CN113052716A - 风力发电机组主轴承的异常预警方法及装置 - Google Patents
风力发电机组主轴承的异常预警方法及装置 Download PDFInfo
- Publication number
- CN113052716A CN113052716A CN201911377227.7A CN201911377227A CN113052716A CN 113052716 A CN113052716 A CN 113052716A CN 201911377227 A CN201911377227 A CN 201911377227A CN 113052716 A CN113052716 A CN 113052716A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- wind generating
- early warning
- main bearing
- 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
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
提供一种风力发电机组主轴承的异常预警方法及装置。该风力发电机组主轴承的异常预警方法包括:获取第一预设时间段内的风电场中的各个风力发电机组的历史运行数据;根据历史运行数据计算各个风力发电机组主轴承的异常特征参数;基于异常特征参数确定各个风力发电机组主轴承的第一异常预警结果;基于异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别,根据所述至少一个类别确定各个风力发电机组主轴承的第二异常预警结果;根据第一异常预警结果和第二异常预警结果,确定各个风力发电机组主轴承是否异常,从而及时准确地对风力发电机组主轴承的异常进行预警。
Description
技术领域
本公开涉及风力发电技术领域。更具体地,本公开涉及一种风力发电机组主轴承的异常预警方法及装置。
背景技术
发电机主轴承作为机组的一个重要部件,一旦出现故障后果比较严重,轴承承载了叶片、轮毂和发电机的整体重量,长期承受交变载荷和重载荷,负载压力大,运行工况复杂;轴承填充的油脂多少对轴承散热和润滑至关重要,当油脂中掺杂杂质或轴承出现腐蚀点,就会刺穿油膜,再加上轴承的大交变载荷,导致轴承出现磨损或磨损加重异常。
一般情况下主轴承异常是存在一定时期的演化过程,在出现磨损或异常初期,会在特定的维度和工况下存在一定的异常特征,这类特征和机组正常运行时的状态会有明显差别,需要去识别和提取出来,进而采取相应措施进行处理,延长轴承使用寿命或提前进行更换部署,减少停机时间。
现有技术主要通过数据采集,相关参数的获取;风机主轴承正常温度模型的建立,风电机组主轴承实时的正常温度理论值的计算,采用神经网络算法预测轴承温度相关参数的实时数值进行理论值,通过理论预测值和实际值的偏差,进而判断轴承是否异常。由于神经网络算法中的神经网络模型不能确保足够准确和透明,导致神经网络模型的迭代优化会存在很大的障碍,同时将导致一定程度上的人力、物力等资源的浪费。
发明内容
本公开的示例性实施例在于提供一种风力发电机组主轴承的异常预警方法及装置,以解决现有异常预警方法存在的问题,从而及时准确地对风力发电机组主轴承的异常进行预警。
根据本公开的示例性实施例,提供一种风力发电机组主轴承的异常预警方法,包括:获取第一预设时间段内的风电场中的各个风力发电机组的历史运行数据;根据所述历史运行数据计算所述各个风力发电机组主轴承的异常特征参数;基于所述异常特征参数确定所述各个风力发电机组主轴承的第一异常预警结果;基于所述异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别,根据所述至少一个类别确定所述各个风力发电机组主轴承的第二异常预警结果;根据所述第一异常预警结果和所述第二异常预警结果,确定所述各个风力发电机组主轴承是否异常。
可选地,所述方法还可包括:基于所述异常特征参数预测所述各个风力发电机组主轴承是否温度异常,得到第三异常预警结果。
可选地,确定所述各个风力发电机组主轴承是否异常的步骤可包括:根据所述第一异常预警结果和所述第二异常预警结果并且结合所述第三异常预警结果确定所述各个风力发电机组主轴承是否异常。
可选地,基于所述异常特征参数确定所述各个风力发电机组主轴承的第一异常预警结果的步骤可包括:基于所述异常特征参数通过阈值比较算法确定每个风力发电机组的主轴承是否存在异常,得到所述第一异常预警结果。
可选地,基于所述异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别的步骤可包括:基于所述异常特征参数通过聚类模型将各个风力发电机组分类为异常程度不同的至少一个类别,以根据所述至少一个类别确定各个风力发电机组的主轴承是否存在异常。
可选地,基于所述异常特征参数预测所述各个风力发电机组主轴承是否温度异常的步骤可包括:基于所述异常特征参数通过决策树模型对各个风力发电机组进行二分类;根据各个风力发电机组的二分类结果预测所述各个风力发电机组主轴承是否温度异常。
可选地,根据所述历史运行数据计算所述各个风力发电机组主轴承的异常特征参数的步骤可包括:从所述历史运行数据选择预定工况下与风力发电机组主轴承相关的所有参数;基于选择的所有参数,确定风力发电机组主轴承在所述预定工况下的异常特征参数。
可选地,在确定风力发电机组主轴承在所述预定工况下的异常特征参数之前,所述选择的所有参数可经过预处理,其中,预处理的步骤可包括:对所述选择的所有参数进行以下中的至少一项处理:数据去噪、数据集成、数据变换及规约、格式统一、数据转换及压缩、空缺值处理。
可选地,确定风力发电机组主轴承在所述预定工况下的异常特征参数的步骤可包括:从选择的所有参数中获取与风力发电机组主轴承的异常特征变量有关的参数;基于与风力发电机组主轴承的异常特征变量有关的参数,计算与风力发电机组主轴承的异常特征变量有关的重构参数;将与风力发电机组主轴承异常特征变量有关的参数和与风力发电机组主轴承异常特征变量有关的重构参数作为风力发电机组主轴承的异常特征参数。
可选地,根据所述历史运行数据计算所述各个风力发电机组主轴承的异常特征参数之后,所述方法还可包括:基于确定的风力发电机组主轴承的异常特征参数,计算所述预定工况下的预警特征参数,以使用预警特征参数来判断风力发电机组是否存在异常。
可选地,基于所述异常特征参数通过阈值比较算法确定每个风力发电机组的主轴承是否存在异常的步骤可包括:通过阈值比较算法将各个风力发电机组的预警特征参数与预警特征阈值进行比较;根据比较结果确定每个风力发电机组的主轴承是否存在异常。
可选地,基于所述异常特征参数通过聚类模型将各个风力发电机组分类为异常程度不同的至少一个类别的步骤可包括:通过聚类模型对各个风力发电机组的预警特征参数进行聚类;根据聚类结果将各个风力发电机组分类为异常程度不同的至少一个类别,以将各个风力发电机组所属类别的异常程度确定为各个风力发电机组的异常程度。
可选地,基于所述异常特征参数通过决策树模型对各个风力发电机组进行二分类的步骤可包括:通过决策树模型对各个风力发电机组的预警特征参数进行二分类,以将主轴承温度异常的风力发电机组分为一类,并且将主轴承温度无异常的风力发电机组分为另一类。
可选地,预定工况可以为以下工况中的一种:停机、待机、启动、并网、频繁变桨、偏航和覆冰。
可选地,所述第一预设时间段内包括多个第二预设时间段,所述方法还可包括:计算在每个第二预设时间段内的预警特征参数的平均值,以将平均值作为在每个第二预设时间段内的预警特征参数。
可选地,根据所述第一异常预警结果和所述第二异常预警结果并且结合所述第三异常预警结果确定所述各个风力发电机组主轴承是否异常的步骤可包括:根据所述第二异常预警结果判断所述各个风力发电机组主轴承是否异常;当风力发电机组处于所述第二异常预警结果中的异常类别时,确定风力发电机组主轴承异常;
当风力发电机组不处于所述第二异常预警结果中的异常类别时,根据所述第一异常预警结果和所述第三异常预警结果判断所述第二异常预警结果中不处于异常类别的风力发电机组主轴承是否异常。
可选地,根据所述第一异常预警结果和所述第三异常预警结果判断所述第二异常预警结果中不处于异常类别的风力发电机组的主轴承是否异常的步骤可包括:分别确定所述第二异常预警结果中不处于异常类别的风力发电机组在所述第一异常预警结果和所述第三异常预警结果中是否被判断为主轴承异常;当所述第二异常预警结果中不处于异常类别的风力发电机组在所述第一异常预警结果和所述第三异常预警结果中的至少一个中被判断为主轴承异常时,确定所述第二异常预警结果中不处于异常类别的风力发电机组主轴承异常。
可选地,预警特征参数是与风力发电机组主轴承的异常状态的相关性超过相关性阈值的参数。
根据本公开的示例性实施例,提供一种风力发电机组主轴承的异常预警装置,包括:数据获取单元,被配置为获取第一预设时间段内的风电场中的各个风力发电机组的历史运行数据;参数计算单元,被配置为根据所述历史运行数据计算所述各个风力发电机组主轴承的异常特征参数;第一确定单元,被配置为基于所述异常特征参数确定所述各个风力发电机组主轴承的第一异常预警结果;第二确定单元,被配置为基于所述异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别,根据所述至少一个类别确定所述各个风力发电机组主轴承的第二异常预警结果;和异常确定单元,被配置为根据所述第一异常预警结果和所述第二异常预警结果,确定所述各个风力发电机组主轴承是否异常。
可选地,所述装置还可包括:第三确定单元,被配置为基于所述异常特征参数预测所述各个风力发电机组主轴承是否温度异常,得到第三异常预警结果。
可选地,异常确定单元可被配置为:根据所述第一异常预警结果和所述第二异常预警结果并且结合所述第三异常预警结果确定所述各个风力发电机组主轴承是否异常。
可选地,第一确定单元可被配置为:基于所述异常特征参数通过阈值比较算法确定每个风力发电机组的主轴承是否存在异常,得到所述第一异常预警结果。
可选地,第二确定单元可被配置为:基于所述异常特征参数通过聚类模型将各个风力发电机组分类为异常程度不同的至少一个类别,以根据所述至少一个类别确定各个风力发电机组的主轴承是否存在异常。
可选地,第三确定单元可被配置为:基于所述异常特征参数通过决策树模型对各个风力发电机组进行二分类;根据各个风力发电机组的二分类结果预测所述各个风力发电机组主轴承是否温度异常。
可选地,参数计算单元可被配置为:从所述历史运行数据选择预定工况下与风力发电机组主轴承相关的所有参数;基于选择的所有参数,确定风力发电机组主轴承在所述预定工况下的异常特征参数。
可选地,所述装置还可包括预处理单元,在确定风力发电机组主轴承在所述预定工况下的异常特征参数之前,所述选择的所有参数经过预处理单元的预处理,其中,预处理单元被配置为:对所述选择的所有参数进行以下中的至少一项处理:数据去噪、数据集成、数据变换及规约、格式统一、数据转换及压缩、空缺值处理。
可选地,参数计算单元还可被配置为:从选择的所有参数中获取与风力发电机组主轴承的异常特征变量有关的参数;基于与风力发电机组主轴承的异常特征变量有关的参数,计算与风力发电机组主轴承的异常特征变量有关的重构参数;将与风力发电机组主轴承异常特征变量有关的参数和与风力发电机组主轴承异常特征变量有关的重构参数作为风力发电机组主轴承的异常特征参数。
可选地,所述装置还可包括:子计算单元,被配置为基于确定的风力发电机组主轴承的异常特征参数,计算所述预定工况下的预警特征参数,以使用预警特征参数来判断风力发电机组是否存在异常。
可选地,第一确定单元还可被配置为:通过阈值比较算法将各个风力发电机组的预警特征参数与预警特征阈值进行比较;根据比较结果确定每个风力发电机组的主轴承是否存在异常。
可选地,第二确定单元还可被配置为:通过聚类模型对各个风力发电机组的预警特征参数进行聚类;根据聚类结果将各个风力发电机组分类为异常程度不同的至少一个类别,以将各个风力发电机组所属类别的异常程度确定为各个风力发电机组的异常程度。
可选地,第三确定单元还可被配置为:通过决策树模型对各个风力发电机组的预警特征参数进行二分类,以将主轴承温度异常的风力发电机组分为一类,并且将主轴承温度无异常的风力发电机组分为另一类。
可选地,预定工况可以为以下工况中的一种:停机、待机、启动、并网、频繁变桨、偏航和覆冰。
可选地,所述第一预设时间段内包括多个第二预设时间段,所述装置还可包括:平均值计算单元,被配置为计算在每个第二预设时间段内的预警特征参数的平均值,以将平均值作为在每个第二预设时间段内的预警特征参数。
可选地,异常确定单元还可被配置为:根据所述第二异常预警结果判断所述各个风力发电机组主轴承是否异常;当风力发电机组处于所述第二异常预警结果中的异常类别时,确定风力发电机组主轴承异常;当风力发电机组不处于所述第二异常预警结果中的异常类别时,根据所述第一异常预警结果和所述第三异常预警结果判断所述第二异常预警结果中不处于异常类别的风力发电机组主轴承是否异常。
可选地,异常确定单元还可被配置为:分别确定所述第二异常预警结果中不处于异常类别的风力发电机组在所述第一异常预警结果和所述第三异常预警结果中是否被判断为主轴承异常;当所述第二异常预警结果中不处于异常类别的风力发电机组在所述第一异常预警结果和所述第三异常预警结果中的至少一个中被判断为主轴承异常时,确定所述第二异常预警结果中不处于异常类别的风力发电机组主轴承异常。
可选地,预警特征参数是与风力发电机组主轴承的异常状态的相关性超过相关性阈值的参数。
根据本公开的示例性实施例,提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现根据本公开的示例性实施例的风力发电机组主轴承的异常预警方法。
根据本公开的示例性实施例,提供一种计算装置,包括:处理器;存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现根据本公开的示例性实施例的风力发电机组主轴承的异常预警方法。
根据本公开的示例性实施例的风力发电机组主轴承的异常预警方法及装置,通过获取第一预设时间段内的风电场中的各个风力发电机组的历史运行数据;根据所述历史运行数据计算所述各个风力发电机组主轴承的异常特征参数;基于所述异常特征参数确定所述各个风力发电机组主轴承的第一异常预警结果;基于所述异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别,根据所述至少一个类别确定所述各个风力发电机组主轴承的第二异常预警结果;根据所述第一异常预警结果和所述第二异常预警结果,确定所述各个风力发电机组主轴承是否异常,从而及时准确地对风力发电机组主轴承的异常进行预警。
将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本公开总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述,本公开示例性实施例的上述和其他目的和特点将会变得更加清楚,其中:
图1示出根据本公开示例性实施例的风力发电机组主轴承的异常预警方法的流程图;
图2示出根据本公开示例性实施例的风力发电机组主轴承的异常预警装置的框图;和
图3示出根据本公开示例性实施例的计算装置的示意图。
具体实施方式
现将详细参照本公开的示例性实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本公开。
图1示出根据本公开示例性实施例的风力发电机组主轴承的异常预警方法的流程图。
参照图1,在步骤S101,获取第一预设时间段内的风电场中的各个风力发电机组的历史运行数据。
在本公开的示例性实施例中,第一预设时间段内可以包括多个第二预设时间段。
具体来说,第一预设时间段可以是例如但不限于1周、2周、3周、1个月、2个月等,第二预设时间段可以是例如但不限于1天、2天、3天、4天、5天、6天、1周、2周、3周、1个月等。风力发电机组的历史运行数据可以包括但不限于风电场机组轴承温度数据、机舱温度、风速、转速等。例如,当第一预设时间段为1周时,第二预设时间段为1天或者2天等。
在步骤S102,根据历史运行数据计算各个风力发电机组主轴承的异常特征参数。
在本公开的示例性实施例中,在根据历史运行数据计算各个风力发电机组主轴承的异常特征参数时,可以首先从历史运行数据选择预定工况下与风力发电机组主轴承相关的所有参数,然后基于选择的所有参数,确定风力发电机组主轴承在预定工况下的异常特征参数。在本公开的示例性实施例中,在确定风力发电机组主轴承在预定工况下的异常特征参数之前,选择的所有参数经过预处理。这里,在进行预处理时,可以对选择的所有参数进行以下中的至少一项处理:数据去噪、数据集成、数据变换及规约、格式统一、数据转换及压缩、空缺值处理。在本公开的示例性实施例中,预定工况可以为以下工况中的一种:停机、待机、启动状态下的各种工况、并网状态下的各种工况、频繁变桨、偏航和覆冰。
在本公开的示例性实施例中,在确定风力发电机组主轴承在预定工况下的异常特征参数时,可以首先从选择的所有参数中获取与风力发电机组主轴承的异常特征变量有关的参数,并且基于与风力发电机组主轴承的异常特征变量有关的参数,计算与风力发电机组主轴承的异常特征变量有关的重构参数,然后将与风力发电机组主轴承异常特征变量有关的参数和与风力发电机组主轴承异常特征变量有关的重构参数作为风力发电机组主轴承的异常特征参数。
在本公开的示例性实施例中,在根据历史运行数据计算各个风力发电机组主轴承的异常特征参数之后,还可以基于确定的风力发电机组主轴承的异常特征参数,计算预定工况下的预警特征参数,以使用预警特征参数来判断风力发电机组是否存在异常。在本公开的示例性实施例中,预警特征参数是与风力发电机组主轴承的异常状态的相关性超过相关性阈值的参数。
在本公开的示例性实施例中,还可以计算在每个第二预设时间段内的预警特征参数的平均值,将平均值作为在每个第二预设时间段内的预警特征参数。
具体来说,可以将风力发电机组特定工况和状态下的轴承相关变量数据的分布形态和特征,量化成具体的阈值指标数据,并结合机组的故障机理和行业经验等信息,进行轴承失效特征刻画和提取。机组工况和状态分为很多种,但是不同的部件的异常特征和异常程度,体现不尽相同,所以针对具体的异常现象要在异常特征最明显的机组工况内才能体现,例如:停机、待机、启动、并网、频繁变桨、偏航和是覆冰等状态或工况。
例如,可以根据历史运行数据中的时间、机舱温度、环境温度、发电机转速、前轴承1温度、前轴承2温度、后轴承1温度、后轴承2温度、前轴承1温度机舱温升、前轴承2温度机舱温升、后轴承1温度机舱温升、后轴承2温度机舱温升,计算出时间差、前轴承1平均温度、前轴承2平均温度、后轴承1平均温度、后轴承2平均温度、前轴承1温度机舱温升平均、前轴承2温度机舱温升平均、后轴承1温度机舱温升平均、后轴承2温度机舱温升平均、前轴承1温度上下四分位、前轴承2温度上下四分位、后轴承1温度上下四分位、后轴承2温度上下四分位、前轴承1温度机舱温升上下四分位、前轴承2温度机舱温升上下四分位、后轴承1温度机舱温升上下四分位、后轴承2温度机舱温升上下四分位、前轴承1和2温度平均和后轴承1和2平均的差值、前轴承1和2温度机舱温升与后轴承1和2温度机舱温升差值等。
在一个实施例中,风力发电机组主轴承的异常特征参数可以包括时间、时间差,还可以包括但不限于以下项中的至少一项:机舱温度、环境温度、发电机转速、前轴承1温度、前轴承2温度、后轴承1温度、后轴承2温度、前轴承1温度机舱温升、前轴承2温度机舱温升、后轴承1温度机舱温升、后轴承2温度机舱温升、前轴承1平均温度、前轴承2平均温度、后轴承1平均温度、后轴承2平均温度、前轴承1温度机舱温升平均、前轴承2温度机舱温升平均、后轴承1温度机舱温升平均、后轴承2温度机舱温升平均、前轴承1温度上下四分位、前轴承2温度上下四分位、后轴承1温度上下四分位、后轴承2温度上下四分位、前轴承1温度机舱温升上下四分位、前轴承2温度机舱温升上下四分位、后轴承1温度机舱温升上下四分位、后轴承2温度机舱温升上下四分位、前轴承1和2温度平均和后轴承1和2平均的差值、前轴承1和2温度机舱温升与后轴承1和2温度机舱温升差值。
在一个实施例中,可以预先确定在每个特定工况下哪些参数与风力发电机组主轴承的异常状态的相关性超过预设的相关性阈值(例如,50%、60%等),然后将与风力发电机组主轴承的异常状态的相关性超过预设的相关性阈值的参数确定为预警特征参数。在实际应用中,在预定工况下使用异常特征参数计算预警特征参数,以根据计算出的预警特征参数来确定各个风力发电机组主轴承是否异常。
例如,可以确定在启动状态下,预警特征变量包括前轴承机舱温升、后轴承机舱温升、前轴承平均温度、后轴承平均温度、前轴承平均温度值差值、后轴承平均温度值差值、前轴承机舱温升平均值差值、后轴承机舱温升平均值差值、前后轴承机舱温升差值平均值、前轴承数据为空的标志位、后轴承数据为空的标志位中的至少一个。例如,在启动状态的一种工况下,预警特征变量为前轴承机舱温升、后轴承机舱温升、前轴承平均温度、后轴承平均温度、前轴承平均温度值差值、后轴承平均温度值差值、前轴承机舱温升平均值差值、后轴承机舱温升平均值差值、前后轴承机舱温升差值平均值、前轴承数据为空的标志位、后轴承数据为空的标志位。例如,在启动状态的另一种工况下,预警特征变量为前轴承平均温度值差值、后轴承平均温度值差值、前轴承机舱温升平均值差值、后轴承机舱温升平均值差值、前后轴承机舱温升差值平均值、前轴承数据为空的标志位、后轴承数据为空的标志位。
在一个实施例中,可以根据时间、时间差、机舱温度、环境温度、发电机转速、前轴承1温度、前轴承2温度、前轴承1温度上下四分位、前轴承2温度上下四分位,计算前轴承机舱温升;根据时间、时间差、机舱温度、环境温度、发电机转速、后轴承1温度、后轴承2温度、后轴承1温度上下四分位、后轴承2温度上下四分位,计算后轴承机舱温升;根据时间、时间差、机舱温度、环境温度、发电机转速、前轴承1温度、前轴承2温度、前轴承1平均温度、前轴承2平均温度、前轴承1温度上下四分位、前轴承2温度上下四分位,计算前轴承平均温度;根据时间、时间差、机舱温度、环境温度、发电机转速、后轴承1温度、后轴承2温度、后轴承1平均温度、后轴承2平均温度、后轴承1温度上下四分位、后轴承2温度上下四分位,计算后轴承平均温度;根据时间、时间差、机舱温度、环境温度、发电机转速、前轴承1平均温度、前轴承2平均温度、前轴承1温度上下四分位、前轴承2温度上下四分位,计算前轴承平均温度值差值;根据时间、时间差、机舱温度、环境温度、发电机转速、后轴承1平均温度、后轴承2平均温度、后轴承1温度上下四分位、后轴承2温度上下四分位,计算后轴承平均温度值差值;根据时间、时间差、机舱温度、环境温度、发电机转速、前轴承1温度机舱温升、前轴承2温度机舱温升、前轴承1温度上下四分位、前轴承2温度上下四分位、前轴承1温度机舱温升上下四分位、前轴承2温度机舱温升上下四分位,计算前轴承机舱温升平均值差值;根据时间、时间差、机舱温度、环境温度、发电机转速、后轴承1温度机舱温升、后轴承2温度机舱温升、后轴承1温度上下四分位、后轴承2温度上下四分位、后轴承1温度机舱温升上下四分位、后轴承2温度机舱温升上下四分位,计算后轴承机舱温升平均值差值;根据时间、时间差、机舱温度、环境温度、发电机转速、前轴承1温度机舱温升、前轴承2温度机舱温升、后轴承1温度机舱温升、后轴承2温度机舱温升、前轴承1温度机舱温升平均、前轴承2温度机舱温升平均、后轴承1温度机舱温升平均、后轴承2温度机舱温升平均、前轴承1温度机舱温升上下四分位、前轴承2温度机舱温升上下四分位、后轴承1温度机舱温升上下四分位、后轴承2温度机舱温升上下四分位,计算前后轴承机舱温升差值平均值;根据时间、时间差、机舱温度、环境温度、发电机转速、前轴承1温度、前轴承2温度、前轴承1平均温度、前轴承2平均温度、前轴承1温度上下四分位、前轴承2温度上下四分位,计算前轴承数据为空的标志位;根据时间、时间差、机舱温度、环境温度、发电机转速、后轴承1温度、后轴承2温度、后轴承1平均温度、后轴承2平均温度、后轴承1温度上下四分位、后轴承2温度上下四分位,计算后轴承数据为空的标志位。
在步骤S103,基于异常特征参数确定各个风力发电机组主轴承的第一异常预警结果。
在本公开的示例性实施例中,在基于异常特征参数确定各个风力发电机组主轴承的第一异常预警结果时,可以基于异常特征参数通过阈值比较算法确定每个风力发电机组的主轴承是否存在异常,得到第一异常预警结果。
在本公开的示例性实施例中,在基于异常特征参数通过阈值比较算法确定每个风力发电机组的主轴承是否存在异常时,可以首先通过阈值比较算法将各个风力发电机组的预警特征参数与预警特征阈值进行比较,然后根据比较结果确定每个风力发电机组的主轴承是否存在异常。
具体来说,可以根据预警特征参数来确定各个风力发电机组主轴承的第一异常预警结果。可以预定预警特征参数与预警特征阈值的比较规则,以根据预设的比较规则对预警特征参数与预警特征阈值进行比较。例如,可以对预警特征参数和预警特征阈值进行先“且”后“或”判断7次;然后,对分布指标和异常指标计算值和模型阈值水平进行区别且、或的判断6次;再对判断结果筛选和汇总,并对结果增加预警标志位。具体地,在一个示例性实施例中,如果一个风力发电机组的当前轴承1机舱温升参数大于10000,或,当前轴承2机舱温升参数大于10000,或,当后轴承1机舱温升参数大于8500,或,当后轴承1机舱温升参数大于8500;同时,预定工况下,前轴承1、2温升差值参数大于7000,或,预定工况下,后轴承1、2温升差值参数大于7000,或,预定工况下,前轴承1、2温升平均差值参数大于15000,或,预定工况下,后轴承1、2温升平均差值参数大于12000,或,预定工况下,前后轴承1温度平均差值参数大于14000,或,预定工况下,前后轴承2温度平均差值参数大于14000;且,预定工况下,前轴承1指标参数标志不为0,且,预定工况下,前轴承2指标参数标志不为0,且,预定工况下,后轴承1指标参数标志不为0,且,预定工况下,后轴承2指标参数标志不为0;同时,预定工况下,前轴承1温度异常参数大于23000,或,预定工况下,前轴承2温度异常参数大于23000,或,预定工况下,后轴承1温度异常参数大于18000,或,预定工况下,后轴承2温度异常参数大于18000,则第一异常预警结果为该风力发电机组的主轴承异常。
通过对特定工况下原始特征变量和重构特征变量的一阶差分、异常指标、分布指标等特征指标的计算和筛选,可以体现从原始特征变量上未能体现的隐含信息,同时,结合其他维度信息可以更准确和客观的,对一组数据的分布特征进行识别。也就是,当一种(若干种)特征达到一定水平之后,另外一种(若干种)特征达到另一种水平。又或,若干种特征同时达到设定的不同水平。对特征水平进行识别、多次判断之后,进行异常判定的有效输出。
在步骤S104,基于异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别,根据至少一个类别确定各个风力发电机组主轴承的第二异常预警结果。
在本公开的示例性实施例中,在基于异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别时,可以基于异常特征参数通过聚类模型将各个风力发电机组分类为异常程度不同的至少一个类别,以根据至少一个类别确定各个风力发电机组的主轴承是否存在异常。
在本公开的示例性实施例中,在基于异常特征参数通过聚类模型将各个风力发电机组分类为异常程度不同的至少一个类别时,可以首先通过聚类模型对各个风力发电机组的预警特征参数进行聚类,然后根据聚类结果将各个风力发电机组分类为异常程度不同的至少一个类别,以将各个风力发电机组所属类别的异常程度确定为各个风力发电机组的异常程度。具体来说,风电场的各个风力发电机组可以按照异常程度被分为两大类:第一大类中的风力发电机组的主轴承异常,第一大类中可以包括多个第一子类别,所述多个第一子类别可以表示异常的严重程度;第二大类中的风力发电机组的主轴承无异常,第二大类中可以包括多个第二子类别。例如,如果所述多个第二子类别有2个,则一个第二子类别中的风力发电机组的主轴承的运行状态良好,另一个第二子类别中的风力发电机组的主轴承的运行状态正常,但是运行状态正常的风力发电机组可能存在一个变化趋势,这个变化趋势可能是正常趋势,也可能是后续要加剧的趋势,需持续关注,也为后续的追溯提供依据。例如,所述多个第一子类别可以为异常程度不同的3个子类别:子类别1为轻微异常;子类别2为异常;子类别3为严重异常。子类别1中的风力发电机组有轻微异常,子类别2中的风力发电机组有异常;子类别3中的风力发电机组有严重异常。具体来说,可以根据各个类别中心点的预警特征参数与预警特征阈值的比较结果来确定各个类别的异常程度。
在本公开的示例性实施例中,还可以基于异常特征参数预测各个风力发电机组主轴承是否温度异常,得到第三异常预警结果。
在本公开的示例性实施例中,在基于异常特征参数预测各个风力发电机组主轴承是否温度异常时,可以首先基于异常特征参数通过决策树模型对各个风力发电机组进行二分类,然后根据各个风力发电机组的二分类结果预测各个风力发电机组主轴承是否温度异常。
在本公开的示例性实施例中,在基于异常特征参数通过决策树模型对各个风力发电机组进行二分类时,可以通过决策树模型对各个风力发电机组的预警特征参数进行二分类,以将主轴承温度异常的风力发电机组分为一类,并且将主轴承温度无异常的风力发电机组分为另一类。
具体来说,在决策树模型可以将最小分支节点设置为例如但不限于10,树的最大深度设置为但不限于20,交叉验证次数设置为但不限于10。
在步骤S105,根据第一异常预警结果和第二异常预警结果,确定各个风力发电机组主轴承是否异常。
在本公开的示例性实施例中,在确定各个风力发电机组主轴承是否异常时,可以根据第一异常预警结果和第二异常预警结果并且结合第三异常预警结果确定各个风力发电机组主轴承是否异常。
在本公开的示例性实施例中,在根据第一异常预警结果和第二异常预警结果并且结合第三异常预警结果确定各个风力发电机组主轴承是否异常时,可以首先根据第二异常预警结果判断各个风力发电机组主轴承是否异常,然后当风力发电机组处于第二异常预警结果中的异常类别时,确定风力发电机组主轴承异常;当风力发电机组不处于第二异常预警结果中的异常类别时,根据第一异常预警结果和第三异常预警结果判断第二异常预警结果中不处于异常类别的风力发电机组主轴承是否异常。
在本公开的示例性实施例中,在根据第一异常预警结果和第三异常预警结果判断第二异常预警结果中不处于异常类别的风力发电机组的主轴承是否异常时,可以首先分别确定第二异常预警结果中不处于异常类别的风力发电机组在第一异常预警结果和第三异常预警结果中是否被判断为主轴承异常,然后当第二异常预警结果中不处于异常类别的风力发电机组在第一异常预警结果和第三异常预警结果中的至少一个中被判断为主轴承异常时,确定第二异常预警结果中不处于异常类别的风力发电机组主轴承异常。
具体来说,基于第一异常预警结果、第二异常预警结果和第三异常预警结果,进行综合判断解耦,判断风电场中的各个风力发电机组是否被判定为异常,从而充分考虑机组数据出现的特征总结和归纳,相比单一算法可更全面、更准确的评估轴承异常状态。
具体地,可以将第一异常预警结果中的异常风力发电机组组成Flag1集合;将第二异常预警结果中的异常风力发电机组组成Flag2集合;将第三异常预警结果中的异常风力发电机组组成Flag3集合。
遍历风电场中的每个风力发电机组,通过判断风力发电机组出现在Flag1集合、Flag2集合和Flag3集合中的哪个或者哪些集合来确定风力发电机组主轴承是否异常。如果风力发电机组包含在Flag2集合中,则确定风力发电机组主轴承异常,并且可以根据风力发电机组在第二异常预警结果中的异常类别来确定风力发电机组的主轴承异常等级;如果风力发电机组不包含在Flag2集合中,但是包含在Flag1集合和Flag3集合中的至少一个中,则确定风力发电机组主轴承异常;如果风力发电机组不包含在Flag1集合、Flag2集合和Flag3集合中的任意一个中,则确定风力发电机组主轴承正常。
以上已经结合图1对根据本公开示例性实施例的风力发电机组主轴承的异常预警方法进行了描述。在下文中,将参照图2对根据本公开示例性实施例的风力发电机组主轴承的异常预警装置及其单元进行描述。
图2示出根据本公开示例性实施例的风力发电机组主轴承的异常预警装置的框图。
参照图2,风力发电机组主轴承的异常预警装置包括数据获取单元21、参数计算单元22、第一确定单元23、第二确定单元24和异常确定单元25。
数据获取单元21被配置为获取第一预设时间段内的风电场中的各个风力发电机组的历史运行数据。
参数计算单元22被配置为根据历史运行数据计算各个风力发电机组主轴承的异常特征参数。
