CN112431726A - 一种风电机组齿轮箱轴承状态监测方法 - Google Patents

Abstract

本发明公开了一种风电机组齿轮箱轴承状态监测方法，采用ReliefF特征选择算法选择变量，搭建改进的降噪自编码网络建立齿轮箱轴承温度与其影响变量之间的关系模型，并用该模型在监测阶段重构建模变量，对齿轮箱轴承温度进行预测。根据风电机组正常运行数据的建模变量重构误差计算得到指数加权移动平均值控制图阈值；若被监测机组的EWMA控制图统计量小于阈值，则机组运行正常；若超过阈值，发出齿轮箱轴承温度异常报警。该发明用于分析齿轮箱轴承的温度数据，高效准确地实现了风电机组齿轮箱轴承温度的人工智能监测和故障预警的目的。实例分析验证了该发明的实用性和通用性。

Description

一种风电机组齿轮箱轴承状态监测方法

技术领域

本发明属于风电机组齿轮箱状态监测领域，具体涉及一种风电机组齿轮箱轴承温度状态监测方法。

背景技术

近年来，我国部分地区空气环境日趋恶化，严重雾霾天气频发，以煤炭石油等化石燃料为主的传统能源结构亟需调整，科学高效地发展可再生能源迫在眉睫。风力发电作为可再生能源的重要组成部分，在我国发展迅猛，累计装机容量和新增装机容量均居世界首位。

风电机组的运行条件恶劣，如外界温差变化大，风速变化随机等。这些不确定的外界因素导致风电机组的故障率高，使风电场后期运行维护成本居高不下。

齿轮箱是风电机组的重要部件之一。风电机组齿轮箱运行有其自身的特点，即变速变载荷。随着风速的变化，齿轮箱各级的转速及承受的载荷随时发生变化，这给传统的状态监测方法应用于风电机组齿轮箱带来很大的挑战。

传统的齿轮箱轴承故障诊断技术，如振动分析，油液分析等，取得了一定的成果。由于风速随机变化，风电机组齿轮箱各级轴承的转速和载荷时变，而非转速不变的稳定工况。目前振动分析技术针对齿轮箱轴承的变转速变载荷的时变复杂工况下故障诊断的准确性较低，误报警和漏报警率较高。齿轮箱油液分析技术通过在风电机组停机期间采集齿轮箱油液标本，在实验室中分析润滑油液中的含水量、金属微粒数量及直径来对齿轮箱轴承状态进行诊断，但油液分析只能离线进行诊断，无法实现齿轮箱轴承的在线实时监测与诊断。还有采用多层前向神经网络对风电机组齿轮箱轴承温度进行建模并进行监测，但由于前向神经网络的结构简单，建模精度低，难以对齿轮箱轴承温度的异常变化进行及时准确地预警。

发明内容

为了克服上述现有技术存在的问题，本发明的目的在于提供一种风电机组齿轮箱轴承状态监测方法，是一种基于改进的降噪自编码网络的风电机组齿轮箱轴承温度状态监测方法。对于齿轮箱轴承温度数据，降噪自编码具有可以快速完成特征提取，降维和建模的特征。降噪自编码与粒子群(PSO)相结合建立模型，利用粒子群对降噪自编码结构参数的自适应寻优，可以提高模型特征学***均值控制图对齿轮箱轴承温度重构误差进行监测，该控制图方法可以准确检测出齿轮箱轴承温度的异常变化并及时发出预警。

为了达到上述目的，本发明采用如下技术方案：

一种风电机组齿轮箱轴承状态监测方法，所述方法具体包括如下步骤：

步骤1，采用ReliefF特征选择算法选择齿轮箱轴承温度建模变量

风电机组齿轮箱轴承温度受风电机组的多个参数变量影响，为确定齿轮箱轴承温度的影响因素，确定齿轮箱轴承温度模型的输入建模变量，采用ReliefF特征选择算法从风电机组上百个运行参数中选择建模变量；

ReliefF特征选择算法的输入为样本集D，该样本集D分为齿轮箱轴承温度正常历史运行数据和齿轮箱轴承温度超温历史运行数据两类，输出为原始变量对应的特征贡献权值向量W：

其中：

M——样本个数；

N——原始风电机组变量的个数；

ReliefF特征选择算法如下：

(1)初始化特征贡献权值向量W为零，并从样本集中取出m个样本，m＜M；

(2)循环i＝1:

(3)在样本集D中随机选择样本R_i

(4)找到与R_i同类的最邻近样本H

(5)找到与R_i不同类的最邻近样本P

(6)循环A＝1:N

(7)更新每一个原始变量对应的特征贡献权值

W[A]＝W[A]-diff(A,R_i,H)/m+diff(A,R_i,P)/m

(8)循环结束

(9)循环结束

其中：

W[A]——原始变量A对应的特征贡献权值；

diff(A,R_i,H)——样本R_i与样本H在变量A特征方向上的距离；

diff(A,R_i,P)——样本R_i与样本P在原始变量A特征方向上的距离；

采用上述算法计算得到各个原始变量对应的特征贡献权值向量W后，对于某原始变量A，如果其特征贡献权值：

W[A]＞δ

则选择原始变量A作为齿轮箱轴承温度的建模变量；

其中：δ——设定的特征权值阈值；

步骤2，搭建改进的降噪自编码网络模型，并对该模型进行训练

步骤2.1，构造齿轮箱轴承温度模型的训练样本和验证样本

在步骤1中，通过ReliefF特征选择算法选择的建模变量个数为L个，从风电机组齿轮箱轴承温度正常时段的每一条历史数据中，选择上述L个建模变量和齿轮箱轴承温度构成一个样本：

S(t)＝[x₁(t) x₂(t) … x_L(t),Y(t)]

其中：

S(t)——t时刻的齿轮箱轴承温度样本；

x₁(t) x₂(t) … x_L(t)——采用ReliefF特征选择算法选择的L个变量t时刻的值；

Y(t)——齿轮箱轴承温度t时刻的值；

将齿轮箱轴承温度某正常时段历史数据构成的所有样本按照3：1的比例分为训练样本集和验证样本集；

步骤2.2，搭建改进的降噪自编码网络模型，模型包括：

编码器：

解码器：z＝f(W₂·h+b₂)

其中：

h——隐藏层特征；

——对输入样本数据x进行随机加噪处理得到的加噪输入；

z——输入样本数据x的重构输出；

f()——神经网络激励函数，使用非线性函数sigmoid函数；

W₁——编码权值矩阵；

b₁——编码偏置向量；

W₂——解码权值矩阵；

b₂——解码偏置向量；

利用群体智能优化算法-粒子群算法对降噪自编码网络的隐含层节点数、输入数据随机置零比例进行优化选择，优化结构参数得到最小的损失函数；

步骤2.3，采用齿轮箱轴承温度模型的训练样本集对步骤2.2搭建的改进的自编码网络模型进行训练，训练算法采用误差反向传播算法；

步骤3，对改进的降噪自编码网络模型进行验证，并根据验证数据的重构误差确定齿轮箱轴承温度报警阈值；

改进的降噪自编码网络模型训练结束后，将验证样本送入改进的降噪自编码网络模型；验证样本个数为N_V，齿轮箱轴承温度模型对N_V个验证样本的温度预测值序列为

验证样本的实际齿轮箱轴承温度为

则第i个验证样本的模型预测残差为

采用平均绝对值误差百分比ε_MAPE来衡量改进的降噪自编码网络模型的建模精度，如下式：

其中：

N_V——验证样本个数；

y_i——第i个验证样本的实际齿轮箱轴承温度值；

——第i个验证样本的齿轮箱轴承温度模型预测值；

验证数据的重构误差为验证数据的降噪自编码网络输出重构值与真实值的欧氏距离：

其中：

RE——重构误差；

z_i——降噪自编码网络重构输出值；

x_i——降噪自编码网络原始输入值；

L——齿轮箱轴承温度建模变量个数；

根据验证数据，计算指数加权移动平均值控制图统计量l_k为：

l_k＝λRE_k+(1-λ)l_k-1

其中：

k——时间序列；

λ——第k个验证样本的重构误差RE_k对当前指数加权移动平均值控制图统计量的权重，λ∈(0,1]，取λ为0.2；

根据验证样本集，计算指数加权移动平均值控制图的上下限阈值为：

其中：

μ_RE——所有验证样本重构误差的均值；

σ_RE——所有验证样本重构误差的标准差；

K——设定系数，取值为3；

UCL——控制图阈值上限；

CL——验证集RE的均值；

LCL——控制图阈值下限；

步骤4，以上步骤完成后，转入监测阶段；当齿轮箱轴承出现故障或异常时，齿轮箱轴承温度与其影响因素之间的关系将会变化，与改进的降噪自编码网络模型发生偏离，导致监测数据模型重构误差发生变化；实时采集被监测机组运行数据，构成监测样本序列送入改进的降噪自编码网络模型，计算监测样本序列的指数加权移动平均值控制图统计量l_ci：

