CN111553400A - 一种风力发电机组振动故障的精准诊断方法 - Google Patents
一种风力发电机组振动故障的精准诊断方法 Download PDFInfo
- Publication number
- CN111553400A CN111553400A CN202010321652.0A CN202010321652A CN111553400A CN 111553400 A CN111553400 A CN 111553400A CN 202010321652 A CN202010321652 A CN 202010321652A CN 111553400 A CN111553400 A CN 111553400A
- Authority
- CN
- China
- Prior art keywords
- neural network
- vibration
- node
- wind generating
- generating set
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种风力发电机组振动故障的精准诊断方法,包括以下步骤,1)总结已知风力发电机组振动故障的原因分类;2)样本收集;3)构建神经网络,形成精准诊断模型;4)精准诊断模型验证。本发明通过利用神经网络经过训练学习识别风力发电机组振动故障特征,形成精准诊断模型,能够根据实际的故障特征快速得到振动故障分析结果,提高故障分析效率及准确率,节约大量的人工分析时间,且不会漏判和误判。
Description
技术领域
本发明涉及风力发电机组故障诊断的技术领域,尤其是指一种风力发电机组振动故障的精准诊断方法。
背景技术
风电发电机组行业,振动故障是风电发电机组频发的故障,导致振动故障原因有多种原因。振动故障原因需要人工分析故障数据才能确定原因。随着装机数不断增加,振动故障次数成倍数增加,振动故障生成文件数量大,分析振动故障原因需要花费较多的时间,且无法对所有振动故障一一分析,只能进行抽样分析,不仅效率较低,而且数据分析结论不全面,这不利于现场振动问题的解决。如果采用传统电脑作频谱分析的方法确定振动故障,又有明显的局限性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种风力发电机组振动故障的精准诊断方法,通过利用神经网络经过训练学习识别风力发电机组振动故障特征,形成精准诊断模型,能够根据实际的故障特征快速得到振动故障分析结果,提高故障分析效率及准确率,节约大量的人工分析时间,且不会漏判和误判。
为实现上述目的,本发明所提供的技术方案为:一种风力发电机组振动故障的精准诊断方法,包括以下步骤,
1)总结已知风力发电机组振动故障的原因分类;
2)样本收集:每个原因分类至少收集1万个样本,该样本是指发生振动故障时的振动数据、风力发电机组转速数据、风速数据及变桨角度数据,上述数据经特定的计算后转化为可供神经网络计算的数据组;
3)构建神经网络,并在步骤2)收集的样本数据中抽取90%的样本数据作为训练样本结合振动故障的原因分类对神经网络进行训练,将样本数据训练2~3次后,神经网络的训练过程完成,神经网络经过训练学习后能够识别振动故障的特征,形成精准诊断模型;
4)将剩余的10%的样本数据作为检验样本对神经网络进行检验,如果检验样本经神经网络分类后准确率达到90%以上,即可认为精准诊断模型成功,该精准诊断模型能够根据故障特征自动识别振动故障的原因分类。
进一步,在步骤1)中,风力发电机组振动故障的原因分为7类,具体为:风力发电机组塔架共振转速区的叶轮3p频率与塔架频率共振、由于微观选址问题导致的风切变振动、控制程序参数不合理导致的左右振动、发电机编码器异常导致的左右高频振动、偏航半释放压力偏小导致的偏航振动、偏航摩擦片变质导致的偏航过程高频振动和大风天气时的大角度变桨导振动。
进一步,在步骤3)中,所述神经网络为包含一层输入层、一层隐藏层、一层输出层的单隐层前馈神经网络,神经网络的学习算法采用误差逆传播算法BP,误差逆传播算法BP为迭代学习算法,在迭代的每一轮中采用广义的感知机学习规则对参数进行更新估计,神经网络中任意参数v的更新估计公式如下,
v→v+△v (1)
式中,△v表示更新量;其中,需要进行更新估计的参数v有神经网络中隐藏层到输出层的连接权重、输入层到隐藏层的连接权重、隐藏层神经元阈值及输出层神经元阈值;
误差逆传播算法BP基于梯度下降策略,以目标的负梯度方向对参数进行调整,给定学习率η,η为神经网络中给定的一个固定常数;
对于隐藏层第h个节点到输出层第j个节点的连接权重,其更新量△ωhj的推导公式如下,
式中,h表示隐藏层第h个节点,j表示输出层第j个节点,k表示神经网络样本中的第k组样本数据,表示第k组样本数据经神经网络计算后输出层第j个节点的输出,表示第k组样本数据给定的振动故障的原因分类,bh表示第k组样本数据经神经网络计算后隐藏层第h个节点的输出;
对于输出层第j个节点的阈值,其更新量△θj的推导公式如下,
对于输入层第i个节点到隐藏层第h个节点的连接权重,其更新量△νih的推导公式如下,
式中,xi表示输入层第i个节点的输入值,也是第k组样本的第i个值;
对于隐藏层第h个节点的阈值,其更新量△γh的推导公式如下,
所有的样本数据训练2~3次后,神经网络的训练过程完成。
本发明与现有技术相比,具有如下优点与有益效果:
本发明的精准诊断方法通过利用神经网络经过训练学习识别风力发电机组的振动故障特征,进而形成精准诊断模型,能够根据实际的故障特征快速得到振动故障分析结果,提高故障分析效率及准确率,节约大量的人工分析时间,且不会漏判和误判;同时本精准诊断方法可以根据实际情况通过新增振动故障分类,采用相同类似的方法得到精准诊断模型,进而根据实际的故障特征得到振动故障分析结果,不止适用于双馈机型、半直驱机型及直驱机型的风力发电机组,具有适用范围广。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所述的风力发电机组振动故障的精准诊断方法,包括以下步骤,
1)根据经验将已知的风力发电机组振动故障的原因分为7类,具体为:风力发电机组塔架共振转速区的叶轮3p频率与塔架频率共振、由于微观选址问题导致的风切变振动、控制程序参数不合理导致的左右振动、发电机编码器异常导致的左右高频振动、偏航半释放压力偏小导致的偏航振动、偏航摩擦片变质导致的偏航过程高频振动和大风天气时的大角度变桨导振动。
2)样本收集:每个原因分类至少收集1万个样本,该样本是指发生振动故障时的振动数据、风力发电机组转速数据、风速数据及变桨角度数据,上述数据经特定的计算后转化为可供神经网络计算的数据组。
3)构建神经网络,并在步骤2)收集的样本数据中抽取90%的样本数据作为训练样本结合振动故障的原因分类对神经网络进行训练,将样本数据训练2~3次后,神经网络的训练过程完成,神经网络经过训练学习后能够识别振动故障的特征,形成精准诊断模型;
其中,所述神经网络为包含一层输入层、一层隐藏层、一层输出层的单隐层前馈神经网络,神经网络的学习算法采用误差逆传播算法BP,误差逆传播算法BP为迭代学习算法,在迭代的每一轮中采用广义的感知机学习规则对参数进行更新估计,神经网络中任意参数v的更新估计公式如下,
v→v+△v (1)
式中,△v表示更新量;其中,需要进行更新估计的参数v有神经网络中隐藏层到输出层的连接权重、输入层到隐藏层的连接权重、隐藏层神经元阈值及输出层神经元阈值;
误差逆传播算法BP基于梯度下降策略,以目标的负梯度方向对参数进行调整,给定学习率η,η为神经网络中给定的一个固定常数;
对于隐藏层第h个节点到输出层第j个节点的连接权重,其更新量△ωhj的推导公式如下,
式中,h表示隐藏层第h个节点,j表示输出层第j个节点,k表示神经网络样本中的第k组样本数据,表示第k组样本数据经神经网络计算后输出层第j个节点的输出,表示第k组样本数据给定的振动故障的原因分类,bh表示第k组样本数据经神经网络计算后隐藏层第h个节点的输出;
对于输出层第j个节点的阈值,其更新量△θj的推导公式如下,
对于输入层第i个节点到隐藏层第h个节点的连接权重,其更新量△νih的推导公式如下,
式中,xi表示输入层第i个节点的输入值,也是第k组样本的第i个值;
对于隐藏层第h个节点的阈值,其更新量△γh的推导公式如下,
所有的样本数据训练2~3次后,神经网络的训练过程完成。
4)将剩余的10%的样本数据作为检验样本对神经网络进行检验,如果检验样本经神经网络分类后准确率达到90%以上,即可认为精准诊断模型成功,该精准诊断模型能够根据故障特征自动识别振动故障的原因分类。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (3)
1.一种风力发电机组振动故障的精准诊断方法,其特征在于,包括以下步骤,
1)总结已知风力发电机组振动故障的原因分类;
2)样本收集:每个原因分类至少收集1万个样本,该样本是指发生振动故障时的振动数据、风力发电机组转速数据、风速数据及变桨角度数据,上述数据经特定的计算后转化为可供神经网络计算的数据组;
3)构建神经网络,并在步骤2)收集的样本数据中抽取90%的样本数据作为训练样本结合振动故障的原因分类对神经网络进行训练,将样本数据训练2~3次后,神经网络的训练过程完成,神经网络经过训练学习后能够识别振动故障的特征,形成精准诊断模型;
4)将剩余的10%的样本数据作为检验样本对神经网络进行检验,如果检验样本经神经网络分类后准确率达到90%以上,即可认为精准诊断模型成功,该精准诊断模型能够根据故障特征自动识别振动故障的原因分类。
2.根据权利要求1所述的一种风力发电机组振动故障的精准诊断方法,其特征在于:在步骤1)中,风力发电机组振动故障的原因分为7类,具体为:风力发电机组塔架共振转速区的叶轮3p频率与塔架频率共振、由于微观选址问题导致的风切变振动、控制程序参数不合理导致的左右振动、发电机编码器异常导致的左右高频振动、偏航半释放压力偏小导致的偏航振动、偏航摩擦片变质导致的偏航过程高频振动和大风天气时的大角度变桨导振动。
3.根据权利要求1所述的一种风力发电机组振动故障的精准诊断方法,其特征在于:在步骤3)中,所述神经网络为包含一层输入层、一层隐藏层、一层输出层的单隐层前馈神经网络,神经网络的学习算法采用误差逆传播算法BP,误差逆传播算法BP为迭代学习算法,在迭代的每一轮中采用广义的感知机学习规则对参数进行更新估计,神经网络中任意参数v的更新估计公式如下,
v→v+△v (1)
式中,△v表示更新量;其中,需要进行更新估计的参数v有神经网络中隐藏层到输出层的连接权重、输入层到隐藏层的连接权重、隐藏层神经元阈值及输出层神经元阈值;
误差逆传播算法BP基于梯度下降策略,以目标的负梯度方向对参数进行调整,给定学习率η,η为神经网络中给定的一个固定常数;
对于隐藏层第h个节点到输出层第j个节点的连接权重,其更新量△ωhj的推导公式如下,
式中,h表示隐藏层第h个节点,j表示输出层第j个节点,k表示神经网络样本中的第k组样本数据,表示第k组样本数据经神经网络计算后输出层第j个节点的输出,表示第k组样本数据给定的振动故障的原因分类,bh表示第k组样本数据经神经网络计算后隐藏层第h个节点的输出;
对于输出层第j个节点的阈值,其更新量△θj的推导公式如下,
对于输入层第i个节点到隐藏层第h个节点的连接权重,其更新量△νih的推导公式如下,
式中,xi表示输入层第i个节点的输入值,也是第k组样本的第i个值;
对于隐藏层第h个节点的阈值,其更新量△γh的推导公式如下,
所有的样本数据训练2~3次后,神经网络的训练过程完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010321652.0A CN111553400A (zh) | 2020-04-22 | 2020-04-22 | 一种风力发电机组振动故障的精准诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010321652.0A CN111553400A (zh) | 2020-04-22 | 2020-04-22 | 一种风力发电机组振动故障的精准诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111553400A true CN111553400A (zh) | 2020-08-18 |
Family
ID=72005849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010321652.0A Pending CN111553400A (zh) | 2020-04-22 | 2020-04-22 | 一种风力发电机组振动故障的精准诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553400A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447813A (zh) * | 2020-09-03 | 2021-09-28 | 鲁能集团有限公司 | 海上风力发电机组的故障诊断方法及设备 |
CN114781552A (zh) * | 2022-06-17 | 2022-07-22 | 深圳硅山技术有限公司 | 电机性能测试方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016108942A (ja) * | 2014-12-02 | 2016-06-20 | 三菱重工業株式会社 | 油圧システム及び再生エネルギー型発電装置、並びにその運転方法 |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
CN110081966A (zh) * | 2019-05-27 | 2019-08-02 | 苏州工业职业技术学院 | 风机振动传感器的故障诊断系统及方法 |
-
2020
- 2020-04-22 CN CN202010321652.0A patent/CN111553400A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016108942A (ja) * | 2014-12-02 | 2016-06-20 | 三菱重工業株式会社 | 油圧システム及び再生エネルギー型発電装置、並びにその運転方法 |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
CN110081966A (zh) * | 2019-05-27 | 2019-08-02 | 苏州工业职业技术学院 | 风机振动传感器的故障诊断系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447813A (zh) * | 2020-09-03 | 2021-09-28 | 鲁能集团有限公司 | 海上风力发电机组的故障诊断方法及设备 |
CN113447813B (zh) * | 2020-09-03 | 2022-09-13 | 中国绿发投资集团有限公司 | 海上风力发电机组的故障诊断方法及设备 |
CN114781552A (zh) * | 2022-06-17 | 2022-07-22 | 深圳硅山技术有限公司 | 电机性能测试方法、装置、设备及存储介质 |
CN114781552B (zh) * | 2022-06-17 | 2022-09-02 | 深圳硅山技术有限公司 | 电机性能测试方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN108898251B (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN111830408A (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
CN110348615B (zh) | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN107392304A (zh) | 一种风电机组异常数据识别方法及装置 | |
CN111260126A (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
CN111553400A (zh) | 一种风力发电机组振动故障的精准诊断方法 | |
CN102880905A (zh) | 一种常顶油干点在线软测量方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN111537888A (zh) | 一种数据驱动的梯次电池soc预测方法 | |
CN110365053B (zh) | 基于延迟优化策略的短期风电功率预测方法 | |
CN116484495A (zh) | 一种基于试验设计的气动数据融合建模方法 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN110296055B (zh) | 一种风向预测关联种子机组筛选方法 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN116388184A (zh) | 一种基于风速日波动特征的超短期风速修订方法、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 |