若F 2 ＜F a ， 说明该变量对y作用不显著， 应该剔除掉， 对相关系数矩阵R做变换。 否则将参数保留。 并执行下一步
第八步： 判断为剩余可选入参数数量是否大于2个， 当满足大于2时， 执行第四步， 否则获得最优参数子集。
3 风机部件故障判据
针对上文中提出的传统风机部件故障预警方法的局限性， 本文通过马氏距离设计风电机组部件故障判据， 马氏距离方本质上是一种统计学方法， 避免了传统上单次幅度阈值判断方法受偶然因素影响剧烈的缺点。马氏距离是一种距离测量单位， 表示数据协方差距离大小。 马氏距离能够排除相关变量之间相关性的干扰， 给出多元变量中单变量的距离， 常用来识别数据集中的异常值。 由此本文使用该方法以获取SCADA数据集中的异常值， 马氏距离获取数据异常值计算如式（10） 所示：
第i个向量X i =[Xi1, Xi2, Xi3,…, X im ]， m是向量总数。u=[u 1 ,u 2 ,u 3 ,…,u m ]是均值向量。马氏距离对于训练数据集的计算如下：
式中： X ref =[训练数据， 训练误差]， 用于训练神经网络的历史数据， 训练数据所产生的误差。通过获取到的马氏距离值利用最小二乘法确定威布尔分布函数：
在训练阶段获取到的马氏距离值符合双函数威布尔分布， 如图3所示。 通过获取到的马氏距离值利用最小二乘法确定威布尔分布函数：
其中： X newi =[预测误差， 测量数据]， 其中测量数据指的是预测时SCADA监控到的组件的实时数据， 预测误差指的是神经网络的预测值与实时数据的误差。
通过获取到实时的预测误差与检测数据， 计算得到马氏距离值MD newi ， 通过获取到的马氏距离值MD newi 计算f（MD newi ） 。 当满足f（MD newi ） ＜0.01时， 则可以判断当前数据为异常 [12] 。 实现风机部件故障诊断。
图3 人工神经网络训练过程MD值的
直方图和韦布尔概率密度函数
4 仿真及结果分析
相比于传统的风电机组需要齿轮箱的多级增速， 直驱式风电机组忽略了增益齿轮箱， 结构较为简单。 但是由于风轮和发电机的整个重量作用在主轴承上， 一旦主轴承发生故障， 若不能及时处理， 将导致更为严重的风电机组整机故障。 本文基于Matlab 2016a平台对直驱式风电机组关键部件主轴承的故障预警进行上述方法试验分析。
4.1 神经网络型输入参数选择
SCADA系统主要监测主轴承运行时的温度， 选取SCADA系统参数主轴承温度2（前端） 作为因变量， 其他参数为自变量， 如图4所示， 使用SPSS软件进行逐步回归分析，获得主轴承温度2正常模型输入参数。
图4 模型输入输出参数
4.2 异常数据滤除
根据第2节所提到的方法对主轴承温度2数据进行预处理。 如图4所示选取输入参数为自变量对主轴承温度2分别进行异常数据滤除， 同时当主轴承温度2处于异常时， 滤除对应所有输入参数数据。 如图5所示， 当主轴承温度2处于异常状态时， 滤除对应的输入参数如风速、 轮廓转速、 机舱温度等数据。 将滤除后的数据用于神经网络训练和测试。
4.3 主轴承故障诊断
本文通过两台直驱式风机主轴承故障诊断仿真试验， 验证上述故障预警方法的有效性， 并与其他传统风机部件故障预警方法进行比较。神经网络训练阶段原始SCADA数据具有较大的波动性， 为了降低波动性， 对数据进行10 min平均标准化处理。在24 h内可获取144个测量值， 进行故障诊断的马氏距离值根据经验法应当选取12 h平均， 每24 h生成2个马氏距离值。