基于神經網絡的風機主軸承故障預測研究

趙 磊

(華能烏拉特中旗新能源發電有限公司,內蒙古 巴彥淖爾 015300)

0 引 言

風電作為可再生能源,對改善能源結構、實現雙碳目標起到重要作用。風力發電機主軸承作為風電設備的關鍵組件,直接影響著風電設備的性能,一旦主軸承發生故障,其修復時間長、難度大等特點使停電事故發生的概率急劇上升,且維修成本很高。為規避事故發生風險,對風力發電機主軸承的故障預測技術與方法展開研究,有助于指導主軸承在工程服役年限內的適當時機選擇退役、更換,減輕運維過程中的成本負擔。目前關于風機主軸承故障預測技術的研究方面,文獻[1]結合傳熱學理論,構建風機主軸承溫度動態模型,實現對直驅風電機組主軸承的故障預警;文獻[2]搭建風機主軸承三維模型并建立基于沖擊脈沖法的滾動軸承多體動力學仿真模型,研究主軸承的接觸機理與動態載荷;文獻[3]基于生成對抗網絡,實現風機主軸承故障信號的增強,提升主軸承故障預測的效率與準確性;文獻[4]利用數學形態學中的濾波算子和最優結構元素篩選技術,形成風機主軸承故障診斷新思路,實現主軸承故障特征信息的有效準確提取;文獻[5]從風機主軸承的行為動力建模仿真方面展開研究,模擬直驅風力發電機主軸承在不同風力條件下的速度、加速度等方面特性,從而為故障預測與狀態監控等提供數據與理論基礎;文獻[6]深入分析風機主軸承發生故障后的溫度特性,提取其中變化異常的狀態,實現主軸承的故障預警;文獻[7]針對風力發電機主軸承故障特征信息的收集、甄別、提取等技術展開研究;文獻[8]在原有基于生成對抗網絡的故障診斷技術基礎上,利用輔助分類法進行改進,實現對風機主軸承的高效故障預測;文獻[9]對風力發電機主軸承故障后的異常溫度狀態進行辨析,基于此搭建了智能化的故障預警平臺;文獻[10]利用數據采集與監控系統(supervisory control and data acquisition,SCADA)獲取風機運行數據,經過樣本提純后,利用機器學習算法實現主軸承的故障監測。為提高風力發電機主軸承故障預測的效率與準確度,提出一種基于CRITIC-BP神經網絡算法的風機主軸承故障預測方法,并通過對某風電場的主軸承SCADA數據進行案例分析,驗證此方法的工程實用性。

1 基于CRITIC法的故障預測指標提取

為實現風機主軸承的故障預測,需要收集海量歷史數據,該文根據SCADA獲取的風機主軸承歷史運行數據構建指標體系,利用CRITIC法和皮爾遜相關系數衡量指標間相關程度,進而得到消除重疊信息后的指標權重排序,篩選出符合信息量覆蓋程度要求的主要指標。

1.1 風機主軸承SCADA數據與指標

SCADA是以計算機技術為基礎的電力自動化監控系統,可對現場的運行設備進行監視和控制,實現數據采集、設備控制、測量、參數調節以及各類信號報警等功能,利用SCADA可獲取風力發電機大量歷史運維數據,為主軸承故障預測提供數據基礎。

利用SCADA獲取的風電場數據包括風速、運維檔案、狀態監控記錄、地理信息、氣象信息、歷史故障信息等,初始數據信息樣本通常無法直接用于故障預測的訓練輸入,需要形成風機主軸承的故障預測指標。該文搜集某風電場的主軸承SCADA歷史數據,整合了包含風速的威布爾分布比例參數、威布爾分布形狀參數、陣風數量、風向的主風向最大坡度、高程差距離比、風剪切等多方面指標。

1.2 基于CRITIC法篩選指標

由于指標數量龐雜且存在相互重疊信息,為提高風機主軸承故障預測的效率,采用CRITIC法和皮爾遜相關系數衡量指標間相關程度,對風機主軸承歷史SCADA數據指標進行篩選,具體提煉的步驟如下:

1)形成數據樣本矩陣

對多個研究對象的多項指標進行整理,形成數據樣本,因此可構建多個風機主軸承的各項指標,數據樣本矩陣為

(1)

式中:xnm為第m個風機主軸承的第n項指標。

2)指標同向化處理

對指標進行同向化處理,滿足:

(2)

3)無量綱化處理

由于風機主軸承各項SCADA數據指標具有不同的量綱,直接輸入神經網絡無法進行有效的樣本訓練,且無法評估指標間的線性相關程度,需預先進行無量綱化處理:

(3)

4)求取指標間的標準差與相關系數

指標間的標準差采用下式計算:

(4)

式中:Si為指標間的標準差,反映了指標間的差異性,即各指標的內取值的差異波動情況。標準差越大表示該指標的數值差異越大,越能放映出更多的信息,該指標本身的評價強度也就越強,應該給該指標分配更多的權重。相關系數采用下式計算:

(5)

5)計算信息量并求解指標的權重

CRITIC法根據數據信息量衡量各項指標的權重大小,信息量計算式為

(6)

式中:Ci為信息度衡量指標;(1-pij)為指標間的沖突。Ci越大,第i個評價指標在整個評價指標體系中的作用越大,就應該給其分配更多的權重。最后可求得權重為

(7)

式中:βi為指標i的權重值。

由此可以得到消除重疊信息后的指標權重排序,進而篩選出符合信息量覆蓋程度要求的主要指標。

2 基于神經網絡的風機主軸承故障預測

人工神經網絡是一種模仿動物神經網絡行為特征,進行分布式并行信息處理的算法數學模型,依靠系統的復雜程度,通過調整內部大量節點之間相互連接的關系,達到處理信息的目的,并具有自學習和自適應的能力。利用神經網絡對風力發電機主軸承SCADA運行數據指標進行訓練,可達到故障預測的目的。

2.1 神經網絡算法原理

神經網絡算法通過將人腦神經網絡的結構與功能等進行抽象形成一種人工智能模型,因此具有適應能力強、正確性高、可處理復雜非線性問題等優勢,其中的BP神經網絡是誤差反向傳播的神經網絡,其神經元為Sigmoid函數。BP神經網絡由輸入層、隱含層、輸出層組成,每層的基本構成單位即為神經元,每個神經元接收輸入信號,在設定函數的作用下輸出信息,并通過輸入層、隱含層、輸出層的順序實現信息的前向傳播。誤差函數接收輸出層的輸出結果,與預期值進行對比,若誤差不滿足精度要求,則將信息沿原先通道進行反向回傳,回傳過程中逐一修改或優化輸出層、隱含層、輸入層的神經元,目的是減小最終的輸出誤差,依次往復運行,最終得到滿足要求的BP神經網絡。其原理圖如圖1所示。

圖1 BP神經網絡原理圖

2.2 基于BP神經網絡的故障預測

綜上所述,利用BP神經網絡實現風力發電機主軸承故障預測的流程如下。

1)利用CRITIC法提取SCADA故障預測指標。根據大量歷史運維數據形成風機主軸承的初始指標體系,利用皮爾遜相關系數消除指標間的重疊信息,并得到所有指標的權重排序,因此可在一定信息量覆蓋程度要求的范圍內篩選得到主體指標。

2)設置神經網絡權重與閾值,將提取后的指標傳遞至BP神經網絡的輸入層,經過隱含層、輸出層實現信息的前向傳播。

3)利用誤差信息修正神經網絡的權重與閾值等相關參數,循環訓練,得到滿足精度要求的訓練結果。

3 案例分析

選取某風電場的主軸承SCADA數據,設置信息量覆蓋程度為85%,利用CRITIC法篩選得到8個主要指標I1～I8,依次分別代表威布爾分布比例參數、威布爾分布形狀參數、陣風數量、風向的主風向最大坡度、高程差距離比、風剪切、風速和功率等。各項指標的權重分布見表1。

表1 篩選后的指標權重分布

8項指標權重總和占比達到整體指標體系的85.9%,符合要求,將指標輸入至BP神經網絡,設置輸入層的神經元數量為8個,隱含層層數為2,輸出層層數為1。利用歷史數據進行訓練與驗證分析,得到經過BP神經網絡訓練后的故障預測準確率,表示如下:

(8)

式中:Acu為故障預測準確率;STP為正類正樣本;STN為正類負樣本;SFP為負類正樣本;SFN為負類負樣本。

將BP神經網絡的風機主軸承故障的預測結果與現有其它預測方法進行對比,結果見表2。

表2 不同方法的風機主軸承故障預測效能

由表2可知,文獻[1]中膠囊網絡的預測準確率為90%,所用指標為15個;文獻[3]中生成對抗網絡的預測準確率為87%,所用指標為10個;文獻[4]中差分積形態濾波方法的預測準確率為82%,所用指標為13個;文獻[10]中XGBoost方法的預測準確率為78%,所用指標為12個;而該文所提的CRITIC-BP神經網絡算法的預測準確率為95%,所用指標為8個。可見基于CRITIC-BP神經網絡算法的風機主軸承故障預測方法相比于其他方法,在所需指標數量較少情況下,具有更高的預測準確率,實現了風力發電機主軸承故障的高效準確預測。

4 結 語

考慮到風力發電機主軸承故障將對發電性能產生嚴重影響并引發昂貴的維護成本,該文提出一種基于CRITIC-BP神經網絡算法對風力發電機主軸承故障進行預測。通過實際案例分析并與其他方法的對比表明,基于CRITIC-BP神經網絡算法的風力發電機主軸故障預測方法,具有較高的準確度與預測效率,具備較好的工程價值。未來隨著神經網絡算法的發展,在風力發電機主軸承故障預測領域,該模型將具有廣闊的應用前景。