CN106682814B - 一种基于故障知识库的风电机组故障智能诊断方法 - Google Patents
一种基于故障知识库的风电机组故障智能诊断方法 Download PDFInfo
- Publication number
- CN106682814B CN106682814B CN201611075303.5A CN201611075303A CN106682814B CN 106682814 B CN106682814 B CN 106682814B CN 201611075303 A CN201611075303 A CN 201611075303A CN 106682814 B CN106682814 B CN 106682814B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- wind turbine
- diagnosis
- data acquisition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000012423 maintenance Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 27
- 239000002245 particle Substances 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003921 oil Substances 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000001050 lubricating effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 125000002015 acyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- AGOYDEPGAOXOCK-KCBOHYOISA-N clarithromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=O)[C@H](C)C[C@](C)([C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)OC)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 AGOYDEPGAOXOCK-KCBOHYOISA-N 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000010729 system oil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于风电机组故障智能诊断领域,尤其涉及一种基于故障知识库的风电机组故障智能诊断方法,其运用主成分分析对将振动信号特征值和SCADA信号特征值进行数据融合,利用风电场故障知识库中匹配成功率最高的已有故障样本作为输入,训练由粒子群算法优化的最小二乘支持向量回归算法模型形成故障识别模型,对风电机组故障进行智能诊断,故障知识库中的故障样本的匹配成功率将随着每次诊断的成败而进行更新。本发明的智能诊断方法可以针对风电机组高速端故障达到较好的识别效果,避免了风电场维护人员不具备专家经验时无法正确识读风电机组监测信息的弊端,具有较好的应用前景。
Description
技术领域
本发明属于风电机组故障智能诊断领域,尤其涉及一种基于故障知识库的风电机组故障智能诊断方法。
背景技术
风电机组是风电场的主设备,价格占风电场总投资的74-82%,由于运行环境恶劣导致设备故障率高,且维护费用昂贵,因此风电机组的维护费用已成为风电场主要运营成本。降低风电机组维护费用是提高风电场运营经济效益的重要途径,为了有效降低风电机组的维护费用,风电企业纷纷引入状态监测、故障诊断和状态维护等技术。然而,现阶段市场上出现的大部分状态监测和故障诊断系统仅仅能够实现数据采集、信号处理功能,而故障诊断、定位和预测等功能往往需要具有丰富的故障诊断经验的专家根据所采集信号数据的频域分析进行判断。
由上可知,现有技术中的风电机组故障智能诊断方法存在以下弊病:由于现场维护人员往往不具备丰富的故障诊断的专家经验,所以现有的基于专家经验的软件在实际工作中很难充分发挥其作用,导致故障智能诊断等功能难以实现。
在风电机组的智能诊断方面,国内外科研人员开展了一些研究,以下列举了部分研究工作:
①.彭华东于2011年提出了基于BP神经网络的风电机组故障诊断模型流程图和相应的软件功能模块图;
②.苏卫东于2015年提出了风电机组在线远程故障诊断系统的主要功能;
③.Roozbeh于2013年将动态权值融合算法(Dynamic Weighting EnsemblesAlgorithm)应用于双馈异步发电机的故障识别;
