CN107341349B - 风机健康评估的方法、系统、存储器及控制器 - Google Patents

风机健康评估的方法、系统、存储器及控制器 Download PDF

Info

Publication number
CN107341349B
CN107341349B CN201710522283.XA CN201710522283A CN107341349B CN 107341349 B CN107341349 B CN 107341349B CN 201710522283 A CN201710522283 A CN 201710522283A CN 107341349 B CN107341349 B CN 107341349B
Authority
CN
China
Prior art keywords
fan
working condition
health
state
reference model
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
Application number
CN201710522283.XA
Other languages
English (en)
Other versions
CN107341349A (zh
Inventor
李惠柯
张静
李柠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201710522283.XA priority Critical patent/CN107341349B/zh
Publication of CN107341349A publication Critical patent/CN107341349A/zh
Application granted granted Critical
Publication of CN107341349B publication Critical patent/CN107341349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供一种风机健康评估的方法、系统、存储器及控制器，所述包括：获取风机正常运行时的历史数据并形成风机运行时的工况特征向量；对风机历史运行工况进行划分；识别工况类别，根据工况类别利用状态特征向量构建在线评估风机健康的基准模型；将当前时刻的工况特征向量输入预设训练模型，得到当前时刻风机运行工况分别属于每种工况的工况类别概率并计算当前时刻状态特征向量与每种工况下基准模型的马氏距离；获取工况类别概率与距离每种工况下基准模型的马氏距离的加权平均值并将加权平均值转化为健康指标用以描述当前时刻风机运行状态偏离正常运行时的程度。本发明可提前识别风机故障发生前的劣化过程，准确评估风机运行时健康状态变化。

Description

风机健康评估的方法、系统、存储器及控制器
技术领域
本发明涉及机械设备运行状态健康评估技术领域，特别涉及轴风机运行状态健康评估的技术领域，具体为一种风机健康评估的方法、系统、存储器及控制器。
版权申明
本专利文件披露的内容包含受版权保护的材料。该版权为版权所有人所有。版权所有人不反对任何人复制专利与商标局的官方记录和档案中所存在的该专利文件或者该专利披露。
背景技术
风能是一种清洁无污染，资源无限的新能源，随着现代能源结构的调整，风能的利用越来越受到重视，利用风能进行发电的技术也日益成熟。近十几年，我国风力发电机组装机量较大且呈逐年上升的趋势，多数风机已过质保期，加之风机本身结构复杂，部件之间耦合性高等特点，使得风机运维难度大，成本较高。为降低风机维护的成本及难度，改变传统的定期维修及事后维修的方式为基于状态的维护具有重大意义，基于状态的维护是根据当前时刻风机的运行状态提醒现场工程师注意提早防范和制定维护策略，对风机当前时刻运行健康状态的评估是实现基于状态维护的前提和基础。
目前，对风机运行状态健康评估的方法主要有两种，一种是基于故障模式的影响和危害性分析(Failure Mode，Effects and Criticality Analysis，FMECA)的模糊综合评价方法，该方法主要将机组的运行状态分为“良好”，“合格”，“注意”，“严重”等离散的状态，然后将风电机组SCADA(Supervisory Control And Data Acquisition，监视控制与数据采集系统)所监测运行状态数据采用模糊化的方式分别映射到这四种状态，以此来判断风电机组的运行状态；另一种方法是借助人工智能的方法，如神经网络方法等，同样是将风机运行状态分为离散的状态，然后训练神经网络以此判断采样时刻风机的状态；由此可知，目前的研究虽然能够实现风机的运行状态的评估，但各个状态特征的监测参数仍然采用的固定阈值，不能实时有效的进行整机的健康状态的评价，识别风电机组故障发生前的劣化情况；更进一步，由于机械、风力、环境温度等这些变化复杂的环境也使风电机组运行时经受着重重考验，运行工况随机任意的切换，对于风电机组运行时的健康状态变化也起着重要作用，现有研究多数未考虑到风电机组运行工况变化复杂的问题。
经过对现有技术的公开文献检索发现，文献Sun P,Li J,Wang C,et al.Ageneralized model for wind turbine anomaly identification based on SCADA data[J].Applied Energy,2016,168:550-567.(基于SCADA数据风机异常模式识别的通用模型，期刊：Applied Energy第168卷，550-567.)的作者根据风场SCADA数据采用BP神经网络建立了风机正常行为时的模型参数与自然环境的函数关系，从而发现所建立的神经网络模型的误差服从正态分布，便以此分布的概率密度函数作为健康指标来衡量风机当前时刻的运行状态，文章最后采用了综合模糊评估的方法建立风机状态的评估模型，然而本文作者在进行健康评估时仍然是将风机的运行状态分为离散的可数状态，并未能识别出风机性能劣化的过程。
发明内容
为了解决上述的以及其他潜在的技术问题，本发明的目的在于提供一种风机健康评估的方法、系统、存储器及控制器，用于解决现有技术中未考虑复杂多变的运行工况对运行状态的影响及现有SCADA系统不能识别故障前风机劣化过程的问题。
本发明的实施例提供了一种风机健康评估的方法，所述风机健康评估的方法包括：获取风机正常运行时的历史数据并根据所述历史数据形成风机运行时的工况特征向量；对风机历史运行工况进行划分；根据所述工况特征向量和预设训练模型识别工况类别，根据工况类别利用状态变量组成的状态特征向量构建风机正常运行时的模型并将该模型作为在线评估风机健康的基准模型；将当前时刻的工况特征向量输入所述预设训练模型，得到当前时刻风机运行工况分别属于每种工况的工况类别概率并计算当前时刻所述状态特征向量与每种工况下所述基准模型的马氏距离；获取所述工况类别概率与距离每种工况下基准模型的马氏距离的加权平均值并将所述加权平均值转化为健康指标用以描述当前时刻风机运行状态偏离正常运行时的程度。
于本发明的一实施例中，所述工况特征向量包含风速、环境温度、发电机转速和风轮转速。
于本发明的一实施例中，所述基准模型为：
Figure GDA0002358909720000021
其中，GMMj为基准模型的输出，j＝(1,2,3,4)，μi和Ci分别为第i个高斯分布的均值向量和协方差矩阵；ωi为第i个高斯分布的权重，x针对工况j利用选择的状态参数组成的特征向量，Ni为第i个多维高斯概率密度函数。
于本发明的一实施例中，所述健康指标为：
Figure GDA0002358909720000022
Figure GDA0002358909720000031
Figure GDA0002358909720000032
Figure GDA0002358909720000033
其中：HI表示根据当前时刻状态特征向量距离所述基准模型的马氏距离所构建的健康指标；D(x)表示当前时刻状态特征向量距离所述基准模型的马氏距离；D1(x)，D2(x)，D3(x)，D4(x)分别表示为当前时刻状态特征向量距离四种工况下的基准模型的马氏距离；pi表示当前时刻风机运行工况分别属于每种工况的概率，i＝(1,2,3,4)即p1,p2,p3,p4；Dji(x)表示当前时刻状态特征向量与第j种工况下的基准模型的第i个高斯分布的马氏距离；c是与风机正常运行状态相关的常数值；ωi表示为高斯混合模型的权重系数，i＝(1,2,3,4,5)即ω1，ω2，ω3，ω4，ω5；di(x)分别表示为当前时刻状态特征向量与每个高斯分布的马氏距离，i＝(1,2,3,4,5)即dj1(x)，dj2(x)，dj3(x)，dj4(x)，dj5(x)；x表示为表示当前时刻状态特征向量；μji表示为第j种工况下的基准模型的第i个高斯分布的均值向量；C表示为协方差矩阵。
于本发明的一实施例中，HI的取值范围为(0～1)；健康指标值越接近于0，表明风机当前时刻劣化越严重；健康指标值越接近于1,表明风机当前时刻健康度越高。
本发明的实施例提供了一种风机健康评估的系统，所述风机健康评估的系统包括：工况特征向量获取模块，用于获取风机正常运行时的历史数据并根据所述历史数据形成风机运行时的工况特征向量；工况划分模块，用于对风机历史运行工况进行划分；模型构建模块，用于根据所述工况特征向量和预设训练模型识别工况类别，根据工况类别利用状态变量组成的状态特征向量构建风机正常运行时的模型并将该模型作为在线评估风机健康的基准模型；在线健康评估模块，用于将当前时刻的工况特征向量输入所述预设训练模型，得到当前时刻风机运行工况分别属于每种工况的工况类别概率并计算当前时刻所述状态特征向量与每种工况下所述基准模型的马氏距离，获取所述工况类别概率与距离每种工况下基准模型的马氏距离的加权平均值并将所述加权平均值转化为健康指标用以描述当前时刻风机运行状态偏离正常运行时的程度。
于本发明的一实施例中，所述基准模型为：
Figure GDA0002358909720000041
其中，GMMj为基准模型的输出，j＝(1,2,3,4)，μi和Ci分别为第i个高斯分布的均值向量和协方差矩阵；ωi为第i个高斯分布的权重，x为针对工况j利用选择的状态参数组成的特征向量，Ni为第i个多维高斯概率密度函数。
于本发明的一实施例中，所述健康指标为：
Figure GDA0002358909720000042
Figure GDA0002358909720000043
Figure GDA0002358909720000044
Figure GDA0002358909720000045
其中：HI表示根据当前时刻状态特征向量距离所述基准模型的马氏距离所构建的健康指标；D(x)表示当前时刻状态特征向量距离所述基准模型的马氏距离；D1(x)，D2(x)，D3(x)，D4(x)分别表示为当前时刻状态特征向量距离四种工况下的基准模型的马氏距离；pi表示当前时刻风机运行工况分别属于每种工况的概率，i＝(1,2,3,4)即p1,p2,p3,p4；Dji(x)表示当前时刻状态特征向量与第j种工况下的基准模型的第i个高斯分布的马氏距离；c是与风机正常运行状态相关的常数值；ωi表示为高斯混合模型的权重系数，i＝(1,2,3,4,5)即ω1，ω2，ω3，ω4，ω5；di(x)分别表示为当前时刻状态特征向量与每个高斯分布的马氏距离，i＝(1,2,3,4,5)即dj1(x)，dj2(x)，dj3(x)，dj4(x)，dj5(x)；x表示为表示当前时刻状态特征向量；μji表示为第j种工况下的基准模型的第i个高斯分布的均值向量；C表示为协方差矩阵；HI的取值范围为(0～1)；健康指标值越接近于0，表明风机当前时刻劣化越严重；健康指标值越接近于1，表明风机当前时刻健康度越高。
本发明的实施例提供了一种控制器，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行所述程序指令以实现如上所述方法中的步骤。
本发明的实施例提供了一种存储器，其上存储有机器可读程序指令，该所述机器可读程序指令运行时执行如上所述的方法。
如上所述，本发明的风机健康评估的方法、系统、存储器及控制器具有以下有益效果：
本发明通过将复杂多变的运行工况考虑进来，提出一种基于工况识别的风机健康评估的方法，通过多状态参数特征的融合方法，可以克服现有SCADA系统依靠单一参数阈值报警方法的不足，且可提前识别风机故障发生前的劣化过程，准确评估风机运行时健康状态变化。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1显示为本发明的风机健康评估方法的流程框图。
图2显示为本发明的风机健康评估的方法的流程示意图。
图3显示为本发明的、风机健康评估方法中在线评估具体过程。
图4和图5分别显示为本发明的、风机健康评估方法中利用所提方法在两个具体案例中所计算的健康指标的变化情况。
图6显示为本发明的风机健康评估系统的原理框图。
元件标号说明
100 风机健康评估的系统
110 工况特征向量获取模块
120 工况划分模块
130 模型构建模块
140 在线健康评估模块
S110～S150 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1至图6。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
本实施例的目的在于提供一种风机健康评估的方法、系统、存储器及控制器，用于解决现有技术中不能有效评估风机运行健康状态，提前识别风机劣化过程的问题。以下将详细阐述本发明的风机健康评估的方法、系统、存储器及控制器的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的风机健康评估的方法、系统、存储器及控制器。
本实施例所提供的风机健康评估的方法、系统、存储器及控制器通过对风机历史SCADA数据的筛选和预处理，选择风机正常运行时的数据进行离线模型构建。如图1所示，首先，选择风速、环境温度、发电机组转速及风轮转速组成工况特征向量，并利用K-means聚类方法将风机运行工况分为4类；然后，离线建模部分：基于工况特征向量及聚类后的标签结果，训练softmax模型作为工况识别模型；针对每种工况，利用选择的状态参数组成特征向量训练奥斯混合模型作为描述风机正常运行的状态空间模型，并作为健康评估的基准模型；在线评估部分，获取当前时刻SCADA数据，将工况特征向量输入工况识别模型获得当前时刻运行工况属于每种工况的概率，计算当前时刻状态特征向量与每种工况下基准模型的马氏距离，最后计算健康指标，作为评估当前时刻风机运行健康程度的指标。
具体地，如图2所示，本发明的实施例提供了一种风机健康评估的方法，所述风机健康评估的方法包括以下步骤：
S110，获取风机正常运行时的历史数据并根据所述历史数据形成风机运行时的工况特征向量。
S120，对风机历史运行工况进行划分。
S130，根据所述工况特征向量和预设训练模型识别工况类别，根据工况类别利用状态变量组成的状态特征向量构建风机正常运行时的模型并将该模型作为在线评估风机健康的基准模型。
S140，将当前时刻的工况特征向量输入所述预设训练模型，得到当前时刻风机运行工况分别属于每种工况的工况类别概率并计算当前时刻所述状态特征向量与每种工况下所述基准模型的马氏距离。
S150，获取所述工况类别概率与距离每种工况下基准模型的马氏距离的加权平均值并将所述加权平均值转化为健康指标用以描述当前时刻风机运行状态偏离正常运行时的程度。
以下对所述风机健康评估的方法中的步骤S110至步骤S150进行详细说明。
S110，获取风机正常运行时的历史数据并根据所述历史数据形成风机运行时的工况特征向量。
其中，所述工况特征向量包含风速、环境温度、发电机转速和风轮转速。
具体地，于本实施例中，获取风机运行时的历史SCADA(Supervisory Control AndData Acquisition，监视控制与数据采集系统)数据，剔除风机调试、手动启停机、故障停机、维护等期间数据，剩余风机正常运行时的数据；选择风速、环境温度、发电机转速及风轮转速组成风机运行时的工况特征向量。
S120，对风机历史运行工况进行划分。
利用K-means聚类方法将工况划分为4种，并根据划分结果将SCADA系统中状态变量划分到各个运行工况下。
于本实施例中，如图3所示，是基于风速、环境温度、发电机转速及风轮转速组成风机运行时的工况特征向量进行分工况划分，并根据工况划分结果将状态参数特征划分到各个工况下，各个参数特征见表1。
表1参数特征表
Figure GDA0002358909720000071
S130，根据所述工况特征向量和预设训练模型识别工况类别，根据工况类别利用状态变量组成的状态特征向量构建风机正常运行时的模型并将该模型作为在线评估风机健康的基准模型。
具体地，用聚类后工况特征向量及聚类标签训练Softmax模型在线识别工况类别。针对每种工况，利用状态变量组成特征向量构建高斯混合模型描述风机正常运行时的模型，并作为在线健康评估的基准模型。
于本实施例中，即分别构建了工况识别模型和健康评估基准模型；根据步骤S120中工况划分结果，利用工况特征向量及聚类后所获得聚类标签作为训练数据，训练Softmax多分类模型，用于在线识别工况类别；根据步骤S120工况划分后，将运行状态特征划分到每种工况下，针对每种工况，训练高斯混合模型作为健康评估的基准模型，该模型描述的是风机在不同工况下健康运行时状态参数的空间分布模型。
其中，所述基准模型为：
Figure GDA0002358909720000081
其中，GMMj为基准模型的输出，j＝(1,2,3,4)，μi和Ci分别为第i个高斯分布的均值向量和协方差矩阵；ωi为第i个高斯分布的权重，x为针对工况j利用选择的状态参数组成的特征向量，Ni为第i个多维高斯概率密度函数。利用历史数据采用最大期望算法得到最优的参数μi,Ci,ωi；每种工况下，所构建的高斯混合模型由5个高斯分布组合而成。
S140，将当前时刻的工况特征向量输入所述预设训练模型，得到当前时刻风机运行工况分别属于每种工况的工况类别概率并计算当前时刻所述状态特征向量与每种工况下所述基准模型的马氏距离。
将当前时刻工况特征向量输入Softmax模型，得到当前时刻风机运行工况分别属于每种工况的概率，计算当前时刻状态特征向量与每种工况下基准模型的马氏距离。
S150，获取所述工况类别概率与距离每种工况下基准模型的马氏距离的加权平均值并将所述加权平均值转化为健康指标用以描述当前时刻风机运行状态偏离正常运行时的程度。
所述健康指标为：
Figure GDA0002358909720000082
Figure GDA0002358909720000083
Figure GDA0002358909720000091
Figure GDA0002358909720000092
其中：HI表示根据当前时刻状态特征向量距离所述基准模型的马氏距离所构建的健康指标；D(x)表示当前时刻状态特征向量距离所述基准模型的马氏距离；D1(x)，D2(x)，D3(x)，D4(x)分别表示为当前时刻状态特征向量距离四种工况下的基准模型的马氏距离；pi表示当前时刻风机运行工况分别属于每种工况的概率，i＝(1,2,3,4)即p1,p2,p3,p4；Dji(x)表示当前时刻状态特征向量与第j种工况下的基准模型的第i个高斯分布的马氏距离；c是与风机正常运行状态相关的常数值；ωi表示为高斯混合模型的权重系数，i＝(1,2,3,4,5)即ω1，ω2，ω3，ω4，ω5；di(x)分别表示为当前时刻状态特征向量与每个高斯分布的马氏距离，i＝(1,2,3,4,5)即dj1(x)，dj2(x)，dj3(x)，dj4(x)，dj5(x)；x表示为表示当前时刻状态特征向量；μji表示为第j种工况下的基准模型的第i个高斯分布的均值向量；C表示为协方差矩阵；HI的取值范围为(0～1)；健康指标值越接近于0，表明风机当前时刻劣化越严重；健康指标值越接近于1,表明风机当前时刻健康度越高。
图4和图5是将本发明提出的方法利用到两个具体故障案例上所计算的故障前后健康指标的变化图，通过图4可以清楚地看到，在现有SCADA系统发出报警之前，所定义的健康指标已经出现明显变化趋势，图中0.9是所定义的健康基准，将风机健康运行时的基准空间转化为健康指标0.9及以上，表示当风机健康指标大于等于0.9，风机处于健康状态，当健康指标逐步低于0.9时，表明风机处于性能劣化状态；由图4和图5可以看出，本发明所提方法可以准确评估风机正常时运行状态变化，也可识别风机性能劣化时的状态变化情况。
为实现上述风机健康评估的方法，本实施例还对应提供了一种风机健康评估的系统100，如图6所示，所述风机健康评估的系统100包括：工况特征向量获取模块110，工况划分模块120，工况识别模块，模型构建模块130以及在线健康评估模块140。由于风机健康评估的系统100与风机健康评估的方法间原理相似，因此通用的技术细节不作重复赘述。
于本实施例中，所述工况特征向量获取模块110用于获取风机正常运行时的历史数据并根据所述历史数据形成风机运行时的工况特征向量。
具体地，所述工况特征向量获取模块110获取风机运行时的历史SCADA数据，剔除风机调试、手动启停机、故障停机、维护等期间数据，剩余风机正常运行时的数据；选择风速、环境温度、发电机转速及风轮转速组成风机运行时的工况特征向量；选择为有功功率、齿轮箱油温、齿轮箱冷却水温度…等33个变量构成状态特征向量。
于本实施例中，所述工况划分模块120用于对风机历史运行工况进行划分。
具体地，所述工况划分模块120将风机历史运行工况通过聚类方法划分为4个工况。
于本实施例中，所述模型构建模块130用于根据所述工况特征向量和预设训练模型识别工况类别，并根据工况类别利用状态变量组成的状态特征向量构建风机正常运行时的模型并将该模型作为在线评估风机健康的基准模型。
工况划分后，将运行状态特征划分到每种工况下，针对每种工况，训练高斯混合模型作为健康评估的基准模型，该模型描述的是风机在不同工况下健康运行时状态参数的空间分布模型。
其中，所述基准模型为：
Figure GDA0002358909720000101
其中，GMMj为基准模型的输出，j＝(1,2,3,4)，μi和Ci分别为第i个高斯分布的均值向量和协方差矩阵；ωi为第i个高斯分布的权重，x为针对工况j利用选择的状态参数组成的特征向量，Ni为第i个多维高斯概率密度函数。利用历史数据采用最大期望算法得到最优的参数μi,Ci,ωi；每种工况下，所构建的高斯混合模型由5个高斯分布组合而成。
于本实施例中，所述在线健康评估模块140用于将当前时刻的工况特征向量输入所述预设训练模型，得到当前时刻风机运行工况分别属于每种工况的工况类别概率并计算当前时刻所述状态特征向量与每种工况下所述基准模型的马氏距离，获取所述工况类别概率与距离每种工况下基准模型的马氏距离的加权平均值并将所述加权平均值转化为健康指标用以描述当前时刻风机运行状态偏离正常运行时的程度。
具体地，所述在线健康评估模块140包括工况识别单元，马氏距离计算单元及健康指标计算单元。于本实施例中，所述工况识别单元将当前时刻工况特征向量输入工况识别模型Softmax模型，得到当前工况属于每种工况的概率；所述马氏距离计算单元计算当前时刻状态特征向量与每种工况下基准模型的马氏距离。所述健康指标计算单元用于计算健康指标，具体地，所述健康指标为：
Figure GDA0002358909720000102
Figure GDA0002358909720000111
Figure GDA0002358909720000112
Figure GDA0002358909720000113
其中：HI表示根据当前时刻状态特征向量距离所述基准模型的马氏距离所构建的健康指标；D(x)表示当前时刻状态特征向量距离所述基准模型的马氏距离；D1(x)，D2(x)，D3(x)，D4(x)分别表示为当前时刻状态特征向量距离四种工况下的基准模型的马氏距离；pi表示当前时刻风机运行工况分别属于每种工况的概率，i＝(1,2,3,4)即p1,p2,p3,p4；Dji(x)表示当前时刻状态特征向量与第j种工况下的基准模型的第i个高斯分布的马氏距离；c是与风机正常运行状态相关的常数值；ωi表示为高斯混合模型的权重系数，i＝(1,2,3,4,5)即ω1，ω2，ω3，ω4，ω5；di(x)分别表示为当前时刻状态特征向量与每个高斯分布的马氏距离，i＝(1,2,3,4,5)即dj1(x)，dj2(x)，dj3(x)，dj4(x)，dj5(x)；x表示为表示当前时刻状态特征向量；μji表示为第j种工况下的基准模型的第i个高斯分布的均值向量；C表示为协方差矩阵；HI的取值范围为(0～1)；健康指标值越接近于0，表明风机当前时刻劣化越严重；健康指标值越接近于1,表明风机当前时刻健康度越高。
本发明的实施例还提供一种控制器，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行所述程序指令以实现上述步骤中的方法。本实施例对上述方法已经进行了详细说明，在此不再赘述。
本发明的实施例还提供一种存储器，其上存储有机器可读程序指令，该所述机器可读程序指令运行时执行上述步骤中的方法。本实施例对上述方法已经进行了详细说明，在此不再赘述。
综上所述，本发明通过将复杂多变的运行工况考虑进来，提出一种基于工况识别的风机健康评估的方法，通过多状态参数特征的融合方法，可以克服现有SCADA系统依靠单一参数阈值报警方法的不足，且可提前识别风机故障发生前的劣化过程，准确评估风机运行时健康状态变化。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包括通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种风机健康评估的方法，其特征在于，所述风机健康评估的方法包括：
获取风机正常运行时的历史数据并根据所述历史数据形成风机运行时的工况特征向量；
对风机历史运行工况进行划分；
根据所述工况特征向量和预设训练模型识别工况类别，根据工况类别利用状态变量组成的状态特征向量构建风机正常运行时的模型并将该模型作为在线评估风机健康的基准模型；
将当前时刻的工况特征向量输入所述预设训练模型，得到当前时刻风机运行工况分别属于每种工况的工况类别概率并计算当前时刻所述状态特征向量与每种工况下所述基准模型的马氏距离；
获取所述工况类别概率与距离每种工况下基准模型的马氏距离的加权平均值并将所述加权平均值转化为健康指标用以描述当前时刻风机运行状态偏离正常运行时的程度。
2.根据权利要求1所述的风机健康评估的方法，其特征在于，所述工况特征向量包含风速、环境温度、发电机转速和风轮转速。
3.根据权利要求1或2所述的风机健康评估的方法，其特征在于，所述基准模型为：
Figure FDA0002358909710000011
其中，GMMj为基准模型的输出，j＝(1,2,3,4)，μi和Ci分别为第i个高斯分布的均值向量和协方差矩阵；ωi为第i个高斯分布的权重，x为针对工况j利用选择的状态参数组成的特征向量，Ni为第i个多维高斯概率密度函数。
4.根据权利要求1所述的风机健康评估的方法，其特征在于，所述健康指标为：
Figure FDA0002358909710000012
Figure FDA0002358909710000013
Figure FDA0002358909710000014
Figure FDA0002358909710000015
其中：HI表示根据当前时刻状态特征向量距离所述基准模型的马氏距离所构建的健康指标；D(x)表示当前时刻状态特征向量距离所述基准模型的马氏距离；D1(x)，D2(x)，D3(x)，D4(x)分别表示为当前时刻状态特征向量距离四种工况下的基准模型的马氏距离；pi表示当前时刻风机运行工况分别属于每种工况的概率，i＝(1,2,3,4)即p1,p2,p3,p4；Dji(x)表示当前时刻状态特征向量与第j种工况下的基准模型的第i个高斯分布的马氏距离；c是与风机正常运行状态相关的常数值；ωi表示为高斯混合模型的权重系数，i＝(1,2,3,4,5)即ω1，ω2，ω3，ω4，ω5；di(x)分别表示为当前时刻状态特征向量与每个高斯分布的马氏距离，i＝(1,2,3,4,5)即dj1(x)，dj2(x)，dj3(x)，dj4(x)，dj5(x)；x表示为表示当前时刻状态特征向量；μji表示为第j种工况下的基准模型的第i个高斯分布的均值向量；C表示为协方差矩阵。
5.根据权利要求4所述的风机健康评估的方法，其特征在于，HI的取值范围为(0～1)；健康指标值越接近于0，表明风机当前时刻劣化越严重；健康指标值越接近于1,表明风机当前时刻健康度越高。
6.一种风机健康评估的系统，其特征在于，所述风机健康评估的系统包括：
工况特征向量获取模块，用于获取风机正常运行时的历史数据并根据所述历史数据形成风机运行时的工况特征向量；
工况划分模块，用于对风机历史运行工况进行划分；
模型构建模块，用于根据所述工况特征向量和预设训练模型识别工况类别，根据工况类别利用状态变量组成的状态特征向量构建风机正常运行时的模型并将该模型作为在线评估风机健康的基准模型；
在线健康评估模块，用于将当前时刻的工况特征向量输入所述预设训练模型，得到当前时刻风机运行工况分别属于每种工况的工况类别概率并计算当前时刻所述状态特征向量与每种工况下所述基准模型的马氏距离，获取所述工况类别概率与距离每种工况下基准模型的马氏距离的加权平均值并将所述加权平均值转化为健康指标用以描述当前时刻风机运行状态偏离正常运行时的程度。
7.根据权利要求6所述的风机健康评估的系统，其特征在于，所述基准模型为：
Figure FDA0002358909710000021
其中，GMMj为基准模型的输出，j＝(1,2,3,4)，μi和Ci分别为第i个高斯分布的均值向量和协方差矩阵；ωi为第i个高斯分布的权重，x针对工况j利用选择的状态参数组成的特征向量，Ni为第i个多维高斯概率密度函数。
8.根据权利要求6所述的风机健康评估的系统，其特征在于，所述健康指标为：
Figure FDA0002358909710000031
Figure FDA0002358909710000032
Figure FDA0002358909710000033
Figure FDA0002358909710000034
其中：HI表示根据当前时刻状态特征向量距离所述基准模型的马氏距离所构建的健康指标；D(x)表示当前时刻状态特征向量距离所述基准模型的马氏距离；D1(x)，D2(x)，D3(x)，D4(x)分别表示为当前时刻状态特征向量距离四种工况下的基准模型的马氏距离；pi表示当前时刻风机运行工况分别属于每种工况的概率，i＝(1,2,3,4)即p1,p2,p3,p4；Dji(x)表示当前时刻状态特征向量与第j种工况下的基准模型的第i个高斯分布的马氏距离；c是与风机正常运行状态相关的常数值；ωi表示为高斯混合模型的权重系数，i＝(1,2,3,4,5)即ω1，ω2，ω3，ω4，ω5；di(x)分别表示为当前时刻状态特征向量与每个高斯分布的马氏距离，i＝(1,2,3,4,5)即dj1(x)，dj2(x)，dj3(x)，dj4(x)，dj5(x)；x表示为表示当前时刻状态特征向量；μji表示为第j种工况下的基准模型的第i个高斯分布的均值向量；C表示为协方差矩阵；HI的取值范围为(0～1)；健康指标值越接近于0，表明风机当前时刻劣化越严重；健康指标值越接近于1,表明风机当前时刻健康度越高。
9.一种控制器，包括处理器和存储器，所述存储器存储有程序指令，其特征在于，所述处理器运行所述程序指令以实现根据权利要求1至5中任一项所述的方法。
10.一种存储器，其上存储有机器可读程序指令，其特征在于，该所述机器可读程序指令运行时执行根据权利要求1至5中任一项所述的方法。
CN201710522283.XA 2017-06-30 2017-06-30 风机健康评估的方法、系统、存储器及控制器 Active CN107341349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710522283.XA CN107341349B (zh) 2017-06-30 2017-06-30 风机健康评估的方法、系统、存储器及控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710522283.XA CN107341349B (zh) 2017-06-30 2017-06-30 风机健康评估的方法、系统、存储器及控制器

Publications (2)

Publication Number Publication Date
CN107341349A CN107341349A (zh) 2017-11-10
CN107341349B true CN107341349B (zh) 2020-04-14

Family

ID=60219340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710522283.XA Active CN107341349B (zh) 2017-06-30 2017-06-30 风机健康评估的方法、系统、存储器及控制器

Country Status (1)

Country Link
CN (1) CN107341349B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI819824B (zh) * 2022-09-30 2023-10-21 中國鋼鐵股份有限公司 應用不同轉速振動閥值之設備異常監診方法

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840666B (zh) * 2017-11-29 2020-12-18 中国电力科学研究院有限公司 一种预测未来风电机组发生故障的模型构建方法及系统
CN108171271B (zh) * 2018-01-11 2022-04-29 湖南大唐先一科技有限公司 一种设备劣化早期预警方法和系统
CN108932531A (zh) * 2018-07-09 2018-12-04 朱卫列 基于模型特征值的设备状态在线检测算法
CN111381161A (zh) * 2018-12-29 2020-07-07 中国葛洲坝集团装备工业有限公司 一种发电机组远程在线健康状态诊断方法
CN110309873B (zh) * 2019-06-28 2021-05-14 清华大学 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统
CN110310033B (zh) * 2019-06-28 2021-10-15 清华大学 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及系统
CN110362048A (zh) * 2019-07-12 2019-10-22 上海交通大学 风机关键部件状态监测方法及装置、存储介质和终端
CN110826899B (zh) * 2019-10-31 2023-01-31 三一重能股份有限公司 一种风力发电机组的性能评估方法、装置、设备及存储介质
TWI749416B (zh) * 2019-11-29 2021-12-11 中國鋼鐵股份有限公司 變轉速設備異常監診方法
CN111144009B (zh) * 2019-12-27 2021-09-03 南方电网电力科技股份有限公司 一种风机的运行状态评估方法、装置、设备和存储介质
CN113158705A (zh) * 2020-01-07 2021-07-23 株洲中车时代电气股份有限公司 风机故障预测与健康管理装置和方法
CN111382946B (zh) * 2020-03-13 2022-06-21 珠海格力电器股份有限公司 设备健康状态的自主评估方法、系统及工业互联网设备
CN113554247B (zh) * 2020-04-23 2024-07-19 北京京东乾石科技有限公司 自动导引运输车运行状况评估方法、装置和系统
CN111582392B (zh) * 2020-05-12 2021-03-02 河北工业大学 一种风电机组关键部件多工况健康状态在线监测方法
CN111709490B (zh) * 2020-06-24 2022-03-18 河北工业大学 一种基于gru神经网络的风机健康状态评估方法
CN112700162A (zh) * 2021-01-12 2021-04-23 上海电气集团股份有限公司 轨道交通空调运行状态的评估方法及装置
CN112836941B (zh) * 2021-01-14 2024-01-09 哈电发电设备国家工程研究中心有限公司 一种煤电机组汽轮机高加系统在线健康状况评估方法
CN113027658B (zh) * 2021-03-24 2022-08-02 华中科技大学 一种水轮机转轮实时状态评估方法及其应用
CN112712305B (zh) * 2021-03-29 2021-07-27 北京星际荣耀空间科技股份有限公司 一种飞行器系统及其健康评估方法和装置
CN113468765B (zh) * 2021-07-27 2024-03-26 浙江大学 部件寿命确定方法、系统和可读存储介质
CN114024820B (zh) * 2021-09-24 2024-04-16 北京华控智加科技有限公司 一种设备健康画像方法
CN114004059B (zh) * 2021-09-24 2022-08-23 雅砻江流域水电开发有限公司 一种水轮发电机组健康画像方法
CN118011247B (zh) * 2024-04-10 2024-08-02 太湖能谷(杭州)科技有限公司 铅碳电池荷电状态的估算方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103839057B (zh) * 2014-03-28 2017-03-15 中南大学 一种锑浮选工况识别方法及系统
CN105373110B (zh) * 2015-12-16 2018-06-05 浙江中烟工业有限责任公司 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法
CN105760839A (zh) * 2016-02-22 2016-07-13 重庆大学 基于多特征流形学习与支持向量机的轴承故障诊断方法
CN106021826B (zh) * 2016-07-11 2018-12-28 北京航空航天大学 一种基于工况识别和相似性匹配的变工况下航空发动机整机剩余寿命预测方法
CN106094570B (zh) * 2016-07-13 2017-11-28 北京航空航天大学 一种基于工况识别和谷本距离的变工况下航空发动机整机健康评估方法
CN106446540B (zh) * 2016-09-20 2019-05-03 华北电力大学（保定） 一种风电机组健康状态实时评估方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI819824B (zh) * 2022-09-30 2023-10-21 中國鋼鐵股份有限公司 應用不同轉速振動閥值之設備異常監診方法

Also Published As

Publication number Publication date
CN107341349A (zh) 2017-11-10

Similar Documents

Publication Publication Date Title
CN107341349B (zh) 风机健康评估的方法、系统、存储器及控制器
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
CN109751206B (zh) 风机叶片结冰故障预测方法、装置及存储介质
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
CN104952000A (zh) 基于马尔科夫链的风电机组运行状态模糊综合评价方法
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
CN110362048A (zh) 风机关键部件状态监测方法及装置、存储介质和终端
CN113107785B (zh) 一种风电机组功率性能异常的实时监测方法及装置
Xu et al. Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals
CN109492790A (zh) 基于神经网络与数据挖掘的风电机组健康管理方法
CN114219216B (zh) 一种电力系统的运行调度方法、系统、装置及介质
CN111091236A (zh) 一种按桨距角分类的多分类深度学习短期风功率预测方法
CN113612237A (zh) 一种在海上风电场中定位谐振诱发的次同步振荡源的方法
Zhang et al. A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data
CN115563885A (zh) 一种风电厂储能电池能量转换系统
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
CN118188342A (zh) 一种面向风机的故障预警与寿命预测方法
Pang et al. Multi kernel fusion convolutional neural network for wind turbine fault diagnosis
CN112836958A (zh) 一种基于模糊综合评价的风电机组运行状态评估系统
Peng et al. Short-Term Prediction of Generator Blade Ice Fault Based on Multi-AN
Yan et al. SOC prediction method of wireless sensor nodes batteries based on Attention-LSTM
Liu et al. Wind Turbine Fault Diagnosis Based on Feature Selection and Stacking Model Fusion with Small-scale Data.
Song et al. Failure rate model of electric equipment based on meteorological environment
Yu et al. The fault diagnosis based on self-organizing fuzzy clustering elman network in wind turbines
CN110334951A (zh) 一种风电机组高温降容状态的智能评估方法及系统

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