一种基于温度信息的风电机组轴承对故障诊断方法

1.本发明涉及风电设备状态监测与故障诊断领域，尤其涉及一种基于温度信息的风电机组轴承对故障诊断方法。


背景技术：

2.滚动轴承是风电机组传动链中最主要的支撑部件之一，其一旦发生故障将会影响风力发电机的正常运行和发电效率，严重的甚至导致整个机组停机维修，带来较大的经济损失。据相关统计分析，风电机组传动链故障中发电机轴承、齿轮箱相关轴承、主轴承的故障率分别为67.14％、32.04％、0.82％，其主要原因是风电机组传动链上的滚动轴承长期处于或高速或重载、高温、变载等恶劣的工作环境，且日常运维保养难度较大成本较高，导致风电机组传动链上轴承故障频频发生。
3.虽然现在运行的风电机组往往都装配了状态监控系统(conditionmonitoringsystem,cms)，可能从振动信号中分析出相关的故障特征来进行故障诊断，但由于cms产生的数据量较大，实时分析需要专业知识及人力成本，且传动链运转部件较多，信号往往相互干扰，给轴承的振动信号分析带来较大困难。与cms系统类似，现在并网发电的机组基本都配备了scada系统(supervisorycontrolanddataacquisition,scada)用于风电机组运行监测和控制，一般在风电机传动链关键轴承上都布置有温度测点，与振动信号相比，温度信号不容易受到相邻部件运行状态的影响，且可以持续进行监测。
4.中国专利文献cn110578659a公开了一种用于对风电机组scada数据进行处理的系统和方法，该方法通过对风电机组的实时数据进行检测，并从全部scada数据角度考虑，对scada数据进行计算和处理，舍去不符合理想功率曲线的数据，获得接近理想数值的scada数据，为风电机组建立理想功率曲线提供了设备和方法，进一步的改善了风场风电机组监控和预测的准确度。
5.现有技术中，cn113482863a公开了一种风力发电机组状态评估与健康管理系统，cn110410282a公开了一种基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法；cn110796281a公开了一种基于改进深度信念网络的风电机组状态参数预测方法。这些技术分别使用不同方法对风电机组的轴承进行了检测和控制。但是，由于故障来源具有多样性、工况的复杂性，故障检测的准确度还需要进一步的提高。
6.基于以上问题和所具备的条件，本发明公开了一种基于温度信息的风电机组轴承对故障诊断方法。


