[发明专利]一种基于GBRT的风电机组发电机轴承故障预警方法

说明书

本发明公开了一种基于GBRT的风电机组发电机轴承故障预警方法，包括离线训练阶段和在线应用阶段，该方法分为离线训练与在线应用两个阶段，主要包括目标变量及相关变量选取，数据预处理流程设计，变量估计模型训练，实时运行残差获取，判别准则设计等环节。本发明选取风电机组正常运行状态的数据集，首先设计预处理流程剔除各类异常数据，之后选取GBRT作为变量估计模型，对目标变量进行实时估计，再结合异常特性设计综合性的判别准则，保证了预警结果的准确性，能够实现发电机轴承故障的提前感知，对于减少机组停机时间，减少运维成本具有重大的意义，具有实用价值。

技术领域

本发明涉及风电机组故障预警技术领域，尤其涉及一种基于GBRT的风电机组发电机轴承故障预警方法。

背景技术

风力发电，由于其可再生无污染的优势在全球范围内得到了快速发展，截止到2018年，全球风机装机容量已达到591.1GW。随着风电市场的迅速发展，其运维需求也越来越高，运维需求持续升高的一个主要原因是风电机组的高故障率。

风电机组是由多组件多子系统组成的复杂系统，机组通常运行在远郊平原、山区、临海等偏远地区，运行环境恶劣多变，关键组件的故障会导致整机的停机检修，带来大量的经济损失。

风电机组的所有子系统中，发电机是核心组成，其故障带来的停机时间较长且经济损失也较大。在发电机子系统中，故障频率最高的组件是发电机轴承，发电机轴承常因冷却系统异常，润滑油不足等原因出现故障，或因为机械原因出现轴承跑圈等故障。发电机轴承故障会直接导致发电机系统其他部件损伤，风机发电性能降低，机组直接停机等。

目前，风电机组的故障统计数据表明，发生故障次数较多的部件主要是变流器、齿轮箱、变桨系统、控制柜、偏航系统等，根据部分风电场的运行数据统计，故障诊断、检修以及风电机组受累停运时间占故障损失运行时间的79％，而定期维护时间仅占12％。对于大部件如果仅采用故障后被动的维修方式，容易造成缺陷扩大，维修时间延长，长期停机，加剧经济损失，对于海上风电机组，海上运输、吊装、维修成本更加高昂。

因此，实现发电机轴承的故障预警对于减少机组停机时间，减少运维成本具有重大的意义。

目前对于轴承的故障诊断及预警主要是针对CMS振动信号进行特征提取及分析，但CMS监测设备不是每台风电机组都有安装，因此对于轴承故障的及时发现及处理是有困难的。

发明内容

本发明是为了克服现有技术中磨损故障监测手段较少、专用监测设备成本高的不足的技术问题，提供一种基于GBRT的风电机组发电机轴承故障预警方法，该方法选取风电机组正常运行状态的数据集，首先设计预处理流程剔除各类异常数据，之后选取GBRT作为变量估计模型，对目标变量进行实时估计，再结合异常特性设计综合性的判别准则，保证了预警结果的准确性，该方法能够实现发电机轴承故障的提前感知，具有实用价值。

为了实现上述目的，本发明采用以下技术方案：

一种基于GBRT的风电机组发电机轴承故障预警方法，所述方法包括离线训练阶段和在线应用阶段，所述方法包括以下步骤：

S1、进行离线训练阶段；

S2、进行数据获取和变量选取，构造数据集；

S3、设计数据预处理流程，并构建训练集：所述数据预处理流程步骤包括异常运行状态值剔除，孤立异常点剔除，以及停机状态数据剔除。

S4、建模，并对选取后的模型进行训练；

S5、进行残差训练，获取训练集估计残差序列；

S6、阙值上限设置；

S7、进行在线应用阶段；

S8、实时估计：获取风电机组的实时运行数据作为测试集，输入至离线阶段训练完成的GBRT模型获取模型估计值；