[發(fā)明專利]一種發(fā)電機軸承故障預測方法

在審

• 申請?zhí)枺?/td>: 201711222655.3
• 申請日: 2017-11-29
• 公開（公告）號: CN107977508A
• 公開（公告）日: 2018-05-01
• 發(fā)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(yōu)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

技術領域

本發(fā)明涉及故障預測方法技術領域，具體來說，涉及一種發(fā)電機軸承故障預測方法。

背景技術

風電機組發(fā)電機軸承是旋轉機械不可缺少的零部件，長期工作在惡劣環(huán)境下容易導致軸承的內外圈、滾動體和保持架極易出現(xiàn)故障或失效，影響整個機組的正常運行，造成經濟損失。目前對于軸承的故障診斷及預警主要是針對CMS振動信號進行特征提取及分析，但CMS監(jiān)測設備不是每臺風電機組都有安裝，因此對于軸承故障的及時發(fā)現(xiàn)及處理是有困難的。

發(fā)明內容

針對相關技術中的上述技術問題，本發(fā)明提出一種發(fā)電機軸承故障預測方法，能夠克服現(xiàn)有技術的上述不足。

為實現(xiàn)上述技術目的，本發(fā)明的技術方案是這樣實現(xiàn)的：

一種發(fā)電機軸承故障預測方法，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(shù)據(jù)，作為訓練樣本與測試樣本；

S2：建立目標參數(shù)的發(fā)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(shù)，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(shù)，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(fā)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(fā)電機軸承處于亞健康狀態(tài)；

S8：若殘差一大于報警上限或小于報警下限，則判定發(fā)電機軸承處于故障狀態(tài)。

進一步的，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(shù)據(jù)的具體步驟包括：

S1.1：剔除停機數(shù)據(jù)：大于切入風速且小于切出風速，功率小于等于零的數(shù)據(jù)；

S1.2：剔除異常數(shù)據(jù)：有功功率小于-10KW或者有功功率超過滿發(fā)功率100kw的數(shù)據(jù)及風速超出切出風速的數(shù)據(jù)；

S1.3：根據(jù)風電機組的實際功率曲線數(shù)據(jù)，利用查表法，計算每個風速數(shù)據(jù)對應的理論功率值P_理論；

S1.4：計算理論功率值P_理論與實際功率值P_實際差值絕對值Err，即Err＝|P_實際-P_理論|；

S1.5：將ERR大于設定最大誤差25KW的數(shù)據(jù)剔除；

S1.6：利用上述方法剔除1年以上風電機組SCADA數(shù)據(jù)中的異常數(shù)據(jù)，剩余的數(shù)據(jù)作為風電機組健康樣本數(shù)據(jù)。

進一步的，在步驟S2中，所述的建立目標參數(shù)的發(fā)電機軸承故障預測模型即BP神經網(wǎng)絡模型,具體包括:

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

S2.2：選取三層BP神經網(wǎng)絡作為預測模型；

S2.3：根據(jù)kolmogorov定理，確定三層BP神經網(wǎng)絡隱層節(jié)點數(shù)的近似關系為：n₂＝2n₁+1，

其中：n₁為輸入層神經元個數(shù)；n₂為隱含層神經元個數(shù)；

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

S2.5：選取貝葉斯正則化迭代算法優(yōu)化BP神經網(wǎng)絡的權值；

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

優(yōu)選的，在步驟S2.5中，所述的貝葉斯正則化迭代算法的性能函數(shù)為：

msereg＝α·msw+β·mse

式中：mse為均方誤差，n為樣本總數(shù)，t_i為期望輸出，p_i為網(wǎng)絡實際輸出，msw為網(wǎng)絡權值均方，m為網(wǎng)絡權值總數(shù)，ω_j為網(wǎng)絡權值，α和β為正則化系數(shù)。

進一步的，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(shù)，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T_預測；