CN112347634B - 基于scada系统的风力发电机组液压变桨系统故障预测方法 - Google Patents
基于scada系统的风力发电机组液压变桨系统故障预测方法 Download PDFInfo
- Publication number
- CN112347634B CN112347634B CN202011211741.6A CN202011211741A CN112347634B CN 112347634 B CN112347634 B CN 112347634B CN 202011211741 A CN202011211741 A CN 202011211741A CN 112347634 B CN112347634 B CN 112347634B
- Authority
- CN
- China
- Prior art keywords
- hydraulic
- pitch
- fault
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 239000003921 oil Substances 0.000 claims description 76
- 239000010720 hydraulic oil Substances 0.000 claims description 61
- 238000006073 displacement reaction Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 23
- 230000003749 cleanliness Effects 0.000 claims description 11
- 239000007788 liquid Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008439 repair process Effects 0.000 abstract description 4
- 238000001816 cooling Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Wind Motors (AREA)
- Fluid-Pressure Circuits (AREA)
Abstract
基于SCADA系统的风力发电机组液压变桨系统故障预测方法,先通过各类型传感器收集风力发电机组液压变桨系统的流量和压力参数数据,并将流量和压力参数数据发到变桨控制器PLC,再通过风力发电机组SCADA系统储存对应变桨角度和变桨速率下的各液压元件的流量和压力参数数据;同时根据这些SCADA系统收集的大数据建立预测模型,并对液压元件故障进行预测,提前预警进行预先维护。本发明通过收集的大数据对各液压元件使用寿命进行预测,制定预先制定预测性维护计划,确定系统保养和修理的时间、内容、方式,将状态监测、故障诊断、故障预测、维修决策支持和维修活动于一体,实现智能化运维。
Description
技术领域
本发明涉及到一种风力发电机组系统部件的故障预测方法,尤其是指一种基于SCADA系统的风力发电机组液压变桨系统故障预测方法,该种基于SCADA系统的风力发电机组液压变桨系统故障预测方法可以对风力发电机组液压变桨系统故障原因和失效零部件进行预测,并预测零部件寿命;属于风力发电机组部件控制技术领域。
背景技术
风力发电是指把风的动能转为电能。风能是一种清洁无公害的可再生能源能源,因此风力发电作为一种清洁能源发电,目前越来越受到世界各国的高度关注,风力发电行业在近些年以来有着快速的发展。但是另一方面,风力发电机组为复杂的机电一体化设备,为了保证整套系统的正常运转需要实时对整个个系统的各个部件运行状态进行监控;其中,对风力发电机组液压变桨系统状态监测是主要内容之一;由于风力发电机组液压变桨系统故障模式多且发生频率高,而现有风力发电机组液压变桨系统状态监测一般对整个系统的整体功能性的监测,监测系统的压力、液压油温度和油箱定值液位等,控制程序也只进行简单的逻辑判断,无法直接确定导致系统故障发生的原因和故障零部件,缺少对各个系统组成的液压元件状态实时监测,需要维护人员进行维修检查排除,缺少智能检查与自主判断;导致其故障发生的发生原因和具体损坏的零部件难以快速准确的判断,造成变桨故障维护工时较长,操作复杂,对运维人员知识水平和操作技能要求高。同时由于传统的液压系统维护是根据经验按规定的时间间隔进行停机检查和更换零部件,存在维护周期难以把控,零部件更换不合理等问题。
而传统的液压系统预防性维护是根据经验按规定的时间间隔进行周期性定检定维和零部件更换,存在没达到使用寿命之前就进行了更换情况,存在经济上的浪费和维护时间长的矛盾;同时在液压变桨系统系统发生故障后只有维护人员进行现场维修排除后才确定哪些液压元件需要更换,备件到达现场后才能进行维修更换,造成停机维护时间延长等问题,因此很有必要对此加以改进。
通过专利检索没发现有与本发明相同技术的专利文献报道,但有与本发明有一定关系的论文和专利文献报道,主要有以下几个:
1、专利号为CN201310182102.5,名称为“基于模糊Petri网的风电机组液压变桨系统故障诊断方法”,申请人为:华北电力大学的发明专利,该专利公开了一种基于模糊Petri网的风电机组液压变桨系统故障诊断方法,属于风电机组液压变桨系统故障诊断技术领域。确定顶事件,再找出事件发生的直接原因,依此类推,直到找出导致系统故障的最底层原因,建立液压变桨距系统故障Petri网模型;由各库所间关系获得液压变桨系统各故障库所的可达集合等;分析故障库所的立即可达集合等,根据模糊产生式规则、变迁触发规则和模糊推理算法,确定故障产生原因及故障库所可信度,实现风电机组液压变桨距系统的故障诊断。
2、专利号为CN201910865007.2,名称为“一种适用于液压变桨系统的安全保护装置”,申请人为:上海电气风电集团股份有限公司的发明专利,该专利公开了一种风力发电机液压变桨系统的泄漏检测方法及检测系统,控制器实时计算液压变桨系统中液压油缸、液压油箱和蓄能器的总油量,如果液压油缸、液压油箱和蓄能器的总油量减少,则排空蓄能器油液,进一步计算液压油缸和液压油箱的总油量,如果液压油缸和液压油箱的总油量无变化,则判断蓄能器漏气,液压变桨系统无管路泄露,如果液压油缸和液压油箱的总油量减少,则判断液压变桨系统管路泄露。
3、专利号为CN201911278828.2,名称为“一种液压变桨故障快速定位和安全停机方法”,申请人为:北京三力新能科技有限公司的发明专利,该专利公开了一种液压变桨故障快速定位和安全停机方法,包括以下步骤:变量数据采集、故障阀块快速判定和定位以及选择停机方式,变量数据采集为主控PLC通过CANopen通讯连接变桨PLC,变桨PLC连接连接带有反馈信号的电磁换向阀、比例换向阀、压力传感器以及位移传感器,两个带有反馈信号的电磁换向阀和一个三位四通比例换向阀信号通过变桨PLC传输到指控PLC作为控制逻辑判定,位移传感器监测缸体位移值获得实际桨距角。
4、《可再生能源》2017年2月,第35卷,第2期,作者肖成、刘作军、张磊发表了“基于SCADA系统的风电变桨故障预测方法研究”,该论文公开了对未来30min的风电机组变桨故障进行预测,通过分析变桨系统潜在故障,制定维护保养计划;针对兆瓦级风电机组,分析SCADA系统的数据,提取变桨距系统故障特征;从风速、风向、桨距角和电机转速的输入、输出关系出发,应用多元线性回归分析和BP神经网络分别对变桨系统进行模型训练,对比两种算法的预测能力。通过分析故障预测模型性能指标、误差指标和输出数据图形可知,BP神经网络在风电变桨系统中的故障预测效果优于多元线性回归预测。
通过对上述这些专利和论文的仔细分析,这些专利虽然都涉及了对风力发电机组液压变桨系统,也提出了一些对风力发电机组液压变桨系统故障的分析处理方案,但通过仔细分析,该些专利和论文对都风力发电机组液压变桨系统故障的分析处理存在局限性,缺少智能检查与自主判断,尤其是缺乏对风力发电机组液压变桨系统的预测性维护,因此在实际应用过程中仍会出现前面所述的问题,所以仍有待进一步加以研究改进。
发明内容
本发明的目的在于针对现有风力发电机组液压变桨系统故障的分析处理存在局限性,缺少智能检查与自主判断,尤其是缺乏对风力发电机组液压变桨系统的预测性维护的不足,提出一种新的风力发电机组液压变桨系统故障的分析处理方案,该种风力发电机组液压变桨系统故障的分析处理方案能对风力发电机组液压变桨系统的主要系统组成零部件进行连续的状态监测和故障预测,判定系统和各个零部件所处的状态,基于数据分析预测系统状态未来的发展趋势。同时依据系统的状态发展趋势和可能的故障模式,制定预先制定预测性维护计划,确定系统保养和修理的时间、内容、方式,将状态监测、故障诊断、故障预测、维修决策支持和维修活动于一体,实现风力发电机组液压变桨系统故障智能反馈和各个部件寿命预测,降低维护成本及故障率,减少不必要的停机维护时间和经济损失,有效地提高风电机组变桨系统运行的可维护性、稳定性和可靠性。
为了达到这一目的,本发明提供了一种基于SCADA系统的风力发电机组液压变桨系统故障预测方法,采用各类型传感器收集风力发电机组液压变桨系统的流量和压力参数数据,并将流量和压力参数数据发到变桨控制器PLC;由变桨控制器PLC根据设定的流量阈值和压力阈值逻辑判断流量和压力参数数据,诊断系统故障液压元件,最后通过风力发电机组SCADA系统储存对应变桨角度和变桨速率下的各液压元件的流量和压力参数数据;同时根据这些SCADA系统收集的大数据建立预测模型,并对液压元件故障进行预测,提前预警进行预先维护。
进一步地,所述的采用各类型传感器收集风力发电机组液压变桨系统的流量和压力参数数据是利用各类型传感器分别采集风力发电机组液压变桨系统与液压的流量与压力有关的监测数据。
进一步地,所述的各类型传感器包含以下各类型传感器:
位移传感器,设置在风力发电机液压变桨系统的液压油缸内,用来监测液压油缸的活塞杆实时位置;
温度传感器,设置在风力发电机液压变桨系统的液压油箱内,用来监测液压油箱的油液实时温度,从而供控制器计算液压油箱中油液由于受到温度变化而产生的体积变化量;
压力传感器,设置在风力发电机液压变桨系统的主要液压元件上,用来监测液压元件的实时压力;
气体压力传感器,设置在风力发电机液压变桨系统的蓄能器上,用来监测蓄能器的气体实时压力;
