[發明專利]一種發電機軸承故障預測方法

在審

• 申請號: 201711222655.3
• 申請日: 2017-11-29
• 公開（公告）號: CN107977508A
• 公開（公告）日: 2018-05-01
• 發明（設計）人: 史麗榮;劉海民;張慶運;李精家
• 申請（專利權）人: 北京優利康達科技股份有限公司
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/04
• 代理公司: 北京紐樂康知識產權代理事務所(普通合伙)11210
• 代理人: 李常芳

1.一種發電機軸承故障預測方法，其特征在于，包括以下步驟：

S1：基于功率曲線方法選取健康的風電機組SCADA數據，作為訓練樣本與測試樣本；

S2：建立目標參數的發電機軸承故障預測模型；

S3：利用預測模型預測測試樣本的目標參數，并與實際值對比，得到殘差；

S4：利用過程控制技術，計算報警閾值的上限與報警閾值的下限及警告閾值的上限與警告閾值的下限；

S5：利用預測模型預測風電機組實際運行目標參數，并與實際值對比，得到殘差一；

S6：若殘差一大于警告下限且小于警告上限，則判定發電機軸承健康；

S7：若殘差一大于警告閾值上限且小于報警閾值上限或者殘差小于警告值下限且大于報警閾值下限，則判定發電機軸承處于亞健康狀態；

S8：若殘差一大于報警上限或小于報警下限，則判定發電機軸承處于故障狀態。

2.根據權利要求1所述的一種發電機軸承故障預測方法，其特征在于，在步驟S1中，所述的基于功率曲線方法選取健康的風電機組SCADA數據的具體步驟包括：

S1.1：剔除停機數據：大于切入風速且小于切出風速，功率小于等于零的數據；

S1.2：剔除異常數據：有功功率小于-10KW或者有功功率超過滿發功率100kw的數據及風速超出切出風速的數據；

S1.3：根據風電機組的實際功率曲線數據，利用查表法，計算每個風速數據對應的理論功率值；

S1.4：計算理論功率值與實際功率值差值絕對值Err，即；

S1.5：將ERR大于設定最大誤差25KW的數據剔除；

S1.6：利用上述方法剔除1年以上風電機組SCADA數據中的異常數據，剩余的數據作為風電機組健康樣本數據。

3.根據權利要求1所述的一種發電機軸承故障預測方法，其特征在于，在步驟S2中，所述的建立目標參數的發電機軸承故障預測模型即BP神經網絡模型,具體包括:

S2.1：確定模型輸入為15個狀態參數，模型輸出為，即發電機驅動端軸承溫度與發電機非驅動端軸承溫度差；

S2.2：選取三層BP神經網絡作為預測模型；

S2.3：根據kolmogorov定理，確定三層BP神經網絡隱層節點數的近似關系為：n₂=2n₁+1，

其中：n₁為輸入層神經元個數；n₂為隱含層神經元個數；

S2.4：分別選取雙極性S型函數和線性函數作為模型隱含層與輸出層的傳遞函數；

S2.5：選取貝葉斯正則化迭代算法優化BP神經網絡的權值；

S2.6：利用MATLAB的神經網絡工具箱的函數newff建立模型，通過多次訓練BP神經網絡，得到最佳的模型。

4.根據權利要求3所述的一種發電機軸承故障預測方法，其特征在于，在步驟S2.5中，所述的貝葉斯正則化迭代算法的性能函數為：

式中：為均方誤差，為樣本總數，為期望輸出，為網絡實際輸出，為網絡權值均方，為網絡權值總數，為網絡權值，和為正則化系數。

5.根據權利要求1所述的一種發電機軸承故障預測方法，其特征在于，在步驟S3中，所述的利用預測模型預測測試樣本的目標參數，并與實際值對比得到殘差的具體步驟包括：

S3.1：利用步驟S2訓練得到的模型，對測試樣本進行預測，得到預測值；

S3.2：將預測值與實際值對比，計算殘差，具體公式為：。

6.根據權利要求1所述的一種發電機軸承故障預測方法，其特征在于，在步驟S4中，所述的利用過程控制技術，計算報警閾值的上限與報警閾值的下限及警告閾值的上限與警告閾值的下限的具體步驟包括：

S4.1：利用正常運行狀況下的風電機組數據進行驗證，證明樣本的殘差服從正態分布，確定樣本殘差的均值和方差作為正態分布均值和方差的估計值，計算表達式如下：

；

S4.2：利用步驟S3計算的殘差數據，計算殘差均值和方差，公式如下：

；

S4.3：確定以均值為中心，和作為發電機軸承故障預警的報警和警告的上下限：即報警上限為；警告上限為；警告下限為；報警下限為。

7.根據權利要求1所述的一種發電機軸承故障預測方法，其特征在于，在步驟S5中，所述的利用預測模型預測風電機組實際運行目標參數，并與實際值對比得到殘差一的具體步驟包括：

S5.1：利用步驟S2訓練得到的模型，對實際風電機組數據進行預測，得到預測值；

S5.2：將預測值與實際值對比，計算殘差一1，具體公式為：。