CN106837707A - 一种基于故障模型触发的自动故障诊断系统 - Google Patents
一种基于故障模型触发的自动故障诊断系统 Download PDFInfo
- Publication number
- CN106837707A CN106837707A CN201611143667.2A CN201611143667A CN106837707A CN 106837707 A CN106837707 A CN 106837707A CN 201611143667 A CN201611143667 A CN 201611143667A CN 106837707 A CN106837707 A CN 106837707A
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- vibration
- acceleration signal
- vibration acceleration
- 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.)
- Granted
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开的一种基于故障模型触发的自动故障诊断系统，包括：传感器，获取待检测设备各部件的振动加速度信号；故障模型，存储对应的部件类型、部件故障特征频率及对应的包括部件类型和部件故障特征频率的部件故障编码，当振动加速度信号中存在与部件故障特征频率匹配的频率成分时向故障分类器发送部件故障编码并向故障等级评估模块发送启动信号；故障分类器，对部件故障编码进行分类并查找对应的故障类型信息，输出作为故障类型诊断结果的故障类型信息；故障等级评估模块，在收到启动信号后根据振动加速度信号计算振动烈度，评估故障等级得到故障等级诊断结果。本发明可提高风电机组等设备的故障诊断效率。
Description
技术领域
本发明涉及故障诊断技术领域。更具体地，涉及一种基于故障模型触发的自动故障诊断系统，尤其适合应用于风力发电机组的故障诊断。
背景技术
风力发电单位发电成本已经基本接近火电发电成本，是目前所有可再生能源中最具商业价值，最具推广条件的能源种类。
风力发电是国家能源领域中长期规划的重点方向，我国现有风机总装机容量达到7400万千瓦，占总电网装机容量的7％，“十二五”规划风电总装机容量达到0.98亿千瓦；“十三五”规划风电总装机容量达到1.5～2亿千瓦；到2050年，风电总装机容量将达到电网总装机容量的17～20％左右。因此风力发电领域拥有广阔且较明朗的前景，由其带动的相关领域产业也必然拥有乐观的市场前景。
我国风力发电产业已经完全走出了小规模技术论证阶段，目前已经进入大规模推广阶段，由于我国风电产业起步较晚，技术积累薄弱，相关配套组件尚不能完全满足风电整机高效安全运行要求，特别是我国风电整机企业绝大部分采用直接引进国外成套整机设计的技术模式,进一步导致目前风电整机可靠性无法满足实际运行需求，重大事故频率高发，风机可利用率明显低于国外机组。
风力发电是典型的分布式发电系统，具有单机容量小，分布区域广泛，服役环境恶劣等特点；如何高效可靠地对风电机组进行故障诊断，减少机组故障停机时间，对于提高风电场运维效率，提升风电场经济效益，具有非常重要的现实意义。
目前，对风电机组进行的故障诊断主要是依靠人工进行的，通过对风电机组关键部件振动信号进行分析处理，得到机组关键部件的故障特征频率，依此进行故障诊断；但这种故障诊断方式效率低下，不能有效支撑大规模的风电机组故障诊断，也无法有效提升风电场的运维效率，不能有效支撑风电机组运维。
因此，需要提供一种能够实现风电机组部件在线故障诊断和自动故障诊断，能够大大提升风电机组故障诊断效率，减少风电机组的故障停机时间，提升风电场运维效率的基于故障模型触发的自动故障诊断系统。
发明内容
本发明的目的在于提供一种基于故障模型触发的自动故障诊断系统，以解决风电机组故障诊断效率低下，不能有效支撑风电机组运维的问题。
为达到上述目的，本发明采用下述技术方案：
一种基于故障模型触发的自动故障诊断系统，该系统包括：传感器、多个故障模型、故障分类器和故障等级评估模块；
传感器，获取待检测设备各部件的振动加速度信号；
故障模型，存储对应的部件类型、部件故障特征频率及对应的包括部件类型和部件故障特征频率的部件故障编码，当振动加速度信号中存在与部件故障特征频率匹配的频率成分时向故障分类器发送部件故障编码并向故障等级评估模块发送启动信号；
故障分类器，对部件故障编码进行分类并查找对应的故障类型信息，输出作为故障类型诊断结果的故障类型信息；
故障等级评估模块，在收到启动信号后根据振动加速度信号计算振动烈度，评估故障等级得到故障等级诊断结果。
优选地，所述故障模型进一步包括：陷波频点为部件故障特征频率的陷波滤波器、信号减法器和触发判断器；
信号减法器对振动加速度信号和经过陷波滤波器的振动加速度信号相减；
触发判断器，将相减后得到的信号的强度与设定的触发阈值进行比较，若相减后得到的信号的强度大于设定的触发阈值则向故障分类器发送部件故障编码并向故障等级评估模块发送启动信号。
优选地，所述部件故障编码为16位二进制编码，前4位二进制编码表示部件类型，后12位二进制编码表示部件故障特征频率。
优选地，所述故障类型信息为8位二进制编码，前4位二进制编码表示部件类型，后4位二进制编码表示故障类型。
优选地，所述故障分类器采用神经网络分类器。
优选地，所述故障等级评估模块进一步包括：
带通滤波器，对振动加速度信号进行滤波；
第一修正模块，消除滤波后的振动加速度信号中的趋势项；
积分器，对消除趋势项的振动加速度信号进行积分，得到振动速度信号；
第二修正模块，消除振动速度信号中的趋势项；
振动烈度计算器，根据消除趋势项的振动速度信号计算振动烈度；
故障等级评估器，将振动烈度与设定的等级阈值进行比较，评估故障等级得到故障等级诊断结果。
本发明的有益效果如下：
本发明所述技术方案能够实现风电机组部件在线故障诊断和自动故障诊断，同时，能够对故障等级进行评估，可提高风电机组的故障诊断效率。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出基于故障模型触发的自动故障诊断系统的示意图。
图2示出故障模型的示意图。
图3示出故障特征信息的示意图。
图4示出故障诊断信息的示意图。
图5示出故障等级评估模块的示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明公开的一种基于故障模型触发的自动故障诊断系统，包括：传感器、多个故障模型、故障分类器和故障等级评估模块；其中每个故障模型对应一组部件类型和故障类型；
传感器，获取待检测设备各部件的振动加速度信号；
故障模型，存储对应的部件类型、部件故障特征频率及对应的包括部件类型和部件故障特征频率的部件故障编码，当振动加速度信号中存在与部件故障特征频率匹配的频率成分时向故障分类器发送部件故障编码并向故障等级评估模块发送启动信号；
故障分类器，对部件故障编码进行分类并查找对应的故障类型信息，输出作为故障类型诊断结果的故障类型信息；
故障等级评估模块，在收到启动信号后根据振动加速度信号计算振动烈度，评估故障等级得到故障等级诊断结果。
本方案中，如图2所示，故障模型进一步包括：
陷波频点为部件故障特征频率的陷波滤波器、信号减法器和触发判断器；其中，不同的故障模型中的匹配模块中的陷波滤波器的陷波频点根据不同部件不同的故障特征频率进行设计；
信号减法器对振动加速度信号和经过陷波滤波器的振动加速度信号相减；此时，如果振动加速度信号中存在接近陷波频点的频率成分则相减后会存在信号，而如果振动加速度信号中不存在接近陷波频点的频率成分则相减后不存在信号或信号的幅值很小，可以由此来判断振动加速度信号中是否包含着故障特征；
触发判断器，将相减后得到的信号的强度与设定的触发阈值进行比较，若相减后得到的信号的强度大于设定的触发阈值则向故障分类器发送部件故障编码并向故障等级评估模块发送启动信号，此时表示振动加速度信号中存在接近陷波频点的频率成分，即，振动加速度信号中存在与部件故障特征频率匹配的频率成分。其中的触发阈值可根据经验设置。
由此，本发明公开的基于故障模型触发的自动故障诊断系统基于陷波滤波器、信号减法器和触发判断器的组合设计，可实现在线的、实时的风机状态监测。
本方案中，如图3所示，部件故障编码为16位二进制编码，前4位二进制编码表示部件类型，后12位二进制编码表示部件故障特征频率，由16位二进制编码实现对不同部件不同故障特征频率的编码。
本方案中，如图4所示，故障类型信息为8位二进制编码，前4位二进制编码表示部件类型，后4位二进制编码表示故障类型，由8位二进制编码实现对不同部件不同故障的编码。
本方案中，故障分类器可采用专家系统、自动推理机或神经网络分类器，但优选采用神经元网络分类器。
本方案中，如图5所示，故障等级评估模块进一步包括：
带通滤波器，对振动加速度信号进行滤波；
第一修正模块，消除滤波后的振动加速度信号中的趋势项；
积分器，对消除趋势项的振动加速度信号进行积分，得到振动速度信号；
第二修正模块，消除振动速度信号中的趋势项；
振动烈度计算器，根据消除趋势项的的振动速度信号计算振动烈度；
故障等级评估器，将振动烈度与设定的等级阈值进行比较，评估故障等级得到故障等级诊断结果。
其中，等级阈值可根据经验设置。带通滤波器根据VDI3834标准或其它标准进行设计，也可根据现场实际经验进行设计；趋势项通过多项式拟合的方式进行消除，对振动加速度信号消除趋势项后进行积分计算得到振动速度信号，对振动速度信号进行有效值计算得到振动烈度值，将振动烈度值与设定阈值进行比较，评估故障程度。
本方案中采用的检测信号为振动加速度信号，但，也可采用振动速度信号、振动位移信号、振动噪声信号和声发射信号，对传感器及故障等级评估模块等作出适应性设计即可。
本方案能够快速、有效地实现设备部件的在线故障诊断和自动故障诊断，大幅提设备运维效率，不仅适用于风力发电机组，也可以应用于任何其他设备的故障诊断。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (6)
