CN108331718B - 风电机组偏航系统在线监测机构及故障诊断系统和方法 - Google Patents
风电机组偏航系统在线监测机构及故障诊断系统和方法 Download PDFInfo
- Publication number
- CN108331718B CN108331718B CN201810316740.4A CN201810316740A CN108331718B CN 108331718 B CN108331718 B CN 108331718B CN 201810316740 A CN201810316740 A CN 201810316740A CN 108331718 B CN108331718 B CN 108331718B
- Authority
- CN
- China
- Prior art keywords
- yaw
- wind turbine
- turbine generator
- data
- sensor
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007246 mechanism Effects 0.000 title abstract description 15
- 230000006870 function Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000012880 independent component analysis Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 description 16
- 238000013075 data extraction Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
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
-
- 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/0204—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor for orientation in relation to wind direction
-
- 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
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/329—Azimuth or yaw angle
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组偏航系统在线监测机构,包括数据采集卡和与其连接的传感器组,传感器组包括转速传感器、电流传感器和振动传感器。转速传感器、电流传感器和振动传感器分别用于实时监测风电机组偏航轴承转速、偏航电机电流值、偏航卡钳振动信号值;数据采集卡用于采集转速传感器、电流传感器和振动传感器的实时监测数据。本发明还公开了一种包括上述在线监测机构的风电机组偏航系统智能故障诊断和寿命评估系统及方法。本发明通过在线监测机构对偏航电机电流、偏航卡钳振动信号和偏航轴承转速的实时监测,结合现有在线监测参数,构成一套数据采集、提取和后台数据算法的故障诊断评估系统,为操作人员进行故障风险和寿命评估提供有力判据。
Description
技术领域
本发明涉及风电机组偏航技术领域,特别是涉及风电机组偏航系统在线监测机构及故障诊断系统和方法。
背景技术
随着风力发电技术的日新月异及国内优质风力资源的不断匮乏,近年来大兆瓦、低风速机型的风力发电机组不断涌现,海上型大兆瓦紧凑型机组的研发与投产也取得了实质性的进展。偏航系统作为风力发电机组重要子系统,其担负着机组的偏航对风和机组制动的任务,而在风力发电机组不断推陈出新的当代,一些早期服役的机组其偏航系统或多或少的暴露出若干故障问题,轻者如偏航电机烧毁、偏航卡钳磨损、偏航减速机输出小齿磨损,重者如偏航轴承齿圈断齿、偏航刹车盘磨损断裂等。上述严重故障一旦发生可能无法在天空进行修复,只能吊装返厂并重新更换新的部件,这样一来损失的发电量先不做评估,光产生的吊装费用就极为高昂。
上述问题的出现就导致偏航系统的在线监测、故障诊断及寿命评估的研究成为近年来的热门课题。利用在线监测和故障诊断系统,可以对风力发电机组偏航系统的各易损部件进行连续监测,通过实时获取的风电机组运行过程中的真实数据进行后台算法的分析处理,给控制人员反馈出设备实时的健康状态,是作为预警和采取相应措施的最为高效的办法。
