CN108019322A - 一种基于微云的风电机组机舱加速度故障预测系统及其数据管理方法 - Google Patents
一种基于微云的风电机组机舱加速度故障预测系统及其数据管理方法 Download PDFInfo
- Publication number
- CN108019322A CN108019322A CN201711338014.4A CN201711338014A CN108019322A CN 108019322 A CN108019322 A CN 108019322A CN 201711338014 A CN201711338014 A CN 201711338014A CN 108019322 A CN108019322 A CN 108019322A
- Authority
- CN
- China
- Prior art keywords
- module
- fault data
- gprs
- cabin acceleration
- failure
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
Abstract
一种基于微云的风电机组机舱加速度故障预测系统及其数据管理方法,涉及数据管理技术领域,本发明利用电机故障特征库对电机运行故障进行预测预判;电机故障特征库主要是由各电机故障监测模块上报电机故障数据而生成,并且故障特征库数据可以被各电机故障预测模块共享。电机故障预测系统主要基于微型主机实现,具有性价比高,安装部署简便,可扩展等优点,该系统的实现有助于降低企业因电机故障而发生停机停车事故的几率。
Description
技术领域
本发明涉及一种数据管理技术领域,特别是风力电机组机舱加速度故障预测系统的数据管理方法。
背景技术
海上风力发电机需要经受海洋环境条件恶劣的考验,一方面,海上盐雾浓度高、湿度大、且时常可能伴有台风、海冰等灾害性天气,非常不利于机械与电气设备的长期运行;另一方面,风机伫立海中,受到海面与海底各种风、涌、浪、流的影响,与陆上大多数系统相比,海上风机运行环境复杂多变、受非定常载荷影响显著;最后,海上风机可及性差,出海与海上作业对交通工具及天气条件有严格要求,不仅耗费时间长、造成的停机损失大,而且海上船只或直升机等交通工具花费的成本也远远高于陆上。海洋环境不仅给海上风机的稳定可靠运行带来巨大挑战,也给风机的快速经济维护造成巨大困难。此外,全球大规模海上风电开发起始于2008-2010年,至今不到 10 年时间,而国内首个大型海上风电场于2010 年方正式投运。运行年限短、运行数据与经验少,这些进一步为海上风电机组运维造成许多困难。
海上风电场一般采用预防性维护与事后修复相结合的运维策略。预防性维护主要有 2 种情况:定期检修与状态检修。定期检修是依据事先制定的维护计划进行的风机预防性检查与维护,主要是对风机各部件进行状态检查与功能测试。定期维护保养可以让设备保持最佳的状态,并延长风机的使用寿命。为了提高风电场风资源的利用率,定期维护一般安排在风速较小的情况下实施。状态检修是指通过风机状态监测系统提取的相关状态信息,结合在线或离线健康诊断或故障分析系统的结果,而制定的维护策略。它是海上风机运维最理想的一种方式,需要以成熟的海上风机状态监测技术、健康诊断技术以及运维策略优化技术综合应用为基础,而这些技术目前还不成熟。
微型主机基于工业ARM主板,该控制器具有体积小、成本低、扩展能力强等特点。其体积仅有一个卡片大小,将配置D/MicroSD卡为内存硬盘,1/2/4个 USB 接口和一个10/100以太网接口,可连接键盘、鼠标和网线,同时拥有视频模拟信号的电视输出接口和 HDMI 高清视频输出接口,具备有 PC 的基本功能,可以处理复杂的计算任务。
微云平台主要基于2台或2台以上微型主机构建,并在其上部署主流的Hadoop技术框架,用户在Hadoop环境下进行海量数据的存储,并对这些海量数据进行处理、分析和开发。
发明内容
为了解决现有技术中存在的问题,本发明的目的是提供一种基于微云的风电机组机舱加速度故障预测系统。
本发明之基于微云的风电机组机舱加速度故障预测系统包括机舱加速度故障在线监测模块和机舱加速度故障数据云存储与共享模块;所述机舱加速度故障在线监测模块包括机舱加速度传感器模块、微云故障数据存储模块、故障上报模块、GPRS发送模块、GPRS接收模块、故障下载模块、BP神经网络故障预测模块和故障预测显示模块;机舱加速度传感器模块的信号输出端与微云故障数据存储模块相连,微云故障数据存储模块通过故障上报模块与GPRS发送模块连接,GPRS接收模块与故障下载模块连接,微云故障数据存储模块还通过BP神经网络故障预测模块与故障预测显示模块相连;所述机舱加速度故障数据云存储与共享模块包括云端GPRS接收模块、故障数据清洗模块、故障数据存储及共享模块、故障数据抽取模块和云端GPRS发送模块;GPRS发送模块通过GPRS网络与云端GPRS接收模块信息连接,云端GPRS接收模块与故障数据清洗模块相连,故障数据清洗模块与故障数据存储及共享模块相连,故障数据存储及共享模块与故障数据抽取模块相连,故障数据抽取模块与云端GPRS发送模块相连;GPRS接收模块通过GPRS网络与云端GPRS发送模块信息相连。
本发明利用电机故障特征库对电机运行故障进行预测预判;电机故障特征库主要是由各电机故障监测模块上报电机故障数据而生成,并且故障特征库数据可以被各电机故障预测模块共享。电机故障预测系统主要基于微型主机实现,具有性价比高,安装部署简便,可扩展等优点,该系统的实现有助于降低企业因电机故障而发生停机停车事故的几率。
以上系统能实现风电机组机舱加速度状态的在线监测,同时,利用其他多路机舱加速度故障数据,对本地机舱加速度可能出现的故障进行预测预判,降低维护成本,为实现风电机组的智能运维提供重要依据。
本发明另一目的是提出基于微云的风电机组机舱加速度故障的数据管理方法。
步骤如下:
1)风电机组的机舱加速度传感器完成机舱加速度的数据采集,并通过RS232协议传递给微云故障数据存储模块;
2)微云故障数据存储模块接收所述机舱加速度的数据后,生成本地机舱加速度数据进行存储;
3)故障上报模块定期从微云故障数据存储模块中抽取最新的机舱加速度故障数据,并进行缓存,然后通过RS485协议传递给GPRS发送模块;
4)GPRS发送模块通过GPRS网络将数据传递至机舱加速度故障数据云存储与共享模块的云端GPRS接收模块;
5)云端GPRS接收模块接收多路机舱加速度故障在线监测模块的GPRS发送模块发送的故障数据,并传递给故障数据清洗模块;
6)故障数据清洗模块对各路机舱加速度故障数据进行清洗,并将清洗后的数据传递给故障数据存储及共享模块;
7)故障数据存储及共享模块对各路机舱加速度故障数据进行云存储,并且故障数据能够被各路机舱加速度故障在线监测模块共享;
8)故障数据抽取模块定期从故障数据存储及共享模块抽取其他机舱加速度故障在线监测模块的故障数据,并传递给云端GPRS发送模块;
9)云端GPRS发送模块将其他机舱加速度传感器故障数据通过GPRS网络传递给机舱加速度故障在线监测模块的GPRS接收模块;
10)机舱加速度故障在线监测模块的GPRS接收模块将数据传递给故障下载模块;
11)故障下载模块将故障数据传递给微云故障数据存储模块;
12)微云故障数据存储模块将对其他机舱加速度传感器故障数据进行本地存储,生成多路机舱加速度传感故障数据汇总存储;
13)BP神经网络故障预测模块根据微云故障数据存储模块的故障数据对本地机舱加速度传感器故障的发生进行预测,然后将预测结果传递给故障预测显示模块;
14)故障预测显示模块显示BP神经网络故障预测模块的预测结果。
目前常用的故障预测技术主要基于服务器端统一数据存储进行的预测,而这种方式对于分布范围广泛的机舱加速度部件来讲,并不是一种及时高效的方法,因为服务器端的故障预测结果反馈到机舱加速度部件现场需要一定的时间;因此,只有将故障数据存储和故障预测部署在机舱加速度部件现场,才能实现更高效的故障预测效果。所以本发明方法提出了一种在机舱加速度部件现场部署微云的方式来实现现场故障数据的存储和预测分析。
附图说明
图1为本发明的机舱加速度故障在线监测模块结构示意图。
图2为本发明的机舱加速度故障数据云存储与共享模块结构示意图。
图3为本发明数据管理方法的流程图。
具体实施方式
下面根据附图对本发明作进一步的说明。
基于微云的风电机组机舱加速度故障预测系统,包括机舱加速度故障在线监测模块和机舱加速度故障数据云存储与共享模块。
机舱加速度故障在线监测模块包括机舱加速度传感器模块1、微云故障数据存储模块2、故障上报模块3、GPRS发送模块4、GPRS接收模块5、故障下载模块6、BP神经网络故障预测模块7、故障预测显示模块8。
机舱加速度传感器模块1与微云故障数据存储模块2相连,机舱加速度传感器模块1采集的数据通过RS232协议传递给微云故障数据存储模块2,并实现机舱加速度数据本地存储。
微云故障数据存储模块2通过故障上报模块3与GPRS发送模块4连接,GPRS接收模块5与故障下载模块6连接,微云故障数据存储模块2还通过BP神经网络故障预测模块7与故障预测显示模块8相连。
微云故障数据存储模块2除了存储由机舱加速度传感器模块1传递的机舱加速度传感器数据以外,还将故障信息上报至故障上报模块3,故障上报模块3将定期从微云故障数据存储模块2抽取最新故障数据,并通过RS485将数据传递给GPRS发送模块4,再经RS485协议,GPRS接收模块5将接收的数据传递给故障下载模块6。GPRS接收模块5还接收其他机舱加速度传感器故障数据,由故障下载模块6缓存该数据,进行数据的本地化存储。
BP神经网络故障预测模块7将根据微云故障数据存储模块2中的机舱加速度传感器数据进行本地机舱加速度故障的预测。BP神经网络故障预测模块7以微云故障数据存储模块2的数据作为学习数据源,结合BP神经网络对本地的机舱加速度传感器故障进行预测,预测结果通过故障预测显示模块8进行显示。
机舱加速度故障数据云存储与共享模块包括云端GPRS接收模块9、故障数据清洗模块10、故障数据存储及共享模块11、故障数据抽取模块12、云端GPRS发送模块13。
云端GPRS接收模块9与故障数据清洗模块10相连,故障数据清洗模块10先接收各机舱加速度故障在线监测模块的GPRS发送模块4发送的机舱加速度故障数据,然后再对该数据进行清洗。
故障数据清洗模块10与故障数据存储及共享模块11相连,故障数据清洗模块10将清洗后的故障数据传递给故障数据存储及共享模块11。
故障数据存储及共享模块11与故障数据抽取模块12相连,故障数据抽取模块12为故障数据抽取模块提供故障数据源。
故障数据抽取模块12与云端GPRS发送模块13相连,云端GPRS发送模块13将自故障数据抽取模块12传送的其他机舱加速度传感器故障数据通过GPRS网络传递给机舱加速度故障在线监测模块的GPRS接收模块5,以便故障下载模块6完成其他机舱加速度传感器故障数据的下载。
本发明基于微云的风电机组机舱加速度故障的数据管理方法,其步骤包括:
1)首先风电机组的机舱加速度传感器1将完成机舱加速度的数据采集,并通过RS232协议传递给微云故障数据存储模块2;
2)微云故障数据存储模块2收到传感器数据后,将生成本地机舱加速度数据进行存储,包括机舱加速度实时数据和机舱加速度故障数据;
3)故障上报模块3定期从微云故障数据存储模块2中抽取最新的机舱加速度故障数据,并进行缓存,然后通过RS485协议传递给GPRS发送模块4;
4)GPRS发送模块4收到最新故障数据后,通过GPRS网络将数据传递至机舱加速度故障数据云存储与共享模块的云端GPRS接收模块9;
5)云端GPRS接收模块9接收多路机舱加速度故障在线监测模块的GPRS发送模块4发送的故障数据,并传递给故障数据清洗模块10;
6)故障数据清洗模块10主要对各路机舱加速度故障数据进行清洗,将不满足条件的故障数据清洗出去,然后将清洗后的数据传递给故障数据存储及共享模块11;
7)故障数据存储及共享模块11对各路机舱加速度故障数据进行云存储,并且故障数据能够被各路机舱加速度故障在线监测模块共享;
8)故障数据抽取模块12定期从故障数据存储及共享模块抽11取其他机舱加速度故障在线监测模块的故障数据,并传递给云端GPRS发送模块13;
9)云端GPRS发送模块13将其他机舱加速度传感器故障数据通过GPRS网络传递给机舱加速度故障在线监测模块的GPRS接收模块5;
10)机舱加速度故障在线监测模块的GPRS接收模块5收到其他机舱加速度传感器故障数据后,将数据传递给故障下载模块6;
11)故障下载模块6将对GPRS接收模块5接收的其他机舱加速度传感器故障数据进行缓存,故障数据全部缓存完成后,再将故障数据传递给微云故障数据存储模块2;
12)微云故障数据存储模块5将对其他机舱加速度传感器故障数据进行本地存储,生成多路机舱加速度传感故障数据汇总存储;
13)BP神经网络故障预测模块7根据微云故障数据存储模块2的故障数据对本地机舱加速度传感器故障的发生进行预测,然后将预测结果传递给故障预测显示模块8;
14)故障预测显示模块8显示BP神经网络故障预测模块的预测结果。
本发明可以实现一种利用多路机舱加速度传感器故障特征数据通过BP神经网络对本地机舱加速度传感器故障进行预测预判的数据管理方法;机舱加速度传感器故障预测系统基于微云实现,具有性价比高,可扩展等特点。
Claims (2)
1.一种基于微云的风电机组机舱加速度故障预测系统,其特征在于包括机舱加速度故障在线监测模块和机舱加速度故障数据云存储与共享模块;所述机舱加速度故障在线监测模块包括机舱加速度传感器模块、微云故障数据存储模块、故障上报模块、GPRS发送模块、GPRS接收模块、故障下载模块、BP神经网络故障预测模块和故障预测显示模块;机舱加速度传感器模块的信号输出端与微云故障数据存储模块相连,微云故障数据存储模块通过故障上报模块与GPRS发送模块连接,GPRS接收模块与故障下载模块连接,微云故障数据存储模块还通过BP神经网络故障预测模块与故障预测显示模块相连;所述机舱加速度故障数据云存储与共享模块包括云端GPRS接收模块、故障数据清洗模块、故障数据存储及共享模块、故障数据抽取模块和云端GPRS发送模块;GPRS发送模块通过GPRS网络与云端GPRS接收模块信息连接,云端GPRS接收模块与故障数据清洗模块相连,故障数据清洗模块与故障数据存储及共享模块相连,故障数据存储及共享模块与故障数据抽取模块相连,故障数据抽取模块与云端GPRS发送模块相连;GPRS接收模块通过GPRS网络与云端GPRS发送模块信息相连。
2.如权利要求1所述基于微云的风电机组机舱加速度故障预测系统的数据管理方法,其特征包括以下步骤:
1)风电机组的机舱加速度传感器完成机舱加速度的数据采集,并通过RS232协议传递给微云故障数据存储模块;
2)微云故障数据存储模块接收所述机舱加速度的数据后,生成本地机舱加速度数据进行存储;
3)故障上报模块定期从微云故障数据存储模块中抽取最新的机舱加速度故障数据,并进行缓存,然后通过RS485协议传递给GPRS发送模块;
4)GPRS发送模块通过GPRS网络将数据传递至机舱加速度故障数据云存储与共享模块的云端GPRS接收模块;
5)云端GPRS接收模块接收多路机舱加速度故障在线监测模块的GPRS发送模块发送的故障数据,并传递给故障数据清洗模块;
6)故障数据清洗模块对各路机舱加速度故障数据进行清洗,并将清洗后的数据传递给故障数据存储及共享模块;
7)故障数据存储及共享模块对各路机舱加速度故障数据进行云存储,并且故障数据能够被各路机舱加速度故障在线监测模块共享;
8)故障数据抽取模块定期从故障数据存储及共享模块抽取其他机舱加速度故障在线监测模块的故障数据,并传递给云端GPRS发送模块;
9)云端GPRS发送模块将其他机舱加速度传感器故障数据通过GPRS网络传递给机舱加速度故障在线监测模块的GPRS接收模块;
10)机舱加速度故障在线监测模块的GPRS接收模块将数据传递给故障下载模块;
11)故障下载模块将故障数据传递给微云故障数据存储模块;
12)微云故障数据存储模块将对其他机舱加速度传感器故障数据进行本地存储,生成多路机舱加速度传感故障数据汇总存储;
13)BP神经网络故障预测模块根据微云故障数据存储模块的故障数据对本地机舱加速度传感器故障的发生进行预测,然后将预测结果传递给故障预测显示模块;
14)故障预测显示模块显示BP神经网络故障预测模块的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711338014.4A CN108019322B (zh) | 2017-12-14 | 2017-12-14 | 一种基于微云的风电机组机舱加速度故障预测系统及其数据管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711338014.4A CN108019322B (zh) | 2017-12-14 | 2017-12-14 | 一种基于微云的风电机组机舱加速度故障预测系统及其数据管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108019322A true CN108019322A (zh) | 2018-05-11 |
CN108019322B CN108019322B (zh) | 2022-08-12 |
Family
ID=62073586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711338014.4A Active CN108019322B (zh) | 2017-12-14 | 2017-12-14 | 一种基于微云的风电机组机舱加速度故障预测系统及其数据管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108019322B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376846A (zh) * | 2018-08-21 | 2019-02-22 | 南京理工大学 | 基于Hadoop平台的BP神经网络的地铁信号系统故障预测方法 |
CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2631476A2 (de) * | 2012-02-24 | 2013-08-28 | Horst Zell | Verfahren zur Überprüfung des baulichen Zustands von Windkraftanlagen |
CN103343728A (zh) * | 2013-06-09 | 2013-10-09 | 上海乾祺电子科技有限公司 | 风力发电机组远程在线多模式健康状态监测与故障诊断系统 |
CN104929864A (zh) * | 2015-02-06 | 2015-09-23 | 青岛科技大学 | 基于fpga的嵌入式风力发电机组运行状态监测及故障诊断系统 |
CN106124939A (zh) * | 2016-06-12 | 2016-11-16 | 西安博源电气有限公司 | 分布式高压电缆局部放电在线监测及定位系统 |
-
2017
- 2017-12-14 CN CN201711338014.4A patent/CN108019322B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2631476A2 (de) * | 2012-02-24 | 2013-08-28 | Horst Zell | Verfahren zur Überprüfung des baulichen Zustands von Windkraftanlagen |
CN103343728A (zh) * | 2013-06-09 | 2013-10-09 | 上海乾祺电子科技有限公司 | 风力发电机组远程在线多模式健康状态监测与故障诊断系统 |
CN104929864A (zh) * | 2015-02-06 | 2015-09-23 | 青岛科技大学 | 基于fpga的嵌入式风力发电机组运行状态监测及故障诊断系统 |
CN106124939A (zh) * | 2016-06-12 | 2016-11-16 | 西安博源电气有限公司 | 分布式高压电缆局部放电在线监测及定位系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376846A (zh) * | 2018-08-21 | 2019-02-22 | 南京理工大学 | 基于Hadoop平台的BP神经网络的地铁信号系统故障预测方法 |
CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108019322B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104503399B (zh) | 一种集团级风电机组状态监测及故障诊断平台 | |
Dinwoodie et al. | Analysis of offshore wind turbine operation and maintenance using a novel time domain meteo-ocean modeling approach | |
CN104730081B (zh) | 一种用于风电桨叶的故障检测系统 | |
CN108027908A (zh) | 模拟方法和系统 | |
CN112614019A (zh) | 一种海上风电运维智能管理平台及方法 | |
CN112594142B (zh) | 一种基于5g的端云协同风电运维诊断系统 | |
CN105005861B (zh) | 海上风电场运营调控系统 | |
CN103453984A (zh) | 基于WiMAX网络的风力发电机组振动状态监测与故障诊断系统 | |
CN108019322A (zh) | 一种基于微云的风电机组机舱加速度故障预测系统及其数据管理方法 | |
CN110531656A (zh) | 一种水电机组性能的监测系统和方法 | |
CN108167135A (zh) | 海上风电场风机辅控系统、方法以及装置 | |
Muñoz et al. | Wind energy power prospective | |
CN109858657A (zh) | 海上风电场的预报预警系统 | |
Marugán et al. | Multivariable analysis for advanced analytics of wind turbine management | |
CN207847858U (zh) | 海上风电场风机辅控系统 | |
Visbech et al. | Introducing a data-driven approach to predict site-specific leading-edge erosion from mesoscale weather simulations | |
Tchakoua et al. | New trends and future challenges for wind turbines condition monitoring | |
CN202916673U (zh) | 输电线路在线监测管理报警系统 | |
Chen et al. | A novel multi-task learning method with attention mechanism for wind turbine blades imbalance fault diagnosis | |
CN116866512A (zh) | 一种光伏电站巡检系统及其运行方法 | |
Long et al. | Wind turbine anomaly identification based on improved deep belief network with SCADA data | |
CN116149270A (zh) | 一种风力电站预警处理过程跟踪方法及系统 | |
CN115238918A (zh) | 一种基于边缘计算的海上风电场智能运维方法 | |
CN115457411A (zh) | 航油管线无人化巡视方法、装置和航油安全运维系统 | |
Giebel et al. | CleverFarm-A SuperSCADA system for wind farms |
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 |