流量传感器,设置在风力发电机液压变桨系统的各个液压元件的进出油口管路上,用来监测液压元件流入流出的实时流量;
液压油颗粒度检测仪,设置在风力发电机液压变桨系统的液压油箱上,油液清洁度和磨损度检测,用来监测油液中固体颗粒物等级、油液清洁度;
液位传感器,设置在风力发电机液压变桨系统的液压油箱上,用来监测液压油箱的实时液位值,从而供控制器计算液压油箱中油液的实时体积。
进一步地,各类型传感器数据采集后,各类型传感器自主排除干扰项、干扰因素、干扰的外界工况,自主做相应的屏蔽、处理,然后再把筛选后的数据发到变桨控制器PLC;所述的变桨控制器PLC,用于实现通讯控制和数据的传输,并根据各个传感器的监测数据智能逻辑判断故障液压元件。
进一步地,各类型传感器数据采集后,各类型传感器自主排除干扰项、干扰因素、干扰的外界工况,自主做相应的屏蔽、处理,然后再把筛选后的数据发到变桨控制器PLC;所述的变桨控制器PLC,用于实现通讯控制和数据的传输,并根据各个传感器的监测数据智能逻辑判断故障液压元件。
所述的对液压元件故障进行预测是对风力发电机组液压变桨系统组成液压元件进行故障预测分析;故障预测分析步骤分为数据收集与处理,状态信息特征提取,建模预测分析。
所述的故障预测分析步骤分为:
1)通过对影响系统变桨功能液压元件的压力和流量参数进行特征提取;
2)考虑系统温度t和液压油清洁度参数对液压元件寿命的影响,去除异常数据;
3)采用多元线性回归分析方法对样本数据进行建模预测;
4)通过选取固定时间周期内的参数,建立的预测模型描绘曲线;
5)将预测曲线跟随实际曲线,与设定预警阈值对比,估计出达到预警故障的时间,同时可通过数据不断的修正预测模型和曲线,使预测值误差减少更准确。
所述的步骤3)的建模预测如下:
对于给定的n个变量x1,x2……xn能确定预测模型y,而实际上参数之间存在非线性关系,如公式1所示;
y=a0+a1x1+a2x2+……+anxn+ε (1)
式1中a0,a1,……an为待求未知参数,其中,a0为回归参数,a1,……an为回归系数,x1,x2……xn为特征参数,ε为随机误差;
通过求出为估计值,则预测模型y如式2
通过a0,a1,……an求出为参数估计值,对于给定的特征参数,由预测模型y得到预测结果值/>
选取n组监测数据(x1i,x2i,……xki,yi),i为1,2……n,代入式3
令
则y=XA+ε (5)
令样本值残差为
残差平方和为
通过最小二乘法找到一组参数估计值出使的残差平方和最小,最小二乘的估计参数为
代入式3得:
为预测结果值。。
本发明的优点在于:
(1)减少维护人员故障排查时间,系统直接判断故障元件,降低现场运维人员的工作难度,减少停机维护时间,提高风机液压变桨系统运行可靠性;
(2)通过收集的大数据对各液压元件使用寿命进行预测,制定预先制定预测性维护计划,确定系统保养和修理的时间、内容、方式,将状态监测、故障诊断、故障预测、维修诀策支持和维修活动于一体,实现智能化运维。
附图说明
图1是本发明一个实施例的风力发电机组液压变桨系统的液压简化原理图;
图2是一个实施例的叶片变桨角度示意图。
图中:1-液位传感器;2-流量传感器1;3-冷却器;4-流量传感器2;5-冷却油泵;6-电机1;7-温度传感器;8-流量传感器3;9-主油泵;10-电机2;11-溢流阀;12-液压油颗粒度检测仪;13-压力传感器1;14-流量传感器4;15-旋转接头;16-单向阀;17-压力传感器2;18-蓄能器;19-气体压力传感器;20-流量传感器5;21-电磁阀;22-比例阀;23-压力传感器3;24-流量传感器6;25-液压油缸;26-流量传感器7;27-压力传感器4;28-位移传感器;29-液压油箱。
具体实施方式
下面结合附图和具体实施例来进一步阐述本发明。
实施例一
通过附图1可以看出,本发明涉及一种风力发电机组液压变桨系统故障自主诊断方法,该技术方案实现的具体步骤包含:数据采集、控制器智能逻辑判断、故障液压元件定位和故障预测。具体步骤如下:
1、数据采集
风力发电机组液压变桨故障诊断系统包含以下各类型传感器,考虑到过滤器自身具备报警功能在此诊断系统中不再体现,系统简化后组成原理图如图1所示,该液压系统位单缸液压变桨系统,同样控制检测方法也适用于双缸液压变桨系统。系统中所涉及到的传感器及其安装位置和检测数据包括:
1)位移传感器28;设置在风力发电机液压变桨系统的液压油缸25内,用来监测液压油缸25的活塞杆实时位置;
2)温度传感器7;设置在风力发电机液压变桨系统的液压油箱29内,用来监测液压油箱29的油液实时温度,从而供控制器计算液压油箱29中油液由于受到温度变化而产生的体积变化量;
3)第一第三压力传感器、17、23和27;本系统设置有4个压力传感器,分别为第一压力传感器,第二压力传感器,第三压力传感器和第四压力传感器,分别设置在风力发电机液压变桨系统的主要液压元件上,用来监测液压元件的实时压力;
4)气体第一压力传感器9;设置在风力发电机液压变桨系统的蓄能器18上,用来监测蓄能器的气体实时压力;
5)第二流量传感器、4、8、14、20、24和26;本系统设置有7个流量传感器,分别为第一流量传感器、第二流量传感器、第三流量传感器、第四流量传感器、第五流量传感器、第六流量传感器和第七流量传感器;分别设置在风力发电机液压变桨系统的各个液压元件的进出油口管路上,用来监测液压元件流入流出的实时流量;