l_ci＝λRE_ci+(1-λ)l_ci-1

其中：

l_ci——监测样本序列的控制图统计量；

RE_c——监测数据的重构误差；

z_ci——监测数据的重构输出值；

x_ci——原始监测数据输入值；

当监测样本序列的指数加权移动平均值控制图统计量l_ci满足下式时，出现齿轮箱轴承温度异常，发出齿轮箱轴承温度异常报警：

和现有技术相比较，本发明具备如下优点：

1)本发明将降噪自编码网络应用于风电机组齿轮箱轴承温度状态监测；

2)降噪自编码与粒子群(PSO)相结合建立模型，利用粒子群对降噪自编码结构参数的自适应寻优，可以有效地训练数据，提高模型特征学习能力，并获得更准确的信号重建。

3)根据降噪自编码网络模型重构误差采用指数加权移动平均值(EWMA)控制图能够及早发现齿轮箱轴承隐患，采取预防措施，提高风电机组运行可靠性，降低维护成本。

附图说明

图1是本发明方法流程图。

图2是降噪自编码结构图。

图3a是PSO-SDAE模型7月份齿轮箱轴承温度预测值与实际值。

图3b是PSO-SDAE模型7月份齿轮箱轴承温度预测值与实际值之间的残差。

图4a是PSO-SDAE模型8月份轴承温度超温时预测值与实际值。

图4b是PSO-SDAE模型8月份轴承温度超温时预测值与实际值之间的残差。

图5是PSO-SDAE的8月份的指数加权移动平均值EWMA控制图。

具体实施方式

下面结合附图和实例对本发明进行详细描述。

以某风电场2MW机组的齿轮箱为研究对象，选取机组1分钟级别的SCADA***记录的运行数据，如图1所示，本实施例一种风电机组齿轮箱轴承温度状态监测方法，包括如下步骤：

步骤1，设定特征权值阈值δ为0.012，通过ReliefF算法选取12个符合要求的变量，具体如下表1所示。

表1：选择用于齿轮箱轴承温度建模的变量

步骤2，搭建改进的降噪自编码网络模型，降噪自编码网络结构如图2所示，并采用机组5至6月份运行数据作为训练数据集对模型进行训练，得到模型参数。

步骤3，对改进的降噪自编码网络模型进行验证，并根据验证数据的重构误差确定齿轮箱轴承报警阈值。

将7月份的齿轮箱轴承温度正常验证样本送入改进的降噪自编码网络，得到的齿轮箱轴承温度的预测值如图3a所示，温度预测残差如图3b所示。从图3a和图3b可以看出，改进的降噪自编码网络对齿轮箱轴承温度预测精度非常高，预测残差绝对值绝大部分在5度以内。计算得到的验证样本的ε_MAPE＝2.14％。

步骤4，在监测阶段，将齿轮箱轴承温度发生异常的8月份数据送入降噪自编码网络模型。模型计算监测样本的温度预测值如图4a所示，温度预测残差如图4b所示。在图4a中，由于齿轮箱轴承故障，导致其温度异常升高，监测样本的模型预测值和实际值在第957个样本以后逐步发生明显偏离，在图4b中改进的降噪自编码网络模型温度预测残差不断增大。在图5中，在第957个监测样本，EWMA控制图统计量超过齿轮箱轴承温度报警阈值UCL上限，***发出齿轮箱轴承温度异常报警。验证了本发明方法有效性。

Claims (1)

1.一种风电机组齿轮箱轴承状态监测方法，其特征在于：所述方法具体包括如下步骤：

步骤1，采用ReliefF特征选择算法选择齿轮箱轴承温度建模变量

风电机组齿轮箱轴承温度受风电机组的多个参数变量影响，为确定齿轮箱轴承温度的影响因素，确定齿轮箱轴承温度模型的输入建模变量，采用ReliefF特征选择算法从风电机组上百个运行参数中选择建模变量；

ReliefF特征选择算法的输入为样本集D，该样本集D分为齿轮箱轴承温度正常历史运行数据和齿轮箱轴承温度超温历史运行数据两类，输出为原始变量对应的特征贡献权值向量W：

其中：

M——样本个数；

N——原始风电机组变量的个数；

ReliefF特征选择算法如下：

(1)初始化特征贡献权值向量W为零，并从样本集中取出m个样本，

m＜M；

(2)循环i＝1:

(3)在样本集D中随机选择样本R_i

(4)找到与R_i同类的最邻近样本H

(5)找到与R_i不同类的最邻近样本P

(6)循环A＝1:N

(7)更新每一个原始变量对应的特征贡献权值

W[A]＝W[A]-diff(A,R_i,H)/m+diff(A,R_i,P)/m

(8)循环结束

(9)循环结束

其中：

W[A]——原始变量A对应的特征贡献权值；

diff(A,R_i,H)——样本R_i与样本H在变量A特征方向上的距离；

diff(A,R_i,P)——样本R_i与样本P在原始变量A特征方向上的距离；

采用上述算法计算得到各个原始变量对应的特征贡献权值向量W后，对于某原始变量A，如果其特征贡献权值：

W[A]＞δ

则选择原始变量A作为齿轮箱轴承温度的建模变量；

其中：δ——设定的特征权值阈值；

步骤2，搭建改进的降噪自编码网络模型，并对该模型进行训练

步骤2.1，构造齿轮箱轴承温度模型的训练样本和验证样本

在步骤1中，通过ReliefF特征选择算法选择的建模变量个数为L个，从风电机组齿轮箱轴承温度正常时段的每一条历史数据中，选择上述L个建模变量和齿轮箱轴承温度构成一个样本：

S(t)＝[x₁(t) x₂(t)…x_L(t),Y(t)]

其中：

S(t)——t时刻的齿轮箱轴承温度样本；

x₁(t) x₂(t)…x_L(t)——采用ReliefF特征选择算法选择的L个变量t时刻的值；

Y(t)——齿轮箱轴承温度t时刻的值；

将齿轮箱轴承温度某正常时段历史数据构成的所有样本按照3：1的比例分为训练样本集和验证样本集；

步骤2.2，搭建改进的降噪自编码网络模型，模型包括：

编码器：

解码器：z＝f(W₂·h+b₂)

其中：

h——隐藏层特征；

——对输入样本数据x进行随机加噪处理得到的加噪输入；

z——输入样本数据x的重构输出；

f()——神经网络激励函数，使用非线性函数sigmoid函数；

W₁——编码权值矩阵；

b₁——编码偏置向量；

W₂——解码权值矩阵；

b₂——解码偏置向量；

利用群体智能优化算法-粒子群算法对降噪自编码网络的隐含层节点数、输入数据随机置零比例进行优化选择，优化结构参数得到最小的损失函数；

步骤2.3，采用齿轮箱轴承温度模型的训练样本集对步骤2.2搭建的改进的自编码网络模型进行训练，训练算法采用误差反向传播算法；

步骤3，对改进的降噪自编码网络模型进行验证，并根据验证数据的重构误差确定齿轮箱轴承温度报警阈值；

改进的降噪自编码网络模型训练结束后，将验证样本送入改进的降噪自编码网络模型；验证样本个数为N_V，齿轮箱轴承温度模型对N_V个验证样本的温度预测值序列为

验证样本的实际齿轮箱轴承温度为

则第i个验证样本的模型预测残差为

采用平均绝对值误差百分比ε_MAPE来衡量改进的降噪自编码网络模型的建模精度，如下式：

其中：

N_V——验证样本个数；

y_i——第i个验证样本的实际齿轮箱轴承温度值；

——第i个验证样本的齿轮箱轴承温度模型预测值；

验证数据的重构误差为验证数据的降噪自编码网络输出重构值与真实值的欧氏距离：

其中：

RE——重构误差；

z_i——降噪自编码网络重构输出值；

x_i——降噪自编码网络原始输入值；

L——齿轮箱轴承温度建模变量个数；

根据验证数据，计算指数加权移动平均值控制图统计量l_k为：

l_k＝λRE_k+(1-λ)l_k-1

其中：

k——时间序列；

λ——第k个验证样本的重构误差RE_k对当前指数加权移动平均值控制图统计量的权重，λ∈(0,1]，取λ为0.2；

根据验证样本集，计算指数加权移动平均值控制图的上下限阈值为：

其中：

μ_RE——所有验证样本重构误差的均值；

σ_RE——所有验证样本重构误差的标准差；

K——设定系数，取值为3；

UCL——控制图阈值上限；

CL——验证集RE的均值；

LCL——控制图阈值下限；

步骤4，以上步骤完成后，转入监测阶段；当齿轮箱轴承出现故障或异常时，齿轮箱轴承温度与其影响因素之间的关系将会变化，与改进的降噪自编码网络模型发生偏离，导致监测数据模型重构误差发生变化；实时采集被监测机组运行数据，构成监测样本序列送入改进的降噪自编码网络模型，计算监测样本序列的指数加权移动平均值控制图统计量l_ci：

l_ci＝λRE_ci+(1-λ)l_ci-1

其中：

l_ci——监测样本序列的控制图统计量；

RE_c——监测数据的重构误差；

z_ci——监测数据的重构输出值；

x_ci——原始监测数据输入值；

当监测样本序列的指数加权移动平均值控制图统计量l_ci满足下式时，出现齿轮箱轴承温度异常，发出齿轮箱轴承温度异常报警：

Images