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）

1 概述

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預(yù)測(cè)和診斷的方法。

2 BP- 神經(jīng)網(wǎng)絡(luò)算法

2.1 變量的定義

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）。

2.2 工作信號(hào)正向傳播

2.3 網(wǎng)絡(luò)權(quán)值調(diào)整

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。

3 故障模型建立

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。

3.1 故障模型

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

3.2 樣本處理

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。

3.3 模型訓(xùn)練

按功能將上述樣本隨機(jī)分為三類，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℃以內(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

4 故障預(yù)測(cè)

4.1 溫度預(yù)測(cè)

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，但曲線的基本走勢(shì)和趨勢(shì)基本一致。

4.2 偏差分析

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)組溫度曲線預(yù)測(cè)

對(duì)預(yù)測(cè)修正曲線進(jìn)行回歸分析，見(jiàn)圖5?？梢钥吹絉 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)精度可以滿足要求。

圖5 回歸分析

5 結(jié)論

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。