CN109840666B - 一种预测未来风电机组发生故障的模型构建方法及系统 - Google Patents
一种预测未来风电机组发生故障的模型构建方法及系统 Download PDFInfo
- Publication number
- CN109840666B CN109840666B CN201711236425.2A CN201711236425A CN109840666B CN 109840666 B CN109840666 B CN 109840666B CN 201711236425 A CN201711236425 A CN 201711236425A CN 109840666 B CN109840666 B CN 109840666B
- Authority
- CN
- China
- Prior art keywords
- fault
- early warning
- scada
- wind turbine
- turbine generator
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 12
- 238000005259 measurement Methods 0.000 abstract description 8
- 230000004927 fusion Effects 0.000 abstract description 6
- 230000002195 synergetic effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000036626 alertness Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Landscapes
- Wind Motors (AREA)
Abstract
一种预测未来风电机组发生故障的模型构建方法及系统，包括：通过CMS系统获取风电机组的故障预警和故障发生信号；在SCADA系统中记录所述故障预警和故障发生信号发生的时刻，并在SCADA系统的数据中进行预警等级和故障标记；根据SCADA系统中参数越限信息分析所述对应时刻SCADA数据的参数状态；在预设周期内，根据所述预警等级和故障标记以及所述参数状态构建关联规则模型；通过所述关联规则模型预测未来风电机组发生的所有故障预警情况。本发明实现了CMS测量数据信息和SCADA量测数据信息的融合，实现了两种无法直接进行数据融合的系统的协同作用，提高风电机组运维效率。
Description
技术领域
本发明涉及风电机组故障预警技术，具体涉及一种预测未来风电机组发生故障的模型构建方法及系统。
背景技术
对风电机组运行状态进行检测与故障预警，不但能保证风电机组安全运行，而且是实现风电场科学运维、降低成本和减少故障引发损失的重要手段。随着风电行业的发展，风电机组从原先仅配有数据监控及采集系统SCADA(Supervisory Control And DataAcquisition)测量运行数据发展至主流风电机组基本同时配有两套量测系统，SCADA系统和振动状态监测系统CMS(Condition Monitoring System)。对于同时具备SCADA系统与CMS系统的风电机组而言，目前常用的监测方法有油液分析、CMS振动监控、SCADA运行数据监控以及完全依赖人工进行的历史数据统计分析。
油液分析，通过分析油液中磨损的颗粒和其他污染物质来了解具备润滑系统的旋转部件如齿轮在运行中出现磨损的状态。通过该技术得到的磨损信息准确性非常高，但由于进行一次油液提取需要风电机组停机、专业人员进入机舱采样、样本送回实验室进行几十天的分析等过程，能够定位的故障时刻虽然更靠近故障真实发生的时刻，但由于处理过程长而丧失了时间优势，仅适合作为已探明故障但尚未失效的部件进行密切关注的手段。
CMS振动监测，基于振动分析技术对风电机组传动链进行监控，通过特征包络频谱匹配得到的故障机械部件振动特性，预测准确性很高，但受技术经济的限制无法做到实时监控，若完全依赖振动分析进行故障预警会存在漏判的风险。
SCADA运行数据监控，该方法测量数据容易获取、稳定性强、并且可以实时监控，风电机组运维人员可以时刻关注SCADA系统实时信息，通过比对发布的若干参数的超限信息与运维手册的指导说明开展现场维修。但是，这种方式得到的运维建议是不准确的，无法对检修工作进行明确指导，因误报而导致的运维成本提高和运维人员警惕性下降。
人工统计分析方法，基于风电机组历史运行数据开展分析，是蕴含信息量最大的分析方法，在失效发生后才能进行经验性总结；结合先期经验的统计分析方法受数据更新速度和先期经验适用性的影响而不能保证预警能力，也不具备对失效进行预测的能力。
发明内容
为了解决现有技术中所存在的上述不足，本发明提供一种预测未来风电机组发生故障的模型构建方法及系统。
本发明提供的技术方案是：一种预测未来风电机组发生故障的模型构建方法，包括：
通过CMS系统获取风电机组的故障预警和故障发生信号；
在SCADA系统中记录所述故障预警和故障发生信号发生的时刻，并在SCADA系统的数据中进行预警等级和故障标记；
根据SCADA系统中参数越限信息分析所述对应时刻SCADA数据的参数状态；
在预设周期内，根据所述预警等级和故障标记以及所述参数状态构建关联规则模型；
通过所述关联规则模型预测未来风电机组发生的所有故障预警情况。
优选的，所述通过CMS系统获取风电机组的故障预警和故障发生信号，包括：
通过CMS系统获得风电机组传动链待测部件的振动特征；
根据振动特征通过分类器提取风电机组的故障预警和故障发生信号。
优选的，所述在SCADA系统中记录所述故障预警和故障发生信号发生的时刻，并在SCADA系统的数据中进行预警等级和故障标记，包括：
每当所述CMS系统中出现故障预警信息时，记录对应的时刻并在SCADA数据中标记预警等级；
每当所述CMS系统中出现故障发生信号时，记录对应的时刻并在SCADA数据中标记故障。
优选的，所述故障预警信息包括：危险程度由重到轻的故障预警。
优选的，所述根据SCADA系统中参数越限信息分析所述对应时刻SCADA数据的参数状态，包括：
提取SCADA系统中监测所述风电机组传动链待测部件的参数越限信息；
产生越限的对应时刻，设置参数状态为1；
未产生越限的对应时刻，设置参数状态为0。
优选的，所述在预设周期内，根据所述预警等级和故障标记以及所述参数状态构建关联规则模型，包括：
根据所述预警等级和故障标记以及所述参数状态以时间划分建立参数越限信息表；
根据预设周期，通过关联规则挖掘算法分析所述参数越限信息表，形成SCADA参数越限与CMS预警等级和故障之间的关联规则模型。
优选的，所述通过所述关联规则模型预测未来风电机组发生的所有故障预警情况，包括：
观测预设周期内SCADA的数据，根据关联规则模型分析，预测未来风电机组发生的所有故障预警情况。
基于同一发明构思，本发明还提供了一种预测未来风电机组发生故障的模型构建系统，包括：
获取模块：用于通过CMS系统获取风电机组的故障预警和故障发生信号；
标记模块：用于在SCADA系统中记录所述故障预警和故障发生信号发生的时刻，并在SCADA系统的数据中进行预警等级和故障标记；
分析模块：用于根据SCADA系统中参数越限信息分析所述对应时刻SCADA数据的参数状态；
构建模块：用于在预设周期内，根据所述预警等级和故障标记以及所述参数状态构建关联规则模型；
预测模块：用于通过所述关联规则模型预测未来风电机组发生的所有故障预警情况。
优选的，所述获取模块包括：
获取单元：用于通过CMS系统获得风电机组传动链待测部件的振动特征；
提取信号单元：用于根据振动特征通过分类器提取风电机组的故障预警和故障发生信号。
优选的，所述标记模块包括：
标记预警等级单元：用于每当所述CMS系统中出现故障预警信息时，记录对应的时刻并在SCADA数据中标记预警等级；
标记故障单元：用于每当所述CMS系统中出现故障发生信号时，记录对应的时刻并在SCADA数据中标记故障。
优选的，所述分析模块包括：
提取越限信息单元：用于提取SCADA系统中监测所述风电机组传动链待测部件的参数越限信息；
设置单元：用于产生越限的对应时刻，设置参数状态为1；未产生越限的对应时刻，设置参数状态为0。
优选的，所述构建模块包括：
建立参数越限信息表单元：用于所述根据所述预警等级和故障标记以及所述参数状态以时间划分建立参数越限信息表；
建立关联规则模型单元：用于根据预设周期，通过关联规则挖掘算法分析所述参数越限信息表，形成SCADA参数越限与CMS预警等级和故障之间的关联规则模型。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供的技术方案，根据CMS测量数据定义了更具预测价值的风电机组故障预警状态及故障发生状态，根据SCADA系统中参数越限信息分析对应时刻SCADA数据的参数状态，在预设周期内，根据所述预警等级和故障标记以及所述参数状态构建关联规则模型，实现了CMS测量数据信息和SCADA量测数据信息的融合，实现了两种无法直接进行数据融合的系统的协同作用，提高风电机组运维效率。
本发明提供的技术方案，与独立采用CMS系统进行故障预警的方式相比，能够降低漏判风险。
本发明提供的技术方案，与独立采用SCADA系统进行故障预警的方式相比，提高了预警的针对性和准确性，能够直接指导现场运维。
附图说明
图1为本发明的流程图；
图2为多种现有技术探测故障发生并发出预警的时刻示意图；
图3为现有的CMS系统技术示意图；
图4为本实施例中CMS系统与SCADA系统测量数据信息的融合示意图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
图1为预测未来风电机组发生故障的模型构建方法的流程图，如图1所示，包括：
通过CMS系统获取风电机组的故障预警和故障发生信号；
在SCADA系统中记录所述故障预警和故障发生信号发生的时刻，并在SCADA系统的数据中进行预警等级和故障标记；
根据SCADA系统中参数越限信息分析所述对应时刻SCADA数据的参数状态；
在预设周期内，根据所述预警等级和故障标记以及所述参数状态构建关联规则模型；
通过所述关联规则模型预测未来风电机组发生的所有故障预警情况。
通常来说，机械部件在使用过程中会因受到伤害而影响设计的功能，这被称为损伤，损伤一定会影响机械部件的使用寿命，但却未必一定引起失效，当损伤累计到一定程度时，就会使机械部件彻底丧失工作能力，这被称为失效。并不是所有损伤都会导致失效，比如齿轮在早期运行阶段需要互相磨合，磨合过程发生的抛光、中等磨损、非扩展性疲劳点蚀虽然是损伤，但却并没有发生会导致失效的故障。在关键部件投入运行到陆续出现损伤再到因特定故障而导致失效的全寿命周期里，如图2所示，各类监测手段所能探得故障发生趋势并发出预警的时间先后顺序。
本实施例讨论的故障为可引发传动链关键部件(主轴、齿轮箱、发电机轴承)失效的故障。该故障与SCADA系统因若干参数超限或控制失效而发布的故障信息相比，具有更高的可读性和推断价值。SCADA系统因若干参数超限或控制失效而发布的故障信息如：主轴承前/后端温度异常、齿轮箱输入轴振动超标、发电机驱动端轴承振动超标等与物理世界实际发生的关键部件失效密切相关。
如图3所示，本实施例首先需要建立基于CMS系统采集的传动链关键部件振动特征对应建立风电机组故障预警及故障发生分类器。
CMS系统供应商通过获取风电机组部件相关参数(如部件详细尺寸、材料特征、质量、平均密度等)可以获得对应的故障振动特征，再通过将后期采集的振动信号与故障振动特征比对，即可确认对应部件发生异常并发出预警信息，若前期出现漏判也有可能直接发现部件失效，此时发出故障信息。
对于机组的轴振动来讲，通过状态监测系统可以获得各个振动测量点的频谱图，每一个频段的幅值对应了风电机组不同状态特征。
例如：齿轮箱的故障频率f＝NF(N为齿数，F为转频)；油膜涡动频率f＝0.45N(N为转频)；发电机转子不平衡的主要振动频率为ft(ft为转动频率)；发电机定子绕组故障的主要振动频率(fs，2fs，4fs)等等，对每个频段分别监测并设定分等级，具体等级划分可视故障重要程度确定。
如图4所示，本实施例以报警值和危险值为例，从而建立了包含振动特征分类器。例如，对于某部件故障，除具有故障振动特征F1以外，还具备危险程度由重到轻的W1L1、W1L2故障预警振动特征。因此，该振动特征分类器包含了对风电机组传动链关键部件进行CMS振动分析所得的全部振动特征。
在不增加进行CMS分析频率的前提下，每当CMS系统分析得到异常振动特征，就可通过分类器获取预警/故障信息，如W1L1，并得到发生时刻T1。此时，对同一时刻的SCADA数据增加CMS状态标记W1L1。
另一方面，SCADA系统实时监测的运行数据包含有多种参数越限信息，如主轴承前端温度超限、齿轮箱油温超限等，将其中与风电机组传动链关键部件的越限信息提取出来，以时间为划分形成一张参数越限信息表，产生越限的参数状态下置1，未产生越限的参数状态下置0。
根据参数的重要程度，对其变化产生的越限信息进行更细致地划分，本实施例中提供的参数越限信息例如：SCADA系统中有参数“齿轮箱油温”，对某型号风电机组，其正常运行范围为-15℃至75℃，当其值低于-20℃或高于80℃则会被认定为故障。则根据上述已知条件设定越限规则：当齿轮箱油温低于-15℃时，产生越限信息“齿轮箱油温低温预警”；当齿轮箱油温低于-20℃时，产生越限信息“齿轮箱油温低温故障”；当齿轮箱油温高于75℃时，产生越限信息“齿轮箱油温高温预警”；当齿轮箱油温高于80℃时，产生越限信息“齿轮箱油温高温故障”。
对应地，将所有参数的越限信息汇集即可形成越限信息表，在产生越限的时刻将该参数的状态对应写入该时刻故障信息表中，需要说明的是，该越限信息表会随时间更新，每周期产生一条新的记录。
以时间为主键，结合上述SCADA数据，则得到带有CMS预警/故障标记的SCADA越限信息状态时序数据，简称为CMS/SCADA标记数据，从而实现了两系统间的测量数据信息融合。
考虑到风电场运维要求和其他状态监控系统对预警/故障的探知能力，本实施例以7天为周期，采用常用关联规则挖掘算法，如FP‐频繁树集算法、Apriori算法，对上述CMS/SCADA标记数据进行关联分析并形成SCADA参数越限和CMS预警/故障之间的关联规则模型。
最终，可以通过观测更具实时性的SCADA实时数据，以7天为周期，统计SCADA系统中参数越限情况，当发现规则匹配，便可判定即将在未来7天出现CMS预警/故障，从而挖掘出SCADA实时数据对故障预测的价值，并降低了CMS振动分析系统漏判的风险。
基于同一发明构思，本实施例还提供了一种预测未来风电机组发生故障的模型构建系统，包括：
获取模块：用于通过CMS系统获取风电机组的故障预警和故障发生信号；
标记模块：用于在SCADA系统中记录所述故障预警和故障发生信号发生的时刻，并在SCADA系统的数据中进行预警等级和故障标记；
分析模块：用于根据SCADA系统中参数越限信息分析所述对应时刻SCADA数据的参数状态；
构建模块：用于在预设周期内，根据所述预警等级和故障标记以及所述参数状态构建关联规则模型；
预测模块：用于通过所述关联规则模型预测未来风电机组发生的所有故障预警情况。
实施例中，所述获取模块包括：
获取单元：用于通过CMS系统获得风电机组传动链待测部件的振动特征；
提取信号单元：用于根据振动特征通过分类器提取风电机组的故障预警和故障发生信号。
实施例中，所述标记模块包括：
标记预警等级单元：用于每当所述CMS系统中出现故障预警信息时，记录对应的时刻并在SCADA数据中标记预警等级；
标记故障单元：用于每当所述CMS系统中出现故障发生信号时，记录对应的时刻并在SCADA数据中标记故障。
实施例中，所述分析模块包括：
提取越限信息单元：用于提取SCADA系统中监测所述风电机组传动链待测部件的参数越限信息；
设置单元：用于产生越限的对应时刻，设置参数状态为1；未产生越限的对应时刻，设置参数状态为0。
实施例中，所述构建模块包括：
建立参数越限信息表单元：用于所述根据所述预警等级和故障标记以及所述参数状态以时间划分建立参数越限信息表；
建立关联规则模型单元：用于根据预设周期，通过关联规则挖掘算法分析所述参数越限信息表，形成SCADA参数越限与CMS预警等级和故障之间的关联规则模型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种预测未来风电机组发生故障的模型构建方法，其特征在于，包括：
通过CMS系统获取风电机组的故障预警和故障发生信号；
在SCADA系统中记录所述故障预警和故障发生信号发生的时刻，并在SCADA系统的数据中进行预警等级和故障标记；
根据SCADA系统中参数越限信息分析对应时刻SCADA数据的参数状态；
在预设周期内，根据所述预警等级和故障标记以及所述参数状态构建关联规则模型；
通过所述关联规则模型预测未来风电机组发生的所有故障预警情况；
相应的，在预设周期内，根据所述预警等级和故障标记以及所述参数状态构建关联规则模型，包括：
根据所述预警等级和故障标记以及所述参数状态以时间划分建立参数越限信息表；
根据预设周期，通过关联规则挖掘算法分析所述参数越限信息表，形成SCADA参数越限与CMS预警等级和故障之间的关联规则模型。
2.如权利要求1所述的模型构建方法，其特征在于，所述通过CMS系统获取风电机组的故障预警和故障发生信号，包括：
通过CMS系统获得风电机组传动链待测部件的振动特征；
根据振动特征通过分类器提取风电机组的故障预警和故障发生信号。
3.如权利要求2所述的模型构建方法，其特征在于，所述在SCADA系统中记录所述故障预警和故障发生信号发生的时刻，并在SCADA系统的数据中进行预警等级和故障标记，包括：
每当所述CMS系统中出现故障预警信息时，记录对应的时刻并在SCADA数据中标记预警等级；
每当所述CMS系统中出现故障发生信号时，记录对应的时刻并在SCADA数据中标记故障。
4.如权利要求3所述的模型构建方法，其特征在于，所述故障预警信息包括：危险程度由重到轻的故障预警。
5.如权利要求2所述的模型构建方法，其特征在于，所述根据SCADA系统中参数越限信息分析所述对应时刻SCADA数据的参数状态，包括：
提取SCADA系统中监测所述风电机组传动链待测部件的参数越限信息；
产生越限的对应时刻，设置参数状态为1；
未产生越限的对应时刻，设置参数状态为0。
6.如权利要求1所述的模型构建方法，其特征在于，所述通过所述关联规则模型预测未来风电机组发生的所有故障预警情况，包括：
观测预设周期内SCADA的数据，根据关联规则模型分析，预测未来风电机组发生的所有故障预警情况。
7.一种预测未来风电机组发生故障的模型构建系统，其特征在于，包括：
获取模块：用于通过CMS系统获取风电机组的故障预警和故障发生信号；
标记模块：用于在SCADA系统中记录所述故障预警和故障发生信号发生的时刻，并在SCADA系统的数据中进行预警等级和故障标记；
分析模块：用于根据SCADA系统中参数越限信息分析对应时刻SCADA数据的参数状态；
构建模块：用于在预设周期内，根据所述预警等级和故障标记以及所述参数状态构建关联规则模型；
预测模块：用于通过所述关联规则模型预测未来风电机组发生的所有故障预警情况；
相应的，所述构建模块包括：
建立参数越限信息表单元，用于所述根据所述预警等级和故障标记以及所述参数状态以时间划分建立参数越限信息表；
建立关联规则模型单元，用于根据预设周期，通过关联规则挖掘算法分析所述参数越限信息表，形成SCADA参数越限与CMS预警等级和故障之间的关联规则模型。
8.如权利要求7所述的模型构建系统，其特征在于，所述获取模块包括：
获取单元：用于通过CMS系统获得风电机组传动链待测部件的振动特征；
提取信号单元：用于根据振动特征通过分类器提取风电机组的故障预警和故障发生信号。
9.如权利要求7所述的模型构建系统，其特征在于，所述标记模块包括：
标记预警等级单元：用于每当所述CMS系统中出现故障预警信息时，记录对应的时刻并在SCADA数据中标记预警等级；
标记故障单元：用于每当所述CMS系统中出现故障发生信号时，记录对应的时刻并在SCADA数据中标记故障。
10.如权利要求8所述的模型构建系统，其特征在于，所述分析模块包括：
提取越限信息单元：用于提取SCADA系统中监测所述风电机组传动链待测部件的参数越限信息；
设置单元：用于产生越限的对应时刻，设置参数状态为1；未产生越限的对应时刻，设置参数状态为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711236425.2A CN109840666B (zh) | 2017-11-29 | 2017-11-29 | 一种预测未来风电机组发生故障的模型构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711236425.2A CN109840666B (zh) | 2017-11-29 | 2017-11-29 | 一种预测未来风电机组发生故障的模型构建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109840666A CN109840666A (zh) | 2019-06-04 |
| CN109840666B true CN109840666B (zh) | 2020-12-18 |
Family
ID=66882649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711236425.2A Active CN109840666B (zh) | 2017-11-29 | 2017-11-29 | 一种预测未来风电机组发生故障的模型构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109840666B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111306051B (zh) * | 2020-01-16 | 2021-04-30 | 中国石油大学(北京) | 一种输油泵机组探针式状态监测预警方法、装置及系统 |
| CN112052426A (zh) * | 2020-09-01 | 2020-12-08 | 国家电投集团江西电力有限公司 | 一种风机变桨电机温升故障预警方法 |
| CN112232366B (zh) * | 2020-09-09 | 2024-04-16 | 国网上海市电力公司 | 一种基于rfid监测的电气设备故障预警方法及系统 |
| CN113435705A (zh) * | 2021-06-02 | 2021-09-24 | 上海电气风电集团股份有限公司 | 轴承监测方法及其系统及计算机可读存储介质 |
| CN114120580B (zh) * | 2021-11-15 | 2023-07-14 | 国网山东省电力公司信息通信公司 | 一种远程监控信息系统 |
| CN114330569A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种检测风机组部件故障的方法、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103217286A (zh) * | 2013-03-23 | 2013-07-24 | 中国水利电力物资有限公司 | 基于故障数据的风电机组传动系统故障识别方法和系统 |
| CN103344914A (zh) * | 2013-06-26 | 2013-10-09 | 中能电力科技开发有限公司 | 基于归一化的风电机组故障预警方法 |
| CN104329222A (zh) * | 2014-10-09 | 2015-02-04 | 国电南瑞科技股份有限公司 | 一种集成于风机主控系统内的在线状态监测与故障诊断方法 |
| EP2940295A1 (en) * | 2014-04-29 | 2015-11-04 | General Electric Company | System and method for controlling a wind farm |
| CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
| CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
| CN107797063A (zh) * | 2017-09-19 | 2018-03-13 | 北京瑞盈同创智能技术研究院有限公司 | 基于scada的风电机组运行状态评估及故障诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105786919B (zh) * | 2014-12-26 | 2019-11-26 | 亿阳信通股份有限公司 | 一种告警关联规则挖掘方法和装置 |
| CN107341349B (zh) * | 2017-06-30 | 2020-04-14 | 上海交通大学 | 风机健康评估的方法、系统、存储器及控制器 |
-
2017
- 2017-11-29 CN CN201711236425.2A patent/CN109840666B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103217286A (zh) * | 2013-03-23 | 2013-07-24 | 中国水利电力物资有限公司 | 基于故障数据的风电机组传动系统故障识别方法和系统 |
| CN103344914A (zh) * | 2013-06-26 | 2013-10-09 | 中能电力科技开发有限公司 | 基于归一化的风电机组故障预警方法 |
| EP2940295A1 (en) * | 2014-04-29 | 2015-11-04 | General Electric Company | System and method for controlling a wind farm |
| CN104329222A (zh) * | 2014-10-09 | 2015-02-04 | 国电南瑞科技股份有限公司 | 一种集成于风机主控系统内的在线状态监测与故障诊断方法 |
| CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
| CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
| CN107797063A (zh) * | 2017-09-19 | 2018-03-13 | 北京瑞盈同创智能技术研究院有限公司 | 基于scada的风电机组运行状态评估及故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| "Wind Turbine Modeling Research Based on the Combination of SCADA and Vibration Signals";Wu Xin等;《Published in: 2017 4th International Conference on Information Science and Control Engineering (ICISCE)》;20171106;第92-95页 * |
| "基于SCADA数据的风电机组运行状态评估方法研究";万杰;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150315(第03期);C042-95 * |
| "风电机组传动链柔性建模及电网故障响应特性研究";秦世耀等;《太阳能学报》;20150303;第727-733页 * |
| "风电机组在线振动监测技术研究";程人杰等;《风能》;20140630(第006期);第1331-1335页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109840666A (zh) | 2019-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840666B (zh) | 一种预测未来风电机组发生故障的模型构建方法及系统 | |
| Saidi et al. | Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR | |
| Wang et al. | A novel statistical time-frequency analysis for rotating machine condition monitoring | |
| Crabtree et al. | Survey of commercially available condition monitoring systems for wind turbines | |
| Bechhoefer et al. | Processing for improved spectral analysis | |
| Ocak et al. | Online tracking of bearing wear using wavelet packet decomposition and probabilistic modeling: A method for bearing prognostics | |
| CN107576488A (zh) | 一种采用振动算法对设备运行状态进行监测诊断的方法 | |
| Shanbr et al. | Detection of natural crack in wind turbine gearbox | |
| CN105181019A (zh) | 用于旋转类机械早期故障预警分析的计算机程序产品 | |
| CN105809255A (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
| AU2008314694A1 (en) | Method for determining fatigue damage in a power train of a wind turbine | |
| CN108896299A (zh) | 一种齿轮箱故障检测方法 | |
| CN102441579B (zh) | 热连轧轧机运行状态的在线监测方法 | |
| 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 | |
| Márquez et al. | An overview of wind turbine maintenance management | |
| US11493404B2 (en) | Method and system for estimating the wear of a rotating machine including a bearing | |
| CN110398384A (zh) | 旋转机械的机器健康监测 | |
| CN114295367B (zh) | 一种风电机组齿轮箱工况在线监测方法 | |
| Kebabsa et al. | Experimental vibratory analysis of a fan motor in industrial environment | |
| Enshaei et al. | Icphm’23 benchmark vibration dataset applicable in machine learning for systems’ health monitoring | |
| CN113280910A (zh) | 一种长材生产线设备实时监测方法及系统 | |
| CN116892489A (zh) | 一种基于声发射及振动的风机传动链状态监测方法及系统 | |
| CN108520093B (zh) | 一种基于知识库的机械设备故障诊断方法和装置 | |
| Orsagh et al. | Advanced vibration monitoring for wind turbine health management | |
| CN110108490B (zh) | 一种表征机器轴承健康状态特征指标的提取方法及系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant after: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Address before: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant before: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. Applicant before: State Grid Corporation of China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |