基于神经网络的风机主轴承故障预测研究

赵 磊

(华能乌拉特中旗新能源发电有限公司,内蒙古 巴彦淖尔 015300)

0 引 言

风电作为可再生能源,对改善能源结构、实现双碳目标起到重要作用。风力发电机主轴承作为风电设备的关键组件,直接影响着风电设备的性能,一旦主轴承发生故障,其修复时间长、难度大等特点使停电事故发生的概率急剧上升,且维修成本很高。为规避事故发生风险,对风力发电机主轴承的故障预测技术与方法展开研究,有助于指导主轴承在工程服役年限内的适当时机选择退役、更换,减轻运维过程中的成本负担。目前关于风机主轴承故障预测技术的研究方面,文献[1]结合传热学理论,构建风机主轴承温度动态模型,实现对直驱风电机组主轴承的故障预警;文献[2]搭建风机主轴承三维模型并建立基于冲击脉冲法的滚动轴承多体动力学仿真模型,研究主轴承的接触机理与动态载荷;文献[3]基于生成对抗网络,实现风机主轴承故障信号的增强,提升主轴承故障预测的效率与准确性;文献[4]利用数学形态学中的滤波算子和最优结构元素筛选技术,形成风机主轴承故障诊断新思路,实现主轴承故障特征信息的有效准确提取;文献[5]从风机主轴承的行为动力建模仿真方面展开研究,模拟直驱风力发电机主轴承在不同风力条件下的速度、加速度等方面特性,从而为故障预测与状态监控等提供数据与理论基础;文献[6]深入分析风机主轴承发生故障后的温度特性,提取其中变化异常的状态,实现主轴承的故障预警;文献[7]针对风力发电机主轴承故障特征信息的收集、甄别、提取等技术展开研究;文献[8]在原有基于生成对抗网络的故障诊断技术基础上,利用辅助分类法进行改进,实现对风机主轴承的高效故障预测;文献[9]对风力发电机主轴承故障后的异常温度状态进行辨析,基于此搭建了智能化的故障预警平台;文献[10]利用数据采集与监控系统(supervisory control and data acquisition,SCADA)获取风机运行数据,经过样本提纯后,利用机器学习算法实现主轴承的故障监测。为提高风力发电机主轴承故障预测的效率与准确度,提出一种基于CRITIC-BP神经网络算法的风机主轴承故障预测方法,并通过对某风电场的主轴承SCADA数据进行案例分析,验证此方法的工程实用性。

1 基于CRITIC法的故障预测指标提取

为实现风机主轴承的故障预测,需要收集海量历史数据,该文根据SCADA获取的风机主轴承历史运行数据构建指标体系,利用CRITIC法和皮尔逊相关系数衡量指标间相关程度,进而得到消除重叠信息后的指标权重排序,筛选出符合信息量覆盖程度要求的主要指标。

1.1 风机主轴承SCADA数据与指标

SCADA是以计算机技术为基础的电力自动化监控系统,可对现场的运行设备进行监视和控制,实现数据采集、设备控制、测量、参数调节以及各类信号报警等功能,利用SCADA可获取风力发电机大量历史运维数据,为主轴承故障预测提供数据基础。

利用SCADA获取的风电场数据包括风速、运维档案、状态监控记录、地理信息、气象信息、历史故障信息等,初始数据信息样本通常无法直接用于故障预测的训练输入,需要形成风机主轴承的故障预测指标。该文搜集某风电场的主轴承SCADA历史数据,整合了包含风速的威布尔分布比例参数、威布尔分布形状参数、阵风数量、风向的主风向最大坡度、高程差距离比、风剪切等多方面指标。

1.2 基于CRITIC法筛选指标

由于指标数量庞杂且存在相互重叠信息,为提高风机主轴承故障预测的效率,采用CRITIC法和皮尔逊相关系数衡量指标间相关程度,对风机主轴承历史SCADA数据指标进行筛选,具体提炼的步骤如下:

1)形成数据样本矩阵

对多个研究对象的多项指标进行整理,形成数据样本,因此可构建多个风机主轴承的各项指标,数据样本矩阵为

(1)

式中:xnm为第m个风机主轴承的第n项指标。

2)指标同向化处理

对指标进行同向化处理,满足:

(2)

3)无量纲化处理

由于风机主轴承各项SCADA数据指标具有不同的量纲,直接输入神经网络无法进行有效的样本训练,且无法评估指标间的线性相关程度,需预先进行无量纲化处理:

(3)

4)求取指标间的标准差与相关系数

指标间的标准差采用下式计算:

(4)

式中:Si为指标间的标准差,反映了指标间的差异性,即各指标的内取值的差异波动情况。标准差越大表示该指标的数值差异越大,越能放映出更多的信息,该指标本身的评价强度也就越强,应该给该指标分配更多的权重。相关系数采用下式计算:

(5)

5)计算信息量并求解指标的权重

CRITIC法根据数据信息量衡量各项指标的权重大小,信息量计算式为

(6)

式中:Ci为信息度衡量指标;(1-pij)为指标间的冲突。Ci越大,第i个评价指标在整个评价指标体系中的作用越大,就应该给其分配更多的权重。最后可求得权重为

(7)

式中:βi为指标i的权重值。

由此可以得到消除重叠信息后的指标权重排序,进而筛选出符合信息量覆盖程度要求的主要指标。

2 基于神经网络的风机主轴承故障预测

人工神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型,依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,达到处理信息的目的,并具有自学习和自适应的能力。利用神经网络对风力发电机主轴承SCADA运行数据指标进行训练,可达到故障预测的目的。

2.1 神经网络算法原理

神经网络算法通过将人脑神经网络的结构与功能等进行抽象形成一种人工智能模型,因此具有适应能力强、正确性高、可处理复杂非线性问题等优势,其中的BP神经网络是误差反向传播的神经网络,其神经元为Sigmoid函数。BP神经网络由输入层、隐含层、输出层组成,每层的基本构成单位即为神经元,每个神经元接收输入信号,在设定函数的作用下输出信息,并通过输入层、隐含层、输出层的顺序实现信息的前向传播。误差函数接收输出层的输出结果,与预期值进行对比,若误差不满足精度要求,则将信息沿原先通道进行反向回传,回传过程中逐一修改或优化输出层、隐含层、输入层的神经元,目的是减小最终的输出误差,依次往复运行,最终得到满足要求的BP神经网络。其原理图如图1所示。

图1 BP神经网络原理图

2.2 基于BP神经网络的故障预测

综上所述,利用BP神经网络实现风力发电机主轴承故障预测的流程如下。

1)利用CRITIC法提取SCADA故障预测指标。根据大量历史运维数据形成风机主轴承的初始指标体系,利用皮尔逊相关系数消除指标间的重叠信息,并得到所有指标的权重排序,因此可在一定信息量覆盖程度要求的范围内筛选得到主体指标。

2)设置神经网络权重与阈值,将提取后的指标传递至BP神经网络的输入层,经过隐含层、输出层实现信息的前向传播。

3)利用误差信息修正神经网络的权重与阈值等相关参数,循环训练,得到满足精度要求的训练结果。

3 案例分析

选取某风电场的主轴承SCADA数据,设置信息量覆盖程度为85%,利用CRITIC法筛选得到8个主要指标I1～I8,依次分别代表威布尔分布比例参数、威布尔分布形状参数、阵风数量、风向的主风向最大坡度、高程差距离比、风剪切、风速和功率等。各项指标的权重分布见表1。

表1 筛选后的指标权重分布

8项指标权重总和占比达到整体指标体系的85.9%,符合要求,将指标输入至BP神经网络,设置输入层的神经元数量为8个,隐含层层数为2,输出层层数为1。利用历史数据进行训练与验证分析,得到经过BP神经网络训练后的故障预测准确率,表示如下:

(8)

式中:Acu为故障预测准确率;STP为正类正样本;STN为正类负样本;SFP为负类正样本;SFN为负类负样本。

将BP神经网络的风机主轴承故障的预测结果与现有其它预测方法进行对比,结果见表2。

表2 不同方法的风机主轴承故障预测效能

由表2可知,文献[1]中胶囊网络的预测准确率为90%,所用指标为15个;文献[3]中生成对抗网络的预测准确率为87%,所用指标为10个;文献[4]中差分积形态滤波方法的预测准确率为82%,所用指标为13个;文献[10]中XGBoost方法的预测准确率为78%,所用指标为12个;而该文所提的CRITIC-BP神经网络算法的预测准确率为95%,所用指标为8个。可见基于CRITIC-BP神经网络算法的风机主轴承故障预测方法相比于其他方法,在所需指标数量较少情况下,具有更高的预测准确率,实现了风力发电机主轴承故障的高效准确预测。

4 结 语

考虑到风力发电机主轴承故障将对发电性能产生严重影响并引发昂贵的维护成本,该文提出一种基于CRITIC-BP神经网络算法对风力发电机主轴承故障进行预测。通过实际案例分析并与其他方法的对比表明,基于CRITIC-BP神经网络算法的风力发电机主轴故障预测方法,具有较高的准确度与预测效率,具备较好的工程价值。未来随着神经网络算法的发展,在风力发电机主轴承故障预测领域,该模型将具有广阔的应用前景。