一种风力发电机组变桨轴承故障诊断方法与流程

1.本发明涉及风电领域，特别是涉及一种风力发电机组变桨轴承故障诊断方法。


背景技术：

2.变桨轴承作为水平轴风力发电机组的重要组成部分，主要功能是通过调节桨距角进行功率调节。其中，变桨轴承又是风力发电机组变桨轴承的关键部件，在工作中同时承受轴向载荷、径向载荷及倾覆力矩的影响，工况载荷情况复杂、工况环境差及整体刚度较低。因此变桨轴承的使用性能，决定着风力发电机组整体的稳定性和安全性。
3.风电场调研分析表明，随着机组运行时间的增加，变桨轴承故障概率呈增长趋势。例如，某风电场的各台风力发电机组陆续运行时间已有7
‑
10年，变桨轴承出现多起严重事故：发生21起导致叶片坠落的事故中，其中9起出现变桨轴承外圈断裂；在运维检查中发现近10台次轴承外圈开裂，与叶片坠落时轴承断裂情况类似；发生1起轴承卡涩导致叶轮无法回桨、高速轴过速制动引发机组着火事故；同时还发现50多例较为严重的磨损卡涩问题。该型机组变桨轴承的损坏主要表现为轴承外圈断裂和轴承轨道磨损卡涩问题，给风电场的安全生产带来极大的隐患。
4.因此，有必要不断研发和改进风力发电机组变桨轴承在线状态监测与故障诊断方法，以便及时准确地发现变桨轴承故障，并根据故障诊断结果安排对应的检修计划，减少设备事故率，降低维修费用，大大提高风力机运行安全性。


技术实现要素：

5.基于此，本发明的目的在于，提供一种风力发电机组变桨轴承故障诊断方法，其具有快速、在线、无损、实时、高效监测和诊断故障的优点。
6.一种风力发电机组变桨轴承故障诊断方法，其特征在于，包括如下步骤：
7.获取风力发电机组的运行状态参数；
8.通过pca算法对所述运行状态参数进行处理，获得对所述风力发电机组的运行状态敏感的p种状态参数，其中，p为所述运行状态参数的输入维数；
9.将所述p种状态参数输入训练好的所述变桨轴承故障诊断网络模型，得到所述风力发电机组的变桨轴承故障诊断结果，其中，所述变桨轴承故障诊断网络模型为单隐含层前馈神经网络模型。
10.本发明所述的风力发电机组变桨轴承故障诊断方法，通过实时获取风电机组变桨轴承的运行状态参数及实时诊断，可及时准确地发现变桨轴承故障，并根据故障诊断结果安排对应的检修计划，减少设备事故率，降低维修费用，大大提高风力机运行安全性。
11.进一步地，所述通过pca算法对所述运行状态参数进行处理，获得对所述风力发电机组的运行状态敏感的p种状态参数，包括：
12.1)标准化处理：
13.构建状态参数数据矩阵x：
[0014][0015]
通过如下公式计算协方差矩阵x
i
'
j
，
[0016][0017]
(i＝1,2,...,n；j＝1,2,...,m)
[0018]
其中，x
nm
表示第m组参数中的第n个状态参数；
[0019]
标准化后的数据矩阵x'为：
[0020][0021]
x'协方差矩阵为：
[0022][0023]
2)利用协方差矩阵s对风力发电机组的运行状态参数进行降维处理：
[0024]
将协方差矩阵s进行特征值分解，求出特征值及其特征向量：
[0025]
s＝pλp
t
[0026]
式中，λ是对角矩阵，包含递减的非负实特征值λ1≥λ2≥...≥λ
m
≥0，p为特征值降序排列后前m行组成的向量矩阵；
[0027]
3)计算主成分贡献率：
[0028]
将最大特征值及其对应的特征向量，定义为第一主成分的方差和方向，以此类推，直至确定最后一个主成分的方差和方向；
[0029]
每个主成分的方差在样本总方差中所占比值，即为该主成分对于该样本的贡献率，第k个主成分的贡献率v
k
定义为：
[0030][0031]
将特征值λ
m
从大到小排列，前k个主成分的累计贡献率cpv(k)定义为：
[0032][0033]
累计贡献率达到cpv阈值时主成分k的个数，即为降维后风力发电机组的运行状态
