[发明专利]一种发电机轴承故障预测方法

说明书

技术领域

本发明涉及故障预测方法技术领域，具体来说，涉及一种发电机轴承故障预测方法。

背景技术

风电机组发电机轴承是旋转机械不可缺少的零部件，长期工作在恶劣环境下容易导致轴承的内外圈、滚动体和保持架极易出现故障或失效，影响整个机组的正常运行，造成经济损失。目前对于轴承的故障诊断及预警主要是针对CMS振动信号进行特征提取及分析，但CMS监测设备不是每台风电机组都有安装，因此对于轴承故障的及时发现及处理是有困难的。

发明内容

针对相关技术中的上述技术问题，本发明提出一种发电机轴承故障预测方法，能够克服现有技术的上述不足。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种发电机轴承故障预测方法，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。

进一步的，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P_理论；

S1.4：计算理论功率值P_理论与实际功率值P_实际差值绝对值Err，即Err＝|P_实际-P_理论|；

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。

进一步的，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T_输出，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。

优选的，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：

msereg＝α·msw+β·mse

式中：mse为均方误差，n为样本总数，t_i为期望输出，p_i为网络实际输出，msw为网络权值均方，m为网络权值总数，ω_j为网络权值，α和β为正则化系数。

进一步的，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T_预测；