基于BP- 神经网络的风电主轴承故障预测

刘桂然

（国电联合动力技术有限公司，风电设备及控制国家重点实验室，北京100039）

1 概述

主轴轴承性能直接影响到风电机组可靠性，设计、材料、热处理、润滑等任何一个环节的偏差都会导致轴承失效，而如何在主轴轴承发生早期失效时进行故障诊断和预测，是风电行业需要亟待解决的一个重要课题。

人工神经网络是适应工程需要发展起来的一门交叉学科，近年来人工神经网络已开始用于风电领域，进行轴承、齿轮箱等部件的故障，本文介绍了一种基于BP- 神经网络的风电主轴轴承温度在线预测和诊断的方法。

2 BP- 神经网络算法

2.1 变量的定义

在三层BP- 神经网络中，假定输入神经元个数为M，隐含层神经元个数为I，输出层神经元个数为J，输入层第m 个神经元为xm，隐含层第i 个神经元为ki，输出层第j 个神经元为yj，从xm到ki的连接权值为ωmi，从ki到yi的连接权值记ωij，隐含层传递函数为sigmoid 函数，输出层传递函数采用线性函数，网络实际输出为Y（n）=[谆1J，谆2J…，谆JJ]，期望输出为d（n）=[d1，d2，…，dJ]，n 为迭代次数，第n 次迭代误差为ej（n）=dj（n）-Yj（n）。

2.2 工作信号正向传播

2.3 网络权值调整

权值调整采用LM算法，LM算法是利用标准的数值优化技术的快速算法，权值修正公式：

J 为雅克比矩阵，I 为单位矩阵，η 为学习率参数，介于0-1 之间。

3 故障模型建立

BP- 神经网络是前向神经网络的核心，广泛应用于分类识别、逼近和回归，BP- 神经网络由1 个输入层、若干隐含层和1 个输出层组成，每层均由若干神经元组成，各相邻神经元之间多为全连接。

3.1 故障模型

主轴轴承包括浮动轴承和止推轴承，浮动轴承只承受径向力，止推轴承需要同时承载轴向力和径向径向力，止推轴承，主轴轴承失效主要指止推轴承的失效。温度是反映轴承运行状态的最直接的指标，当轴承存在异常磨损、润滑不足或装配问题时，会首先表现为轴承温度异常，主轴轴承故障主要以止推轴承为主，本模型以止推轴承温度Tz作为预测输出变量。

影响止推轴承温度的因素包括发电功率、运行时间和环境温度等，发电功率P 直接影响轴承温度的变化，作为模型的一个输入变量。浮动轴承温度Tf作为模型第二个输入变量，原因在于浮动轴承温度已经包含了运行时间和环境温度的影响。

变量定义：

基于上述讨论，建立止推轴承温度预测BP- 网络模型如图1所示，其中：

X1=（P1，P2，P3，…Pn），表示发电机功率P

X2=（Tf1，Tf2，Tf3…Tfn），表示浮动轴承温度Tf

Y=（Tz1，Tz2，Tz3…Tzn），表示待预测的止推轴承温度Tz

3.2 样本处理

模型以某2MW机组为研究对象，采集过去1 年的历史数据作为模型训练样本。为避免功率和运行时间离散因素对预测结果造成干扰，样本只考虑满发功率时的轴承状态，对低于额定功率的状态数据进行剔除，获得有效样本数据共22763 组。

3.3 模型训练

按功能将上述样本随机分为三类，其中训练样本占70%，验证样本和测试样本各15%。训练完成后进行模型精度分析，包括均方误差（MSE）和R 值分析。

图1 网络预测模型

R 用于衡量目标数据（期望输出）与实际输出之间的相关性，R 为1 说明两者完全相符，R 为0 说明数据完全随机，从图2 可以看到三类数据的R 值均为0.93 左右，说明实际输出和期望输出相关性较好。MSE 值用于衡量目标数据（期望输出）与实际输出之间的偏差，MSE 越小，偏差越小，MSE 为0，说明没有误差。从图2 可知，模型MSE 结果为5.8 左右，但从图3 的误差直方图来看，误差在5℃以内的数据占比95.3%，从风电主轴轴承温度预测角度来说，5℃在可接受误差范围之内。

图2 MSE 和R

图3 误差直方图

4 故障预测

4.1 温度预测

模型训练完成后，从某风场机组中随机抽选做为预测对象，采集该机组1 个月内功率满发数据，并进行止推轴承温度预测，预测结果如图4 所示。A6MBGB为实际采集的止推轴承温度数据的真实值，yA6 为采用所建立的BP- 神经网络预测的到的结果，预测值与真实值趋势一致，虽然存在一定偏差，但曲线的基本走势和趋势基本一致。

4.2 偏差分析

对于不同机组来说，除轴承制造参数差异外，装配、润滑等多种因素都会影响轴承的预测结果，造成结果偏差，整体来看预测值更接近真实值。

图4 同风场机组温度曲线预测

对预测修正曲线进行回归分析，见图5。可以看到R 值为0.90881，预测输出与期望输出具有很好的一致性，预测误差在5℃以上的数据有30 个左右，占预测样本总数的3%。97%的数据在期望范围之内，预测精度可以满足要求。

图5 回归分析

5 结论

本文以BP 神经网络为基础，提出了一种风电主轴轴承故障预测和诊断方法，基于机组历史数据，构建了风电主轴轴承的温度预测模型，并成功实现了对其它机组的温度预测。

本模型的实际价值在于可实现对风电轴承早期故障的预测，对轴承潜在问题的进行预警，提示对轴承和机组进行检查，并采取相应的解决方案，如采取轴承清洗、换油，调整轴承受力状态等措施。进而解决轴承高温问题，降低轴承故障带来轴承更换损失，及停机造成的发电量损失。

总体来看，该模型的预测精度满足实际工程要求，是一种理想的风电主轴轴承温度预测和诊断方法，可用于风场中主轴轴承的故障诊断和应用。