基于BP神经网络及Pearson相关系数的风机发电机轴承温升故障诊断研究

周致富 罗浩然 牟令

【摘  要】发电机轴承温升高是直驱风力发电机频发的故障，易导致风机长时间停机，维修难度大，造成设备重大损失。通过建立基于BP神经网络和Pearson相关系数的发电机轴承温升故障诊断模型，并以湖北荆门某风电场为例，试验结果表明：该方法能够较准确预测风机发电机轴承温升变化，通过将温度预测值与正常工况下的温度值进行误差对比，判断发电机是否处于正常工状，实现发电机潜在故障的预警，为风力发电机的故障诊断提供了一种切实可行的方法。

【Abstract】The bearing temperature rise of generator is a frequent fault of direct drive wind turbine， which is easy to lead to long-term shutdown of the wind turbine， which is difficult to maintain and cause heavy losses of equipment. By establishing a fault diagnosis model of generator bearing temperature rise based on BP neural network and Pearson correlation coefficient， and taking a wind farm in Jingmen， Hubei Province as an example， the test results show that the method can give a fairly accurate forecast for the temperature rise change of wind turbine generator bearing. By comparing the temperature prediction value with the temperature value under normal conditions， whether the generator is in normal working condition can be judged， and the early warning of potential fault of generator can be achieved， which provides a feasible method for fault diagnosis of wind turbine.

【關键词】BP神经网络;Pearson相关系数;故障诊断;发电机轴承温升;直驱风力发电机

【Keywords】BP neural network; Pearson correlation coefficient; fault diagnosis; temperature rise of generator bearing; direct drive wind turbine

【中图分类号】TM315                                             【文献标志码】A                                                 【文章编号】1673-1069（2021）01-0190-03

1 引言

经过多年的快速发展，我国风电装机规模已居世界前列，如何提高风力发电机的运行小时数，降低风机故障率和故障停机小时数己经成为研究热点。直驱风力发电机是一种无增速系统，叶轮直接带动永磁发电机旋转发电的设备，其中永磁发电机是其核心部件，发电机轴承温升高是其频发的故障，易导致风机长时间停机，维修难度大，极坏情况下易引起风机寿命缩短，甚至造成绝缘损坏，造成巨大经济损失。目前，风电机组SCADA的温度自动预警值多为对应部件材料的耐受国标温度，往往较高，故障早期的轻微温升变化难以预警。而且风力发电机轴承温升故障受风机多个关联变量的影响，温升变化与其受影响的多个关联变量构成非线性公式。同时，因发电机轴承温升高故障产生的全过程涉及多个关联变量的影响，其涉及原因的海量数据具有复杂性、动态性、多变性等特点，极大地影响发电机承温升高的故障预警。传统的阈值预测方法，对该类发电机轴承温升故障预警具有局限性。

针对上述情况，本文提出了一种基于BP神经网络及Pearson相关系数的风机发电机轴承温升故障诊断方法，主要通过BP神经网络和Pearson相关系数的构建风机发电机轴承温升故障预测模型。通过提取不同状态下风机发电机的轴承温升数据，通过Pearson相关性分析对数据进行筛选和优化，构建基于历史故障数据的风机发电机轴承温升故障大数据平台。通过实时获取风机的运行数据，并将其输入基于BP神经网络及Pearson相关系数平台进行分析判断，决策出风机发电机轴承温升的故障判断，提前降低风机负荷降低发电机轴承温度或提前隐患消缺，对提高风机的可靠性和利用小时数具有重要的现实和理论意义。

2 BP神经网络

BP神经网络是指基于误差反向传播算法的多层前馈神经网络[1]。BP神经网络可以实现输入和输出的任意非线性映射，可以实现自学习且结构简单，这使得它在预测领域得到广泛应用[2]。BP神经网络能学习和存贮大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

基本BP神经网络算法包括两个方面：信号的前向传播和误差的反向传播。即计算时实际输出值时按从输入变量到输出变量的方向进行，而权值和阈值的修正从输出变量到输入变量的方向进行[3]。权值不断修正更新的经过，也就是网络学习程序。此权值的修正过程一直运行到网络输出的误差缩小到可接受的情况或学习次数达到设定次数。

3 风机发电机轴承温升故障大数据库的数据处理

基于风电机组后台的大数据分析已在风电的多领域内得到应用，主要有故障预警、负荷预测、风电机组性能分析等方面。在风电机组故障预警及分析方面的探索，目前关注点多为齿轮箱、发电机轴承、风机主轴和风机叶片等关键大部件，而故障预测所需数据来源主要包括两方面：一是在线监测系统CMS;二是数据采集与监视控制系统SCADA。基于风电场CMS系统的预测方法主要是通过监测风电机组关键部件的振动信号、电压电流信号等，主要使用于预测和诊断风机大部件设备的机械性故障，无法诊断电气类故障。

基于风电机组SCADA系统的实时及历史监测数据，考虑与风机发电机轴承状态相关的物理量，其中风机后台的SCADA数据库中与风机轴承温度有关联变量包括实时风速、机舱温度、环境温度、实时功率、发电机前轴承温度、发电机后轴承温度、发电机转速和风机轴承水平方向上振动数据等。通过获取风电机组发电机温升故障前后信息，将大数据分析方法应用到风电机组状态指标评价中，为风电机组的运行状态预测、系统运行状态评估和故障预测的方法研究提供技术支撑。为了进一步提高样本数据的质量，优化样本数据的数量，合理规避因为数据不平衡所影响的预警效果质量，按季节和风速选取SCADA系统中风机发电机轴承的关联数据并剔除不合理的数据。

4 基于Pearson相关性分析的数据筛选和优化

因最大信息数在计算风力发电机组海量数据时分析内容多、计算速度慢，不能判断非主要特征之间的冗余性，选择Pearson相关系数筛选与风机发电机轴承温升相关性参数，降低数据的计算维度。

Pearson相关系数也称Pearson积矩相关系数，是一种统计学方法，可以定量地衡量随机变量之间的线性关系。其输出范围一般在[-1，1]，其中负值为负的相关性、正值为正的相关性、无相关性则用0表示。选择风力发电机轴承温度作为特征向量，使用Pearson相关系数分析与特征向量线性關系绝对值大的特征量，如果输出值的绝对值越大，则关联特征的线性关系越强，如式（1）所示。

上式中，cov（X，Y）用于表示X、Y两者特征的协方差，σX为前者特征的标准差，σY则主要用于表示Y两列特征的标准差。

用Pearson相关性分析风力发电机组海量数据中全体关联变量与温升变化之间的相关系数，剔除相关性系数小于0.6但大于0.99的相关特征，留下与风机轴承温升相关系数较高的关联变量，降低数据集维度，提高数据分析的准确性和高效性。

5 工程实例数据分析

本文选用湖北荆门某采用直驱风机的风电场的风电机组进行实际预测，自风机SCADA后台提取风机实时状态数据，通过Pearson相关性处理得到风机轴承状态的特征数据分析荆门地区历年气温，确定1、8月为极端气温时段，故选取1月、8月数据作数据探测，同时随机选取11月数据作验证。经数据处理、探测和分析，确定并构建了针对该风电场的发电机散热预测分析。经软件仿真结果显示，红线为实际发电机后轴承温度数据，蓝线为系统预测的风机发电机后轴承温度数据。其中图1为1月低温天气下数据训练结果，图2为8月高温天气下数据训练结果，图3为11月数据实际预测结果，图4为11月数据预测结果与实测数据的对比情况及预警故障。

从完整的数据中筛选与目标值强相关的特征，筛选得到的强相关特征列表如下。以1月、8月为例，各特征量与目标值之间的Pearson相关系数如下（见表1）。

6 结论

针对风机发电机轴承温升故障，本文提出基于BP神经网络及Pearson相关系数的风机发电机轴承温升故障诊断模型。通过提取不同状态下风机发电机的轴承温升数据，通过Pearson相关性分析对数据进行筛选和优化，并将其输入BP神经网络及历史故障大数据平台进行分析判断，决策出风机发电机轴承温升的故障判断，提前降低风机负荷降低发电机轴承温度或提前隐患消缺，对提高风机的可靠性和利用小时数提出了新的解决思路。并用项目实例分析测试了该方法，仿真结果表明了基于BP神经网络及Pearson相关系数的风机发电机轴承温升故障诊断模型对预测风电机组轴承温度准确性较高、可靠性较强、适用性较好。

【参考文献】

【1】义炫.基于反向传播神经网络的自适应SCL译码算法[J].通信技术，2019（2）：275-279.

【2】宋玉强.人工神经网络在时间序列预测中的应用研究[D].西安：西安建筑科技大学，2005.

【3】冯树清.基于BP神经网络的GPS高程模型研究与应用[J].卷宗，2015（3）：524-525.

【4】陈化军.基于BP神经网络的电力设备运行温度预测方法研究[J].电子世界，2018（10）：40-41.