CN111878323A - 一种基于频谱自相关函数的风力发电机组故障预警方法 - Google Patents
一种基于频谱自相关函数的风力发电机组故障预警方法 Download PDFInfo
- Publication number
- CN111878323A CN111878323A CN202010863972.9A CN202010863972A CN111878323A CN 111878323 A CN111878323 A CN 111878323A CN 202010863972 A CN202010863972 A CN 202010863972A CN 111878323 A CN111878323 A CN 111878323A
- Authority
- CN
- China
- Prior art keywords
- early warning
- data
- value
- autocorrelation function
- 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.)
- Granted
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及的是一种基于频谱自相关函数的风力发电机组故障预警方法。解决了一般预警方法效果不佳通用性差的问题。包括以下步骤：S1：原始数据采集及预处理；S2：频谱分析；S3：自相关分析；S4：特征提取；S5：建立特征预测模型，并计算残差值；S6：报警判断。本发明的有益效果是：通过对多项数据进行提取分析预测，敏感程度高，预警效果好；通过数据采样后建立数学模型进行分析预测，预警准确、部署迅速、通用性高，适用于配置大批量不同型号、供应商的轴承、齿轮的大型机械设备故障预警分析。
Description
技术领域
本发明涉及风力发电机领域，尤其涉及一种基于频谱自相关函数的风力发电机组故障预警方法。
背景技术
近年来，中国风电产业迅猛发展，截止2019年底，累计装机2.1亿千瓦。风力发电机组通常运行在草原、荒漠、山地等环境恶劣地区，且早期风电技术的限制，造成存量机组故障率较高，运维成本居高不下，是目前风电行业面临的重大问题之一。
对风力发电设备实施预测性维护，是有效降低运维成本的重要手段，而预测性维护的前提是故障预警，即提前发现故障。
有学者通过采集风力发电机组的SCADA监控数据，如风速、功率、温度等进行分析，利用大数据挖掘技术实现故障预警，但特征值对于机械部件的故障敏感度不高，所以预警效果不佳。基于高频振动数据的故障预警，目前还依靠工程师自身经验，有学者利用精准的故障频率定位判断故障特征，由于机械设备型号、品牌混用，在风电行业的通用性较差。
发明内容
本发明解决一般预警方法效果不佳通用性差的问题，提供了一种基于频谱自相关函数的风力发电机组故障预警方法。
为了解决上述存在的技术问题，本发明的技术方案是：一种基于频谱自相关函数的风力发电机组故障预警方法，包括以下步骤：S1：原始数据采集及预处理；S2：频谱分析；S3：自相关分析；S4：特征提取；S5：建立特征预测模型，并计算残差值；S6：报警判断。
作为上述方案的一种优选方案，所述步骤S1中的预处理包括以下步骤：
S21：提取运行工况参数；
S22：检查原始数据的有效性，得到有效数据和异常数据。
其中，运行工况参数为原始数据的一部分。
作为上述方案的一种优选方案，所述步骤S1中的频谱分析包括以下步骤：
S31：对有效数据进行重采样，得到重采样数据；
S32：对重采样数据进行加窗处理，得到加窗数据；
S33：对加窗数据进行傅里叶变换，得到信号频谱。
对数据进行重采样可以保证数据的采样频率一致。步骤S32中的进行加窗处理是进行加汉宁窗。此举可以防止信号泄露，同时兼顾频率精度和幅值精度。
作为上述方案的一种优选方案，所述步骤S1中的自相关分析包括以下步骤：
S41：根据故障类型在信号频谱中选取故障频率段数据；
S42：对选取的故障频率段数据进行自相关分析，得到自相关函数。
作为上述方案的一种优选方案，所述步骤S1中的特征提取包括以下步骤：
S51：对自相关函数进行平滑处理，得到平滑函数；
S52：在平滑函数中提取极值；
S53：获取特征值。
步骤S53中特征值预设为极大值中的最大值或为前n个极大值的平均值或为前n个极大值的和，其中n的值由预设得到。
作为上述方案的一种优选方案，所述步骤S1中的建立预测模型并计算残差值包括以下步骤：
S61：对历史正常运行状态的数据进行训练，构造记忆矩阵；
S62：通过记忆矩阵和实时运行工况参数，得到特征预测值；
S63：将特征预测值减去实际值，得到残差值。
步骤S61中是利用非线性状态估计方法或统计拟合或机器学习算法对历史正常运行状态的数据（这里的数据包括工况数据和特征值等变量）进行训练，然后构造记忆矩阵即得到正常状态下特征值与机组运行工况参数的规律。
步骤S62中是将实时运行工况参数（包括风速、转速、功率、桨距角、偏航位置等）作为记忆矩阵的输入，然后得到特征预测值。
步骤S63中的实际值即为步骤S53中得到的特征值（也即实时特征值）。
作为上述方案的一种优选方案，所述步骤S1中的报警判断是根据第一预警处理或第二预警处理或第三预警处理进行报警的。
作为上述方案的一种优选方案，所述第一预警处理是判断残差值是否大于阈值，若是，则报警，若否，则不报警。
作为上述方案的一种优选方案，所述第二预警处理是判断预设时间范围内残差值与阈值的差除以阈值的商是否大于比例阈值，若是，则报警，若否，则不报警。所述比例阈值为预先设定。
作为上述方案的一种优选方案，所述第三预警处理是判断是否出现N个时刻残差值大于阈值，若是，则报警，若否，则不报警；N的值为预先设定。
所述阈值是通过对大量历史正常数据计算的残差值统计而来。
与现有技术相比，本发明的有益效果是：
1.通过对多项数据进行提取分析预测，敏感程度高，预警效果好；
2.通过数据采样后建立数学模型进行分析预测，预警准确、部署迅速、通用性高，适用于配置大批量不同型号、供应商的轴承、齿轮的大型机械设备故障预警分析。
附图说明
图1是本发明的流程框图；
图2是本发明的预处理的流程框图；
图3是本发明的频谱分析的流程框图；
图4是本发明的自相关分析的流程框图；
图5是本发明的特征提取的流程框图；
图6是本发明的建立预测模型计算残差值的流程框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。
实施例1：本实施例一种基于频谱自相关函数的风力发电机组故障预警方法，如图1~6所示，包括以下步骤：S1：原始数据采集及预处理；S2：频谱分析；S3：自相关分析；S4：特征提取；S5：建立特征预测模型，并计算残差值；S6：报警判断。
其中，步骤S1中的预处理包括以下步骤：
S21：提取运行工况参数；
S22：检查原始数据的有效性，得到有效数据和异常数据。
步骤S21中的运行工况参数为原始数据的一部分。
其中，步骤S1中的频谱分析包括以下步骤：
S31：对有效数据进行重采样，得到重采样数据；
S32：对重采样数据进行加窗处理，得到加窗数据；
S33：对加窗数据进行傅里叶变换，得到信号频谱。
步骤S32中的进行加窗处理是进行加汉宁窗。对有效数据进行重采样是为了保证数据采样频率的一致性。
其中，步骤S1中的自相关分析包括以下步骤：
S41：根据故障类型在信号频谱中选取故障频率段数据；
S42：对选取的故障频率段数据进行自相关分析，得到自相关函数。
其中，步骤S1中的特征提取包括以下步骤：
S51：对自相关函数进行平滑处理，得到平滑函数；
S52：在平滑函数中提取极值；
S53：获取特征值。
步骤S53中特征值预设为极大值中的最大值或为前n个极大值的平均值或为前n个极大值的和，其中n的值由预设得到。
其中，步骤S1中的建立预测模型并计算残差值包括以下步骤：
S61：对历史正常运行状态的数据进行训练，构造记忆矩阵；
S62：通过记忆矩阵和实时运行工况参数，得到特征预测值；
S63：将特征预测值减去实际值，得到残差值。
步骤S61中是利用非线性状态估计方法或统计拟合或机器学习算法对历史正常运行状态的数据（这里的数据包括工况数据和特征值等变量）进行训练，然后构造记忆矩阵即得到正常状态下特征值与机组运行工况参数的规律。步骤S62中是将实时运行工况参数（包括风速、转速、功率、桨距角、偏航位置等）作为记忆矩阵的输入，然后得到特征预测值。步骤S63中的实际值即为步骤S53中得到的特征值（也即实时特征值）。
其中，步骤S1中的报警判断是根据第一预警处理进行报警的。第一预警处理是判断残差值是否大于阈值，若是，则报警，若否，则不报警。所述阈值是通过对大量历史正常数据计算的残差值统计而来。
实施例2：本实施例一种基于频谱自相关函数的风力发电机组故障预警方法，如图1~6所示，包括以下步骤：S1：原始数据采集及预处理；S2：频谱分析；S3：自相关分析；S4：特征提取；S5：建立特征预测模型，并计算残差值；S6：报警判断。
其中，步骤S1中的预处理包括以下步骤：
S21：提取运行工况参数；
S22：检查原始数据的有效性，得到有效数据和异常数据。
步骤S21中的运行工况参数为原始数据的一部分。
其中，步骤S1中的频谱分析包括以下步骤：
S31：对有效数据进行重采样，得到重采样数据；
S32：对重采样数据进行加窗处理，得到加窗数据；
S33：对加窗数据进行傅里叶变换，得到信号频谱。
步骤S32中的进行加窗处理是进行加汉宁窗。对有效数据进行重采样是为了保证数据采样频率的一致性。
其中，步骤S1中的自相关分析包括以下步骤：
S41：根据故障类型在信号频谱中选取故障频率段数据；
S42：对选取的故障频率段数据进行自相关分析，得到自相关函数。
其中，步骤S1中的特征提取包括以下步骤：
S51：对自相关函数进行平滑处理，得到平滑函数；
S52：在平滑函数中提取极值；
S53：获取特征值。
步骤S53中特征值预设为极大值中的最大值或为前n个极大值的平均值或为前n个极大值的和，其中n的值由预设得到。
其中，步骤S1中的建立预测模型并计算残差值包括以下步骤：
S61：对历史正常运行状态的数据进行训练，构造记忆矩阵；
S62：通过记忆矩阵和实时运行工况参数，得到特征预测值；
S63：将特征预测值减去实际值，得到残差值。
步骤S61中是利用非线性状态估计方法或统计拟合或机器学习算法对历史正常运行状态的数据（这里的数据包括工况数据和特征值等变量）进行训练，然后构造记忆矩阵即得到正常状态下特征值与机组运行工况参数的规律。步骤S62中是将实时运行工况参数（包括风速、转速、功率、桨距角、偏航位置等）作为记忆矩阵的输入，然后得到特征预测值。步骤S63中的实际值即为步骤S53中得到的特征值（也即实时特征值）。
其中，步骤S1中的报警判断是根据第二预警处理进行报警的。第二预警处理是判断预设时间范围内残差值与阈值的差除以阈值的商是否大于比例阈值，若是，则报警，若否，则不报警。所述阈值是通过对大量历史正常数据计算的残差值统计而来。所述比例阈值为预先设定。
实施例3：本实施例一种基于频谱自相关函数的风力发电机组故障预警方法，如图1~6所示，包括以下步骤：S1：原始数据采集及预处理；S2：频谱分析；S3：自相关分析；S4：特征提取；S5：建立特征预测模型，并计算残差值；S6：报警判断。
其中，步骤S1中的预处理包括以下步骤：
S21：提取运行工况参数；
S22：检查原始数据的有效性，得到有效数据和异常数据。
步骤S21中的运行工况参数为原始数据的一部分。
其中，步骤S1中的频谱分析包括以下步骤：
S31：对有效数据进行重采样，得到重采样数据；
S32：对重采样数据进行加窗处理，得到加窗数据；
S33：对加窗数据进行傅里叶变换，得到信号频谱。
步骤S32中的进行加窗处理是进行加汉宁窗。对有效数据进行重采样是为了保证数据采样频率的一致性。
其中，步骤S1中的自相关分析包括以下步骤：
S41：根据故障类型在信号频谱中选取故障频率段数据；
S42：对选取的故障频率段数据进行自相关分析，得到自相关函数。
其中，步骤S1中的特征提取包括以下步骤：
S51：对自相关函数进行平滑处理，得到平滑函数；
S52：在平滑函数中提取极值；
S53：获取特征值。
步骤S53中特征值预设为极大值中的最大值或为前n个极大值的平均值或为前n个极大值的和，其中n的值由预设得到。
其中，步骤S1中的建立预测模型并计算残差值包括以下步骤：
S61：对历史正常运行状态的数据进行训练，构造记忆矩阵；
S62：通过记忆矩阵和实时运行工况参数，得到特征预测值；
S63：将特征预测值减去实际值，得到残差值。
步骤S61中是利用非线性状态估计方法或统计拟合或机器学习算法对历史正常运行状态的数据（这里的数据包括工况数据和特征值等变量）进行训练，然后构造记忆矩阵即得到正常状态下特征值与机组运行工况参数的规律。步骤S62中是将实时运行工况参数（包括风速、转速、功率、桨距角、偏航位置等）作为记忆矩阵的输入，然后得到特征预测值。步骤S63中的实际值即为步骤S53中得到的特征值（也即实时特征值）。
其中，步骤S1中的报警判断是根据第三预警处理进行报警的。第三预警处理是判断是否出现N个时刻残差值大于阈值，若是，则报警，若否，则不报警；N的值为预先设定。所述比例阈值为预先设定。所述阈值是通过对大量历史正常数据计算的残差值统计而来。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于频谱自相关函数的风力发电机组故障预警方法，其特征在于，包括以下步骤：
S1：原始数据采集及预处理；
S2：频谱分析；
S3：自相关分析；
S4：特征提取；
S5：建立特征预测模型，并计算残差值；
S6：报警判断。
2.根据权利要求1所述的一种基于频谱自相关函数的风力发电机组故障预警方法，其特征在于，所述步骤S1中的预处理包括以下步骤：
S21：提取运行工况参数；
S22：检查原始数据的有效性，得到有效数据和异常数据。
3.根据权利要求1所述的一种基于频谱自相关函数的风力发电机组故障预警方法，其特征在于，所述步骤S1中的频谱分析包括以下步骤：
S31：对有效数据进行重采样，得到重采样数据；
S32：对重采样数据进行加窗处理，得到加窗数据；
S33：对加窗数据进行傅里叶变换，得到信号频谱。
4.根据权利要求1所述的一种基于频谱自相关函数的风力发电机组故障预警方法，其特征在于，所述步骤S1中的自相关分析包括以下步骤：
S41：根据故障类型在信号频谱中选取故障频率段数据；
S42：对选取的故障频率段数据进行自相关分析，得到自相关函数。
5.根据权利要求1所述的一种基于频谱自相关函数的风力发电机组故障预警方法，其特征在于，所述步骤S1中的特征提取包括以下步骤：
S51：对自相关函数进行平滑处理，得到平滑函数；
S52：在平滑函数中提取极值；
S53：获取特征值。
6.根据权利要求1所述的一种基于频谱自相关函数的风力发电机组故障预警方法，其特征在于，所述步骤S1中的建立预测模型并计算残差值包括以下步骤：
S61：对历史正常运行状态的数据进行训练，构造记忆矩阵；
S62：通过记忆矩阵和实时运行工况参数，得到特征预测值；
S63：将特征预测值减去实际值，得到残差值。
7.根据权利要求1所述的一种基于频谱自相关函数的风力发电机组故障预警方法，其特征在于，所述步骤S1中的报警判断是根据第一预警处理或第二预警处理或第三预警处理进行报警的。
8.根据权利要求7所述的一种基于频谱自相关函数的风力发电机组故障预警方法，其特征在于，所述第一预警处理是判断残差值是否大于阈值，若是，则报警，若否，则不报警。
9.根据权利要求7所述的一种基于频谱自相关函数的风力发电机组故障预警方法，其特征在于，所述第二预警处理是判断预设时间范围内残差值与阈值的差除以阈值的商是否大于比例阈值，若是，则报警，若否，则不报警。
10.根据权利要求7所述的一种基于频谱自相关函数的风力发电机组故障预警方法，其特征在于，所述第三预警处理是判断是否出现N个时刻残差值大于阈值，若是，则报警，若否，则不报警；N的值为预先设定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010863972.9A CN111878323B (zh) | 2020-08-25 | 2020-08-25 | 一种基于频谱自相关函数的风力发电机组故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010863972.9A CN111878323B (zh) | 2020-08-25 | 2020-08-25 | 一种基于频谱自相关函数的风力发电机组故障预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111878323A true CN111878323A (zh) | 2020-11-03 |
| CN111878323B CN111878323B (zh) | 2021-08-17 |
Family
ID=73198576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010863972.9A Active CN111878323B (zh) | 2020-08-25 | 2020-08-25 | 一种基于频谱自相关函数的风力发电机组故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111878323B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112229634A (zh) * | 2020-11-14 | 2021-01-15 | 罗斯（无锡）设备有限公司 | 一种搅拌设备轴承状态在线监控方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8451134B2 (en) * | 2009-07-24 | 2013-05-28 | Honeywell International Inc. | Wind turbine generator fault diagnostic and prognostic device and method |
| CN103321854A (zh) * | 2013-05-29 | 2013-09-25 | 国家电网公司 | 一种风力发电机组塔架振动控制方法 |
| CN110514437A (zh) * | 2019-08-23 | 2019-11-29 | 西安交通大学 | 一种用于故障诊断的行星齿轮箱振动信号分离方法及系统 |
-
2020
- 2020-08-25 CN CN202010863972.9A patent/CN111878323B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8451134B2 (en) * | 2009-07-24 | 2013-05-28 | Honeywell International Inc. | Wind turbine generator fault diagnostic and prognostic device and method |
| CN103321854A (zh) * | 2013-05-29 | 2013-09-25 | 国家电网公司 | 一种风力发电机组塔架振动控制方法 |
| CN110514437A (zh) * | 2019-08-23 | 2019-11-29 | 西安交通大学 | 一种用于故障诊断的行星齿轮箱振动信号分离方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112229634A (zh) * | 2020-11-14 | 2021-01-15 | 罗斯（无锡）设备有限公司 | 一种搅拌设备轴承状态在线监控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111878323B (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582392B (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
| CN105003453A (zh) | 一种矿井风机在线监测与故障诊断系统 | |
| CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
| CN111878322B (zh) | 风力发电机装置 | |
| CN116320832A (zh) | 一种监控设备故障监测方法及装置 | |
| CN113374652A (zh) | 一种风力发电机组寿命评估方法 | |
| CN108520125A (zh) | 一种预测刀具磨损状态的方法及系统 | |
| CN114893360B (zh) | 风电机组塔筒异常振动识别和运行状态监测方法及系统 | |
| CN106656669A (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
| CN111878323B (zh) | 一种基于频谱自相关函数的风力发电机组故障预警方法 | |
| CN116677569A (zh) | 一种风机塔架应力监测与预警方法及其系统 | |
| CN105426665B (zh) | 基于状态监测的动态可靠度确定方法 | |
| Yang et al. | Application research of arima model in wind turbine gearbox fault trend prediction | |
| CN111914490B (zh) | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 | |
| CN113237619A (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
| CN115929569A (zh) | 一种风电机组变桨系统故障诊断方法 | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
| Hu et al. | Anomaly detection and remaining useful lifetime estimation based on degradation state for bearings | |
| CN113187645A (zh) | 一种灯泡贯流式机组水导轴瓦支撑松动故障在线预警方法 | |
| Wang et al. | Wind turbine spindle condition monitoring based on operational data | |
| Zhao et al. | Early fault prediction of wind turbine drive train system | |
| CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
| CN117309396A (zh) | 一种基于自编码器的球磨机轴承故障预测方法和系统 | |
| CN115985072A (zh) | 基于机器学习的风力发电机机舱温度监测预警方法及系统 |
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 |