[发明专利]一种基于特征融合的风电机组发电机轴承预警方法

说明书

本发明公开了一种基于特征融合的风电机组发电机轴承预警方法，包括以下步骤：对CMS数据进行预处理；获取时域特征指标；获取趋势特征指标；获取频域特征指标；获取包络特征指标；特征融合；进行极限梯度提升模型训练；训练分类模型中的函数集合，构建XGBoost的学习目标函数；对XGBoost的学习目标函数进行计算。上述技术方案利用CMS状态监测系统振动数据，从时域特征、趋势特征、频域特征和包络特征，对发电机轴承故障机理进行分析，将四种特征进行融合，有效提取了表征发电机运行状态的特征向量，大大提升了算法对机组发电机轴承故障的识别敏感度，采用极限梯度提升方法实现故障预警，具有更高的准确率。

技术领域

本发明涉及风力发电技术领域，尤其涉及一种基于特征融合的风电机组发电机轴承预警方法。

背景技术

有资料显示，近年来，风能因其清洁、可再生的特点，在我国能源结构中地位越发突出。随着并网机组数量的增加，已投运2-5年的大量机组由于持续运行的损耗，发生故障的概率大幅提高，发电机轴承运行环境复杂、工况多变，容易发生损伤、松动等故障，并且维修成本高、停机时间长，造成经济损失巨大，是风电机组运维中的一大难题。因此，对发电机运行状态进行监测与预警是保证发电机安全稳定运行的关键。

对机械设备进行故障诊断和预测的方法大致可以分为两种，分别是基于故障机理的方法、基于数据驱动的方法。基于机理的方法是根据设备故障的力学、热学等物理模型，推导故障产生和演化的特征，利用这些特征识别设备的故障。

其中，基于机理的方法在提取故障特征后，故障识别方法单一，泛化能力弱；基于数据驱动的方法在处理高维海量的机组运行数据时，无法科学提取故障特征，影响模型识别效果。

综上考虑，本文在总结前人的研究基础上，分析了发电机轴承实际运行过程中主要故障，如轴承损伤、松动跑圈等，提出了将时域特征、趋势特征、频域特征、包络特征进行融合，利用XGBoost算法对机组数据进行学习训练，形成发电机轴承故障预警辨识模型，从而保证风电机组稳定经济运行，降低运维成本。

中国专利文献CN108894932B公开了一种“风电机组发电机轴承故障智能诊断系统及方法”。采用了包括轴承在线监测子系统和轴承故障智能诊断子系统，轴承在线监测子系统用于实时采集发电机轴承的状态参数，并将其采集到的状态参数传送至轴承故障智能诊断子系统；轴承故障智能诊断子系统包括数据采集模块、数据分析处理模块、风险评估模块、数据存储模块、通讯模块和电源模块。上述技术方案并未综合考虑时域特征、趋势特征、频域特征和包络特征等因素，故障识别方法单一，泛化能力弱，对故障判断不够准确。

发明内容

本发明主要解决原有的技术方案故障识别方法单一，泛化能力弱，对故障判断不够准确的技术问题，提供一种基于特征融合的风电机组发电机轴承预警方法，利用CMS状态监测系统振动数据，从时域特征、趋势特征、频域特征和包络特征，对发电机轴承故障机理进行分析，将四种特征进行融合，有效提取了表征发电机运行状态的特征向量，大大提升了算法对机组发电机轴承故障的识别敏感度，采用极限梯度提升方法实现故障预警，具有更高的准确率。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

(1)对CMS数据进行预处理；

(2)获取时域特征指标；

(3)获取趋势特征指标；

(4)获取频域特征指标；

(5)获取包络特征指标；

(6)特征融合；对CMS数据进行预处理，筛选发电机稳定工况运行的数据，剔除低精度与失稳数据，得到机组运行的有效数据。从振动趋势、时域特征、频域特征、包络特征四个维度能够表征发电机运行状态的特征，共25个特征组成特征向量进行融合。按照正常、发电机轴承损伤、发电机轴承松动跑圈，对特征向量进行标记