劉桂然
(國(guó)電聯(lián)合動(dòng)力技術(shù)有限公司,風(fēng)電設(shè)備及控制國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京100039)
主軸軸承性能直接影響到風(fēng)電機(jī)組可靠性,設(shè)計(jì)、材料、熱處理、潤(rùn)滑等任何一個(gè)環(huán)節(jié)的偏差都會(huì)導(dǎo)致軸承失效,而如何在主軸軸承發(fā)生早期失效時(shí)進(jìn)行故障診斷和預(yù)測(cè),是風(fēng)電行業(yè)需要亟待解決的一個(gè)重要課題。
人工神經(jīng)網(wǎng)絡(luò)是適應(yīng)工程需要發(fā)展起來(lái)的一門(mén)交叉學(xué)科,近年來(lái)人工神經(jīng)網(wǎng)絡(luò)已開(kāi)始用于風(fēng)電領(lǐng)域,進(jìn)行軸承、齒輪箱等部件的故障,本文介紹了一種基于BP- 神經(jīng)網(wǎng)絡(luò)的風(fēng)電主軸軸承溫度在線(xiàn)預(yù)測(cè)和診斷的方法。
在三層BP- 神經(jīng)網(wǎng)絡(luò)中,假定輸入神經(jīng)元個(gè)數(shù)為M,隱含層神經(jīng)元個(gè)數(shù)為I,輸出層神經(jīng)元個(gè)數(shù)為J,輸入層第m 個(gè)神經(jīng)元為xm,隱含層第i 個(gè)神經(jīng)元為ki,輸出層第j 個(gè)神經(jīng)元為yj,從xm到ki的連接權(quán)值為ωmi,從ki到y(tǒng)i的連接權(quán)值記ωij,隱含層傳遞函數(shù)為sigmoid 函數(shù),輸出層傳遞函數(shù)采用線(xiàn)性函數(shù),網(wǎng)絡(luò)實(shí)際輸出為Y(n)=[諄1J,諄2J…,諄JJ],期望輸出為d(n)=[d1,d2,…,dJ],n 為迭代次數(shù),第n 次迭代誤差為ej(n)=dj(n)-Yj(n)。
權(quán)值調(diào)整采用LM算法,LM算法是利用標(biāo)準(zhǔn)的數(shù)值優(yōu)化技術(shù)的快速算法,權(quán)值修正公式:
J 為雅克比矩陣,I 為單位矩陣,η 為學(xué)習(xí)率參數(shù),介于0-1 之間。
BP- 神經(jīng)網(wǎng)絡(luò)是前向神經(jīng)網(wǎng)絡(luò)的核心,廣泛應(yīng)用于分類(lèi)識(shí)別、逼近和回歸,BP- 神經(jīng)網(wǎng)絡(luò)由1 個(gè)輸入層、若干隱含層和1 個(gè)輸出層組成,每層均由若干神經(jīng)元組成,各相鄰神經(jīng)元之間多為全連接。
主軸軸承包括浮動(dòng)軸承和止推軸承,浮動(dòng)軸承只承受徑向力,止推軸承需要同時(shí)承載軸向力和徑向徑向力,止推軸承,主軸軸承失效主要指止推軸承的失效。溫度是反映軸承運(yùn)行狀態(tài)的最直接的指標(biāo),當(dāng)軸承存在異常磨損、潤(rùn)滑不足或裝配問(wèn)題時(shí),會(huì)首先表現(xiàn)為軸承溫度異常,主軸軸承故障主要以止推軸承為主,本模型以止推軸承溫度Tz作為預(yù)測(cè)輸出變量。
影響止推軸承溫度的因素包括發(fā)電功率、運(yùn)行時(shí)間和環(huán)境溫度等,發(fā)電功率P 直接影響軸承溫度的變化,作為模型的一個(gè)輸入變量。浮動(dòng)軸承溫度Tf作為模型第二個(gè)輸入變量,原因在于浮動(dòng)軸承溫度已經(jīng)包含了運(yùn)行時(shí)間和環(huán)境溫度的影響。
變量定義:
基于上述討論,建立止推軸承溫度預(yù)測(cè)BP- 網(wǎng)絡(luò)模型如圖1所示,其中:
X1=(P1,P2,P3,…Pn),表示發(fā)電機(jī)功率P
X2=(Tf1,Tf2,Tf3…Tfn),表示浮動(dòng)軸承溫度Tf
Y=(Tz1,Tz2,Tz3…Tzn),表示待預(yù)測(cè)的止推軸承溫度Tz
模型以某2MW機(jī)組為研究對(duì)象,采集過(guò)去1 年的歷史數(shù)據(jù)作為模型訓(xùn)練樣本。為避免功率和運(yùn)行時(shí)間離散因素對(duì)預(yù)測(cè)結(jié)果造成干擾,樣本只考慮滿(mǎn)發(fā)功率時(shí)的軸承狀態(tài),對(duì)低于額定功率的狀態(tài)數(shù)據(jù)進(jìn)行剔除,獲得有效樣本數(shù)據(jù)共22763 組。
按功能將上述樣本隨機(jī)分為三類(lèi),其中訓(xùn)練樣本占70%,驗(yàn)證樣本和測(cè)試樣本各15%。訓(xùn)練完成后進(jìn)行模型精度分析,包括均方誤差(MSE)和R 值分析。
圖1 網(wǎng)絡(luò)預(yù)測(cè)模型
R 用于衡量目標(biāo)數(shù)據(jù)(期望輸出)與實(shí)際輸出之間的相關(guān)性,R 為1 說(shuō)明兩者完全相符,R 為0 說(shuō)明數(shù)據(jù)完全隨機(jī),從圖2 可以看到三類(lèi)數(shù)據(jù)的R 值均為0.93 左右,說(shuō)明實(shí)際輸出和期望輸出相關(guān)性較好。MSE 值用于衡量目標(biāo)數(shù)據(jù)(期望輸出)與實(shí)際輸出之間的偏差,MSE 越小,偏差越小,MSE 為0,說(shuō)明沒(méi)有誤差。從圖2 可知,模型MSE 結(jié)果為5.8 左右,但從圖3 的誤差直方圖來(lái)看,誤差在5℃以?xún)?nèi)的數(shù)據(jù)占比95.3%,從風(fēng)電主軸軸承溫度預(yù)測(cè)角度來(lái)說(shuō),5℃在可接受誤差范圍之內(nèi)。
圖2 MSE 和R
圖3 誤差直方圖
模型訓(xùn)練完成后,從某風(fēng)場(chǎng)機(jī)組中隨機(jī)抽選做為預(yù)測(cè)對(duì)象,采集該機(jī)組1 個(gè)月內(nèi)功率滿(mǎn)發(fā)數(shù)據(jù),并進(jìn)行止推軸承溫度預(yù)測(cè),預(yù)測(cè)結(jié)果如圖4 所示。A6MBGB為實(shí)際采集的止推軸承溫度數(shù)據(jù)的真實(shí)值,yA6 為采用所建立的BP- 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的到的結(jié)果,預(yù)測(cè)值與真實(shí)值趨勢(shì)一致,雖然存在一定偏差,但曲線(xiàn)的基本走勢(shì)和趨勢(shì)基本一致。
對(duì)于不同機(jī)組來(lái)說(shuō),除軸承制造參數(shù)差異外,裝配、潤(rùn)滑等多種因素都會(huì)影響軸承的預(yù)測(cè)結(jié)果,造成結(jié)果偏差,整體來(lái)看預(yù)測(cè)值更接近真實(shí)值。
圖4 同風(fēng)場(chǎng)機(jī)組溫度曲線(xiàn)預(yù)測(cè)
對(duì)預(yù)測(cè)修正曲線(xiàn)進(jìn)行回歸分析,見(jiàn)圖5。可以看到R 值為0.90881,預(yù)測(cè)輸出與期望輸出具有很好的一致性,預(yù)測(cè)誤差在5℃以上的數(shù)據(jù)有30 個(gè)左右,占預(yù)測(cè)樣本總數(shù)的3%。97%的數(shù)據(jù)在期望范圍之內(nèi),預(yù)測(cè)精度可以滿(mǎn)足要求。
圖5 回歸分析
本文以BP 神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),提出了一種風(fēng)電主軸軸承故障預(yù)測(cè)和診斷方法,基于機(jī)組歷史數(shù)據(jù),構(gòu)建了風(fēng)電主軸軸承的溫度預(yù)測(cè)模型,并成功實(shí)現(xiàn)了對(duì)其它機(jī)組的溫度預(yù)測(cè)。
本模型的實(shí)際價(jià)值在于可實(shí)現(xiàn)對(duì)風(fēng)電軸承早期故障的預(yù)測(cè),對(duì)軸承潛在問(wèn)題的進(jìn)行預(yù)警,提示對(duì)軸承和機(jī)組進(jìn)行檢查,并采取相應(yīng)的解決方案,如采取軸承清洗、換油,調(diào)整軸承受力狀態(tài)等措施。進(jìn)而解決軸承高溫問(wèn)題,降低軸承故障帶來(lái)軸承更換損失,及停機(jī)造成的發(fā)電量損失。
總體來(lái)看,該模型的預(yù)測(cè)精度滿(mǎn)足實(shí)際工程要求,是一種理想的風(fēng)電主軸軸承溫度預(yù)測(cè)和診斷方法,可用于風(fēng)場(chǎng)中主軸軸承的故障診斷和應(yīng)用。