CN110926809A - 一种基于大数据分析的风电机组传动链故障预警方法 - Google Patents

Abstract

本发明涉及一种基于大数据分析的风电机组传动链故障预警方法，通过提取数据库存储的风电机组的历史振动监测数据，对数据进行Beta分布拟合，确定相对于每种数据属性的振动监测数据的预警阈值区间，形成知识库，然后将实时采集的风电机组的振动监测数据输入知识库中进行判断，根据振动监测数据落入对应预警阈值区间的数据占比，确定风电机组是否故障以进行预警。通过本发明，能够解决现有振动监测系统无法对风电机组传动链早期故障做到实时预警而且智能化程度低的问题，具有较高的识别精度。

Description

一种基于大数据分析的风电机组传动链故障预警方法

技术领域

本发明涉及设备预警技术领域，更具体地说，涉及一种基于大数据分析的风电机组传动链故障预警方法。

背景技术

风电发电机组的传动系统主要包括低速轴、高速轴、齿轮箱、联轴器、紧急刹车机构等，根据现有故障数据统计风电机组传动链的故障造成的停机时间最长约占80％，主要是齿轮箱和轴承故障。因此，开展对风电机组关键部位的早期故障预警和故障振动对整个行业的发展具有实际应用价值。

目前，风电机组设备大部分自带有数据采集与监事控制(SCADA)系统，SCADA系统实现了对风电设备的运行状态的实时监测，同时兼备报警及事故报告等功能。但其监测的状态量有限，主要涵盖了风速、转速、功率、电流、电压等信号量，对于关键零部件的振动测点较少且采集频率较低。如图3为当下常见的一些机械振动监测系统，其报警方式一般为预先设置报警值和停机警戒值。主要预警流程：通过将实时采集的振动数值与预先设置的报警值进行比较，若当前振动数值小于报警值，则判定机组运行正常。反之，则判定为异常，同时由检修人员排查故障原因确定是否停机检修，如达到停机警戒值则立即停车检修。

当前常见的一些机械监测系统的主要存在以下问题：

(1)报警阈值在出厂前由风机生产厂家提供并预先设置，而在监测系统发生报警时故障往往已造成不可逆的损害，无法实现对早期故障的预警，并且随着风机运行年限增加设备损耗原有设置的故障阈值已不符合现在运行要求。

(2)目前主流的频谱分析、包络分析等在实时性、智能化方面欠缺，为风电运行人员日常工作带来不便。

(3)随着大数据时代的到来，数据的实时性显得愈加重要且越来越多智能仪器仪表的接入导致数据量的增加，传统预警方法在面对实时性要求和海量数据愈显乏力。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于大数据分析的风电机组传动链故障预警方法。

本发明解决其技术问题所采用的技术方案是：构造一种基于大数据分析的风电机组传动链故障预警方法，包括：

采集风电机组传动链部件的振动监测数据，形式具有多属性的数据文件并存储在数据库中；从数据库提取风电机组传动链振动监测数据，并进行预处理；

按照第一数据属性对振动监测数据进行采样提取，分别按照第一数据属性的数值大小划分区间，对每一数值区间内的振动监测数据进行Beta分布拟合，并通过最小二乘法得到最优参数α,β；

根据每一数值区间内计算得到的Beta分布最优参数，确定对应的λ₁和λ₂，以计算基于第一数据属性的振动监测数据的预警阈值区间；

通过选取不同数据属性进行振动监测数据的提取，构建不同数据属性的数据数值区间与预警阈值区间的映射，形成知识库；

设定预设的采样时间间隔，采集风电机组实时工作的传动链振动监测数据，判断采样时间间隔内采样的振动监测数据中，在构建知识库的全部数据属性的数据数值落入知识库中对应的数据数值区间时，对应的振动监测数据是否落入与数据数值区间映射的预警阈值区间内；若判断为否的振动监测数据小于等于总采样振动监测数据的85％，则发出风电机组传动链故障警报。

其中，对数据库中振动监测数据进行预处理的步骤包括：

判断振动监测数据是否符合正态分布；

若不符合，对振动监测数据进行离差标准化：通过对原始数据的线性变化，将数值映射到[0，1]的范围内，变换函数如下：

其中，X_max为振动监测数据的最大值，X_min为振动监测数据的最小值。

其中，在对每一数值区间内的振动监测数据进行Beta分布拟合，并通过最小二乘法得到最优参数α,β的步骤中，包括步骤：

设随机变量密度函数为

其中Γ表示伽马函数，α＞0,β＞0,0≤x≤1

设估计概率密度函数

f(X_i,α,β)＝m_i/2n h_i i＝1,2,…,N (3)

其中：X_i是样本数据按一定范围划分后每个区间的中点值；m_i是样本数据落在第i个区间内的个数；n是样本数据的个数；h_i是每个区间的半宽度；N是区间总数；

形状参数寻优算法

ε_i＝ln{m_i/[2n h_if(X_i,α,β)]} (4)

令

则由

即可求得参数α,β。

其中：W_i为权重系数，由观测数据频数决定；f(X_i,α,β)为标准Beta分布的概率密度函数。

其中，根据标准贝塔分布，计算全部拟合的Beta分布的双侧α分位数λ₁和λ₂，其中，λ₁为

的上侧

分位数，λ₂为

的上侧α分位数。

其中，振动监测数据预警阈值区间为[Threshol d1，Threshol d2]：

阈值上限：

Threshol d1＝λ₁×(X_max-X_min)+X_min (5)

阈值下限：

Threshol d2＝λ₂×(X_max-X_min)+X_min (6)

其中，X_max为振动监测数据的最大值，X_min为振动监测数据的最小值。

区别于现有技术，本发明的基于大数据分析的风电机组传动链故障预警方法，通过提取数据库存储的风电机组的历史振动监测数据，对数据进行Beta分布拟合，确定相对于每种数据属性的振动监测数据的预警阈值区间，形成知识库，然后将实时采集的风电机组的振动监测数据输入知识库中进行判断，根据振动监测数据落入对应预警阈值区间的数据占比，确定风电机组是否故障以进行预警。通过本发明，能够解决现有振动监测系统无法对风电机组传动链早期故障做到实时预警而且智能化程度低的问题，具有较高的识别精度。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明提供的一种基于大数据分析的风电机组传动链故障预警方法中数据来源采集的示意图；

图2是本发明提供的一种基于大数据分析的风电机组传动链故障预警方法的流程示意图；

图3是现有技术中机械振动监测系统的工作流程示意图；

图4是本发明提供的一种基于大数据分析的风电机组传动链故障预警方法的逻辑流程示意图；

图5是本发明提供的一种基于大数据分析的风电机组传动链故障预警方法的第一实施方式的判断结果示意图；

图6是本发明提供的一种基于大数据分析的风电机组传动链故障预警方法的第一实施方式的正常数据占比结果示意图；

图7是本发明提供的一种基于大数据分析的风电机组传动链故障预警方法的第二实施方式的判断结果示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

如图2所示，图2是本发明提供的一种基于大数据分析的风电机组传动链故障预警方法，包括：

S110：采集风电机组传动链部件的振动监测数据，形式具有多属性的数据文件并存储在数据库中；从数据库提取风电机组传动链振动监测数据，并进行预处理。

风电发电机组的传动系统主要包括低速轴、高速轴、齿轮箱、联轴器、紧急刹车机构等，为传动链振动监测关键部件。振动测点包括：主轴轴承、齿轮箱前轴承、一级行星齿圈、二级增速、三级增速、高速端轴承、发电机前轴承、发电机后轴承。通过自主研发的振动采集设备按照一定的采样频率和采样时间分8个数据通道进行采样且振动数值形式为振动加速度值，形成振动监测数据文件存储在NoSQL数据库中，文件信息包含风机编号、风速、转速、功率等属性信息。数据来源采集如图1所示。

其中，数据库是由同型号风电机组的历史运行传动链振动监测数据形成，同时需确保数据库中的数据均为非故障的风电机组运行产生的振动监测数据。

对振动监测数据进行预处理的步骤包括：

1.判断振动监测数据是否符合正态分布。

具体的，判断振动监测数据是否符合正态分布的方法是采用K-S检验，先假设提取的振动监测数据符合正态分布，然后比较数据的理论累计频率分布和经验累计频率分布的差值，根据样本数量得出实际分布函数与理论分布函数的差值的最大值D值，最后通过设置一个置信区间来对原假设进行检验。

设F(x)为理论分布函数，S_n(x)为随机样本的经验分布函数，其具体步骤如下：

提出零假设：H₀:S_n(x)＝F₀(x)；

计算统计量：D_max＝max{D＝|S_n(x)-F₀(x)|}；

根据事先给定的显著性水平α和样本数据个数n，确定单个样本K-S检验的临界值D_α；

若D_max＜D_α，则在α的显著性水平上，不能拒绝H₀；否则，拒绝H₀。

2.若不符合，对振动监测数据进行离差标准化：通过对原始数据的线性变化，将数值映射到[0，1]的范围内，变换函数如下：

其中，X_max为振动监测数据的最大值，X_min为振动监测数据的最小值。

若符合正态分布，则无需进行后续的Beta分布拟合，直接计算正态分布的参数α,β，进一步计算λ₁和λ₂。

S120：按照第一数据属性对振动监测数据进行采样提取，分别按照第一数据属性的数值大小划分区间，对每一数值区间内的振动监测数据进行Beta分布拟合，并通过最小二乘法得到最优参数α,β。

在数据库中的振动监测数据中，记录了在风速、转速、功率等属性指标的先定下的振动监测数据。在本步骤中，设定第一数据属性为转速，则将提取的振动监测数据作为样本数据，在振动监测数据的样本数据中，将样本数据按照其转速数值大小进行区间划分，例如样本数据中，全部的振动监测数据对应的转速值为1000rad/min-1900rad/min，则可以100为区间范围进行区间划分，将全部的振动监测数据按照转速值的大小分为十组。在本发明的较优实施方式中，可针对全部的数据属性进行区间划分，以对振动监测数据进行分组。

在对每一数值区间内的振动监测数据进行Beta分布拟合，即按照上述说明，对每组振动监测阈值进行Beta分布拟合，并通过最小二乘法得到最优参数α,β的步骤中，包括步骤：

设随机变量密度函数为

其中Γ表示伽马函数，α＞0,β＞0,0≤x≤1

设估计概率密度函数

f(X_i,α,β)＝m_i/2nh_i i＝1,2,…,N (3)

其中：X_i是样本数据按一定范围划分后每个区间的中点值；m_i是样本数据落在第i个区间内的个数；n是样本数据的个数；h_i是每个区间的半宽度；N是区间总数；

形状参数寻优算法

ε_i＝ln{m_i/[2nh_if(X_i,α,β)]} (4)

令

则由

即可求得参数α,β。

其中：W_i为权重系数，由观测数据频数决定；f(X_i,α,β)为标准Beta分布的概率密度函数。

通过对山西某风场1#风机的一段时间内振动监测数据的Beta分布拟合，得其两个参数分别为2.1077和2.3505。

S130：根据每一数值区间内计算得到的Beta分布最优参数，确定对应的λ₁和λ₂，以计算基于第一数据属性的振动监测数据的预警阈值区间。

其中，根据标准贝塔分布，计算全部拟合的Beta分布的双侧α分位数λ₁和λ₂，其中，λ₁为

的上侧

分位数，λ₂为

的上侧α分位数。

针对同一数据属性的每组振动监测数据的Beta分布，均可得到最优参数，根据每组最优参数计算λ₁和λ₂。

S140：通过选取不同数据属性进行振动监测数据的提取，构建不同数据属性的数据数值区间与预警阈值区间的映射，形成知识库。

振动监测数据预警阈值区间为[Threshol d1，Threshol d2]：

阈值上限：

Threshol d1＝λ₁×(X_max-X_min)+X_min (5)

阈值下限：

Threshol d2＝λ₂×(X_max-X_min)+X_min (6)

其中，X_max为每组中振动监测数据的最大值，X_min为每组中振动监测数据的最小值。

其中α为数据采集过程中噪声引起的采集误差一般情况取5％，可以根据传感器精度和设备性能要求调整α的值。根据实际情况，本发明中α的取值为0.02即2％。

基于此，构建了知识库，该数据库是不同类型数据属性的数值与预警阈值区间的映射，还以转速为例，针对转速的数据属性，按照数值大小划分为5个区间，对每一区间的转速值对应的振动监测数据进行了Beta分布拟合，从而确定了该数值区间对应的预警阈值区间。较优的实施方式中，每种数据属性的数值区间，均有与之映射的预警阈值区间。

S150：设定预设的采样时间间隔，采集风电机组实时工作的传动链振动监测数据，判断采样时间间隔内采样的振动监测数据中，在构建知识库的全部数据属性的数据数值落入知识库中对应的数据数值区间时，对应的振动监测数据是否落入与数据数值区间映射的预警阈值区间内；若判断为否的振动监测数据小于等于总采样振动监测数据的85％，则发出风电机组传动链故障警报。

将预设采样时间间隔中风电机组产生的传动链振动监测数据输入到知识库中进行比较。仍以转速的数据属性为例，对于采样时间间隔内某一时间点的振动监测数据，首先判断该时间点的振动监测数据中转速值在知识库中所在的转速数值区间，例如全部的振动监测数据对应的转速值为1000rad/min-1500rad/min，以100为区间范围进行区间划分，若该时间点的振动监测数据对应的转速值为1450rad/min，则确定其所在转速数值区间为[1400，1500)，并判断该时间点的振动监测数据是否在转速数值区间[1400，1500)对应的预警阈值区间内。针对采样时间间隔内的每一振动监测数据，按照前述比较方式逐一比较，最终判断全部的振动监测数据，其转速数值落入知识库中设定的某一数值区间时，对应振动监测数据是否在改数值区间对应的预警阈值区间内，若采样时间间隔内采集的全部振动监测数据中，超过85％的振动监测数据符合上述判断，则可证明风电机组运行正常，反之，则可证明风电机组运行异常，并进行故障警报。

在较优的实施方式中，针对每一类型的数据属性进行上述判断，综合全部判断，若超过85％的振动监测数据符合，则可证明风电机组运行正常，反之，则可证明风电机组运行异常，并进行故障警报。

针对风场现有振动监测数据，通过对监测振动数据一系列的数理统计分析并综合考虑风速、转速、功率等因素，建立自学习模型得到具有自主更新功能的专家知识库，提出关于早期机械故障诊断的标准。如图4为整个方法的逻辑流程，通过建立自适应阈值学习的模型搭建预警系统专家知识库，对实时数据进行故障预警。具体流程：首先根据当前实时的振动数据信息与专家知识库中的信息进行转速、阈值等匹配，验证数据是否在正常误差范围以内，通过对故障点数占总体样本的比例(正常系数)来对故障程度进行分类确定。

案例分析一

2018年1月中上旬，山西某风场1#风机(1.5MW的双馈式异步发电机)发生严重齿轮箱故障导致停机3个多月造成较大经济损失，经过事后分析由于齿轮箱存在裂纹导致润滑油流失造成齿轮严重磨损。在该风机传动链上共布有8个测点，具体各测点监测的部位如表1所示。取该风机2017年5月-10月的数据8个通道的全部数据作为正常状态的训练样本，通过自适应阈值学习算法得到该风机正常运行状态下振动加速度的阈值范围，并对2018年1月1日到1月15日采集的数据进行结果分析。

表1数据通道

(1)阈值确定

利用6个月的正常数据样本，以工况为高速端转速1500r/min-1600r/min并以3通道为例，通过本发明方法步骤，得到该风机正常运行状态下振动加速度的阈值上限为315987.48、阈值下限为-327438.04，并用2017年12月1号至15号的数据进行验证，准确率为94.23％，如图5所示。

由上图看可以直观看出：当故障出现时，98％的样本的数据的正常系数处于0.85以下，符合判断为故障的标准，并由采集通道可以初步判定为齿轮箱一级行星齿轮处发生严重故障。

(2)故障判定

选取1#风机转速在1500r/min-1600r/min工况下的2017年12月到2018年1月的全部数据，经过初步分析确认事故发生始于2017年12月15日，在对所有通道数据进行前期分析后发现在3通道齿轮箱故障表现尤为明显，通过第5节所述方法得到具体的阈值对2017年12月15日到2018年1月15日采集的全部数据进行结果分析，将每个样本的数据点在正常阈值范围的占比进行统计，得到下图6。

案例分析二

2017年11月中下旬，山西某风场18#风机(1.5MW的双馈式异步发电机)发生齿轮箱故障停机。选用当年8-10月份的数据作为正常数据样本，同样选取工况为高速端转速1500r/min-1600r/min。针对4通道振动监测数据进行结果分析，前期利用上述方法得到该正常范围阈值范围，阈值上限为467962.84、阈值下限为-520606.76，并对故障当月数据进行结果分析，结果如图7所示。

经过对各通道分析发现故障出现在4通道即齿轮箱二级增速端，且故障发生时间在2017年11月15日上午9时，且最大故障状态出现在22日凌晨。

区别于现有技术，本发明的基于大数据分析的风电机组传动链故障预警方法，通过提取数据库存储的风电机组的历史振动监测数据，对数据进行Beta分布拟合，确定相对于每种数据属性的振动监测数据的预警阈值区间，形成知识库，然后将实时采集的风电机组的振动监测数据输入知识库中进行判断，根据振动监测数据落入对应预警阈值区间的数据占比，确定风电机组是否故障以进行预警。通过本发明，能够解决现有振动监测系统无法对风电机组传动链早期故障做到实时预警而且智能化程度低的问题，具有较高的识别精度。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (5)

1.一种基于大数据分析的风电机组传动链故障预警方法，其特征在于，包括：

采集风电机组传动链部件的振动监测数据，形式具有多属性的数据文件并存储在数据库中；从数据库提取风电机组传动链振动监测数据，并进行预处理；

按照第一数据属性对振动监测数据进行采样提取，分别按照第一数据属性的数值大小划分区间，对每一数值区间内的振动监测数据进行Beta分布拟合，并通过最小二乘法得到最优参数α,β；

根据每一数值区间内计算得到的Beta分布最优参数，确定对应的λ₁和λ₂，以计算基于第一数据属性的振动监测数据的预警阈值区间；

通过选取不同数据属性进行振动监测数据的提取，构建不同数据属性的数据数值区间与预警阈值区间的映射，形成知识库；

设定预设的采样时间间隔，采集风电机组实时工作的传动链振动监测数据，判断采样时间间隔内采样的振动监测数据中，在构建知识库的全部数据属性的数据数值落入知识库中对应的数据数值区间时，对应的振动监测数据是否落入与数据数值区间映射的预警阈值区间内；若判断为否的振动监测数据小于等于总采样振动监测数据的85％，则发出风电机组传动链故障警报。

2.根据权利要求1所述的基于大数据分析的风电机组传动链故障预警方法，其特征在于，对数据库中振动监测数据进行预处理的步骤包括：

判断振动监测数据是否符合正态分布；

若不符合，对振动监测数据进行离差标准化：通过对原始数据的线性变化，将数值映射到[0，1]的范围内，变换函数如下：

其中，X_max为振动监测数据的最大值，X_min为振动监测数据的最小值。

3.根据权利要求2所述的基于大数据分析的风电机组传动链故障预警方法，其特征在于，在对每一数值区间内的振动监测数据进行Beta分布拟合，并通过最小二乘法得到最优参数α,β的步骤中，包括步骤：

设随机变量密度函数为

其中Γ表示伽马函数，α＞0,β＞0,0≤x≤1

设估计概率密度函数

f(X_i,α,β)＝m_i/2n h_i i＝1,2,…,N (3)

其中：X_i是样本数据按一定范围划分后每个区间的中点值；m_i是样本数据落在第i个区间内的个数；n是样本数据的个数；h_i是每个区间的半宽度；N是区间总数；

形状参数寻优算法

ε_i＝ln{m_i/[2n h_if(X_i,α,β)]} (4)

令

则由

即可求得参数α,β。

其中：W_i为权重系数，由观测数据频数决定；f(X_i,α,β)为标准Beta分布的概率密度函数。

4.根据权利要求2所述的基于大数据分析的风电机组传动链故障预警方法，其特征在于，根据标准贝塔分布，计算全部拟合的Beta分布的双侧α分位数λ₁和λ₂，其中，λ₁为

的上侧

分位数，λ₂为

的上侧α分位数。

5.根据权利要求4所述的基于大数据分析的风电机组传动链故障预警方法，其特征在于，振动监测数据预警阈值区间为[Threshol d1，Threshol d2]：

阈值上限：

Threshol d1＝λ₁×(X_max-X_min)+X_min (5)

阈值下限：

Threshol d2＝λ₂×(X_max-X_min)+X_min (6)

其中，X_max为振动监测数据的最大值，X_min为振动监测数据的最小值。

Images