郭鵬飛,劉偉江,朱朋成,王 欣,周民強(qiáng),張婷婷

(浙江運(yùn)達(dá)風(fēng)電股份有限公司 浙江省風(fēng)力發(fā)電技術(shù)重點(diǎn)實(shí)驗(yàn)室,浙江 杭州 310012)

0 引 言

變槳軸承主要應(yīng)用在變槳距風(fēng)力發(fā)電機(jī)組上,是槳葉和輪轂的連接部件。變槳軸承因長期工作在惡劣的疲勞和極限工況中,內(nèi)部常會(huì)出現(xiàn)磨損,導(dǎo)致潤滑油脂中存在大量鐵屑,使得變槳?jiǎng)幼髯枇υ黾?引發(fā)變槳電機(jī)電流超限,甚至造成變槳軸承的損壞,導(dǎo)致機(jī)組的停機(jī),產(chǎn)生重大的經(jīng)濟(jì)損失。因此,對(duì)變槳軸承的磨損情況進(jìn)行預(yù)警尤為重要。

目前,針對(duì)變槳軸承磨損故障的監(jiān)測手段較少,相關(guān)研究內(nèi)容也比較匱乏,且多處于理論階段,實(shí)測數(shù)據(jù)較少。

GUO Hui-dong[1]建立了基于回歸與高斯混合模型的風(fēng)電機(jī)組變槳系統(tǒng)運(yùn)行狀態(tài)在線辨識(shí)系統(tǒng),以一臺(tái)發(fā)生過變槳軸承保持架和滾動(dòng)體損壞故障的風(fēng)電機(jī)組為對(duì)象,進(jìn)行了實(shí)例驗(yàn)證。HAN J W等人[2]通過實(shí)驗(yàn)對(duì)變槳軸承的性能和疲勞壽命進(jìn)行了評(píng)估,在性能測試中測量了極限載荷下的摩擦力矩和剛度,在疲勞壽命測試中測量了疲勞載荷下的摩擦力矩和滾道表面溫度,最終通過測量值與理論值的偏差,確定變槳軸承是否在正常狀態(tài)下運(yùn)行。高軍強(qiáng)[3]提出了利用變槳軸承編碼器和變槳電機(jī)編碼器的知識(shí)圖譜,來對(duì)變槳軸承的故障進(jìn)行排除。劉勇等人[4]針對(duì)風(fēng)電場中變槳軸承的漏油問題進(jìn)行了理論分析,并將漏油原因進(jìn)行了歸類,分別提出了相應(yīng)的應(yīng)對(duì)措施。楊宇等[5]通過對(duì)軸承的振動(dòng)數(shù)據(jù)進(jìn)行分析,提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法。

為了填補(bǔ)變槳軸承磨損故障預(yù)測的空白,改變故障后維修的運(yùn)維模式,提高檢修效率,降低維修成本,本文以風(fēng)力發(fā)電機(jī)組SCADA系統(tǒng)記錄的風(fēng)速、功率、轉(zhuǎn)速、槳距角、變槳狀態(tài)、變槳電機(jī)電流等常見傳感器數(shù)據(jù)為輸入,提出一種變槳軸承磨損預(yù)警的數(shù)據(jù)建模方法[6，7];利用多臺(tái)機(jī)組的實(shí)際歷史數(shù)據(jù),以驗(yàn)證這種方法的有效性和準(zhǔn)確度。

1 變槳軸承概述

通常,變槳軸承通過內(nèi)外套圈的形式,安裝在風(fēng)電機(jī)組葉片和輪轂之間。變槳軸承的主要功能是支撐風(fēng)電機(jī)組葉片,實(shí)現(xiàn)其變槳?jiǎng)幼?。同時(shí)，變槳軸承也是風(fēng)電機(jī)組主制動(dòng)器的組成部分,配合變槳系統(tǒng)實(shí)現(xiàn)機(jī)組制動(dòng)動(dòng)作[8]。

目前,各主機(jī)廠家對(duì)變槳軸承都沒有直接的監(jiān)控措施,只能通過一些與槳葉有關(guān)的測量值,如變槳電機(jī)的電流、溫度、槳距角、變槳狀態(tài)機(jī)等,來對(duì)變槳軸承運(yùn)行狀況進(jìn)行粗略的判斷。

風(fēng)電機(jī)組的葉片通過變槳軸承安裝在輪轂上,軸承結(jié)構(gòu)多為四點(diǎn)接觸球軸承,變槳軸承要承受軸向力與徑向力;同時(shí)，由于葉片的作用，變槳軸承還要承受巨大的傾覆力矩。因此，變槳軸承是風(fēng)力發(fā)電機(jī)組中受力較為復(fù)雜的承載部件[9]。

由于變槳軸承在制造安裝過程中可能出現(xiàn)設(shè)計(jì)、工藝、質(zhì)量等問題,變槳軸承內(nèi)部出現(xiàn)磨損的現(xiàn)象較為常見。在風(fēng)電機(jī)組日常巡檢中,?？稍谧儤S承的潤滑油脂中發(fā)現(xiàn)鐵屑。這些鐵屑嚴(yán)重影響變槳系統(tǒng)的正常工作,使得變槳?jiǎng)幼髯枇υ黾?變槳驅(qū)動(dòng)力加大,甚至造成變槳軸承的開裂、損壞,導(dǎo)致機(jī)組停機(jī)、檢修。嚴(yán)重時(shí)必須卸下風(fēng)輪,更換變槳軸承,否則會(huì)造成重大的經(jīng)濟(jì)損失。

變槳軸承實(shí)際磨損情況如圖1所示。

圖1 變槳軸承磨損圖

2 問題背景

某風(fēng)電場共20臺(tái)2 MW風(fēng)電機(jī)組,于2014年1月份全部并網(wǎng)發(fā)電。從2016年12月發(fā)現(xiàn)其中一臺(tái)機(jī)組變槳軸承損壞后,截至2017年8月份,整個(gè)風(fēng)電場機(jī)組共經(jīng)歷了5次變槳軸承的更換。為保證發(fā)電量,筆者決定對(duì)該風(fēng)電場所有機(jī)組的變槳軸承進(jìn)行批量檢查和更換。在批量檢查中發(fā)現(xiàn),各機(jī)組變槳軸承均存在不同程度的磨損情況。

部分機(jī)組變槳軸承檢查和更換的時(shí)間節(jié)點(diǎn)、發(fā)電量損失及檢查結(jié)果如表1所示。

表1 變槳軸承更換記錄

為了減少更換變槳軸承造成的損失,有必要建立監(jiān)測變槳軸承磨損的預(yù)警模型,盡早發(fā)現(xiàn)故障[10,11],及時(shí)進(jìn)行檢查和維護(hù)。本文利用該風(fēng)電場2016年1月至2017年12月的歷史數(shù)據(jù)和變槳軸承故障記錄,建立變槳軸承磨損預(yù)警模型,并對(duì)該預(yù)警模型進(jìn)行驗(yàn)證。

3 建模方法

在變槳軸承磨損預(yù)警模型的建立過程中,還存在很多難點(diǎn),接下來筆者對(duì)此逐一進(jìn)行分析。

3.1 數(shù)據(jù)預(yù)處理方法

針對(duì)機(jī)組運(yùn)行原始數(shù)據(jù)普遍存在的缺失,筆者利用時(shí)間軸線性插補(bǔ)的方法填補(bǔ)缺失數(shù)據(jù)[12];

針對(duì)機(jī)組原始運(yùn)行數(shù)據(jù)存在異常點(diǎn)的情況,筆者根據(jù)理論和經(jīng)驗(yàn)設(shè)定字段的取值范圍,剔除離群異常點(diǎn)[13];

針對(duì)機(jī)組原始運(yùn)行數(shù)據(jù)量過大的情況,筆者刪除與變槳無關(guān)的字段和時(shí)間段,僅截取機(jī)組正常發(fā)電狀態(tài)數(shù)據(jù)進(jìn)行建模。

3.2 樣本標(biāo)注方法

變槳軸承故障無法追溯故障發(fā)生的確切時(shí)間,給樣本標(biāo)注帶來了困難。而該模型采用監(jiān)督機(jī)器學(xué)習(xí)算法,訓(xùn)練過程中只有標(biāo)簽明確,才能更準(zhǔn)確地建立變量與標(biāo)簽之間的關(guān)系。

為解決以上問題,本文采用的標(biāo)注方法為:根據(jù)運(yùn)行檔案、故障排查表、相關(guān)運(yùn)維人員等提供的信息,確定故障排查時(shí)刻和維修更換變槳軸承的時(shí)間段,將發(fā)現(xiàn)故障時(shí)刻至更換軸承時(shí)間段設(shè)定為故障時(shí)段,更換軸承后的時(shí)間段設(shè)定為正常時(shí)段,從而避免了無法確定故障發(fā)生時(shí)刻的難題。

變槳軸承樣本標(biāo)注如表2所示。

表2 變槳軸承樣本標(biāo)注

3.3 特征構(gòu)建方法

特征構(gòu)建是預(yù)警模型建立的難點(diǎn),需要從原始數(shù)據(jù)諸多字段中,挑選與變槳軸承故障最為相關(guān)的字段,對(duì)其進(jìn)行重構(gòu),尋找對(duì)故障更敏感的特征值。

經(jīng)過長時(shí)間的研究嘗試,結(jié)合變槳軸承的機(jī)理模型和數(shù)字模型,筆者確定變槳電機(jī)電流可以作為建模的主要特征變量。

某故障機(jī)組變槳電機(jī)3電流隨時(shí)間變化趨勢(shì)如圖2所示。

圖2 變槳電機(jī)電流時(shí)序圖

筆者統(tǒng)計(jì)所有歷史數(shù)據(jù)中變槳電機(jī)電流的百分位數(shù),如表3所示。

表3 變槳電機(jī)電流百分位數(shù)統(tǒng)計(jì)

從表3可以發(fā)現(xiàn),在99%的情況下,變槳電機(jī)電流的波動(dòng)范圍在0～20 A之間。盡管在日常運(yùn)行過程中,變槳電機(jī)電流偶爾也會(huì)出現(xiàn)超過20 A的情況,但故障前后電流值超過20 A的次數(shù)明顯更多、更集中。

然而單純使用變槳電機(jī)電流值作為輸入,無法靈敏地反映電流的變化情況;圖2中,盡管故障前(灰色破折線)變槳電機(jī)3電流有增高趨勢(shì),但是與故障后(黑色虛線)相比,變槳電機(jī)3電流變化趨勢(shì)沒有明顯區(qū)別;因此,需要對(duì)其原始數(shù)據(jù)進(jìn)行計(jì)算和變換。

在探究過程中還可以發(fā)現(xiàn):首先,對(duì)于頻繁變化的變槳電機(jī)電流,時(shí)間顆粒度把握十分重要,抽樣或聚合都會(huì)丟失重要信息,故對(duì)電流值本身做處理的方法不可行;其次,故障前后變槳電機(jī)電流超過某個(gè)限值的次數(shù)有明顯變化。

筆者滑動(dòng)統(tǒng)計(jì)了某故障機(jī)組5天內(nèi)變槳電機(jī)3電流超過30 A的次數(shù),該機(jī)組在2017-03-23 21:38:50時(shí)軸承卡死,次數(shù)隨時(shí)間變化趨勢(shì)如圖3所示。

圖3 變槳電機(jī)電流滑動(dòng)統(tǒng)計(jì)時(shí)序圖

從圖3中可以明顯看出,故障前(灰色破折線)次數(shù)已經(jīng)開始明顯增大,而且與故障后(黑色虛線)相比,其變化趨勢(shì)明顯不同,故筆者在此處采取該方法構(gòu)造新的特征變量。

此處特征變量的構(gòu)建方法如下:針對(duì)變槳電機(jī)電流,設(shè)定多個(gè)限值,統(tǒng)計(jì)一段時(shí)間內(nèi)電流超過限值的次數(shù),作為新構(gòu)造的特征變量。

桐廬縣氣象臺(tái)7月27日16：46發(fā)布雷電黃色預(yù)警信號(hào):“受對(duì)流云團(tuán)影響,目前桐廬縣百江、瑤琳、鐘山、富春江、新合、鳳川等鄉(xiāng)鎮(zhèn)街道已出現(xiàn)雷陣雨天氣。預(yù)計(jì)今天下午到夜里桐廬縣仍有分散性的陣雨或雷雨天氣,雷雨時(shí)短時(shí)雨量大,并伴有強(qiáng)雷電和雷雨大風(fēng)等劇烈天氣,請(qǐng)注意加強(qiáng)防范強(qiáng)降水可能引發(fā)的山體滑坡、小流域山洪等次生災(zāi)害”。

本研究設(shè)定的限值和統(tǒng)計(jì)時(shí)段如表4所示。

表4 電流限值和統(tǒng)計(jì)時(shí)段

其他特征變量也參照上述構(gòu)建方法,如1天內(nèi)有功功率的平均值、2天內(nèi)有功功率的平均值、5天內(nèi)有功功率的平均值等。

3.4 模型算法選擇

本文采用隨機(jī)森林算法,將上述篩選過的標(biāo)簽數(shù)據(jù)作為輸入數(shù)據(jù),得到上述特征變量與不同標(biāo)簽(0和1)之間的關(guān)系,保留建立上述關(guān)系的各個(gè)參數(shù)作為一個(gè)輸出變量用于應(yīng)用模型。其中,隨機(jī)森林的參數(shù)選擇,使用python sklearn包中的隨機(jī)森林分類器,決策樹個(gè)數(shù)為10,各參數(shù)的權(quán)重均衡(balanced),根據(jù)故障標(biāo)簽自動(dòng)調(diào)整權(quán)值,隨機(jī)種子為123,其余參數(shù)為默認(rèn)值。

對(duì)比邏輯回歸、樸素貝葉斯、梯度下降決策樹、最近鄰等機(jī)器學(xué)習(xí)算法,筆者發(fā)現(xiàn),在訓(xùn)練過程中,隨機(jī)森林算法有較高的準(zhǔn)確率和較快的收斂速度[14-17]。

4 建模流程

變槳軸承磨損預(yù)警模型建立的流程主要包括收集數(shù)據(jù)、數(shù)據(jù)預(yù)處理、樣本標(biāo)注、特征構(gòu)建、構(gòu)建模型、算法驗(yàn)證和模型部署,如圖4所示。

圖4 建模流程圖

具體的流程詳述如下:

(1)收集數(shù)據(jù)。收集多臺(tái)風(fēng)力發(fā)電機(jī)組的歷史運(yùn)行參數(shù),包括機(jī)組運(yùn)行狀態(tài)、風(fēng)速、功率、轉(zhuǎn)速、槳距角、變槳狀態(tài)和變槳電機(jī)電流數(shù)據(jù),并保證所述多臺(tái)風(fēng)力發(fā)電機(jī)組都曾發(fā)生過變槳軸承磨損故障,且在后期進(jìn)行了更換維修;

(2)數(shù)據(jù)預(yù)處理。判斷數(shù)據(jù)值域范圍,剔除離群數(shù)據(jù),并根據(jù)時(shí)間軸線性插補(bǔ)缺失數(shù)據(jù);本文只篩選正常發(fā)電狀態(tài)作為建模數(shù)據(jù);

(3)樣本標(biāo)注。根據(jù)機(jī)組的故障和運(yùn)維記錄,標(biāo)注帶故障運(yùn)行時(shí)段的樣本的標(biāo)簽為1(故障),標(biāo)注更換故障部件完畢之后的時(shí)段的標(biāo)簽為0(正常);

(4)特征構(gòu)建。統(tǒng)計(jì)移動(dòng)時(shí)間窗口內(nèi),3個(gè)變槳電機(jī)電流超過某較高閾值的次數(shù),統(tǒng)計(jì)移動(dòng)時(shí)間窗口內(nèi),風(fēng)速、功率、轉(zhuǎn)速、槳距角的均值;將這些新構(gòu)建的特征量作為模型的輸入數(shù)據(jù);

(5)構(gòu)建模型。使用邏輯回歸、隨機(jī)森林、梯度提升決策樹或最近鄰機(jī)器學(xué)習(xí)算法,以構(gòu)建的特征作為輸入數(shù)據(jù),以故障與正常的標(biāo)簽作為輸出目標(biāo),進(jìn)行二分類有監(jiān)督學(xué)習(xí)訓(xùn)練;

(6)算法驗(yàn)證。以若干機(jī)組數(shù)據(jù)作為訓(xùn)練樣本,其他機(jī)組作為驗(yàn)證樣本,訓(xùn)練完成模型輸入驗(yàn)證樣本,得到預(yù)測的故障概率,以精確率、召回率、F1分?jǐn)?shù)、ROC_AUC來評(píng)價(jià)模型預(yù)測精度;

(7)模型部署。將得到的所有標(biāo)注樣本進(jìn)行整體建模訓(xùn)練,得到最終的模型,實(shí)時(shí)數(shù)據(jù)經(jīng)過相同的數(shù)據(jù)預(yù)處理、特征構(gòu)建后進(jìn)入模型,得到故障預(yù)測概率;設(shè)定觸發(fā)報(bào)警的概率閾值上限和持續(xù)時(shí)間閾值上限,當(dāng)同時(shí)滿足兩個(gè)條件時(shí),即觸發(fā)報(bào)警。

5 驗(yàn)證及結(jié)果分析

5.1 模型輸出

模型的主要輸出項(xiàng)如表5所示。

表5 模型輸出項(xiàng)

5.2 預(yù)警規(guī)則

在得到模型輸出項(xiàng)后,還需要制定相應(yīng)的預(yù)警規(guī)則,這將直接影響模型的預(yù)警效果。預(yù)警規(guī)則應(yīng)考慮歷史運(yùn)行情況、人力成本與故障損失等因素,將故障在最合理的階段報(bào)出,既要避免造成嚴(yán)重的設(shè)備損失,也要減少誤報(bào)情況的發(fā)生,以提高現(xiàn)場的工作效率。

本次驗(yàn)證所采用的預(yù)警規(guī)則為:若2 h內(nèi),變槳軸承故障預(yù)測概率持續(xù)大于等于0.9,則發(fā)出預(yù)警。

5.3 模型評(píng)估

筆者將特征數(shù)據(jù)分為兩部分,其中,7臺(tái)機(jī)組的歷史數(shù)據(jù)作為建模數(shù)據(jù)集,其余機(jī)組的歷史數(shù)據(jù)作為模型驗(yàn)證數(shù)據(jù)集。

在進(jìn)行模型訓(xùn)練時(shí),要將建模數(shù)據(jù)集按機(jī)組分為7份,進(jìn)行7折交叉驗(yàn)證,即每次使用6臺(tái)機(jī)組進(jìn)行模型建立,1臺(tái)機(jī)組進(jìn)行模型驗(yàn)證,共進(jìn)行7次建模與驗(yàn)證,最終得到評(píng)估的結(jié)果。

評(píng)價(jià)指標(biāo)包括:準(zhǔn)確率、精確率、召回率和AUC值。其中,準(zhǔn)確率表示模型預(yù)測正確的能力,精確率表示模型正確預(yù)測故障的能力,召回率表示模型將故障正確預(yù)測出來的能力,AUC值表示模型分類的能力。

最終的訓(xùn)練結(jié)果如表6所示。

表6 模型評(píng)估結(jié)果

從表6可以看出:7次驗(yàn)證平均準(zhǔn)確率為87.9%,精確率為90.5%,召回率為79.2%,AUC值為94.6%。

通過最后的測試可以認(rèn)為,筆者所建立的模型可以有效地對(duì)變槳軸承的磨損故障進(jìn)行預(yù)警。接下來,筆者采用評(píng)估數(shù)據(jù)集來對(duì)該模型進(jìn)行驗(yàn)證。

筆者將全部建模數(shù)據(jù)集(7臺(tái)機(jī)組歷史數(shù)據(jù))用于模型的建立,用模型驗(yàn)證數(shù)據(jù)集來驗(yàn)證模型。

部分機(jī)組的預(yù)警時(shí)間與實(shí)際故障時(shí)間如表7所示。

表7 模型預(yù)警提前時(shí)間

從表7可以看出,變槳軸承磨損預(yù)警模型能提前5 d～34 d發(fā)出預(yù)警信息。

6 結(jié)束語

針對(duì)風(fēng)力發(fā)電機(jī)組變槳軸承的磨損問題,本文以SCADA數(shù)據(jù)為基礎(chǔ),利用滑動(dòng)統(tǒng)計(jì)的方法構(gòu)建新的特征變量,采用隨機(jī)森林算法,構(gòu)建了一種基于數(shù)據(jù)的監(jiān)測變槳軸承磨損的預(yù)警模型;并通過某風(fēng)場真實(shí)歷史運(yùn)行數(shù)據(jù),對(duì)該軸承磨損預(yù)警模型進(jìn)行了驗(yàn)證。

驗(yàn)證結(jié)果表明:

(1)模型準(zhǔn)確率平均在87.9%以上;

(2)模型基本可以提前5 d對(duì)故障進(jìn)行預(yù)警;

(3)模型可推廣到其他裝有相同類型變槳系統(tǒng)的機(jī)組上,實(shí)時(shí)地監(jiān)測變槳軸承的磨損情況。

研究結(jié)果表明,該變槳軸承磨損預(yù)警模型能提前5 d～30 d發(fā)出預(yù)警信息,且預(yù)警準(zhǔn)確率平均能達(dá)到87.9%。同時(shí),通過試運(yùn)行可以發(fā)現(xiàn),該模型具有可推廣、成本低、效率高、解釋性強(qiáng)的特點(diǎn),在提高機(jī)組的安全運(yùn)行時(shí)長,以及降低機(jī)組的運(yùn)維成本方面具有一定的意義。

基于上述研究結(jié)果,下一步,研發(fā)人員可以通過進(jìn)一步細(xì)化變槳過程,以及引入新的降噪方式等方法,來對(duì)該變槳軸承磨損預(yù)警模型的效果進(jìn)行優(yōu)化。