一種風電機組軸承健康劣化趨勢預(yù)測方法

董興輝， 張 光， 程友星， 王 帥

(1．華北電力大學 能源動力與機械工程學院，北京102206；2．河南理工大學 電氣工程與自動化學院，河南焦作 454000)

風電機組運行環(huán)境惡劣，受氣象等多種不確定因素的影響，容易出現(xiàn)性能與狀態(tài)劣化，頻繁出現(xiàn)故障。風電機組的關(guān)鍵部件一旦失效，檢修時間較長，不僅影響發(fā)電量，也增加了風電場的運維成本[1-3]。風機軸承作為風電機組關(guān)鍵部件，在機組機械故障中占很高比例，發(fā)電機、齒輪箱的機械故障中約80%是由軸承失效而導致的[4]。較早掌握風電機組軸承的劣化程度和劣化趨勢，實時了解風電機組狀態(tài)，在可預(yù)知情況下合理安排檢修，有助于提高整機的可靠性和利用率。

近年來，國內(nèi)外學者針對風電機組軸承健康研究集中在劣化程度與狀態(tài)評估2方面。安學利等[5-7]基于振動參數(shù)量計算風電機組主軸承、齒輪箱軸承和發(fā)電機軸承等的劣化程度；李輝等[1,8]基于溫度參數(shù)量研究風電軸承劣化程度，并在此基礎(chǔ)上進一步對軸承進行狀態(tài)評估，但沒有對機組軸承劣化發(fā)展趨勢開展預(yù)測研究。

筆者基于數(shù)據(jù)采集與監(jiān)視控制(SCADA)系統(tǒng)監(jiān)測數(shù)據(jù)，應(yīng)用改進的集合經(jīng)驗?zāi)B(tài)分解(EEMD)和時間序列神經(jīng)網(wǎng)絡(luò)，通過建立預(yù)測模型，研究風電機組軸承健康狀態(tài)溫度劣化趨勢。首先，利用SCADA監(jiān)測的有關(guān)參數(shù)(如風速、功率、發(fā)電機轉(zhuǎn)速和環(huán)境溫度等)與軸承溫度的相關(guān)系數(shù)，歸一化得到影響權(quán)重，基于溫度特征量構(gòu)建軸承健康劣化度模型；然后利用改進后的EEMD對劣化趨勢進行分解，得到一系列相對平穩(wěn)的本征模態(tài)函數(shù)(IMF)分量和一個剩余分量；最后，應(yīng)用時間序列神經(jīng)網(wǎng)絡(luò)對各類分量建立預(yù)測模型，疊加所有預(yù)測分量，得到最終預(yù)測結(jié)果。

1 軸承健康劣化度模型

1.1 軸承劣化度

選用軸承運行溫度參數(shù)作為風電機組健康裝填評價指標，采用相對劣化度d′(t)來表征風電機組軸承當前的相對劣化程度，表達式如下：

(1)

1.2 軸承健康狀態(tài)模型

軸承健康狀態(tài)模型的建立如下。

(1) 樣本數(shù)據(jù)。

SCADA數(shù)據(jù)中，與風電機組軸承溫度相關(guān)的主要參數(shù)有風速、功率、發(fā)電機轉(zhuǎn)速和環(huán)境溫度[8]。從SCADA系統(tǒng)中選取n組健康的、同一時刻的軸承溫度、風速、有功功率、發(fā)電機轉(zhuǎn)速和環(huán)境溫度歷史數(shù)據(jù)，構(gòu)建樣本集{(Vi,Pi,Ni,Ti，環(huán),Ti)}，i=1,2,…，n，其中Vi表示風速，Pi表示有功功率，Ni表示轉(zhuǎn)速，Ti，環(huán)表示環(huán)境溫度，Ti表示軸承溫度。

(2) 相關(guān)系數(shù)和權(quán)重。

相關(guān)系數(shù)C反映了變量X(V,P,N,T環(huán))對Y(T)的相關(guān)程度，記作C(X,Y)。

(2)

將相關(guān)系數(shù)歸一化處理后，得到變量X(V,P,N,T環(huán))對Y(T)的影響權(quán)重A(a1,a2,a3,a4)，其中：

(3)

式中：aj(Xj,Y)為第j類變量對Y(T)的影響權(quán)重；k為變量的總數(shù)，即k=4。

(3) 工況劃分。

(4)

式中：σ為不同工況下溫度偏離方差。

(4) 劣化度。

(5)

2 軸承健康劣化趨勢預(yù)測

風電機組軸承健康劣化趨勢具有明顯的非平穩(wěn)性特性，這直接影響到其預(yù)測精度，需要提前處理將劣化趨勢分解成相對平穩(wěn)的分量。

經(jīng)驗?zāi)B(tài)分解(EMD)可以將復(fù)雜的非平穩(wěn)信號分解為一系列相對平穩(wěn)的本征模態(tài)函數(shù)分量和一個剩余分量，一定程度上避免了人為因素對分解結(jié)果的干預(yù)。但在某些情況下，EMD會產(chǎn)生模態(tài)混疊，出現(xiàn)分解后有局部不平穩(wěn)和不連貫現(xiàn)象，因此往往得不到理想的分解結(jié)果。EEMD加入高斯白噪聲，利用高斯白噪聲頻率均勻分布的統(tǒng)計特性，使信號在不同尺度上具有連續(xù)性，避免了模態(tài)混疊現(xiàn)象[10-11]。

2.1 EEMD模態(tài)分解

將多組具有有限振幅的高斯白噪聲序列ni(t)添加到原始劣化趨勢上，共進行m次，即

di(t)=d(t)+ni(t),i=1,2,…,m

(6)

式中：di(t)為t時段第i次加入高斯白噪聲后的劣化度。

對di(t)進行EMD分解，得到n個本征模態(tài)函數(shù)cij(t)和一個ri(t)。其中，cij(t)表示第i次加入高斯白噪聲后，分解獲得的第j個IMF，j=1，2，…，n。

將獲得的IMF進行總體平均運算，得到基于EEMD的IMF：

(7)

2.2 改進的EEMD方法

由于風電機組軸承健康劣化趨勢受各種噪聲的影響，主要是隨機噪聲和脈沖噪聲。而EEMD分解方法僅能去除信號中的隨機噪聲，脈沖噪聲還有待處理。利用小波變換對信號進行去噪，能濾除高頻噪聲部分，重構(gòu)低頻部分，保留有價值的信息[12]，因此在對信號進行EEMD分解之前需進行小波去噪。具體步驟如下：(1)選擇合適的小波基，并確定分解層數(shù)n，然后對信號進行n層小波分解；(2)將高頻系數(shù)全部置零；(3)對第n層的低頻系數(shù)和第1～第n層經(jīng)過閾值處理后的高頻系數(shù)進行重構(gòu)，得到去噪后的信號。

2.3 組合預(yù)測

分別疊加高頻分量和低頻分量得到組合高頻信號和組合低頻信號。應(yīng)用時間序列神經(jīng)網(wǎng)絡(luò)模型對組合高頻信號、組合低頻信號和殘余量進行預(yù)測，進一步疊加各預(yù)測結(jié)果得到最終預(yù)測結(jié)果(見圖1)。

3 算法驗證

3.1 數(shù)據(jù)準備

以華北某風電場56號風電機組的發(fā)電機后軸承為研究對象，該風機切入風速為3 m/s，切出風速為24 m/s。隨機選擇2015-06-01—2016-03-30采樣頻率為10 min的發(fā)電機后軸承溫度、風速和有功功率的SCADA數(shù)據(jù)，篩選后共有32 595組健康的樣本數(shù)據(jù)，如表1所示。

圖1 改進的EEMD-時間序列神經(jīng)網(wǎng)絡(luò)組合預(yù)測流程圖

Fig.1 Flow chart of improved EEMD-time series neural network combined forecasting

表1 健康數(shù)據(jù)集

3.2 相關(guān)性計算

應(yīng)用式(2)計算各參數(shù)與軸承溫度的相關(guān)系數(shù)，通過式(3)歸一化處理后的各相關(guān)系數(shù)作為各變量影響軸承劣化度的權(quán)重，結(jié)果見表2。

3.3 健康狀態(tài)劣化趨勢

從32 595組樣本數(shù)據(jù)中，選取32 395組數(shù)據(jù)作為建模樣本，其余的200組數(shù)據(jù)作為測試樣本。

表2各參數(shù)與軸承溫度的相關(guān)系數(shù)

Tab.2Correlationcoefficientbetweeneachparameterandbearingtemperature

參數(shù)風速功率發(fā)電機轉(zhuǎn)速環(huán)境溫度C0.5570.5530.4530.136權(quán)重0.3280.3250.2670.080

圖2 健康狀態(tài)劣化趨勢

圖3 加權(quán)后健康狀態(tài)劣化趨勢

3.4 模態(tài)分解

從圖3可以看出，風機軸承健康狀態(tài)劣化趨勢具有復(fù)雜的非平穩(wěn)性，為了提高狀態(tài)劣化趨勢預(yù)測的準確性，利用改進的EEMD將其分解成若干個相對平穩(wěn)的分量，分解結(jié)果見圖4。圖中c1～c6為不同尺度的較平穩(wěn)的IMF，c7為趨勢分量。

通過計算得到各個分量的均值(見表3)。從表3可以看出，各個分量的均值在c5處出現(xiàn)了較大的波動，有明顯偏離0的趨勢，因此c1～c4為高頻分量，c5～c6為低頻分量。

3.5 預(yù)測結(jié)果

時間序列神經(jīng)網(wǎng)絡(luò)模型能夠較好地適應(yīng)信號的非線性和非平穩(wěn)性，具有較高的預(yù)測精度。因此，最終選擇時間序列神經(jīng)網(wǎng)絡(luò)模型來獲得各類組合分量的預(yù)測結(jié)果。

圖4 基于改進的EEMD軸承健康狀態(tài)劣化趨勢分解結(jié)果

Fig.4 Decomposed results of degradation trend for wind turbine based on modified EEMD

表3 各個分量的均值

選用前160組數(shù)據(jù)進行訓練和測試，后40組數(shù)據(jù)進行預(yù)測。各類組合分量分別進行時間延遲L=3的時間序列神經(jīng)網(wǎng)絡(luò)預(yù)測，組合高頻信號、組合低頻信號和殘余量的預(yù)測結(jié)果如圖5所示。從圖5可以看出，隨著軸承健康狀態(tài)劣化度疊加分量的平穩(wěn)性越好和規(guī)律性越強，預(yù)測精度越高。

將各分量的預(yù)測結(jié)果進行疊加，得到風機軸承健康狀態(tài)劣化趨勢的最終預(yù)測結(jié)果。并與其他的預(yù)測方法進行對比，結(jié)果如圖6所示。由圖6可知，所提出的預(yù)測模型可以有效跟蹤風機軸承劣化趨勢。

4 模型誤差分析

采用平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)和均方根百分比誤差(MSPE)等誤差指標來度量模型精度。同時，也為了驗證本文模型的準確性，分別采用人工神經(jīng)網(wǎng)絡(luò)(BPNN)模型、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)模型、支持向量機(SVM)模型和時間序列神經(jīng)網(wǎng)絡(luò)模型對不同機組的發(fā)電機后軸承健康狀態(tài)劣化趨勢進行預(yù)測，未改進的EEMD預(yù)測誤差如表4所示。

由表4可知，單看MAE和RMSE 2個誤差指標，對于未使用EEMD方法分解的預(yù)測模型，即BPNN模型、RBFNN模型、SVM模型和時間序列神經(jīng)網(wǎng)絡(luò)模型，通過對3臺機組的發(fā)電機后軸承狀態(tài)劣化趨勢結(jié)果來看，時間序列神經(jīng)網(wǎng)絡(luò)模型誤差都是最小的，說明對于較復(fù)雜的非線性和非平穩(wěn)性信號，時間序列神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度相對其他傳統(tǒng)預(yù)測模型更高。

(a) 組合高頻信號預(yù)測結(jié)果

(b) 組合低頻信號預(yù)測結(jié)果

(c) 殘余量預(yù)測結(jié)果

圖6 最終預(yù)測結(jié)果

而在使用EEMD方法分解之后，即EEMD+時間序列神經(jīng)網(wǎng)絡(luò)模型，3臺機組的各項誤差指標都有明顯改善。從表4中的均值誤差指標分析，EE-MD+時間序列神經(jīng)網(wǎng)絡(luò)模型的幾個誤差值相比時間序列神經(jīng)網(wǎng)絡(luò)模型降低了50%多，表明EEMD結(jié)合傳統(tǒng)參數(shù)預(yù)測模型的組合預(yù)測能夠有效提高預(yù)測精度。

表4 5種模型的誤差指標

充分考慮小波去噪對信號的影響，分別對EEMD分解前的信號和EEMD分解后的各分量進行去噪，預(yù)測誤差如表5所示。由表5可知，在對風機軸承健康狀態(tài)劣化趨勢進行EEMD分解之前進行小波去噪，能提高預(yù)測精度，而對EEMD的各分量進行小波去噪，并不能提高預(yù)測精度，反而在一定程度上降低了預(yù)測精度。

5 結(jié) 論

(1) 利用SCADA監(jiān)測風速、功率、轉(zhuǎn)速和環(huán)境溫度參數(shù)，計算這些參數(shù)與軸承溫度(劣化度)的相關(guān)系數(shù)，歸一化處理記作該參數(shù)對軸承劣化度的影響權(quán)重。在此基礎(chǔ)上，基于溫度特征量構(gòu)建的軸承健康劣化度模型，可有效描述軸承的劣化程度。

(2) 應(yīng)用改進后的EEMD結(jié)合時間序列神經(jīng)網(wǎng)絡(luò)模型分析風機軸承健康狀態(tài)劣化趨勢，將具有非平穩(wěn)性特性的劣化趨勢分解為相對平穩(wěn)和規(guī)律的分量。相對于其他預(yù)測方法多進行了2次預(yù)測，但能很好地跟蹤劣化趨勢，得到更高的預(yù)測精度。

表5改進的EEMD組合預(yù)測模型的誤差指標

Tab.5ErrorindexesofmodifiedEEMDcombinedforecastingmodel

機組誤差指標EEMD+小波小波+EEMD38號MAE0.03330.0171RMSE0.04590.0327MAPE0.11220.0614MSPE0.16550.126256號MAE0.02910.0091RMSE0.03610.0109MAPE0.06720.0215MSPE0.08640.026687號MAE0.02110.0066RMSE0.03840.0129MAPE0.22320.0661MSPE1.36560.1161均值MAE0.02780.0109RMSE0.04010.0188MAPE0.13420.0497MSPE0.53920.0896

(3) 改進的EEMD結(jié)合時間序列神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型，可更準確地預(yù)測風電機組軸承健康狀態(tài)劣化趨勢，有利于風電場制定檢修策略和開展可靠性評估。

：

[1] 李輝, 胡姚剛, 唐顯虎, 等. 并網(wǎng)風電機組在線運行狀態(tài)評估方法[J].中國電機工程學報, 2010, 30(33): 103-109.

LI Hui, HU Yaogang, TANG Xianhu, et al. Method for on-line operating conditions assessment for a grid-connected wind turbine generator system[J].ProceedingsoftheCSEE, 2010, 30(33): 103-109.

[2] TCHAKOUA P, WAMKEUE R, OUHROUCHE M, et al. Wind turbine condition monitoring: state-of-the-art review, new trends, and future challenges[J].Energies, 2014, 7(4): 2595-2630.

