[发明专利]一种发电机轴承故障预测方法

权利要求书

1.一种发电机轴承故障预测方法，其特征在于，包括以下步骤：

S1：基于功率曲线方法选取健康的风电机组SCADA数据，作为训练样本与测试样本；

S2：建立目标参数的发电机轴承故障预测模型；

S3：利用预测模型预测测试样本的目标参数，并与实际值对比，得到残差；

S4：利用过程控制技术，计算报警阈值的上限与报警阈值的下限及警告阈值的上限与警告阈值的下限；

S5：利用预测模型预测风电机组实际运行目标参数，并与实际值对比，得到残差一；

S6：若残差一大于警告下限且小于警告上限，则判定发电机轴承健康；

S7：若残差一大于警告阈值上限且小于报警阈值上限或者残差小于警告值下限且大于报警阈值下限，则判定发电机轴承处于亚健康状态；

S8：若残差一大于报警上限或小于报警下限，则判定发电机轴承处于故障状态。

2.根据权利要求1所述的一种发电机轴承故障预测方法，其特征在于，在步骤S1中，所述的基于功率曲线方法选取健康的风电机组SCADA数据的具体步骤包括：

S1.1：剔除停机数据：大于切入风速且小于切出风速，功率小于等于零的数据；

S1.2：剔除异常数据：有功功率小于-10KW或者有功功率超过满发功率100kw的数据及风速超出切出风速的数据；

S1.3：根据风电机组的实际功率曲线数据，利用查表法，计算每个风速数据对应的理论功率值；

S1.4：计算理论功率值与实际功率值差值绝对值Err，即；

S1.5：将ERR大于设定最大误差25KW的数据剔除；

S1.6：利用上述方法剔除1年以上风电机组SCADA数据中的异常数据，剩余的数据作为风电机组健康样本数据。

3.根据权利要求1所述的一种发电机轴承故障预测方法，其特征在于，在步骤S2中，所述的建立目标参数的发电机轴承故障预测模型即BP神经网络模型,具体包括:

S2.1：确定模型输入为15个状态参数，模型输出为，即发电机驱动端轴承温度与发电机非驱动端轴承温度差；

S2.2：选取三层BP神经网络作为预测模型；

S2.3：根据kolmogorov定理，确定三层BP神经网络隐层节点数的近似关系为：n₂=2n₁+1，

其中：n₁为输入层神经元个数；n₂为隐含层神经元个数；

S2.4：分别选取双极性S型函数和线性函数作为模型隐含层与输出层的传递函数；

S2.5：选取贝叶斯正则化迭代算法优化BP神经网络的权值；

S2.6：利用MATLAB的神经网络工具箱的函数newff建立模型，通过多次训练BP神经网络，得到最佳的模型。

4.根据权利要求3所述的一种发电机轴承故障预测方法，其特征在于，在步骤S2.5中，所述的贝叶斯正则化迭代算法的性能函数为：

式中：为均方误差，为样本总数，为期望输出，为网络实际输出，为网络权值均方，为网络权值总数，为网络权值，和为正则化系数。

5.根据权利要求1所述的一种发电机轴承故障预测方法，其特征在于，在步骤S3中，所述的利用预测模型预测测试样本的目标参数，并与实际值对比得到残差的具体步骤包括：

S3.1：利用步骤S2训练得到的模型，对测试样本进行预测，得到预测值；

S3.2：将预测值与实际值对比，计算残差，具体公式为：。

6.根据权利要求1所述的一种发电机轴承故障预测方法，其特征在于，在步骤S4中，所述的利用过程控制技术，计算报警阈值的上限与报警阈值的下限及警告阈值的上限与警告阈值的下限的具体步骤包括：

S4.1：利用正常运行状况下的风电机组数据进行验证，证明样本的残差服从正态分布，确定样本残差的均值和方差作为正态分布均值和方差的估计值，计算表达式如下：

；

S4.2：利用步骤S3计算的残差数据，计算残差均值和方差，公式如下：

；

S4.3：确定以均值为中心，和作为发电机轴承故障预警的报警和警告的上下限：即报警上限为；警告上限为；警告下限为；报警下限为。

7.根据权利要求1所述的一种发电机轴承故障预测方法，其特征在于，在步骤S5中，所述的利用预测模型预测风电机组实际运行目标参数，并与实际值对比得到残差一的具体步骤包括：

S5.1：利用步骤S2训练得到的模型，对实际风电机组数据进行预测，得到预测值；

S5.2：将预测值与实际值对比，计算残差一1，具体公式为：。