CN108072524A - 一种风电机组齿轮箱轴承故障预警方法 - Google Patents
一种风电机组齿轮箱轴承故障预警方法 Download PDFInfo
- Publication number
- CN108072524A CN108072524A CN201610990363.3A CN201610990363A CN108072524A CN 108072524 A CN108072524 A CN 108072524A CN 201610990363 A CN201610990363 A CN 201610990363A CN 108072524 A CN108072524 A CN 108072524A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- mfrac
- sigma
- mover
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种风电机组齿轮箱轴承故障预警方法,该方法包括:SCADA运行数据的采集、参数选择、参数相关性分析、确定目标变量和分析变量,进行目标变量区间分析、目标变量集群统计分析、风电机组状态判断;选择的参数包括:齿轮箱轴承温度、齿轮箱油温、平均风速、发电机转速、有功功率;计算参数间的相关系数;以分析变量为横坐标目标变量为纵坐标的区间分析;同一区间内的目标变量的集群统计分析;根据故障报警阀值判断风电机组是否出现齿轮箱轴承故障。本发明提供的技术方案运算方法简明高效,不额外增加成本,占用系统资源少。
Description
技术领域
本发明涉及风电机组故障预警,具体涉及一种基于集群分析的风电机组齿轮箱轴承故障预警方法。
背景技术
风电机组运行环境较为恶劣,需要对风电机组定期检修和故障后维修,由于风电机组的特殊性,定期检修选择在小风时停机,对风电机组进行简单维护或更换耗材,无法发现大部件故障隐患,而在设计寿命周期内,风电机组一旦发生故障,需要停机维修,这会造成较大的经济损失。
目前,风电机组的故障统计数据表明,发生故障次数较多的部件主要是变流器、齿轮箱、变桨系统、控制柜、偏航系统等,根据部分风电场的运行数据统计,故障诊断、检修以及风电机组受累停运时间占故障损失运行时间的79%,而定期维护时间仅占12%。对于大部件如果仅采用故障后被动的维修方式,容易造成缺陷扩大,维修时间延长,长期停机,加剧经济损失,对于海上风电机组,海上运输、吊装、维修成本更加高昂。
我国风电整机装备技术起步较晚,早期生产和运行的风电机组主要采用国外技术直接引进或购买生产许可证生产,在技术引进、消化以及国产化的研发进程中,恰遇我国风电产业大发展,注重产量和产值粗犷式的发展同时,对技术细节关注不够,导致目前运行的风电机组故障率远远超过国外同类型风电机组。
目前风电机组均配有监控与数据采集系统(SCADA,supervisory control anddata acquisition),能够监控风电机组功率、转速,以及齿轮箱、发电机等大部件的温度等参数,对主要部件的运行状态进行简单的判定,但是一般只针对单一参数设定固定阈值,时效性较差。
本发明利用风电机组运行SCADA数据,对同一风电场内同型号的全部运行风机进行集群分析,通过风电机组发电功率、风轮转速、齿轮箱油温等参数与齿轮箱轴承温度之间的相对关系,对齿轮箱轴承故障进行预警,对故障预警具有更高的准确性和及时性,并且直接利用SCADA数据,不额外增加成本,占用运算资源少。
发明内容
本发明提供一种风电机组齿轮箱轴承故障预警方法,该方法包括如下步骤:
步骤1:SCADA运行数据的采集;
步骤2:参数选择;
步骤3:参数相关性分析;
步骤4:确定目标变量和分析变量,进行目标变量的区间分析;
步骤5:目标变量的集群统计分析;
步骤6:风电机组状态的判断。
所述步骤1SCADA运行数据的采集包括:
采集同一风电场内同型号的单次运算数据周期不少于1天的至少10台风电机组的数据,数据选用10min平均值;
验证采集的SCADA运行数据,保证最终信号值的正确性。
所述步骤2参数选择包括:
从采集的SCADA运行数据中选出所需参数及其对应的数据;
所选参数包括:齿轮箱轴承温度、齿轮箱油温、平均风速、发电机转速、有功功率;
所述参数对应的数据的有效性核查包括:检查数据一致性,处理无效值、重复值和缺失值。
所述步骤3参数相关性分析包括:
对选出的参数进行相关性分析,根据下述算法中的任意一种计算参数间的相关系数r:
算法一:
算法二:
算法三:
其中,x、y为需要计算相关系数的2个参数,r为这2个参数之间的相关系数,n为参与计算的数据点个数,和均表示平均数,σx、σy、σxy、Lxx、Lyy和Lxy均为函数;
所述步骤4,选择齿轮箱轴承温度为目标变量Y,同一风电机组内与齿轮箱轴承温度相关系数最高的参数为分析变量X;对同一风电场内的m个风电机组进行目标变量区间分析包括:
将一个运算周期内分析变量X的最小值和最大值分别作为区间的起点和终点,将该区间等值划分为f个小区间x1,x2…xf;
分别计算每一个风电机组在每个小区间内的目标变量Y的平均值y1,y2…yf,其中的1、2……f为小区间标号,形成X-Y关系曲线。
所述步骤5目标变量集群统计分析包括:
每个小区间内的m个风电机组的目标变量Y的平均值如下所示:
第1个小区间的目标变量Y分析结果为:y1,1、y1,2……y1,m,其中的1、2……m为风电机组标号;
第f个小区间的目标变量Y分析结果为:yf,1,、yf,2……yf,m,其中的1、2……m为风电机组标号。
所述步骤5包括:
按下式计算同一小区间内m个风电机组目标变量Y的分析结果的平均值Af:
按下式计算同一小区间内m个风电机组目标变量Y分析结果的标准差Df:
其中,m为风电机组的个数,yf,i为第f个小区间内第i台风电机组的目标变量Y的平均值。
所述步骤6状态判断包括:
按下式计算各个区间的故障报警阈值δf:
δf=Af+ε·Df
其中,ε为阈值设定系数,Af为同一小区间内m个风电机组目标变量Y的分析结果的平均值,Df为同一小区间内m个风电机组目标变量Y分析结果的标准差。
所述步骤6包括:
如小区间k内的风电机组j的目标变量Y的平均值yk,j超过该区间的报警阈值δk,则风电机组j在小区间k发生状态预警;
当风电机组j在f个小区间中有超过30%的小区间发生状态预警,则确定风电机组j发生齿轮箱轴承故障报警,30%为一般典型数值,实际应用中可根据情况调整。
风电机组齿轮箱轴承故障的预警结果的准确性与风电机组数量、运算数据周期、数据可靠性相关,同一风电场中用于分析的风电机组数量越多,预警结果越准确,运算数据周期选择1天-1个月之内较为合适,时间太短或太长均会影响预警结果。SCADA数据可靠性越高,预警结果约准确。
与最接近的现有技术比,本发明提供的技术方案具有以下优异效果:
1、使用SCADA数据对风电机组齿轮箱轴承故障进行预警,运算方法简明高效,不额外增加成本,极少占用系统资源。
2、可对SCADA数据进行有效选择,选取能够准确表达齿轮箱轴承运行状态的参数,对比一般监控系统的单一阈值判定,更为准确,时效性强。
3、使用区间分析法对风电机组的不同运行状态分别计算,更贴切的考虑到风电机组运行中的复杂情况。
4、可针对不同风电场,不同项目的实际情况对预警参数进行调整,具有很强的灵活性。
附图说明
图1为本发明参数相关性分析的结果示例;
图2为本发明区间分析的结果示例;
图3为本发明集群统计分析的结果示例;
图4为本发明状态判定的结果示例。
具体实施方式
下面结合附图对本发明做进一步详细的的说明:
本发明提供一种风电机组齿轮箱轴承故障预警方法,该方法包括如下步骤:
步骤1:SCADA运行数据的采集;
步骤2:参数选择;
步骤3:参数相关性分析;
步骤4:确定目标变量和分析变量,进行目标变量的区间分析;
步骤5:目标变量的集群统计分析;
步骤6:风电机组状态的判断。
所述步骤1SCADA运行数据的采集包括:
采集同一风电场内同型号的单次运算数据周期不少于1天的至少10台风电机组的数据,数据选用10min平均值;
验证采集的SCADA运行数据,保证最终信号值的正确性。
所述步骤2参数选择包括:
从采集的SCADA运行数据中选出所需参数及其对应的数据;
所选参数包括:齿轮箱轴承温度、齿轮箱油温、平均风速、发电机转速、有功功率;
所述参数对应的数据的有效性核查包括:检查数据一致性,处理无效值、重复值和缺失值。
如图1所示为本发明步骤3参数相关性分析的结果示例图,所述步骤3包括:
对选出的参数进行相关性分析,根据下述算法中的一种计算相关系数:
算法一:
算法二:
算法三:
其中,x、y为需要计算相关系数的2个参数,r为这2个参数之间的相关系数,n为参与计算的数据点个数,和均表示平均数,σx、σy、σxy、Lxx、Lyy和Lxy均为函数。
如图2所示为本发明步骤4区间分析的结果示例图,所述步骤4包括:选择齿轮箱轴承温度为目标变量Y,同一风电机组内与齿轮箱轴承温度相关系数最高的参数为分析变量X;本实施例选择齿轮箱轴承温度为目标变量Y,齿轮箱油温为分析变量X。
以一个运算周期内分析变量X的最小值和最大值分别作为区间的起点和终点,将该区间等值划分为f个小区间x1,x2…xf;
分别计算每一个风电机组在每个小区间内的目标变量Y的平均值y1,y2…yf,形成X-Y关系曲线,其中的1、2……f为小区间标号。
如图3所示为本发明步骤5集群统计分析的结果示例图,以齿轮箱轴承温度为目标变量Y,齿轮箱油温为分析变量X,风电机组总数m为10,所述步骤5包括:
分别对每个小区间内的m个目标变量Y的平均值进行分析,
第1个小区间的目标变量Y分析结果为:y1,1、y1,2……y1,m,其中1、2……m为风电机组标号;
第f个小区间的目标变量Y分析结果为:yf,1,、yf,2……yf,m,其中1、2……m为风电机组标号。
所述步骤5包括:
根据公式(7)计算同一小区间内m个风电机组目标变量Y分析结果的平均值A:
根据公式(8)计算同一小区间内m个风电机组目标变量Y分析结果的标准差D:
其中,Af为第f个小区间内m个风电机组目标变量Y的平均值的平均值,Df为第f个小区间内m个风电机组目标变量Y的平均值的标准差。
如图4所示为本发明步骤6的结果示例图,以齿轮箱轴承温度为目标变量Y,齿轮箱油温为分析变量X,风电机组总数m为10,所述步骤6包括:
设定各个区间的故障报警阈值为δ,如下式(9)所示:
δf=Af+ε·Df (9)
其中,ε为阈值设定系数,典型值为2,可根据实际情况调整;δf为第f个小区间的故障报警阈值。
所述步骤6包括:
如果某个小区间k内的风电机组j的目标变量Y分析结果yk,j超过该区间的报警阈值δk,则风电机组j在区间k发生状态预警;
当同一风电机组j有超过30%的小区间发生预警,则确定风电机组j发生齿轮箱轴承故障报警,30%为一般典型数值,实际应用中可根据情况调整。
风电机组齿轮箱轴承故障的预警结果的准确性与风电机组数量、运算数据周期、数据可靠性相关,同一风电场中用于分析的风电机组数量越多,预警结果越准确,运算数据周期选择1天-1个月之内较为合适,时间太短或太长均会影响预警结果。SCADA数据可靠性越高,预警结果约准确。