技术实现要素：

7.本发明涉及一种基于温度信息的风电机组轴承对故障诊断方法，利用同一轴上前后两端轴承(轴承对)之间温度相对大小的关系来进行故障诊断，主要解决风电传动链上轴承对难以实时的、智能的监测诊断的问题。一般情况下，正常运行的一对轴承由于运行工况
类似，其两端轴承各自的温度相差不大，或者按照某种特定的比例关系相互影响，在它们的温度散点图中表现为聚集成一定斜率的雪茄型簇团，当其中某个轴承发生故障时，如滚动体变形、轴承内外圈裂纹等，该轴承的温度将高于历史相同工况下正常运行时的温度，在轴承对温度散点图上表现为该状态点偏离历史健康数据簇团，偏离的方向为往故障发生的轴承端所表示的坐标轴数值较大方向，且故障程度越深，状态点偏离距离越大。基于以上故障机理总结出基于状态点与健康数据集的距离来度量故障的诊断方法。
8.总结以上原理，本发明包括如下方法：
9.一种基于温度信息的风电机组轴承对故障诊断方法，所述方法具体包括以下过程：
10.步骤1：获取风力发电机传动链健康运行时期的scada数据，筛除非正常发电的数据和已知故障的数据；
11.步骤2：将步骤1获得的数据按风速划分成多个小区，对每个风速间，统计功率序列的第一分位点q1和第三分位点q3，并计算分位距i＝q
3-q1，按照计算的q1、q3和i，清除功率小于q
1-1.5i和大于q3 1.5i的数据；
12.步骤3：从步骤2获得的数据中提取轴承对前端和后端温度数据，获取健康数据分布的边界；
13.步骤4：利用步骤3获取的健康数据分布的边界，计算健康数据与健康数据分布的边界的最短欧式距离，将其定义为轴承对原始健康状态值；
14.步骤5：利用步骤4获取的原始健康状态值，计算出健康状态值的均值、上阈值、下阈值；
15.步骤6：获取风力发电机传动链工作运行时期的scada数据，筛除非正常发电的数据和已知故障的数据，随后将数据按风速划分成多个小区，对每个风速间，统计功率序列的第一分位点q1和第三分位点q3，并计算分位距i＝q
3-q1，按照计算的q1、q3和i，清除功率小于q
1-1.5i和大于q3 1.5i的数据；
16.步骤7：将步骤6处理后的数据提取轴承对前端和后端温度数据，计算每个状态点与步骤3获得的健康数据分布的边界的欧式距离，得到状态指标；
17.步骤8：步骤7计算得到的状态指标再进行指数加权移动平均法平滑，获得平滑指标；
18.步骤9：将步骤8平滑指标与步骤5计算得到的上阈值、下阈值进行比较，当按时间顺序连续有12个平滑指标超出上阈值、下阈值时，则判断该平滑指标来源的scada数据所对应的轴承对为故障轴承对。
19.进一步的，步骤4中，每个状态点与健康数据边界的最短欧式距离作为这一状态的健康状态值。
20.进一步的，步骤4中，状态点离健康边界的距离越远则表征故障程度越深；
21.进一步的，步骤1或步骤6中，数据预处理中要删除掉的数据包括：1)风速小于等于0的数据；2)功率小于等于0的数据；3)其他与主传动链故障相关的已知故障数据。
22.进一步的，步骤2或步骤5中，scada数据再用四分位法进行清洗，首先将风速按每0.1m/s的风速间隔划分多个小区间，然后对划分的每个小风速区间，统计功率的第一分位点q1和第三分位点q3并计算分位距i＝q
3-q1，保存每个风速区间的第一、第三分位点以及分
位距。
23.进一步的，数据在删除非工作数据之后，再按划分的风速区间以及每个风速区间对应的q1、q3和i删除数据，删除掉功率小于q
1-1.5*i或大于q3 1.5*i的点。
24.进一步的，从清洗好的数据中提取轴承对前端和后端温度数据，利用结合高斯核函数的单分类支持向量机计算出健康数据的边界，决策边界的异常值容差取0.001。
25.进一步的，步骤8中，每个状态点的原始健康状态值需要经过指数加权移动平均法平滑，对于原始状态指标y
t
，它的平滑值z
t
＝(1-λ)z
t-1
λy
t
，其中t为数点，据索引λ为加权系数，t》1,λ＝0.2，y
train
为健康数据的原始状态指标序列。
26.进一步的，指标的上阈值计算公式为：ucl＝μ kσ(λ/(2-λ)*(1-(1-λ)
2n
))
1/2
，指标的下阈值计算公式为：lcl＝μ-kσ(λ/(2-λ)*(1-(1-λ)
2n
))
1/2
，式中μ、σ分别表示健康数据原始状态指标的均值和标准差，k为控制阈值范围大小的常数，k取8，λ为指数加权移动平均中的加权系数，λ取0.2，n为训练数据的个数。
27.本发明的有益效果为：本发明提供了一种利用风电scada数据，从温度信号中挖掘轴承对故障信息的方法，不同于容易受到相邻运动部件影响的振动信号，温度信号受相邻部件运动状态的影响较小，且变化缓慢、能够实时监测。本发明给风力发电机传动系统中轴承对的故障诊断提供了一个实时的、智能的解决方案，有利于主传动链轴承故障诊断效率，降低异常停机风险。
附图说明
28.图1表示风力发电机实施案例轴承对位置以及故障时温度分布情况。
29.图2表示某风场风电机组主轴轴承对温度散点图。
30.图3表示某风场风电机组主轴轴承对健康状态值变化情况。
31.图4表示某风场风电机组齿轮箱高速轴轴承对温度散点图。
32.图5表示某风场风电机齿轮箱高速轴轴承对健康状态值变化情况。
