CN112129669A - 一种自动计算风力发电机组齿轮箱油粘度预警值的方法 - Google Patents
一种自动计算风力发电机组齿轮箱油粘度预警值的方法 Download PDFInfo
- Publication number
- CN112129669A CN112129669A CN201910918101.XA CN201910918101A CN112129669A CN 112129669 A CN112129669 A CN 112129669A CN 201910918101 A CN201910918101 A CN 201910918101A CN 112129669 A CN112129669 A CN 112129669A
- Authority
- CN
- China
- Prior art keywords
- value
- increment
- data
- viscosity
- samples
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种自动计算风力发电机组齿轮箱油粘度预警值的方法，包括以下步骤：步骤一：创建粘度数据样本空间获取；步骤二：数据获取；步骤三：寻找增量的最大值与最小值，而后在增量的最大值与最小值之间设置积累区间；步骤四：查找各个积累区间的样本数量，绘制各个增量积累区间与样本数量的柱状图，同时根据各个积累区间的样本数量绘制样本数量曲线图；步骤五：根据各个积累区间与样本数量的柱状图寻求正态分布的σ作为报警关键值；根据报警关键值计算关键样本数量。
Description
技术领域
本发明涉电机养护领域，尤其是涉及一种自动计算风力发电机组齿轮箱油粘度预警值的方法。
背景技术
2003年以来，我国的风电装机容量得到快速增长，目前已经突破了900万千瓦。在装机容量节节攀升的同时，风电机组的运行维护也开始受到重视。风电业主关心风机的生产率，运维人员关心风电系统的可靠性。资料显示，欧美风电行业20年来总投资的65％～90％都消耗在运行维护上，而非计划停机又占据了其中的75％。国际工程保险协会支付给丹麦风电业的理赔费用中的40％是由于机械故障，主要是齿轮箱与轴承的故障。
由于风力发电机因其设备昂贵，工作环境恶劣、地点偏远，设备的高度较高，维修保养工作十分不便，当发生润滑故障，风电场必需支付设备调配费用、能源生产损失、每千瓦时猛增的费用、更换部件时的延误费用。因此，确保可靠稳定的长周期运转，加强平时主动维护，避免被动维修是最核心的要求。对风电机组的润滑油液状态进行检测，并在此基础上开展视情维护对风电场的长期效益有着非常积极的作用。
风电设备的润滑油污染是设备发生故障及使用寿命降低的主要原因，而润滑油的粘度变化是润滑油劣化最常见的原因之一。不同粘度的润滑油会形成不同厚度的油膜，对机组摩擦副起到保护作用，一旦油膜厚度发生变化就会对机械摩擦副带来损伤。因此，有必要对油液进行不定期的检测，掌握其污染信息，从而预防和减少设备故障停机的时间。传统的油液检测方法是在实验室离线的进行，这种检测方法不仅检测周期长、成本高、程序烦琐、过分依赖人来获得和处理实验数据，不能实时的反映润滑油的污染信息，已经不能满足风电设备的高速运转需求。在线油液监测技术就是通过对设备在用润滑油的的定期跟踪监测，及时了解掌握设备的润滑状态信息，诊断润滑油劣化程度的一门应用技术。油液监测技术能有效指导风电企业进行设备的状态维修和润滑管理，从而预防设备重大事故发生的发生，降低设备维护费用。油液监测是风电企业开展设备润滑管理、设备状态维修的重要基础工作，是提高风电设备可靠性、保证设备安全运行的重要手段。
2003年以来，我国的风电装机容量得到快速增长，目前已经突破了900万千瓦。在装机容量节节攀升的同时，风电机组的运行维护也开始受到重视。风电业主关心风机的生产率，运维人员关心风电系统的可靠性。资料显示，欧美风电行业20年来总投资的65％～90％都消耗在运行维护上，而非计划停机又占据了其中的75％。国际工程保险协会支付给丹麦风电业的理赔费用中的40％是由于机械故障，主要是齿轮箱与轴承的故障。
由于风力发电机因其设备昂贵，工作环境恶劣、地点偏远，设备的高度较高，维修保养工作十分不便，当发生润滑故障，风电场必需支付设备调配费用、能源生产损失、每千瓦时猛增的费用、更换部件时的延误费用。因此，确保可靠稳定的长周期运转，加强平时主动维护，避免被动维修是最核心的要求。对风电机组的润滑油液状态进行检测，并在此基础上开展视情维护对风电场的长期效益有着非常积极的作用。
风电设备的润滑油污染是设备发生故障及使用寿命降低的主要原因，而润滑油的粘度变化是润滑油劣化最常见的原因之一。不同粘度的润滑油会形成不同厚度的油膜，对机组摩擦副起到保护作用，一旦油膜厚度发生变化就会对机械摩擦副带来损伤。因此，有必要对油液进行不定期的检测，掌握其污染信息，从而预防和减少设备故障停机的时间。传统的油液检测方法是在实验室离线的进行，这种检测方法不仅检测周期长、成本高、程序烦琐、过分依赖人来获得和处理实验数据，不能实时的反映润滑油的污染信息，已经不能满足风电设备的高速运转需求。在线油液监测技术就是通过对设备在用润滑油的的定期跟踪监测，及时了解掌握设备的润滑状态信息，诊断润滑油劣化程度的一门应用技术。油液监测技术能有效指导风电企业进行设备的状态维修和润滑管理，从而预防设备重大事故发生的发生，降低设备维护费用。油液监测是风电企业开展设备润滑管理、设备状态维修的重要基础工作，是提高风电设备可靠性、保证设备安全运行的重要手段。
发明内容
本发明为克服上述情况不足，旨在提供一种能解决上述问题的技术方案。
一种自动计算风力发电机组齿轮箱油粘度预警值的方法，包括以下步骤：
步骤一：创建粘度数据样本空间获取；
步骤二：数据获取；
步骤三：寻找增量的最大值与最小值，而后在增量的最大值与最小值之间设置积累区间；
步骤四：查找各个积累区间的样本数量，绘制各个增量积累区间与样本数量的柱状图，同时根据各个积累区间的样本数量绘制样本数量曲线图；
步骤五：根据各个积累区间与样本数量的柱状图寻求正态分布的σ作为报警关键值；根据报警关键值计算关键样本数量；
步骤六：根据关键样本数量查询样本数量曲线图和各个积累区间与样本数量的柱状图，确定关键积累区间；
步骤七：根据关键积累区间自动设定预警限与报警限；
步骤八：根据限值判断下一条数据是否应该做出报警；
步骤九：最新数据不断迭代上述方法，用于判断下一条数据是否报警。
与现有技术相比，本发明的有益效果是：本方法适用于在线监测齿轮箱油粘度指标，该监测指标应呈现“趋势积累”分布，由于齿轮箱油粘度监测属于不断攀升的过程，而数据攀升的速率决定了润滑油性能水平，故本方法采取数据筛选和积累分布技术对粘度的监测情况给出预测模型，用于分析下一次监测的数据是否处于预警或者报警的范围内。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是各个增量积累区间与样本数量的柱状图。
图2是各个积累区间的样本数量的样本数量曲线图。
图3是自动算法模型示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
请参阅图1～3，本发明实施例中，一种自动计算风力发电机组齿轮箱油粘度预警值的方法，包括以下步骤：
步骤一：创建粘度数据样本空间获取；
步骤二：数据获取；
步骤三：寻找增量的最大值与最小值，而后在增量的最大值与最小值之间设置积累区间；
步骤四：查找各个积累区间的样本数量，绘制各个增量积累区间与样本数量的柱状图，同时根据各个积累区间的样本数量绘制样本数量曲线图；
步骤五：根据各个积累区间与样本数量的柱状图寻求正态分布的σ作为报警关键值；根据报警关键值计算关键样本数量；
步骤六：根据关键样本数量查询样本数量曲线图和各个积累区间与样本数量的柱状图，确定关键积累区间；
步骤七：根据关键积累区间自动设定预警限与报警限；
步骤八：根据限值判断下一条数据是否应该做出报警；
步骤九：最新数据不断迭代上述方法，用于判断下一条数据是否报警。
所述步骤一中：
获取的每条数据均要求严格等时间间隔采样；
数据量最大值因为50000条；
数据形式应当为积累趋势型；
根据步骤二中的数据库将需要在数据库导出油液水分含量数据M。
所述步骤三中寻找增量的最大值与最小值的步骤是在步骤二的基础上在集合M中寻找增量的最大值与最小值，记作M min和M max；
而后通过上述的Mmin和Mmax再设定区间相等的n等份，作为n个增量区间。
所述步骤四根据步骤三的出的增量样本空间M中，对应每个增量区间，查找每个增量区间在集合M中样本的数量，分别记作增量积累区间K1,K2......KN,同时K1+K2+...+KN＝M＝N；
而后根据各个增量积累区间的数量K以及n个增量区间，画出增量区间与数量K的对应柱状图，且此时要求n个增量区间应按照大小排列；
同时根据各个积累区间的样本数量K，绘制样本数量曲线，且此时应按照n个增量区间大小进行排列。
步骤五在步骤四的基础上对集合M中的数据进行正态分布分析，获得σ值，并确定+2σ作为粘度数据增量预警值，+3σ作为粘度数据增量报警值，在得到+2σ和+3σ后，使用样本数量N做以下计算：
N1＝+2σ*N；N1即为到达+2σ处的样本数量；
N2＝+3σ*N；N2即为到达+3σ处的样本数量。
从而得到报警关键值。
步骤六在步骤四与步骤五的基础上步骤五得到N1和N2值以后，参照步骤四中的柱状图与数量曲线做出对比图形，确定N1和N2与对应的增量积累区间的值。
步骤七根据步骤六的N1值和N2值，通过N1和N2，找到增量积累区间的值H1和H2，H1和H2即可作为判断下一条粘度数据的预警值与报警值。
步骤八根据步骤七得到的H1值和H2值后，待第N+1条数据更新后，判断第N+1条数据是否要预警或者报警。
步骤九根据步骤八的基材上待第N+1条数据判断完毕后，将数据样本空间扩大至N+1，再次使用上述方法，用于判断第N+2条数据是否预警或者报警。最后，如此往复循环。
实施例：
创建粘度数据样本空间获取，样本空间为20000条，数据形式如下所示：
通过筛选发现，介电常数最小值为260，最大值为385，则将260-385平均分成22个区间，每个区间间隔为5，则可以得到(260-265)、(266-271)、(272-277)、………、(368-373)、(374-379)、(380-385)个相等的区间。
分别根据以上区间，在增量样本区间M中寻找对应的数据条数，并画出柱状图(如图1所示)。