[3] YANG Wenxian, TAVNER P J, CRABTREE C J, et al. Cost-effective condition monitoring for wind turbines[J].IEEETransactionsonIndustrialElectronics, 2010, 57(1):263-271.

[4] 蘇連成, 李興林, 李小俚, 等. 風電機組軸承的狀態(tài)監(jiān)測和故障診斷與運行維護[J].軸承, 2012(1): 47-53.

SU Liancheng, LI Xinglin, LI Xiaoli, et al. Condition monitoring and fault diagnosis and operating maintenance systems for wind turbine bearings[J].Bearing, 2012(1): 47-53.

[5] 安學利, 唐擁軍, 王允. 基于健康樣本的風電機組滾動軸承狀態(tài)評估[J].中國水利水電科學研究院學報, 2015, 13(1):48-53.

AN Xueli, TANG Yongjun, WANG Yun. State evaluation of wind turbine roller bearing based on normal samples[J].JournalofChinaInstituteofWaterResourcesandHydropowerResearch, 2015, 13(1):48-53.

[6] 安學利, 唐擁軍, 吳光軍, 等. 基于健康樣本的風電機組狀態(tài)評估與異常檢測系統(tǒng)[J].大電機技術(shù), 2015(2):14-17.

AN Xueli, TANG Yongjun, WU Guangjun, et al. Condition assessment and anomaly detection system of wind turbine based on healthy samples[J].LargeElectricMachineandHydraulicTurbine, 2015(2):14-17.

[7] 滕偉, 姜銳, 張陽陽, 等. 基于多尺度包絡(luò)譜圖的直驅(qū)式風電機組軸承故障特征提取[J].動力工程學報, 2017, 37(5): 373-378.

TENG Wei, JIANG Rui, ZHANG Yangyang, et al.Bearing fault feature extraction for a direct drive wind turbine using multi-scale enveloping spectrogram[J].JournalofChineseSocietyofPowerEngineering, 2017,37(5): 373-378.

[8] 李輝, 胡姚剛, 李洋, 等. 基于溫度特征量的風電機組關(guān)鍵部件劣化漸變概率分析[J].電力自動化設(shè)備, 2015, 35(11): 1-7, 19.

LI Hui, HU Yaogang, LI Yang, et al. Gradual deterioration probability analysis based on temperature characteristic parameters for critical components of wind turbine generator system[J].ElectricPowerAutomationEquipment, 2015, 35(11): 1-7, 19.

[9] 劉長良, 閆蕭. 基于工況辨識和變分模態(tài)分解的風電機組滾動軸承故障診斷[J].動力工程學報, 2017, 37(4): 273-278, 334.

LIU Changliang, YAN Xiao. Fault diagnosis of a wind turbine rolling bearing based on variational mode decomposition and condition identification[J].JournalofChineseSocietyofPowerEngineering, 2017, 37(4): 273-278, 334.

[10] 王賀, 胡志堅, 張翌暉, 等. 基于聚類經(jīng)驗?zāi)B(tài)分解和最小二乘支持向量機的短期風速組合預(yù)測[J].電工技術(shù)學報, 2014, 29(4): 237-245.

WANG He, HU Zhijian, ZHANG Yihui, et al.A hybrid model for short-term wind speed forecasting based on ensemble empirical mode decomposition and least squares support vector machines[J].TransactionsofChinaElectrotechnicalSociety, 2014, 29(4): 237-245.

[11] AN Xueli, JIANG Dongxiang, LI Shaohua, et al. Application of the ensemble empirical mode decomposition and Hilbert transform to pedestal looseness study of direct-drive wind turbine[J].Energy, 2011, 36(9): 5508-5520.

[12] 崔玉敏, 和衛(wèi)星, 高彩虹. 基于小波變換及HHT的軸承故障診斷應(yīng)用研究[J].計算機仿真, 2010, 27(10): 294-296, 300.

CUI Yumin, HE Weixing, GAO Caihong. Application of bearing fault diagnosis based on wavelet and HHT[J].ComputerSimulation, 2010, 27(10): 294-296, 300.