CN106870297B - 一种基于时间序列聚类诊断风力发电机主轴承故障的方法 - Google Patents
一种基于时间序列聚类诊断风力发电机主轴承故障的方法 Download PDFInfo
- Publication number
- CN106870297B CN106870297B CN201710073253.5A CN201710073253A CN106870297B CN 106870297 B CN106870297 B CN 106870297B CN 201710073253 A CN201710073253 A CN 201710073253A CN 106870297 B CN106870297 B CN 106870297B
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- driven generator
- data
- base bearing
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于时间序列聚类诊断风力发电机主轴承故障的方法，包括如下步骤：第一步，数据(功率数据和主轴承温度数据)采集、筛选及计算；第二步，按照功率聚类，分为不同功率区间；对各功率区间分别进行如下的第三到第七步；第三步，适应度评价；第四步，选择优良个体群；第五步，求得温度基准线；第六步，求得温度警戒线；第七步，数据代入检测预警。本发明中风力发电机主轴承温度通过时间序列的功率聚类和优良个体群的选择，辨别主轴承是否存在异常的运行状态从而进行诊断，诊断结果可靠，可以提高主轴承的预警能力，用数据代替人工排查，做到有的放矢的维护与消缺，降低了主轴承损坏率，提高了风力发电机发电率和经济效益。
Description
技术领域
本发明涉及风力发电机运行维护领域，特别是涉及一种基于时间序列聚类诊断风力发电机主轴承故障的方法。
背景技术
主轴承是风力发电机中重要的组成部分，其将叶轮吸收的风能传递给齿轮箱，是风力发电机传动链重要的能量传递机构。我国风电产业蓬勃发展的同时面临着风力发电机故障多发的境遇，然而在所有的故障中，主轴承、齿轮箱、发电机、叶片等大部件的故障影响尤为严重，会造成风电场严重的经济损失。其中很多大部件的损坏是由于缺少维护和监管所造成的。如果在需要维护时或者在故障的初期就能诊断出来，这是减少风电场损失的有效途径。目前风力发电机主轴承故障的诊断方法，主要是通过振动监测进行诊断，但振动对风力发电机的主轴承缺少维护和油脂问题，主轴承的装配问题及主轴承的损坏问题，好多都影响都是间接的，诊断监测结果可靠性不高。
由此可见，上述现有的风力发电机主轴承故障的诊断方法，显然仍存在有不便与缺陷，而亟待加以进一步改进。如何能创设一种诊断结果可靠的风力发电机主轴承故障的诊断方法，提前对主轴承故障进行预警，降低主轴承损坏率，提高风力发电机发电率和经济效益，成为当前急需改进的目标。
发明内容
本发明要解决的技术问题是提供一种基于时间序列聚类诊断风力发电机主轴承故障的方法，诊断结果可靠，可提前对主轴承故障进行预警，降低主轴承损坏率，提高风力发电机发电率和经济效益。
为解决上述技术问题，本发明采用如下技术方案：
一种基于时间序列聚类诊断风力发电机主轴承故障的方法，包括如下步骤：
第一步，数据采集、筛选及计算：采集风电场内某型号风力发电机的功率数据和主轴承温度数据，风力发电机数据采集的时间段应保持一致；对采集的数据进行筛选评价删除异常后，再求各风力发电机的功率n分钟均值和主轴承温度n分钟均值；
第二步，按照功率聚类：按照第一步获得的风力发电机功率n分钟均值进行区间选择，首先选择某一时间段，风力发电机按照功率分区间，将在功率区间[A,B][C,D]…内的风力发电机选择出来；其中，功率区间标准为：在此区间内至少存在一台风力发电机功率对主轴承温度影响很小，即用曲线拟合的方法求得拟合直线的斜率趋于0；所述功率区间的具体选择方法为：以区间[A,B]为例，以最高的功率B为起点，A点不断向下延展，只要满足功率区间标准，A点就应不断迭代向下，最终A点取最小的点；[C,D]…区间的选择方法相同；将此时间段的风力发电机计算出的功率及主轴承温度n分钟均值数据进行保存；
第三步，适应度评价：对[A,B]区间内的风力发电机主轴承温度的n分钟均值进行适应度评价，适应度说明个体的优劣性；主轴承温度属于越小越优型指标，温度越低，适应度应越高；
第四步，选择优良个体群：根据每台风力发电机的适应度，选择优良个体群；
第五步，求得温度基准线：将优良个体群的主轴承温度n分钟均值再求平均，得到此时间段的温度基准线；
第六步，求得温度警戒线：所述温度警戒线为温度基准线与允许偏差值之和；
第七步，数据代入检测预警：在此区间内选择对应的主轴承温度n分钟均值数据，与警戒线比较，对持续大于此值的风力发电机，加以预警；
对于[C,D]及其它各区间，重复第三步到第七步的方法，分别进行预警。
进一步地，所述第一步中，筛选评价方法为：按照评价因子α作为筛选器，对采集的数据进行筛选评价；评价因子α指的是数据的预处理指标，目的是挑出数据的缺失值和离群值；对于满足评价因子α的数据进行保留，不满足的数据进行删除。
进一步地，所述n分钟均值为10分钟均值。
进一步地，所述第四步中，优良个体群按照轮盘赌法进行选择，适应度高的个体成为优良个体群的概率大。
进一步地，所述第六步中，允许偏差值考虑正常加油和正常安装偏差对主轴承温度的影响而定。
通过采用上述技术方案，本发明至少具有以下优点：
本发明中风力发电机主轴承温度通过时间序列的功率聚类和优良个体群的选择，辨别主轴承是否存在异常的运行状态从而进行诊断。该方法可以提前发现主轴承温度异常问题；由于主轴承缺少维护和油脂问题、主轴承的装配问题及主轴承的损坏等问题，都对主轴承温度影响很大。通过该方法，可以提高主轴承的预警能力，用数据代替人工排查，做到有的放矢的维护与消缺，降低了主轴承损坏率，提高了风力发电机发电率和经济效益。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明一种基于时间序列聚类诊断风力发电机主轴承故障的方法示意图；
图2、图3分别是按照本发明的诊断方法进行诊断的结果图。
具体实施方式
目前风电场会有若干台风力发电机，这些风力发电机型号相同，零部件相同，这为聚类的方法辩识故障，提供了广阔的可能性。假设风力发电机为一个黑匣子，那么对于此匣子的输入只有风和外界环境(温湿度等)。由于外界环境对一个风电场的所有风力发电机在同一时刻的影响是相同的。所以通过时间序列聚类，可实现多个环境自变量的降维。
鉴于此，本发明提出一种基于时间序列聚类算法诊断风力发电机主轴承故障的方法,以实现主轴承故障快速的智能诊断。
结合图1所示，本发明的方法具体实现如下：
第一步，数据采集、筛选及计算：
首先通过风电场SCADA系统采集某型号风力发电机的功率数据和主轴承温度数据，风力发电机数据采集的时间段应保持一致。按照评价因子α作为筛选器，对采集的数据进行评价。评价因子α指的是数据的预处理指标，目的是挑出数据的缺失值和离群值等。对于满足评价因子α的数据进行保留，不满足的数据进行删除。再求各种变量(风力发电机功率及主轴承温度)的十分钟均值。
第二步，按照风力发电机功率十分钟均值进行区间选择，首先选择某一时间段(以一小时为例)，风力发电机按照功率分区间，将在功率区间[A,B][C,D]…内风力发电机选择出来。功率区间标准为：在此区间内至少存在一台风力发电机功率对主轴温度影响很小，即用曲线拟合的方法求得拟合直线的斜率趋于0(如[A,B]区间为[1420,1550])。区间选择的方法(以区间[A,B]为例)，以最高的功率B为起点，A点不断向下延展，只要满足功率区间标准，A点就应不断迭代向下，最终A点取最小的点。如以最高的功率B(如1550为起点)，先假设区间为[1500,1550]，如果此区间的斜率趋近于0,则A点向下选择，假设下一个区间为[1480,1500],如果此区间的斜率还是趋近于0,则A点向下选择，直到选择到一点A，若A再向下选择，拟合曲线的斜率将不再满足趋近于0。
[C,D]…等区间方法相同。
将此段时间的风力发电机的相关变量(计算出来的风发电机功率n分钟均值及主轴承温度n分钟均值数据)进行保存。以[A,B]区间聚为一类数据，[C,D]区间为一类,以此类推，共聚为若干类区间。
第三步，适应度评价：
对[A,B]区间内的风力发电机主轴承温度的十分钟均值进行适应度评价，适应度说明个体的优劣性；主轴承温度属于越小越优型指标，温度越低，适应度应越高；
第四步，选择优良个体群：
根据每台风力发电机的适应度，按照轮盘赌法等方法，选择优良个体群，适应度高的个体成为优良个体群的概率大。
第五步，求得温度基准线：
将优良个体群的主轴承温度十分钟均值再求平均，得到此时间段的温度基准线；
第六步，求得温度警戒线：
所述温度警戒线为温度基准线与允许偏差值之和；允许偏差值应考虑正常加油和正常安装偏差等因素对主轴温度的影响。
第七步，数据代入检测预警：
在此区间内选择对应的主轴承温度n分钟均值数据，与警戒线比较，对持续大于此值的风力发电机，加以预警；
对于[C,D]及其它各区间，重复第三步到第七步的方法，分别进行预警。
图2、3分别是按照本发明的上述诊断方法进行诊断的结果图，大大提高了风力发电机主轴承的预警能力。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。
Claims (5)
1.一种基于时间序列聚类诊断风力发电机主轴承故障的方法，其特征在于，包括如下步骤：
第一步，数据采集、筛选及计算：
采集风电场内某型号风力发电机的功率数据和主轴承温度数据，风力发电机数据采集的时间段应保持一致；对采集的数据进行筛选评价删除异常后，再求各风力发电机的功率n分钟均值和主轴承温度n分钟均值；
第二步，按照功率聚类：
按照第一步获得的风力发电机功率n分钟均值进行区间选择，首先选择某一时间段，风力发电机按照功率分区间，将在功率区间[A,B][C,D]…内的风力发电机选择出来；其中，功率区间标准为：在此区间内至少存在一台风力发电机功率对主轴承温度影响很小，即用曲线拟合的方法求得拟合直线的斜率趋于0；所述功率区间的具体选择方法为：以区间[A,B]为例，以最高的功率B为起点，A点不断向下延展，只要满足功率区间标准，A点就应不断迭代向下，最终A点取最小的点；[C,D]…区间的选择方法相同；将此时间段的风力发电机计算出的功率及主轴承温度n分钟均值数据进行保存；
第三步，适应度评价：
对[A,B]区间内的风力发电机主轴承温度的n分钟均值进行适应度评价，适应度说明个体的优劣性；主轴承温度属于越小越优型指标，温度越低，适应度应越高；
第四步，选择优良个体群：
根据每台风力发电机的适应度，选择优良个体群；
第五步，求得温度基准线：
将优良个体群的主轴承温度n分钟均值再求平均，得到此时间段的温度基准线；
第六步，求得温度警戒线：
所述温度警戒线为温度基准线与允许偏差值之和；
第七步，数据代入检测预警：
在此[A,B]区间内选择对应的主轴承温度n分钟均值数据，与警戒线比较，对持续大于此值的风力发电机，加以预警；
对于[C,D]及其它各区间，重复第三步到第七步的方法，分别进行预警。
2.根据权利要求1所述的基于时间序列聚类诊断风力发电机主轴承故障的方法，其特征在于，所述第一步中，筛选评价方法为：按照评价因子α作为筛选器，对采集的数据进行筛选评价；评价因子α指的是数据的预处理指标，目的是挑出数据的缺失值和离群值；对于满足评价因子α的数据进行保留，不满足的数据进行删除。
3.根据权利要求1所述的基于时间序列聚类诊断风力发电机主轴承故障的方法，其特征在于，所述n分钟均值为10分钟均值。
4.根据权利要求1所述的基于时间序列聚类诊断风力发电机主轴承故障的方法，其特征在于，所述第四步中，优良个体群按照轮盘赌法进行选择，适应度高的个体成为优良个体群的概率大。
5.根据权利要求1所述的基于时间序列聚类诊断风力发电机主轴承故障的方法，其特征在于，所述第六步中，允许偏差值考虑正常加油和正常安装偏差对主轴承温度的影响而定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710073253.5A CN106870297B (zh) | 2017-02-10 | 2017-02-10 | 一种基于时间序列聚类诊断风力发电机主轴承故障的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710073253.5A CN106870297B (zh) | 2017-02-10 | 2017-02-10 | 一种基于时间序列聚类诊断风力发电机主轴承故障的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106870297A CN106870297A (zh) | 2017-06-20 |
| CN106870297B true CN106870297B (zh) | 2019-01-08 |
Family
ID=59166707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710073253.5A Active CN106870297B (zh) | 2017-02-10 | 2017-02-10 | 一种基于时间序列聚类诊断风力发电机主轴承故障的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106870297B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108563785B (zh) * | 2018-04-26 | 2020-06-16 | 三一重能有限公司 | 数据处理方法、装置及电子设备 |
| CN109307553B (zh) * | 2018-09-27 | 2020-10-09 | 潍柴重机股份有限公司 | 基于主轴承温度偏差的主轴承检修提示方法 |
| CN109973329B (zh) * | 2018-12-27 | 2020-09-25 | 积成电子股份有限公司 | 风力发电机机舱变频器柜温度异常的判断方法 |
| CN109458308B (zh) * | 2018-12-28 | 2020-07-07 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
| CN112855459A (zh) * | 2019-11-27 | 2021-05-28 | 北京国电思达科技有限公司 | 一种风机发电机轴承故障的预警方法 |
| CN111075661B (zh) * | 2019-12-25 | 2021-11-09 | 明阳智慧能源集团股份公司 | 基于温度变化趋势判断风电机组主轴轴承健康状况的方法 |
| CN111623905B (zh) * | 2020-05-21 | 2022-05-13 | 国电联合动力技术有限公司 | 风电机组轴承温度预警方法及装置 |
| CN111878326B (zh) * | 2020-08-06 | 2021-11-26 | 上海电气风电集团股份有限公司 | 风机的结冰故障检测方法、系统、电子设备和介质 |
| CN114576102B (zh) * | 2020-12-02 | 2024-09-20 | 金风科技股份有限公司 | 风电机组轴承状态的预测方法、装置、设备及存储介质 |
| CN115342035A (zh) * | 2022-08-29 | 2022-11-15 | 西安热工研究院有限公司 | 一种基于scada数据的风力发电机温度异常故障诊断方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682185B (zh) * | 2011-03-10 | 2014-07-09 | 华锐风电科技(集团)股份有限公司 | 单风力发电机的风电功率预测方法 |
| EP2746885A1 (en) * | 2012-12-18 | 2014-06-25 | Alstom Wind, S.L.U. | Method of monitoring the condition of a wind turbine |