参数的输入维数p。
[0034]
通过上述公式处理，可从多种所述风力发电机组的变桨轴承运行状态参数中，获得所述运行状态参数的输入维数p。
[0035]
进一步地，所述cpv阈值为90％，保证降维后风力发电机组的运行状态参数能包括原始状态参数的绝大多数信息。
[0036]
进一步地，所述变桨轴承故障诊断网络模型包括一个输入层、一个隐含层和一个输出层；
[0037]
输入层节点数为n个，将所述p种状态参数作为输入参数，即n＝p；
[0038]
隐含层节点数为i；
[0039]
输出层节点数为3，分别表示变桨轴承的三个典型状态：正常状态、部件磨损状态、部件断裂状态。
[0040]
进一步地，所述变桨轴承故障诊断网络模型的训练过程包括如下步骤：
[0041]
获取风力发电机组的运行状态参数；
[0042]
通过pca算法对所述运行状态参数进行处理，获得对所述风力发电机组的运行状态敏感的p种状态参数，其中，p为所述运行状态参数的输入维数；
[0043]
通过os
‑
w
‑
elm训练算法来训练所述变桨轴承故障诊断网络模型，包括以下阶段：
[0044]
1)os
‑
w
‑
elm初始化学习阶段：
[0045]
初始阶段选取n0组数据其中
[0046]
其中，x
i
是一个数组，其包含了一组特征值，指同一时刻，所有的风力机运行状态参数；
[0047]
t
i
为这一组特征值所对应的时刻；
[0048]1‑
1)随机产生输出权重矩阵w
i
和偏置矩阵b
i
，其中，
[0049]1‑
2)通过如下公式计算初始的隐含层输出矩阵：
[0050][0051]
其中，g(x)为激活函数，g(w1x1+b1)是隐含层输出矩阵中的值，根据随机的输出权重矩阵w
i
和偏置矩阵b
i
获得，然后在神经网络自我学习过程中自动修正输出权重矩阵w
i
和偏置矩阵b
i
；
[0052]1‑
3)通过如下公式计算初始的输出权重矩阵β0：
[0053][0054]
其中，
[0055]
其中，m0由计算得到，t0是单独提出的时间矩阵，对应中的t
i
；
[0056]1‑
4)设k＝0，k为块数，表示初始化学习阶段；
[0057]
2)os
‑
w
‑
elm在线序列学习阶段：
[0058]2‑
1)设第k+1块样本集为：
[0059][0060]
其中，n
j
是第j块样本集的样本数量；
[0061]
通过如下公式计算隐含层输出矩阵h
k+1
：
[0062][0063]2‑
2)通过如下公式计算输出权重矩阵β
k+1
：
[0064][0065]
其中，
[0066][0067]
m
k+1
通过上述公式计算得到，用于不断地修正权重矩阵β
k+1
，使神经网络能达到自我学习的目的；
[0068]2‑
3)令k＝k+1，转至步骤2
‑
1)直至结束。
[0069]
与传统的训练方法相比，所述os
‑
w
‑
elm训练算法具有学习速度快、泛化性能好等优点。通过学习的诊断网络，就可以用于变桨轴承的故障诊断。在网络诊断使用过程中，若发现有新的故障数据样本，采用在线学习方法，快速学习新的样本，无需重新开始学习，大大地节约了时间成本，提高了系统运行效率。
[0070]
进一步地，所述风力发电机组的运行状态参数包括以下至少一项：
[0071]
风力发电机机舱外平均风速、风向、风力发电机第一桨叶至第三桨叶的桨距角、低速轴转速、发电机有功功率、变桨电机的电压和电流、变桨电机温度、桨叶变流器温度、变桨电池电压、变桨轴承油脂泵出口油压和变桨齿轮油脂泵出口油压。
[0072]
以上参数基本覆盖风力机电动变桨系统常见故障所需的运行状态参数，可通过常用传感器获取，不额外增加成本。
[0073]
进一步地，所述风力发电机组的运行状态参数通过scada系统获得，所述scada系统包括信号传感器、数据采集器、scada网络和故障诊断终端；
[0074]
所述信号传感器设置于风力发电机组上，并与所述数据采集器连接；所述数据采集器和所述故障诊断终端分别接入所述scada网络；
[0075]
所述信号传感器设置于风力发电机组上，用于感应所述风力发电机组的运行状态，并将感应到的参数信号传输至所述数据采集器；
[0076]
所述数据采集器用于将所述参数信号转换为风力发电机组的运行状态参数信号，并通过所述scada网络发送给所述故障诊断终端；
[0077]
所述故障诊断终端搭载信号处理软件和检测诊断软件系统，用于通过所述scada
网络获取所述变桨轴承的运行状态参数，并输出风力发电机组变桨轴承故障结果。
[0078]
所述scada系统可实现所述风力发电机组的运行状态参数的实时获取、传输和处理计算，有效提高风力发电机组运行的安全性和可靠性。
[0079]
进一步地，所述scada系统还包括信号放大器，所述信号放大器分别与所述传感器和所述数据采集器连接，所述信号放大器用于接收所述传感器的参数信号，对所述参数信号进行滤波、除噪和放大处理后，传输给所述数据采集器。
[0080]
所述信号放大器可将所述传感器感应到的参数信号进行标准化处理，便于数据采集器进行下一步的处理与转换。
[0081]
进一步地，所述scada系统还包括数据库服务器和web服务器，所述数据库服务器与所述web服务器接入所述scada网络，用于接收并存储所述风力发电机组的运行状态参数。
[0082]
所述数据库服务器和所述web服务器可实现所述风力发电机组的运行状态参数的实时存储，并进一步便于与故障诊断终端的数据交互。
[0083]
进一步地，所述scada系统还包括监测终端；
[0084]
所述监测终端接入所述scada网络，
[0085]
或者，
[0086]
所述监测终端通过internet与所述web服务器连接，并通过所述web服务器获取所述风力发电机组的运行状态。
[0087]
用户可灵活设置监测终端的位置，即时在线监视风力发电机组的变桨系统的运行情况。
[0088]
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
[0089]
图1为风力发电机组变桨轴承故障诊断方法步骤图；
[0090]
图2为风力发电机组的运行状态参数的示意图；
[0091]
图3为基于pca的数据处理流程图；
[0092]
图4为基于极限学习机的变桨轴承故障诊断网络模型的结构示意图；
[0093]
图5为基于os
‑
w
‑
elm训练算法训练变桨轴承故障诊断网络模型的流程图；
[0094]
图6为变桨轴承故障诊断软件功能结构示意图；
[0095]
图7为本发明一个实施例中的scada系统结构示意图；
[0096]
图8为本发明的另一个实施例中的scada系统结构示意图。
具体实施方式
[0097]
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
[0098]
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶部”、“底部”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必
须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0099]
需要说明的是，当元件被称为“固定于”另一个元件，它可以是直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。
[0100]
下面给出几个具体的实施例，用于详细介绍本申请的技术方案。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
[0101]
