本发明涉及一种基于数据建模的风电机组变桨轴承磨损监测和预警方法。
背景技术：
变桨轴承主要使用在变桨距风力发电机组上，通过内外套圈形式，安装在叶片和轮毂之间。变桨控制系统根据风速引起的风轮转速转矩变化，给予变桨电机动作指令，通过变桨变速齿轮箱转换为合适的转速和转矩，驱动变桨轴承的内外圈相对角度，从而调整叶片变桨角度，控制叶片吸收风能的效率，使得风力发电机组在额定风速以上保持稳定的功率输出。变桨轴承是风力发电机组中受力较为复杂的承载部件，长期工作在恶劣的疲劳和极限工况中。由于变桨轴承可能存在的设计、工艺、质量问题，变桨轴承内部出现磨损的现象较为常见。在日常巡检中，常在变桨轴承的润滑油脂中发现大量铁屑。这些铁屑严重影响变桨系统的正常工作，使得变桨动作阻力增加，变桨驱动力加大，变桨电机电流超限，严重时甚至造成变桨轴承的开裂、损坏，导致机组停机检修。必要时必须重新卸下风轮，更换变桨轴承，造成重大的经济损失。为了预防变桨轴承的磨损故障，对变桨轴承运行的健康状态进行监测和预警显得尤为必要。受限于变桨轴承的复杂结构，和日益高涨的成本压力，现阶段市场中尚无针对变桨系统的批量安装的监测设备。技术实现要素：为了克服现有变桨轴承磨损故障监测手段较少、专用监测设备成本高的不足，本发明通过风力发电机组的scada系统记录的风速、功率、转速、桨距角、变桨电机电流等常见传感器数据，提供一种监测变桨轴承磨损的数据建模方法，经过机组大量的历史数据的研究，验证了这种方法的有效性和准确度，同时具有成本低、效率高、解释性强等特点。本发明解决其技术问题所采用的技术方案是：一种基于数据建模的风电机组变桨轴承磨损监测和预警方法，包括以下步骤：(1)收集数据收集多台风力发电机组的实时运行参数，包括机组运行状态、风速、功率、转速、桨距角和变桨电机电流数据，所述多台风力发电机组都曾发生过变桨轴承磨损故障，并在后期进行更换维修；(2)数据预处理判断数据值域范围，剔除离群数据，根据时间轴线性插补缺失数据，只筛选正常发电状态作为建模数据备用；(3)样本标注标注带故障运行时段的样本的标签为1(故障)，标注更换故障部件完毕之后的时段的标签为0(正常)；(4)特征构建统计移动时间窗口内，三个变桨电机电流超过某较高阈值的次数，统计移动时间窗口内，风速、功率、转速、桨距角的均值；(5)构建模型使用逻辑回归、随机森林、梯度提升决策树或最近邻机器学习算法，以构建的特征作为输入数据，以故障与正常的标签作为输出目标，进行二分类有监督学习训练；(6)算法验证以若干机组数据作为训练样本，其他机组作为验证样本；训练完成模型输入验证样本，得到预测的故障概率；以精确率、召回率、f1、roc_auc来评价模型预测精度；(7)模型部署将得到的所有标注样本整体建模训练，得到最终模型，实时数据经过相同的数据预处理、特征构建后进入模型，得到故障预测概率，设定触发报警的概率阈值上限和持续时间阈值上限，当同时满足两个条件时触发报警。所述步骤(1)中，所述选择的数据所在机组存在带故障运行和修复之后继续运行的两部分数据。所述步骤(2)中，根据机组状态码，只选择正常发电状态作为建模数据。所述步骤(4)中，设定变桨电流较高阈值，统计移动时间窗口内超过该阈值的次数。其阈值可存在多个，窗口宽度可存在多个。所述步骤(7)中，模型输出为故障概率，触发预警的条件存在两个，即超过概率阈值上限且超过持续一定时间。本发明的有益效果为：有效性和准确度较高，同时成本低、效率高、解释性强。附图说明图1为roc曲线示意图。具体实施方式下面结合附图对本发明做进一步说明。参照图1，一种基于数据建模的风电机组变桨轴承磨损监测和预警方法，包括以下步骤：(1)收集数据收集多台风力发电机组的实时运行参数，包括机组运行状态、风速、功率、转速、桨距角和变桨电机电流数据，所述多台风力发电机组都曾发生过变桨轴承磨损故障，并在后期进行更换维修；(2)数据预处理判断数据值域范围，剔除离群数据，根据时间轴线性插补缺失数据，只筛选正常发电状态作为建模数据备用；(3)样本标注标注带故障运行时段的样本的标签为1(故障)，标注更换故障部件完毕之后的时段的标签为0(正常)；(4)特征构建统计移动时间窗口内，三个变桨电机电流超过某较高阈值的次数，统计移动时间窗口内，风速、功率、转速、桨距角的均值；(5)构建模型使用逻辑回归、随机森林、梯度提升决策树或最近邻机器学习算法，以构建的特征作为输入数据，以故障与正常的标签作为输出目标，进行二分类有监督学习训练；(6)算法验证以若干机组数据作为训练样本，其他机组作为验证样本；训练完成模型输入验证样本，得到预测的故障概率；以精确率precision、召回率recall、f1_score、roc_auc来评价模型预测精度。具体方法如下：设定以故障概率0.5为截断点，大于等于0.5的样本标记为预测的1，小于0.5的样本标记为预测的0，与实际的真实标签形成混淆矩阵。二分类混淆矩阵如表1所示。预测的标签＝1预测的标签＝0实际的标签＝1tpfn实际的标签＝0fptn表1其中，tp(truepositive):真实为1，预测为1；fn(falsenegative):真实为1，预测为0；fp(falsepositive):真实为0，预测为1；tn(truenegative):真实为0，预测为0；精确率precision、召回率recall、f1_score的计算公式如下：roc_auc是指roc(receiveroperatingcharacteristic，受试者操作曲线)曲线下方包围的面积。roc曲线是通过一系列不同的截断点得到的tpr(truepositiverate，真正率)和fpr(falsepositiverate，假正率)的坐标点连接绘制而成。tpr和fpr计算公式如下所示。roc_auc示意图如图1所示。(7)模型部署将得到的所有标注样本整体建模训练，得到最终模型，实时数据经过相同的数据预处理、特征构建后进入模型，得到故障预测概率，设定触发报警的概率阈值上限和持续时间阈值上限，当同时满足两个条件时触发报警。以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。当前第1页12