[发明专利]一种基于温度参数的风机齿轮箱性能检测与健康评估方法

说明书

本发明公开了一种基于温度参数的风机齿轮箱性能检测与健康评估方法，通过对风机状态检测数据的分析，结合风电机组运行的特点，采用KECA、GRNN结合建立的模型对齿轮箱温度和齿轮箱轴承温度进行状态检测与故障预测，并根据预测的残差，通过阈值判别和统计过程控制的思想对风机齿轮箱运行状态做出评估决策，同时采用综合模糊判别得出齿轮箱健康状态结果。将该方法应用于某具有小样本数据的实际风电机组案例中，能够实现对风电机组健康状态的准确预测与评估。本发明方法应用于小样本数据的实际风电机组中，可实现对该风电机组健康状态的准确预测与评估。

技术领域

本发明是一种应用于风电机组齿轮箱性能检测与健康评估方法，尤其考虑了风机SCADA参数大量多样且非线性的特点，提高齿轮箱健康评估方法的可靠性；属于基于数据驱动的状态检测、故障预警和健康评估技术领域。

背景技术

随着人类对能源要求不断加大，电力行业飞速发展，风力发电行业以其成本相对较低，风力资源丰富，能源绿色环保等优势已经成为清洁能源的主要发展趋势。而风电场建成之后的维护成本直接决定着风电场的效益，风力发电项目是一种投资时间很长的工程，大概在7年左右，而且收益期也很长，甚至会超过 10年。长期运转的风力发电机组需要定期进行检修和维护，来确保运行的稳定性和安全性。当工程中风力发电机组的工作寿命为20年时，其维护成本就占了整体收益的10％～15％；风力发电机组安装在海上所需要的运行和维护成本占到整体效益的20％～25％，大量的运转和维护成本加大了工程的运营费用及降低了工程的经济收益。要使风电场的效益最大化，就需要将运维成本降到最低。风电机组的运行维护基于状态检测和故障预警技术，采用多种方法和手段对机组的重要部件(叶轮、齿轮箱、发电机等)进行在线检测和分析，评估其运行状态，尽早提前发现潜在故障，确定合理的维护时间和方案，大幅降低维护成本。齿轮箱作为风机传动系统的关键部位，起到连接主轴与发电机的作用。随着大重型风机的投入运营，齿轮箱故障率也在随之增加，且维修成本高昂。风电机组中齿轮箱的故障比例很高，且相比于其他部件需要更多的维修时间。

考虑到风机SCADA参数大量多样且非线性的特点，导致预测模型输入参数的选择和处理缺少通用的准则。且预测状态参数选择单一，依据单一状态对齿轮箱的健康分析缺少可靠性，由此提出基于状态检测和预测模型的风电机组齿轮箱状态评估方法。首先对SCADA数据进行整理和分析，采用核熵成分分析解决 SCADA数据非线性耦合的问题，通过广义回归神经网络建立机组状态多参数预测模型，预测齿轮箱油温状态与齿轮箱轴承温度状态，最后采用模糊理论对预测残差结果进行融合，得出风机齿轮箱的健康状态结果。

发明内容

本发明对风电机组重要部件之一齿轮箱进行状态评估与故障预测。本发明方法的核心思想是：通过对风机状态检测数据的分析，结合风电机组运行的特点，采用KECA、GRNN结合建立的模型对齿轮箱温度和齿轮箱轴承温度进行状态检测与故障预测，并根据预测的残差，通过阈值判别和统计过程控制的思想对风机齿轮箱运行状态做出评估决策，同时采用综合模糊判别得出齿轮箱健康状态结果。将该方法应用于某具有小样本数据的实际风电机组案例中，能够实现对风电机组健康状态的准确预测与评估。

本发明采用了如下的技术方案及实现步骤：

A.基于KECA方法的检测风电机组运行状态阶段：

1)数据清洗：在利用SCADA数据进行风电机组健康状态预警评估时需要对原始数据集进行预处理，采用四分位原理去除数据中随机误差和系统误差等原因引起的少量分散性异常数据点，以及大量堆积的沿风速轴横向分布的异常数据簇。

2)特征参数选择：对清洗后的SCADA数据采用皮尔逊相关系数的特征参数筛选方法，选出与期望输出相关度大的特征参数作为后续实验参数对象。皮尔逊相关系数r公式如下：

其中，x表示齿轮箱轴承温度和齿轮箱油温，y表示SCADA系统其它参数，n 表示数据点个数。