基于IPSO神经网络的风电机组主轴状态监测
罗勇
（大唐新能源安徽公司，安徽滁州239000）
的作用，因此对主轴进行状态监测关系到风电机组的稳定性.将改进粒子群算法（IPSO）与BP 摘要：风电机组主轴是叶轮和齿轮箱的连接部分，在机组传动链中具有传运转矩和能量神经网络相结合构造主轴温度模型并进行预测.当主轴发生故障时，模型输入的观测向量发生异常变化，导致模型预测残差发生改变.为提高主轴异常预警的灵敏度和可靠性，文中采用基于菜依特准则的双滑动窗口对预测残差序列进行实时的统计分析，如果残差均值或标准差超出设定的故障报警润值时，发出报警信息.
关键词：主轴；状态监测；IPSO-BP网络；莱依特准则；双滑动窗口
中图分类号：TM614文献标志码：B文章编号：1009-3230（2018）01-0038-03
WindTurbineSpindleConditionMonitoringBasedonOperationalData
(Datang New Energy Anhui Company Chuzhou 239000 Anhui Province China) LUO Yong
Abstract: Wind turbine spindle is the connecting part of impeller and gearbox. Ithas the function of transmitting torque and energy in the transmission chain of the unit. It need to bear the bendingmoment and thrust of the wind wheel so the failure rate of spindle is high. The spindle temperature pe (osl udo g pd q d o psn e pua papback propagation( BP) neural network under the normal operating condition of the spindle. When the spindle fails the observation vector of the model input changes obviously. If the residual mean orstandard deviation exceeds the set fault alarm threshold an alarm messnge will be issued.
Key words: Spindle; Condition monitoring: IPSO - BP neural network;Lewitt criterin;Doublemoving window
基于EMD的滚动轴承故障诊断方法.当主轴处于异常工作状态时，会导致主轴温度发生显著变化，文中以主轴温度为切入点采用风电机组运行潜在故障. 数据建立主轴监测模型，可以及早的发现主轴的
0引言
目前对风电机组的主要子部件包括齿轮箱、主轴、发电机等进行实时的状态估计和监测的方法及策略有很多种.文献[1-3]系统的分析和阐述了了近年来对风电机组不同部分的状态监测对主轴进行状态监测.超声波具有方向性好，穿
风电机组主轴由外圈、内圈和滚动体等几部透力强等优点.但是声发射技术对材料十分敏感分组成.主轴常见的故障都会导致主轴温度的异并且容易受到机电信号的干扰.文献[5]提出了常升高.文中基于风电机组实际运行数据，依据IPSO-BP理论，建立主轴温度模型，实现主轴状态监测.IPSO-BP网络采用通常的三层前向结 构，即输人层、隐层和输出层.网络各层的权值和
阅值共同构成一个权值向量，记为W，并将其作 为粒子群算法解空间的一个解，即一个粒子.IPSO-BP网络通过改进粒子群进化方法找到其解空间的一个最佳权值向量W，达到最佳的训练和泛化结果.进化过程如下所述.
对BP网络进行N权值向量W，W W，将其作为粒子群的初始N个粒子.每个粒子优 劣程度可用其适应度函数表示.在IPSO-BP网络中，每个粒子的适应函数定义如下：将粒子即权值向量W作用于前向BP网络，对n个网络训练样本进行前向运算，得到n个网络输出.在该粒子作为网络权值时，n个训练样本的训练误差E为：
式中，，和d，分别为第p个样本的目标值和网络输出.该粒子对应的适应度函数为：
每个粒子会根据自己的进化经验和同伴的进化经 当给出粒子群的初始N个粒子后，解空间的验来不断调整自已的当前值.每个粒子在进化中适应度最大的值，就是该粒子本身找到的最优解，称为个体极值，记作W（i），即第i个粒子的极值.每个粒子通过上述两个极值不断进化更新自已，从面产生新一代群体.
对于粒子i，其一次更新的增量和更新后的值分别为：
W=k△W c rand(）[W（i) -W，]
crand（）[W-W]w=W△W
式中，c，c表征学习因子，通常取值为2 rand（）表示[01]上的随机数，k表示惯性系数.式（3）平衡全局搜索和局部搜索的作用；第二项是粒子 的第一项与粒子上一次修正的增量有关，可起到向自身最优值学习的部分，称为自学习部分，其能够保持粒子有较强的全局搜素能力，避免陷人局部极小点；第三项为粒子向全局最优值学习部分，称为互学习部分，其能够加快搜索速度.
组从2015年4月1日至4月30日时共计4000 为了对IPSO-BP模型进行验证，选取某机条SCADA运行数据，在此期间主轴工作状态正常.选取运行数据的前3000条数据作为主轴温度模型的建模数据，再取1000条数据作为模型
验证集合.IPSO-BP模型主轴温度分量的预测 残差为：6g=x-xg.式中x表示模型新输人观测向量中主轴温度分量；表示对新输人观测向量的预测输出向量中主轴温度分量.当主轴温度正常时，对模型进行验证，其结果如图1所示（实际值和预测值一个用实线，一个用点划线）：
）
通过图1可以看出，主轴温度IPSO-BP模型的预测值和实际值很接近，预测残差比较小，预测精度很高，数据的预测残差均小于5%.验证结果表明主轴温度IPSO-BP模型对主轴正常状态具有很高的预测精度.
3基于莱依特准则的双滑动窗口主轴温度NSET模型预测残差统计分析
3.1双滑动窗口残差统计方法概述
服从正态分布，依据统计学中正态分布特性，残差 主轴温度IPSO-BP模型预测残差序列近似序列落在三倍标准差[-3o，3o]区域的概率大于99.7%，因此残差序列落在此区域之外的概率不足0.3%，这就是莱依特准则.所以当预测残差序列中某一残差落在该区域之外时，可能是由于传感器测量误差等随机因素引起的.
为对预测残差序列进行统计特性分析，首先要建立两个宽度不同的滑动窗口，分别为快速检测窗口，窗口宽度记为：N；备用平均窗口，窗口宽度记为N ，N，=kN ，式中k>1.5，为保证双滑动窗口的可靠性，备用平均窗口的宽度要显著大于快速检测窗口.
假设最新残差序列对应的时刻为k时刻，此
时刻残差序列为：6g=[666]，计算快速检测窗口内残差序列的均值和标准差
同时也要检测快速窗口内是否存在残差落在[X.-3S，X，3S ]区域之外，如果不存在，快速检测窗口移动到下一个k1时刻；如果存在，则在k时刻立即启用备用平均窗口，计算该时刻备用窗口内残差序列的均值和标准差.当滑动到下 一时刻，仍然用快速检测窗口分析残差序列.
3.2基于双滑动窗口的主轴温度异常检测
为模拟主轴发生故障时导致主轴温度升高的情况，对选定的验证序列中主轴温度分量，手动加人累积偏差，起始点为第501点，步距为0.00015序列如图2所示. （数据已归一化）.加人了累积偏差的预测残差
图2模拟主轴故障时对应的预测残差
对图2中的预测残差序列利用基于菜依特准则的双滑动窗口进行残差统计分析，其对应的残差统计特性和报警阔值如图3所示，虚线代表预先设定的均值阅值和标准差阔值由图3中残差均值曲线可以看出在第738个滑动窗口处，其对应的残差均值超过设定的阔值.此时距离加人累积第788点检测出主轴出现异常变化，计算该点和 偏移的初始点的宽度为738-50050=288.在起始点之间的温度偏差288×（33-21）×0.00015=0.5184℃.通过上述分析表明，当主轴处于异常工作状态导致其温度发生偏移时，主轴温度IPSO-BP模型能够及时检测出故障的存在.进而发出报警信息，实现了主轴温度的在线
监测.
4 结束语
图3基于双滑动窗口对偏移后的残差序列统计分析
文中基于风电机组运行数据选择与主轴温度密切相关的变量，依据改进粒子群算法与BP神经网络相结合的方法建立主轴温度状态监测模型.同时文中提出了基于莱依特准则的双滑动窗口残差统计分析方法用于处理主轴温度IPSO-BP模型产生的预测残差序列.通过手动加人累故障数据进行分析，其能够及时发现故障并报警， 积偏差来模拟主轴故障状态，利用双滑动窗口对从而验证了该方法的有效性.
参考文献
[1] Hameed Z Hong Y S Cho Y M et al. Condition moni-toring and fault detection of wind turbines and related algorithms : a review[J] . Renewable and SustainableEnergy Reviews 2009 13(1): 1 39 [2] Amirat Y Benbouzid M Al Ahmar E. A brief statusergy coeversion systems[J]. Renewable and Sustain- on condition monitoring and fault disgnosis in wind en-able Energy Reviews 2009 13(9) :2629 2636.[3] Lu Bin Li Yaoyu Wu Xin. A review of recent advancein wind turbine turbine condition monitoring and fault diagnosis[ C]. Proceedings of Power Electronic andMachines in Wind Application Lincoln 2009 : 1 7.[4]张志春，刘洪伟，风电机组状态监测技术及故障分[5]Yang Yu Yu Dejie. Cheng Junsheng A roller bearing 析方法[J].标准科学，2013（06）：59-62.fault dingnosis method based on EMD energy entropyand ANN [J]. Joumal of sound and vibration 2006(294) ;269 277.