33.图6表示某风场风电机组发电机轴承对温度散点图。
34.图7表示某风场风电机组发电机轴承对健康状态值变化情况。
35.其中1为训练集，2为测试集。
具体实施方式
36.下面结合附图对本发明的实施例进行详细阐述，以使本发明的优点和特性能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
37.实施例数据来自实际某2.0mw机型风场风电机组的scada数据，时间从2018年5月份至2021年4月份，如图1、4、6所示为主轴承轴承对、齿轮箱高速轴轴承对、发电机轴承对正常与异常时温度信号在分布上的变化情况，主轴后轴承、齿轮箱高速轴后轴承故障时，与前轴承相比后轴承温度偏高，同样的发电机后轴承故障时后轴承温度偏高，状态点向上偏移。图3、5、7为图2、4、6情况下计算的健康状态值，通过其是否超过阈值判断轴承是否出现故障。以下将结合实施例详细展示轴承对的故障识别和状态指标量化过程，包括如下步骤：
38.步骤1：清除非运行数据。从目标机组中获取所诊断轴承健康运行时期的scada数据，对原始数据筛除掉非正常运行发电的数据以及其他已知故障的数据，筛除的数据包括：
39.1)风速小于等于0的数据；
40.2)功率小于等于0的数据；
41.3)其他与主传动链相关的已知故障数据。其他与主传动链相关的已知故障如主轴故障、齿轮箱齿轮故障、齿轮箱冷却润滑系统故障、发电机故障等。
42.步骤2：为了进一步清除偶发的异常数据，步骤1处理之后的数据按每0.1m/s的风速间隔划分多个小区间。
43.步骤3：对每个小风速间，统计计算各自功率值的第一分位点q1和第三分位点q3，具体操作为对每个风速区间的功率序列按从小到大排列，序列中第1/4位置的值为第一分位点q1，第3/4位置的值为第三分位点q3。然后计算分位距i＝q
3-q1，保存各风速区间的第一分位点、第三分位点和分位距。
44.以上步骤1-3可以参见中国专利文献cn110578659a。
45.步骤4：删除离散数据。对于删除非运行状态之后的数据(步骤1处理之后的数据)，按照步骤3计算得到的q1、q3和i，在每个小风速区间中，清除功率p小于q
1-1.5*i和p大于q3 1.5*i的数据点，即对于删除非运行状态后的数据y，删除离散点后的数据y
clean
满足q
1-1.5i＜y
clean
＜q3 1.5i。
46.步骤5：初始化一个单分类支持向量机模型，用高斯核函数作为模型的核函数，边界处异常值的容差取0.001.
47.步骤6：从步骤4处理得到的数据中提取所需轴承对两端温度数据，代入模型训练得到健康数据的边界，保存训练好的模型。如图2、图4、图6所示的虚线是三个实施例对应轴承对的健康数据边界。
48.步骤7：步骤4处理结果(健康)数据再次代入训练好的模型，计算每个状态点到健康数据的边界的欧式距离，该距离值作为轴承对原始健康状态值y。
49.步骤8：计算健康数据健康状态值的上下阈值，计算公式分别为：
50.阈值上限ucl＝μ kσ(λ/(2-λ)*(1-(1-λ)
2n
))
1/2
；
51.阈值下限lcl＝μ-kσ(λ/(2-λ)*(1-(1-λ)
2n
))
1/2
。
52.其中均值标准差n表示健康数据样本数量，k表示控制阈值范围大小的常数，实施例中k取8。保存均值和上下阈值。
53.步骤9：测试时，待测试的scada数据先按步骤1和步骤2进行处理，删除非正常工作数据并划分风速区间，然后按步骤4计算得到的各个风速区间的q1、q3和i进一步清洗离群异常点。
54.步骤10：测试时，清洗好的待测数据提取所需轴承对前端和后端温度数据，代入步骤6训练好的模型，计算每个状态点到健康数据边界的欧式距离，得到每个状态的原始状态指标ξ
t
，t表示测试数据样本索引，t＝1,2,
…
,m。
55.步骤11：测试时，为了减弱突变值的对诊断结果的影响模型输出原始健康状态值需要进行指数加权移动平均平滑，对于某时刻原始状态指标ξ
t
，它的平滑值为z
t
＝(1-λ)z
t-1
λξ
t
，特别的，加权系数λ取0.2，λ越小平滑效果越明显，t》1,z1＝μ。原始状态指标平滑之后的健康状态值如图3、图5、图7所示，其中包括了健康数据和测试数据的输出结果。
56.步骤12：异常诊断。测试时，根据步骤8计算得到的上下阈值，当步骤11平滑后的状
态指标中连续有12个值超出阈值范围时，即对于当前平滑过后的状态指标序列[z1,z2,
…
,z
t
,
…
]，如果存在子序列[z
j-11
,z
j-10
,
…
,zj](t-13≤j≤t)均大于阈值上限ucl或小于阈值下限lcl，则认为所诊断的轴承对中其中一个轴承出现了故障，发出报警信息。
[0057]
本发明的方法，由于是利用轴承对的scada数据，轴承对数据应当具有相关性，在这种情况下，轴承对如发生故障，则诊断能够更为准确的做出。相对于现有技术中利用挖掘scada数据的特点，本发明方法简单易行，计算难度小，准确度高。
[0058]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内所作的任何修改、同等替换、改进等，均应包含的本发明的保护范围之内。