④.Adel于2014年使用高斯非环图模型(Gaussian acyclic graphical models)和Lasso估计识别变桨系统故障;
⑤.顾煜炯于2016年运用阶比重采样方法和量纲-因子分析对原始振动信号进行预处理,通过马氏距离建立风电齿轮箱的早期故障识别模型,利用多元线性回归改进的多元离群监测方法来实现风机齿轮箱故障的早期诊断;
⑥.Qiu于2014年通过分析齿轮箱润滑系统的热力学过程,建立了一个考虑齿轮箱润滑系统中热量转移机制的风电机组传动链模型,以获得风力发电机齿轮箱传动效率与温度和转速信号之间的关系,从而为润滑系统的设计和优化提供有用的信息;
⑦.Qiu于2016年将热物理学方法进一步应用于风电机组传动链故障诊断,通过比较齿轮箱和发电机两个案例的仿真结果和SCADA(Supervisory Control And DataAcquisition)数据证明了诊断方法的有效性,该方法可以识别一些振动分析难以识别的失效模式;
⑧.Hasmat于2015年运用Simulink、FAST和TurbSim建立永磁同步风电机组仿真模型,将模型在正常运行和各种不平衡故障下的定子电流输出进行EMD分解得到信号的固有模态频率(Intrinsic Mode Frequency),最后将分解结果输入概率神经网络(Probabilistic Neural Network)识别风电机组的不平衡故障;
⑨.Alkhadafe于2016年使用Taguchi正交数组和特征值自动选择方法来优化选择传感器和信号处理算法,并对单级齿轮箱的斜齿轮的三种损坏程度,采用两种识别算法进行了诊断,验证了算法的有效性;
⑩.张少敏于2016年为了解决现有的故障诊断与预警方法在处理大数据时难以在保证精度情况下进行快速处理的问题,提出了结合Storm实时流数据处理和Spark内存批处理技术的风电机组在线故障诊断与预警模型。
从以上研究工作可以看出,针对振动信号或者SCADA信号对风电机组关键部件,如齿轮箱和发电机,进行智能诊断是当前的主流方法。
发明内容
针对上述问题,本发明提出一种基于故障知识库的风电机组故障智能诊断方法,运用主成分分析对将振动信号特征值和SCADA(Supervisory Control And DataAcquisition)信号特征值进行数据融合,利用风电场故障知识库中匹配成功率最高的已有故障样本作为输入,训练由粒子群算法优化的最小二乘支持向量回归算法模型形成故障识别模型,对风电机组故障进行智能诊断,故障知识库中的故障样本的匹配成功率将随着每次诊断的成败而进行更新。
本发明提供一种基于故障知识库的风电机组故障智能诊断方法,其特征在于,具体包括以下步骤:数据采集步骤:将目前的已知故障的类型和相应的特征参数样本存入故障知识库,选择故障知识库中匹配成功率最高的风电机组故障数据样本作为故障智能诊断模型的训练样本,采集所述训练样本中的振动数据、风电机组数据采集和监视控制(SCADA)数据;特征参数提取步骤:对采集到的所述振动数据和所述风电机组数据采集和监视控制(SCADA)数据进行特征参数提取,得到状态特征参数;数据融合步骤:采用主成分分析方法对所述状态特征参数进行数据融合,将所述数据融合后的综合指标作为所述故障智能诊断模型的输入;智能诊断步骤:采用粒子群优化算法(PSO)优化的最小二乘支持向量回归算法(LS-SVR)对故障智能诊断模型进行参数寻优和训练,得到风电机组故障智能诊断的诊断结果。
本发明在所述特征参数提取步骤中,对所述振动数据提取的特征参数包括:绝对平均值、波形因数、峭度、频率重心和小波包能量熵;对所述风电机组数据采集和监视控制数据提取的特征参数包括:绝对平均值和极差。
本发明中,当有新故障发生时,设置所述训练样本按照匹配成功率进行排序,选择匹配成功率最高的样本和该样本对应的故障类型一起组成本次诊断的训练样本,经过所述训练样本训练的所述智能诊断模型将被应用于本次故障诊断,诊断结果显示所述新故障属于所述故障知识库中的哪种故障类型,并且由维护人员判定所述诊断结果是否正确,如果正确,则所述诊断结果显示的所述故障类型的对应样本的匹配成功率增加,如果错误,则所述诊断结果显示的所述故障类型的对应样本的匹配成功率降低。
本发明还提供一种风电机组状态监测系统,其用于采集风电机组的振动数据和风电机组数据采集和监视控制(SCADA)数据,所述系统由机组机载数据采集系统和风电场数据服务器组成,所述机组机载数据采集系统包括控制器、传动链振动数据采集模块、传感器、数据处理模块、数据存储模块、风电机组数据采集和监视控制数据采集模块和数据通讯模块,所述风电机组数据采集和监视控制数据采集模块从风机主控PLC读取数据,所述数据通讯模块与所述风电场数据服务器相连接。
本发明完整地给出了故障知识库支持的风电机组故障智能诊断方法,其由故障知识库中匹配成功率最高的样本组成故障智能诊断模型的训练样本;针对训练样本中的振动数据和SCADA数据,采用主成分分析方法对状态特征参数进行数据融合,将融合后的综合指标作为智能诊断模型的输入,采用PSO优化的LS-SVR算法作为风电机组故障智能诊断方法。
基于上述方法,本发明的有益效果在于:通过风电场实测数据验证,在故障知识库训练样本充分的前提下,本发明的智能诊断方法可以针对风电机组高速端故障达到较好的识别效果,避免了风电场维护人员不具备专家经验时无法正确识读风电机组监测信息的弊端,具有较好的应用前景。
附图说明
图1是数据采集系统示意图
图2是数据融合过程示意图
图3是故障知识库结构图
图4是匹配度更新算法示意图
图5是PSO优化的LS-SVR算法流程图
具体实施方式
针对现有技术问题,下面结合附图对实施例作详细说明,依次介绍本发明的数据采集系统和数据融合方法、故障知识库的构成和故障训练样本的选择、故障识别算法、故障诊断的算例和分析等过程。
一、数据采集和数据融合
1、数据采集和数据特征提取
风电机组数据采集和监视控制(Supervisory Control And Data Acquisition,SCADA)系统能够采集和传输风电机组状态参数,一般包括:风轮转速、发电机转速、发电机线圈温度、发电机前后轴承温度、齿轮箱油温度、齿轮箱前后轴承温度、液压系统油温、油压、油位、机舱振动、电缆扭转、机舱温度等。但是对于机组的某些关键大部件(如齿轮箱)的故障诊断,SCADA信息所涉及的温度和油压等信息往往不足以判断具体的故障类型和故障位置。
因此,本发明提供了一种可采集风电机组的振动信息和SCADA数据的风电机组状态监测系统,如图1所示,该系统由机组机载数据采集系统和风电场数据服务器组成。机组数据采集系统包括控制器、传动链振动数据采集模块、传感器、数据处理模块、数据存储模块、SCADA数据采集模块和数据通讯模块。SCADA数据采集模块从风机主控PLC读取数据,数据通讯模块与风电场数据服务器相连接。
由数据采集系统采集的原始数据并不能直接用于故障诊断。需要选择适当的特征参数,并对原始数据进行特征提取。各特征参数描述如下:
1)绝对平均值XAM和极差XR。这两个参数与信号的幅值有关,因此对于振动的能量敏感,其数值随着故障的发展程度加深而增大。其计算公式为:
XR=Xmax-Xmin (2)
上述计算公式中,xi为数据数列中的第i个数据的值,Xmax是数据数列的最大值,Xmin是数据数列的最小值。
2)波形因数XSF。XSF对于振动信号形状的细微波动变化敏感,其计算公式为:
3)峭度XK。XK对冲击信号反应敏感,其计算公式为:
4)频率重心BFS。BFS对于振动信号的频谱变化敏感,其计算公式为:
上述计算公式中,s(f)为信号的功率谱。
5)小波包能量熵PSE(k)。PSE(k)对于振动信号的小波包分解后得到的信息量变化敏感,其计算公式为:
上述计算公式中,Pk为信号数列经小波包分解后得到的第k个小波包数列。
2、数据融合
根据数据融合发生在故障诊断算法中所起的作用,将数据融合分为数据级融合、特征级融合和决策级融合。如图2所示,数据级融合直接在采集到的原始数据层上进行,是对各种传感器的原始数据进行综合和分析。特征级融合是对从数据级提取的特征进行特征关联和特征分类,最后采用一定的融合规则对系统状态进行融合判断。决策级融合是基于各分系统的故障诊断初步结论,然后通过关联处理进行决策层融合判决,最终获得联合推断结果。
本发明采用了主成分分析法进行特征级的数据融合。主成分分析是将原来众多的具有一定相关性(比如n个特征参数),重新组合成一组新的互相无关的综合指标来代替原来的指标。通过数据融合,可以去除特征参数属性中的冗余性,降低原有的特征维数,得出约简的综合指标。
本发明先将振动数据样本进行3层小波包分解,提取8个小波包能量谱熵,以及绝对平均值、波形因数、峭度3个时域特征参数和1个频域特征——频率重心,一共12个特征参数;另外,从SCADA信息中提取绝对平均值和极差2个时域特征值;组成14维的风电机组状态特征向量,最后采用主成分分析法实现14维特征向量的数据融合。
二、构造故障知识库
要实现风电机组故障的智能诊断,必须将目前的已知故障的类型和相应的特征参数样本存入故障知识库;当新故障发生时,使用智能诊断算法,比对新故障与故障知识库中的已知故障的特征参数样本,根据匹配成功率来判断新故障属于哪种类型。
随着时间的推移,故障知识库中来自不同机组的同一种故障的训练样本会逐渐增加,这样就存在如何选择合适训练样本的问题。当训练样本的数量很大的时候,就应该选择匹配成功率高的风电机组故障数据作为智能诊断的训练样本,故障知识库结构和匹配度更新算法流程如图3和图4所示。
针对每一种部件,每一种曾经出现过的故障类型都将被记录下来;每一种部件每一种故障类型下存有不同时间、发生在不同风机上的该种故障的历史状态监测数据,这些数据被称为训练样本,每一个训练样本都带有匹配成功率属性。匹配度更新算法过程如下:
1)当新故障发生时,训练样本将按照匹配成功率进行排序;
2)所有历史匹配成功率最高的样本将被选中,和相应的故障类型一起组成本次诊断的训练样本,例如故障类型A对应采用了样本A1,而故障类型B对应采用了样本B4;
3)经过该训练样本训练的智能诊断模型将被应用于本次故障诊断;
4)诊断结果将显示本次新故障属于故障知识库中的哪种故障类型,例如属于故障类型A,并且由维护人员判断所述诊断结果是否正确;
5)更新匹配成功率。如果判断正确,该故障类型A的对应的样本A1的匹配成功率将会升高,否则样本A1的匹配成功率将会降低。
三、故障识别算法
由故障知识库组成的训练样本将会被用于训练故障智能诊断模型,本发明使用了粒子群优化算法优化最小二乘支持向量回归算法,具体介绍如下:
1、最小二乘支持向量回归算法
最小二乘支持向量回归算法(Least squares support vector regression,LS-SVR)的基本思想为选择一个非线性变换,将多维向量作为输入向量,一维向量作为输出向量,从原空间映射到高维特征空间并构造最优线性回归函数,利用结构风险最小化原则,用原空间核函数取代高维特征空间点积运算,将非线性估计函数求解转化为高维特征空间中线性估计函数求解。
设训练集有m个样本,xi∈Rm,yi∈R分别为输入、输出数据。LV-SVR优化问题为
其对偶问题的Lagrange多项式为
上述计算公式(9)中:ai为Lagrange乘子。
由KKT条件,分别对w、ξi、b、ai求偏导数并令其等于0,消去w、ξi得:
选择径向基核函数为
式中:σ为核函数宽度参数;||xi-xj||2为二范数。
得LS-SVR决策函数为:
惩罚系数C和核参数σ决定了LS-SVR模型的精度。下面采用粒子群优化算法(Particle Swarm Optimization,PSO)的超强的全局搜索能力来找到惩罚系数C和核参数σ的最优组合,从而避免了人工选择的盲目性。
2、粒子群优化算法
在粒子群算法中,优化问题的潜在解被看作是n维搜索空间中的一个粒子。若干随机分布的初始粒子在搜索空间中以一定的速度运动,该速度取决于自身的惯性、自身的最优位置和群体的最优位置,即:在一个n维搜索空间中,由m个例子组成种群x=(x1,x2,…,xm)T
其中,第i个粒子的位置为xi=(xi1,xi2,…,xin)T,其速度为vi=(vi1,vi2,…,vin)T,第i个粒子的个体当前最优位置为pi=(pi1,pi2,…,pin)T,种群的当前最优位置为gi=(g1,g2,…,gn)T。每个粒子根据以下公式更新自身速度和位置:
其中,rand()为(0,1)中的随机数,和是粒子i在第k次迭代中第d维的速度和位置,为粒子i在第k次迭代中第d维的最优位置,为在第k次迭代中种群第d维的最优位置。粒子群优化的LS-SVR算法的具体流程如图5所示。
在一个具体实施例中,利用北方吉林某风电场的监测数据作为本发明的验证数据,数据涉及四台1.5MW风电机组,分别处在高速轴齿轮磨损、高速轴齿轮断齿、高速轴端轴承松动和正常运行状态,利用本发明提出的故障库支持的智能诊断方法分别进行诊断。
LS-SVR中惩罚系数C及核参数σ的取值范围分别取[1,1000]与[0.01,10]。PSO算法中,粒子数设置为100,初始位置和初始速度均为随机数。利用PSO算法获得LS-SVR模型的惩罚系数及核参数最优组合后代入LS-SVR模型中进行风电机组齿轮箱的故障诊断。
如前所述,针对由故障知识库自动组织的训练样本,从振动信号中提取8个小波包能量谱熵,以及绝对平均值、波形因数、峭度3个时域特征参数和1个频域特征——频率重心,一共12个特征参数;另外,从SCADA信息中的齿轮箱后轴承温度信息中提取绝对平均值和极差2个时域特征值;组成14维的风电机组状态特征向量,然后采用主成分分析法实现14维特征向量的数据融合。提取的部分特征参数见表1,由于篇幅所限,8个小波包能量谱熵在表1中只列举了1个。经过主成分分析后的输入训练样本见表2,主成分分析阈值取值0.95。输入利用PSO算法优化的LS-SVR模型进行参数寻优和训练,结果为C=150.4668,σ=0.1532的智能诊断模型。
针对四台不同健康状态的风电机组提供的实测数据,采用上述同样的数据处理方法进行数据处理后,输入上述经过训练的智能诊断模型,诊断结果和误差见表3。
表1提取的部分特征参数
表2数据融合后的部分训练样本
测试编号 | 实际状态 | 目标输出 | 实际输出 | 误差 |
1 | 正常 | 1 | 1.0703 | 0.0703 |
2 | 高速轴齿轮磨损 | 2 | 2.0842 | 0.0842 |
3 | 高速轴齿轮断齿 | 3 | 2.9445 | -0.0555 |
4 | 高速轴轴承松动 | 4 | 3.8698 | -0.1302 |
表3故障诊断结果和误差
上述实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种基于故障知识库的风电机组故障智能诊断方法,其特征在于,具体包括以下步骤:
数据采集步骤:将目前的已知故障的类型和相应的特征参数样本存入故障知识库,选择故障知识库中匹配成功率最高的风电机组故障数据样本作为故障智能诊断模型的训练样本,采集所述训练样本中的振动数据、风电机组数据采集和监视控制数据;
特征参数提取步骤:对采集到的所述振动数据和所述风电机组数据采集和监视控制数据进行特征参数提取,得到状态特征参数;
数据融合步骤:采用主成分分析方法对所述状态特征参数进行数据融合,将所述数据融合后的综合指标作为所述故障智能诊断模型的输入;
智能诊断步骤:采用粒子群优化算法优化的最小二乘支持向量回归算法对故障智能诊断模型进行参数寻优和训练,得到风电机组故障智能诊断的诊断结果;
当有新故障发生时,设置故障知识库中样本按照匹配成功率进行排序,选择匹配成功率最高的样本和该样本对应的故障类型一起组成本次诊断的训练样本,经过所述训练样本训练的所述智能诊断模型将被应用于本次故障诊断,诊断结果显示所述新故障属于所述故障知识库中的哪种故障类型,并且由维护人员判定所述诊断结果是否正确,如果正确,则所述诊断结果显示的所述故障类型的对应样本的匹配成功率增加,如果错误,则所述诊断结果显示的所述故障类型的对应样本的匹配成功率降低。
2.根据权利要求1所述的方法,其特征在于,在所述特征参数提取步骤中,对所述振动数据提取的特征参数包括:绝对平均值、波形因数、峭度、频率重心和小波包能量熵;对所述风电机组数据采集和监视控制数据提取的特征参数包括:绝对平均值和极差。
3.一种使用上述权利要求1或2的所述基于故障知识库的风电机组故障智能诊断方法进行操控的风电机组状态监测系统,其用于采集风电机组的振动数据和风电机组数据采集和监视控制(SCADA)数据,所述系统由机组机载数据采集系统和风电场数据服务器组成,所述机组机载数据采集系统包括控制器、传动链振动数据采集模块、传感器、数据处理模块、数据存储模块、风电机组数据采集和监视控制数据采集模块和数据通讯模块,所述风电机组数据采集和监视控制数据采集模块从风机主控PLC读取数据,所述数据通讯模块与所述风电场数据服务器相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611075303.5A CN106682814B (zh) | 2016-11-28 | 2016-11-28 | 一种基于故障知识库的风电机组故障智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611075303.5A CN106682814B (zh) | 2016-11-28 | 2016-11-28 | 一种基于故障知识库的风电机组故障智能诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106682814A CN106682814A (zh) | 2017-05-17 |
CN106682814B true CN106682814B (zh) | 2021-01-01 |
Family
ID=58866849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611075303.5A Active CN106682814B (zh) | 2016-11-28 | 2016-11-28 | 一种基于故障知识库的风电机组故障智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682814B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732494A (zh) * | 2017-04-21 | 2018-11-02 | 上海电气集团股份有限公司 | 一种风力发电机异常诊断处理系统 |
CN107256546B (zh) * | 2017-05-23 | 2020-09-15 | 上海海事大学 | 基于pca卷积池化softmax的海流机叶片附着物故障诊断方法 |
CN107860972A (zh) * | 2017-10-25 | 2018-03-30 | 北京信息科技大学 | 用于检测谐波和间谐波的方法 |
CN108021026B (zh) * | 2017-11-10 | 2020-11-06 | 明阳智慧能源集团股份公司 | 一种风力发电机组故障预警及控制参数在线优化方法 |
CN108020785A (zh) * | 2017-12-14 | 2018-05-11 | 海安常州大学高新技术研发中心 | 一种基于微型主机的电机故障预测系统及数据管理方法 |
CN108377209A (zh) * | 2018-01-17 | 2018-08-07 | 北京和利时智能技术有限公司 | 基于scada的设备故障检测系统和检测方法 |
CN108376298B (zh) * | 2018-02-12 | 2023-11-10 | 湘潭大学 | 一种风电机组发动机温度故障预警诊断方法 |
CN110410279B (zh) * | 2018-04-27 | 2021-03-02 | 中车株洲电力机车研究所有限公司 | 一种基于结构化知识库的风电机组故障检修方法及系统 |
CN108894932B (zh) * | 2018-05-28 | 2020-07-10 | 国电联合动力技术有限公司 | 一种风电机组发电机轴承故障智能诊断系统及方法 |
CN110657072A (zh) * | 2018-06-29 | 2020-01-07 | 中车株洲电力机车研究所有限公司 | 一种基于结构化知识库的风电故障检修方法及系统 |
CN109100609A (zh) * | 2018-07-23 | 2018-12-28 | 华北电力大学(保定) | 一种基于智能优化的双馈风机定子匝间短路故障的诊断方法 |
CN109164784A (zh) * | 2018-08-22 | 2019-01-08 | 重庆海装风电工程技术有限公司 | 基于大数据云服务的风力发电机运维方法、装置及系统 |
CN109557467A (zh) * | 2018-11-30 | 2019-04-02 | 国电南京自动化股份有限公司 | 基于VxWorks平台适用于多种电机的智能故障诊断系统 |
CN109657847A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 基于粒子群优化支持向量回归的工业生产中故障预测方法 |
CN110189164B (zh) * | 2019-05-09 | 2021-06-01 | 杭州览众数据科技有限公司 | 基于信息熵度量和特征随机采样的商品—门店推荐方案 |
CN110187275B (zh) * | 2019-06-06 | 2021-11-23 | 中车株洲电力机车研究所有限公司 | 一种永磁电机健康状态检测方法及系统 |
CN111060192B (zh) * | 2019-10-21 | 2022-02-15 | 张国基 | 一种机械设备异常震动的演算芯片系统 |
CN110866348A (zh) * | 2019-11-29 | 2020-03-06 | 咸阳职业技术学院 | 一种风电机组齿轮箱的故障预警方法 |
CN111044902B (zh) * | 2019-12-31 | 2022-04-26 | 朗斯顿科技(北京)有限公司 | 一种基于电流和电压信号的电机故障诊断方法 |
CN111581597A (zh) * | 2020-03-17 | 2020-08-25 | 华电电力科学研究院有限公司 | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 |
CN111553400A (zh) * | 2020-04-22 | 2020-08-18 | 明阳智慧能源集团股份公司 | 一种风力发电机组振动故障的精准诊断方法 |
CN111551383A (zh) * | 2020-05-12 | 2020-08-18 | 山东大学 | 一种基于异质多传感器的机械状态监测方法及系统 |
CN112651419A (zh) * | 2020-05-29 | 2021-04-13 | 北京金风慧能技术有限公司 | 发电机磁钢脱落的检测方法、装置、设备及存储介质 |
CN112381123A (zh) * | 2020-10-30 | 2021-02-19 | 鄂尔多斯应用技术学院 | 一种基于时间序列预测方法的采煤机故障预测方法 |
CN113420195B (zh) * | 2021-05-28 | 2023-01-24 | 国网河北省电力有限公司营销服务中心 | 智能电表故障类型确定方法及系统 |
CN113933708B (zh) * | 2021-10-13 | 2023-11-14 | 哈尔滨电机厂有限责任公司 | 一种发电机组智能诊断故障原因概率的自修正方法 |
CN114048767A (zh) * | 2021-10-28 | 2022-02-15 | 华电(福建)风电有限公司 | 一种风电主控系统故障监测及预警方法 |
CN116520236B (zh) * | 2023-06-30 | 2023-09-22 | 清华大学 | 一种智能电表的异常检测方法和系统 |
CN117648565A (zh) * | 2023-10-27 | 2024-03-05 | 甘肃倚莱克特电力科技有限公司 | 一种发电机故障识别算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102434388A (zh) * | 2011-11-17 | 2012-05-02 | 高丙团 | 风力发电机组健康状态在线监测装置及其监测方法 |
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN103808509A (zh) * | 2014-02-19 | 2014-05-21 | 华北电力大学(保定) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 |
CN104329222A (zh) * | 2014-10-09 | 2015-02-04 | 国电南瑞科技股份有限公司 | 一种集成于风机主控系统内的在线状态监测与故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7962819B2 (en) * | 2008-01-24 | 2011-06-14 | Sandisk Corporation | Test mode soft reset circuitry and methods |
CN101907681B (zh) * | 2010-07-15 | 2012-07-04 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
CN102013022B (zh) * | 2010-11-23 | 2012-10-10 | 北京大学 | 一种针对人群密集监控场景的选择式特征背景减除方法 |
CN103310282A (zh) * | 2013-04-25 | 2013-09-18 | 汪沙地 | 安全控制模型选择系统及方法以及安全控制系统 |
-
2016
- 2016-11-28 CN CN201611075303.5A patent/CN106682814B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102434388A (zh) * | 2011-11-17 | 2012-05-02 | 高丙团 | 风力发电机组健康状态在线监测装置及其监测方法 |
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN103808509A (zh) * | 2014-02-19 | 2014-05-21 | 华北电力大学(保定) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 |
CN104329222A (zh) * | 2014-10-09 | 2015-02-04 | 国电南瑞科技股份有限公司 | 一种集成于风机主控系统内的在线状态监测与故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106682814A (zh) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
CN111275288B (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN112304613B (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
CN104200396B (zh) | 一种风力发电机部件故障预警方法 | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN110685868A (zh) | 一种基于改进梯度提升机的风电机组故障检测方法及装置 | |
CN107728059B (zh) | 一种变桨系统状态评估方法 | |
CN110766175A (zh) | 一种基于最优间隔分布机的变桨系统故障检测方法及装置 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN111415070A (zh) | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 | |
CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
CN111878322B (zh) | 风力发电机装置 | |
CN114215706A (zh) | 一种风电机组叶片开裂故障预警方法和装置 | |
CN117151684A (zh) | 风电风机数据分析预警方法、系统、装置及可读存储介质 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
Wang et al. | An adaptive condition monitoring method of wind turbines based on multivariate state estimation technique and continual learning | |
CN116821610B (zh) | 一种利用大数据优化风力发电效率的方法 | |
Pang et al. | Multi kernel fusion convolutional neural network for wind turbine fault diagnosis | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |