CN112727702A - 风电机组健康管理及故障预警方法 - Google Patents

Abstract

本发明涉及一种风电机组健康管理及故障预警方法，包括：风机整机的健康特征提取；风机特定故障的特征提取；风机整体健康状态监测；故障模式诊断；风机故障趋势预测：针对不同故障类型，采用贝叶斯网络、多元回归分析法或神经网络，对风机的故障发展趋势进行预测，在故障早期及时安排维修，以避免故障严重导致停机。本发明基于数据挖掘、机器学习等手段，自动识别风机的运行模式，实时诊断其健康状况和工作性能。同时，从历史数据中确定风机故障模式，及时发现和识别关键部件的缺陷和隐患，为风场高效地安排维修资源提供依据，进而实现风电设备健康管理与可靠性维护，延长部件的使用寿命。

Description

风电机组健康管理及故障预警方法

技术领域

本发明属于风力发电技术领域，尤其涉及一种风电机组健康管理及故障预警方法。

背景技术

近年，风电行业发展速度明显放缓，且面临“风火同价”的现状，如何提高风电运营水平，如何降低运营维护成本成为整个行业面临的首要问题。风机大部件的可靠性对于机组性能和安全具有重大影响，特别是叶片、主轴、发电机、齿轮箱、变频器等，其故障率较高，停机时间长，故障恢复成本也相对高昂，给风场造成较大经济损失。如齿轮箱故障的维修费用接近100万元，超过风机年发电收益的60％以上。严重影响风机的发电效率和整个风电场的盈利能力。因此，亟需一种风电机组健康管理及故障预警方案。

发明内容

本发明的目的是提供一种风电机组健康管理及故障预警方法，以解决上述技术问题。

本发明提供了一种风电机组健康管理及故障预警方法，包括：

风机整机的健康特征提取：

基于SCADA运行参数中的功率、风速、主轴转速及变桨角度参数提取风机整机的健康特征，用于表征风机的健康状态；

风机特定故障的特征提取：

基于SCADA运行参数中的发电机轴承温度、转矩转速、液压油温、偏航位置等参数及CMS传感器信号中的振动、转速、声发射信号提取风机特定故障的特征，用于故障诊断；

风机整体健康状态监测：

采用粒子群优化算法对与风机整体健康状态相对应的功率、风速、主轴转速和变桨角度参数的状态值进行数据融合，找到最优的融合策略，最终融合为用于描述风机每天的健康状态的健康值，包括正常运行、由于早期故障低效运行和由于故障停机；

故障模式诊断：

判断与风机重要部件的潜在故障相关的SCADA参数是否相对正常运行时发生偏移，通过发生的偏移量判断风机重要部件的健康状态，从而进行特定故障的预警和诊断；

风机故障趋势预测：

针对不同故障类型，采用贝叶斯网络、多元回归分析法或神经网络，对风机的故障发展趋势进行预测，在故障早期及时安排维修，以避免故障严重导致停机。

进一步地，所述风机整机的健康特征提取包括提取功率-风速分布特征，提取主轴转速-风速分布特征，以及提取变桨角度-风速分布特征。

进一步地，所述风机特定故障的特征提取包括从传感器信号中提取时域、频域、时频域特征，所述时频域特征提取采用短时傅立叶分析及Wigner-Ville谱分析方法。

进一步地，所述故障模式诊断包括：

采用皮尔逊相关系数测量特征之间的相似度，然后使用聚类分析方法找到与故障对应的特征向量，再使用多元回归分析法、神经网络或贝叶斯网络将机组正常运行下的特征向量拟合为健康值；

将实时得到的拟合值与健康值进行比较，当实时得到的拟合值与健康值的差值大于阈值，判断该部件存在潜在的故障风险，并发出预警。

借由上述方案，通过风电机组健康管理及故障预警方法，基于数据挖掘、机器学习等手段，自动识别风机的运行模式，实时诊断其健康状况和工作性能。同时，从历史数据中确定风机故障模式，及时发现和识别关键部件的缺陷和隐患，为风场高效地安排维修资源提供依据，进而实现风电设备健康管理与可靠性维护，延长部件的使用寿命。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例详细说明如后。

附图说明

图1是本发明一实施例中使用高斯CDF拟合后的风机参考功率与实际风速分布图；

图2是本发明一实施例中风机功率-风速分区示意图；

图3是本发明一实施例中风机主轴转速-风速分区示意图；

图4是本发明一实施例中风机变桨角度-风速分区示意图；图5是本发明一实施例中早期超温异常和后期超温故障的回归曲线与健康参考曲线的对比图；

图6是本发明一实施例中轴承健康状态随时间的变化趋势图；图7是本发明一实施例中轴承温度偏离正常值的健康指标随时间的变化曲线。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例提供了一种风电机组健康管理及故障预警方法，包括：

风机整机的健康特征提取：

基于SCADA运行参数中的功率、风速、主轴转速及变桨角度参数提取风机整机的健康特征，用于表征风机的健康状态；

风机特定故障的特征提取：

基于SCADA运行参数中的发电机轴承温度、转矩转速、液压油温、偏航位置等参数及CMS传感器信号中的振动、转速、声发射信号提取风机特定故障的特征，用于故障诊断；

风机整体健康状态监测：

采用粒子群优化算法对与风机整体健康状态相对应的功率、风速、主轴转速和变桨角度参数的状态值进行数据融合，找到最优的融合策略，最终融合为用于描述风机每天的健康状态的健康值，包括正常运行、由于早期故障低效运行和由于故障停机；

故障模式诊断：

判断与风机重要部件的潜在故障相关的SCADA参数是否相对正常运行时发生偏移，通过发生的偏移量判断风机重要部件的健康状态，从而进行特定故障的预警和诊断；

风机故障趋势预测：

针对不同故障类型，采用贝叶斯网络、多元回归分析法或神经网络，对风机的故障发展趋势进行预测，在故障早期及时安排维修，以避免故障严重导致停机。

该风电机组健康管理及故障预警方法，基于数据挖掘、机器学习等手段，自动识别风机的运行模式，实时诊断其健康状况和工作性能。同时，从历史数据中确定风机故障模式，及时发现和识别关键部件的缺陷和隐患，为风场高效地安排维修资源提供依据，进而实现风电设备健康管理与可靠性维护，延长部件的使用寿命。

下面对本发明作进一步详细说明。

本发明基于SCADA等数据对风电机组进行实时状态监测，能够获知机组整体和主要部件的健康状况，例如齿轮箱、发电机、轴承系统等，对可能发生的故障及时预警，并为机组检修计划安排提供量化的决策支持信息。主要内容包括：

异常检测(Failure Detection)：检测风机或是风机重要部件(例如齿轮箱，发电机，轴承系统等)是否有异常情况。

故障诊断(Diagnostics)：确定风机故障模式，分析其发展变化趋势。

寿命预测(Prognostics)：评估风机重要部件的有效剩余寿命。

检修计划(Maintenance Scheduling)：优化、高效地安排维修资源。

1、风机健康特征提取

(1)风机整机的健康特征提取

针对风机整机健康状态进行模式识别，主要基于SCADA中的重要参数进行特征提取，如功率、风速、主轴转速和变桨角度等，这些运行参数是衡量风机性能健康的重要特征，可以有效地表征风机是否正常工作。本实施例从这些变量与风速的分布中提取风机的健康特征，共同表征风机的健康状态。

例如，提取功率-风速分布特征，使用高斯累积分布函数(Gaussian cumulativedistribution function，CDF)进行残差最优拟合得到参考功率曲线，高斯CDF拟合函数如式(1)所示，

所得结果如图1所示，将实际功率曲线进行拉直，横坐标为实际风速，纵坐标为实际功率在参考功率曲线中对应的参考风速与实际风速的差值，实际功率越接近参考功率曲线则这个差值越小。

根据风机运行数据统计差值分布的标准差为0.47，以3σ区间取(-1.41,1.41)区间为风机正常运行状态，其中(-0.41,0.41)区间为风机标准运行状态，(0.41,1.41)区间和(-1.41,-0.41)区间为亚健康运行状态，仅仅有一定程度的偏离风机正常运行情况，但仍未触发故障，而(-∞,-1.41)区间和(1.41,+∞)区间为故障状态。

根据此分区规则将数据进行反计算，将功率(纵坐标)-风速(横坐标)分布进行状态分区，得到的分区情况如图2。其中，2-1区域为风机标准运行状态，2-2和2-3区域为亚健康运行状态，2-4和2-5区域为故障运行状态，2-6区域为停机状态。

其次，提取主轴转速和变桨角度与风速分布的特征，主要通过风机的运行工况进行划分。如图3所示，主轴转速(纵坐标)-风速(横坐标)分布的3-1区域为风速在0m/s到3m/s之间主轴转速线性增加，3-2区域为风速从3m/s到6m/s主轴转速达到额定转速20转/s，3-3区域为主轴转速保持为20转/s，3-4区域为停机状态，3-5和3-6区域为故障引起的亚健康运行状态，例如风速仪故障和叶片粗糙等。如图4所示，变桨角度-风速分布的4-1区域为风机保持额定工作状态，右上4-2区域为风机在高风速工况下通过变桨避开来风风向以防止超速，4-3区域为风机停机前的预防状态，这种状态常用来预测风机故障，左下4-4区域则表征风机雷击故障的重要特征。

(2)风机特定故障的特征提取

针对风机重要部件的特定故障模式，除了基于SCADA运行参数，如发电机轴承温度、转矩转速、液压油温、偏航位置等，还应从特有传感器(如CMS系统)信号，如振动、转速、声发射等中提取与故障对应的最优特征向量，进行有效的故障诊断。从传感器信号中可提取时域、频域、时频域特征。

时域特征：信号幅值的均方根值、信号幅值的峭度、信号幅值的偏斜度、连续峰值之间的平均时间间隔、信号幅值的标准偏差、振幅因数(振幅与有效值之比)、信号幅值的平均值、单位时间内的峰数、峰值的二阶时间矩、峰值的三阶时间矩、峰值的四阶时间矩、连续峰值之间的最大时间间隔、峰值的平均值、峰值的标准偏差、峰值的峭度、峰值的偏斜度。

频域特征：功率谱的均方根值、功率谱的二阶矩、功率谱的三阶矩、功率谱的四阶矩。

联合时频域特征：时频域分析采用短时傅立叶分析(Short-time FourierTransform)、Wigner-Ville谱分析(Wigner-Ville Distribution)，这两种分析方法的相关性很小，因此共同使用可有效地代表传感器信号的更多信息。

2、健康状态模式识别

确定与故障对应的最优特征集合，检测风机或是风机重要部件，例如齿轮箱、发电机、轴承系统等，是否有异常情况，并确定其故障的变化模式。

(1)风机整体健康状态监测

与风机整体健康状态相对应的最优特征包括功率、风速、主轴转速和变桨角度等SCADA运行参数，这些特征变量在任一时间点都有特定的状态值(从各变量与风速的分布中提取)，本实施例使用粒子群优化算法(Particle Swarm Optimization,PSO)对特征状态值进行数据融合，找到最优的融合策略，最终融合为一个健康值来描述风机每天的健康状态，包括正常运行、由于早期故障低效运行和由于故障停机等。某风机从2018年7月底水冷系统出现故障，导致风机低效运行，并且于2018年9月初频繁出现主轴超温故障而导致停机。通过对风机整体健康状态进行实时监测，可以及早地发现潜在故障，实现预防性维护。

(2)故障模式诊断(确定与故障对应的特征向量)

当重要部件的潜在故障导致风机偏离正常运行时，某些SCADA参数也将相对正常运行时发生偏移，通过这些偏移量可表征风机重要部件的健康状态，从而进行特定故障的预警和诊断。

本实施例使用皮尔逊相关系数(Pearson’s Correlation)等非线性相关技术测量特征之间的相似度，然后使用聚类分析(Clustering Techniques)方法找到与故障对应的特征向量再使用多元回归分析法(Multivariable Regression Analysis)、神经网络(Neural Networks)或贝叶斯网络将机组正常运行下的特征向量拟合为健康值。当机组偏离正常运行而进入异常状态时，则实时得到的拟合值与健康值的差别大于阈值，即可判断该部件存在潜在的故障风险而发出预警，还可结合历史故障数据，分析故障模式的发展变化趋势。

以发动机驱动端轴承超温这一故障模式为例。本实施例使用多元回归分析法建立轴承温度与轴承转速、转矩、振动、功率等变量间的相关关系，对轴承超温故障进行监测和预警。如图5所示，横坐标为功率，纵坐标为温度，5-1曲线为由训练样本拟合得到的风机健康状态下发动机驱动端轴承温度的参考曲线，5-2曲线为早期超温异常的回归曲线，5-3曲线为超温故障发展后期的回归曲线，由此可见，5-3曲线与参考曲线的偏差较大(中高功率段上的轴承温度较高)，体现了超温异常由早期偏离发展至故障停机的过程。

3、风机故障趋势预测

本实施例针对不同故障类型，选择使用贝叶斯网络、多元回归分析法或神经网络，对风机的故障发展趋势进行预测，在故障早期及时安排维修，有效地避免故障严重导致停机。

以轴承故障为例，使用贝叶斯网络融合其特征向量，得到轴承健康状态随时间的变化趋势，如图6所示，横坐标为时间，纵坐标为各个健康状态的联合概率值。选取轴承故障发生前25天的数据进行分析，6-1曲线代表正常工作状态的拟合概率曲线，6-1曲线周边点表示不同时间点的正常工作状态的联合概率值，6-2曲线代表故障状态的拟合概率曲线，6-2曲线周边点代表不同时间点的故障状态的联合概率值，如图所示，故障发生前，6-1曲线代表的正常工作状态出现下降趋势，6-2曲线代表的故障状态出现上升趋势。因此，可以提前10天预测风机轴承故障的发生。

以发动机驱动端轴承超温故障为例，对轴承温度的回归曲线相对参考曲线的偏离程度进行量化，即得到反映轴承潜在超温故障的健康指标。图7为超温健康指标随时间的变化曲线，横坐标为时间，纵坐标为偏离正常值，选取超温故障发生前30天的数据进行分析，如图所示在故障发生前4天轴承温度急剧偏离正常值，因此可通过设置阈值的方式实现轴承超温故障的预警。

通过该风电机组健康管理及故障预警方法能够有效地保证风电机组的可靠高效运行，及时维护低效风机，提高了风场发电量，具有良好的环保和经济效益。

某风电场共有四期120台风机，总装机容量198MW。在投运风电机组健康管理和故障预警系统之前，该风电场的风机可利用率和年利用小时数偏低，运维费用偏高，盈利水平较低。经对风机设备故障情况进行统计分析，齿轮箱、变流器、变桨系统等大部件故障率相对较高，停机时间长，给风电公司造成较大经济损失。

风电场自开始投运风电机组健康管理和故障预警系统后，陆续监测到多台风机功率曲线异常和主轴超温等早期故障，尤其是发现了117号风机存在长期运行振动超标，系统诊断为9m/s至10m/s风速区间发生了共振现象，并及时做出预警，避免了发生严重设备故障。该系统有效的指导了风机的日常运维工作，提高了运行维护的精准性和时效性，提升了发电量：据统计，风场每月平均提高约1％的发电量，可增加发电量400万千瓦时/年，提高发电收益200万元/年。

基于大数据的风电机组健康管理和故障预警技术可以大幅降低现场故障率，优化风电机组运行和维修资源分配，真正实现“预防性维护”，有效提高风电场的运营管理效率及发电量。系统实施后至少可为风电场提高约1％的发电量。以一个50MW风电场为例，每年约可增加发电量100万千瓦时，相当于每个风场提高50万元的收益。

该风电机组健康管理及柱状预警方法，利用大数据平台整合风场的运行数据，通过人工智能、数据挖掘、机器学习等先进计算机技术，自动识别风机的运行模式，实时诊断其健康状况和工作性能。同时，从历史数据中确定风机故障模式，及时发现和识别关键部件的缺陷和隐患，为设备的合理维护和检修计划制定提供依据，能够从根本解决问题，实现风电机组健康管理与可靠性维护，延长设备的使用寿命，有效提高风电场的运营管理效率及发电量，具体包括如下技术效果：

1)提出了智能化风电机组健康管理与故障预警技术的整体解决方案，包括异常检测、故障诊断、趋势预警和维护优化等。

2)针对机组整体和重要部件(如齿轮箱、发电机、轴承系统等)的健康特性和故障模式，提取时域、频域、时频域特征，并使用相关性分析和聚类算法等找到与故障对应的最优特征向量。

3)使用粒子群优化算法、多元回归分析法或人工神经网络等人工智能技术，自动识别风机及重要部件的健康模式，判断该部件存在潜在的故障风险而发出预警，还可结合历史故障数据，分析故障模式的发展变化趋势。

4)针对不同故障类型，选择使用贝叶斯网络、多元回归分析或人工神经网络等机器学习算法，对风机的故障发展趋势进行预测，在故障早期及时安排维修，有效地避免故障严重导致停机，并根据故障的严重程度优化分配维修人员和设备。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (4)

1.一种风电机组健康管理及故障预警方法，其特征在于，包括：

风机整机的健康特征提取：

基于SCADA运行参数中的功率、风速、主轴转速及变桨角度参数提取风机整机的健康特征，用于表征风机的健康状态；

风机特定故障的特征提取：

基于SCADA运行参数中的发电机轴承温度、转矩转速、液压油温、偏航位置参数及CMS传感器信号中的振动、转速、声发射信号提取风机特定故障的特征，用于故障诊断；

风机整体健康状态监测：

采用粒子群优化算法对与风机整体健康状态相对应的功率、风速、主轴转速和变桨角度参数的状态值进行数据融合，找到最优的融合策略，最终融合为用于描述风机每天的健康状态的健康值，包括正常运行、由于早期故障低效运行和由于故障停机；

故障模式诊断：

判断与风机重要部件的潜在故障相关的SCADA参数是否相对正常运行时发生偏移，通过发生的偏移量判断风机重要部件的健康状态，从而进行特定故障的预警和诊断；

风机故障趋势预测：

针对不同故障类型，采用贝叶斯网络、多元回归分析法或神经网络，对风机的故障发展趋势进行预测，在故障早期及时安排维修，以避免故障严重导致停机。

2.根据权利要求1所述的风电机组健康管理及故障预警方法，其特征在于，所述风机整机的健康特征提取包括提取功率-风速分布特征，提取主轴转速-风速分布特征，以及提取变桨角度-风速分布特征。

3.根据权利要求1所述的风电机组健康管理及故障预警方法，其特征在于，所述风机特定故障的特征提取包括从传感器信号中提取时域、频域、时频域特征，所述时频域特征提取采用短时傅立叶分析及Wigner-Ville谱分析方法。

4.根据权利要求1所述的风电机组健康管理及故障预警方法，其特征在于，所述故障模式诊断包括：

采用皮尔逊相关系数测量特征之间的相似度，然后使用聚类分析方法找到与故障对应的特征向量，再使用多元回归分析法、神经网络或贝叶斯网络将机组正常运行下的特征向量拟合为健康值；

将实时得到的拟合值与健康值进行比较，当实时得到的拟合值与健康值的差值大于阈值，判断该部件存在潜在的故障风险，并发出预警。

Images