风机主轴超温预警方法与流程

本发明涉及风机主轴超温预警领域，特别涉及一种风机主轴超温预警方法。

背景技术：

风力发电机的主轴，也称低速轴，连接风力发电机的轮毂和发电机增速箱，用于传递风轮转动的扭矩，带动发电机发电，同时需要将风轮的轴向推力、叶轮和机舱重力以及自身重力作用的弯矩传递到机舱。风机在工作过程中，风机主轴会出现高温现象，如果不及时做出处置会损害风机主轴。目前，通过实时监测风机主轴的温度来进行报警，然后对风机进行处理，但是，这种高温报警方式不能进行高温预警，不能对未来时间段的温度情况作出预测，导致对风机的管理出现滞后性。

技术实现要素：

本发明的目的在于提供一种风机主轴超温预警方法，能够提前对主轴超温进行预警。

为实现上述目的，本发明提供了一种风机主轴超温预警方法，包括如下步骤：

步骤1，基于信号重构算法，根据风机功率、转子转速、轴承历史温度建立温度预测模型，根据所述温度预测模型计算得到风机主轴的实时的理论温度；

步骤2，设定预警阈值；

步骤3，实时采集风机主轴的温度作为实测温度，通过该实测温度与所述理论温度的差值与所述预警阈值的对比来判断是否给出超温预警信号。

优选地，在实测温度与理论温度的差值与所述预警阈值进行对比时，将实测温度与理论温度的差值作为模型预测残差，根据所述模型预测残差的分布变化来判断是否给出超温预警信号。

优选地，将预测残差的标准差σ*和95％分位点δ*作为异常工况判定的比较基准，将vi＝σ/σ*设定为波动性指标，将si＝p(r>δ*)设定为显著性指标，通过判断波动性指标和所述显著性指标的变化来判断是否给出超温预警信号。

与现有技术相比，本发明具有如下有益效果：基于信号重构算法构建温度的智能预测模型，通过功率、转子转速、轴承历史温度信息计算出正常工况下的模型预测温度。温度模型的预测值和实际测量值存在一定的偏差，将预测值和实测值之间的偏差成为模型预测残差。在正常工况下，模型预测残差应该保持相对稳定。该方法将表征正常工况下模型预测残差分布状况的两个参数，标准差σ*和95％分位点δ*，作为异常工况判定的比较基准。波动性指标vi和显著性指标si表征的是系统是否偏离正常状态，能够在故障发生的早期就能识别出故障征兆进行预警，而不是故障发生时才进行报警。

附图说明

图1是根据本发明的温度预测模型的建模中基于离线数据的风机温度建模及基准预警参数提取图；

图2是根据本发明的温度预测模型的建模中实时监测点残差值的计算图；

图3是根据本发明的温度预测模型的建模中基于预警指标的故障判定流程图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

根据本发明具体实施方式的风机主轴超温预警方法，包括如下步骤：

步骤1，基于信号重构算法，根据风机功率、转子转速、轴承历史温度建立温度预测模型，根据所述温度预测模型计算得到风机主轴的实时的理论温度。

步骤2，设定预警阈值。

步骤3，实时采集风机主轴的温度作为实测温度，通过该实测温度与所述理论温度的差值与所述预警阈值的对比来判断是否给出超温预警信号。

上述方案中，风机正常运行工况下，发电机驱动端轴承温度与功率、转子转速等相关参数之间存在一定的依赖关系，当异常发生时，温度会偏离该依赖关系决定的理论温度。该方法通过判定实测温度是否显著偏离正常工况下的理论温度来给出预警信号。为了给出理论温度，该方法基于信号重构算法建立了温度的智能预测模型(也叫温度预测模型)，通过功率、转子转速、轴承历史温度信息计算出正常工况下的模型预测温度，也即理论温度。该方法通过对指标的判断，至少能够提前4天对主轴超温进行预警。

作为一种优选的实施例，在实测温度与理论温度的差值与所述预警阈值进行对比时，将实测温度与理论温度的差值作为模型预测残差，根据所述模型预测残差的分布变化来判断是否给出超温预警信号。在正常工况下，模型预测残差应该保持相对稳定。异常工况下温度会偏离理论温度值，此时模型预测残差的分布将显著区别于正常工况下的残差分布。根据模型预测残差的分布变化来判断是否给出超温预警信号。

进一步，该方法将表征正常工况下模型预测残差分布状况的两个参数，标准差σ*和95％分位点δ*，作为异常工况判定的比较基准。也就是说，该方法提出了两个表征这一区分度的指标：波动性指标vi和显著性指标si，并用这两个指标作为预警指标，将vi＝σ/σ*设定为波动性指标，将si＝p(r>δ*)设定为显著性指标。通过判断波动性指标和所述显著性指标的变化来判断是否给出超温预警信号，也即当vi和si超过相应的阈值时，系统给出超温预警信号。

波动性指标vi和显著性指标si表征的是系统是否偏离正常状态，能够在故障发生的早期就能识别出故障征兆进行预警，而不是故障发生时才进行报警。

以下为本实施例提供的一种温度预测模型的建模说明：

算法流程

(1)模块一：离线建模(参见图1)

1.寻找影响温度的关键监测量，可利用专家筛选或相关分析来筛选关键监测量，本方案中将转子转速、功率、历史温度作为建模自变量；

2.将历史正常运行数据分为训练数据集和测试数据集，并进行归一化；

3.基于测试数据集，利用信号重构算法建立温度预测模型(本质是寻找温度和建模自变量的映射关系)；

4.将温度预测模型应用于测试数据集，得到模型预测的残差值；

5.对残差值进行统计分析，得出预测模型的性能指标：基准波动水平σ*＝模型残差值的标准差，基准显著水平δ*＝模型残差值的95％分位点。

(2)模块二：实时校对

如图2所示，对于每个监测时刻点，计算模型预测值与实际测量值的残差。

(3)模块三：定时预警判定(参见图3)

1.设定预警判定时点；

2.统计判定时点前n个监测点的残差值r，得到预警时点残差值波动水平σ；

3.计算预警指标：波动性指标vi＝σ/σ*、显著性指标si＝p(r>δ*)；

4.将预警指标(vi、si)和预警阈值进行比较，判定是否给出预警信号。

(4)温度预测模型建模过程

模型表达式：tn＝f(rsn,pwn，htn-1:n-k)

其中，tn是第n个监测时点的温度预测值，rsn是第n个监测时点的转子转速实测值，pwn是第n个监测时点的风机功率实测值，htn-1:n-k是第n-1到n-k个监测时点的温度实测值。本方案中k＝12，相邻监测点的时间间隔为5分钟，也即选取过去1小时的实测温度数据。本方案中采用支持向量回归(supportvectorregression，svr)算法为每个机组建立各自的温度预测模型。支持向量回归算法是信号重构算法的一种，在数据学习、模式识别、回归分析等方面表现出很优异的性能。本方案所用支持向量回归算法来自于开源软件包libsvm，该软件包由中国台湾清华大学chih-chungchang和chih-jenlin等开发，支持matlab，c，c#，python，java，php等常见编程语言，是目前使用最广泛的支持向量回归算法软件包。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。