基于SSA-KELM模型的風機葉根螺栓松動預測研究

陳明生

國能投（河南）清潔能源有限責任公司，河南鄭州，450003

0 引言

風機葉根螺栓是風力發電機組關鍵部件之一。葉根螺栓是固定風機葉片與風機輪轂的重要部件，承受著強烈的風荷載、重力荷載、離心力以及風切剪力等復雜的應力荷載[1]。在日常運行過程中，風電葉片需要在不同的風速與風向下調整其角度以達到實現最佳能量捕獲效果[2]。因此，風機葉根螺栓在持續彎曲、扭矩和交變應力的作用下，極易出現疲勞磨損、斷裂等故障。葉根螺栓故障若不及時發現和處理，可能導致風電機組動態不穩定、設備損壞，嚴重時甚至導致葉片拋離機組，進而造成人員傷亡和巨額經濟損失。研究風機葉根螺栓故障監測有利于避免嚴重風機事故，提前發現葉根螺栓的損傷、磨損、裂紋等問題，對保證風電機組及周邊設施和人員安全具有重要意義；定期監測葉根螺栓的狀態，可以及時發現潛在問題，實施有針對性的維護和維修措施，避免因故障導致的大規模維修，從而降低維修成本；對葉根螺栓進行有效的監測和維護，可以有效延長設備的使用壽命，提高設備整體的運行效率；通過監測和維護葉根螺栓，確保風電機組的正常運行，進而提高風能的有效利用率，為可持續能源發展作出貢獻。通過對風機葉根螺栓故障監測技術的深入研究，提高風電機組運行安全、降低維修成本、延長設備壽命以及提高風能利用率等。

1 行業現狀

風機葉根螺栓故障監測研究主要包括以下幾個方面。

（1）螺栓荷載監測：通過在螺栓上安裝應力傳感器，例如應變片等，以實時監測螺栓所受荷載，并與額定荷載進行比較分析[3]。若實際工況所受荷載超過額定荷載，可能引發螺栓的過載故障。

（2）螺栓松緊程度監測：螺栓的固定連接由螺栓的預緊力來保證，螺栓的松緊直接影響到其實際工作性能?？梢酝ㄟ^振動傳感器實時監測螺栓周圍的振動信號，結合螺栓的松緊情況分析螺栓受力狀態[4]。

（3）涂層損傷檢測：螺栓材料表面通常涂覆有防銹、抗磨損的保護層，這種涂層在長時間運行過程中也可能出現磨損、脫落等現象[5]?？梢酝ㄟ^無損檢測技術，例如電磁波檢測等，對螺栓表面涂層損傷程度進行探測。

（4）螺栓疲勞損傷監測[6]：風機葉根螺栓在多次受到復雜荷載作用下，可能產生疲勞損傷。疲勞損傷會在螺栓表面或內部形成裂紋，導致螺栓強度降低，最終導致螺栓折斷。通過聲發射、超聲波等無損檢測方法，可以實時監測螺栓內部裂紋及疲勞損傷程度。

（5）螺栓腐蝕監測：風機運行環境復雜多變，螺栓可能受到氣候因素、大氣腐蝕等影響[7]，導致螺栓表面腐蝕。腐蝕會降低螺栓的強度和壽命，影響其工作性能?？梢酝ㄟ^無損檢測技術，例如渦流檢測等，對螺栓腐蝕程度進行實時監測。

根據上述螺栓故障監測機理，可以通過安裝相應的監測傳感器，如應變片、振動傳感器等，收集實時數據并結合大數據分析和機器學習算法，實現風機葉根螺栓的實時監測、預警和維護，保證風力發電機組高效安全運行。

2 基于SSA-KELM的模型

SSA-KELM模型是一種基于麻雀搜索優化算法和核極限學習機的預測模型，其主要特點是能夠自適應地調整模型參數，同時能夠有效地處理時間序列數據，從而能夠更準確地進行法蘭間隙預測。在建模過程中，需要對數據進行訓練和測試，以便對模型進行驗證和評估。

2.1 SSA

SSA具有收斂速度快、穩定性好等優點，其靈感來源于麻雀種群的覓食和反捕食行為。SSA中有三種麻雀：發現者、加入者、偵察者，發現者負責尋找食物豐富的區域；加入者利用發現者尋找食物；偵察者負責在捕食者出現時發出警告信號。在每次迭代中，發現者的位置更新如下：

加入者位置更新如下：

偵察者位置可表述如下：

2.2 KELM模型

ELM模型包括三層：輸出層、隱含層和輸入層?；诜聪騻鞑シ椒?，前饋神經網絡需要在迭代過程中更新權重，但ELM模型具有隨機初始權重，在迭代過程中不需要更新。

對于含有n個樣本的數據集，且隱含層節點為L，其單層前饋神經網絡模型為：

寫成矩陣形式為：

KELM是一種基于極限學習機的分類和回歸算法。它是ELM的一種擴展形式，與傳統的人工神經網絡相比，具有更快的訓練速度和更好的泛化能力。與傳統的ELM相比，KELM使用核技巧來處理非線性問題。KELM模型的基本結構包括輸入層、隱含層和輸出層。輸入層接收原始數據作為輸入，隱含層中的神經元使用核函數將輸入數據從低維度空間映射到高維度空間，輸出層則使用線性回歸模型將映射后的數據進行擬合。KELM模型的訓練過程是先將輸入數據通過核函數映射到高維度空間，然后直接求解輸出層權值，即可完成模型的訓練。這種訓練方法可以大大減少模型的訓練時間，同時也避免了傳統神經網絡中梯度下降算法容易陷入局部最優的問題。

KELM模型的主要優點包括以下幾點。訓練速度快：KELM模型使用隨機化方法，可以避免傳統神經網絡中復雜的迭代訓練過程，大幅縮短訓練時間。魯棒性強：KELM模型使用核函數映射數據，可以將非線性問題轉化為線性問題，提高模型的魯棒性和泛化能力。易于實現：KELM模型的實現過程相對簡單，只需要確定核函數和輸出層權值即可完成模型的訓練。高精度：KELM模型在處理大規模數據集時具有較高的精度和準確性?？傊?，KELM模型是一種快速、高效、精度高的機器學習算法，在回歸和分類問題中都有廣泛的應用。

參數對于模型的預測精度有很大影響，優化效率低將導致模型的不完善和預測能力差。而SSA[8]具有收斂速度快、穩定性好等優點，因此本文引入SSA模型對KELM模型進行參數優化，形成SSA-KELM模型。

3 實例分析

3.1 數據來源

本次研究數據主要采用測度風機葉根法蘭間隙大小，即風機葉根法蘭振動數據。選取某風機每15分鐘法蘭振動數據，共10000個數據。將樣本數據按照7：3劃分為訓練集和測試集。

3.2 參數設置

針對基于SSA-KELM模型的風機葉根螺栓故障預測模型，分別設置模型參數。其中，KELM模型的輸入層單元數nin=4，輸出層單元數nout=1，隱含層單元數nhidden=9，延時步數kim=10，迭代次數epochs=1000。對SSA模型設置種群數量pop=20，維度dim=2，下邊界lb=[1,1]、ub=[20,20]。

3.3 實例測算

利用訓練集對SSA-KELM模型進行訓練，可得訓練集預測效果對比圖如圖1所示。

圖1 訓練集效果對比圖

從圖1可以看出，當前訓練模型擬合效果良好，可以用于實際預測當中。為研究該訓練模型預測效果，利用該模型對測試集樣本數據進行預測，并將其與實際值進行對比?？傻脺y試集預測效果對比圖如圖2所示。

圖2 測試集預測效果對比圖

從圖2可以看出，該模型測試集預測值與實際值基本一致，預測效果良好。為更加直觀地反映SSA-KELM模型的預測精度，本文通過MAE、MSE指標進行比較。這些指標分別衡量了模型預測值與實際值之間的平均絕對誤差、均方誤差。對比結果如表1所示。

表1 預測精度指標對比結果

由表1可知，該模型在訓練集R2為0.9977，測試集R2為0.9972。通常認為R2大于0.99，模型具有良好的擬合效果。同時該模型MAE和MSE值較小。一般認為，MAE和MSE值越小，預測精度越高。綜上所述，SSA-KELM模型在風機葉根螺栓故障預測上表現良好。因此可以用于相關數據的預測。

4 結論

本文從行業現狀入手，對風機葉根螺栓故障監測研究的主要方面進行總結。同時構建了基于SSA-KELM模型的風機葉根螺栓故障預測模型，并以某風機葉根的法蘭振動數據為例進行了實例分析。研究發現，該模型對風機振動數據的預測效果良好，可以用于后續對風機葉根螺栓故障檢測與排查當中。