CN111461497A - 一种具有智能诊断功能的风电机组预警方法及系统 - Google Patents
一种具有智能诊断功能的风电机组预警方法及系统 Download PDFInfo
- Publication number
- CN111461497A CN111461497A CN202010169947.0A CN202010169947A CN111461497A CN 111461497 A CN111461497 A CN 111461497A CN 202010169947 A CN202010169947 A CN 202010169947A CN 111461497 A CN111461497 A CN 111461497A
- Authority
- CN
- China
- Prior art keywords
- fault
- wind turbine
- probability
- early warning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 208000024891 symptom Diseases 0.000 claims description 80
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
一种具有智能诊断功能的风电机组预警方法及系统,该方法通过采集机组各部件的振动信号,通过对采集的振动信号数据进行处理,得到各采集点数据的频域和时域特征信息,利用智能诊断算法、根据上述时域、频域特征信息进行进一步筛选分析,结合变桨、偏航、主控制系统、变流系统等电气部件的运行信息,对机组的大型零部件损伤进行故障预警,形成全面、开放的风电机组故障预警系统,对机组大型机械运行状态进行全方位监测,及时发现风电机组存在的潜在危险源,以避免风电机组发生重大机械故障。
Description
技术领域
本发明涉及风机控制技术领域,具体涉及一种具有智能诊断功能的风电机组预警方法及系统。
背景技术
随着环境污染和能量短缺日益严重,风能作为绿色可再生能源越来越受到人们的重视,我国的风力发电在电力能源供给上的占比也在逐年攀升。随着装机容量的不断提升,各发电企业对风电机组的运行状态及性能也有了更高的要求,如要求有更高的有效利用率等,这就要求机组尽可能少发生故障,尤其是机械故障,如齿轮箱故障,此类故障轻则会造成机组发电效率低下,严重者会造成风机倒塔或机舱断裂等恶性事故。为了避免或减少此类事故的发生,各机组生产厂家大多会通过定期巡检来检验风电机组各器件是否正常,螺栓是否紧固等。但这些检查仅仅能检查一些表象的安全隐患,隐藏比较深的安全隐患仍无法排查,如齿轮箱断齿、主轴不对中等危险源。如何及时发现机组存在的隐藏危险源是亟需考虑的问题。
发明内容
本发明的目的是提供一种具有智能诊断功能的风电机组预警方法及系统,用于及时发现风电机组存在的隐藏危险源,避免因这些危险源而导致设备生产厂家及发电企业发生重大的经济损失以及人员安全危害的问题。
为达到上述目的,本发明采用如下技术方案:
本发明的第一方面提供了一种具有智能诊断功能的风电机组预警方法,包括如下步骤;
采集风电机组运行中各部件的振动信号;
根据所述振动信号计算其时域特征、频域特征;
根据所述频域特征分析得出各机械故障点的故障频率特征参数;
预设征兆影响概率;
当所述故障频率特征参数属于某个或某些故障点的故障频率特征时,根据所述征兆影响概率计算故障点的联合概率;
判断所述联合概率是否大于第一限值、以及所述时域特征是否大于第二限值,若是,则根据风电机组的运行信息发出故障预警信息。
进一步的,所述采集风电机组运行中各部件的振动信号包括采集风电机组运行中齿轮箱、发电机、主轴承和保持架各部位的振动信号。
进一步的,所述根据所述振动信号计算其时域特征、频域特征的步骤包括:
将采集到的振动信号经过低通滤波滤除高频噪声信号;
重采样将滤除高频噪声信号的连续振动信号进行离散化,得到离散化的数据,对其进行计算得到时域特征;
离散化的数据经过FFT变化得到频域特征。
进一步的,所述预设征兆影响概率P包括:
根据对各个部位故障的的影响程度设置征兆影响概率,影响程度越大,设置的征兆影响概率越高,影响程度越小,设置的征兆影响概率越低,没有影响,征兆影响概率设为0。
进一步的,所述联合概率由下式计算:
其中,P(Fi)为第i个故障点的联合概率1≤i≤n;
P(Sj)为每个故障点第j个征兆事件发生的概率,1≤j≤k;当第j个征兆事件发生,则P(Sj)=1,没有发生,则P(Sj)=0;
P+为所述征兆影响概率的广义逆矩阵。
进一步的,所述根据风电机组的运行信息发出故障预警信息包括:
当判断机组不处于偏航、变桨、湍流强度大和/或阵风环境时,发出故障预警信息,并给出故障点位置信息。
本发明的第二方面提供了一种具有智能诊断功能的风电机组预警系统,包括数据采集模块、特征计算模块、故障频率特征参数获取模块、征兆影响概率预设模块、联合概率计算模块和故障预警信息判断模块;
所述数据采集模块,采集风电机组运行中各部件的振动信号;
所述特征计算模块,根据所述振动信号计算其时域特征、频域特征;
所述故障频率特征参数获取模块,根据所述频域特征分析得出各机械故障点的故障频率特征参数;
所述征兆影响概率预设模块,预设征兆影响概率;
当所述故障频率特征参数属于某个或某些故障点的故障频率特征时,所述联合概率计算模块根据所述征兆影响概率计算故障点的联合概率;
所述故障预警信息判断模块,判断所述联合概率是否大于第一限值、以及所述时域特征是否大于第二限值,若是,则根据风电机组的运行信息发出故障预警信息。
进一步的,所述数据采集模块包括至少一个振动传感器和至少一个高低速轴编码器。
进一步的,所述联合概率计算模块按照下式计算联合概率:
其中,P(Fi)为第i个故障点的联合概率1≤i≤n;
P(Sj)为每个故障点第j个征兆事件发生的概率,1≤j≤k;当第j个征兆事件发生,则P(Sj)=1,没有发生,则P(Sj)=0;
P+为所述征兆影响概率的广义逆矩阵。
进一步的,所述故障预警信息判断模块根据风电机组的运行信息发出故障预警信息包括:
当判断机组不处于偏航、变桨、湍流强度大和/或阵风环境时,发出故障预警信息,并给出故障点位置信息。
综上所述,本发明提供了一种具有智能诊断功能的风电机组预警方法及系统,该方法通过采集机组各部件的振动信号,通过对采集的振动信号数据进行处理,得到各采集点数据的频域和时域特征信息,利用智能诊断算法、根据上述时域、频域特征信息进行进一步筛选分析,结合变桨、偏航、主控制系统、变流系统等电气部件的运行信息,对机组的大型零部件损伤进行故障预警,形成全面、开放的风电机组故障预警系统,对机组大型机械运行状态进行全方位监测,及时发现风电机组存在的潜在危险源,以避免风电机组发生重大机械故障。
附图说明
图1是本发明的风电机组预警方法的流程示意图;
图2是本发明一具体实施例对数据采集处理的结构示意图;
图3是离散变量联合概率分布示意图;
图4是贝叶斯网络结构图;
图5是本发明的风电机组预警系统的结构框图;
图6是本发明一具体实施例中的风电机组预警系统结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明的第一方面提供了一种具有智能诊断功能的风电机组预警方法,如图1所示,包括如下步骤;
步骤S100,采集风电机组运行中各部件的振动信号。例如,采集风电机组运行中齿轮箱、发电机、主轴承、保持架的振动状态及数据,具体的,机组采集的振动信号数据包括主轴承、齿轮箱第一行星级、齿轮箱第二行星级、齿轮箱平行级、发电机前轴承、发电机后轴承、塔架前后、左右振动加速度信号以及两路发电机转速信号。
步骤S200,根据所述振动信号计算其时域特征、频域特征。进一步的,包括如下步骤:
将采集到的振动信号经过低通滤波滤除高频噪声信号;
重采样将滤除高频噪声信号的连续振动信号进行离散化,得到离散化的数据,对其进行计算得到时域特征;
离散化的数据经过FFT变化得到频域特征。
具体的,振动信号经过滤波处理除去其噪声信号,再经过重采样,将采集到的连续数据进行离散化,对离散化的数据进行峰峰值、均方根值、峭度、波峰因数、偏斜度、均值等一系列计算,得到振动信号的时域特征。离散化的数据经过FFT可以得到振动信号的频域特征。时域特征主要包含峰峰值、有效值、偏斜度、波峰因数、峭度、平均值。频域特征是指采集到的数据经过快速傅里叶变化得到的频谱特性。
