[发明专利]一种面向运维的海上风电机组故障间隔时间预测方法

说明书

本发明公开了一种面向运维的海上风电机组故障间隔时间预测方法，通过提出一种改进的GM(1,1)模型应用于海上风电机组的故障间隔时间预测，改进的GM(1,1)模型对背景值和参数a、b的计算方式进行了优化，从理论分析层面提高了模型的预测精度；同时，结合海上风电机组的运行环境特点，考虑到其故障间隔时间的随机波动特性，在优化后的模型中加入了残差序列，并采用变周期的三角函数对其进行建模；采用人工蜂群算法对残差序列模型的参数进行优化求解，计算了各个数据点的残差值，并通过将其叠加到原始数据的预测值上来减小模型的预测误差。本发明故障间隔时间预测方法，能够有效地预测海上风电机组的故障发生时间，为海上风电机组的及时维修和故障预防提供指导。

技术领域

本发明属于可靠性预计领域，涉及一种海上风电机组的故障间隔时间预测方法，具体涉及一种面向运维的海上风电机组故障间隔时间预测方法。

背景技术

海上风电场一般离岸距离较远，海洋环境恶劣，加上台风、风暴潮等极端天气的影响，可达性较差，出海与海上作业对天气要求严格，风电机组的运行维护比较困难，维护成本较高。因此，如何有效地利用海上风电机组的故障记录数据，预测其故障的发生时间，对其进行预防性维修，掌握维修保障的主动权，对于充分发挥海上风电机组的使用效能以及节约维修保障资源有着积极重要的现实意义。

故障预测技术是比故障诊断更高级的维修保障形式，它以当前装备的使用状态为起点，结合已知预测对象的结构特性、参数、环境条件及历史数据，对装备未来的故障进行预测，以便预先消除故障。现在装备保障普遍采用的是视情维修，它可避免因过剩维修而造成资源的浪费，也可防止因不足维修而导致事故的发生。而准确的故障预测是视情维修的前提。发展故障预测技术能为视情维修或其他先进的维修理念提供科学的决策依据，最大限度地减少装备的维修次数和维修范围，保证其安全可靠地运行。年来，故障预测技术得到了长足的发展。目前，故障预测方法主要分为三大类，即：基于模型的故障预测技术，基于数据驱动的故障预测技术和基于统计可靠性的故障预测技术。

基于模型的故障预测指采用动态模型或过程的预测方法，物理模型方法、卡尔曼/扩展卡尔曼滤波/粒子滤波以及基于专家经验的方法等均可划为基于模型的故障预测技术。基于模型的故障预测技术具有能够深入对象系统本质的性质和实现实时故障预测的优点。Adams等人在结构性动力学系统中提出一/二阶非线性微分方程的损伤累积模型。Chelidze等人将性能退化用缓慢时变过程间的模型表达，并与子系统的快速时变过程相对应，该模型用于跟踪电池退化。Luo等人利用标称和退化状态下基于模型的仿真数据，提出了基于数据的综合预测过程。基于数据驱动的故障预测方法主要有：人工神经网络、模糊系统和其他计算智能方法。相比于传统统计学范畴内的回归分析以及时间序列分析方法，神经网络是一类在故障预测方法和应用研究中最多的一种方法，与基于模型的方法不同，神经网络可以实现对于数据的自适应，通过从样本中学习捕捉样本数据之间内在的函数关系。Zhang和Ganesan等应用自组织神经网络进行多变量趋势预测，并应用到轴承系统的剩余使用寿命预测中。随着人工智能技术的发展，很多研究者也探索应用其他方法进行故障预测。Skormin等人提出了一种基于数据挖掘的故障预测算法，将设备的故障看作工作环境变量的函数，从历史数据中发掘设备故障与工作环境变量之间的联系，从而实现设备故障发展过程的预测。基于统计可靠性的故障预测方法包括贝叶斯方法、Dempster-Shafer理论、模糊逻辑等。所有这些方法一般都是基于贝叶斯定理估计故障的概率密度函数。通过对大量的工程产品和系统的可靠性分析，一般产品或系统的失效与时间数据趋势很好地服从威布尔分布，因此，Weibull模型被大量用于系统或设备的剩余寿命预计。

对海上风电机组而言，由于其环境的复杂多变，海上风电机组在服役过程中发生故障的规律比较复杂，具有很强的不确定性，一般的数学模型难以满足故障预测的精度。此外，基于数据驱动的故障预测方法，如基于神经网络的故障预测和基于支持向量机的故障预测，需要大量的数据样本对模型进行训练。而对海上风电机组而言，故障数据样本量较少，难以训练出准确的故障预测模型。因此，基于小样本、贫信息的故障预测技术应该是海上风电机组故障预测问题的研究重点。

发明内容