传统的在线状态监测与故障诊断系统在构成和使用方面存在数据采集不全面、针对偏航系统多组件的特点监测数据不充分、后台数据处理算法不先进等缺陷,往往会导致偏航系统状态监测与故障诊断的结果失真。
目前风力发电机组主控单元可读取的设备时时监测参数有:机组的功率、桨角、偏航位置角度、风速、整机的振动、主齿箱油温等参数,这些状态参数在监控偏航系统状态时往往不能准确的识别到真实的运行情况。这是因为偏航电机是断续工作制,每次偏航动作的持续时间短暂,且偏航制动状态下涉及到偏航刹车液压卡钳与偏航电机的配合度较为复杂,上述偏航特点就决定了要想准确的监控偏航系统的状态,就需要增加新的监测装置和监测点位。关于故障诊断的后台算法,已报道的相关研究中常常基于遗传神经网络、小波包分析法、嵌入式C程序、专家系统评估法等算法进行数据建模和分析,但上述数据处理的方法在准确性和时效性方面都有待提升。
由此可见,上述现有的风力发电机组偏航系统在线状态监测与故障诊断系统显然仍存在有不便与缺陷,而亟待加以进一步改进。如何能创设一种新的风电机组偏航系统在线监测机构及智能故障诊断系统和方法,使其为实现风电机组偏航系统的智能故障诊断和寿命评估提供高效、准确的信息数据,成为当前业界极需改进的目标。
发明内容
本发明要解决的技术问题是提供一种风电机组偏航系统在线监测机构,使其能全面、高效、准确的进行偏航系统数据监测,为后续智能故障诊断和寿命评估提供有力判据,从而克服现有的风力发电机组偏航系统在线状态监测的不足。
为解决上述技术问题,本发明提供一种风电机组偏航系统在线监测机构,包括数据采集卡和与其连接的传感器组,
所述传感器组包括转速传感器、电流传感器和振动传感器,
所述转速传感器,用于安装在所述风电机组的偏航小齿轮上,实时监测风电机组偏航轴承的转速;
所述电流传感器,用于安装在所述风电机组的偏航电机上,实时监测所述偏航电机的电流值;
所述振动传感器,用于安装在所述风电机组的偏航卡钳上,实时监测所述偏航卡钳的振动信号值;
所述数据采集卡,用于采集所述转速传感器、电流传感器和振动传感器的实时监测数据。
作为本发明的一种改进,所述电流传感器和振动传感器均为多个,数量分别与所述风电机组的偏航电机数量和偏航卡钳数量相等。
本发明还提供一种风电机组偏航系统智能故障诊断和寿命评估系统,包括上述的风电机组偏航系统在线监测机构,以及与所述数据采集卡连接的PLC采集器,
所述PLC采集器包括数据提取单元、数据采集单元和数据分析单元,
所述数据提取单元,用于从所述风电机组主控PLC中提取所述风电机组的实时监控参数,并将所述实时监控参数发送给所述数据采集单元;
所述数据采集单元,与所述数据采集卡和数据提取单元连接,用于收集所述数据采集卡采集的所述传感器组传送的实时监测数据,和所述数据提取单元传送的实时监控参数,并将接收信息均发送给所述数据分析单元;
所述数据分析单元,用于接收、分析所述数据采集单元传送的数据,并将分析结果传送至所述风电机组的远程数据服务器。
进一步改进,所述数据分析单元采用独立成分分析法对所述数据采集单元传送的原始数据进行筛查;并采用支持向量机算法对筛查后的数据进行建模和模型化分析;
所述数据分析单元通过风场环网与所述数据服务器连接。
进一步改进,所述数据提取单元从所述风电机组主控PLC中提取的实时监控参数包括风机风速、桨角、风机功率、偏航角度和齿轮箱油温。
本发明还提供一种风电机组偏航系统智能故障诊断和寿命评估方法,包括:
(1)实时监测风电机组的风机风速、桨角、风机功率、偏航角度、齿轮箱油温参数,同时实时监测风电机组偏航系统中偏航轴承转速、偏航电机电流值和偏航卡钳振动信号值;
(2)采用独立成分分析法对所述步骤(1)监测的原始数据进行干扰性筛查;
(3)采用支持向量机算法对所述步骤(2)筛查后的数据进行建模和模型化分析;
(4)根据所述步骤(3)分析后的信息进行所述风电机组偏航系统的智能故障诊断和寿命评估。
进一步改进,所述步骤(1)中采用安装在风电机组偏航小齿轮上的转速传感器对所述风电机组偏航轴承转速进行实时监测;采用安装在风电机组偏航电机上的电流传感器对所述偏航电机的电流值进行实时监测;采用安装在风电机组偏航卡钳上的振动传感器对所述偏航卡钳的振动信号值进行实时监测。
进一步改进,所述步骤(1)中风电机组的风机风速、桨角、风机功率、偏航角度、齿轮箱油温参数通过从所述风电机组的主控PLC中提取得到。
进一步改进,所述步骤(2)中对所述原始数据进行干扰性筛查的具体步骤为:
首先,假设d维被测矩阵X=[x1,x2,…xd]T表示成m维非高斯独立成分矩阵S,则独立成分分析所得混合模型描述成为:
X=AS+ξ
其中,A=[a1,a2,...am]∈Rd×m是未知混合系统或传递矩阵,S=[s1,s2,...sm]T为m(≤d)维的未知独立成分矩阵,ξ是观测噪声矢量;
进而找到一个解混矩阵W,使得由被测矩阵X得到相互独立的源变量:
Y=WX=W·(AS+ξ)≈W·A·S
式中,Y是S的估计矢量;
当解混矩阵W是A的逆矩阵时,即W=A-1,Y是源变量S的最佳估计。
进一步改进,所述步骤(3)中建模和模型化分析的具体步骤为;
将支持向量机回归分为线性回归与非线性回归;
对于线性回归,假设有训练集样本{(x1,y1),(x2,y2),...,(xl,yl)},xi∈Rn,yi∈R,i=1,2,...,l,xi为输入量,yi为对应的输出量;
通过训练学习寻求满足训练样本集yi=f(xi)的线性拟合函数f(x),并且对于预测集样本的输入量{xl+1,xl+2,...,xm}能够由该拟合函数得出较为准确的相应预测值yi,其中f(x)为支持向量机;
其中,训练学习的过程就是构造最优的线性拟合函数:f(x)=w·x+b,w∈Rn,b∈R,遵循结构风险最小化原理,将训练学习过程转化为凸二次规划问题,其求解的凸二次规划问题为:
约束条件为:
式中:ξi和为松弛变量,ε为精度参数,C表示对于超出误差范围ε的样本给予的惩罚程度,为惩罚因子;
通过构造拉格朗日函数,所述凸二次规划问题转化为:
其约束条件为:
式中:和ai为拉格朗日乘子,解之得出(a,a*),继而得到线性问题的最优支持向量回归函数:
对于非线性回归,首先通过一个非线性映射Φ(x)将数据映射到某个高维特征空间中,在所述高维特征空间中进行线性回归,则将原空间中的非线性回归问题转化为所述高维特征空间中的线性回归问题,如下式:
K(xi,xj)=Φ(xi)·Φ(xj)
为核函数,即映射函数的点积,则对偶问题转化为:
约束条件为:
式中:和ai为拉格朗日乘子,解之得出(a,a*),继而得到非线性问题的最优支持向量机拟合函数:
采用这样的设计后,本发明至少具有以下优点:
1、本发明风电机组在线监测机构通过布置在机舱偏航系统不同部件上的传感器实时采集风电机组偏航系统中的偏航轴承转速、偏航电机电流值和偏航卡钳振动信号值,能全面准确的为后续风电机组偏航系统智能故障诊断及寿命评估提供强有力的数据支持,为得出更精准的偏航系统智能故障诊断及寿命评估提供有力判据。本发明克服了以往的机舱振动传感器不能有效的检测到分布在偏航轴承齿圈上的卡钳振动状态,有效避免了现有技术无法准确有效捕捉偏航系统异常情况的缺陷。
2、本发明风电机组偏航系统智能故障诊断和寿命评估系统通过各传感器的实时数据采集,和PLC采集器的数据采集单元、数据提取单元和数据分析单元的运行,最后将数据分析结果反馈给风电机组中控室的数据服务器,为方便操作人员第一时间对偏航系统进行现状评估,及时采取妥善措施将故障程度及危害风险降至最低。并且,该数据服务器可同时接收多台风机传送的诊断分析结果,提高工作效率。
3、本发明风电机组偏航系统智能故障诊断和寿命评估方法通过对风电机组的偏航电机电流、偏航卡钳振动信号和偏航轴承转速进行实时监测,结合在役机组现有的在线监测数据(风电机组的风机风速、桨角、风机功率、偏航角度、齿轮箱油温参数),构建成一套数据采集、提取和后台数据分析算法的故障诊断系统,该故障诊断系统基于独立成分分析法对采集到的数据进行前处理,利用支持向量机的算法构建预测模型并及时进行模型训练及修正,通过相应通讯手段将风电机组的偏航系统实时状态诊断结果反馈给中控室的数据服务器,供操作人员进行偏航系统的故障风险和寿命评估,对严重偏航系统故障的发生起到预警作用。
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是本发明风电机组偏航系统智能故障诊断和寿命评估系统的原理图。
图2是本发明中风电机组在线监测机构的结构示意图。
其中:1、电流传感器;2、偏航电机;3、偏航轴承;4、转速传感器;5、振动传感器;6、偏航卡钳。
图3是本发明中独立成分分析法进行数据前处理的流程图。
图4是本发明中支持向量机分析算法的逻辑原理图。
具体实施方式
参照附图1所示,本发明风电机组偏航系统智能故障诊断和寿命评估系统,包括风电机组偏航系统在线监测机构,和与其连接的PLC采集器。
该风电机组偏航系统在线监测机构,包括数据采集卡和与其连接的传感器组。
参照附图2所示,该传感器组包括转速传感器、电流传感器和振动传感器。该电流传感器1,用于安装在该风电机组的偏航电机2上,实时监测该偏航电机2的电流值。该转速传感器4,用于安装在该风电机组的偏航小齿轮上,实时监测风电机组偏航轴承3的转速。该振动传感器5,用于安装在该风电机组的偏航卡钳6上,实时监测该偏航卡钳6的振动信号值。
该数据采集卡与PLC采集器连接,用于采集该转速传感器、电流传感器和振动传感器的实时监测数据,并将其传送至该PLC采集器。
由于大兆瓦机组中偏航驱动的个数增加,该电流传感器和振动传感器均为多个,其数量分别与该风电机组的偏航电机数量和偏航卡钳数量相等,这样可更加全面的及时了解大兆瓦机组中偏航电机和偏航卡钳的实际工况。
本实施例中该PLC采集器包括数据提取单元、数据采集单元和数据分析单元。
该数据提取单元,用于从该风电机组主控PLC中提取该风电机组的实时监控参数,如风机风速、桨角、风机功率、偏航角度和齿轮箱油温参数,并将该实时监控参数发送给该数据采集单元。
该数据采集单元,与该数据采集卡和数据提取单元连接,用于收集该数据采集卡采集的该传感器组传送的实时监测数据,和该数据提取单元传送的实时监控参数,并将接收信息均发送给该数据分析单元。
该数据分析单元,用于接收和分析该数据采集单元传送的原始数据;该数据分析单元通过风场环网与风电机组中控室的数据服务器连接,则该数据分析单元会将分析结果数据传送至该数据服务器。该数据服务器可同时接收多台风机传送的诊断分析结果,以便操作人员第一时间进行现状评估,及时采取妥善措施将故障程度及危害风险降至最低。
其中,该数据分析单元采用独立成分分析法对该数据采集单元传送的原始数据进行筛查。参照附图3所示,具体步骤为:
首先,假设d维被测矩阵X=[x1,x2,…xd]T表示成m维非高斯独立成分矩阵S,则独立成分分析所得混合模型描述成为下式(1):
X=AS+ξ (1)
其中,A=[a1,a2,...am]∈Rd×m是未知混合系统或传递矩阵,S=[s1,s2,...sm]T为m(≤d)维的未知独立成分矩阵,ξ是观测噪声矢量;
进而找到一个解混矩阵W,使得由被测矩阵X得到相互独立的源变量,如下式(2):
Y=WX=W·(AS+ξ)≈W·A·S (2)
式中,Y是S的估计矢量;
当解混矩阵W是A的逆矩阵时,即W=A-1,Y是源变量S的最佳估计。
还有,该数据分析单元采用支持向量机算法对筛查后的数据进行建模和模型化分析。参照附图4所示,具体步骤为;
将支持向量机回归分为线性回归与非线性回归;
对于线性回归,假设有训练集样本{(x1,y1),(x2,y2),...,(xl,yl)},xi∈Rn,yi∈R,i=1,2,...,l,xi为输入量,yi为对应的输出量;
通过训练学习寻求满足训练样本集yi=f(xi)的线性拟合函数f(x),并且对于预测集样本的输入量{xl+1,xl+2,...,xm}能够由该拟合函数得出较为准确的相应预测值yi,其中f(x)为支持向量机;
其中,训练学习的过程就是构造最优的线性拟合函数:f(x)=w·x+b,w∈Rn,b∈R,遵循结构风险最小化原理,将训练学习过程转化为凸二次规划问题,其求解的凸二次规划问题为下式:
约束条件为:
式中:ξi和为松弛变量,ε为精度参数,C表示对于超出误差范围ε的样本给予的惩罚程度,为惩罚因子;
通过构造拉格朗日函数,该凸二次规划问题转化为下式(5):
其约束条件为:
式中:和ai为拉格朗日乘子,解之得出(a,a*),继而得到线性问题的最优支持向量回归函数:
对于非线性回归,首先通过一个非线性映射Φ(x)将数据映射到某个高维特征空间中,在该高维特征空间中进行线性回归,则将原空间中的非线性回归问题转化为该高维特征空间中的线性回归问题,如下式(8):
K(xi,xj)=Φ(xi)·Φ(xj) (8)
为核函数,即映射函数的点积,则对偶问题转化为下式(9):
约束条件为:
式中:和ai为拉格朗日乘子,解之得出(a,a*),继而得到非线性问题的最优支持向量机拟合函数:
上述风电机组偏航系统智能故障诊断和寿命评估系统的智能故障诊断和寿命评估方法,包括如下步骤:
(1)实时监测风电机组的风机风速、桨角、风机功率、偏航角度、齿轮箱油温参数,同时实时监测风电机组偏航系统中偏航轴承转速、偏航电机电流值和偏航卡钳振动信号值。
其中,该风电机组的风机风速、桨角、风机功率、偏航角度、齿轮箱油温参数是通过从该风电机组的主控PLC中直接提取得到。
该风电机组偏航轴承转速是采用安装在风电机组偏航小齿轮上的转速传感器监测得到;该偏航电机的电流值是采用安装在风电机组偏航电机上的电流传感器得到;该偏航卡钳的振动信号值是采用安装在风电机组偏航卡钳上的振动传感器得到。
(2)采用独立成分分析法对该步骤(1)监测的原始数据进行干扰性筛查,具体方法同上。
该步骤主要是考虑到所搜集的风电机组采集到的数据众多且每台风机的状态因所处地理位置的不同会产生一定的差异,在建模分析之前需要对众多采集到的数据进行前处理,以便滤除无效数据。
(3)采用支持向量机算法对该步骤(2)筛查后的数据进行建模和模型化分析,具体方法同上。
(4)根据该步骤(3)分析后的信息进行该风电机组偏航系统的智能故障诊断和寿命评估。
本发明通过对风电机组偏航系统中新增专门的故障诊断装置,如偏航电机电流监控装置和偏航卡钳振动监测装置,再结合在役机组现有的在线监测数据,构建了一套数据采集、提取和后台数据分析算法的故障诊断系统,该系统基于独立成分分析法对采集到的数据进行前处理,利用支持向量机的算法构建预测模型并及时进行模型训练及修正,通过相应通讯手段将风力发电机组的偏航系统时时状态诊断结果反馈给中控室的数据服务器,供操作人员进行故障风险评估。
本发明提出的风电机组偏航系统智能故障诊断和寿命评估系统和方法可以作为风力发电机组偏航系统状态监测的有效手段,为风电机组偏航系统的寿命评估做出定量参考,从而对严重偏航系统故障的发生起到预警作用。该套故障诊断系统的提出,可为风电机组偏航系统常规性及突发性故障的规避起到重要的实际意义。
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 (1)
1.一种风电机组偏航系统智能故障诊断和寿命评估方法,其特征在于,包括:
(1)实时监测风电机组的风机风速、桨角、风机功率、偏航角度、齿轮箱油温参数,同时实时监测风电机组偏航系统中偏航轴承转速、偏航电机电流值和偏航卡钳振动信号值;
其中,采用安装在风电机组偏航小齿轮上的转速传感器对所述风电机组偏航轴承转速进行实时监测;采用安装在风电机组偏航电机上的电流传感器对所述偏航电机的电流值进行实时监测;采用安装在风电机组偏航卡钳上的振动传感器对所述偏航卡钳的振动信号值进行实时监测;且风电机组的风机风速、桨角、风机功率、偏航角度、齿轮箱油温参数通过从所述风电机组的主控PLC中提取得到;
(2)采用独立成分分析法对所述步骤(1)监测的原始数据进行干扰性筛查;
其中,对所述原始数据进行干扰性筛查的具体步骤为:
首先,假设d维被测矩阵X=[x1,x2,…xd]T表示成m维非高斯独立成分矩阵S,则独立成分分析所得混合模型描述成为:
X=AS+ξ
其中,A=[a1,a2,...am]∈Rd×m是未知混合系统或传递矩阵,S=[s1,s2,...sm]T为m(≤d)维的未知独立成分矩阵,ξ是观测噪声矢量;
进而找到一个解混矩阵W,使得由被测矩阵X得到相互独立的源变量:
Y=WX=W·(AS+ξ)≈W·A·S
式中,Y是S的估计矢量;
当解混矩阵W是A的逆矩阵时,即W=A-1,Y是源变量S的最佳估计;
(3)采用支持向量机算法对所述步骤(2)筛查后的数据进行建模和模型化分析;
其中,建模和模型化分析的具体步骤为:
将支持向量机回归分为线性回归与非线性回归;
对于线性回归,假设有训练集样本{(x1,y1),(x2,y2),...,(xl,yl)},xi∈Rn,yi∈R,i=1,2,...,l,xi为输入量,yi为对应的输出量;
通过训练学习寻求满足训练样本集yi=f(xi)的线性拟合函数f(x),并且对于预测集样本的输入量{xl+1,xl+2,...,xm}能够由该拟合函数得出较为准确的相应预测值yi,其中f(x)为支持向量机;
其中,训练学习的过程就是构造最优的线性拟合函数:f(x)=w·x+b,w∈Rn,b∈R,遵循结构风险最小化原理,将训练学习过程转化为凸二次规划问题,其求解的凸二次规划问题为:
约束条件为:
式中:ξi和为松弛变量,ε为精度参数,C表示对于超出误差范围ε的样本给予的惩罚程度,为惩罚因子;
通过构造拉格朗日函数,所述凸二次规划问题转化为:
其约束条件为:
式中:和ai为拉格朗日乘子,解之得出(a,a*),继而得到线性问题的最优支持向量回归函数:
对于非线性回归,首先通过一个非线性映射Φ(x)将数据映射到某个高维特征空间中,在所述高维特征空间中进行线性回归,则将原空间中的非线性回归问题转化为所述高维特征空间中的线性回归问题,如下式:
K(xi,xj)=Φ(xi)·Φ(xj)
为核函数,即映射函数的点积,则对偶问题转化为:
约束条件为:
式中:和ai为拉格朗日乘子,解之得出(a,a*),继而得到非线性问题的最优支持向量机拟合函数:
(4)根据所述步骤(3)分析后的信息进行所述风电机组偏航系统的智能故障诊断和寿命评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810316740.4A CN108331718B (zh) | 2018-04-10 | 2018-04-10 | 风电机组偏航系统在线监测机构及故障诊断系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810316740.4A CN108331718B (zh) | 2018-04-10 | 2018-04-10 | 风电机组偏航系统在线监测机构及故障诊断系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108331718A CN108331718A (zh) | 2018-07-27 |
CN108331718B true CN108331718B (zh) | 2024-03-12 |
Family
ID=62934012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810316740.4A Active CN108331718B (zh) | 2018-04-10 | 2018-04-10 | 风电机组偏航系统在线监测机构及故障诊断系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108331718B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109595130A (zh) * | 2018-12-25 | 2019-04-09 | 济中能源技术服务(上海)有限公司 | 一种风机叶片结冰故障预测方法及系统 |
CN110410282B (zh) * | 2019-07-24 | 2020-06-16 | 河北工业大学 | 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 |
CN110529338B (zh) * | 2019-09-10 | 2020-11-10 | 上海电气风电集团股份有限公司 | 基于偏航速度预判的偏航马达保护故障穿越方法及系统 |
CN112523946B (zh) * | 2019-09-17 | 2022-10-18 | 北京金风科创风电设备有限公司 | 风力发电机组的变桨控制方法、装置及介质 |
CN110685869B (zh) * | 2019-11-19 | 2021-03-23 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组的故障诊断方法、装置及设备 |
CN111273550A (zh) * | 2020-03-12 | 2020-06-12 | 成都英孚克斯科技有限公司 | 一种猪舍环境智能控制系统 |
JP2021174114A (ja) * | 2020-04-21 | 2021-11-01 | ナブテスコ株式会社 | 状態監視装置及び状態監視方法 |
CN113446157B (zh) * | 2020-09-03 | 2022-11-01 | 中国绿发投资集团有限公司 | 海上风力发电机组的故障预警方法及设备 |
CN112267979B (zh) * | 2020-10-26 | 2021-07-23 | 积成电子股份有限公司 | 一种判断偏航轴承失效的预警方法及系统 |
CN113357102B (zh) * | 2021-07-15 | 2023-12-26 | 宁夏龙源新能源有限公司 | 一种风力发电机组偏航系统故障识别算法 |
CN113738601A (zh) * | 2021-09-28 | 2021-12-03 | 西安热工研究院有限公司 | 一种风力发电机组在线振动监测装置 |
CN114704438B (zh) * | 2022-06-02 | 2022-09-20 | 深圳众城卓越科技有限公司 | 风电机组故障监控方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102748214A (zh) * | 2012-07-10 | 2012-10-24 | 国电联合动力技术有限公司 | 耦合于控制系统的风电机组状态监测与故障诊断系统 |
CN105508146A (zh) * | 2015-12-22 | 2016-04-20 | 北京金风科创风电设备有限公司 | 风力发电机组的偏航测试系统 |
CN106338307A (zh) * | 2016-08-22 | 2017-01-18 | 北京能高自动化技术股份有限公司 | 具有偏航状态监测功能的风电机组状态监测系统和方法 |
CN208431106U (zh) * | 2018-04-10 | 2019-01-25 | 国电联合动力技术有限公司 | 风电机组偏航系统在线监测机构 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3176427A4 (en) * | 2014-07-29 | 2018-03-14 | NTN Corporation | State monitoring system and wind power generation system provided with same |
-
2018
- 2018-04-10 CN CN201810316740.4A patent/CN108331718B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102748214A (zh) * | 2012-07-10 | 2012-10-24 | 国电联合动力技术有限公司 | 耦合于控制系统的风电机组状态监测与故障诊断系统 |
CN105508146A (zh) * | 2015-12-22 | 2016-04-20 | 北京金风科创风电设备有限公司 | 风力发电机组的偏航测试系统 |
CN106338307A (zh) * | 2016-08-22 | 2017-01-18 | 北京能高自动化技术股份有限公司 | 具有偏航状态监测功能的风电机组状态监测系统和方法 |
CN208431106U (zh) * | 2018-04-10 | 2019-01-25 | 国电联合动力技术有限公司 | 风电机组偏航系统在线监测机构 |
Also Published As
Publication number | Publication date |
---|---|
CN108331718A (zh) | 2018-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108331718B (zh) | 风电机组偏航系统在线监测机构及故障诊断系统和方法 | |
CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
Wang et al. | SCADA data based condition monitoring of wind turbines | |
US10288043B2 (en) | Wind turbine condition monitoring method and system | |
CN205260225U (zh) | 一种风机综合健康状态远程集中监测系统 | |
CN110469462B (zh) | 一种基于多模板的风电机组智能状态监测系统 | |
CN108507787A (zh) | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 | |
CN103234585A (zh) | 一种大型风电机组在线监测及故障诊断系统 | |
CN110735769A (zh) | 一种预测风机故障的方法及装置、系统 | |
CN106979126B (zh) | 基于svr的风力发电机组高风速段有效风速估计方法 | |
CN106815771B (zh) | 一种风电场载荷的长期评估方法 | |
CN105787584A (zh) | 一种基于云平台的风电机群故障预警方法 | |
CN104018988B (zh) | 基于物理组件模型和实时数据的风力发电机组监测系统 | |
CN107220469A (zh) | 一种风机状态估计的方法及系统 | |
CN112733283A (zh) | 一种风电机组部件故障预测方法 | |
CN106870298A (zh) | 基于机器学习的叶根螺栓断裂故障检测方法 | |
CN104977047A (zh) | 基于振动和油液的风电机组在线状态监测与健康评估系统及方法 | |
CN111878322B (zh) | 风力发电机装置 | |
CN102226714A (zh) | 一种风力发电多机组远程实时状态监测方法 | |
Khodabakhshian | Maintenance management of tractors and agricultural machinery: Preventive maintenance systems | |
CN108894932B (zh) | 一种风电机组发电机轴承故障智能诊断系统及方法 | |
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 | |
CN113806893A (zh) | 基于工业互联网的风机状态监测与故障诊断方法及系统 | |
CN104122086A (zh) | 基于Kriging模型的风力机齿轮箱故障诊断方法 | |
CN208254802U (zh) | 基于多特征融合的风电齿轮增速箱故障诊断试验平台 |
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 |