6)液压油颗粒度检测仪12;设置在风力发电机液压变桨系统的液压油箱29上,油液清洁度和磨损度检测,用来监测油液中固体颗粒物等级、油液清洁度;
7)液位传感器1;设置在风力发电机液压变桨系统的液压油箱29上,用来监测液压油箱的实时液位值,从而供控制器计算液压油箱29中油液的实时体积;
8)变桨控制器PLC;用于实现通讯控制和数据的传输,并根据各个传感器的监测数据智能逻辑判断故障液压元件。
数据采集后,各类型传感器采用常规的方法自主排除干扰项、干扰因素、干扰的外界工况,自主做相应的屏蔽、处理,然后再把筛选后的数据发到变桨控制器PLC。
2、控制器智能逻辑判断
风电机组所受环境因素干扰较多,而基于数据的故障检测方法易受这些因素的影响造成误报警,并且故障分离较为困难。风力发电机液压变桨系统主要功能是按照设计要求调节叶片变桨角度,其中主要反应为变桨速度,而变桨速度是由液压变桨系统执行机构油缸的动作速度决定,从系统角度而言简化为油缸的流量值。另外能否推动叶片变桨是由液压油缸的力矩决定,从系统角度而言简化为油缸的压力值。当流量和压力两个关键参数不满足系统要求时会发生故障报警或停机。同时也应考虑温度对液压系统的影响,即高温使液压油体积膨胀,粘度降低,液压元件内泄漏量将增多和效率下降,低温环境对液压油体积膨胀,粘度升高,液压元件的动作灵活性和速率下降。考虑液压系统清洁度对系统功能的影响,通过液压油颗粒度检测仪进行监测。故障元件定位时在温度和清洁度两个因数均正常的条件下,根据流量的连续性原理和系统所允许的泄漏误差设定各个流量阈值,根据帕斯卡定律压力处处相等和压力损失误差设定压力阈值,变桨控制器PLC的故障逻辑判断是基于流量阈值和压力阈值进行判定,然后通过风机SCADA系统收集和显示对应变桨角度和变桨速率下的各液压元件的流量和压力数据,包含正常数据和故障数据,并将这些数据上传至云端,用于大数据储存,同时根据这些SCADA系统收集的历史大数据对设定的流量阈值和压力阈值进行修正。
3、故障液压元件定位
a)液压变桨系统冷却功能故障元件判断
当温度传感器7监测到液压油箱29温度达到风力发电机液压变桨系统冷却功能启动的设定值时,冷却油泵5由冷却电机6带动启动,冷却器3通过冷却风扇给液压油冷却降温,第二流量传感器监测到冷却油泵5排出的流量Q2,第二流量传感器监测到冷却器3流出流量Q1。冷却电机6启动,Q2为0时,判定冷却油泵5故障损坏需要更换;Q2低于油泵排出的流量阈值时,判定冷却油泵5存在内部磨损和密封泄漏的情况,需要维修。当Q2为正常阈值时,考虑到系统所允许的误差和内泄情况,Q1为0时,判定冷却器3和管路油液外泄情况;Q1低于Q2并超过设定的理论阈值时,判定冷却器3存在堵塞现象和管路油液外泄;当Q1和Q2均在正常阈值内而监测到在理论时间内液压油箱29温度未能降温,判定冷却风扇故障。
b)液压变桨系统正常变桨功能故障元件判断
风力发电机叶片变桨角度通过三角函数公式1计算可得相对应的油缸动作后总长度L,按照附图2所示,将L减去油缸的安装长度可计算得油缸的理论位移S,油缸的理论位移S乘以活塞的面积A1为风力发电机收桨所需液压油体积V1,V1除以动作时间为油缸所需理论流量。油缸的位移S乘以活塞的面积A1与活塞杆面积A2之差为风力发电机开桨所需液压油体积V2,V2除以动作时间为油缸所需理论流量。而位移传感器监测油缸实时位移数据,变桨角度除以动作时间得到实时变桨速率。
式1中L为液压油缸25动作后总长度,B为油缸缸筒安装中心到变桨轴承中心的距离,R为油缸活塞杆安装中心到变桨轴承中心的距离,α为油缸初始安装角度,β为叶片变桨角度,如图2所示。
风力发电机叶片变桨的主油泵9由主电机10带动;主油泵9为液压油缸25提供液压;风力发电机以需求的变桨速率收桨时,油缸活塞杆按照一定的速度伸出,第六流量传感器24监测到油缸的进口流量Q6,第七流量传感器26监测到油缸的回油流量Q7,第三压力传感器23监测到油缸的进口压力P3,第四压力传感器27监测到油缸的回油压力P4,第五流量传感器20监测到比例阀22的进口流量Q5,第二压力传感器17监测到比例阀22进口压力和蓄能器18的出口压力P2,气体压力传感器19监测到蓄能器18内部气体压力P0,第一压力传感器13监测到主油泵9的出口压力P1,第四流量传感器14监测到主油泵9的出口流量Q4,第三流量传感器8监测到旋转接头15回油流量Q3。在旋转接头15的出口管线上设有单向阀16,防止液压油回流。