其中,峰峰值是采集的信号周期内信号最高值和最低值之间差的值,就是最大和最小之间的范围。它描述了振动值的变化范围的大小,其计算公式见(1.1):
Pp=xmax-xmin (0.1)
其中,Pp为峰峰值,xmax为周期信号内最大幅值,xmin为周期信号内的最小幅值。
有效值用来表征采集的信号周期内所含振动能量,用来度量振动的严重程度,其计算公式见(1.2):
其中,xrms为信号周期内有效值,xi为信号周期内采集的振动值,n为信号周期内采集的振动信号次数。
偏斜度用来衡量信号偏离正态分布的程度,其计算公式见(1.3):
波峰因数等于信号最大值与有效值的比值,用来衡量信号波形的变形程度,波峰因数的趋势图可以有效的描述故障恶化的程度,其计算公式见(1.4):
其中,C为波峰因数,|x|max为周期信号内采集的振动最大值,xrms为信号周期内的有效值。
峭度用来衡量信号中的冲击成分,其计算公式见(1.5):
平均值用来衡量振动方向上趋势,其计算公式见(1.6):
其中,xμ为周期信号内采集的振动信号平均值。
检波解调算法首先利用希尔伯特变换如公式(1.7)对信号进行90°相移,其原理是将原始信号和一个信号做卷积的结果。这个用来卷积的信号就是h(t)=1/πt,由于h(t)的傅里叶变化为H(jω)=-jsgn(ω),从频谱上来看,这个滤波器将我们的原始信号的正频率部分乘以-j,也就是说,保持幅度不变的条件下,将相位移动了-pi/2。其意义在于当发生机械的轴承等零部件有点蚀、剥落等损伤类故障时,设备运转伴随的这些周期性冲击激起设备各阶固有振动,选择激起的振动及受运行环境振动干扰较小的高频固有振动为研究对象,通过窄带带通滤波将其从信号中剥离出来,经过检波解调提取出载附在其上的与周期性冲击力引起的包络信号。
其中,H(x)(t)为信号x(t)和1/πt的卷积。
检波解调出的包络信号经过傅里叶变化得到该信号的包络谱,可以从中得到故障点的强度和频次。由此已经可以得到振动信号的时域特征和频域特征。
步骤S300,根据所述频域特征分析得出各机械故障点的故障频率特征参数。通过构建齿轮、轴承及其他机械故障的故障模型可知齿轮、轴承及其他机械的故障特征,根据振动信号的频域分析,可以得到各种机械故障点的故障频率特征参数,故障频率特征参数是指信号特定频率成分对应的频谱中的幅值。如轴承外圈故障频率、齿轮啮合频率等。
步骤S400,预设征兆影响概率。从力学角度可知,某种机械故障往往是由很多因素引起的,将这种因素称之为征兆,不同征兆组合触发可能会引起不同的故障现象。为此将这种征兆触发引起各种故障发生的可能性以概率分布的形式联系起来,一种征兆对不同种故障触发的影响因素是不相同的,将不同程度的影响因素以不同的概率表示,即为征兆影响概率。具体的,风机智能诊断系统监测风机各部位故障点,风机每个部件的故障有多个因素引起,如主轴振动大告警的原因可能是主轴不对中、齿轮箱轴承磨损、齿轮箱内部出现断齿等,而这些因素的最直接表现形式是会引起该部件特定故障点的特征频率,系统将各部位故障点的特征频率设为征兆,如出现主轴不对中的特征频率征兆对于主轴不对中故障的征兆影响概率设置为0.9,对齿轮箱轴承磨损故障的征兆影响概率设为0.5,对发电机振动过大故障的征兆影响概率设为0。也就是说根据对各个部位故障的的影响程度来设置征兆影响概率,影响程度越大,设置的征兆影响概率就会越高,影响程度越小,设置的征兆影响概率就会越低,没有影响,征兆影响概率就设为0。
步骤S500,当所述故障频率特征参数属于某个或某些故障点的故障频率特征时,根据所述征兆影响概率计算故障点的联合概率。
当系统检测到某种故障点的特征频率时,该故障点的征兆影响概率视为有效,根据统计学中的概率论可知,对两个随机变量X和Y,同时对于X和Y的概率分布是X和Y的联合分布如附图2。基于联合分布和条件概率可以推出贝叶斯公式如公式(1.8),采用基于贝叶斯网络的贝叶斯联合概率分布的基础上近似推理的广义逆方法,对各机械的各故障点及其征兆计算联合概率,贝叶斯网络是一种有向无圈图。每个节点都代表一个随机变量,边代表随机变量之间的依赖关系。每个节点都伴随一个概率分布,根节点伴随的是边缘分布,非根节点伴随的是条件概率分布。
当征兆层Si的事件发生,可以认为必然存在故障层的时间Fj发生,于是,故障层构成一个完备事件组,应用全概率公式如公式(1.9):
其中,P(A|B)为在事件B发生的前提下事件A发生的概率,P(A)为事件A发生的概率,P(B)为事件B发生的概率,P(B|A)为在事件A发生的前提下事件B发生的概率。
可得如下关系
所述联合概率由下式计算:
其中,P(Fi)为第i个故障点的联合概率1≤i≤n;P(Sj)为每个故障点第j个征兆事件发生的概率,1≤j≤k;n、k为大于1的整数;当第j个征兆事件发生,则P(Sj)=1,没有发生,则P(Sj)=0;P为征兆影响概率,为k*n矩阵;P+为所述征兆影响概率的广义逆矩阵。
步骤S600,判断所述联合概率是否大于第一限值、以及所述时域特征是否大于第二限值,若是,则根据风电机组的运行信息发出故障预警信息。
具体的,风电机组状态监测系统相关标准有VDI3834和NB/31004,两个标准都给出了报警限值的设定方法,即报警限值为基础值和区域界限值的1.25倍。VDI3834还给出了兆瓦级风力发电机组振动有效值区域界限的标准值。基于该标准值结合振动信号故障特征频率和时域数据分析,能够判断出某种机械故障,如齿面磨损故障,其故障特征为齿轮啮合频率的2倍频3倍频的幅值较大,齿轮箱振动信号的振动幅值会呈逐渐增大趋势。从力学角度可知,某种机械故障往往是由很多因素引起的,将这种因素称之为征兆,不同征兆组合触发可能会引起不同的故障现象。为此将这种征兆触发引起各种故障发生的可能性以概率分布的形式联系起来,一种征兆对不同种故障触发的影响因素是不相同的,将不同程度的影响因素以不同的概率表示,当系统检测到某种故障点的特征频率时,该故障点的征兆影响概率才有效,根据统计学中的概率论可知,对两个随机变量X和Y,同时对于X和Y的概率分布是X和Y的联合分布。基于联合分布和条件概率可以推出贝叶斯公式,采用基于贝叶斯网络的贝叶斯联合概率分布的基础上近似推理的广义逆方法,对各机械的各故障点及其征兆计算联合概率,如果某故障及其所有影响因素的联合概率大于系统给出的限值,且检测到振动信号的时域特征大于系统给定的报警限值,系统就会根据机组的运行信息,当机组判断不处于偏航、变桨、湍流强度大、阵风环境等对机组产生较大振动影响的行动状态时,系统会给出故障预警信息,并给出故障点位置信息,这样就能够在故障未劣化之前进行修复处理工作,能够有效避免机组发生重大机械故障的发生。
以下以一个具体实施例对本发明的风电机组预警方法进行进一步的说明。
如图3所示,首先利用采集器采集10路振动信号,振动传感器分别置于主轴、齿轮箱第一行星级、齿轮箱第二行星级、齿轮箱平行级、发电机前轴承、发电机后轴承、保持架前后左右端,两路发电机转速信号通过发电机高低速编码器采集。其中Ch1、Ch2、Ch3、Ch4、Ch5、Ch6通道分别采集主轴、齿轮箱第一、二行星级、齿轮箱平行级、发电机前后轴承振动信号,采集速率为51200HZ,采集到的数据经过截止频率为12Khz的低通滤波除去高频噪声信号,重采样将采集的数据进行离散化,离散化的数据可用于计算其时域特征、齿轮故障频率。再经过4K高通滤波、检波解调得到因轴承损伤激起的高频共振信号、再对该信号进行重采样和快速傅里叶变换得到主轴、齿轮箱、发电机的轴承频域特性及轴承故障频率,通过频域分析可以分析故障部位、故障程度。Ch7、Ch8、Ch9、Ch10采集的保持架前后左右振动数据采用截至频率为1Khz低通滤波器滤波并进行重采样,重采样后的数据用于计算时域特征,重采样后的数据经积分计算得出其塔筒的振动位移,再利用角度计算可以得到塔筒的晃动角度。重采样的数据经过快速傅里叶变换得到塔筒一阶、二阶、三阶频率特性。Ch11、Ch12采集高低速轴编码器利用脉冲算法计算的发电机转速。
例如某设备的2种可能故障F1、F2和可能导致的5种征兆Si(i=1,…,5)构成一个贝叶斯网络结构如附图4所示。当征兆层Si的事件发生,可以认为必然存在故障层的时间Fj发生,于是,故障层构成一个完备事件组,应用全概率公式,可得如下关系:
其中,预设征兆影响概率P为,如图4所示:
记条件概率矩阵P的广义逆矩阵为P+,则
如果征兆层Si代表的事件发生就令其先验概率为1,即P(Si)=1,没发生就令其为0。代入公式中就得到故障层发生的概率,假设征兆层的概率矩阵为[1 0 1 0 1]T,则故障层事件发生的概率为[P(F1),P(F2)]=[0.4653,0.6127]。风电机组状态监测系统相关标准有VDI3834和NB/31004,两个标准都给出了报警限值的设定方法,即报警限值为基础值和区域界限值的1.25倍。这里如果我们将故障层概率限值设置为0.6的话,如果检测到振动信号的时域特征报警限值大于界限值的1.25倍,及故障层事件发生的概率也大于0.6,系统就会根据机组的运行信息,当机组判断不处于偏航、变桨、湍流强度大、阵风环境等对机组产生较大振动影响的行动状态时,机组就给出故障预警信息,这样就能够在故障未劣化之前进行修复处理工作,能够有效避免机组发生重大机械故障的发生。
本发明的第二方面提供了一种具有智能诊断功能的风电机组预警系统,如图5所示,包括数据采集模块、特征计算模块、故障频率特征参数获取模块、征兆影响概率预设模块、联合概率计算模块和故障预警信息判断模块;其中,所述数据采集模块,采集风电机组运行中各部件的振动信号;所述特征计算模块,根据所述振动信号计算其时域特征、频域特征;所述故障频率特征参数获取模块,根据所述频域特征分析得出各机械故障点的故障频率特征参数;所述征兆影响概率预设模块,预设征兆影响概率;当所述故障频率特征参数属于某个或某些故障点的故障频率特征时,所述联合概率计算模块根据所述征兆影响概率计算故障点的联合概率;所述故障预警信息判断模块,判断所述联合概率是否大于第一限值、以及所述时域特征是否大于第二限值,若是,则根据风电机组的运行信息发出故障预警信息。
进一步的,所述数据采集模块包括至少一个振动传感器和至少一个高低速轴编码器。
进一步的,所述联合概率计算模块按照下式计算联合概率:
其中,P(Fi)为第i个故障点的联合概率1≤i≤n;P(Sj)为每个故障点第j个征兆事件发生的概率,1≤j≤k,n、k为大于1的整数;当第j个征兆事件发生,则P(Sj)=1,没有发生,则P(Sj)=0;P+为所述征兆影响概率的广义逆矩阵。
进一步的,所述故障预警信息判断模块根据风电机组的运行信息发出故障预警信息包括:
当判断机组不处于偏航、变桨、湍流强度大和/或阵风环境对风电机组产生较大振动影响的行动状态时,发出故障预警信息,并给出故障点位置信息。
以下以一个具体实施例对本发明的风电机组预警系统进行进一步的说明。
如图6所示,发电机高低速编码器采集发电机转速,主轴前后安装低频加速度传感器来采集低频信号,齿轮箱平行级、第一行星级、第二行星级、发电机前、后轴以及保持架水平和垂直方向安装通频加速度传感器用来采集各部件关键部位的振动信号。数据采集器里的特征计算模块对采集模块得到的电信号进行数字化处理,根据传感器的灵敏度及测量范围可以反推计算得到各部件的加速度值,并对这些加速度值按照不同的通道进行计算得到其时域特征。然后对这些数据进行各自的数据滤波、傅里叶变换、重采样、检波解调等算法得到振动信号的频域特征。当故障频率特征参数获取模块获取到某个故障点的频域特征时,联合概率计算模块会通过预设的征兆影响概率进行联合概率计算,如果得到的结果大于该故障触发的限定概率,则故障预警信息判断模块则会将该点的警告标志置位,并传输给PLC,则会触发告警信息给后台监控人员。
综上所述,本发明提供了一种具有智能诊断功能的风电机组预警方法及系统,该方法通过采集机组各部件的振动信号,通过对采集的振动信号数据进行处理,得到各采集点数据的频域和时域特征信息,利用智能诊断算法、根据上述时域、频域特征信息进行进一步筛选分析,结合变桨、偏航、主控制系统、变流系统等电气部件的运行信息,对机组的大型零部件损伤进行故障预警,形成全面、开放的风电机组故障预警系统,对机组大型机械运行状态进行全方位监测,及时发现风电机组存在的潜在危险源,以避免风电机组发生重大机械故障。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种具有智能诊断功能的风电机组预警方法,其特征在于,包括如下步骤;
采集风电机组运行中各部件的振动信号;
根据所述振动信号计算其时域特征、频域特征;
根据所述频域特征分析得出各机械故障点的故障频率特征参数;
预设征兆影响概率;
当所述故障频率特征参数属于某个或某些故障点的故障频率特征时,根据所述征兆影响概率计算故障点的联合概率;
判断所述联合概率是否大于第一限值、以及所述时域特征是否大于第二限值,若是,则根据风电机组的运行信息发出故障预警信息。
2.根据权利要求1所述的具有智能诊断功能的风电机组预警方法,其特征在于,所述采集风电机组运行中各部件的振动信号包括采集风电机组运行中齿轮箱、发电机、主轴承和保持架各部位的振动信号。
3.根据权利要求1或2所述的具有智能诊断功能的风电机组预警方法,其特征在于,所述根据所述振动信号计算其时域特征、频域特征的步骤包括:
将采集到的振动信号经过低通滤波滤除高频噪声信号;
重采样将滤除高频噪声信号的连续振动信号进行离散化,得到离散化的数据,对其进行计算得到时域特征;
离散化的数据经过FFT变化得到频域特征。
4.根据权利要求1所述的具有智能诊断功能的风电机组预警方法,其特征在于,所述预设征兆影响概率P包括:
根据对各个部位故障的的影响程度设置征兆影响概率,影响程度越大,设置的征兆影响概率越高,影响程度越小,设置的征兆影响概率越低,没有影响,征兆影响概率设为0。
6.根据权利要求1所述的具有智能诊断功能的风电机组预警方法,其特征在于,所述根据风电机组的运行信息发出故障预警信息包括:
当判断机组不处于偏航、变桨、湍流强度大和/或阵风环境时,发出故障预警信息,并给出故障点位置信息。
7.一种具有智能诊断功能的风电机组预警系统,其特征在于,包括数据采集模块、特征计算模块、故障频率特征参数获取模块、征兆影响概率预设模块、联合概率计算模块和故障预警信息判断模块;
所述数据采集模块,采集风电机组运行中各部件的振动信号;
所述特征计算模块,根据所述振动信号计算其时域特征、频域特征;
所述故障频率特征参数获取模块,根据所述频域特征分析得出各机械故障点的故障频率特征参数;
所述征兆影响概率预设模块,预设征兆影响概率;
当所述故障频率特征参数属于某个或某些故障点的故障频率特征时,所述联合概率计算模块根据所述征兆影响概率计算故障点的联合概率;
所述故障预警信息判断模块,判断所述联合概率是否大于第一限值、以及所述时域特征是否大于第二限值,若是,则根据风电机组的运行信息发出故障预警信息。
8.根据权利要求7所述的具有智能诊断功能的风电机组预警系统,其特征在于,所述数据采集模块包括至少一个振动传感器和至少一个高低速轴编码器。
10.根据权利要求7所述的具有智能诊断功能的风电机组预警系统,其特征在于,所述故障预警信息判断模块根据风电机组的运行信息发出故障预警信息包括:
当判断机组不处于偏航、变桨、湍流强度大和/或阵风环境时,发出故障预警信息,并给出故障点位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169947.0A CN111461497A (zh) | 2020-03-12 | 2020-03-12 | 一种具有智能诊断功能的风电机组预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169947.0A CN111461497A (zh) | 2020-03-12 | 2020-03-12 | 一种具有智能诊断功能的风电机组预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111461497A true CN111461497A (zh) | 2020-07-28 |
Family
ID=71682844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010169947.0A Pending CN111461497A (zh) | 2020-03-12 | 2020-03-12 | 一种具有智能诊断功能的风电机组预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461497A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897855A (zh) * | 2020-07-30 | 2020-11-06 | 广东省中山市质量计量监督检测所 | 电磁兼容性能诊断方法与系统 |
CN112855463A (zh) * | 2020-12-31 | 2021-05-28 | 华能通渭风电有限责任公司 | 一种风电机组传动链监测数据处理方法 |
CN113446167A (zh) * | 2021-08-09 | 2021-09-28 | 中国船舶重工集团海装风电股份有限公司 | 一种基于大数据分析的风电联轴器打滑故障预警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564568A (zh) * | 2011-12-29 | 2012-07-11 | 华北电力大学 | 大型旋转机械复杂工况下的早期故障搜索方法 |
CA2889107A1 (en) * | 2014-04-23 | 2015-10-23 | Martin Falb | Wind turbine diagnostic device for generator components |
CN107806690A (zh) * | 2017-09-13 | 2018-03-16 | 浙江大学 | 一种基于贝叶斯网络的家用空调故障诊断方法 |
CN110469462A (zh) * | 2019-08-21 | 2019-11-19 | 北京天泽智云科技有限公司 | 一种基于多模板的风电机组智能状态监测系统 |
CN110645153A (zh) * | 2018-06-27 | 2020-01-03 | 北京金风科创风电设备有限公司 | 风力发电机组故障诊断方法、装置和电子设备 |
-
2020
- 2020-03-12 CN CN202010169947.0A patent/CN111461497A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564568A (zh) * | 2011-12-29 | 2012-07-11 | 华北电力大学 | 大型旋转机械复杂工况下的早期故障搜索方法 |
CA2889107A1 (en) * | 2014-04-23 | 2015-10-23 | Martin Falb | Wind turbine diagnostic device for generator components |
CN107806690A (zh) * | 2017-09-13 | 2018-03-16 | 浙江大学 | 一种基于贝叶斯网络的家用空调故障诊断方法 |
CN110645153A (zh) * | 2018-06-27 | 2020-01-03 | 北京金风科创风电设备有限公司 | 风力发电机组故障诊断方法、装置和电子设备 |
CN110469462A (zh) * | 2019-08-21 | 2019-11-19 | 北京天泽智云科技有限公司 | 一种基于多模板的风电机组智能状态监测系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897855A (zh) * | 2020-07-30 | 2020-11-06 | 广东省中山市质量计量监督检测所 | 电磁兼容性能诊断方法与系统 |
CN111897855B (zh) * | 2020-07-30 | 2023-11-10 | 广东省中山市质量计量监督检测所 | 电磁兼容性能诊断方法与系统 |
CN112855463A (zh) * | 2020-12-31 | 2021-05-28 | 华能通渭风电有限责任公司 | 一种风电机组传动链监测数据处理方法 |
CN113446167A (zh) * | 2021-08-09 | 2021-09-28 | 中国船舶重工集团海装风电股份有限公司 | 一种基于大数据分析的风电联轴器打滑故障预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bajric et al. | Feature extraction using discrete wavelet transform for gear fault diagnosis of wind turbine gearbox | |
Teng et al. | Multi-fault detection and failure analysis of wind turbine gearbox using complex wavelet transform | |
CN111461497A (zh) | 一种具有智能诊断功能的风电机组预警方法及系统 | |
KR101764540B1 (ko) | 풍력발전기 진동 상태감시 및 진단 시스템 | |
Barszcz et al. | Application of spectral kurtosis for detection of a tooth crack in the planetary gear of a wind turbine | |
CN102156043B (zh) | 风力发电机组在线状态监测与故障诊断系统 | |
CN102937522B (zh) | 一种齿轮箱复合故障诊断方法及系统 | |
CN110044610B (zh) | 齿轮故障诊断方法 | |
CN103529386A (zh) | 风电机组远程实时状态监测与智能故障诊断系统及方法 | |
CN110988472B (zh) | 基于电流信号的风力发电机变桨传动齿轮故障诊断方法 | |
US11333131B2 (en) | Method of identifying a fault in a system of gears in a wind turbine | |
WO2017170270A1 (ja) | 歯車装置の状態監視システムおよび状態監視方法 | |
CN103134676A (zh) | 齿轮箱运行状态的在线监测预警方法 | |
CN110231166B (zh) | 一种变转速工况下三级传动齿轮箱的智能诊断方法 | |
CN102441579B (zh) | 热连轧轧机运行状态的在线监测方法 | |
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 | |
Guo et al. | Gear fault diagnosis of wind turbine based on discrete wavelet transform | |
CN106055734A (zh) | 一种风电齿轮箱故障诊断方法 | |
CN109416299A (zh) | 识别风力涡轮机中的齿轮系统中的故障的方法 | |
CN103926075B (zh) | 一种提高风电机组齿轮箱故障分析精度的方法 | |
EP3788328A1 (en) | System and process for pattern matching bearing vibration diagnostics | |
De Azevedo et al. | Vibration monitoring, fault detection, and bearings replacement of a real wind turbine | |
Merizalde et al. | Diagnosis of wind turbine faults using generator current signature analysis: A review | |
CN108491622A (zh) | 一种风电机组的故障诊断方法及系统 | |
de da González-Carrato et al. | Vibration-based tools for the optimisation of large-scale industrial wind turbine devices |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |
|
RJ01 | Rejection of invention patent application after publication |