王新

摘要：在風(fēng)力發(fā)電機運行的過程中，SCADA系統(tǒng)監(jiān)測的軸承溫度與功率存在較為顯著的相關(guān)關(guān)系。本文基于回歸參數(shù)法建立了軸承超溫故障預(yù)警模型，通過風(fēng)機軸承溫度與功率之間的相關(guān)性進(jìn)行軸承的健康狀況評估與故障預(yù)測。

關(guān)鍵詞：軸承超溫;回歸參數(shù)法;故障預(yù)警

中圖分類號：TM315 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2020）02-0098-01

0 引言

風(fēng)能是可再生能源中最具開發(fā)前景的一種能源[1]。然而，風(fēng)電機組因運行環(huán)境較為惡劣和長期的運行工作會生產(chǎn)各種各樣的故障。風(fēng)機軸承超溫是風(fēng)機故障中最為常見的一種故障。風(fēng)機軸承超溫是可以通過預(yù)警監(jiān)測和故障診斷避免的[2]。其中代表性成果有：利用小波分析的方法進(jìn)行特征提取，并采用BP神經(jīng)網(wǎng)絡(luò)的方法實現(xiàn)智能診斷[3]。采用自適應(yīng)遺傳與蟻群算法融合的方法，對故障進(jìn)行診斷[4]。

本文提出回歸參數(shù)算法建立軸承超溫故障預(yù)警模型，當(dāng)異常發(fā)生時，溫度會偏離該依賴關(guān)系決定的理論溫度。通過判定實測溫度是否顯著偏離正常工況下的理論溫度來給出預(yù)警信號，從而達(dá)到預(yù)警的目的。

1 數(shù)據(jù)預(yù)處理

選取國內(nèi)某風(fēng)場風(fēng)電機組的SCADA系統(tǒng)所記錄的軸承溫度與30s平均功率數(shù)據(jù)進(jìn)行驗證，該風(fēng)場風(fēng)機的基本參數(shù)為：切入風(fēng)速3m/s，切出風(fēng)速22m/s，額定功率為2100kw，額定風(fēng)速11m/s，異常數(shù)據(jù)分布比較典型的76號風(fēng)機的連續(xù)12個月的數(shù)據(jù)。選取機組相應(yīng)故障前50d至100d的監(jiān)測數(shù)據(jù)為正常數(shù)據(jù)，選取故障點至故障前1d的監(jiān)測數(shù)據(jù)為異常數(shù)據(jù)。

1.1 數(shù)據(jù)清洗

數(shù)據(jù)清洗，剔除訓(xùn)練數(shù)據(jù)集中的停機及限功率工況數(shù)據(jù)。

1.2 數(shù)據(jù)歸一化

將監(jiān)測參數(shù)的值映射到[0， 1]區(qū)間內(nèi)，采用最大最小值法歸一化數(shù)據(jù)，避免高次冪項與低次冪項之間數(shù)量級的差別，從而影響計算精度。

2 模型建立

2.1 回歸參數(shù)法軸承溫度模型建立

監(jiān)測參數(shù)間的相關(guān)關(guān)系通過多項式擬合的方法進(jìn)行分析，利用最小二乘法擬合訓(xùn)練風(fēng)機軸承溫度和功率數(shù)據(jù)中相關(guān)監(jiān)測參數(shù)的關(guān)系，其中功率作為擬合關(guān)系中的自變量x，溫度為因變量y。經(jīng)預(yù)處理后的數(shù)據(jù)為（x1，y1），（x2，y2），…，（xn，yn），采用k次多項式擬合：y=a0+a1x+…+akxk，則最小二乘法擬合系數(shù)的計算公式（1）、（2）為：

a=（XTX）-1Xy? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

a=（a0，a1，…，ak）T? y=（y1，y2，…，yn）T? ? ? ? ? ? ? ? ? ? （2）

由數(shù)據(jù)訓(xùn)練擬合正常與異?；貧w曲線，并量化正常與異常曲線之間的差別。當(dāng)計算得到的擬合差別超過一定閾值時，即可認(rèn)為存在潛在的故障風(fēng)險而發(fā)出預(yù)警。

2.2 健康指標(biāo)計算與故障預(yù)警

本文以正常曲線與異常擬合曲線之間的平均距離作為健康狀態(tài)的指示指標(biāo)，即健康指標(biāo)如公式（3）：

（3）

其中xmin和xmax分別為訓(xùn)練樣本的最小值和最大值。

3 實驗分析結(jié)果與分析

對76號機組的監(jiān)測數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)清洗與歸一化實現(xiàn)了數(shù)據(jù)規(guī)約，排除了大部分噪聲的影響，只保留較為平滑的數(shù)據(jù)變化趨勢。采用3次多項式對預(yù)處理后的數(shù)據(jù)進(jìn)行擬合，得到的擬合曲線如圖1中黑線所示，此即為正?；貧w曲線。圖中綠色點所示即為超溫數(shù)據(jù)分布，擬合如圖1中紅線異常回歸曲線。采用平均距離對回歸曲線的偏離程度進(jìn)行量化，即得到反映軸承潛在超溫問題的機組健康指標(biāo)如圖2所示。

在所有檢測時間點上計算得到的該健康指標(biāo)隨時間的變化曲線，通過該健康指標(biāo)可對軸承超溫問題進(jìn)行識別和預(yù)警。該健康指標(biāo)位于0附近波動時，表明機組基本處于正常狀態(tài)，而當(dāng)該指標(biāo)顯著高于0時，則表明軸承存在超溫風(fēng)險。從圖3中可見，隨著時間的推移，機組健康指標(biāo)存在隨時間增加的趨勢，并在故障發(fā)生的約前4d出現(xiàn)急劇的增加，圖中紅線則為第一次相關(guān)報警信號的出現(xiàn)時間。

4 結(jié)論

本文基于回歸參數(shù)法建立了軸承超溫故障預(yù)警模型，通過風(fēng)機軸承溫度與功率之間的相關(guān)性進(jìn)行軸承的健康狀況評估與故障預(yù)測。能有效的對軸承超溫進(jìn)行提前預(yù)警，減少因超溫而帶來的軸承故障問題。

參考文獻(xiàn)

[1] 胡錦楠，朱峙成，劉佳瑋，等.基于大數(shù)據(jù)的風(fēng)電場風(fēng)能資源及其利用情況評估[J].科技創(chuàng)新導(dǎo)報，2018，15（16）：48-49.

[2] 宋磊.雙饋異步風(fēng)電機組狀態(tài)監(jiān)測與故障診斷系統(tǒng)的研究[D].北京：華北電力大學(xué)，2015.

[3] KUSIAK A，LI W.The prediction and diagnosis of wind turbine faults [J].Renewable Energy，2011，36（1）：16-23.

[4] 張祥羅.風(fēng)力機中發(fā)電機在線故障特征提取與故障診斷系統(tǒng)研究[D].廣東：華南理工大學(xué)，2013

The Overtemperature Fault Warning of? Fan Bearing Based on Regression

Parameter Algorithm

WANG Xin

（Chongqing JiaoTong University， Chongqing? 400000）

Abstract：During the operation of wind turbine， the bearing temperature monitored by SCADA system is significantly correlated with the power. In this paper，based on the regression parameter method， a bearing over-temperature fault warning model is established.

Key words：bearing over-temperature; regression parameter method; fault early warning