CN108051211A - 一种风电机组主轴承温度预警诊断方法 - Google Patents
一种风电机组主轴承温度预警诊断方法 Download PDFInfo
- Publication number
- CN108051211A CN108051211A CN201711477916.6A CN201711477916A CN108051211A CN 108051211 A CN108051211 A CN 108051211A CN 201711477916 A CN201711477916 A CN 201711477916A CN 108051211 A CN108051211 A CN 108051211A
- Authority
- CN
- China
- Prior art keywords
- mrow
- main shaft
- generator set
- wind generator
- set main
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/04—Thermometers specially adapted for specific purposes for measuring temperature of moving solid bodies
- G01K13/08—Thermometers specially adapted for specific purposes for measuring temperature of moving solid bodies in rotary movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及新能源风力发电系统领域,具体涉及一种风电机组主轴承温度预警诊断方法,包括如下步骤:(1)风电场监控数据的采集;(2)与风电机组主轴承温度相关的参数的获取;(3)风电机组主轴承正常温度模型的建立;(4)风电机组主轴承实时的正常温度的理论值的计算:在步骤(1)采集的实时数据中选取与步骤(2)中的风电机组主轴承温度相关参数的实时值,将上述相关参数的实时值输入步骤(3)中训练完成后的神经网络中并生成正常的风电机组主轴承温度值;(5)判断风电机组主轴承实时温度是否异常。本发明可以有效的预判风电机组主轴承故障,不需要安装额外的传感器,显著提升了诊断精度与诊断时间提前量。
Description
技术领域
本发明涉及新能源风力发电系统领域,具体涉及一种风电机组主轴承温度预警诊断方法。
背景技术
风电机组主轴承故障预警方法主要运用到时一种基于数据挖掘的故障诊断,它是一种重要的故障预警方法,由于风机安装环境的复杂性,导致一当风机发生故障就会导致维护的困难。所以对于风机的故障诊断技术成为现阶段的一个难题。在实际中对于风电机组故主轴承故障诊断方法可以分为基于数据、基于信号处理和基于模型的方法,通常基于模型的故障诊断方法是需要一个复杂的物理或者数学模型来检验故障,基于信号的故障诊断技术需要在风机上安装额外的各种传感器,并且基于信号的故障诊断技术对信号的采集有着很严格的要求,但是基于数据的故障诊断方法是基于历史数据的挖掘和简单的数学方法来进行数据的实时监测,利用数据进行故障诊断能够将避免安全复杂的传感器同时也能够避免数据的采集的苛刻要求,因此在新能源中,特别是风力系统中的故障诊断也可做到应有的应用效果。
对于风电场的SCADA数据,神经网络选取输入参数,大多通过主观经验判断或者参数之间的相关性来决定神经网络输入参数。由于风电场SCADA参数之间存在相关性,使用参数相关性选取神经网络输入参数的方法,存在当选择输入参数存在高度相关时,会造成参数的重复使用和数据冗余的问题。而通过主观经验法选择神经网络输入参数,由于影响风机部件的参数比较多,存在选择参数不准确,导致神经网络效率低,选择参数过少,精度不够等问题。
在实际的应用系统中,SCADA系统收集到的数据仅仅只是用来判断风机运行状态以及风机的是否发生故障,导致了大量收集到的数据无法利用。而且,现在的很多SCADA系统所得到的数据结果未必能够反映当前风机的状态,由于这些问题仍存在,现阶段大多数SCADA技术仅仅追求SCADA系统对风机的控制,却容易忽视对SCADA系统收集到的数据的利用。
发明内容
本发明的目的是提供一种提高风电场发电风机主轴承故障的诊断精度以及诊断时间提前量的风电机组主轴承温度预警诊断方法。
上述目的是通过如下技术方案实现:一种风电机组主轴承温度预警诊断方法,包括如下步骤:
(1)风电场监控数据的采集:利用数据采集模块采集并储存风电场的监控数据;
(2)与风电机组主轴承温度相关的参数的获取:利用数据处理模块从步骤(1)中储存的历史数据经过数据处理,选择与风电机组主轴承温度相关参数;
(3)风电机组主轴承正常温度模型的建立:将步骤(2)中获取的相关的参数作为输入训练神经网络,训练完成的神经网络输入步骤(2)中获取的相关参数的值可生成风电机组主轴承温度值;
(4)风电机组主轴承实时的正常温度的理论值的计算:在步骤(1)中采集的实时数据选取与步骤(2)中的风电机组主轴承温度相关参数的实时值,将上述相关参数的实时值输入步骤(3)中训练完成后的神经网络中并生成正常的风电机组主轴承温度值,即所述的风电机组主轴承实时的正常温度的理论值;
(5)判断风电机组主轴承实时温度是否异常:将步骤(4)中神经网络输出的风电机组主轴承温度值与数据采集模块采集的实时风电机组主轴承温度值进行比较,当二者的差值超过预设的阈值时判定所述风电机组主轴承故障并发出预警显示。
本发明在获取实时风电机组主轴承相关数据的同时,将获取到的正常的历史的风电机组主轴承相关参数数据进行神经网络学习,通过正常的相关参数训练神经网络,当实时数据进行神经网络模型的时候会生成一个计算下的正常值,通过比较计算的正常值与实时的风电机组主轴承温度值,当能二者的差值超过预设的阈值时判定所述风电机组主轴承故障并发出预警显示。本发明可以有效的预判风电机组主轴承故障,不需要安装额外的传感器,显著提升了诊断精度与诊断时间提前量。
作为优选,进一步的技术方案是:所述步骤(2)中先对步骤(1)中储存的历史数据先经过滤波处理,将所述的历史数据中异常数值进行处理,消除数据之间的不一致性,然后对经过滤波处理的数据进行数据相关性分析,获得与风电机组主轴承温度相关的参数。如此,通过滤波处理,滤除无关和无效的数据,消除数据之间的不一致性,留下正常数据。
作为优选,进一步的技术方案是:所述步骤(2)中利用逐步回归算法按照自变量因子的显著程度,从大到小逐入回归方程,每次引入一个因子后对已选入的因子逐个进行F检验直至既无显著的因子选入,也无不显著的自变量剔除为止。如此,保证获得与风电机组主轴承温度相关参数过程中不漏掉也不多选,提高选择的与风电机组主轴承温度相关参数的准确性和相关性。
作为优选,进一步的技术方案是:所述步骤(2)中数据相关性分析的具体步骤如下:
(2-1)将经过滤波处理的数据构造参数样本集X(m,n),将上述参数样本集输入数据处理模块,其中样本集X(m,n)包含n个参数x1,x2,x3,........,xn,所有参数的维度为m;
(2-2)设与风电机组主轴承温度相关的参数为xn,计算所有参数的平均值离均差平方sii和协方差矩阵S=(sij)n×n′,相关系数矩阵R=(rij)n×n′,其中,上述矩阵包括n行n′列,计算公式如下:
其中i,j=1,2,3,.....,n-1,n;
(2-3)判断可选择的参数数量是否大于2,当可选择的参数数量大于2则执行步骤(2-4),否则结束,将可选择的参数作为风电机组主轴承温度的最优参数子集;
(2-4)计算各参数的方差贡献,以l步为例,其中l≥1,计算偏回归平方和计算公式如下:
其中p=1,2,3,.....,n-1;
(2-5)进行F检验,自定义选定信度α,查表可得Fα,选入显著性明显的参数至最优参数子集,计算未入选的方差贡献值最大的参数的F1,计算公式如下:
若F1>Fα,说明该参数对xn作用显著,应该选入该参数,同时对相关系数矩阵R做变换并执行步骤(2-6),否则结束;
(2-6)判断选入参数的数量是否大于2,当数量大于2则执行步骤(2-7),否则执行步骤(2-4)。
(2-7)做剔除参数的显著性检验,挑选入选的方差贡献最小的参数,计算:
若F2<Fα,说明该参数对xn作用不显著,应该剔除掉,对相关系数矩阵R做变换,否则将参数保留,并执行步骤(2-8);
(2-8)判断剩余可选入参数数量是否大于2个,当大于2时,执行步骤(2-4),否则获得风电机组主轴承温度最优参数子集[x1,x2,x3,.....,xu],结束,其中u为选入参数个数。
作为优选,进一步的技术方案是:将步骤(2)中获得的风电机组主轴承温度最优参数子集[x1,x2,x3,.....,xu]输入包括神经网络模型的主轴承温度预测模块用以训练神经网络,并得到为风电机组主轴承正常温度与上述最优参数子集[x1,x2,x3,.....,xu]的函数关系的风电机组主轴承正常温度模型。训练神经网络的步骤中,在信号向前传播的过程中,输入信号从输入层经过隐含层的处理过后得到输出信号,当输出信号的结果不能够满足预期的结果的时,反向传播误差,通过反向传递误差,网络修改各层之间的阈值和权值,使得神经网络能够不断的逼近期望输出。
作为优选,进一步的技术方案是:其特征在于,所述步骤(1)中,所述数据采集模块包括检测风电机组外部环境的各类传感器以及检测风电机组运行数据的传感器,所述数据采集模块将采集的数据传递给SCADA系统,所述SCADA系统储存上述数据并进行监控。
作为优选,进一步的技术方案是:所述数据采集模块至少包括风速传感器、温度传感器和机舱温度检测电路、主轴承温度传感器。
作为优选,进一步的技术方案是:所述步骤(4)中将步骤(1)中采集的实时数据经步骤(2)中数据处理步骤后,得到与步骤(2)中的风电机组主轴承温度相关参数的实时值。如此设置,保证获取的实时的风电机组主轴承温度相关参数是正常数据。
作为优选,进一步的技术方案是:所述步骤(2)中对步骤(1)中储存的历史数据经过卡尔曼滤波处理。
作为优选,进一步的技术方案是:所述步骤(3)中神经网络的训练过程中采用信号向前传播、误差方向传播的算法。
相比于现有技术,本发明的通过神经网络预测出的风电场内风电机组主轴承温度的正常值与实时SCADA系统收集到的实时的主轴承温度值进行比较,并根据比较结果判断是否故障,本发明同时利用数学模型选取神经网络输入参数,比起其他的安装外部传感器的故障诊断手法,该方法不需要安装额外的传感器,而且能够充分有效发的利用SCADA数据,不会造成SCADA数据的浪费,显著提升了诊断精度与诊断时间提前量。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明一种实施方式下所涉及的风电机组主轴承温度预警诊断方法具体工作流程图;
图2为本发明一种实施方式下所涉及的风电机组主轴承温度相关参数选取的计算流程示意图;
图3为本发明一种实施方式下所涉及的神经网络的训练流程示意图;
图4为本发明一种实施方式下所涉及的风电机组主轴承故障诊断流程示意图。
具体实施方式
下面结合附图对本发明进行详细描述,本部分的描述仅是示范性和解释性,不应对本发明的保护范围有任何的限制作用。此外,本领域技术人员根据本文件的描述,可以对本文件中实施例中以及不同实施例中的特征进行相应组合。
本发明实施例如下,参照图1和图4,一种风电机组主轴承温度预警诊断方法,包括如下步骤:
(1)风电场监控数据的采集:利用数据采集模块采集并储存风电场的监控数据;
(2)与风电机组主轴承温度相关的参数的获取:利用数据处理模块从步骤(1)中储存的历史数据经过数据处理,选择与风电机组主轴承温度相关参数;
(3)风电机组主轴承正常温度模型的建立:将步骤(2)中获取的相关的参数作为输入训练神经网络,训练完成的神经网络输入步骤(2)中获取的相关参数的值可生成风电机组主轴承温度值;
(4)风电机组主轴承实时的正常温度的理论值的计算:在步骤(1)中采集的实时数据选取与步骤(2)中的风电机组主轴承温度相关参数的实时值,将上述相关参数的实时值输入步骤(3)中训练完成后的神经网络中并生成正常的风电机组主轴承温度值,即所述的风电机组主轴承实时的正常温度的理论值;
(5)判断风电机组主轴承实时温度是否异常:将步骤(4)中神经网络输出的风电机组主轴承温度值与数据采集模块采集的实时风电机组主轴承温度值进行比较,当二者的差值超过预设的阈值时判定所述风电机组主轴承故障并发出预警显示。
本发明在获取实时风电机组主轴承相关数据的同时,将获取到的正常的历史的风电机组主轴承相关参数数据进行神经网络学习,通过正常的相关参数训练神经网络,当实时数据进行神经网络模型的时候会生成一个计算下的正常值,通过比较计算的正常值与实时的风电机组主轴承温度值,当能二者的差值超过预设的阈值时判定所述风电机组主轴承故障并发出预警显示。本发明可以有效的预判风电机组主轴承故障,不需要安装额外的传感器,显著提升了诊断精度与诊断时间提前量。
在上述实施例的基础上,本发明另一实施例中,如图1,所述步骤(2)中先对步骤(1)中储存的历史数据先经过滤波处理,将所述的历史数据中异常数值进行处理,消除数据之间的不一致性,然后对经过滤波处理的数据进行数据相关性分析,获得与风电机组主轴承温度相关的参数。如此,通过滤波处理,滤除无关和无效的数据,消除数据之间的不一致性,留下正常数据。
在上述实施例的基础上,本发明另一实施例中,如图2,所述步骤(2)中利用逐步回归算法按照自变量因子的显著程度,从大到小逐入回归方程,每次引入一个因子后对已选入的因子逐个进行F检验直至既无显著的因子选入,也无不显著的自变量剔除为止。如此,保证获得与风电机组主轴承温度相关参数过程中不漏掉也不多选,提高选择的与风电机组主轴承温度相关参数的准确性和相关性。
在上述实施例的基础上,本发明另一实施例中,如图2,所述步骤(2)中数据相关性分析的具体步骤如下:
(2-1)将经过滤波处理的数据构造参数样本集X(m,n),将上述参数样本集输入数据处理模块,其中样本集X(m,n)包含n个参数x1,x2,x3,........,xn,所有参数的维度为m;
(2-2)设与风电机组主轴承温度相关的参数为xn,计算所有参数的平均值离均差平方sii和协方差矩阵S=(sij)n×n′,相关系数矩阵R=(rij)n×n′,其中,上述矩阵包括n行n′列,计算公式如下:
其中i,j=1,2,3,.....,n-1,n;
(2-3)判断可选择的参数数量是否大于2,当可选择的参数数量大于2则执行步骤(2-4),否则结束,将可选择的参数作为风电机组主轴承温度的最优参数子集;
(2-4)计算各参数的方差贡献,以l步为例,其中l≥1,计算偏回归平方和计算公式如下:
其中p=1,2,3,.....,n-1;
(2-5)进行F检验,自定义选定信度α,查表可得Fα,选入显著性明显的参数至最优参数子集,计算未入选的方差贡献值最大的参数的F1,计算公式如下:
若F1>Fα,说明该参数对xn作用显著,应该选入该参数,同时对相关系数矩阵R做变换并执行步骤(2-6),否则结束;
(2-6)判断选入参数的数量是否大于2,当数量大于2则执行步骤(2-7),否则执行步骤(2-4)。
(2-7)做剔除参数的显著性检验,挑选入选的方差贡献最小的参数,计算:
若F2<Fα,说明该参数对xn作用不显著,应该剔除掉,对相关系数矩阵R做变换,否则将参数保留,并执行步骤(2-8);
(2-8)判断剩余可选入参数数量是否大于2个,当大于2时,执行步骤(2-4),否则获得风电机组主轴承温度最优参数子集[x1,x2,x3,.....,xu],结束,其中u为选入参数个数。
在上述实施例的基础上,本发明另一实施例中,如图3,将步骤(2)中获得的风电机组主轴承温度最优参数子集[x1,x2,x3,.....,xu]输入包括神经网络模型的主轴承温度预测模块用以训练神经网络,并得到为风电机组主轴承正常温度与上述最优参数子集[x1,x2,x3,.....,xu]的函数关系的风电机组主轴承正常温度模型。训练神经网络的步骤中,在信号向前传播的过程中,输入信号从输入层经过隐含层的处理过后得到输出信号,当输出信号的结果不能够满足预期的结果的时,反向传播误差,通过反向传递误差,网络修改各层之间的阈值和权值,使得神经网络能够不断的逼近期望输出。
在上述实施例的基础上,本发明另一实施例中,如图1,所述步骤(1)中,所述数据采集模块包括检测风电机组外部环境的各类传感器以及检测风电机组运行数据的传感器,所述数据采集模块将采集的数据传递给SCADA系统,所述SCADA系统储存上述数据并进行监控。
在上述实施例的基础上,本发明另一实施例中,所述数据采集模块至少包括风速传感器、温度传感器和机舱温度检测电路、主轴承温度传感器。
在上述实施例的基础上,本发明另一实施例中,如图1,所述步骤(4)中将步骤(1)中采集的实时数据经步骤(2)中数据处理步骤后,得到与步骤(2)中的风电机组主轴承温度相关参数的实时值。如此设置,保证获取的实时的风电机组主轴承温度相关参数是正常数据。
在上述实施例的基础上,本发明另一实施例中,所述步骤(2)中对步骤(1)中储存的历史数据经过卡尔曼滤波处理。
在上述实施例的基础上,本发明另一实施例中,如图3,所述步骤(3)中神经网络的训练过程中采用信号向前传播、误差方向传播的算法。
相比于现有技术,本发明的通过神经网络预测出的风电场内风电机组主轴承温度的正常值与实时SCADA系统收集到的实时的主轴承温度值进行比较,并根据比较结果判断是否故障,本发明同时利用数学模型选取神经网络输入参数,比起其他的安装外部传感器的故障诊断手法,该方法不需要安装额外的传感器,而且能够充分有效发的利用SCADA数据,不会造成SCADA数据的浪费,显著提升了诊断精度与诊断时间提前量。
对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种风电机组主轴承温度预警诊断方法,其特征在于,包括如下步骤:
(1)风电场监控数据的采集:利用数据采集模块采集并储存风电场的监控数据;
(2)与风电机组主轴承温度相关的参数的获取:利用数据处理模块从步骤(1)中储存的历史数据经过数据处理,选择与风电机组主轴承温度相关参数;
(3)风电机组主轴承正常温度模型的建立:将步骤(2)中获取的相关的参数作为输入训练神经网络,训练完成的神经网络输入步骤(2)中获取的相关参数的值可生成风电机组主轴承温度值;
(4)风电机组主轴承实时的正常温度的理论值的计算:在步骤(1)采集的实时数据中选取与步骤(2)中的风电机组主轴承温度相关参数的实时值,将上述相关参数的实时值输入步骤(3)中训练完成后的神经网络中并生成正常的风电机组主轴承温度值,即所述的风电机组主轴承实时的正常温度的理论值;
(5)判断风电机组主轴承实时温度是否异常:将步骤(4)中神经网络输出的风电机组主轴承温度值与数据采集模块采集的实时风电机组主轴承温度值进行比较,当二者的差值超过预设的阈值时判定所述风电机组主轴承故障并发出预警显示。
2.根据权利要求1所述的风电机组主轴承温度预警诊断方法,其特征在于,所述步骤(2)中先对步骤(1)中储存的历史数据先经过滤波处理,将所述的历史数据中异常数值进行处理,消除数据之间的不一致性,然后对经过滤波处理的数据进行数据相关性分析,获得与风电机组主轴承温度相关的参数。
3.根据权利要求2所述的风电机组主轴承温度预警诊断方法,其特征在于,所述步骤(2)中利用逐步回归算法按照自变量因子的显著程度,从大到小逐入回归方程,每次引入一个因子后对已选入的因子逐个进行F检验直至既无显著的因子选入,也无不显著的自变量剔除为止。
4.根据权利要求3所述的风电机组主轴承温度预警诊断方法,其特征在于,所述步骤(2)中数据相关性分析的具体步骤如下:
(2-1)将经过滤波处理的数据构造参数样本集X(m,n),将上述参数样本集输入数据处理模块,其中样本集X(m,n)包含n个参数x1,x2,x3,........,xn,所有参数的维度为m;
(2-2)设与风电机组主轴承温度相关的参数为xn,计算所有参数的平均值离均差平方sii和协方差矩阵S=(sij)n×n′,相关系数矩阵R=(rij)n×n′,其中,上述矩阵包括n行n′列,计算公式如下:
<mrow>
<mover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msqrt>
<msub>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>j</mi>
</mrow>
</msub>
</msqrt>
<msqrt>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>i</mi>
</mrow>
</msub>
</msqrt>
<mo>)</mo>
</mrow>
</mrow>
其中i,j=1,2,3,.....,n-1,n;
(2-3)判断可选择的参数数量是否大于2,当可选择的参数数量大于2则执行步骤(2-4),否则结束,将可选择的参数作为风电机组主轴承温度的最优参数子集;
(2-4)计算各参数的方差贡献,以l步为例,其中l≥1,计算偏回归平方和计算公式如下:
其中p=1,2,3,.....,n-1;
(2-5)进行F检验,自定义选定信度α,查表可得Fα,选入显著性明显的参数至最优参数子集,计算未入选的方差贡献值最大的参数的F1,计算公式如下:
<mrow>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<mo>|</mo>
<msubsup>
<mi>V</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mi>p</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>r</mi>
<mrow>
<mi>n</mi>
<mi>n</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>V</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
若F1>Fα,说明该参数对xn作用显著,应该选入该参数,同时对相关系数矩阵R做变换并执行步骤(2-6),否则结束;
(2-6)判断选入参数的数量是否大于2,当数量大于2则执行步骤(2-7),否则执行步骤(2-4)。
(2-7)做剔除参数的显著性检验,挑选入选的方差贡献最小的参数,计算:
<mrow>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<mo>|</mo>
<msubsup>
<mi>V</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mi>p</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>/</mo>
<msubsup>
<mi>r</mi>
<mrow>
<mi>n</mi>
<mi>n</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
若F2<Fα,说明该参数对xn作用不显著,应该剔除掉,对相关系数矩阵R做变换,否则将参数保留,并执行步骤(2-8);
(2-8)判断剩余可选入参数数量是否大于2个,当大于2时,执行步骤(2-4),否则获得风电机组主轴承温度最优参数子集[x1,x2,x3,.....,xu],结束,其中u为选入参数个数。
5.根据权利要求4所述的风电机组主轴承温度预警诊断方法,其特征在于,将步骤(2)中获得的风电机组主轴承温度最优参数子集[x1,x2,x3,.....,xu]输入包括神经网络模型的主轴承温度预测模块用以训练神经网络,并得到为风电机组主轴承正常温度与上述最优参数子集[x1,x2,x3,.....,xu]的函数关系的风电机组主轴承正常温度模型。
6.根据权利要求1~5任意一项所述的风电机组主轴承温度预警诊断方法,其特征在于,所述步骤(1)中,所述数据采集模块包括检测风电机组外部环境的各类传感器以及检测风电机组运行数据的传感器,所述数据采集模块将采集的数据传递给SCADA系统,所述SCADA系统储存上述数据并进行监控。
7.根据权利要求6所述的风电机组主轴承温度预警诊断方法,其特征在于,所述数据采集模块至少包括风速传感器、温度传感器和机舱温度检测电路、主轴承温度传感器。
8.根据权利要求6所述的风电机组主轴承温度预警诊断方法,其特征在于,所述步骤(4)中将步骤(1)中采集的实时数据经步骤(2)中数据处理步骤后,得到与步骤(2)中的风电机组主轴承温度相关参数的实时值。
9.根据权利要求2所述的风电机组主轴承温度预警诊断方法,其特征在于,所述步骤(2)中对步骤(1)中储存的历史数据经过卡尔曼滤波处理。
10.根据权利要求8所述的风电机组主轴承温度预警诊断方法,其特征在于,所述步骤(3)中神经网络的训练过程中采用信号向前传播、误差方向传播的算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711477916.6A CN108051211B (zh) | 2017-12-29 | 2017-12-29 | 一种风电机组主轴承温度预警诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711477916.6A CN108051211B (zh) | 2017-12-29 | 2017-12-29 | 一种风电机组主轴承温度预警诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108051211A true CN108051211A (zh) | 2018-05-18 |
CN108051211B CN108051211B (zh) | 2019-10-18 |
Family
ID=62128984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711477916.6A Active CN108051211B (zh) | 2017-12-29 | 2017-12-29 | 一种风电机组主轴承温度预警诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108051211B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109192340A (zh) * | 2018-07-23 | 2019-01-11 | 广东核电合营有限公司 | 百万千瓦级压水堆核电站发电机测量点监测的方法及装置 |
CN109783873A (zh) * | 2018-12-18 | 2019-05-21 | 风脉能源(武汉)股份有限公司 | 轴温异常状态的预测方法和装置 |
CN109829245A (zh) * | 2019-02-25 | 2019-05-31 | 中科诺维(北京)科技有限公司 | 轴承故障预警方法和装置 |
CN110108457A (zh) * | 2019-04-18 | 2019-08-09 | 大唐东北电力试验研究院有限公司 | 一种基于万有引力神经网络的一次风机轴温诊断方法 |
CN110160585A (zh) * | 2019-05-24 | 2019-08-23 | 北京立群建筑科学研究院 | 环境检测方法、装置、设备及存储介质 |
CN110501160A (zh) * | 2019-07-31 | 2019-11-26 | 中国神华能源股份有限公司神朔铁路分公司 | 列车轴承故障预警方法、装置、系统和存储介质 |
CN110764065A (zh) * | 2019-10-16 | 2020-02-07 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
CN110926627A (zh) * | 2019-12-12 | 2020-03-27 | 四川普什宁江机床有限公司 | 一种主轴温升预警方法 |
CN110969185A (zh) * | 2019-10-16 | 2020-04-07 | 清华大学 | 基于数据重构的设备异常状态检测方法 |
CN110991666A (zh) * | 2019-11-25 | 2020-04-10 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
CN111046582A (zh) * | 2019-12-27 | 2020-04-21 | 大亚湾核电运营管理有限责任公司 | 一种核电站柴油发电机组线圈温度预警方法及系统 |
CN111177907A (zh) * | 2019-12-21 | 2020-05-19 | 国网浙江省电力有限公司杭州供电公司 | 电抗器寿命自动评估方法及装置 |
CN111458143A (zh) * | 2020-04-11 | 2020-07-28 | 湘潭大学 | 一种风电机组主轴承温度故障诊断方法 |
CN112001632A (zh) * | 2020-08-25 | 2020-11-27 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组齿轮箱轴承性能退化状态评估方法 |
CN112504511A (zh) * | 2020-12-15 | 2021-03-16 | 润电能源科学技术有限公司 | 一种发电机定子温度监测方法、装置及介质 |
CN113052716A (zh) * | 2019-12-27 | 2021-06-29 | 新疆金风科技股份有限公司 | 风力发电机组主轴承的异常预警方法及装置 |
CN113740063A (zh) * | 2021-09-26 | 2021-12-03 | 重庆大学 | 列车轴承监控预警方法及系统 |
EP3696405B1 (en) | 2019-02-14 | 2023-03-22 | Mitsubishi Heavy Industries, Ltd. | Operating state evaluation method and operating state evaluation device |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091103A (zh) * | 2011-10-27 | 2013-05-08 | 华锐风电科技(集团)股份有限公司 | 风电机组主轴轴承测试系统和测试方法 |
CN103161668A (zh) * | 2013-02-21 | 2013-06-19 | 上海交通大学 | 智能风电机组工况辨识系统及方法 |
CN203414275U (zh) * | 2013-08-23 | 2014-01-29 | 中国水利水电科学研究院 | 一种风电机组滚动轴承异常状态预警检测装置 |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN107153929A (zh) * | 2017-07-10 | 2017-09-12 | 龙源(北京)风电工程技术有限公司 | 基于深度神经网络的风电机组齿轮箱故障监测方法及系统 |
-
2017
- 2017-12-29 CN CN201711477916.6A patent/CN108051211B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091103A (zh) * | 2011-10-27 | 2013-05-08 | 华锐风电科技(集团)股份有限公司 | 风电机组主轴轴承测试系统和测试方法 |
CN103161668A (zh) * | 2013-02-21 | 2013-06-19 | 上海交通大学 | 智能风电机组工况辨识系统及方法 |
CN203414275U (zh) * | 2013-08-23 | 2014-01-29 | 中国水利水电科学研究院 | 一种风电机组滚动轴承异常状态预警检测装置 |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN107153929A (zh) * | 2017-07-10 | 2017-09-12 | 龙源(北京)风电工程技术有限公司 | 基于深度神经网络的风电机组齿轮箱故障监测方法及系统 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109192340A (zh) * | 2018-07-23 | 2019-01-11 | 广东核电合营有限公司 | 百万千瓦级压水堆核电站发电机测量点监测的方法及装置 |
CN109783873A (zh) * | 2018-12-18 | 2019-05-21 | 风脉能源(武汉)股份有限公司 | 轴温异常状态的预测方法和装置 |
EP3696405B1 (en) | 2019-02-14 | 2023-03-22 | Mitsubishi Heavy Industries, Ltd. | Operating state evaluation method and operating state evaluation device |
CN109829245A (zh) * | 2019-02-25 | 2019-05-31 | 中科诺维(北京)科技有限公司 | 轴承故障预警方法和装置 |
CN110108457A (zh) * | 2019-04-18 | 2019-08-09 | 大唐东北电力试验研究院有限公司 | 一种基于万有引力神经网络的一次风机轴温诊断方法 |
CN110160585A (zh) * | 2019-05-24 | 2019-08-23 | 北京立群建筑科学研究院 | 环境检测方法、装置、设备及存储介质 |
CN110501160A (zh) * | 2019-07-31 | 2019-11-26 | 中国神华能源股份有限公司神朔铁路分公司 | 列车轴承故障预警方法、装置、系统和存储介质 |
CN110764065A (zh) * | 2019-10-16 | 2020-02-07 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
CN110969185A (zh) * | 2019-10-16 | 2020-04-07 | 清华大学 | 基于数据重构的设备异常状态检测方法 |
CN110764065B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
CN110991666A (zh) * | 2019-11-25 | 2020-04-10 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
CN110991666B (zh) * | 2019-11-25 | 2023-09-15 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
US11746753B2 (en) | 2019-11-25 | 2023-09-05 | Envision Digital International Pte. Ltd. | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium |
KR20220097544A (ko) * | 2019-11-25 | 2022-07-07 | 엔비전 디지털 인터내셔널 피티이 리미티드 | 결함 검출 방법 및 장치, 모델 훈련 방법 및 장치, 및 디바이스 및 저장 매체 |
JP2022552424A (ja) * | 2019-11-25 | 2022-12-15 | エンヴィジョン デジタル インターナショナル ピーティーイー.エルティーディー. | 故障を検出するための方法および装置、モデルをトレーニングするための方法および装置、並びにそれらのデバイスおよび記憶媒体 |
JP7185808B1 (ja) | 2019-11-25 | 2022-12-07 | エンヴィジョン デジタル インターナショナル ピーティーイー.エルティーディー. | 故障を検出するための方法および装置、モデルをトレーニングするための方法および装置、並びにそれらのデバイスおよび記憶媒体 |
WO2021107866A1 (en) | 2019-11-25 | 2021-06-03 | Envision Digital International Pte. Ltd. | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium |
KR102455338B1 (ko) | 2019-11-25 | 2022-10-17 | 엔비전 디지털 인터내셔널 피티이 리미티드 | 결함 검출 방법 및 장치, 모델 훈련 방법 및 장치, 및 디바이스 및 저장 매체 |
CN110926627A (zh) * | 2019-12-12 | 2020-03-27 | 四川普什宁江机床有限公司 | 一种主轴温升预警方法 |
CN111177907A (zh) * | 2019-12-21 | 2020-05-19 | 国网浙江省电力有限公司杭州供电公司 | 电抗器寿命自动评估方法及装置 |
CN113052716A (zh) * | 2019-12-27 | 2021-06-29 | 新疆金风科技股份有限公司 | 风力发电机组主轴承的异常预警方法及装置 |
CN113052716B (zh) * | 2019-12-27 | 2023-03-03 | 新疆金风科技股份有限公司 | 风力发电机组主轴承的异常预警方法及装置 |
CN111046582A (zh) * | 2019-12-27 | 2020-04-21 | 大亚湾核电运营管理有限责任公司 | 一种核电站柴油发电机组线圈温度预警方法及系统 |
CN111458143A (zh) * | 2020-04-11 | 2020-07-28 | 湘潭大学 | 一种风电机组主轴承温度故障诊断方法 |
CN112001632B (zh) * | 2020-08-25 | 2022-07-19 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组齿轮箱轴承性能退化状态评估方法 |
CN112001632A (zh) * | 2020-08-25 | 2020-11-27 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组齿轮箱轴承性能退化状态评估方法 |
CN112504511A (zh) * | 2020-12-15 | 2021-03-16 | 润电能源科学技术有限公司 | 一种发电机定子温度监测方法、装置及介质 |
CN112504511B (zh) * | 2020-12-15 | 2023-08-15 | 润电能源科学技术有限公司 | 一种发电机定子温度监测方法、装置及介质 |
CN113740063A (zh) * | 2021-09-26 | 2021-12-03 | 重庆大学 | 列车轴承监控预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108051211B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108051211B (zh) | 一种风电机组主轴承温度预警诊断方法 | |
CN108376298A (zh) | 一种风电机组发电机温度故障预警诊断方法 | |
CN104503399B (zh) | 一种集团级风电机组状态监测及故障诊断平台 | |
CN102819239B (zh) | 一种数控机床智能故障诊断方法 | |
CN103033359B (zh) | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 | |
CN107941537A (zh) | 一种机械设备健康状态评估方法 | |
CN104767482B (zh) | 一种光伏组件老化和短路故障在线诊断方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN101477375B (zh) | 基于矩阵奇异值关联规则挖掘的传感器数据校验方法 | |
CN103645052A (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN108680807A (zh) | 基于条件生成式对抗网络的变压器故障诊断方法和系统 | |
CN107701378A (zh) | 一种风力发电机故障预警方法 | |
CN102243135A (zh) | 一种塔式太阳能热发电站定日镜故障诊断分析方法 | |
CN104571084B (zh) | 主风机组故障根源深度诊断方法和装置 | |
CN103617105B (zh) | 一种基于数据驱动的自适应多层流模型设备诊断方法 | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
CN108506171A (zh) | 一种大型半直驱机组齿轮箱冷却系统故障预警方法 | |
Samhouri et al. | An intelligent machine condition monitoring system using time-based analysis: neuro-fuzzy versus neural network | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
CN116502073A (zh) | 一种风力发电机组高可信智能故障诊断与健康管理方法 | |
CN107895194A (zh) | 一种核电厂主冷却剂系统故障诊断方法 | |
CN105629091A (zh) | 一种基于人工神经的供电线路保护方法 | |
Duan et al. | Diagnosis strategy for micro-computer controlled straight electro-pneumatic braking system using fuzzy set and dynamic fault tree | |
CN116451016A (zh) | 一种卫星智能化故障系统诊断评估的方法 |
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 |