風(fēng)機(jī)齒輪箱狀態(tài)在線評(píng)估模型建立方法及在線評(píng)估方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電力系統(tǒng)技術(shù)領(lǐng)域，更具體地說(shuō)，涉及一種基于趨勢(shì)預(yù)測(cè)-正態(tài)云模 型的風(fēng)機(jī)齒輪箱狀態(tài)在線評(píng)估模型建立方法，以及一種風(fēng)機(jī)齒輪箱狀態(tài)在線評(píng)估方法。
【背景技術(shù)】
[0002] 為提高風(fēng)電機(jī)組可用性，減少停機(jī)時(shí)間，現(xiàn)有技術(shù)已經(jīng)做了大量工作以提高風(fēng)電 機(jī)組的可靠性。根據(jù)風(fēng)電機(jī)組故障和停機(jī)時(shí)間統(tǒng)計(jì)數(shù)據(jù)，齒輪箱的平均停機(jī)時(shí)間為12天 /年，雖然齒輪箱的故障率并不高，但是其維修、更換和停機(jī)損失的總費(fèi)用卻很高昂，因而對(duì) 齒輪箱進(jìn)行實(shí)時(shí)狀態(tài)監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)異常，對(duì)于降低齒輪箱運(yùn)維成本和提高機(jī)組可靠性具 有重大意義。
[0003] 現(xiàn)有的風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測(cè)方法中，應(yīng)用較為廣泛的是在線監(jiān)測(cè)系統(tǒng)（CMS) 中振動(dòng)信號(hào)的頻譜分析，該方法能夠給出明確的齒輪箱異常預(yù)警信號(hào)，達(dá)到了較好的診斷 效果，但是用于振動(dòng)信號(hào)測(cè)量所需的加速度傳感器非常昂貴，導(dǎo)致該方法成本過(guò)高。
[0004] 現(xiàn)代風(fēng)電機(jī)組大多建立了聯(lián)接機(jī)組、氣象站和遠(yuǎn)程計(jì)算機(jī)的數(shù)據(jù)采集與監(jiān)控 (SCADA)系統(tǒng)，其特點(diǎn)是無(wú)需額外安裝傳感器，符合成本效益，并且由于SCADA系統(tǒng)能夠提 供全面的設(shè)備監(jiān)測(cè)數(shù)據(jù)，因而被越來(lái)越多地應(yīng)用于實(shí)現(xiàn)齒輪箱的狀態(tài)監(jiān)測(cè)。其中，趨勢(shì)狀態(tài) 分析法是齒輪箱狀態(tài)監(jiān)測(cè)的一種有效方法，其基本思想是基于歷史數(shù)據(jù)建立齒輪箱正常運(yùn) 行時(shí)相關(guān)指標(biāo)的預(yù)測(cè)模型，并利用該模型對(duì)齒輪箱的運(yùn)行參數(shù)進(jìn)行預(yù)測(cè)，當(dāng)預(yù)測(cè)趨勢(shì)背離 實(shí)際演化趨勢(shì)時(shí)則認(rèn)為齒輪箱狀態(tài)出現(xiàn)了異常，由于其概念清晰、實(shí)現(xiàn)方便，因而得到了廣 泛應(yīng)用。
[0005] 趨勢(shì)狀態(tài)分析法雖然取得了良好的應(yīng)用效果，但是在實(shí)際應(yīng)用時(shí)，由于齒輪箱狀 態(tài)轉(zhuǎn)換邊界具有模糊性和不確定性的特征，因此，如何判斷趨勢(shì)狀態(tài)的轉(zhuǎn)換一直是制約該 方法應(yīng)用的難題。
[0006] 通過(guò)分析殘差的統(tǒng)計(jì)特性分析進(jìn)行診斷，但是其殘差閥值仍需運(yùn)行人員根據(jù)經(jīng)驗(yàn) 確定；采用統(tǒng)計(jì)過(guò)程控制技術(shù)分析齒輪箱油溫和軸承溫度的實(shí)際值與估計(jì)值的殘差，該方 法建立在數(shù)理統(tǒng)計(jì)方法的基礎(chǔ)之上，需要大量的統(tǒng)計(jì)數(shù)據(jù)支撐。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于趨勢(shì)預(yù)測(cè)-正態(tài)云模型的 風(fēng)機(jī)齒輪箱狀態(tài)在線評(píng)估模型建立方法，以及一種風(fēng)機(jī)齒輪箱狀態(tài)在線評(píng)估方法。
[0008] 本發(fā)明的技術(shù)方案如下：
[0009] -種風(fēng)機(jī)齒輪箱狀態(tài)在線評(píng)估模型建立方法，包括如下步驟：
[0010] 1)基于SCADA歷史數(shù)據(jù)，采用SVM建立齒輪箱各溫度指標(biāo)正常狀態(tài)下的預(yù)測(cè)模型， 分別將正常時(shí)的監(jiān)測(cè)數(shù)據(jù)、異常時(shí)的監(jiān)測(cè)數(shù)據(jù)作為模型輸入，進(jìn)行溫度預(yù)測(cè)，并計(jì)算相對(duì)誤 差序列eijk，其中，i= 1，2;j= 1，…，q;k= 1，…，t，當(dāng)i= 1表示正常狀態(tài)，i= 2表示 異常狀態(tài)，j= 1，…，q表示齒輪箱各溫度指標(biāo)，k表示預(yù)測(cè)樣本序號(hào)；
[0011] 2)采用改進(jìn)無(wú)確定度逆向正態(tài)云發(fā)生器模型，利用所求取的相對(duì)誤差序列e1]k提 取正常云和異常云的數(shù)字特征（EXl]，Eni]，Hei])，利用所求得的數(shù)字特征（EXl]，Eni]，Hei])， 構(gòu)建齒輪箱狀態(tài)正常云模型和異常云模型；其中，期望值Ex是最能夠代表定性概念的點(diǎn)， 是這個(gè)概念量化的最典型樣本；熵En反映定性概念的不確定性，表示在論域空間可以被定 性概念接受的取值范圍大小，即模糊度；超熵He反映代表定性概念值的樣本出現(xiàn)的隨機(jī) 性，揭示了模糊性和隨機(jī)性的關(guān)聯(lián)；
[0012] 3)計(jì)算正態(tài)云模型間關(guān)聯(lián)度&和貢獻(xiàn)度^,，完成在線評(píng)估模型建立；其中，貢獻(xiàn) 度w,表示狀態(tài)云之間的關(guān)聯(lián)度k,對(duì)區(qū)分不同定性概念的貢獻(xiàn)程度，關(guān)聯(lián)度越大，則其對(duì)區(qū) 分定性概念的貢獻(xiàn)越小，反之則越大。
[0013] 作為優(yōu)選，步驟1)中，進(jìn)行溫度預(yù)測(cè)時(shí)，當(dāng)齒輪箱狀態(tài)正常，通過(guò)趨勢(shì)狀態(tài)分析法 得出的參數(shù)預(yù)測(cè)值與真實(shí)值的預(yù)測(cè)誤差，小于當(dāng)齒輪箱狀態(tài)異常的參數(shù)預(yù)測(cè)值與真實(shí)值的 預(yù)測(cè)誤差，進(jìn)而采用預(yù)測(cè)誤差的變化序列描述齒輪箱趨勢(shì)狀態(tài)的演化過(guò)程。
[0014] 作為優(yōu)選，步驟1)中，進(jìn)行溫度預(yù)測(cè)時(shí)，先分別選取與齒輪箱各溫度指標(biāo)相關(guān)性 符合預(yù)設(shè)值的監(jiān)測(cè)指標(biāo)，以選取的監(jiān)測(cè)指標(biāo)的當(dāng)前值及齒輪箱各溫度指標(biāo)的上一時(shí)刻值作 為SVM模型輸入，以齒輪箱各溫度指標(biāo)當(dāng)前時(shí)刻值為SVM模型輸出，建立齒輪箱輸入軸溫度 預(yù)測(cè)模型。
[0015] 作為優(yōu)選，步驟1)中，在SVM模型的建模過(guò)程中，核函數(shù)、懲罰系數(shù)C和核寬參數(shù) 〇決定著模型的性能，采用徑向基函數(shù)RBF作為核函數(shù)，懲罰系數(shù)C和核寬參數(shù)〇由網(wǎng)格 法和十折交叉驗(yàn)證法進(jìn)行尋優(yōu)，確定最優(yōu)參數(shù)組合。
[0016] 作為優(yōu)選，步驟2)中，正態(tài)云模型用數(shù)字特征（EXl]，Eni]，Hei])進(jìn)行表征，設(shè)U是一 個(gè)用精確數(shù)值表示的定量論域，?C是論域U的定性概念，若xeX是定性概念C上的 一次隨機(jī)出現(xiàn)，若同時(shí)滿足以下兩個(gè)條件：
[0017] * ~職焉,禮h其中~況(盡，把）；
[0018] x對(duì)C的關(guān)聯(lián)度K.t) = exp(-(X-辦)2/(2￡;;2));
[0019] 則x在論域U上的分布稱為正態(tài)云。
[0020] 作為優(yōu)選，正態(tài)云發(fā)生器包括正向正態(tài)云發(fā)生器、逆向正態(tài)云發(fā)生器和條件正態(tài) 云發(fā)生器；
[0021] 正向正態(tài)云發(fā)生器完成從定性概念到定量值的映射，根據(jù)正態(tài)云模型數(shù)字特征 (Ex。，Er^，He"）產(chǎn)生云滴；
[0022] 逆向正態(tài)云發(fā)生器是實(shí)現(xiàn)從定量值到定性概念的轉(zhuǎn)換，將一定數(shù)量的精確數(shù)據(jù)轉(zhuǎn) 換為以數(shù)字特征（EXlj，Enij，Heij)表示的定性概念；
[0023] 條件正態(tài)云發(fā)生器包括X條件正態(tài)云發(fā)生器、Y條件正態(tài)云發(fā)生器，其中，X條件正 態(tài)云發(fā)生器中，當(dāng)已知正態(tài)云模型數(shù)字特征（Exu，Enu，Hej后，給定x=X。條件，求取y(x) =y(x〇)。
[0024] 作為優(yōu)選，通過(guò)如下算法過(guò)程得到超熵He:
[0025] 2. 1)根據(jù)數(shù)據(jù)樣本Xl，分別得到樣本均值I、一階樣本絕對(duì)中心距A、樣本方差S2， 公式如下：
[0031] 2. 4)若S2-En2<0,則刪除m=nXl%個(gè)離期望值Ex最近的樣本點(diǎn)，在剩余樣本 中重新計(jì)算方差S2,直到S2-En2> 0,再跳轉(zhuǎn)步驟2. 5);若S2-En2> 0直接跳轉(zhuǎn)步驟2. 5);
[0032] 2. 5)He =yjs2~En2。
[0033] 作為優(yōu)選，步驟3)中的關(guān)聯(lián)度1^的計(jì)算過(guò)程如下：
[0034] 若把數(shù)x作為一個(gè)云滴，y表示數(shù)x對(duì)正態(tài)云模型的關(guān)聯(lián)程度，則稱y為云滴關(guān)聯(lián) 度，由X條件正態(tài)云發(fā)生器求取，公式如下：
[0035]
[0036]
[0037]
[0038] 在定性概念的正態(tài)云模型中，正態(tài)云模型（^和C2之間的關(guān)聯(lián)度kj定義為： & =胃；其中，N和M分別表示區(qū)間交集和并集：
[0039]
[0040]
[0041] 貢獻(xiàn)度w.j的計(jì)算公式為：
[0042] -種利用所述的風(fēng)機(jī)齒輪箱狀態(tài)在線評(píng)估模型建立方法進(jìn)行在線評(píng)估的方法，包 括如下步驟：
[0043] A)獲取實(shí)時(shí)SCADA數(shù)據(jù)，作為SVM模型的輸入，求取齒輪箱各溫度指標(biāo)的相對(duì)誤差 序列，進(jìn)而計(jì)算得到云滴關(guān)聯(lián)度，結(jié)合正態(tài)云模型間關(guān)聯(lián)度kj和貢獻(xiàn)度wj，計(jì)算待測(cè)試樣本 對(duì)正常正態(tài)云模型和異常正態(tài)云模型的貼近程度pJPP 2;
[0044] B)按照最大貼近度的原則確定齒輪箱狀態(tài)；若PP2，則判定齒輪箱為正常狀 態(tài)，若P2，則判定齒輪箱為異常狀態(tài)。
[0045] 作為優(yōu)選，貼近度表示樣本對(duì)不同定性概念正態(tài)云模型的貼近程度，計(jì)算公式如 下：
[0046] P i= y ijXWj, i = 1, 2 ；j = 1, ???, q；
[0047] 其中，Pi表示定性概念正態(tài)云模型貼近度，y^表示狀態(tài)i的第j個(gè)指標(biāo)的云滴關(guān) 聯(lián)度，表示第j個(gè)指標(biāo)的貢獻(xiàn)度。
[0048] 本發(fā)明的有益效果如下：
[0049] 本發(fā)明所述的基于趨勢(shì)預(yù)測(cè)_正態(tài)云模型的風(fēng)機(jī)齒輪箱狀態(tài)在線評(píng)估模型建立 方法，應(yīng)用支持向量機(jī)法建立齒輪箱運(yùn)行溫度預(yù)測(cè)模型，并利用該模型分析齒輪箱不同狀 態(tài)時(shí)的趨勢(shì)狀態(tài)特征，求取齒輪箱運(yùn)行溫度預(yù)測(cè)相對(duì)誤差序列，以獲取描述齒輪箱趨勢(shì)狀 態(tài)的量化數(shù)據(jù)；采用改進(jìn)無(wú)確定度逆向正態(tài)云發(fā)生器模型，利用所求取的相對(duì)誤差序列提 取正常云和異常云的數(shù)字特征，構(gòu)建齒輪箱狀態(tài)監(jiān)測(cè)云模型。
[0050] 計(jì)算齒輪箱當(dāng)前狀態(tài)對(duì)正常狀態(tài)和異常狀態(tài)的貼近度，將反映齒輪箱趨勢(shì)狀態(tài)的 量化數(shù)據(jù)轉(zhuǎn)換為齒輪箱狀態(tài)的定性評(píng)估。利用某風(fēng)機(jī)齒輪箱的實(shí)測(cè)SCADA系統(tǒng)數(shù)據(jù)對(duì)所提 模型進(jìn)行了驗(yàn)證，結(jié)果表明，該模型能夠?qū)X輪箱的早期缺陷及時(shí)預(yù)警，達(dá)到在線狀態(tài)監(jiān)測(cè) 的目的，有助于防范齒輪箱嚴(yán)重故障的發(fā)生，提高風(fēng)電機(jī)組安全性、可靠性和經(jīng)濟(jì)性。
[0051] 趨勢(shì)狀態(tài)分析法在實(shí)際應(yīng)用時(shí)，由于齒輪箱狀態(tài)轉(zhuǎn)換邊界具有模糊性和不確定性 的特征，如何判斷趨勢(shì)狀態(tài)的轉(zhuǎn)換一直是制約該方法應(yīng)用的難題，本發(fā)明解決了趨勢(shì)狀態(tài) 分析法所存在的問(wèn)題。
【附圖說(shuō)明】
[0052] 圖1是本發(fā)明的整體流程圖，圖中，左半部分為離線訓(xùn)練過(guò)程（即在線評(píng)估模型建 立方法流程），右半部分為在線狀態(tài)監(jiān)測(cè)過(guò)程（即在線評(píng)估方法流程）；
[0053]圖2是該風(fēng)機(jī)齒輪箱輸入軸溫度正常狀態(tài)時(shí)預(yù)測(cè)模