摘要：风电机组主轴承的状态数据是多样性且大容量的，利用这些状态数据对风电机组主轴承状态进行分析成为人们关注的重点。基于此，本文通过对深度置信网络模型性能改善的方法进行分析，论述了深度置信网络在正常状态下主轴承的模型分析、风电机组主轴承故障检测、风电机组主轴承状态监控中的具体应用。
关键词：性能改善；深度置信网络；风电机组主轴承
前言：随着社会经济发展的越来越迅速，风力发电在能源产业中占据的地位越来越高。风电机组正常运行过程中，它的运行状况是非常复杂的，导致风电机组发生故障的几率变得很大，造成经济损失非常严重。现阶段，我国各个风电场都在积极的采取应对措施，来提高风电机组的安全可靠性。深度置信网络是一个概率生成模型，对风电机组的性能改善有很大的帮助，降低其故障发生的概率。
1深度置信网络模型性能改善的方法
1.1数据学习批次的模型改善
在风电机组主轴承运行过程中，深度置信网络在输入SCADA系统数据时，会进行反复的迭代学习，并且是分批次的。这种对风电机组主轴承性能进行改善的方法主要体现在深度置信网络的隐含层每个单元节点都有具体的数据规则。当这些单元节点充分激活之后，会对风电机组主轴承运行状态的各类数据构成重构误差。不同批次的数据误差时不同的，而且这些数据重构误差的大小直接影响着深度置信网络对数据的提取。通过对重构误差的分析，深度置信网络对主轴承的性能进行改善，从而保证主轴承正常运行。
1.2参数迭代周期的模型改善
在风电机组主轴承运行过程中，首先，深度置信网络的隐含层会在构建模型框架之后有一个初始的先验值。其次，深度置信网络会将风电机组主轴承的各项正常运行数据设置为数据标签，对发电机组主轴承实时监督，同时，应用梯度上升的方式对参数进行微调，以此来达到更新参数的目的。最后，以运行状态中各个数据参数的迭代周期为依据，对风电机组主轴承运行的参数进行微调，以此来改善参数的迭代周期。
1.3异常数据剔除与数据量的模型改善
在风电机组主轴承运行过程中，对其SCADA系统初始状态数据进行采集、监测，一般主要包括空数据（系统监测时漏掉的数据）、出现偏差的状态数据等。因此，在建立深度置信网络模型时，要将这些空数据以及出现偏差的状态数据剔除。所以，深度置信网络要想在风电机组主轴承中采集到充分的状态样本，就必须要将异常数据删除出去。除此之外，对于深度置信网络的数据量来说，风电机组主轴承的运行风速越高，数据量越大，同时深度置信网络对风电机组主轴承状态数据提取更加深入。
2深度置信网络在风电机组主轴承中的应用
2.1在正常状态下主轴承的模型分析中的应用
深度置信网络与传统的判别系统相比，在生成模型之后，建立了一个标签和数据之间的联合分布，对ObservationLabel和LabelObservation都做了详细的评估，传统的判别系统只是对LabelObservation做出评估。因此，将深度置信网络应用在风电机组主轴承状态分析中，能够对其进行系统的、详细的分析。例如：在华锐风电科技股份有限公司中，应用的是A01号风电机组主轴承，工作人员将三个月内的SCADA系统数据截取下来。这些数据大多是风电机组从3m/s启动到25m/s范围内的数据样本。以风电机组主轴承发生故障前后的各类信息数据为依据，深度置信网络设置了4个隐含层，这四个隐含层结构为1000-500-250-50。
期刊文章分类查询,尽在期刊图书馆以此来对风电机组主轴承SCADA系统中的风速、发电功率、发电机的转速、主轴承温度以及主轴承温度进行分析，分析的结果可以使用指数加权移动平均法对计算控制线的统计量：
zt=λRct+（1-λ）zt-1
其中t为时刻；λ的取值范围是0-1；λ为Rc的权重；Rc为模型的输入计算；Rct为在t的位置重构误差的值；zt为风电机组主要轴承在正常运行一段时间之后Rc的平均值，在这个计算公式中λ的的值一般为0.2。在正常运行时，zt的变化是动态平稳的，并且在可控的范围内波动[1]。
2.2在风电机组主轴承故障检测中的应用
在风电机组主轴承运行过程中，深度置信网络可以实现风电机组主轴承的故障检测。在风电机组正常运行过程中，风电机组的主轴承在每一天都会存储大量的SCADA数据，这些数据在改善风电机组主轴承性能的稳定性有着非常大帮助。除此之外，在应用深度置信网络时，深度置信网络所构建的模型，在将风电机组主轴承性能改善之后，与改善之前相比，幅值会慢慢变小，将风电机组主轴承的状态变量的各类信息保留的更加完整。例如：在国电联合动力技术有限公司，为了对风电机组主轴承的故障进行有效的检测，将深度置信网络应用到风电机组主轴承故障检测中。首先，工作人员将风电机组主轴承一周内正常运行的数据选取出来，与原有模型的数据进行对比，将网络参数进行实时更新；其次，将这一周内正常运行的数据量较小的部分选取出来，这样可以大大降低数据模型重新训练所需的时间，从而提高风电机组主轴承云运行安全可靠性。最后，工作人员将负载较小的数据收集起来，将这些资源进行二次利用。这样可以大大降低风电机组主轴承状态检测的误差。除此之外，深度置信网络对风电机主轴承运行过程中的异常情况感知特别敏锐，能够在危险还没发生之前将主轴承中表现出的异样提取出来。从而有效的将风电机组主轴承的故障检测出来[2]。
2.3在风电机组主轴承状态监控中的应用
深度置信网络在风电机组主轴承状态中的应用，主要体现在深度置信网络能够对主轴承滑油消耗进行实时监控。在对风电机组主轴承滑油消耗进行监控过程中，可以直接输出滑油消耗量。例如：在浙江华仪风能开发有限公司，利用深度置信网络对风电机组轴承状态进行监控时，首先选取风电机组主轴承运行过程中的SCADA系统记录数据，这些都是风电机组在正常运行状态下的飞行数据，，各个参数的变化都是在可控范围内。深度置信网络在将这些数据确定之后，会根据初始时的迭代次数对风电机组主轴承进行分析，这样能够有效的降低累计误差，在迭代次数为0-20时，风电机组主轴承运行的累计误差会大幅度降低，然后慢慢的趋于平稳。当迭代次数为20时，收敛在2.2quart左右；当迭代次数为50时，累计误差会收敛在2.0quart左右；当迭代次数为80时，累计误差会收敛在收敛1.0quart左右。这说明在迭代次数非常少的时候，由于玻尔兹曼机对深度置信网络的限制作用，使得累计误差受迭代次数的影响非常大。这样深度置信网路在对其进行监控时，能够及时的发现其中的差异，从而使工作人员能够判断风电机组主轴承的运行状态是否正常。
结论：综上所述，深度置信网络能够有效的改善风电机组主轴承的性能，为其正常运行提供保障。经过上文分析可得，深度置信网络在在正常状态下主轴承的模型分析中的应用，能够对其进行系统的、详细的分析；在风电机组主轴承故障检测中的应用，可以大大降低风电机组主轴承状态检测的误差；在风电机组主轴承状态监控中的应用，能够判断风电机组主轴承的运行状态是否正常，因此，大力普及深度置信网络在风电场中的应用是十分重要的。
参考文献：
[1]王春梅.基于深度置信网络的风电机组主轴承故障诊断方法研究[J].自动化仪表，2018（5）
[2]王洪斌，王红，何群，王跃灵，周振.基于深度信念网络的风机主轴承状态监测方法[J].中国机械工程，2018，29（8）：948-953
[3]张小田，鄢盛腾，周雪青，赵洪山.基于状态监测的风电机组主轴承早期故障预测方法[J].广东电力，2012，25（11）：6-9
论文作者:陈永鑫
论文发表刊物:《电力设备》2018年第18期
论文发表时间:2018/10/18
标签：主轴论文; 机组论文; 风电论文; 深度论文; 数据论文; 网络论文; 状态论文; 《电力设备》2018年第18期论文;