引言随着清洁能源的推广，风力发电机的装机量日益上涨，且在电力能源及可再生能源中的比重越来越大[1]。保证风力发电机的稳定及可靠运行是风场运维的重要任务[2]，如能在风力发电机出现故障之前准确预测设备的故障趋势或健康状态，有利于风场运维部门执行风电机组的状态检修，从而避免将轻微故障演变为严重事故，保证设备运行的稳定性并降低风场的运维成本。轴承磨损退化可能造成轴温升高，而正常工况下，轴承转速、载荷、环境温度的变化也会引起轴承温升[3]。轴承温度信息能有效表征发电机轴承的健康状况，而轴承升温原因的不确定性是利用温度信号进行故障预警的难点。郭俊[4]分析发电机轴温问题检测和预警的模型，通过预测温度与实际温度的残差判断发电机轴承是否存在故障隐患。贾新民[5]等分析轴承温度超温的起因，根据不同的超温原因设计不同的控制策略，提升风机输出功率。另外信号采集及预处理、特征提取及融合、故障模式识别和分类等，都是基于振动信号分析轴承故障预警的方法。已有研究[6-8]从这些方面着手分析，并结合机器学习的方法开展超温故障预测研究，取得了有效成果。本研究以风力发电机轴承为研究对象，研究轴承的故障预警方法，针对工程实际应用问题，保障风机的安全运行。1轴承温异常原理及应对措施1.1轴承温异常原因发电机的轴承安全性是设备稳定性的保障。风机在运行过程中，发电机轴承超温、载荷过大等现象时有发生，对于风机运行来说都会触发停机或降负荷运行，对风机的安全性和经济性都有影响。风机的发电机轴承是发电机的关键部件，前后端轴承支撑发电机转子的运转。由于风机的运行工况复杂多变，轴承承受交变载荷，因而容易发生故障。从已有的运行数据和故障报告中可以看出，轴承导致约50%的齿轮故障，增加约50%的维护成本。轴承升温的原因如下：（1）轴承自身产生的热量。由于轴承高速旋转，内外圈之间相互摩擦而产生热量。产生热量的大小与摩擦力造成能量损失相等。因此对摩擦力做功进行分析可以得出轴承摩擦产生的热量；（2）轴承外部传导得到的热量。这部分热量包括发电机运转过程自身产生的热量、发电机水冷器散失的热量和发电机外壳对机舱周围环境辐射的热量损失的绝对值。1.2控制轴承温异常的方法日常运维过程中，针对不同轴承超温的情况，运行人员采用的控制方法如下：（1）针对轴承自身产生的热量，采用在轴承间添加润滑脂的方式来减小摩擦系数。润滑脂型号确定后，其性能就已经确定，但在运转过程中，因使用环境污染润滑脂，降低润滑脂的效果，需及时更换或补充润滑脂。（2）通过提高发电机的装配质量，减小发电机转子重心与轴承中心的偏差距离，保证轴承内外圈间的游隙和窜动量符合设计值，减少轴承自身的发热量。（3）针对轴承外界传导的热量，发电机产生的热量主要由励磁回路的电流、转子回路的电流、发电机转速和发电机使用的硅钢片重量决定。在发电机励磁和转子回路的电压恒定前提下，电流的大小主要由回路中的电阻决定。因此通过控制励磁回路电流和转子回路电流的电阻达到控制电流的目的。两个回路的电阻主要由组成回路的元器件质量决定。因此控制发电机组成零部件的质量是减少发电机发热量的关键。2预警方法描述应用机器学习中无监督学习常用方法之一的聚类方法，用以提升故障预警特性。介绍高斯混合算法的基本原理和应用方法，针对风机轴承超温问题，设计特定的聚类算法。2.1高斯混合算法高斯混合算法是最常用的聚类算法。聚类算法中首要概念就是相似度，将相似的样本聚到一起，而相似度用距离来定义。聚类是希望组内的样本相似度高，组间样本的相似度低，达到样本聚类的目的。假设样本的生成过程由高斯缓和分布给出，对于给定一个具体的数据样本集合Ω=x1,x2⋯x3，高斯混合算法[9]根据被选择混合成分的概率密度进行采样，从而生成相应的样本。定义高斯混合分布如下：pMx=∑i=1kαi×px|μi,Σi （1）式中：x——数据样本Ω中的样本；μi——第i个高斯混合成分的参数；αi（αi＞0）——相应混合系数，且∑i=1kαi=1。根据贝叶斯定理，zj的后验分布对应如下：pMzj=i|xj=pzj=i×pMxj|zj=ipMxj=αi×pxj|μi,Σi∑l=1kαl×pxj|μl,Σl （2）当高斯混合分布已知时，高斯混合聚类把样本集Ω划分为K个簇C=C1,C2⋯C3，每个样本xj的簇标记λj如下确定：λj=argmaxi∈1,2,⋯,Kγji （3）式中：γji——后验概率。从原型聚类的角度看，高斯混合聚类采用概率模型对原型进行刻画，簇划分则由原型对应后验概率确定。高斯混合聚类算法采用极大似然估计，采用EM算法进行迭代优化求解，通过迭代优化求得每个后验概率。EM算法的大致迭代过程是每部迭代中，先根据当前参数计算每个样本属于高斯成分的后验概率γji(E步)，根据最大化似然函数的推导公式更新模型参数αi,μi,Σi|1≤i≤k(M步)。高斯混合聚类算法流程如图1所示。10.3969/j.issn.1004-7948.2021.07.012.F001图1高斯混合算法流程2.2风机轴承故障聚类算法常规的高斯混合算法对于规则的数据应用性比较好，但是对于风力发电这样的工业应用场景，还需做进一步改进。结合风机的数据特点及类型，进一步对高斯混合算法进行二次开发，最后形成适用于风力发电机轴承故障监测的算法。风机的数据采集形成的数据是离散的点集数据，而且数据集的密度很大，通常每5 s或者10 s都会形成一个十几维甚至几十维数据空间。针对这个问题，在研究开展之前，对风机的原始数据应用聚合算法进行整理。将原始数据每5 min整定为一个数据集，缩减算法训练时间。对于整定好的数据集，将数据的重要特征维进行提取。先通过这些重要特征，获得最大可能出现故障的时刻，然后在这个时间段内应用高斯混合算法，结合异常温升特征空间分布特点及异常检测二分类问题特点，对温度特征空间进行一次高斯混合聚类(K=2)，对特征位置差异进行判断，按各测点多数样本所属簇给定类标签，避免个别样本带来的误判。考察是否有测点属于孤立类，同时获取温度特征分布先验信息。若存在孤立类，则以多数簇的最大半径作为邻域半径，以单个测点样本数作为最小邻域密度进行聚类，判断其分布密度是否存在显著差异。若测点特征同时满足位置差异性与分布密度差异性即判断为异常温升。发电机轴承故障预聚类算法的实现过程如图2所示。10.3969/j.issn.1004-7948.2021.07.012.F002图2发电机轴承故障预警聚类算法流程图3仿真试验对山东某风电场的两台风机进行模拟仿真，提取2月份的运行数据进行分析，应用高斯混合算法对温度异常特征进行提取，最后得出仿真结果如图3、图4所示。10.3969/j.issn.1004-7948.2021.07.012.F003图3风机1发电机非驱动端轴承温度故障10.3969/j.issn.1004-7948.2021.07.012.F004图4风机2发电机非驱动端轴承温度故障识别基于算法分析和仿真验证，与风场保存的故障记录对比分析，故障特性分析与现实中的故障特征基本匹配，提出的算法具有有效性。4结语通过介绍风力发电机轴承温度超温的主要原因以及常规的控制操作，分析无监督学习中高斯混合聚类算法。应用高斯混合算法开发了针对发电机轴承温度监测的预警模型，将算法模型应用到山东某风场的两台风机做仿真分析。结果显示，开发的模型对于轴承温度超温有较为精确的故障识别率。未来可将该模型的功能进行拓展和优化，进一步研发出轴承故障在线分析功能。