如图1所示，在一个具体的实施例中，本发明所提供的一种风力发电机组变桨轴承故障诊断方法包括如下步骤：
[0102]
s101：获取风力发电机组的运行状态参数。
[0103]
其中，如图2所示，在一个实施例中，风力发电机组的运行状态参数包括风力发电机机舱外平均风速、风向、风力发电机第一桨叶至第三桨叶的桨距角、低速轴转速、发电机有功功率、变桨电机的电压和电流、变桨电机温度、桨叶变流器温度、变桨电池电压、变桨轴承油脂泵出口油压和变桨齿轮油脂泵出口油压中的至少一项。
[0104]
在一个优选的实施例中，本发明提供的一种风力发电机组变桨轴承故障诊断方法通过scada系统获取以上参数。具体过程为：
[0105]
1)将风速传感器、风向传感器、叶片桨距角传感器、低速轴转速传感器、发电机电功率传感器、变桨电机的电压和电流传感器、变桨电机温度传感器、桨叶变流器箱温度传感器、变桨电池电压传感器、变桨轴承油脂泵出口油压传感器、变桨齿轮油脂泵出口油压传感器接入scada系统。
[0106]
2)scada系统实时采集各个传感器信号，并通过scada系统自身的信号转换系统，将传感器信号(电流或电压信号)转换成风力发电机组的运行状态参数(包括但不限于风速值、风向、叶片桨距角度、低速轴转速、发电机电功率、变桨电机的电压和电流值、变桨电机温度、桨叶变流器箱温度、变桨电池电压值、变桨轴承油脂泵出口油压值、变桨齿轮油脂泵出口油压值)，并将风力发电机组的运行状态参数存储在数据库服务器中。
[0107]
3)利用专门的数据读取程序读取风电机组scada系统数据库服务器中的实时风力机运行状态参数数据，从中提取风速、风向、叶片桨距角、低速轴转速、发电机电功率、变桨电机的电压和电流、变桨电机温度、桨叶变流器箱温度、变桨电池电压、变桨轴承油脂泵出口油压、变桨齿轮油脂泵出口油压等数据。
[0108]
s102：通过pca算法对所述运行状态参数进行处理，获得对所述风力发电机组的变桨轴承的运行状态敏感的p种状态参数，如图3所示，具体包括如下步骤：
[0109]
1)标准化处理：
[0110]
构建状态参数数据矩阵x：
[0111][0112]
通过如下公式计算协方差矩阵x
i
'
j
，
[0113][0114]
(i＝1,2,...,n；j＝1,2,...,m)
[0115]
其中，x
nm
表示第m组参数或在m时刻的第n个状态参数；
[0116]
标准化后的数据矩阵x'为：
[0117][0118]
x'协方差矩阵为：
[0119][0120]
2)利用协方差矩阵s对风力发电机组的运行状态参数进行降维处理：
[0121]
将协方差矩阵s进行特征值分解，求出特征值及其特征向量：
[0122]
s＝pλp
t
[0123]
式中，λ是对角矩阵，包含递减的非负实特征值λ1≥λ2≥...≥λ
m
≥0，p为特征值降序排列后前m行组成的向量矩阵；
[0124]
3)计算主成分贡献率：
[0125]
将最大特征值及其对应的特征向量，定义为第一主成分的方差和方向，以此类推，直至确定最后一个主成分的方差和方向；
[0126]
每个主成分的方差在样本总方差中所占比值，即为该主成分对于该样本的贡献率，第k个主成分的贡献率v
k
定义为：
[0127][0128]
将特征值λ
m
从大到小排列，前k个主成分的累计贡献率cpv(k)定义为：
[0129][0130]
累计贡献率达到cpv阈值时主成分k的个数，即为降维后风力发电机组的运行状态参数的输入维数p。
[0131]
在一个优选的实施例中，cpv阈值为90％，保证降维后的风力发电机组的运行状态参数能包括原始状态参数的绝大多数信息。
[0132]
s103：将所述p种状态参数输入训练好的所述变桨轴承故障诊断网络模型，得到所述风力发电机组的变桨轴承故障诊断结果，其中，所述变桨轴承故障诊断网络模型为单隐含层前馈神经网络模型。
[0133]
优选地，变桨轴承故障诊断网络模型为单隐含层前馈神经网络模型，如图4所示，变桨轴承故障诊断网络模型的具体结构为：
[0134]
包括一个输入层、一个隐含层和一个输出层；
[0135]
所述输入层的节点数为n个，将所述p种状态参数作为输入参数，即n＝p；
[0136]
所述隐含层的节点数为i；
[0137]
输出层节点数为3，分别表示变桨轴承的三个典型状态：正常状态、部件磨损状态、部件断裂状态。
[0138]
其中，隐含层又称隐藏层或中间层。
[0139]
优选地，采用os
‑
w
‑
elm训练算法训练变桨轴承故障诊断网络模型，如图5所示，具体包括以下阶段：
[0140]
1)os
‑
w
‑
elm初始化学习阶段：
[0141]
初始阶段选取n0组数据其中
[0142]
其中，x
i
是一个数组，其包含了一组特征值，指同一时刻，所有的风力机运行状态参数；
[0143]
t
i
为这一组特征值所对应的时刻；
[0144]1‑
1)随机产生输出权重矩阵w
i
和偏置矩阵b
i
，其中，
[0145]1‑
2)通过如下公式计算初始的隐含层输出矩阵：
[0146][0147]
其中，g(x)为激活函数，g(w1x1+b1)是隐含层输出矩阵中的值，根据随机的输出权重矩阵w
i
和偏置矩阵b
i
获得，然后在神经网络自我学习过程中自动修正输出权重矩阵w
i
和偏置矩阵b
i
；
[0148]
常用的激活有函数sigmoid函数、tanh函数、relu函数等。
[0149]1‑
3)通过如下公式计算初始的输出权重矩阵β0：
[0150][0151]
其中，
[0152]
其中，m0由计算得到，t0是单独提出的时间矩阵，对应中的t
i
；
[0153]1‑
4)设k＝0，k为块数，表示初始化学习阶段；
[0154]
2)os
‑
w
‑
elm在线序列学习阶段：
[0155]2‑
1)设第k+1块样本集为：
[0156][0157]
其中，
nj
是第j块样本集的样本数量；
[0158]
通过如下公式计算隐含层输出矩阵h
k+1
：
[0159][0160]2‑
2)通过如下公式计算输出权重矩阵β
k+1
：
[0161][0162]
其中，
[0163][0164]
m
k+1
通过上述公式计算得到，用于不断地修正权重矩阵β
k+1
，使神经网络能达到自我学习的目的；
[0165]2‑
3)令k＝k+1，转至步骤2
‑
1)直至结束。
[0166]
与传统的训练方法相比，所述os
‑
w
‑
elm训练算法具有学习速度快、泛化性能好等优点。通过学习的诊断网络，就可以用于变桨轴承的故障诊断。在网络诊断使用过程中，若发现有新的故障数据样本，采用在线学习方法，快速学习新的样本，无需重新开始学习，大大地节约了时间成本，提高了系统运行效率。
[0167]
在一个优选的实施例中，scada系统设置有计算机作为故障诊断终端，用于将p种状态参数输入训练好的变桨轴承故障诊断网络模型，得到风力发电机组的变桨轴承故障诊断结果的功能。
[0168]
优选地，计算机内部安装专用的信号处理软件和轴承故障诊断软件，用于对风力发电机组的变桨轴承运行状态数字信号进行一系列处理与变换，对变桨系统轴承的运行状态进行监测诊断，对数据进行存储与查询、显示。
[0169]
优选地，如图6所示，计算机搭载的轴承故障诊断软件的基本功能有：
[0170]
(1)用户登录：用户通过设定密码登入系统。
[0171]
(2)参数设置：系统中关于数据采集中各通道的采样参数该如何设置进行描述。
[0172]
(3)系统维护：通过该模块，可以实现对系统的维护。
[0173]
(4)帮助：对系统使用过程可能出现的问题及其处理方法进行解释；对系统进行维护。
[0174]
(5)信号曲线：对系统采集到的原始信号，可绘制信号对时间的关系曲线，两个原始信号之间的相互关系曲线。
[0175]
(6)特征曲线：对系统提取的特征参数，可绘制特征参数对时间的关系曲线，两个(或多个)特征参数之间的相互关系曲线。
[0176]
(7)pca分析：对采集到的原始数据进行主成分分析，提取与轴承状态密切相关的p各状态参数。
[0177]
(8)特征提取：从敏感状态参数中提取故障特征，并将特征数据存入数据库。
[0178]
(9)网络训练：利用上述(7)
‑
(8)功能模块中提取的数据样本，对诊断网络进行离线和在线训练。
[0179]
(10)自动诊断：系统一旦启动，就进入自动诊断模式，诊断的时间间隔可以设定。
[0180]
(11)报告生成：当系统诊断到变桨系统轴承发生故障，就自动记录下故障时间和故障类型、故障严重程度，并自动生成诊断报告。
[0181]
(12)数据保存：系统可诊断报告进行保存，存入数据库。
[0182]
如图7和图8所示，在一个具体的实施例中，本发明所提供的一种风力发电机组变桨轴承故障诊断方法通过scada系统进行数据的获取、传输、保存和输出功能。scada系统包括信号传感器、数据采集器、scada网络和故障诊断终端。
[0183]
信号传感器设置于风力发电机组上，并与数据采集器连接；数据采集器和故障诊断终端分别接入scada网络；
[0184]
信号传感器设置于风力发电机组上，用于感应风力发电机组的运行状态，并将感应到的参数信号传输至数据采集器；数据采集器用于将参数信号转换为风力发电机组的运行状态信号，并通过scada网络发送给故障诊断终端；故障诊断终端搭载信号处理软件和检测诊断软件系统，用于通过scada网络获取风力发电机组的运行状态参数，并输出风力发电机组变桨轴承故障结果。
[0185]
在一个优选的实施例中，scada系统还包括信号放大器，信号放大器分别与传感器和数据采集器连接，用于接收传感器的参数信号，对参数信号进行滤波、除噪和放大处理后，传输给数据采集器。
[0186]
信号放大器可将传感器感应到的参数信号进行标准化处理，便于数据采集器进行下一步的处理与转换。
[0187]
优选地，scada系统还包括数据库服务器和web服务器，数据库服务器与web服务器接入scada网络，用于接收并存储风力发电机组的运行状态参数。
[0188]
数据库服务器和web服务器可实现风力发电机组的运行状态参数的实时存储，并进一步便于与故障诊断终端的数据交互。
[0189]
在一个优选的实施例中，scada系统还包括监测终端。监测终端接入scada网络，或者，监测终端通过internet与web服务器连接，并通过web服务器获取风力发电机组的运行状态。
[0190]
用户可灵活设置监测终端的位置，即时在线监视风力发电机组的变桨系统的运行情况。
[0191]
本发明采用基于主成分分析法(principal component analysis，简称pca)的数据处理方法，对风力发电机组的运行状态参数降维后，提取了用于诊断变桨轴承故障的主要状态参数，在确保诊断精度的前提下简化了诊断网络的结构。
[0192]
同时，本发明采用改进的在线序列加权极限学习机(online sequential extreme weighted learning machine，简称os
‑
w
‑
elm)的轴承故障诊断网络学习算法，学习速度快、泛化性能好在网络诊断使用过程中，若发现有新的故障数据样本，采用在线学习方法，快速学习新的样本，无需重新开始学习，大大地节约了时间成本。
[0193]
结合现有的风电机组scada系统，本发明提供的一种风力发电机组变桨轴承故障诊断方法能够快速、在线、无损、实时、高效监测和诊断风电机组变桨系统轴承故障，提高了
系统运行效率，为保障风电机组运行的安全性和可靠性提供了有力技术支持。
[0194]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。