基于SSA-KELM模型的风机叶根螺栓松动预测研究

陈明生

国能投（河南）清洁能源有限责任公司，河南郑州，450003

0 引言

风机叶根螺栓是风力发电机组关键部件之一。叶根螺栓是固定风机叶片与风机轮毂的重要部件，承受着强烈的风荷载、重力荷载、离心力以及风切剪力等复杂的应力荷载[1]。在日常运行过程中，风电叶片需要在不同的风速与风向下调整其角度以达到实现最佳能量捕获效果[2]。因此，风机叶根螺栓在持续弯曲、扭矩和交变应力的作用下，极易出现疲劳磨损、断裂等故障。叶根螺栓故障若不及时发现和处理，可能导致风电机组动态不稳定、设备损坏，严重时甚至导致叶片抛离机组，进而造成人员伤亡和巨额经济损失。研究风机叶根螺栓故障监测有利于避免严重风机事故，提前发现叶根螺栓的损伤、磨损、裂纹等问题，对保证风电机组及周边设施和人员安全具有重要意义；定期监测叶根螺栓的状态，可以及时发现潜在问题，实施有针对性的维护和维修措施，避免因故障导致的大规模维修，从而降低维修成本；对叶根螺栓进行有效的监测和维护，可以有效延长设备的使用寿命，提高设备整体的运行效率；通过监测和维护叶根螺栓，确保风电机组的正常运行，进而提高风能的有效利用率，为可持续能源发展作出贡献。通过对风机叶根螺栓故障监测技术的深入研究，提高风电机组运行安全、降低维修成本、延长设备寿命以及提高风能利用率等。

1 行业现状

风机叶根螺栓故障监测研究主要包括以下几个方面。

（1）螺栓荷载监测：通过在螺栓上安装应力传感器，例如应变片等，以实时监测螺栓所受荷载，并与额定荷载进行比较分析[3]。若实际工况所受荷载超过额定荷载，可能引发螺栓的过载故障。

（2）螺栓松紧程度监测：螺栓的固定连接由螺栓的预紧力来保证，螺栓的松紧直接影响到其实际工作性能。可以通过振动传感器实时监测螺栓周围的振动信号，结合螺栓的松紧情况分析螺栓受力状态[4]。

（3）涂层损伤检测：螺栓材料表面通常涂覆有防锈、抗磨损的保护层，这种涂层在长时间运行过程中也可能出现磨损、脱落等现象[5]。可以通过无损检测技术，例如电磁波检测等，对螺栓表面涂层损伤程度进行探测。

（4）螺栓疲劳损伤监测[6]：风机叶根螺栓在多次受到复杂荷载作用下，可能产生疲劳损伤。疲劳损伤会在螺栓表面或内部形成裂纹，导致螺栓强度降低，最终导致螺栓折断。通过声发射、超声波等无损检测方法，可以实时监测螺栓内部裂纹及疲劳损伤程度。

（5）螺栓腐蚀监测：风机运行环境复杂多变，螺栓可能受到气候因素、大气腐蚀等影响[7]，导致螺栓表面腐蚀。腐蚀会降低螺栓的强度和寿命，影响其工作性能。可以通过无损检测技术，例如涡流检测等，对螺栓腐蚀程度进行实时监测。

根据上述螺栓故障监测机理，可以通过安装相应的监测传感器，如应变片、振动传感器等，收集实时数据并结合大数据分析和机器学习算法，实现风机叶根螺栓的实时监测、预警和维护，保证风力发电机组高效安全运行。

2 基于SSA-KELM的模型

SSA-KELM模型是一种基于麻雀搜索优化算法和核极限学习机的预测模型，其主要特点是能够自适应地调整模型参数，同时能够有效地处理时间序列数据，从而能够更准确地进行法兰间隙预测。在建模过程中，需要对数据进行训练和测试，以便对模型进行验证和评估。

2.1 SSA

SSA具有收敛速度快、稳定性好等优点，其灵感来源于麻雀种群的觅食和反捕食行为。SSA中有三种麻雀：发现者、加入者、侦察者，发现者负责寻找食物丰富的区域；加入者利用发现者寻找食物；侦察者负责在捕食者出现时发出警告信号。在每次迭代中，发现者的位置更新如下：

加入者位置更新如下：

侦察者位置可表述如下：

2.2 KELM模型

ELM模型包括三层：输出层、隐含层和输入层。基于反向传播方法，前馈神经网络需要在迭代过程中更新权重，但ELM模型具有随机初始权重，在迭代过程中不需要更新。

对于含有n个样本的数据集，且隐含层节点为L，其单层前馈神经网络模型为：

写成矩阵形式为：

KELM是一种基于极限学习机的分类和回归算法。它是ELM的一种扩展形式，与传统的人工神经网络相比，具有更快的训练速度和更好的泛化能力。与传统的ELM相比，KELM使用核技巧来处理非线性问题。KELM模型的基本结构包括输入层、隐含层和输出层。输入层接收原始数据作为输入，隐含层中的神经元使用核函数将输入数据从低维度空间映射到高维度空间，输出层则使用线性回归模型将映射后的数据进行拟合。KELM模型的训练过程是先将输入数据通过核函数映射到高维度空间，然后直接求解输出层权值，即可完成模型的训练。这种训练方法可以大大减少模型的训练时间，同时也避免了传统神经网络中梯度下降算法容易陷入局部最优的问题。

KELM模型的主要优点包括以下几点。训练速度快：KELM模型使用随机化方法，可以避免传统神经网络中复杂的迭代训练过程，大幅缩短训练时间。鲁棒性强：KELM模型使用核函数映射数据，可以将非线性问题转化为线性问题，提高模型的鲁棒性和泛化能力。易于实现：KELM模型的实现过程相对简单，只需要确定核函数和输出层权值即可完成模型的训练。高精度：KELM模型在处理大规模数据集时具有较高的精度和准确性。总之，KELM模型是一种快速、高效、精度高的机器学习算法，在回归和分类问题中都有广泛的应用。

参数对于模型的预测精度有很大影响，优化效率低将导致模型的不完善和预测能力差。而SSA[8]具有收敛速度快、稳定性好等优点，因此本文引入SSA模型对KELM模型进行参数优化，形成SSA-KELM模型。

3 实例分析

3.1 数据来源

本次研究数据主要采用测度风机叶根法兰间隙大小，即风机叶根法兰振动数据。选取某风机每15分钟法兰振动数据，共10000个数据。将样本数据按照7：3划分为训练集和测试集。

3.2 参数设置

针对基于SSA-KELM模型的风机叶根螺栓故障预测模型，分别设置模型参数。其中，KELM模型的输入层单元数nin=4，输出层单元数nout=1，隐含层单元数nhidden=9，延时步数kim=10，迭代次数epochs=1000。对SSA模型设置种群数量pop=20，维度dim=2，下边界lb=[1,1]、ub=[20,20]。

3.3 实例测算

利用训练集对SSA-KELM模型进行训练，可得训练集预测效果对比图如图1所示。

图1 训练集效果对比图

从图1可以看出，当前训练模型拟合效果良好，可以用于实际预测当中。为研究该训练模型预测效果，利用该模型对测试集样本数据进行预测，并将其与实际值进行对比。可得测试集预测效果对比图如图2所示。

图2 测试集预测效果对比图

从图2可以看出，该模型测试集预测值与实际值基本一致，预测效果良好。为更加直观地反映SSA-KELM模型的预测精度，本文通过MAE、MSE指标进行比较。这些指标分别衡量了模型预测值与实际值之间的平均绝对误差、均方误差。对比结果如表1所示。

表1 预测精度指标对比结果

由表1可知，该模型在训练集R2为0.9977，测试集R2为0.9972。通常认为R2大于0.99，模型具有良好的拟合效果。同时该模型MAE和MSE值较小。一般认为，MAE和MSE值越小，预测精度越高。综上所述，SSA-KELM模型在风机叶根螺栓故障预测上表现良好。因此可以用于相关数据的预测。

4 结论

本文从行业现状入手，对风机叶根螺栓故障监测研究的主要方面进行总结。同时构建了基于SSA-KELM模型的风机叶根螺栓故障预测模型，并以某风机叶根的法兰振动数据为例进行了实例分析。研究发现，该模型对风机振动数据的预测效果良好，可以用于后续对风机叶根螺栓故障检测与排查当中。