APP下载

基于改进KNN回归算法的风电机组齿轮箱状态监测

2021-04-22刘长良张书瑶王梓齐

中国测试 2021年1期

刘长良,张书瑶,王梓齐

(1.华北电力大学 新能源电力系统国家重点实验室,北京 102206;2.华北电力大学控制与计算机工程学院,河北 保定 071000)

0 引 言

齿轮箱是风电机组的重要机械部件且常年处于运转状态,极易发生故障造成机组停机,给生产带来经济损失。据文献统计[1-2],由齿轮箱引起的故障停机时间显著高于其他部件,因此有必要对齿轮箱进行状态监测。目前齿轮箱状态监测方法研究可分为离线监测和在线监测两种。离线监测主要有油液成分监测[3]和振动监测[4]。在线监测是利用监控与数据采集(supervisory control and data acquisition,SCADA)系统[5]在线采集风电机组运行数据并对齿轮箱进行在线状态监测,因不需额外加装传感器且实时高效,已成为齿轮箱状态监测的研究重点。

基于正常行为建模的状态监测方法是一种目前受到广泛关注的建模方式,其基本思想是根据正常运行状态下的历史数据,对实时值进行估计,步骤主要分为数据处理、状态变量建模和残差分析3部分。根据是否显式包含可估参数,通常可以分为参数建模和非参数建模方法两种。参数建模方法主要有BP神经网络[6-7]、分段支持向量机[8]、深度学习网络[9]等;非参数建模方法主要有K近邻(K-nearest neighbor,KNN)回归算法[10-11]、非线性状态估计(nonlinear state estimate technology,NSET)方法[12]、核密度估计[13]等。参数建模方法具有易于理解且训练速度快的优点,但依托训练样本且模型后期维护困难,不适于风电机组复杂的运行状况。KNN回归算法是一种常用的非参数回归方法,具有思路简单、应用灵活、对异常值不敏感的优点,且不需要像神经网络等前期进行参数或结构的学习和寻优。……

登录APP查看全文