基于风电机组SCADA数据的齿轮箱轴承故障预警研究

作     者：李少伟 

作者单位：广东海洋大学 

学位级别：硕士

导师姓名：俞国燕;董晔弘

授予年度：2023年

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 

主      题：风电机组 SCADA 齿轮箱轴承温度 LightGBM 组合模型 

摘      要：风电机组由于长期处于复杂载荷运行工况中导致机组故障率高,其中齿轮箱所发生的故障次数和造成的停机时间较多,而齿轮箱轴承发生故障更是占齿轮箱故障半数以上。为了风电机组的稳定运行减少故障带来的经济损失,提前对齿轮箱轴承故障进行预警成了亟需解决的问题。在轴承众多的特性中,轴承温度的变化可以直接表现出当前轴承的状态。因此,基于风电机组数据采集与监控系统（Supervisory Control and Data Acquisition,SCADA）的数据对齿轮箱轴承进行温度预测和故障预警研究,可为及时掌握轴承运行状态,对其制定合理的检修策略提供技术保证。 本文以江苏某风场的H151-5.0MW双馈异步风电机型为研究对象,预警齿轮箱轴承温度为目标。文章首先对该机组齿轮箱结构和齿轮箱轴承故障时温度的信息进行分析。其次在风电机组SCADA运行数据中选取关于齿轮箱轴承温度相关的特征参数,对数据进行预处理,运用风机运行机理和孤立森林等去除与修复坏数据,后续采用灰色关联度分析计算各特征参数和齿轮箱轴承温度的关联度,去除冗余信息选取10个相关度高的特征参数作为输入参数参与预测模型的构建。采用贝叶斯优化的轻量梯度提升机（Light Gradient Boosting Machine,Light GBM）对轴承温度进行预测,通过贝叶斯不断迭代更新目标函数的后验分布来调整参数使得模型在更短的时间内得到较高的预测精度;为了提高预测的准确率提出了一种结合两种树模型和神经网络模型的组合模型对轴承温度进行预测,利用三种算法取长补短从而进一步提高预测精度和泛化能力。将Light GBM的预测值与极端梯度提升树（e Xtreme Gradient Boosting,XGBoost）线性组合再加权融合长短期记忆网络（Long short-term memory,LSTM）对轴承温度进行预测。通过平均绝对值误差（Mean Absolute Error,MAE）、均方误差（Mean squared error,MSE）、决定系数（R-squared,R）三个评价指标对比,提出的组合预测模型相较于其他模型具有更高的预测精度。 最后基于滑动时间窗口分析其轴承温度的预测值和真实值之间的残差的均值和标准差来进行轴承故障的预警。通过对江苏某风场实际的运行故障数据验证了其模型的预测精度和预警分析的有效性,为后续运维安排提供技术支持,减少风电场经济损失。