当在风机控制系统要求的时间内位移传感器28监测到油缸活塞杆伸出位移S1为0时:Q6、Q7、P3和P4均在设定阈值内时,叶片角度正常,判定位移传感器28故障;Q6和Q7均小于设定阈值,在P3和P4均设定阈值内时,判定液压油缸25卡滞故障;P3和Q6均小于设定阈值,P2、P1、P0和Q5均在设定阈值内时,判定比例阀22故障;P3、P2和P1均小于设定阈值,P0和Q6均在设定阈值内时,判定溢流阀11故障;P3、P2和P1均小于设定阈值,而P0、Q4和Q5均在设定阈值内和Q6小于设定阈值时,判定比例阀22至液压油缸25处管路油液外泄故障,P0、Q4均在设定阈值内和Q6、Q5均小于设定阈值时,判定比例阀22至主油泵9处管路油液外泄故障。当在风机控制系统要求的时间内位移传感器28监测到油缸活塞杆伸出位移S1少于设定的阈值,即变桨速率要求不满足时:Q6、Q7、P3和P4均在设定阈值内时,叶片角度正常,判定位移传感器28故障;Q6在设定阈值内,而Q7超出设定阈值且Q3和Q7相近,判定液压油缸25存在油液内泄漏故障;Q6在设定阈值内,而Q7超出设定阈值,Q3小于设定阈值,判定比例阀22至主油泵9处管路油液外泄故障;Q6小于设定阈值,Q7为0或者小于设定阈值,Q5在设定阈值内,判定比例阀存在卡滞故障;Q6和Q5均小于设定阈值,Q4在设定阈值内,判定旋转接头15及其管路存在油液外泄故障;Q6、Q5和Q4均小于设定阈值,判定主油泵9内泄故障。
风力发电机以需求的变桨速率开桨时,油缸活塞杆按照一定的速度缩回,第七流量传感器26监测到液压油缸25的进口流量Q7,第六流量传感器24监测到液压油缸25的回油流量Q6,第三压力传感器23监测到液压油缸25的出口压力P3,第四压力传感器27监测到液压油缸25的进口压力P4,第五流量传感器20监测到比例阀22的进口流量Q5,第二压力传感器17监测到比例阀22进口压力和蓄能器18的出口压力P2,气体压力传感器19监测到蓄能器18内部气体压力P0,第一压力传感器13监测到主油泵9的出口压力P1,第四流量传感器14监测到主油泵9的出口流量Q4,第三流量传感器8监测到旋转接头15回油流量Q3。当在风机控制系统要求的时间内位移传感器28监测到油缸活塞杆缩回位移S2为0时:Q6、Q7、P3和P4均在设定阈值内时,叶片角度正常,判定位移传感器28故障;Q6和Q7均小于设定阈值,在P3和P4均设定阈值内时,判定液压油缸25卡滞故障;P4和Q7均小于设定阈值,P2、P1、P0和Q5均在设定阈值内时,判定比例阀22故障;P3、P2和P1均小于设定阈值,P0和Q7均在设定阈值内时,判定溢流阀11故障;P3、P2和P1均小于设定阈值,而P0、Q4和Q5均在设定阈值内和Q7小于设定阈值时,判定比例阀22至液压油缸25处管路油液外泄故障,P0、Q4均在设定阈值内和Q7、Q5均小于设定阈值时,判定比例阀22至主油泵9处管路油液外泄故障。
当在风机控制系统要求的时间内位移传感器28监测到油缸活塞杆缩回位移S2少于设定的阈值,即变桨速率要求不满足时:Q6、Q7、P3和P4均在设定阈值内时,叶片角度正常,判定位移传感器28故障;Q7在设定阈值内,而Q6超出设定阈值且Q3和Q6相近,判定液压油缸25存在油液内泄漏故障;Q7在设定阈值内,而Q6超出设定阈值,Q3小于设定阈值,判定比例阀22至主油泵9处管路油液外泄故障;Q7小于设定阈值,Q6为0或者小于设定阈值,Q5在设定阈值内,判定比例阀22存在卡滞故障;Q6和Q5均小于设定阈值,Q4在设定阈值内,判定旋转接头15及其管路存在油液外泄故障;Q7、Q5和Q4均小于设定阈值,判定主油泵9内泄故障。
c)液压变桨系统紧急变桨功能故障元件判断
当风力发电机组需要按照一定的时间要求进行紧急变桨时,油缸活塞杆按照对应的速度伸出,此时比例阀22和主油泵9均不工作,蓄能器18将储存的油液一次性供给油缸完成变桨,电磁阀21失电将蓄能器18和液压油缸25直接连通。位移传感器28监测到油缸活塞杆伸出位移B,第六流量传感器24监测到液压油缸25的进口流量Q6,第七流量传感器26监测到液压油缸25的回油流量Q7,第三流量传感器8监测到旋转接头14回油流量Q3,第二压力传感器4监测到蓄能器18的出口压力P2,第四压力传感器14监测到液压油缸25的回油压力P4,气体压力传感器19监测到蓄能器18内部气体压力P0。当在风机控制系统要求的时间内S3少于设定的阈值,即紧急变桨速度不满足要求时:P0小于设定阈值,判定蓄能器18故障;Q6、Q7、P3、P0和P4均在设定阈值内时,叶片角度正常,判定位移传感器28故障;Q6在设定阈值内,而Q7超出设定阈值且Q3和Q7相近,判定液压油缸25存在油液内泄漏故障;Q6在设定阈值内,而Q7超出设定阈值,Q3小于设定阈值,判定液压油缸25至液压油箱29回油管路油液外泄故障;Q6小于设定阈值,P0和P2在设定阈值内,判定电磁阀21存在卡滞故障;Q6和P2均小于设定阈值,P0和P4在设定阈值内,判定蓄能器18至液压油缸25管路存在油液外泄故障。
4、故障预测
风力发电机组液压变桨系统组成液压元件种类多,且故障原因复杂,下面以主油泵进行故障预测分析为例,其他液压元件分析也适用。故障预测步骤分为数据收集与处理,状态信息特征提取,建模预测分析。本方法通过对影响系统变桨功能液压元件的压力和流量参数进行特征提取,同时考虑系统温度t和液压油清洁度参数对液压元件寿命的影响,去除异常数据。一般而言对于给定的n个变量x1,x2……xn能确定y,而实际上参数之间存在非线性关系,如式1所示,采用多元线性回归分析方法对样本数据进行建模预测。
y=a0+a1x1+a2x2+……+anxn+ε (1)
式2中a0,a1,……an为待求未知参数,a0为回归参数,a1,……an为回归系数,x1,x2……xn为特征参数,ε为随机误差。通过求出为估计值,则预测模型如式2
如能通过a0,a1,……an求出为参数估计值,对于给定的特征参数,由预测模型y得到/>
选取n组监测数据(x1i,x2i,……xki,yi),i为1,2……n,代入式3
令
则y=XA+ε (5)
令样本值残差为
残差平方和为
通过最小二乘法找到一组参数估计值出使的残差平方和最小,最小二乘的估计参数为
代入式3
为预测结果值,通过选取固定时间周期内的参数建立的预测模型描绘曲线,然后将预测曲线跟随实际曲线,与设定预警阈值对比,估计出达到预警故障的时间,同时可通过数据不断的修正预测模型和曲线,使预测值误差减少更准确。
上述所列实施例,只是结合附图对本发明的技术方案进行清楚、完整的描述;显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,而且本说明书中所引用的如“上”、“下”、“前”、“后”、“中间”等用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。同时,说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容所能涵盖的范围内。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它实施例,都属于本发明保护的范围。
本发明的优点在于:
本发明风力发电机组液压变桨系统通过采用各类型传感器收集系统的参数数据,将其发到变桨控制器PLC,然后变桨控制器PLC根据设定的流量阈值和压力阈值逻辑判断系统故障液压元件,最后通过风机SCADA系统储存对应变桨角度和变桨速率下的各液压元件的流量和压力数据,包含正常数据和故障数据,并将这些数据上传至云端,用于大数据储存。同时根据这些SCADA系统收集的大数据建立预测模型,并对液压元件故障预测,提前预警进行预先维护,主要有以下优点:
(1)减少维护人员故障排查时间,系统直接判断故障元件,降低现场运维人员的工作难度,减少停机维护时间,提高风机液压变桨系统运行可靠性;
(2)通过收集的大数据对各液压元件使用寿命进行预测,制定预先制定预测性维护计划,确定系统保养和修理的时间、内容、方式,将状态监测、故障诊断、故障预测、维修决策支持和维修活动于一体,实现智能化运维。
(3)通过采用各类型传感器收集液压变桨系统的各液压元件压力、流量、温度、清洁度参数数据,使得监测的数据更加全面、精确,提高了预判的准确性;
(4)通过变桨控制器PLC通过对风电机组实时监测数据与设定的流量阈值和压力阈值对比,经多元线性回归分析方法逻辑判断出故障液压元件,分析结果准确、可靠;
(5)通过系统收集的数据建立预测模型,预测各液压元件运行趋势,与设定预警阈值对比,估计出达到预警故障的时间,同时可通过数据不断的修正预测模型和曲线,使预测值误差减少更准确。
本文中涉及的术语对应释义如下:
[1]SCADA系统:数据采集与监视控制系统;
[2]阈值:又称临界值,指一个效应所能够产生的最低值或最高值;
[3]控制器PLC:一种具有微处理机的数字电子设备,用于自动化控制的数字逻辑控制器,可将控制指令随时加载内存储存和执行,通过数字式或模拟式的输入输出来控制各种类型的机械设备或生产过程。
Claims (4)
1.基于SCADA系统的风力发电机组液压变桨系统故障预测方法,其特征在于:先通过各类型传感器收集风力发电机组液压变桨系统的流量和压力参数数据,并将流量和压力参数数据发到变桨控制器PLC,再通过风力发电机组SCADA系统储存对应变桨角度和变桨速率下的各液压元件的流量和压力参数数据;同时根据这些SCADA系统收集的大数据建立预测模型,并对液压元件故障进行预测,提前预警进行预先维护;所述的对液压元件故障进行预测是对风力发电机组液压变桨系统组成液压元件进行故障预测分析;故障预测分析步骤分为数据收集与处理,状态信息特征提取,建模预测分析;所述的故障预测分析步骤分为:
1)通过对影响系统变桨功能液压元件的压力和流量参数进行特征提取;
2)考虑系统温度t和液压油清洁度参数对液压元件寿命的影响,去除异常数据;
3)采用多元线性回归分析方法对样本数据进行建模预测;
4)通过选取固定时间周期内的参数,建立的预测模型描绘曲线;
5)将预测曲线跟随实际曲线,与设定预警阈值对比,估计出达到预警故障的时间,同时可通过数据不断的修正预测模型和曲线,使预测值误差减少更准确;
其中,所述的步骤3)的建模预测如下:
对于给定的n个变量x1,x2……xn能确定预测模型y,而实际上参数之间存在非线性关系,如公式1所示;
y=a0+a1x1+a2x2+……+anxn+ε (1)
式1中a0,a1,……an为待求未知参数,其中,a0为回归参数,a1,……an为回归系数,x1,x2……xn为特征参数,ε为随机误差;
通过求出为估计值,则预测模型y如式2
通过a0,a1,……an求出为参数估计值,对于给定的特征参数,由预测模型y得到预测结果值/>
选取n组监测数据(x1i,x2i,……xki,yi),i为1,2……n,代入式3
令
则y=XA+ε (5)
令样本值残差为
Hi=(a0,a1,...an)=yi-XA=yi-a0-a1x1i-akxki (6)
残差平方和为
通过最小二乘法找到一组参数估计值出使的残差平方和最小,最小二乘的估计参数为
代入式3得:
为预测结果值。
2.如权利要求1所述的基于SCADA系统的风力发电机组液压变桨系统故障预测方法,其特征在于:所述的采用各类型传感器收集风力发电机组液压变桨系统的流量和压力参数数据是利用各类型传感器分别采集风力发电机组液压变桨系统与液压的流量与压力有关的监测数据。
3.如权利要求2所述的基于SCADA系统的风力发电机组液压变桨系统故障预测方法,其特征在于:所述的各类型传感器包含以下各类型传感器:
位移传感器,设置在风力发电机液压变桨系统的液压油缸内,用来监测液压油缸的活塞杆实时位置;
温度传感器,设置在风力发电机液压变桨系统的液压油箱内,用来监测液压油箱的油液实时温度,从而供控制器计算液压油箱中油液由于受到温度变化而产生的体积变化量;
压力传感器,设置在风力发电机液压变桨系统的主要液压元件上,用来监测液压元件的实时压力;
气体压力传感器,设置在风力发电机液压变桨系统的蓄能器上,用来监测蓄能器的气体实时压力;
流量传感器,设置在风力发电机液压变桨系统的各个液压元件的进出油口管路上,用来监测液压元件流入流出的实时流量;
液压油颗粒度检测仪,设置在风力发电机液压变桨系统的液压油箱上,油液清洁度和磨损度检测,用来监测油液中固体颗粒物等级、油液清洁度;
液位传感器,设置在风力发电机液压变桨系统的液压油箱上,用来监测液压油箱的实时液位值,从而供控制器计算液压油箱中油液的实时体积。
4.如权利要求3所述的基于SCADA系统的风力发电机组液压变桨系统故障预测方法,其特征在于:各类型传感器数据采集后,各类型传感器自主排除干扰项、干扰因素、干扰的外界工况,自主做相应的屏蔽、处理,然后再把筛选后的数据发到变桨控制器PLC;所述的变桨控制器PLC,用于实现通讯控制和数据的传输,并根据各个传感器的监测数据智能逻辑判断故障液压元件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211741.6A CN112347634B (zh) | 2020-11-03 | 2020-11-03 | 基于scada系统的风力发电机组液压变桨系统故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211741.6A CN112347634B (zh) | 2020-11-03 | 2020-11-03 | 基于scada系统的风力发电机组液压变桨系统故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347634A CN112347634A (zh) | 2021-02-09 |
CN112347634B true CN112347634B (zh) | 2024-05-24 |
Family
ID=74355887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011211741.6A Active CN112347634B (zh) | 2020-11-03 | 2020-11-03 | 基于scada系统的风力发电机组液压变桨系统故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347634B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049281B (zh) * | 2021-03-10 | 2024-07-05 | 北京昊鹏智能技术有限公司 | 故障检测方法和装置 |
CN113468728B (zh) * | 2021-06-11 | 2024-02-02 | 国电南京自动化股份有限公司 | 一种基于神经网络的变桨系统故障预测方法 |
CN113285654B (zh) * | 2021-07-23 | 2021-09-24 | 山东辛丁技术有限公司 | 基于流体压力执行机构中的油田石化伺服马达系统 |
CN114320769A (zh) * | 2021-09-29 | 2022-04-12 | 新疆金风科技股份有限公司 | 风力发电机组的检测方法及风力发电机组 |
CN114088924B (zh) * | 2021-11-16 | 2023-06-02 | 江苏徐工工程机械研究院有限公司 | 工程机械润滑油的监测装置和监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201020263D0 (en) * | 2010-11-30 | 2011-01-12 | Mitsubishi Heavy Ind Ltd | Renewable energy extraction device tolerant of grid failures |
CN207660779U (zh) * | 2017-12-01 | 2018-07-27 | 北京金风科创风电设备有限公司 | 风力发电机组液压变桨系统的加载试验台 |
JP6476250B1 (ja) * | 2017-08-29 | 2019-02-27 | 三菱重工業株式会社 | 風力発電装置の診断方法及び診断システム |
-
