CN110414154B - 一种带有双测点的风机部件温度异常检测和报警方法 - Google Patents
一种带有双测点的风机部件温度异常检测和报警方法 Download PDFInfo
- Publication number
- CN110414154B CN110414154B CN201910702580.1A CN201910702580A CN110414154B CN 110414154 B CN110414154 B CN 110414154B CN 201910702580 A CN201910702580 A CN 201910702580A CN 110414154 B CN110414154 B CN 110414154B
- Authority
- CN
- China
- Prior art keywords
- temperature
- component
- data
- model
- measuring points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007619 statistical method Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000007246 mechanism Effects 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种带有双测点的风机部件温度异常检测和报警方法，包括利用设备早期无故障期间的训练集数据对待测部件温度测点的数据进行拟合获取多元线性方程的系数，构建温度拟合模型；使用拟合模型对测试集数据的温度测点进行预测，使用测试数据的实际温度与模型预测温度的差值作为预测残差序列；在线运行时，收集固定时间长度T的风电机组实时运行数据，使用模型通过提取出的特征对在线数据的温度测点进行预测，得到模型预测温度；使用待测部件实时温度与模型预测温度的差值作为预测残差序列，基于获得的两组在线残差数值的统计分析，进入所述部件温度预警程序。本申请对带有双测点的部件可以有效定位故障发生位置，方便进行预测性维护。
Description
技术领域
本申请涉及一种带有双测点的风机部件温度异常检测和报警方法，适用于风机异常检测的技术领域。
背景技术
现有部分技术包括风电机组自带的主控系统对于温度异常的预警逻辑往往是限定阈值的方法，即发现温度低于或高于某一个预先设定好的阈值即产生报警，这类方法较为直观、简单、灵敏，但是遇到一些外界因素引起的特殊温度变化时往往会出现误报警，在预警的准确性和稳定性方面表现较差。以主轴承温度预警逻辑为例，通常都是在待测风机部件上设置一个或两个温度测点，风电场SCADA系统(数据采集与监视控制系统)通过简单设置主轴承温度阈值的方法来对主轴承运行状态进行监测，当主轴承温度高于设定的阈值时SCADA就会向风场业主发出报警。这种预警方式过于简单，有极高的误报率，并且部件的故障往往是一个累积、递进的过程，SCADA主控系统的报警往往没有适当长度的提前量，无法辅助业主进行预测性维护。现有技术中对温度异常的检测和评价标准主要有以下几种：
(1)基于部件温度特征量的预警机制。中国专利申请201410355897.X，201810698450.0中，通过划分工况的方法，对机组数据划分出的子集提取温度特征量，根据确定好的阈值进行实时温度超过阈值的统计方法进行故障预警。这种预警方式更为细致，并考虑到了风电机组在不同运行状况下的温度差别，但是依然属于绝对阈值的方法，准确率较低、报警不稳定的缺点依然存在，极大地依赖于人工确定的阈值。
(2)基于正常行为模型的残差预警机制。中国专利申请201810146979.1、201711477916.6、201710853212.8中，通过获取风机历史数据中与待测部件温度相关的变量，训练神经网络模型，对待测部件的温度进行预测，在线获取实时温度后通过实际温度和预测温度的残差偏移来确定故障。这种预警方式比较严谨，充分考虑了部件运行的物理特性和历史运行情况，在故障发生时残差一般能够体现出故障特征，但是由于对训练数据工况完整性以及工况覆盖率的依赖，工况变化时这种方法由于只依赖残差绝对值的判别，容易出现误报，稳定性不佳。
(3)基于集群对标的预警机制。中国专利申请201910027340.6中，通过对全风场风机设置监测机组和参比机组的方式，每次将监测机组待测部件获取的温度数据与其余参比机组的温度数据集合平均值进行对比，如果温差超过一定比例并有明显的上升趋势则确定监测机组的温度故障。这种预警方式比较直观，但是对全风场风机的机型特征、健康状态假设和运行时的物理特性一致性要求较高，一旦无法满足风机运行状况的一致则无法保证预警准确。另外尤其是在山地风场中，由于湍流的影响，相邻风机所处的气候条件甚至都有差别。
另外，现有的方法无法形成系统闭环，难以对风电机组部件的温度异常做出系统性地监控和报警。从经验来看一旦风电机组部件出现温度异常故障，会持续到故障结束，这一特点对报警机制的要求极高，要求对这些部件的温度监控系统在故障发生前的预警准确、稳定，并且由于逐渐接近故障发生，预警的等级也会相应提高，这是现有技术面临的最大挑战。
综上，现有技术中存在的问题包括：无论是基于温度阈值的判断方法还是基于残差模型的判断方法，报警的准确性、预测性和稳定性往往难以同时满足；目前现有的温度异常诊断技术通常没有过渡到最终面向用户端的报警逻辑，而对这一技术的需求和要求都比较高，对风场业主来说在减小误报率、漏报率的前提下，要尽可能稳定地输出报警信号，起到防患和提醒的作用。
发明内容
本申请克服了绝对阈值判别的应激性，相较于单纯的残差判别模型准确性和稳定程度都有所提高，对带有双测点的部件可以有效定位故障发生的具体位置，并最终形成合理的、有等级区分的报警，方便风场业主进行预测性维护。
本申请涉及一种带有双测点的风机部件温度异常检测和报警方法，所述风机部件上设有两个温度测点，所述检测和报警方法包括机理驱动数据建模程序和基于残差的部件温度预警程序；所述机理驱动数据建模程序包括以下步骤：
(1)获得风机运行时的监测数据，选择一组设备早期且待测部件未出现故障的数据作为训练数据；
(2)根据待测部件的物理特性，筛选出与部件温度相关的原始变量；
(3)对原始变量进行预处理获取新的加工变量，根据原始变量和加工变量构造描述部件温度的多元线性方程；
(4)将获取到的历史数据分割为训练集和测试集，训练集用来拟合温度预测模型，测试集用来后续步骤的阈值确定；
(5)利用训练集对待测部件温度测点的数据进行拟合获取多元线性方程的系数，构建温度拟合模型，分别得到部件第一温度测点测量值的拟合模型和部件第二温度测点测量值的拟合模型；
(6)使用拟合模型对测试集数据的温度测点进行预测，得到模型预测温度；同时判断模型的拟合精度，达到准确率要求则保存该拟合模型；
(7)使用测试数据的实际温度与模型预测温度的差值作为预测残差序列；
(8)对于双测点部件，得到两组残差，对测试集残差分布分别根据6_sigma原则和3_sigma原则确定各测点的绝对阈值T1和T2，根据3_sigma原则确定两测点测试集残差差值的相对阈值ΔT；保存T1、T2、ΔT供在线预测使用，其中T1>T2；
(9)在线运行时，收集固定时间长度T的风电机组实时运行数据，根据步骤(3)中的方法对在线数据提取特征；
(10)使用模型通过提取出的特征对在线数据的温度测点进行预测，得到模型预测温度；
(11)使用待测部件实时温度与模型预测温度的差值作为预测残差序列，双测点得到两组在线残差；
(12)基于获得的两组在线残差数值的统计分析，进入所述部件温度预警程序。
优选地，所述基于残差的部件温度预警程序包括以下步骤：
(1)记录该时间段T内在线数据总的样本点数量N；对于双测点部件的任意一组测点，如果某一样本点通过模型预测得到的在线残差超过该测点对应的较高绝对阈值T1，则将该样本点记录为满足触发预警条件的样本点n+；若某一样本点的在线残差介于该测点对应的绝对阈值T1和T2之间，则比较该样本点的两测点在线残差差值是否超过对应的相对阈值ΔT，若超过则同样记录为满足触发预警条件的样本点n+；
(2)对任一测点计算时间T内所有满足触发预警条件的样本点个数总和∑n+占总样本点数量N的比例P，若P超过设定的阈值Pt，则判断该时间T内该台风机该测点发生温度异常故障。
优选地，判断该时间T内该测点发生温度异常故障后，输出该测点的警告标识参数为真值；将本次的运行结果及历史的运行结果反馈到每次运行的预警逻辑中，将待测部件所有测点的警告标识参数输出至算法运行结果数据库中保存，每次算法运行调用历史存储的警告标识参数进行逻辑判断。
优选地，对各测点，若连续m次算法运行输出的警告标识参数都为真值，或历史n次运行中警告标识参数为真值的比例超过设定的比例Pw，则本次运行触发警报，同时设定对应测点的报警标识参数为真值，其中m,n根据算法的运行频率来设定。更优选地，将各测点对应的报警标识参数输出至算法运行结果数据库中保存，每次算法运行调用历史存储的报警标识参数的值进行逻辑判断，若本次运行对应测点的报警标识参数为真值，则取历史k次运行中报警标识参数为真值的个数来确定本次报警的风险值，并将比例映射为报警等级参数，其中k根据算法的运行频率来设定。风机部件经过检修后，对应部件的历史预警库清零。
优选地，所述机理驱动数据建模程序的步骤(2)中的原始变量包括风速、有功功率、发电机转速、第一温度测点的测量值、第二温度测点的测量值和机舱温度中的至少一个。
优选地，所述机理驱动数据建模程序的步骤(6)中，模型的拟合精度的判断标准通过残差分析和拟合精度分析进行；如果拟合精度小于全体数据均值的10％，并且残差通过QQ-Norm检验和Jarque-Bera检验，服从正态性分布，则认为达到准确率的要求。
本申请的有益效果为：
1.本方法提出了针对风电机组具有温度测点的部件的温度异常监控和报警方法和系统，能够适用于双测点部件的温度监控；
2.本方法根据不同部件运行的物理规律，采用正常行为模型建模得到预测温度和实际温度残差，充分考虑到单独每台风机的特性和历史运行情况，采用测点间对标参照的方法，充分提高报警的准确度，并相较于基于温度阈值预警有一定的提前量；
3.本方法在正常行为模型的基础上，充分考虑到单独每台风机历史的报警情况并纳入到实时监控的报警逻辑中，充分提高报警的稳定性，并满足临近故障发生的报警等级递增。
附图说明
图1是本申请的带有双测点的风机部件温度异常检测和报警方法的流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
如图1所示，根据本申请的一种带有双测点的风机部件温度异常检测和报警方法，所述风机部件上设有两个温度测点，所述检测和报警方法包括机理驱动数据建模和基于残差的部件温度预警两个流程，
机理驱动数据建模包括以下处理步骤：
1.获得风机运行时SCADA系统的监测数据，选择一组设备早期且待测部件未出现故障的数据作为训练数据；
2.根据待测部件的物理特性，筛选出与部件温度相关的原始变量，包括风速、有功功率、发电机转速、第一温度测点的测量值、第二温度测点的测量值和机舱温度，以及数据的时间戳；
3.对原始变量进行预处理获取新的加工变量，根据原始变量和加工变量构造描述部件温度的多元线性方程；
4.根据获取到的历史数据的数量，按照例如7：3的比例将数据分割为训练集和测试集，训练集用来拟合温度预测模型，测试集用来后续步骤的阈值确定；
5.使用例如最小二乘法对待测部件温度测点进行拟合获取多元线性方程的系数，构建温度拟合模型，分别得到部件第一温度测点测量值的模型和部件第二温度测点测量值的模型；
6.使用模型通过提取出的特征对测试数据的温度测点进行预测，得到模型预测温度；同时判断模型的拟合精度，达到准确率要求则保存模型；具体的判断标准例如可以通过残差分析和拟合精度分析，如果拟合精度(RMSE)小于全体数据均值的10％，并且残差通过QQ-Norm检验和Jarque-Bera检验，服从正态分布；
7.使用测试数据的实际温度与模型预测温度的差值作为预测残差序列；
8.对于双测点部件，得到两组残差。对测试集残差分布根据6_sigma原则(也称6σ准则)和3_sigma原则(也称3σ准则)确定各测点的绝对阈值T1和T2(其中T1>T2，每个测点对应各自的T1和T2，见下式)，根据3_sigma原则确定两测点测试集残差差值的相对阈值ΔT(见下式)，其中RES1为测点1的残差，RES2为测点2的残差，ΔRES为两测点残差的差值(计算测点1的阈值时ΔRES＝RES1-RES2，计算测点2的阈值时ΔRES＝RES2-RES1)，
T1＝Mean(RESn)+6×Std(RESn)
T2＝Mean(RESn)+3×Std(RESn)
ΔT＝Mean(ΔRES)+3×Std(ΔRES)
其中n表示两个测点，n＝1，2，Mean表示平均值，Std表示标准差；保存T1，T2，ΔT供在线预测使用；
9.在线运行时，收集固定时间长度T的风电机组实时运行数据，根据步骤3中的方法对在线数据提取特征；
10.使用模型通过提取出的特征对在线数据的温度测点进行预测，得到模型预测温度；
11.使用待测部件实时温度与模型预测温度的差值作为预测残差序列，双测点得到两组在线残差。
基于残差的部件温度预警包括以下处理步骤：
1.记录该时间段T内在线数据总的样本点数量N；对于双测点部件的任意一组测点，如果某一样本点通过模型预测得到的在线残差超过该测点对应的较高绝对阈值T1，则将该样本点记录为满足触发预警条件的样本点n+，若某一样本点的在线残差介于该测点对应的绝对阈值T1和T2之间，则比较该样本点的两测点在线残差差值是否超过对应的相对阈值ΔT，若超过则同样记录为满足触发预警条件的样本点n+；
2.对任一测点计算时间T内所有满足触发预警条件的样本点个数总和∑n+占总样本点数量N的比例P，若P超过事先人为设定的阈值Pt，则判断该时间T内该台风机该测点发生温度异常故障，输出该测点的警告标识参数WarningFlag为True(真)；
3.自回馈报警机制：算法将本次的运行结果及历史的运行结果反馈到每次运行的预警逻辑中。将待测部件所有测点的警告标识参数WarningFlag输出至算法运行结果数据库中保存，每次算法运行调用历史存储的WarningFlag值进行逻辑判断。对各测点，若连续m次算法运行输出的警告标识参数WarningFlag都为True，或历史n次运行(m,n的大小取决于算法运行频率，m<<n)中WarningFlag为True超过比例Pw，则本次运行触发警报，同时设定对应测点的报警标识参数AlarmFlag为True；
4.将各测点对应的报警标识参数AlarmFlag输出至算法运行结果数据库中保存，每次算法运行调用历史存储的AlarmFlag值进行逻辑判断，若本次运行对应测点的AlarmFlag为True，则取历史k次运行(k的大小取决于算法运行频率，通常k>>n)中报警标识参数AlarmFlag为True的个数来确定本次报警的风险值，并将比例映射为报警等级AlarmLevel，即历史k次运行中AlarmFlag为True的个数越多，报警等级越高；在步骤2，3，4中，Pt，Pw，m，n，k决定报警产生的敏感程度，通常根据业主需要及专家经验设置；
5.若算法运行未触发WarningFlag或AlarmFlag，则不报警；
6.风场业主进行检修后，对应部件的历史预警库清零。
本申请中基于机理和数据混合驱动，采用能量守恒方程等数据预处理及特征构建方法，建立不同测点对应的温度拟合模型，也即正常行为模型，提升模型预测质量，达到预测性维护的目的；针对双测点大部件，对温度预测残差采用针对性的后处理机制，其中：通过设置双阈值及测点间对比的方式(基于正常行为模型残差的相对阈值对标法)有效减少误报，保证了报警的准确性，也有效降低误报率；采用了自回馈报警机制，连接算法模型和结果数据库，充分考虑历史算法的运行报警情况并纳入到预警报警的逻辑中，提高报警的稳定性，并实现出现故障时会有等级逐渐递增的报警反馈。
实施例
使用某风场2018年上半年的风机运行数据进行了算法报警测试，已知一台风机在6月底出现了发动机前轴承抱死故障。
验证步骤：
1.采集该风场故障前10个月到故障发生时的运行数据；
2.通过负载参数、环境参数、其他参照测点温度等作为输入参数，加以人工构造建立发电机轴承温度预测的正常行为模型；
3.通过对描述轴承温度变化的常微分方程做有限差分近似后得到多元线性拟合方程:
方程中主要涉及到的变量有：Tb:轴承温度，[℃]，Tc:机舱内温度，[℃]，ω:发电机转速，[rad·s-1](60rpm＝2πrad·s-1)，P:有功功率绝对值，[W]；
式中，例如
就是对原始变量Tb和Tc进行预处理获取新的加工变量；
4.采用故障前7-10个月的数据，选取有效变量构造特征，对步骤3中的方程进行最小二乘拟合；
5.观察拟合精度，测试集残差服从正态分布，保存模型。根据测试集残差的分布情况确定了驱动端和非驱动端的残差绝对阈值都为T1＝1.6，T2＝0.8，确定了残差差值阈值ΔT＝1；
6.使用该风机故障前半年的数据进行在线验证；
7.以三天为单位，每三天算法运行一次，一次输入历时三天的数据，每运行一次输出该次运行的风险值和报警等级；
8.对于驱动端和非驱动端轴承，一次输入的样本点个数为432，对每一个样本点先比较驱动端和非驱动端测点的在线残差与T1的大小关系，若任一测点超过T1则满足触发预警条件；若小于T1但大于T2，则比较残差差值与ΔT的大小关系。若驱动端在线残差与非驱动端在线残差的差值大于ΔT，则判断驱动端满足触发预警条件，反之同理；
9.对整体(432个)的满足触发预警的样本点个数进行统计，若超过人工设置的比例界限Pt＝10％，则判断本次算法运行产生预警；
10.设定报警阈值m＝3，n＝10，Pw＝50％，即若出现连续三次运行都产生预警，或最近十次运行中超过半数产生预警，则最近一次运行触发报警；
11.根据历史积累的报警次数确定本次报警的风险值，并映射到报警等级，风险值40以上为较为严重；
12.在线验证中，前轴承于出现抱死故障前15天开始连续产生风险值为40以上、等级不断递增的报警，可以提前、准确、稳定地对故障进行预测，达到防患于未然的作用。
虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种带有双测点的风机部件温度异常检测和报警方法，所述风机部件上设有两个温度测点，其特征在于，所述检测和报警方法包括机理驱动数据建模程序和基于残差的部件温度预警程序；
所述机理驱动数据建模程序包括以下步骤：
(1)获得风机运行时的监测数据，选择一组设备早期且待测部件未出现故障的数据作为训练数据；
(2)根据待测部件的物理特性，筛选出与部件温度相关的原始变量；
(3)对原始变量进行预处理获取新的加工变量，根据原始变量和加工变量构造描述部件温度的多元线性方程；
(4)将获取到的历史数据分割为训练集和测试集，训练集用来拟合温度预测模型，测试集用来后续步骤的阈值确定；
(5)利用训练集对待测部件温度测点的数据进行拟合获取多元线性方程的系数，构建温度拟合模型，分别得到部件第一温度测点测量值的拟合模型和部件第二温度测点测量值的拟合模型；
(6)使用拟合模型对测试集数据的温度测点进行预测，得到模型预测温度；同时判断模型的拟合精度，达到准确率要求则保存该拟合模型；
(7)使用测试数据的实际温度与模型预测温度的差值作为预测残差序列；
(8)对于双测点部件，得到两组残差，对测试集残差分布分别根据6_sigma原则和3_sigma原则确定各测点的绝对阈值T1和T2，根据3_sigma原则确定两测点测试集残差差值的相对阈值ΔT；保存T1、T2、ΔT供在线预测使用，其中T1>T2；
(9)在线运行时，收集固定时间长度T的风电机组实时运行数据，根据步骤(3)中的方法对在线数据提取特征；
(10)使用模型通过提取出的特征对在线数据的温度测点进行预测，得到模型预测温度；
(11)使用待测部件实时温度与模型预测温度的差值作为预测残差序列，双测点得到两组在线残差；
(12)基于获得的两组在线残差数值的统计分析，进入所述部件温度预警程序；
其中，所述基于残差的部件温度预警程序包括以下步骤：
(1)记录该时间段T内在线数据总的样本点数量N；对于双测点部件的任意一组测点，如果某一样本点通过模型预测得到的在线残差超过该测点对应的较高绝对阈值T1，则将该样本点记录为满足触发预警条件的样本点n+；若某一样本点的在线残差介于该测点对应的绝对阈值T1和T2之间，则比较该样本点的两测点在线残差差值是否超过对应的相对阈值ΔT，若超过则同样记录为满足触发预警条件的样本点n+；
(2)对任一测点计算时间T内所有满足触发预警条件的样本点个数总和∑n+占总样本点数量N的比例P，若P超过设定的阈值Pt，则判断该时间T内该台风机该测点发生温度异常故障。
2.根据权利要求1所述的带有双测点的风机部件温度异常检测和报警方法，其特征在于，判断该时间T内该测点发生温度异常故障后，输出该测点的警告标识参数为真值；将本次的运行结果及历史的运行结果反馈到每次运行的预警逻辑中，将待测部件所有测点的警告标识参数输出至算法运行结果数据库中保存，每次算法运行调用历史存储的警告标识参数进行逻辑判断。
3.根据权利要求2所述的带有双测点的风机部件温度异常检测和报警方法，其特征在于，对各测点，若连续m次算法运行输出的警告标识参数都为真值，或历史n次运行中警告标识参数为真值的比例超过设定的比例Pw，则本次运行触发警报，同时设定对应测点的报警标识参数为真值，其中m,n根据算法的运行频率来设定。
4.根据权利要求3所述的带有双测点的风机部件温度异常检测和报警方法，其特征在于，将各测点对应的报警标识参数输出至算法运行结果数据库中保存，每次算法运行调用历史存储的报警标识参数的值进行逻辑判断，若本次运行对应测点的报警标识参数为真值，则取历史k次运行中报警标识参数为真值的个数来确定本次报警的风险值，并将比例映射为报警等级参数，其中k根据算法的运行频率来设定。
5.根据权利要求4所述的带有双测点的风机部件温度异常检测和报警方法，其特征在于，风机部件经过检修后，对应部件的历史预警库清零。
6.根据权利要求1-5中任一项所述的带有双测点的风机部件温度异常检测和报警方法，其特征在于，所述机理驱动数据建模程序的步骤(2)中的原始变量包括风速、有功功率、发电机转速、第一温度测点的测量值、第二温度测点的测量值和机舱温度中的至少一个。
7.根据权利要求1-5中任一项所述的带有双测点的风机部件温度异常检测和报警方法，其特征在于，所述机理驱动数据建模程序的步骤(6)中，模型的拟合精度的判断标准通过残差分析和拟合精度分析进行；如果拟合精度小于全体数据均值的10％，并且残差通过QQ-Norm检验和Jarque-Bera检验，服从正态性分布，则认为达到准确率的要求。
8.根据权利要求6所述的带有双测点的风机部件温度异常检测和报警方法，其特征在于，所述机理驱动数据建模程序的步骤(6)中，模型的拟合精度的判断标准通过残差分析和拟合精度分析进行；如果拟合精度小于全体数据均值的10％，并且残差通过QQ-Norm检验和Jarque-Bera检验，服从正态性分布，则认为达到准确率的要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910702580.1A CN110414154B (zh) | 2019-07-31 | 2019-07-31 | 一种带有双测点的风机部件温度异常检测和报警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910702580.1A CN110414154B (zh) | 2019-07-31 | 2019-07-31 | 一种带有双测点的风机部件温度异常检测和报警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110414154A CN110414154A (zh) | 2019-11-05 |
| CN110414154B true CN110414154B (zh) | 2022-09-30 |
Family
ID=68364848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910702580.1A Active CN110414154B (zh) | 2019-07-31 | 2019-07-31 | 一种带有双测点的风机部件温度异常检测和报警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414154B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111069736A (zh) * | 2019-12-27 | 2020-04-28 | 唐山松下产业机器有限公司 | 存储介质、焊接设备、焊接异常检测方法及装置 |
| CN111191950B (zh) * | 2020-01-03 | 2023-04-07 | 国电联合动力技术有限公司 | 风电机组齿轮箱油温异常分析方法及装置 |
| CN111237134B (zh) * | 2020-01-14 | 2022-04-01 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
| CN111814848B (zh) * | 2020-06-22 | 2024-04-09 | 浙江大学 | 一种风电机组温度故障的自适应预警策略设计方法 |
| CN111608744B (zh) * | 2020-07-03 | 2022-05-10 | 神华神东电力有限责任公司 | 汽轮机轴承温度保护方法、装置及电子设备 |
| 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 |
| CN114527713A (zh) * | 2021-12-21 | 2022-05-24 | 华润电力（贺州）有限公司 | 一种在dcs上实现双测点保护判断的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN107742008A (zh) * | 2017-09-20 | 2018-02-27 | 上海电机学院 | 一种风电机组齿轮箱的故障预警方法 |
| CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7062370B2 (en) * | 2004-03-30 | 2006-06-13 | Honeywell International Inc. | Model-based detection, diagnosis of turbine engine faults |
-
2019
- 2019-07-31 CN CN201910702580.1A patent/CN110414154B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN107742008A (zh) * | 2017-09-20 | 2018-02-27 | 上海电机学院 | 一种风电机组齿轮箱的故障预警方法 |
| CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于NSET的风力发电机后轴承温度预警方法;李大中等;《科学技术与工程》;20160908(第24期);全文 * |
| 基于XGBoost建模和Change-Point残差处理的风电机组齿轮箱温度预警;王桂松等;《电力科学与工程》;20180928(第09期);全文 * |
| 风电机组齿轮箱温度趋势状态监测及分析方法;郭鹏等;《中国电机工程学报》;20111115(第32期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110414154A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
| CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| CN109298697B (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
| CN107797537A (zh) | 一种应用于自动化生产线的故障预测与健康管理方法 | |
| EP2384971B1 (en) | Method of determining a maneuver performed by an aircraft | |
| EP2989705B1 (en) | Method and apparatus for defect pre-warning of power device | |
| CN110378042B (zh) | 基于scada数据的风电机组齿轮箱油温异常检测方法及系统 | |
| CN112393906B (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
| CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
| CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、系统及存储介质 | |
| CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
| CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的系统及方法 | |
| CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
| CN105910806A (zh) | 加注泵早期健康状态监测方法 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN112016193B (zh) | 一种盾构机系统的润滑失效在线预测方法及系统 | |
| Qian et al. | Bearing performance degradation evaluation using recurrence quantification analysis and auto-regression model | |
| CN117454221A (zh) | 一种高铁牵引制动系统多传感器融合的异常识别方法 | |
| CN112733446A (zh) | 一种数据驱动的自适应异常检测方法 | |
| CN107562041A (zh) | 转辙机故障预警方法、装置、设备及计算机可读存储介质 | |
| CN111192163A (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN116226679A (zh) | 考虑多机组运行状态相似性的风电机组齿轮箱异常检测方法 | |
| CN111913463B (zh) | 一种核电厂化学容积控制系统状态监测方法 | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with 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 |