然后根据每个柱状图的数量，绘制增量区间-样本总数曲线(如图2所示)。
然后根据增量样本空间M，求取M的正态分布σ值，在此例子中，经过计算+2σ和+3σ分别为0.9和0.98，由于样本空间数据条数为N＝M，则计算N1＝+2σ*N＝0.9*20000＝18000，N2＝+3σ*N＝0.98*20000＝19600。
此时，在上述柱状图和增量区间---样本总数曲线中，找到18000和19600，并对应增量区间的值，会发现预警值为290、360，报警值为270、380。
根据以上分析，如果在线水分数据发来第20001条数据，如果粘度变化大于270而小于290，或者大于360而小于380那数据处于预警阶段，预示齿轮箱油液开始劣化；而如果粘度落在小于270或者大于380以上，则必须对齿轮箱油液中粘度状态进行报警，应为已经超过预警值，劣化加剧，必须检查。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (10)
1.一种自动计算风力发电机组齿轮箱油粘度预警值的方法，其特征在于，包括以下步骤：
步骤一：创建粘度数据样本空间获取；
步骤二：数据获取；
步骤三：寻找增量的最大值与最小值，而后在增量的最大值与最小值之间设置积累区间；
步骤四：查找各个积累区间的样本数量，绘制各个增量积累区间与样本数量的柱状图，同时根据各个积累区间的样本数量绘制样本数量曲线图；
步骤五：根据各个积累区间与样本数量的柱状图寻求正态分布的σ作为报警关键值；根据报警关键值计算关键样本数量；
步骤六：根据关键样本数量查询样本数量曲线图和各个积累区间与样本数量的柱状图，确定关键积累区间；
步骤七：根据关键积累区间自动设定预警限与报警限；
步骤八：根据限值判断下一条数据是否应该做出报警；
步骤九：最新数据不断迭代上述方法，用于判断下一条数据是否报警。
2.根据权利要求1所述的一种自动计算风力发电机组齿轮箱油粘度预警值的方法，其特征在于，所述步骤一中：
获取的每条数据均要求严格等时间间隔采样；
数据量最大值因为50000条；
数据形式应当为积累趋势型。
3.根据权利要求1所述的一种自动计算风力发电机组齿轮箱油粘度预警值的方法，其特征在于，所述步骤二中：根据步骤一中的数据库将需要在数据库导出油液水分含量数据M。
4.根据权利要求3所述的一种自动计算风力发电机组齿轮箱油粘度预警值的方法，其特征在于，所述步骤三中寻找增量的最大值与最小值的步骤是在步骤二的基础上在集合M中寻找增量的最大值与最小值，记作Mmin和Mmax；
而后通过上述的Mmin和Mmax再设定区间相等的n等份，作为n个增量区间。
5.根据权利要求4所述的一种自动计算风力发电机组齿轮箱油粘度预警值的方法，其特征在于，所述步骤四根据步骤三的出的增量样本空间M中，对应每个增量区间，查找每个增量区间在集合M中样本的数量，分别记作增量积累区间K1,K2......KN,同时K1+K2+...+KN＝M＝N；
而后根据各个增量积累区间的数量K以及n个增量区间，画出增量区间与数量K的对应柱状图，且此时要求n个增量区间应按照大小排列；
同时根据各个积累区间的样本数量K，绘制样本数量曲线，且此时应按照n个增量区间大小进行排列。
6.根据权利要求5所述的一种自动计算风力发电机组齿轮箱油粘度预警值的方法，其特征在于，步骤五在步骤四的基础上对集合M中的数据进行正态分布分析，获得σ值，并确定±2σ作为粘度数据预警值，±3σ作为粘度数据报警值，+3σ作为粘度数据增量报警值，得到±2σ和±3σ后，使用样本数量N做以下计算：
N1＝±2σ*N；N1即为到达±2σ处的样本数量；
N2＝±3σ*N；N2即为到达±3σ处的样本数量。
从而得到报警关键值。
7.根据权利要求6所述的一种自动计算风力发电机组齿轮箱油粘度预警值的方法，其特征在于，步骤六在步骤四与步骤五的基础上步骤五得到N1和N2值以后，参照步骤四中的柱状图与数量曲线做出对比图形，确定N1和N2与对应的增量积累区间的值。
8.根据权利要求7所述的一种自动计算风力发电机组齿轮箱油粘度预警值的方法，其特征在于，步骤七根据步骤六的N1值和N2值，通过N1和N2，找到增量积累区间的值H1和H2，H1和H2即可作为判断下一条粘度数据的预警值与报警值。
9.根据权利要求8所述的一种自动计算风力发电机组齿轮箱油粘度预警值的方法，其特征在于，步骤八根据步骤七得到的H1值和H2值后，待第N+1条数据更新后，判断第N+1条数据是否要预警或者报警。
10.根据权利要求9所述的一种自动计算风力发电机组齿轮箱油粘度预警值的方法，其特征在于，步骤九根据步骤八的基材上待第N+1条数据判断完毕后，将数据样本空间扩大至N+1，再次使用上述方法，用于判断第N+2条数据是否预警或者报警；最后，如此往复循环。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910918101.XA CN112129669A (zh) | 2019-09-26 | 2019-09-26 | 一种自动计算风力发电机组齿轮箱油粘度预警值的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910918101.XA CN112129669A (zh) | 2019-09-26 | 2019-09-26 | 一种自动计算风力发电机组齿轮箱油粘度预警值的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112129669A true CN112129669A (zh) | 2020-12-25 |
Family
ID=73849606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910918101.XA Pending CN112129669A (zh) | 2019-09-26 | 2019-09-26 | 一种自动计算风力发电机组齿轮箱油粘度预警值的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112129669A (zh) |
-
2019
- 2019-09-26 CN CN201910918101.XA patent/CN112129669A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401583A (zh) | 基于预测性维护的自动扶梯全生命周期健康管理系统 | |
| CN101995290A (zh) | 风力发电机振动监测的方法和系统 | |
| Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
| CN103711645A (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
| CN112727702A (zh) | 风电机组健康管理及故障预警方法 | |
| Peng et al. | Wind turbine failure prediction and health assessment based on adaptive maximum mean discrepancy | |
| Helsen et al. | Long-term monitoring of wind farms using big data approach | |
| US11761859B2 (en) | Method for self-adaption faster-than-real-time working condition start-up state prediction and estimation of unit | |
| CN111596643A (zh) | 一种基于大数据的可视化动态能耗诊断、分析和预控系统 | |
| CN115407712A (zh) | 一种钢厂液压站智慧维修保养系统及工作流程 | |
| CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
| CN115018178A (zh) | 一种基于深度学习的电站风机故障预警方法 | |
| CN113007040B (zh) | 风电机组主轴总成窜动在线监测与故障预警系统及方法 | |
| CN117391675B (zh) | 一种数据中心基础设施运维管理方法 | |
| CN103675357A (zh) | 风速仪故障预警的方法和系统 | |
| CN112129669A (zh) | 一种自动计算风力发电机组齿轮箱油粘度预警值的方法 | |
| CN111192163A (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 | |
| CN112149942A (zh) | 一种自动计算风力发电机组齿轮箱油水活性预警值的方法 | |
| CN113705076B (zh) | 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置 | |
| CN115454032A (zh) | 一种基于大坝安全评价策略库的诊断系统 | |
| CN113947223A (zh) | 一种智能化设备健康管理系统及方法 | |
| Peter et al. | Wind turbine generator prognostics using field SCADA data | |
| CN112149840A (zh) | 一种自动计算风力发电机组齿轮箱磨损量预警值的方法 | |
| Fan et al. | An intelligent condition-based monitoring and maintenance system for wind turbine | |
| Yang et al. | Intelligent fan system based on big data and artificial intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201225 |
|
| WD01 | Invention patent application deemed withdrawn after publication |