2020
- 2020-11-03 CN CN202011211741.6A patent/CN112347634B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201020263D0 (en) * | 2010-11-30 | 2011-01-12 | Mitsubishi Heavy Ind Ltd | Renewable energy extraction device tolerant of grid failures |
JP6476250B1 (ja) * | 2017-08-29 | 2019-02-27 | 三菱重工業株式会社 | 風力発電装置の診断方法及び診断システム |
CN207660779U (zh) * | 2017-12-01 | 2018-07-27 | 北京金风科创风电设备有限公司 | 风力发电机组液压变桨系统的加载试验台 |
Non-Patent Citations (4)
Title |
---|
基于SCADA系统的风电变桨故障预测方法研究;肖成;刘作军;张磊;;可再生能源(02);全文 * |
基于大数据分析的风电机组变桨系统建模及故障预警研究;陈思函;马永光;马良玉;;电力科学与工程(09);全文 * |
基于状态监测的风电机组变桨系统故障诊断;姚万业;李新丽;;可再生能源(03);全文 * |
液压技术在风力发电系统中的应用;刘湘琪, 邱敏秀, 林勇刚;机床与液压(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112347634A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347634B (zh) | 基于scada系统的风力发电机组液压变桨系统故障预测方法 | |
CN112328659B (zh) | 一种风力发电机组液压变桨系统故障诊断方法 | |
CN111043023B (zh) | 一种压裂泵在线监测及故障诊断系统 | |
CN109580216B (zh) | 齿轮箱润滑冷却系统的智能故障预警系统及其方法和机组 | |
CN105952660A (zh) | 一种井下水泵智能控制及节能优化算法 | |
CN110397476B (zh) | 一种核电用汽轮机油品在线监测分析系统与方法 | |
CN112347641A (zh) | 一种基于实时数据的给水泵故障预测与诊断方法和系统 | |
CN107036819A (zh) | 多参数修正的汽轮发电机组远程振动故障诊断方法及系统 | |
US20020052712A1 (en) | Method for the monitoring of a plant | |
CN109214595A (zh) | 基于大数据分析的核电厂主泵三级密封故障预测方法 | |
CN103226651A (zh) | 基于相似度统计的风电机组状态评估预警方法和系统 | |
CN112943911B (zh) | 风电机组齿轮箱润滑油在线监控装置、监控方法及系统 | |
CN114810572B (zh) | 一种液压泵故障诊断方法及装置 | |
US11300106B2 (en) | System and method for utilizing wear debris sensor to reduce damage and extend remaining useful life of gearboxes | |
CN110425154A (zh) | 一种水泵在线能效和状态监测及故障预测的方法及其装置 | |
CN110552832A (zh) | 水轮机组故障诊断及健康状态评估方法 | |
Liniger et al. | Reliable fluid power pitch systems: A review of state of the art for design and reliability evaluation of fluid power systems | |
CN113917909A (zh) | 一种适用于挖掘机的集中润滑系统、控制方法、装置以及存储介质 | |
CN112633614A (zh) | 一种基于特征提取的实时故障程度诊断系统及方法 | |
CN112124229A (zh) | 一种应急抢险泵车远程实时故障诊断方法 | |
CN2716761Y (zh) | 换热机组智能化控制装置 | |
CN116929670A (zh) | 一种基于自更新mset的高压加热器泄漏诊断方法 | |
CN113375952B (zh) | 一种减摇鳍装置故障诊断及健康预报系统 | |
CN114219206A (zh) | 基于灰色层次分析的抽水蓄能机组油系统状态综合评估方法 | |
Ristić et al. | A short overview on Industry 4.0 in maintenance of hydropower plants |
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 |