風電機組變槳軸承的磨損預警方法研究*

郭鵬飛,劉偉江,朱朋成,王 欣,周民強,張婷婷

(浙江運達風電股份有限公司 浙江省風力發電技術重點實驗室,浙江 杭州 310012)

0 引 言

變槳軸承主要應用在變槳距風力發電機組上,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,內部常會出現磨損,導致潤滑油脂中存在大量鐵屑,使得變槳動作阻力增加,引發變槳電機電流超限,甚至造成變槳軸承的損壞,導致機組的停機,產生重大的經濟損失。因此,對變槳軸承的磨損情況進行預警尤為重要。

目前,針對變槳軸承磨損故障的監測手段較少,相關研究內容也比較匱乏,且多處于理論階段,實測數據較少。

GUO Hui-dong[1]建立了基于回歸與高斯混合模型的風電機組變槳系統運行狀態在線辨識系統,以一臺發生過變槳軸承保持架和滾動體損壞故障的風電機組為對象,進行了實例驗證。HAN J W等人[2]通過實驗對變槳軸承的性能和疲勞壽命進行了評估,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下運行。高軍強[3]提出了利用變槳軸承編碼器和變槳電機編碼器的知識圖譜,來對變槳軸承的故障進行排除。劉勇等人[4]針對風電場中變槳軸承的漏油問題進行了理論分析,并將漏油原因進行了歸類,分別提出了相應的應對措施。楊宇等[5]通過對軸承的振動數據進行分析,提出了一種基于經驗模態分解和神經網絡的滾動軸承故障診斷方法。

為了填補變槳軸承磨損故障預測的空白,改變故障后維修的運維模式,提高檢修效率,降低維修成本,本文以風力發電機組SCADA系統記錄的風速、功率、轉速、槳距角、變槳狀態、變槳電機電流等常見傳感器數據為輸入,提出一種變槳軸承磨損預警的數據建模方法[6，7];利用多臺機組的實際歷史數據,以驗證這種方法的有效性和準確度。

1 變槳軸承概述

通常,變槳軸承通過內外套圈的形式,安裝在風電機組葉片和輪轂之間。變槳軸承的主要功能是支撐風電機組葉片,實現其變槳動作。同時，變槳軸承也是風電機組主制動器的組成部分,配合變槳系統實現機組制動動作[8]。

目前,各主機廠家對變槳軸承都沒有直接的監控措施,只能通過一些與槳葉有關的測量值,如變槳電機的電流、溫度、槳距角、變槳狀態機等,來對變槳軸承運行狀況進行粗略的判斷。

風電機組的葉片通過變槳軸承安裝在輪轂上,軸承結構多為四點接觸球軸承,變槳軸承要承受軸向力與徑向力;同時，由于葉片的作用，變槳軸承還要承受巨大的傾覆力矩。因此，變槳軸承是風力發電機組中受力較為復雜的承載部件[9]。

由于變槳軸承在制造安裝過程中可能出現設計、工藝、質量等問題,變槳軸承內部出現磨損的現象較為常見。在風電機組日常巡檢中,?？稍谧儤S承的潤滑油脂中發現鐵屑。這些鐵屑嚴重影響變槳系統的正常工作,使得變槳動作阻力增加,變槳驅動力加大,甚至造成變槳軸承的開裂、損壞,導致機組停機、檢修。嚴重時必須卸下風輪,更換變槳軸承,否則會造成重大的經濟損失。

變槳軸承實際磨損情況如圖1所示。

圖1 變槳軸承磨損圖

2 問題背景

某風電場共20臺2 MW風電機組,于2014年1月份全部并網發電。從2016年12月發現其中一臺機組變槳軸承損壞后,截至2017年8月份,整個風電場機組共經歷了5次變槳軸承的更換。為保證發電量,筆者決定對該風電場所有機組的變槳軸承進行批量檢查和更換。在批量檢查中發現,各機組變槳軸承均存在不同程度的磨損情況。

部分機組變槳軸承檢查和更換的時間節點、發電量損失及檢查結果如表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,有必要建立監測變槳軸承磨損的預警模型,盡早發現故障[10,11],及時進行檢查和維護。本文利用該風電場2016年1月至2017年12月的歷史數據和變槳軸承故障記錄,建立變槳軸承磨損預警模型,并對該預警模型進行驗證。

3 建模方法

在變槳軸承磨損預警模型的建立過程中,還存在很多難點,接下來筆者對此逐一進行分析。

3.1 數據預處理方法

針對機組運行原始數據普遍存在的缺失,筆者利用時間軸線性插補的方法填補缺失數據[12];

針對機組原始運行數據存在異常點的情況,筆者根據理論和經驗設定字段的取值范圍,剔除離群異常點[13];

針對機組原始運行數據量過大的情況,筆者刪除與變槳無關的字段和時間段,僅截取機組正常發電狀態數據進行建模。

3.2 樣本標注方法

變槳軸承故障無法追溯故障發生的確切時間,給樣本標注帶來了困難。而該模型采用監督機器學習算法,訓練過程中只有標簽明確,才能更準確地建立變量與標簽之間的關系。

為解決以上問題,本文采用的標注方法為:根據運行檔案、故障排查表、相關運維人員等提供的信息,確定故障排查時刻和維修更換變槳軸承的時間段,將發現故障時刻至更換軸承時間段設定為故障時段,更換軸承后的時間段設定為正常時段,從而避免了無法確定故障發生時刻的難題。

變槳軸承樣本標注如表2所示。

表2 變槳軸承樣本標注

3.3 特征構建方法

特征構建是預警模型建立的難點,需要從原始數據諸多字段中,挑選與變槳軸承故障最為相關的字段,對其進行重構,尋找對故障更敏感的特征值。

經過長時間的研究嘗試,結合變槳軸承的機理模型和數字模型,筆者確定變槳電機電流可以作為建模的主要特征變量。

某故障機組變槳電機3電流隨時間變化趨勢如圖2所示。

圖2 變槳電機電流時序圖

筆者統計所有歷史數據中變槳電機電流的百分位數,如表3所示。

表3 變槳電機電流百分位數統計

從表3可以發現,在99%的情況下,變槳電機電流的波動范圍在0～20 A之間。盡管在日常運行過程中,變槳電機電流偶爾也會出現超過20 A的情況,但故障前后電流值超過20 A的次數明顯更多、更集中。

然而單純使用變槳電機電流值作為輸入,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3電流有增高趨勢,但是與故障后(黑色虛線)相比,變槳電機3電流變化趨勢沒有明顯區別;因此,需要對其原始數據進行計算和變換。

在探究過程中還可以發現:首先,對于頻繁變化的變槳電機電流,時間顆粒度把握十分重要,抽樣或聚合都會丟失重要信息,故對電流值本身做處理的方法不可行;其次,故障前后變槳電機電流超過某個限值的次數有明顯變化。

筆者滑動統計了某故障機組5天內變槳電機3電流超過30 A的次數,該機組在2017-03-23 21:38:50時軸承卡死,次數隨時間變化趨勢如圖3所示。

圖3 變槳電機電流滑動統計時序圖

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

此處特征變量的構建方法如下:針對變槳電機電流,設定多個限值,統計一段時間內電流超過限值的次數,作為新構造的特征變量。

桐廬縣氣象臺7月27日16：46發布雷電黃色預警信號:“受對流云團影響,目前桐廬縣百江、瑤琳、鐘山、富春江、新合、鳳川等鄉鎮街道已出現雷陣雨天氣。預計今天下午到夜里桐廬縣仍有分散性的陣雨或雷雨天氣,雷雨時短時雨量大,并伴有強雷電和雷雨大風等劇烈天氣,請注意加強防范強降水可能引發的山體滑坡、小流域山洪等次生災害”。

本研究設定的限值和統計時段如表4所示。

表4 電流限值和統計時段

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

3.4 模型算法選擇

本文采用隨機森林算法,將上述篩選過的標簽數據作為輸入數據,得到上述特征變量與不同標簽(0和1)之間的關系,保留建立上述關系的各個參數作為一個輸出變量用于應用模型。其中,隨機森林的參數選擇,使用python sklearn包中的隨機森林分類器,決策樹個數為10,各參數的權重均衡(balanced),根據故障標簽自動調整權值,隨機種子為123,其余參數為默認值。

對比邏輯回歸、樸素貝葉斯、梯度下降決策樹、最近鄰等機器學習算法,筆者發現,在訓練過程中,隨機森林算法有較高的準確率和較快的收斂速度[14-17]。

4 建模流程

變槳軸承磨損預警模型建立的流程主要包括收集數據、數據預處理、樣本標注、特征構建、構建模型、算法驗證和模型部署,如圖4所示。

圖4 建模流程圖

具體的流程詳述如下:

(1)收集數據。收集多臺風力發電機組的歷史運行參數,包括機組運行狀態、風速、功率、轉速、槳距角、變槳狀態和變槳電機電流數據,并保證所述多臺風力發電機組都曾發生過變槳軸承磨損故障,且在后期進行了更換維修;

(2)數據預處理。判斷數據值域范圍,剔除離群數據,并根據時間軸線性插補缺失數據;本文只篩選正常發電狀態作為建模數據;

(3)樣本標注。根據機組的故障和運維記錄,標注帶故障運行時段的樣本的標簽為1(故障),標注更換故障部件完畢之后的時段的標簽為0(正常);

(4)特征構建。統計移動時間窗口內,3個變槳電機電流超過某較高閾值的次數,統計移動時間窗口內,風速、功率、轉速、槳距角的均值;將這些新構建的特征量作為模型的輸入數據;

(5)構建模型。使用邏輯回歸、隨機森林、梯度提升決策樹或最近鄰機器學習算法,以構建的特征作為輸入數據,以故障與正常的標簽作為輸出目標,進行二分類有監督學習訓練;

(6)算法驗證。以若干機組數據作為訓練樣本,其他機組作為驗證樣本,訓練完成模型輸入驗證樣本,得到預測的故障概率,以精確率、召回率、F1分數、ROC_AUC來評價模型預測精度;

(7)模型部署。將得到的所有標注樣本進行整體建模訓練,得到最終的模型,實時數據經過相同的數據預處理、特征構建后進入模型,得到故障預測概率;設定觸發報警的概率閾值上限和持續時間閾值上限,當同時滿足兩個條件時,即觸發報警。

5 驗證及結果分析

5.1 模型輸出

模型的主要輸出項如表5所示。

表5 模型輸出項

5.2 預警規則

在得到模型輸出項后,還需要制定相應的預警規則,這將直接影響模型的預警效果。預警規則應考慮歷史運行情況、人力成本與故障損失等因素,將故障在最合理的階段報出,既要避免造成嚴重的設備損失,也要減少誤報情況的發生,以提高現場的工作效率。

本次驗證所采用的預警規則為:若2 h內,變槳軸承故障預測概率持續大于等于0.9,則發出預警。

5.3 模型評估

筆者將特征數據分為兩部分,其中,7臺機組的歷史數據作為建模數據集,其余機組的歷史數據作為模型驗證數據集。

在進行模型訓練時,要將建模數據集按機組分為7份,進行7折交叉驗證,即每次使用6臺機組進行模型建立,1臺機組進行模型驗證,共進行7次建模與驗證,最終得到評估的結果。

評價指標包括:準確率、精確率、召回率和AUC值。其中,準確率表示模型預測正確的能力,精確率表示模型正確預測故障的能力,召回率表示模型將故障正確預測出來的能力,AUC值表示模型分類的能力。

最終的訓練結果如表6所示。

表6 模型評估結果

從表6可以看出:7次驗證平均準確率為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為,筆者所建立的模型可以有效地對變槳軸承的磨損故障進行預警。接下來,筆者采用評估數據集來對該模型進行驗證。

筆者將全部建模數據集(7臺機組歷史數據)用于模型的建立,用模型驗證數據集來驗證模型。

部分機組的預警時間與實際故障時間如表7所示。

表7 模型預警提前時間

從表7可以看出,變槳軸承磨損預警模型能提前5 d～34 d發出預警信息。

6 結束語

針對風力發電機組變槳軸承的磨損問題,本文以SCADA數據為基礎,利用滑動統計的方法構建新的特征變量,采用隨機森林算法,構建了一種基于數據的監測變槳軸承磨損的預警模型;并通過某風場真實歷史運行數據,對該軸承磨損預警模型進行了驗證。

驗證結果表明:

(1)模型準確率平均在87.9%以上;

(2)模型基本可以提前5 d對故障進行預警;

(3)模型可推廣到其他裝有相同類型變槳系統的機組上,實時地監測變槳軸承的磨損情況。

研究結果表明,該變槳軸承磨損預警模型能提前5 d～30 d發出預警信息,且預警準確率平均能達到87.9%。同時,通過試運行可以發現,該模型具有可推廣、成本低、效率高、解釋性強的特點,在提高機組的安全運行時長,以及降低機組的運維成本方面具有一定的意義。

基于上述研究結果,下一步,研發人員可以通過進一步細化變槳過程,以及引入新的降噪方式等方法,來對該變槳軸承磨損預警模型的效果進行優化。