| CN104131950B (zh) * | 2014-07-24 | 2017-02-01 | 重庆大学 | 一种风电机组温度特征量的阈值分区确定方法 |
| CN105804951A (zh) * | 2014-12-29 | 2016-07-27 | 浙江运达风电股份有限公司 | 一种温度监测系统及风力机系统 |
-
2017
- 2017-02-10 CN CN201710073253.5A patent/CN106870297B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106870297A (zh) | 2017-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106870297B (zh) | 一种基于时间序列聚类诊断风力发电机主轴承故障的方法 | |
| CN107395121B (zh) | 基于格拉布斯准则及离群点检测光伏阵列故障检测方法 | |
| CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
| CN103711645B (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
| CN104819107B (zh) | 一种风电机组功率曲线异常漂移的诊断方法及系统 | |
| CN103912448B (zh) | 一种区域风电场机组功率特性监测方法 | |
| Hu et al. | Using domain knowledge features for wind turbine diagnostics | |
| CN103439109A (zh) | 一种风力发电机组传动系统故障预警的方法 | |
| CN104564542B (zh) | 一种基于大数据技术的故障诊断系统及其诊断方法 | |
| 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 | |
| CN111814848B (zh) | 一种风电机组温度故障的自适应预警策略设计方法 | |
| Hare et al. | A review of faults and fault diagnosis in micro-grids electrical energy infrastructure | |
| CN116011332A (zh) | 一种基于gan-qp特征迁移模型的风电机组状态监测方法 | |
| 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 | |
| CN117195136B (zh) | 一种电网新能源异常数据监测方法 | |
| Yan et al. | Wind turbine generator fault detection based on multi-layer neural network and random forest algorithm | |
| CN117703690A (zh) | 一种风力发电机组健康状态评估方法及系统 | |
| Liu et al. | Hierarchical context-aware anomaly diagnosis in large-scale PV systems using SCADA data | |
| Elijorde et al. | A wind turbine fault detection approach based on cluster analysis and frequent pattern mining | |
| CN108491622A (zh) | 一种风电机组的故障诊断方法及系统 | |
| CN103645060A (zh) | 基于状态监控系统的风力发电机组突发故障识别诊断方法 | |
| CN112855458A (zh) | 一种风力发电机组的风速仪故障诊断方法、系统及介质 | |
| CN115561575A (zh) | 基于多维矩阵轮廓的海上风电场电气异常状态辨别方法 | |
| CN115165364A (zh) | 基于迁移学习的风力发电机轴承故障诊断模型构建方法 | |
| Wei et al. | Wind turbine pitch system condition monitoring based on performance curves in multiple states |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Chu Jingchun Inventor after: Li Yongzhan Inventor after: Du Guozhu Inventor after: Liu Hao Inventor after: Dong Jian Inventor before: Li Yongzhan Inventor before: Du Guozhu Inventor before: Liu Hao Inventor before: Dong Jian |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |