无关的数据，处理缺失值、异常值等。异常值包括：数据传输过程产生的错误值等(如风速为负值)。

处理数据缺失值的方法可分为3类：删除记录、数据插补和不处理。本实施例使用删除记录的方法。

处理异常值的方法包括：删除记录、视为缺失值(按照缺失值处理)、平均值修正、不处理。本实施例在分析异常值出现的原因后，选择删除记录的方法。

3)数据标准化及不平衡处理

对数据进行标准化处理，将数据转换成适当的形式，以适用于算法的需求。

为消除指标之间的量纲和取值范围差异的影响，需要进行标准处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析。数据标准化方法主要有：最小-最大标准化、零-均值标准化等。本实施例优选最小-最大标准化。

原始数据集中存在正负样本不平衡的问题，会导致模型无法正确分类。数据平衡处理方法主要有：ADASYN采样方法、SMOTE采样方法等。

在本实施例中，采用最小-最大标准化方法将输入数据都映射到[0,1]内，减少量纲对模型训练的影响。使用SMOTE采样方法，解决原始数据集中正负样本不平衡的问题，提高模型分类准确性，参见表2所示，为部分监测指标标准化结果。

表2

4)数据相关性分析

将步骤3)准备好的干净数据做相关性分析，使用随机森林方法进行特征选择，如附图2所示：特征重要度越大，与主轴轴承状态相关性越强。从图2中，挑选出与主轴轴承状态相关性较大的变量，其中，iKWhThisMonth为月发电量、grIL1为电网电流L1、iKWhThisYear为年发电量、grIL2为电网电流L2、grWindTurbineEnergyOutputAll为总发电量、grAvailabillityTotal为总的机组可利用率、grCableTwistTotal为电缆扭转总角度、grNacellePositionTotal为机舱方向总角度、iOperationHoursOverall为总运行时间、grWindTurbineAvailableRateDay为当天可利用率、grTempRotorBearB_1sec为主轴轴承B温度、grTempRotorBearA_1sec为主轴轴承A温度、grTemp1GearOil_1sec为齿轮箱油温、grBlade2TempMotor_1sec为桨叶2电机温度；再经过分析主轴轴承的故障机理，挑选出与主轴轴承状态相关性较大的变量；结合两种方法得到的相关变量，再经过皮尔逊相关性系数计算方法，删去各变量之间相关性较大的变量，降低数据维度，并防止模型训练过拟合。最终，输入变量包括风速实时值、发电机功率实时值、发电机转速实时值、X方向振动值、Y方向振动值、机舱温度、室外温度、轮毂温度、齿轮箱非驱动端温度、齿轮箱油温、主轴轴承A温度、扭缆角度、年发电量、电网电流L1；输出变量为主轴轴承状态值(‘0’表示正常，‘1’表示故障)。

5)数据建模

采用XGBoost算法，将已处理好的数据输入到XGBoost分类模型训练，并加入交叉验证，防止训练过拟合。训练完后导入需要分析的测试数据，进行故障预测。

6)模型评价及故障预测

模型评价主要是计算模型的准确率P、召回率R、F1值、AUC和ROC曲线等指标，若准确率、召回率、F1值、AUC均大于0.9，ROC曲线接近左上角，则满足训练要求；其中，F1值为准确率和召回率的综合评价指标，F1＝2*P*R/(P+R)，F1值越大，模型越理想；ROC曲线为接受者操作特征曲线，用于评价模型的预测能力，曲线下的面积(AUC)越大，或者说曲线更接近左上角，那么模型越理想；AUC为ROC曲线下与坐标轴围成的面积，数值小于或等于1，AUC越高，模型越理想。

故障预测阶段进行规定时间的实时诊断，若某一天的预测数据中‘1’所占的比例大于0.9，则判断该天主轴轴承发生故障。

在本实施例中，准确率、召回率、F1值、AUC分别为：0.9942、0.9943、0.9942、0.9943，都大于0.9，满足训练要求。附图3为模型测试ROC曲线，观察ROC曲线，ROC曲线非常接近左上角，满足训练要求。输入新的测试数据，对主轴轴承故障进行预测。

7)查看测试集输出值

如附图4所示，测试集为主轴轴承磨损故障前一周的数据，11月26日发生主轴轴承磨损故障。经过模型预测后，可查看到11月20日时预测数据中‘1’所占的比例已经大于0.9，因此可以提前一周判断主轴轴承发生故障。

综上所述，本发明经过数据探索、数据清洗、数据标准化及不平衡处理、数据相关性分析步骤后，完成了数据前期准备。接着将前期准备数据输入XGBoost分类模型进行训练，经过模型评价，达到要求后，可以实现提前一周预测主轴轴承故障，具有实际应用价值，值得推广。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (1)

1.一种风电机组主轴轴承故障预测方法，其特征在于：该方法是基于风机主轴轴承的历史故障维修数据，结合统计学和机器学习方法，以风机的多个监测指标作为输入变量，主轴轴承状态作为预测输出变量，并对输出变量的预测值进行统计分析，设定阈值进行故障预测；其包括以下步骤：

1)数据探索

1.1)数据质量分析

数据质量分析是数据挖掘分析结论有效性和准确性的基础，数据质量分析的主要任务是检查原始数据中是否存在脏数据，脏数据是指不符合要求及不能直接用于分析的数据，脏数据包括缺失值、异常值、不一致的值、重复数据及含有特殊符号的数据；

1.2)数据特征分析

对数据进行质量分析后，接下来通过绘制图表、计算某些特征量的手段进行数据特征分析，数据特征分析包括：

分布分析：能够揭示数据的分布特征和分布类型；

对比分析：把两个或多个相互联系的指标进行比较，从数量上展示和说明指标之间的联系；

统计分析：用统计量对定量数据进行统计描述；

2)数据清洗

数据清洗主要是删去原始数据集中无关数据、重复数据，平滑噪声数据，筛选掉与挖掘主题无关的数据，处理缺失值、异常值；

处理数据缺失值的方法有3种：删除记录、数据插补和不处理；

处理异常值的方法包括：删除记录、视为缺失值即按照缺失值处理、平均值修正、不处理；

3)数据标准化及不平衡处理

对数据进行标准化处理，将数据转换成适当的形式，以适用于算法的需求；

为消除指标之间的量纲和取值范围差异的影响，需要进行标准处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析；数据标准化方法有：最小-最大标准化和零-均值标准化；

原始数据集中存在正负样本不平衡的问题，会导致模型无法正确分类；数据平衡处理方法有：ADASYN采样方法和SMOTE采样方法；ADASYN采样方法为自适应合成抽样方法，采用某种机制自动决定每个少数类样本需要产生多少合成样本；SMOTE采样方法是在少数类样本之间进行插值来产生额外的样本；

4)数据相关性分析

对步骤3)处理后的数据进行相关性分析：先使用随机森林方法进行特征选择，选取出与主轴轴承状态相关性大的变量，再经过分析主轴轴承的故障机理，挑选出与主轴轴承状态相关性大的变量，结合两种方法得到的相关变量，再经过皮尔逊相关性系数计算方法，删去各变量之间相关性大的变量，降低数据维度，并防止模型训练过拟合；最终，输入变量包括风速实时值、发电机功率实时值、发电机转速实时值、X方向振动值、Y方向振动值、机舱温度、室外温度、轮毂温度、齿轮箱非驱动端温度、齿轮箱油温、主轴轴承A温度、扭缆角度、年发电量和电网电流L1；输出变量为主轴轴承状态值：‘0’表示正常，‘1’表示故障；

5)数据建模

采用XGBoost算法，将已处理好的数据输入到XGBoost分类模型训练，并加入交叉验证，防止训练过拟合，训练完后导入需要分析的测试数据，进行故障预测；其中，XGBoost算法为极端梯度提升算法，是一种集成学习方法；

6)模型评价及故障预测

模型评价主要是计算模型的准确率P、召回率R、F1值、AUC和ROC曲线这些指标，若准确率、召回率、F1值、AUC均大于0.9，ROC曲线接近左上角，则满足训练要求；其中，F1值为准确率和召回率的综合评价指标，F1＝2*P*R/(P+R)，F1值越大，模型越理想；ROC曲线为接受者操作特征曲线，用于评价模型的预测能力，曲线下的面积即AUC越大，或者说曲线更接近左上角，那么模型越理想；AUC为ROC曲线下与坐标轴围成的面积，数值小于或等于1，AUC越高，模型越理想；

故障预测阶段进行规定时间的实时诊断，若某一天的预测数据中‘1’所占的比例大于0.9，则判断该天主轴轴承发生故障。

Images