所述方法所用装置包括:
用于数据采集的SCADA系统,用于数据分析的数据处理模块和用于报警的报警模块。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (9)
1.一种风电机组齿轮箱轴承故障预警方法,其特征在于,该方法包括如下步骤:
步骤1:SCADA运行数据的采集;
步骤2:参数选择;
步骤3:参数相关性分析;
步骤4:确定目标变量和分析变量,进行目标变量的区间分析;
步骤5:目标变量的集群统计分析;
步骤6:风电机组状态的判断。
2.如权利要求1所述的故障预警方法,其特征在于,所述步骤1SCADA运行数据的采集包括:
采集同一风电场内同型号的单次运算数据周期不少于1天的至少10台风电机组的数据,数据选用10min平均值;
验证采集的SCADA运行数据,保证最终信号值的正确性。
3.如权利要求1所述的故障预警方法,其特征在于,所述步骤2参数选择包括:
从采集的SCADA运行数据中选出所需参数及其对应的数据;
所选参数包括:齿轮箱轴承温度、齿轮箱油温、平均风速、发电机转速、有功功率;
所述参数对应的数据的有效性核查包括:检查数据一致性,处理无效值、重复值和缺失值。
4.如权利要求1所述的故障预警方法,其特征在于,所述步骤3参数相关性分析包括:
对选出的参数进行相关性分析,根据下述算法中的任意一种计算参数间的相关系数r:
算法一:
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&sigma;</mi>
<mi>x</mi>
<mi>y</mi>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>x</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>y</mi>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>&sigma;</mi>
<mi>x</mi>
<mi>y</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mi>n</mi>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mi>n</mi>
</mfrac>
</msqrt>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<msup>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mi>n</mi>
</mfrac>
</msqrt>
</mrow>
算法二:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>n</mi>
<mi>&Sigma;</mi>
<mi>x</mi>
<mi>y</mi>
<mo>-</mo>
<mi>&Sigma;</mi>
<mi>x</mi>
<mi>&Sigma;</mi>
<mi>y</mi>
</mrow>
<mrow>
<msqrt>
<mrow>
<msup>
<mi>n&Sigma;x</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&CenterDot;</mo>
<msqrt>
<mrow>
<msup>
<mi>n&Sigma;y</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>n</mi>
<mn>2</mn>
</msup>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mi>x</mi>
<mi>y</mi>
</mrow>
<mi>n</mi>
</mfrac>
<mo>-</mo>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mi>x</mi>
</mrow>
<mi>n</mi>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mi>y</mi>
</mrow>
<mi>n</mi>
</mfrac>
</mrow>
</mfrac>
<msqrt>
<mrow>
<msup>
<mi>n</mi>
<mn>2</mn>
</msup>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msup>
<mi>&Sigma;x</mi>
<mn>2</mn>
</msup>
</mrow>
<mi>n</mi>
</mfrac>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mi>x</mi>
</mrow>
<mi>n</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<msup>
<msqrt>
<mi>n</mi>
</msqrt>
<mn>2</mn>
</msup>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msup>
<mi>&Sigma;y</mi>
<mn>2</mn>
</msup>
</mrow>
<mi>n</mi>
</mfrac>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mi>y</mi>
</mrow>
<mi>n</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
</msqrt>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mover>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mrow>
<msqrt>
<mrow>
<mi>&Sigma;</mi>
<mover>
<msup>
<mi>x</mi>
<mi>2</mi>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&CenterDot;</mo>
<msqrt>
<mrow>
<mi>&Sigma;</mi>
<mover>
<msup>
<mi>y</mi>
<mi>2</mi>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
算法三:
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>L</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
<msqrt>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>x</mi>
<mi>x</mi>
</mrow>
</msub>
<msub>
<mi>L</mi>
<mrow>
<mi>y</mi>
<mi>y</mi>
</mrow>
</msub>
</mrow>
</msqrt>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>x</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
<msup>
<mi>&Sigma;x</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>n</mi>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>y</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
<msup>
<mi>&Sigma;y</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>n</mi>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Sigma;</mi>
<mi>x</mi>
<mi>y</mi>
<mo>-</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mi>x</mi>
<mi>&Sigma;</mi>
<mi>y</mi>
</mrow>
<mi>n</mi>
</mfrac>
</mrow>
其中,x、y为需要计算相关系数的2个参数,r为这2个参数之间的相关系数,n为参与计算的数据点个数,和均表示平均数,和σx、σy、σxy、Lxx、Lyy和Lxy均为函数;
选择齿轮箱轴承温度为目标变量Y,同一风电机组内与齿轮箱轴承温度相关系数最高的参数为分析变量X。
5.如权利要求4所述的故障预警方法,其特征在于,所述步骤4,选择齿轮箱轴承温度为目标变量Y,同一风电机组内与齿轮箱轴承温度相关系数最高的参数为分析变量X,对同一风电场内的m个风电机组进行目标变量区间分析包括:
将一个运算周期内分析变量X的最小值和最大值分别作为区间的起点和终点,将该区间等值划分为f个小区间x1,x2…xf;
分别计算每一个风电机组在每个小区间内的目标变量Y的平均值y1,y2…yf,其中的1、2……f为小区间标号,形成X-Y关系曲线。
6.如权利要求5所述的故障预警方法,其特征在于,所述步骤5目标变量集群统计分析包括:
每个小区间内的m个风电机组的目标变量Y的平均值如下所示:
第1个小区间的目标变量Y分析结果为:y1,1、y1,2……y1,m,其中的1、2……m为风电机组标号;
第f个小区间的目标变量Y分析结果为:yf,1,、yf,2……yf,m,其中的1、2……m为风电机组标号。
7.如权利要求1所述的故障预警方法,其特征在于,所述步骤5包括:
按下式计算同一小区间内m个风电机组目标变量Y的分析结果的平均值Af:
<mrow>
<msub>
<mi>A</mi>
<mi>f</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>y</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
按下式计算同一小区间内m个风电机组目标变量Y分析结果的标准差Df:
<mrow>
<msub>
<mi>D</mi>
<mi>f</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>A</mi>
<mi>f</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中,m为风电机组的个数,yf,i为第f个小区间内第i台风电机组的目标变量Y的平均值。
8.如权利要求7所述的故障预警方法,其特征在于,所述步骤6状态判断包括:
按下式计算各个区间的故障报警阈值δf:
δf=Af+ε·Df
其中,ε为阈值设定系数,Af为同一小区间内m个风电机组目标变量Y的分析结果的平均值,Df为同一小区间内m个风电机组目标变量Y分析结果的标准差。
9.如权利要求8所述的故障预警方法,其特征在于,所述步骤6包括:
如小区间k内的风电机组j的目标变量Y的平均值yk,j超过该区间的报警阈值δk,则风电机组j在小区间k发生状态预警;
当风电机组j在f个小区间中有超过30%的小区间发生状态预警,则确定风电机组j发生齿轮箱轴承故障报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610990363.3A CN108072524B (zh) | 2016-11-10 | 2016-11-10 | 一种风电机组齿轮箱轴承故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610990363.3A CN108072524B (zh) | 2016-11-10 | 2016-11-10 | 一种风电机组齿轮箱轴承故障预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108072524A true CN108072524A (zh) | 2018-05-25 |
CN108072524B CN108072524B (zh) | 2020-07-07 |
Family
ID=62153501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610990363.3A Active CN108072524B (zh) | 2016-11-10 | 2016-11-10 | 一种风电机组齿轮箱轴承故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108072524B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
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 |
CN110907170A (zh) * | 2019-11-30 | 2020-03-24 | 华能如东八仙角海上风力发电有限责任公司 | 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法 |
CN111402448A (zh) * | 2020-03-23 | 2020-07-10 | 临工集团济南重机有限公司 | 一种转速报警方法、装置、电子设备及存储介质 |
CN111639110A (zh) * | 2020-06-02 | 2020-09-08 | 国电联合动力技术有限公司 | 风电机组故障预警方法及装置 |
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 |
CN112696481A (zh) * | 2020-12-11 | 2021-04-23 | 龙源(北京)风电工程技术有限公司 | 风电机组齿轮箱轴温异常智能诊断方法及装置 |
CN113339207A (zh) * | 2021-06-29 | 2021-09-03 | 浙江理工大学 | 一种风电机组主传动系统的运行工况划分方法及系统 |
CN113723634A (zh) * | 2021-08-30 | 2021-11-30 | 上海电气风电集团股份有限公司 | 故障变量确定方法、系统和可读存储介质 |
CN113723634B (zh) * | 2021-08-30 | 2024-07-05 | 上海电气风电集团股份有限公司 | 故障变量确定方法、系统和可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040093931A1 (en) * | 2002-11-15 | 2004-05-20 | Carlstrom Kevin R. | Method of estimating engine lubricant condition |
EP2227856A1 (en) * | 2007-12-28 | 2010-09-15 | Vestas Wind Systems A/S | Apparatus and method for controlling the reactive power from a cluster of wind turbines connected to a utility grid |
CN102428270A (zh) * | 2009-05-21 | 2012-04-25 | 歌美飒创新技术公司 | 风力涡轮机自我诊断系统和程序 |
CN102460891A (zh) * | 2009-05-25 | 2012-05-16 | 维斯塔斯风力系统集团公司 | 控制包括数据处理器同步的风力发电系统的方法和系统 |
CN102636350A (zh) * | 2011-02-10 | 2012-08-15 | 霍尼韦尔国际公司 | 涡轮机故障分析 |
CN102721924A (zh) * | 2012-06-26 | 2012-10-10 | 新疆金风科技股份有限公司 | 风力发电机组的故障预警方法 |
CN102830250A (zh) * | 2011-06-14 | 2012-12-19 | 湘潭大学 | 一种基于空间相关性的风电场风速传感器故障诊断方法 |
CN105160483A (zh) * | 2015-09-10 | 2015-12-16 | 国家电网公司 | 一种基于数据挖掘的二次设备故障诊断方法 |
-
2016
- 2016-11-10 CN CN201610990363.3A patent/CN108072524B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040093931A1 (en) * | 2002-11-15 | 2004-05-20 | Carlstrom Kevin R. | Method of estimating engine lubricant condition |
EP2227856A1 (en) * | 2007-12-28 | 2010-09-15 | Vestas Wind Systems A/S | Apparatus and method for controlling the reactive power from a cluster of wind turbines connected to a utility grid |
CN102428270A (zh) * | 2009-05-21 | 2012-04-25 | 歌美飒创新技术公司 | 风力涡轮机自我诊断系统和程序 |
CN102460891A (zh) * | 2009-05-25 | 2012-05-16 | 维斯塔斯风力系统集团公司 | 控制包括数据处理器同步的风力发电系统的方法和系统 |
CN102636350A (zh) * | 2011-02-10 | 2012-08-15 | 霍尼韦尔国际公司 | 涡轮机故障分析 |
CN102830250A (zh) * | 2011-06-14 | 2012-12-19 | 湘潭大学 | 一种基于空间相关性的风电场风速传感器故障诊断方法 |
CN102721924A (zh) * | 2012-06-26 | 2012-10-10 | 新疆金风科技股份有限公司 | 风力发电机组的故障预警方法 |
CN105160483A (zh) * | 2015-09-10 | 2015-12-16 | 国家电网公司 | 一种基于数据挖掘的二次设备故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
卞海红等: "集群风电场出力统计指标建模与应用", 《电力自动化设备》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
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 |
CN110907170B (zh) * | 2019-11-30 | 2021-03-16 | 华能如东八仙角海上风力发电有限责任公司 | 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法 |
CN110907170A (zh) * | 2019-11-30 | 2020-03-24 | 华能如东八仙角海上风力发电有限责任公司 | 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法 |
CN111402448A (zh) * | 2020-03-23 | 2020-07-10 | 临工集团济南重机有限公司 | 一种转速报警方法、装置、电子设备及存储介质 |
CN111402448B (zh) * | 2020-03-23 | 2023-05-09 | 临工重机股份有限公司 | 一种转速报警方法、装置、电子设备及存储介质 |
CN111639110A (zh) * | 2020-06-02 | 2020-09-08 | 国电联合动力技术有限公司 | 风电机组故障预警方法及装置 |
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 |
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 |
CN112696481A (zh) * | 2020-12-11 | 2021-04-23 | 龙源(北京)风电工程技术有限公司 | 风电机组齿轮箱轴温异常智能诊断方法及装置 |
CN113339207A (zh) * | 2021-06-29 | 2021-09-03 | 浙江理工大学 | 一种风电机组主传动系统的运行工况划分方法及系统 |
CN113723634A (zh) * | 2021-08-30 | 2021-11-30 | 上海电气风电集团股份有限公司 | 故障变量确定方法、系统和可读存储介质 |
CN113723634B (zh) * | 2021-08-30 | 2024-07-05 | 上海电气风电集团股份有限公司 | 故障变量确定方法、系统和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108072524B (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108072524A (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
Artigao et al. | Wind turbine reliability: A comprehensive review towards effective condition monitoring development | |
Li et al. | A real-time inspection and opportunistic maintenance strategies for floating offshore wind turbines | |
Nejad et al. | Wind turbine drivetrains: state-of-the-art technologies and future development trends | |
Dinmohammadi et al. | A fuzzy-FMEA risk assessment approach for offshore wind turbines | |
Kusiak et al. | The prediction and diagnosis of wind turbine faults | |
Uluyol et al. | Power curve analytic for wind turbine performance monitoring and prognostics | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
CN104951851B (zh) | 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 | |
CN107797063A (zh) | 基于scada的风电机组运行状态评估及故障诊断方法 | |
Catelani et al. | Risk assessment of a wind turbine: A new FMECA-based tool with RPN threshold estimation | |
CN108680358A (zh) | 一种基于轴承温度模型的风电机组故障预测方法 | |
Yang et al. | Fault detection of wind turbine generator bearing using attention-based neural networks and voting-based strategy | |
CN108564313A (zh) | 基于故障树的风电机组状态监测与健康评估的方法及装置 | |
CN106815771A (zh) | 一种风电场载荷的长期评估方法 | |
Kim et al. | Design of wind turbine fault detection system based on performance curve | |
Sun et al. | Failure analysis of floating offshore wind turbines with correlated failures | |
CN108506171A (zh) | 一种大型半直驱机组齿轮箱冷却系统故障预警方法 | |
Morshedizadeh et al. | A case study of wind turbine rotor over-speed fault diagnosis using combination of SCADA data, vibration analyses and field inspection | |
Tchakoua et al. | New trends and future challenges for wind turbines condition monitoring | |
Gao et al. | An Overview on fault diagnosis, prognosis and resilient control for wind turbine systems. Processes. 2021; 9: 300 | |
Jia et al. | Wind power icing fault diagnosis based on slow feature analysis and support vector machines | |
Sahnoun et al. | Modelling of maintenance strategy of offshore wind farms based multi-agent system | |
Gao et al. | Real-time monitoring, fault prediction and health management for offshore wind turbine systems | |
Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data |
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 |