图5 风电机组主轴承温度2异常数据滤除
4.3.1 风机P01主轴承发生故障
风电场SCADA系统通过简单设置主轴承温度阈值的方法来对主轴承温度进行状态监测， 当主轴承温度高于设定的阈值时SCADA就会向风场业主发出报警。使用本文方法结合SCADA数据对风机P01在2016年1月到2017年1月进行主轴承故障诊断， 结果如图6所示。 由图可得SCADA系统第一次发出警报的时间在5月份， 随着时间的推移， SCADA系统报警的次数随之增加， 最终业主进行维护， 主轴承故障消失， SCADA系统报警停止。
图6 P01主轴承故障监测结果
相比于SCADA报警方法， 使用本文方法在3月份时马氏距离值已经超出了故障阈值从而得到第一次报警。 随着时间的增加， SCADA系统在5月份开始报警， 相比于SCADA系统状态监测的方法， 使用本文方法能够提前2个月对风机主轴承进行故障报警。为了避免本文方法由于神经网络输入参数值异常， 导致马氏距离值超出阈值产生故障报警。 如图7所示， 对神经网络输入参数进行分析， 图7中的最大值和最小值分别对应的是训练数据中的最大值和最小值， 可以观察到在图7中， 输入正常模型的参数在训练神经网络数据的范围内， 输入参数值并未产生异常。 因此可以判断使用本文方法检测到的异常为组件状态异常。
图7 P01主轴承故障监测输入数据
在同一时间内获取风机P01神经网络预测误差值如图8所示。 由图7、 图9可得当误差阈值绝对值设定在1.5时，预测误差并没有超过该阈值， 并未能产生报警。 验证了本文方法优于传统利用预测误差进行风机部件进行故障预警的方法。
图8 P01主轴承预测误差
图9 P07主轴承故障监测结果
4.3.2 风机P07SCADA系统误报警
使用本文方法对相同型号风机P07在2016年1月到2017年1月进行主轴承故障诊断， 结果如图9所示。由图9可知， 该风机SCADA系统在1月出现第一次报警，随着时间的增加SCADA系统报警数量增加。 而根据本文方法， 马氏距离的值全程均未曾超过阈值， 可以得到主轴承没有发生故障的结论， 与事实相符。 可见我们提出的方法， 还能辅助风场业主分辨现有SCADA系统报警是否有效， 有利于风场业主制定有效的维护计划。
5 结语
对风电机组关键部件进行故障预警的关键是预警准确、 及时。 本文以神经网络在风电机组部件故障预警的应用为背景， 着力解决故障预警时间和预警精度的矛盾， 提出了一种SCADA数据驱动的风电机组部件故障预警方法。
（1） 方法结合逐步回归算法与指数滑差算法， 给出SCADA数据预处理方法， 准确找出对风电机组影响较大参数， 并滤除这些参数的噪声。
（2） 方法通过神经网络预测模型与马氏距离算法， 将传统故障预警方法改为统计方法， 并且这种统计方法计算了故障分布概率， 能够适应运行工况复杂多变情况。
（3） 以两台2 MW直驱式风机为对象， 对本文方法进行实例验证。 试验结果表明： 使用该方法能够提前2个月识别主轴承故障信号， 同时该方法能发现SCADA系统误报故障。 本方案能有效赢得备件和维护计划优化时间， 也能剔除SCADA系统误报降低维护量， 有效降低风电场维护成本。下一步将根据风机内部零部件之间的相关性， 针对风机整机研究风电机组整机故障预警方法。