1.一种基于故障模型触发的自动故障诊断系统，其特征在于，该系统包括：传感器、多个故障模型、故障分类器和故障等级评估模块；
传感器，获取待检测设备各部件的振动加速度信号；
故障模型，存储对应的部件类型、部件故障特征频率及对应的包括部件类型和部件故障特征频率的部件故障编码，当振动加速度信号中存在与部件故障特征频率匹配的频率成分时向故障分类器发送部件故障编码并向故障等级评估模块发送启动信号；
故障分类器，对部件故障编码进行分类并查找对应的故障类型信息，输出作为故障类型诊断结果的故障类型信息；
故障等级评估模块，在收到启动信号后根据振动加速度信号计算振动烈度，评估故障等级得到故障等级诊断结果。
2.根据权利要求1所述的基于故障模型触发的自动故障诊断系统，其特征在于，所述故障模型进一步包括：陷波频点为部件故障特征频率的陷波滤波器、信号减法器和触发判断器；
信号减法器对振动加速度信号和经过陷波滤波器的振动加速度信号相减；
触发判断器，将相减后得到的信号的强度与设定的触发阈值进行比较，若相减后得到的信号的强度大于设定的触发阈值则向故障分类器发送部件故障编码并向故障等级评估模块发送启动信号。
3.根据权利要求1所述的基于故障模型触发的自动故障诊断系统，其特征在于，所述部件故障编码为16位二进制编码，前4位二进制编码表示部件类型，后12位二进制编码表示部件故障特征频率。
4.根据权利要求1所述的基于故障模型触发的自动故障诊断系统，其特征在于，所述故障类型信息为8位二进制编码，前4位二进制编码表示部件类型，后4位二进制编码表示故障类型。
5.根据权利要求1所述的基于故障模型触发的自动故障诊断系统，其特征在于，所述故障分类器采用神经网络分类器。
6.根据权利要求1所述的基于故障模型触发的自动故障诊断系统，其特征在于，所述故障等级评估模块进一步包括：
带通滤波器，对振动加速度信号进行滤波；
第一修正模块，消除滤波后的振动加速度信号中的趋势项；
积分器，对消除趋势项的振动加速度信号进行积分，得到振动速度信号；
第二修正模块，消除振动速度信号中的趋势项；
振动烈度计算器，根据消除趋势项的振动速度信号计算振动烈度；
故障等级评估器，将振动烈度与设定的等级阈值进行比较，评估故障等级得到故障等级诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611143667.2A CN106837707B (zh) | 2016-12-13 | 2016-12-13 | 一种基于故障模型触发的自动故障诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611143667.2A CN106837707B (zh) | 2016-12-13 | 2016-12-13 | 一种基于故障模型触发的自动故障诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106837707A true CN106837707A (zh) | 2017-06-13 |
| CN106837707B CN106837707B (zh) | 2019-05-14 |
Family
ID=59140166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611143667.2A Active CN106837707B (zh) | 2016-12-13 | 2016-12-13 | 一种基于故障模型触发的自动故障诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106837707B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108638964A (zh) * | 2018-04-12 | 2018-10-12 | 金龙联合汽车工业（苏州）有限公司 | 一种商用车紧急制动系统的报警提示方法 |
| CN108894932A (zh) * | 2018-05-28 | 2018-11-27 | 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 |
| CN110675086A (zh) * | 2019-10-09 | 2020-01-10 | 东方电气风电有限公司 | 一种风力发电机组部件健康状态评估装置及方法 |
| CN111259737A (zh) * | 2020-01-08 | 2020-06-09 | 科大讯飞股份有限公司 | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 |
| CN111624973A (zh) * | 2019-02-28 | 2020-09-04 | 北京新能源汽车股份有限公司 | 一种故障信号分级测试方法、装置及汽车 |
| CN112668727A (zh) * | 2019-09-29 | 2021-04-16 | 北京国双科技有限公司 | 检测设备故障的方法和装置 |
| CN112789409A (zh) * | 2018-11-05 | 2021-05-11 | 格兰富控股联合股份公司 | 传感器装置和用于监测循环泵系统的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009051610A (ja) * | 2007-08-27 | 2009-03-12 | Mitsubishi Electric Corp | エレベータのロープ横揺れ検出装置 |
| CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
| CN103411774A (zh) * | 2013-07-17 | 2013-11-27 | 华北电力大学 | 波动工况下的风电机组在线预警方法 |
| CN203707806U (zh) * | 2013-09-17 | 2014-07-09 | 苏州经贸职业技术学院 | 一种故障可追溯性风光互补电源 |
-
2016
- 2016-12-13 CN CN201611143667.2A patent/CN106837707B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009051610A (ja) * | 2007-08-27 | 2009-03-12 | Mitsubishi Electric Corp | エレベータのロープ横揺れ検出装置 |
| CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
| CN103411774A (zh) * | 2013-07-17 | 2013-11-27 | 华北电力大学 | 波动工况下的风电机组在线预警方法 |
| CN203707806U (zh) * | 2013-09-17 | 2014-07-09 | 苏州经贸职业技术学院 | 一种故障可追溯性风光互补电源 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108638964A (zh) * | 2018-04-12 | 2018-10-12 | 金龙联合汽车工业（苏州）有限公司 | 一种商用车紧急制动系统的报警提示方法 |
| CN108894932A (zh) * | 2018-05-28 | 2018-11-27 | 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 |
| CN112789409A (zh) * | 2018-11-05 | 2021-05-11 | 格兰富控股联合股份公司 | 传感器装置和用于监测循环泵系统的方法 |
| CN112789409B (zh) * | 2018-11-05 | 2023-02-17 | 格兰富控股联合股份公司 | 传感器装置和用于监测循环泵系统的方法 |
| CN111624973A (zh) * | 2019-02-28 | 2020-09-04 | 北京新能源汽车股份有限公司 | 一种故障信号分级测试方法、装置及汽车 |
| CN112668727A (zh) * | 2019-09-29 | 2021-04-16 | 北京国双科技有限公司 | 检测设备故障的方法和装置 |
| CN110675086A (zh) * | 2019-10-09 | 2020-01-10 | 东方电气风电有限公司 | 一种风力发电机组部件健康状态评估装置及方法 |
| CN111259737A (zh) * | 2020-01-08 | 2020-06-09 | 科大讯飞股份有限公司 | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 |
| CN111259737B (zh) * | 2020-01-08 | 2023-07-25 | 科大讯飞股份有限公司 | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106837707B (zh) | 2019-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106837707A (zh) | 一种基于故障模型触发的自动故障诊断系统 | |
| CN106411257B (zh) | 一种光伏电站状态诊断方法及装置 | |
| Tavner et al. | Reliability analysis for wind turbines | |
| CN102510125B (zh) | 电力一次设备运行工况监测方法及装置 | |
| CN104730458B (zh) | 发电机励磁系统状态监测方法 | |
| CN105809255A (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
| CN111578444A (zh) | 一种空调故障预测方法、装置、存储介质及空调 | |
| CN108074197A (zh) | 风机故障数据分析系统的控制方法 | |
| CN103439091B (zh) | 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 | |
| CN103835882A (zh) | 大型风力发电机组状态监测与故障诊断系统 | |
| CN111860940B (zh) | 一种基于逻辑回归算法的煤矿配电网络停电事故预测方法 | |
| CN202326011U (zh) | 一种风电机组的状态监测与故障诊断系统 | |
| CN102882895A (zh) | 一种识别报文攻击的方法及装置 | |
| CN103217286A (zh) | 基于故障数据的风电机组传动系统故障识别方法和系统 | |
| CN104915552A (zh) | 一种预测系统故障的方法及装置 | |
| CN103675354B (zh) | 一种风速仪故障检测的方法和系统 | |
| CN112461289A (zh) | 一种环网柜故障监控方法、系统、终端及存储介质 | |
| CN103227662A (zh) | 一种基于状态控制的电力通信设备安全检测方法及系统 | |
| CN104779608A (zh) | 基于离线策略的电力系统安全稳定在线附加紧急控制方法 | |
| CN103852255A (zh) | 基于神经网络风力发电机组典型传动故障智能诊断方法 | |
| CN114184956B (zh) | 一种基于大数据管理的服役风力发电机组故障预测方法 | |
| CN104348413A (zh) | 基于数据分析的自适应光伏防窃电方法 | |
| CN102096770A (zh) | 基于网络实现的旋转机械性能退化评估方法 | |
| CN107061187B (zh) | 一种风电机组雷击次数监测方法和装置 | |
| CN117154945A (zh) | 基于云计算技术的变配电站智能监测方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200416 Address after: 100071 207, 2 / F, building 3, yard 128, South Fourth Ring West Road, Fengtai District, Beijing Patentee after: Beijing nenggaopukang measurement and Control Technology Co., Ltd Address before: 100044 Beijing city Haidian District Shangyuan Village No. 3 for 6 storey building Patentee before: BEIJING NEGO AUTOMATION TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200810 Address after: 6th floor, Zhixing building, No.3, Shangyuan village, Haidian District, Beijing 100089 Patentee after: BEIJING NEGO AUTOMATION TECHNOLOGY Co.,Ltd. Address before: 100071 207, 2 / F, building 3, yard 128, South Fourth Ring West Road, Fengtai District, Beijing Patentee before: Beijing nenggaopukang measurement and Control Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210310 Address after: 100071 room 207, 2nd floor, building 3, courtyard 128, South Fourth Ring Road West, Fengtai District, Beijing Patentee after: Beijing nenggaopukang measurement and Control Technology Co.,Ltd. Address before: 100089 6th floor, Zhixing building, No.3 Shangyuan village, Haidian District, Beijing Patentee before: BEIJING NEGO AUTOMATION TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |