CN111191950B - 风电机组齿轮箱油温异常分析方法及装置 - Google Patents
风电机组齿轮箱油温异常分析方法及装置 Download PDFInfo
- Publication number
- CN111191950B CN111191950B CN202010006019.2A CN202010006019A CN111191950B CN 111191950 B CN111191950 B CN 111191950B CN 202010006019 A CN202010006019 A CN 202010006019A CN 111191950 B CN111191950 B CN 111191950B
- Authority
- CN
- China
- Prior art keywords
- oil temperature
- gearbox
- data
- abnormal
- rotating speed
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 230000000630 rising effect Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000007670 refining Methods 0.000 description 7
- 238000013515 script Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010977 unit operation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003313 weakening 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种风电机组齿轮箱油温异常分析方法及装置。所述方法包括:提取检测数据中高叶轮转速段数据,分析齿轮箱油温信号连续上升片段中的温度变化特征;提取检测数据中低叶轮转速段数据,统计齿轮箱油温信号在各转速分段中的分布特征;将所述温度变化特征,以及所述分布特征与历史数据中齿轮箱正常运行时的油温变化和分布标准限值进行比对,判定检测数据中齿轮箱油温变化和分布是否异常。本发明提供的风电机组齿轮箱油温异常分析方法及装置能够实现有效提高齿轮箱油温异常检测和故障预警准确率的目的。
Description
技术领域
本发明涉及风力发电技术领域,特别是涉及一种风电机组齿轮箱油温异常分析方法及装置。
背景技术
齿轮箱作为兆瓦级双馈型风力发电机组的核心大部件之一,其可靠性对整机稳定运行起着至关重要的作用。随着现场机组运行年限的增加,由于冷却器散热能力减弱、温控阀失效、油品质量降低以及其它环境因素的变化会导致齿轮箱油温高故障愈发频繁,从而严重影响机组发电量和风电场经济效益。那么,如何在不增加额外专业测量和预警设备的前提下,通过对机组运行数据的监控,采用有针对性的数据分析算法准确识别齿轮箱油温异常变化特征并能够有效预警齿轮箱油温高故障就成了亟待解决的问题。
目前业内常见的基于细分工况的风电机组齿轮箱油温异常分析方法思路主要是:使用机组历史运行数据,以对齿轮箱油温影响显著的因素(例如风速、有功功率、叶轮转速、发电机扭矩、环境温度等)为细分工况的依据,建立齿轮箱油温与某一个或多个影响因素的若干小分段(片段)之间的联合分布对应关系,确定不同工况下齿轮箱油温分布的正常与异常区分标准,用来监测现场机组齿轮箱油温变化情况,识别其异常特征并实现故障预警。该类算法在建立齿轮箱油温与影响因素之间的联合分布对应关系时往往需要做多维度的细化工况处理。比如针对某容量为1500kW的风电机组建立齿轮箱油温与有功功率、环境温度之间的联合分布对应关系。若考虑:齿轮箱油温从30℃变化到80℃,以每10℃划分一个片段;有功功率变化区间为0kW-1500kW,功率每100kW为一个区间;环境温度从-30℃到50℃变化,每10℃一个分段。此对应关系中就有5×15×8=600个三维度的细化工况分仓。因而,为使每个分仓内都能得到较为准确的数据分布统计标准值(比如均值、标准差、方差等),则需要大量该机型机组的历史运行数据,这就大大增加了算法模型定标和训练的难度。除此之外,该类算法只实现了数据多维度工况的细化,但并未考虑齿轮箱油温自身变化(比如齿轮箱油温升高和降低过程)以及机组控制策略变化(比如机组限功率状态)对细化工况仓内齿轮箱油温数据分布的影响,这都会对工况仓内齿轮箱油温分布标准值的精确度和预警策略的准确度有严重影响。
发明内容
本发明要解决的技术问题是提供一种风电机组齿轮箱油温异常分析方法及装置,能够实现有效提高齿轮箱油温异常检测和故障预警准确率的目的。
为解决上述技术问题,本发明提供了一种风电机组齿轮箱油温异常分析方法,所述方法包括:提取检测数据中高叶轮转速段数据,分析齿轮箱油温信号连续上升片段中的温度变化特征;提取检测数据中低叶轮转速段数据,统计齿轮箱油温信号在各转速分段中的分布特征;将所述温度变化特征,以及所述分布特征与历史数据中齿轮箱正常运行时的油温变化和分布标准限值进行比对,判定检测数据中齿轮箱油温变化和分布是否异常。
在一些实施方式中,提取检测数据中高叶轮转速段数据,分析齿轮箱油温信号连续上升片段中的温度变化特征,包括:提取将叶轮转速数据确定为高叶轮转速段数据的转速划分值;根据检测数据的时间戳定义并划分齿轮箱油温连续变化的时序片段;从所述时序片段中识别出齿轮箱油温连续上升的时序片段;基于历史数据确定所述时序片段的齿轮箱温度连续变化阈值;确定所述时序片段的齿轮箱油温高故障限值。
在一些实施方式中,所述齿轮箱温度连续变化阈值是根据大量机组历史运行数据中齿轮箱油温异常和正常的变化特征进行k-均值聚类分析,并考量不同容量机型的控制策略对齿轮箱油温限值的设定而确定。
在一些实施方式中,根据待检测数据的时间戳定义并划分齿轮箱油温连续变化的时序片段,包括:在待检数据中计算相邻两行的时间戳差值和齿轮箱油温差值;挑出时间差值大于时间窗或齿轮箱油温差值的绝对值大于齿轮箱油温变化窗的位置作为待检数据连续片段的划分节点;根据数据时间起止点和节点划分出待检数据连续片段,并做好片段的标记。
在一些实施方式中,从所述时序片段中识别出齿轮箱油温连续上升的时序片段,包括:识别时序片段中齿轮箱油温起止变化率大于等于0和齿轮箱油温极值变化率大于等于0同时满足;如果是,则可以近似定义所述时序片段为齿轮箱油温连续上升的片段并做好标记。
在一些实施方式中,提取检测数据中低叶轮转速段数据,统计齿轮箱油温信号在各转速分段中的分布特征,包括:对各转速仓内的齿轮箱油温数据进行正态分布分析和四分位箱线图分析,统计出每个转速仓内齿轮箱油温数据的基本分布指标;根据大量机组历史运行数据中齿轮箱正常运行状态下的齿轮箱油温随叶轮转速分仓统计分析结果,确定出每个叶轮转速仓内齿轮箱油温数据正常分布标准限值。
在一些实施方式中,提取检测数据中低叶轮转速段数据,统计齿轮箱油温信号在各转速分段中的分布特征,还包括:将分布标准限值与检测数据中每个转速仓内的齿轮箱油温分布限值进行比较,统计检测数据中齿轮箱油温上限值超过标准值的仓位个数总和。
在一些实施方式中,将所述温度变化特征,以及所述分布特征与历史数据中齿轮箱正常运行时的油温变化和分布标准限值进行比对,判定检测数据中齿轮箱油温变化和分布是否异常,包括:异常模式检测结果中寄存着当前待检数据基本信息及第一异常模式和第二异常模式的检测结果,真表示存在异常,假表示正常;判断第一异常模式的检测结果是否为真,如果是,则直接触发预警;如果第一异常模式的检测结果为假,则接着判断第二异常模式的检测结果;如果未触发预警,则在模型运行日志中的对应位置存储预警结果为假;如果触发预警,则在模型运行日志中的对应位置存储预警结果为真。
在一些实施方式中,还包括:根据叶轮的历史转速,对历史转速数据进行分仓。
此外,本发明还提供了一种风电机组齿轮箱油温异常分析装置,所述装置包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据前文所述的风电机组齿轮箱油温异常分析方法。
采用这样的设计后,本发明至少具有以下优点:
本发明基于机组SCADA历史运行数据,以叶轮转速为细化工况的依据,同时区分高、低转速段的异常模式识别算法,分别检测齿轮箱油温信号连续上升片段中的温度异常变化和齿轮箱油温信号各转速仓的异常分布情况,以此实现有效提高齿轮箱油温异常检测和故障预警准确率的目的。
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是本发明提供的风电机组齿轮箱油温异常分析方法的流程图;
图2是本发明提供的风电机组齿轮箱油温异常识别及预警方法的流程总图;
图3是本发明提供的风电机组齿轮箱油温异常检测算法的流程图;
图4是本发明提供的风电机组齿轮箱油温异常预警策略的流程图;
图5是本发明提供的风电机组齿轮箱油温异常分析装置的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1示出了本发明提供的风电机组齿轮箱油温异常分析方法的流程图。参见图1,风电机组齿轮箱油温异常分析方法包括:
S101,提取高叶轮转速段数据,分析齿轮箱油温信号连续上升片段中的温度变化特征。
S102,提取低叶轮转速段数据,统计齿轮箱油温信号在各转速分段中的分布特征。
S103,将所述温度变化特征,以及所述分布特征与历史数据中齿轮箱正常运行时的油温变化和分布标准限值进行比对,判定齿轮箱油温变化和分布是否异常。
本发明提供了一种基于工况细化的风电机组齿轮箱油温异常分析和预警的技术方案:使用机组历史运行数据,以叶轮转速为细分工况的依据。首先在高叶轮转速段中分析齿轮箱油温信号连续上升片段中的温度变化特征。其次在低叶轮转速段中统计齿轮箱油温信号在各转速分段中的分布特征。再与历史数据中齿轮箱正常运行时的油温变化和分布标准限值进行比对,判定齿轮箱油温状态是否异常。最后评估历史检测记录并给出预警结果。
图2示出了风电机组齿轮箱油温异常识别及预警方法的流程总图。参见图2,风电机组齿轮箱油温异常识别及预警方案实施流程包括:
S201,本发明所述技术方案是以可执行R语言代码脚本模型的形式存在的,可被线上或线下数据分析平台及服务器调用并执行。模型每日定时(例如每日零点整)被执行一次,对执行时刻前24小时内的机组历史运行数据进行齿轮箱油温异常识别并输出检测和预警结果。
所述代码脚本还可以是C、C++、Matlab、Python、Scala等可执行数据分析脚本。脚本模型定时运行周期视应用需求及待处理数据量而定,一般为半天、一天、一周、一月等。脚本模型可以在线上或线下被多种大数据分析平台、数据挖掘系统、故障诊断服务器、预警监控系统等调用和执行。
S202,待检测数据为机组1秒级SCADA时序运行数据(即采样周期为1秒,频率为1Hz的机组历史运行数据),以数据框的形式存储为.csv格式数据文件。其中包括时间戳、叶轮转速、有功功率、齿轮箱油温、并网状态标志位等5个变量数据列。数据存储的时间跨度为24小时,在没有数据缺失的情况下,共86400行,每一行存储的是以上5个变量对应每一秒钟的机组历史运行状态瞬时值。在脚本模型被执行前,待检测数据需要提前以线下(手动)或线上(大数据平台自动抽取)的方式准备就绪。模型运行后数据文件将被自动加载并导入R语言编译环境进行后续处理和分析。
所述待检测数据还可以是20毫秒、10毫秒、3秒、10秒、1分钟、10分钟等级别的机组SCADA历史运行数据或专业测量设备和仪器采集的大部件运行历史数据。数据跨度还可以是一周、一月、一季度、一年等时长,具体范围需根据模型训练效果而定。数据分析变量还可以添加环境温度、机舱温度、有功功率、风速、齿轮箱油压、齿轮箱冷却系统状态标志位等与齿轮箱油温变化有明显相关性的信号,并可采用多维细化工况手段,诸如同时基于环境温度、有功功率、叶轮转速或及其它变量分仓的多维度齿轮箱油温工况细化方法。
S203,针对由传感器、通讯线路及人为因素造成的常见数据缺失、异常、重复等问题需要将导入的机组历史运行数据进行专门的清洗处理,由此尽可能地提高数据质量并减少分析误差。这里使用的主要数据清洗手段如下:
1.缺失值处理:针对多行、大篇幅的数据缺失情况,从导入数据中直接剔除数据缺失所在的行;针对个别或小范围的数据缺失情况,采用线性差值的方法补全数据。
2.异常值处理:针对明显不符合该变量自然取值范围的数据,从导入数据中直接剔除异常值所在的行。
3.重复值处理:针对多行数据重复的情况,在导入数据中只保留其中一行有效数据。
S204,本发明采用的工况细化手段第一步,就是将导入数据中的所有叶轮转速值按照从0rpm到额定转速向上取整值,每1rpm为一个分仓进行细化归类并做标注。即在导入数据中添加一列,该列命名为转速仓标注,该列中每一行的值取该行对应的叶轮转速值的整数部分。例如导入数据中第i行的叶轮转速值为16.6rpm,那么在添加的转速仓标注列的第i行的值为16rpm,表示将叶轮转速值16.6rpm划归到了16rpm转速仓中。
所述按叶轮转速分仓还可以采取不同的转速间隔,如0.1rpm、0.5rpm、2rpm等。叶轮转速分仓间隔越小,工况越细化,同时模型处理周期越长,且需要的样本数据量越大。具体间隔的选用需根据数据量大小和模型训练效果而定。
S205,本发明采用的工况细化手段第二步,就是分别在高、低叶轮转速片段中采用不同算法进行齿轮箱油温异常模式检测。这里所述异常模式包括:
异常模式1——高叶轮转速段齿轮箱油温连续上升片段温度变化异常;
异常模式2——低叶轮转速段齿轮箱油温各转速仓分布异常。
如检测出异常,则标记为真,否则,标记为假。异常模式1和2的具体检测算法流程请参见图3。
S206,结合异常模式检测结果与模型运行日志中的历史记录联合做出预警评估。预警评估策略流程请参见图4。
S207,模型运行信息、异常模式检测结果和预警评估结果都将以文本形式按时间顺序存储在模型运行日志中。模型运行日志的存储格式为.log,文件被放于模型所属的编译环境存储空间内,其位于数据分析平台或系统的服务器内。
所述模型运行日志格式还可以是.txt、.csv、.xlsx等文本格式。
S208,模型运行结束后,日志文件可被其它数据分析平台或系统以及可视化终端调用,日志文件中的存储信息可以被再分析处理和显示输出。
图3示出了本发明提供的异常检测算法的流程。参见图3,本发明实施例提供的异常检测算法包括:
S301,待检数据为S203得到的经过清洗处理的导入数据。
S302,在异常模式1检测阶段,首先需要提取待检数据中叶轮转速大于等于转速划分值n_split的部分作为异常模式1的待检测数据,这里n_split值选取机组额定转速的百分之九十。为了确定n_split的选值,本发明对大量不同容量的兆瓦级双馈型机组历史运行数据进行了详细的分析和统计。结果表明,在机组额定转速90%以上的转速区域里齿轮箱油温升高趋势较为突出,时序上的连续上升片段也相对集中,且故障机组齿轮箱油温在这个转速区域内的变化尤为明显。
所述高低转速划分值n_split还可以选择其它值,如额定转速的95%、85%、80%等,具体需根据模型训练效果而定。
S303,根据待检测数据的时间戳定义并划分齿轮箱油温连续变化的时序片段。对于完整的1秒级待检数据,其行与行之间的时间间隔都应该是1秒,且数据在时序上是连续变化的。但是经过数据清洗和人为筛选后,数据本身在时序上就呈现出碎片化的特征,这对分析齿轮箱油温的连续变化是非常不利的。所以,如何将分散的小数据碎片合理有效地粘合成时序上相对连续的大片段就对齿轮箱油温连续上升变化异常的识别至关重要了。本发明在大量机组历史运行数据统计的基础上选定时间窗t_window为5min和齿轮箱油温变化窗T_window为1℃,即首先在待检数据中计算相邻两行的时间戳差值和齿轮箱油温差值,然后挑出时间差值大于5min或齿轮箱油温差值的绝对值大于1℃的位置作为待检数据连续片段的划分节点,再根据数据时间起止点和节点划分出待检数据连续片段并做好片段的标记。
所述时间窗t_window和齿轮箱油温变化窗T_window的取值也可以根据模型训练效果而调整,调整目标是在模型运行周期没有明显增长的情况下,使模型在训练和测试过程中准确率不降低的同时误报率不增加。
S304,对于齿轮箱油温高故障,机组连续运行在大转速段且齿轮箱油温持续升高是尤为被关注的特征。所以在划分好的待检数据连续片段中准确筛选出齿轮箱油温连续上升的片段就变得十分关键了。本发明采用待检数据连续片段逐个判断的方式,看数据片段中齿轮箱油温起止变化率大于等于0和齿轮箱油温极值变化率大于等于0同时满足,如果是,则可以近似定义该片段为齿轮箱油温连续上升的片段并做好标记。这里齿轮箱油温起止变化率和齿轮箱油温极值变化率的计算公式如下所示:
TRRend_start:待检数据连续片段内齿轮箱油温起止变化率,单位为1。
TRRmax_min:待检数据连续片段内齿轮箱油温极值变化率,单位为1。
Tstart、Tend:待检数据连续片段内齿轮箱油温起始值、终止值,单位为摄氏度。
Tmax、Tmin:待检数据连续片段内齿轮箱油温最大值、最小值,单位为摄氏度。
tstart、tend:待检数据连续片段内齿轮箱油温起始值、终止值对应的时间戳,单位为秒。
tmax、tmin:待检数据连续片段内齿轮箱油温最大值、最小值对应的时间戳,单位为秒。
S305,对筛选出的齿轮箱油温的连续升高片段逐个进行判断,看是否存在齿轮箱油温起止变化率大于等于温度变化阈值TRR_threshold或片段内的齿轮箱油温最大值大于等于齿轮箱油温高故障限值T_threshold的情况,如果是,则判定齿轮箱油温变化为异常。本发明在大量机组历史运行数据基础之上,针对齿轮箱油温异常和正常变化进行k-均值聚类分析,确定TRR_threshold的选值为0.001℃/s。另外,根据不同容量机型的控制策略对齿轮箱油温最高限值的设定,确定T_threshold的选值为80℃。这里考虑到在控制策略中齿轮箱油温超过最高限值并持续一段时间后才会执行故障停机,所以停机前即使在短时间内出现齿轮箱油温超过最高限值的情况,其本身就是不能容忍的异常特征。
所述齿轮箱油温起止变化率阈值TRR_threshold的选取还可以采用诸如均值偏移、高斯混合型、基于密度、层次等聚类算法,具体选值需根据模型训练效果而定。
S306,在异常模式2检测阶段,首先需要提取待检数据中叶轮转速小于转速划分值n_split的部分作为异常模式2的待检测数据。
S307,按照已经在导入数据中添加的转速仓标注信息,分别对各转速仓内的齿轮箱油温数据进行正态分布分析和四分位箱线图分析,统计出每个转速仓内齿轮箱油温数据的最大值Max、最小值Min、均值Mean、标准差σ、方差S2、中位数Median、一分位数Q1、三分位数Q3和四分位间距IQR等数据基本分布指标。然后依照正态分布的定义,求出每个转速仓内齿轮箱油温数据均值Mean加3倍标准差σ作为该转速仓内齿轮箱油温上限,即超过该值的齿轮箱油温数据被定义为异常数据。除此之外,还必须考虑到当每个转速仓内的样本数据体量较小时样本数据本身体现出的非正态分布特征,所以还需要按照四分位箱线图的经验定义,求出每个转速仓内齿轮箱油温数据三分位数Q3加1.5倍四分位间距IQR作为该转速仓内齿轮箱油温上限值。最后比较每个转速仓内的两个齿轮箱油温上限值,选择小的那个值作为该转速仓内齿轮箱油温标准上限值。
S308,本发明中对大量齿轮箱油温未超限的机组运行数据进行了详细数理统计分析,同样采用按转速分仓细化工况的方法,统计出每个仓内齿轮箱油温数据正常情况下分布的上限值。可以将其拿来作为标准值与待测数据每个转速仓内统计的齿轮箱油温上限值进行比较。
S309,将标准值与待测数据每个转速仓内统计的齿轮箱油温上限值进行比较后,统计待测数据中齿轮箱油温上限值超过标准值的仓位个数总和。如果超限仓位个数总和大于等于待测数据转速分仓总数的60%,即可判定异常模式2检测结果为真。
所述判定策略也可以选择超限仓位个数总和大于等于待测数据转速分仓总数的不同比例,具体需根据模型训练效果而定。
S310,待异常模式1和2都检测完毕,整合其检测结果并按照时间顺序存入模型运行日志中。
图4示出了本发明提供的预警策略流程。参见图4,预警策略流程包括:
S401,异常模式检测结果中寄存着当前待检数据基本信息及异常模式1和2的检测结果,真表示存在异常,假表示正常。
S402,首先判断异常模式1的检测结果是否为真,如果是,则直接触发预警,即预警结果为真。因为异常模式1对应的大转速段齿轮箱油温上升变化率异常是一个异常特征强条件,即只要出现该异常情况则表明齿轮箱油温异常可能性极大。
S403,如果异常模式1的检测结果为假,则接着判断异常模式2的检测结果。这里考虑到24小时的齿轮箱油温数据按转速分仓后的样本量是相对有限的,而小样本空间数据的分布统计值特征与其总体特征之间往往存在着偏差,即某一个转速仓内齿轮箱油温分布的异常与否不能用来肯定判定齿轮箱油温分布的真实情况。为了克服这种偏差对异常模式2检测结果判定的影响,本发明采取多转速仓检测结果加权取大的办法来做为异常模式2最终判定的经验依据。举例如下,若某机型选定的低叶轮转速段涉及0rpm—15rpm共15个转速仓,且设定每个转速仓的加权值都为1,那么待检数据异常模式2的检测结果中如果有超过7个仓位的齿轮箱油温分布上限值大于标准上限值,则可以判定异常模式2的检测结果为真,否则为假。
所述多转速仓检测结果加权取大的办法,加权值可以根据不同转速对齿轮箱发热的影响来设置,比如相对高的转速仓的加权值可以适当放大比例,且检测结果判定标准也可以针对不同转速仓做调整,具体配置需根据模型训练效果而定。
S404,如果未触发预警,则在模型运行日志中的对应位置存储预警结果为假。
S405,如果触发预警,则在模型运行日志中的对应位置存储预警结果为真。
图5是本发明风电机组齿轮箱油温异常分析装置的结构图。参见图5,风电机组齿轮箱油温异常分析装置包括:中央处理单元(CPU)S501,其可以根据存储在只读存储器(ROM)S502中的程序或者从存储部分S508加载到随机访问存储器(RAM)S503中的程序而执行各种适当的动作和处理。在RAMS503中,还存储有系统操作所需的各种程序和数据。CPUS501、ROMS502以及RAMS503通过总线S504彼此相连。输入/输出(I/O)接口S505也连接至总线S504。
以下部件连接至I/O接口S505:包括键盘、鼠标等的输入部分S506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分S507;包括硬盘等的存储部分S508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分S509。通信部分S509经由诸如因特网的网络执行通信处理。驱动器S510也根据需要连接至I/O接口S505。可拆卸介质S511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器S510上,以便于从其上读出的计算机程序根据需要被安装入存储部分S508。
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 (10)
1.一种风电机组齿轮箱油温异常分析方法,其特征在于,包括:
提取检测数据中高叶轮转速段数据,分析齿轮箱油温信号连续上升片段中的温度变化特征;
提取检测数据中低叶轮转速段数据,统计齿轮箱油温信号在各转速分段中的分布特征;
将所述温度变化特征,以及所述分布特征与历史数据中齿轮箱正常运行时的油温变化和分布标准限值进行比对,判定检测数据中齿轮箱油温变化和分布是否异常。
2.根据权利要求1所述的风电机组齿轮箱油温异常分析方法,其特征在于,提取检测数据中高叶轮转速段数据,分析齿轮箱油温信号连续上升片段中的温度变化特征,包括:
提取将叶轮转速数据确定为高叶轮转速段数据的转速划分值;
根据检测数据的时间戳定义并划分齿轮箱油温连续变化的时序片段;
从所述时序片段中识别出齿轮箱油温连续上升的时序片段;
基于历史数据确定所述时序片段的齿轮箱温度连续变化阈值;
确定所述时序片段的齿轮箱油温高故障限值。
3.根据权利要求2所述的风电机组齿轮箱油温异常分析方法,其特征在于,所述齿轮箱温度连续变化阈值是根据大量机组历史运行数据中齿轮箱油温异常和正常的变化特征进行k-均值聚类分析,并考量不同容量机型的控制策略对齿轮箱油温限值的设定而确定。
4.根据权利要求2所述的风电机组齿轮箱油温异常分析方法,其特征在于,根据检测数据的时间戳定义并划分齿轮箱油温连续变化的时序片段,包括:
在检测数据中计算相邻两行的时间戳差值和齿轮箱油温差值;
挑出时间差值大于时间窗或齿轮箱油温差值的绝对值大于齿轮箱油温变化窗的位置作为检测数据连续片段的划分节点;
根据数据时间起止点和节点划分出检测数据连续片段,并做好片段的标记。
5.根据权利要求2所述的风电机组齿轮箱油温异常分析方法,其特征在于,从所述时序片段中识别出齿轮箱油温连续上升的时序片段,包括:
识别时序片段中齿轮箱油温起止变化率大于等于0和齿轮箱油温极值变化率大于等于0同时满足;
如果是,则可以近似定义所述时序片段为齿轮箱油温连续上升的片段并做好标记。
6.根据权利要求1所述的风电机组齿轮箱油温异常分析方法,其特征在于,提取检测数据中低叶轮转速段数据,统计齿轮箱油温信号在各转速分段中的分布特征,包括:
对各转速仓内的齿轮箱油温数据进行正态分布分析和四分位箱线图分析,统计出每个转速仓内齿轮箱油温数据的基本数据分布指标;
根据大量机组历史运行数据中齿轮箱正常运行状态下的齿轮箱油温随叶轮转速分仓统计分析结果,确定出每个叶轮转速仓内齿轮箱油温数据正常分布标准限值。
7.根据权利要求6所述的风电机组齿轮箱油温异常分析方法,其特征在于,提取检测数据中低叶轮转速段数据,统计齿轮箱油温信号在各转速分段中的分布特征,还包括:
将分布标准限值与检测数据中每个转速仓内的齿轮箱油温分布限值进行比较,统计检测数据中齿轮箱油温上限值超过标准值的仓位个数总和。
8.根据权利要求1所述的风电机组齿轮箱油温异常分析方法,其特征在于,将所述温度变化特征,以及所述分布特征与历史数据中齿轮箱正常运行时的油温变化和分布标准限值进行比对,判定检测数据中齿轮箱油温变化和分布是否异常,包括:
异常模式检测结果中寄存着当前待检数据基本信息及第一异常模式和第二异常模式的检测结果,真表示存在异常,假表示正常;
判断第一异常模式的检测结果是否为真,如果是,则直接触发预警;
如果第一异常模式的检测结果为假,则接着判断第二异常模式的检测结果;
如果未触发预警,则在模型运行日志中的对应位置存储预警结果为假;
如果触发预警,则在模型运行日志中的对应位置存储预警结果为真。
9.根据权利要求6所述的风电机组齿轮箱油温异常分析方法,其特征在于,还包括:
根据叶轮的历史转速,对历史转速数据进行分仓。
10.一种风电机组齿轮箱油温异常分析装置,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至9任意一项所述的风电机组齿轮箱油温异常分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010006019.2A CN111191950B (zh) | 2020-01-03 | 2020-01-03 | 风电机组齿轮箱油温异常分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010006019.2A CN111191950B (zh) | 2020-01-03 | 2020-01-03 | 风电机组齿轮箱油温异常分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191950A CN111191950A (zh) | 2020-05-22 |
CN111191950B true CN111191950B (zh) | 2023-04-07 |
Family
ID=70709829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010006019.2A Active CN111191950B (zh) | 2020-01-03 | 2020-01-03 | 风电机组齿轮箱油温异常分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191950B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650200B (zh) * | 2020-12-25 | 2022-08-30 | 中能融安(北京)科技有限公司 | 一种厂站设备故障的诊断方法及诊断装置 |
CN112800115B (zh) * | 2021-04-07 | 2021-07-23 | 腾讯科技(深圳)有限公司 | 数据处理方法及数据处理装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110378042A (zh) * | 2019-07-23 | 2019-10-25 | 山东大学 | 基于scada数据的风电机组齿轮箱油温异常检测方法及系统 |
CN110414154A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有双测点的风机部件温度异常检测和报警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6759157B2 (ja) * | 2017-06-14 | 2020-09-23 | 三菱重工業株式会社 | ウィンドファームの異常監視装置および異常監視方法 |
-
2020
- 2020-01-03 CN CN202010006019.2A patent/CN111191950B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110378042A (zh) * | 2019-07-23 | 2019-10-25 | 山东大学 | 基于scada数据的风电机组齿轮箱油温异常检测方法及系统 |
CN110414154A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有双测点的风机部件温度异常检测和报警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111191950A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US8433539B2 (en) | Wind turbine monitoring device, method, and program | |
CN111191950B (zh) | 风电机组齿轮箱油温异常分析方法及装置 | |
Gonzalez et al. | On the use of high-frequency SCADA data for improved wind turbine performance monitoring | |
JP2009075081A (ja) | 一過性の異常の検出方法 | |
JP2009076056A (ja) | 異常集約方法 | |
Elforjani et al. | Analysis of extremely modulated faulty wind turbine data using spectral kurtosis and signal intensity estimator | |
CN116660672B (zh) | 基于大数据的电网设备故障诊断方法及系统 | |
CN115238753B (zh) | 一种基于局部离群因子的自适应shm数据清洗方法 | |
US20230203753A1 (en) | Method and apparatus for anomaly detection on a doctor blade of a papermaking machine, and computing device | |
Li et al. | Canonical variate residuals-based contribution map for slowly evolving faults | |
CN111997831A (zh) | 风电机组的载荷控制方法和装置 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
Dienst et al. | Automatic anomaly detection in offshore wind SCADA data | |
CN111563685B (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
CN117365869A (zh) | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 | |
CN112926656A (zh) | 一种核电厂循环水泵状态预测方法、系统及设备 | |
CN111192163B (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 | |
US20230203754A1 (en) | Method and apparatus for evaluating a health status of a doctor blade of a papermaking machine, and computing device | |
Lima et al. | Wind turbine failure prediction using SCADA data | |
CN113654651B (zh) | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 | |
CN113033673B (zh) | 电机工况异常检测模型的训练方法及系统 | |
CN115422177A (zh) | 煤电机组过程数据清洗方法、系统、介质、设备及终端 | |
CN114021602A (zh) | 一种转辙机故障诊断模型中数据处理方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |