[发明专利]一种基于深度学习的风电机组主轴承温度预测方法

说明书

本发明提供一种基于深度学习的风电机组主轴承温度预测方法。所述方法包括以下步骤：首先，收集风场风电机组SCADA系统采集的传感器数据，然后对数据进行清洗和重采样，选择与主轴承温度变化特性相关的SCADA参数变量，构建训练样本和测试样本数据集；其次，通过堆叠自编码，构建一个基于深度学习的神经网络模型，反复训练充分挖掘主轴承正常运行数据内在的特征；最后，在模型的顶部添加回归预测层来进一步微调整个深度学习模型，直到满足主轴承温度的智能预测。通过本发明，本方法的预测精度和误差等指标均优于传统的浅层学习模型，能较好地为主轴承的运行状态监测和故障预警提供技术辅助支撑。

技术领域

本发明主要涉及大型直驱式风电机组运行状态监测与识别相关技术领域， 具体是一种基于深度学习的风电机组主轴承温度预测方法。

背景技术

随着风电技术和风电产业的快速发展，越来越多的风电场和更大容量的风 电机组陆续投入使用。然而大多数风场地处偏僻或交通不便到达的山区、荒野 和海洋，且风电机组的工作环境恶劣且复杂，这些因素导致了风电机组故障频 繁发生，部件(特别是大部件)更换困难与不便，最终导致了运维(OM)成本 急剧增加，尤其是海上风电场。因此，开展大型风电机组的运行状态监测与故 障诊断(condition monitoring and faultdiagnosis，CMFD)受到了学术界和业界的广 泛关注。

现有的风电机组都安装了状态监测系统(condition monitoring systems，CMSs)，但是，该系统对风电机组的故障诊断方法主要集中在高频振动信号、油 液液压分析上，部分核心组件并没有安装类似的传感器。相反，风电机组的 (supervisory controland data acquisition，SCADA)SCADA系统存储了大量关 于风电机组运行状况的数据，记录了部件的运行状态信息。因此，围绕SCADA 数据对风电机组进行运行状态监测已成为了热点问题。

大型直驱式风电机组的轴承是风机传动系统中的关键部件。除了轴承安装 位置、服务功能和独特的运行机制外，外界复杂多变的环境影响，轴承承受时 变的轴向和径向载荷，导致轴承塑性变形、润滑失效、电弧电侵蚀、磨损、开 裂等。文献调研表明许多风电机组的故障是由轴承故障引起的。因此，轴承的 运行状态监测和故障诊断变得尤为重要和突出。近些年，围绕基于深度学习的 风电机组轴承的CMFD方面，学者们做了大量的工作。这些工作主要集中在发 电机轴承、齿轮箱轴承和主轴承方面。如：Kusiak等人利用SCADA数据开发 了一种神经网络模型来检测发电机轴承超温故障；Yang等人通过分析SCADA 数据的条件参数关系，建立了识别发电机轴承故障模型；Qiu等人建立了双馈风 力发电机定子绕组的热力学模型，并利用SCADA温度数据验证了发电机过热故 障；Alvarez等人利用SCADA数据计算扭矩，重构10分钟间隔内的瞬时扭矩分 布，分析变速箱轴承的疲劳载荷，监测变速箱轴承的健康状态；McKinnon等人 提出了支持向量机和随机森林模型结合SCADA数据检测齿轮箱故障。瑞明等人 结合支持向量回归(support vectorregression,SVR)，利用小波变换的内部结构拓 扑与观测到的SCADA数据的对应关系检测驱动控制系统控制器的故障；Zhang 等人采用带有SCADA数据的神经网络模型检测主轴承故障；Dai等人利用 SCADA数据(功率、风速、振动、主轴承温度)分析主轴承温度变化，进行风电 机组老化评估；Zhang等基于深度学习，利用人工神经网络对风电机组主轴承故 障进行预测；Yucesan等人将物理机理与机器学习方法相结合，建立了主轴承疲 劳预测混合模型。综上所述，基于深度学习的风电机组轴承CMFD相关文献相 对较少。此外，这些文献主要基于神经网络模型，支持向量机模型，组合模型。 这些模型都是浅层机器学习模型，数据特征学习能力有限。此外，随着模型深 度的增加，网络容易过拟合，且参数难以调整。

发明内容

本发明的目的在于针对现有技术中的上述问题，提供一种基于深度学习的 风电机组主轴承温度预测方法，能够切实提高温度预测的精度。

为实现上述目的，本发明采用如下的技术方案：