基于回归分析的风机主要部件的故障预测方法研究

在风力发电技术迅猛发展的同时，高昂的维修费用成为影响其经济性的重要因素之一。目前，对风电机组运行状况缺乏先验性的了解，被动、滞后的维修措施对机组安全、稳定、经济运行十分不利，主要部件的故障往往造成整个机组长时间的停机。因此，对机组进行状态监测，实时地掌握机组主要部件的运行信息以便可以及时发现潜在的故障隐患，对风电场特别是有很大发展潜力的海上风电场具有重要的实用意义。本文基于现场易得到的监测信息，针对传动系统的主要部件进行故障预测方法研究，取得的研究成果如下： 部件温度信息可以反映其运行状态，故首先建立被监测部件在正常运行状态下的线性回归温度预测模型进行温度预测，当部件出现异常时，温度信息偏离正常状态，采用正常情况下的预测模型所得的残差分布特性发生改变，也即残差信息在一定程度上指示了部件的运行状态。将所得预测残差信息作为输入，提出能够更准确、清晰地反映部件运行状态是否偏离正常范围的判别函数来进行故障预测，判别函数值越过设定门槛值即判定部件存在异常，发出警报提示工作人员检查设备，防止故障或严重事故的发生。 为提高故障预测结果的准确度，故障预测算法的输入—温度预测残差必须尽量准确反映部件实际运行状态和正常状态之间的偏差，也即温度预测模型的预测精度必须较高。为此，建立被监测部件正常运行状态下的非线性回归温度预测模型，将相关温度的二次项和交互项考虑进模型。把采用非线性模型所得残差作为输入与采用线性模型所得残差作为输入的两种故障预测方法对比，验证非线性模型更高的精度及两种方法预测结果的一致性。 回归分析模型考虑了相关测点的温度对预测温度的影响，但未将预测时刻之前进入系统的干扰因素考虑进去，为弥补此弱点，可建立被监测部件正常运行状态下的自回归滑动平均模型(Autoregressive-Moving Average Model，ARMA)。针对风电机组传动系统主要部件，将ARMA模型温度预测残差作为输入信息，提出基于休哈特控制图算法的另一种故障预测新方法。该算法较之前一种预警算法在线计算量小、更为简单明了，且仿真结果验证了两种方法预测结果的一致性。 将上述所提方法在北方某风场实验机组上进行仿真计算，所得结果验证了各方法的有效性。