基于BP- 神經網絡的風電主軸承故障預測

劉桂然

（國電聯合動力技術有限公司，風電設備及控制國家重點實驗室，北京100039）

1 概述

主軸軸承性能直接影響到風電機組可靠性，設計、材料、熱處理、潤滑等任何一個環節的偏差都會導致軸承失效，而如何在主軸軸承發生早期失效時進行故障診斷和預測，是風電行業需要亟待解決的一個重要課題。

人工神經網絡是適應工程需要發展起來的一門交叉學科，近年來人工神經網絡已開始用于風電領域，進行軸承、齒輪箱等部件的故障，本文介紹了一種基于BP- 神經網絡的風電主軸軸承溫度在線預測和診斷的方法。

2 BP- 神經網絡算法

2.1 變量的定義

在三層BP- 神經網絡中，假定輸入神經元個數為M，隱含層神經元個數為I，輸出層神經元個數為J，輸入層第m 個神經元為xm，隱含層第i 個神經元為ki，輸出層第j 個神經元為yj，從xm到ki的連接權值為ωmi，從ki到yi的連接權值記ωij，隱含層傳遞函數為sigmoid 函數，輸出層傳遞函數采用線性函數，網絡實際輸出為Y（n）=[諄1J，諄2J…，諄JJ]，期望輸出為d（n）=[d1，d2，…，dJ]，n 為迭代次數，第n 次迭代誤差為ej（n）=dj（n）-Yj（n）。

2.2 工作信號正向傳播

2.3 網絡權值調整

權值調整采用LM算法，LM算法是利用標準的數值優化技術的快速算法，權值修正公式：

J 為雅克比矩陣，I 為單位矩陣，η 為學習率參數，介于0-1 之間。

3 故障模型建立

BP- 神經網絡是前向神經網絡的核心，廣泛應用于分類識別、逼近和回歸，BP- 神經網絡由1 個輸入層、若干隱含層和1 個輸出層組成，每層均由若干神經元組成，各相鄰神經元之間多為全連接。

3.1 故障模型

主軸軸承包括浮動軸承和止推軸承，浮動軸承只承受徑向力，止推軸承需要同時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。溫度是反映軸承運行狀態的最直接的指標，當軸承存在異常磨損、潤滑不足或裝配問題時，會首先表現為軸承溫度異常，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作為預測輸出變量。

影響止推軸承溫度的因素包括發電功率、運行時間和環境溫度等，發電功率P 直接影響軸承溫度的變化，作為模型的一個輸入變量。浮動軸承溫度Tf作為模型第二個輸入變量，原因在于浮動軸承溫度已經包含了運行時間和環境溫度的影響。

變量定義：

基于上述討論，建立止推軸承溫度預測BP- 網絡模型如圖1所示，其中：

X1=（P1，P2，P3，…Pn），表示發電機功率P

X2=（Tf1，Tf2，Tf3…Tfn），表示浮動軸承溫度Tf

Y=（Tz1，Tz2，Tz3…Tzn），表示待預測的止推軸承溫度Tz

3.2 樣本處理

模型以某2MW機組為研究對象，采集過去1 年的歷史數據作為模型訓練樣本。為避免功率和運行時間離散因素對預測結果造成干擾，樣本只考慮滿發功率時的軸承狀態，對低于額定功率的狀態數據進行剔除，獲得有效樣本數據共22763 組。

3.3 模型訓練

按功能將上述樣本隨機分為三類，其中訓練樣本占70%，驗證樣本和測試樣本各15%。訓練完成后進行模型精度分析，包括均方誤差（MSE）和R 值分析。

圖1 網絡預測模型

R 用于衡量目標數據（期望輸出）與實際輸出之間的相關性，R 為1 說明兩者完全相符，R 為0 說明數據完全隨機，從圖2 可以看到三類數據的R 值均為0.93 左右，說明實際輸出和期望輸出相關性較好。MSE 值用于衡量目標數據（期望輸出）與實際輸出之間的偏差，MSE 越小，偏差越小，MSE 為0，說明沒有誤差。從圖2 可知，模型MSE 結果為5.8 左右，但從圖3 的誤差直方圖來看，誤差在5℃以內的數據占比95.3%，從風電主軸軸承溫度預測角度來說，5℃在可接受誤差范圍之內。

圖2 MSE 和R

圖3 誤差直方圖

4 故障預測

4.1 溫度預測

模型訓練完成后，從某風場機組中隨機抽選做為預測對象，采集該機組1 個月內功率滿發數據，并進行止推軸承溫度預測，預測結果如圖4 所示。A6MBGB為實際采集的止推軸承溫度數據的真實值，yA6 為采用所建立的BP- 神經網絡預測的到的結果，預測值與真實值趨勢一致，雖然存在一定偏差，但曲線的基本走勢和趨勢基本一致。

4.2 偏差分析

對于不同機組來說，除軸承制造參數差異外，裝配、潤滑等多種因素都會影響軸承的預測結果，造成結果偏差，整體來看預測值更接近真實值。

圖4 同風場機組溫度曲線預測

對預測修正曲線進行回歸分析，見圖5。可以看到R 值為0.90881，預測輸出與期望輸出具有很好的一致性，預測誤差在5℃以上的數據有30 個左右，占預測樣本總數的3%。97%的數據在期望范圍之內，預測精度可以滿足要求。

圖5 回歸分析

5 結論

本文以BP 神經網絡為基礎，提出了一種風電主軸軸承故障預測和診斷方法，基于機組歷史數據，構建了風電主軸軸承的溫度預測模型，并成功實現了對其它機組的溫度預測。

本模型的實際價值在于可實現對風電軸承早期故障的預測，對軸承潛在問題的進行預警，提示對軸承和機組進行檢查，并采取相應的解決方案，如采取軸承清洗、換油，調整軸承受力狀態等措施。進而解決軸承高溫問題，降低軸承故障帶來軸承更換損失，及停機造成的發電量損失。

總體來看，該模型的預測精度滿足實際工程要求，是一種理想的風電主軸軸承溫度預測和診斷方法，可用于風場中主軸軸承的故障診斷和應用。