在本公开的示例性实施例中,参数计算单元22可被配置为:从历史运行数据选择预定工况下与风力发电机组主轴承相关的所有参数;基于选择的所有参数,确定风力发电机组主轴承在预定工况下的异常特征参数。
在本公开的示例性实施例中,风力发电机组主轴承的异常预警装置还可包括预处理单元,在确定风力发电机组主轴承在预定工况下的异常特征参数之前,选择的所有参数经过预处理单元的预处理,其中,预处理单元被配置为:对选择的所有参数进行以下中的至少一项处理:数据去噪、数据集成、数据变换及规约、格式统一、数据转换及压缩、空缺值处理。
在本公开的示例性实施例中,参数计算单元22还可被配置为:从选择的所有参数中获取与风力发电机组主轴承的异常特征变量有关的参数;基于与风力发电机组主轴承的异常特征变量有关的参数,计算与风力发电机组主轴承的异常特征变量有关的重构参数;将与风力发电机组主轴承异常特征变量有关的参数和与风力发电机组主轴承异常特征变量有关的重构参数作为风力发电机组主轴承的异常特征参数。
在本公开的示例性实施例中,风力发电机组主轴承的异常预警装置还可包括:子计算单元(未示出),被配置为基于确定的风力发电机组主轴承的异常特征参数,计算预定工况下的预警特征参数,以使用预警特征参数来判断风力发电机组是否存在异常。
在本公开的示例性实施例中,预定工况可以为以下工况中的一种:停机、待机、启动、并网、频繁变桨、偏航和覆冰。
在本公开的示例性实施例中,第一预设时间段内可以包括多个第二预设时间段,风力发电机组主轴承的异常预警装置还可包括:平均值计算单元(未示出),被配置为计算在每个第二预设时间段内的预警特征参数的平均值,以将平均值作为在每个第二预设时间段内的预警特征参数。
在本公开的示例性实施例中,预警特征参数是与风力发电机组主轴承的异常状态的相关性超过相关性阈值的参数。
第一确定单元23被配置为基于异常特征参数确定各个风力发电机组主轴承的第一异常预警结果。
在本公开的示例性实施例中,第一确定单元23可被配置为:基于异常特征参数通过阈值比较算法确定每个风力发电机组的主轴承是否存在异常,得到第一异常预警结果。
在本公开的示例性实施例中,第一确定单元23还可被配置为:通过阈值比较算法将各个风力发电机组的预警特征参数与预警特征阈值进行比较;根据比较结果确定每个风力发电机组的主轴承是否存在异常。
第二确定单元24被配置为基于异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别,根据所述至少一个类别确定各个风力发电机组主轴承的第二异常预警结果。
在本公开的示例性实施例中,第二确定单元24可被配置为:基于异常特征参数通过聚类模型将各个风力发电机组分类为异常程度不同的至少一个类别,以根据所述至少一个类别确定各个风力发电机组的主轴承是否存在异常。
在本公开的示例性实施例中,第二确定单元24还可被配置为:通过聚类模型对各个风力发电机组的预警特征参数进行聚类;根据聚类结果将各个风力发电机组分类为异常程度不同的至少一个类别,以将各个风力发电机组所属类别的异常程度确定为各个风力发电机组的异常程度。
异常确定单元25被配置为根据第一异常预警结果和第二异常预警结果,确定各个风力发电机组主轴承是否异常。
在本公开的示例性实施例中,风力发电机组主轴承的异常预警装置还可包括:第三确定单元(未示出),被配置为基于异常特征参数预测各个风力发电机组主轴承是否温度异常,得到第三异常预警结果。
在本公开的示例性实施例中,异常确定单元25可被配置为:根据第一异常预警结果和第二异常预警结果并且结合第三异常预警结果确定各个风力发电机组主轴承是否异常。
在本公开的示例性实施例中,第三确定单元可被配置为:基于异常特征参数通过决策树模型对各个风力发电机组进行二分类;根据各个风力发电机组的二分类结果预测各个风力发电机组主轴承是否温度异常。
在本公开的示例性实施例中,第三确定单元还可被配置为:通过决策树模型对各个风力发电机组的预警特征参数进行二分类,以将主轴承温度异常的风力发电机组分为一类,并且将主轴承温度无异常的风力发电机组分为另一类。
在本公开的示例性实施例中,异常确定单元25还可被配置为:根据第二异常预警结果判断各个风力发电机组主轴承是否异常;当风力发电机组处于第二异常预警结果中的异常类别时,确定风力发电机组主轴承异常;当风力发电机组不处于第二异常预警结果中的异常类别时,根据第一异常预警结果和第三异常预警结果判断第二异常预警结果中不处于异常类别的风力发电机组主轴承是否异常。
在本公开的示例性实施例中,异常确定单元25还可被配置为:分别确定第二异常预警结果中不处于异常类别的风力发电机组在第一异常预警结果和第三异常预警结果中是否被判断为主轴承异常;当第二异常预警结果中不处于异常类别的风力发电机组在第一异常预警结果和第三异常预警结果中的至少一个中被判断为主轴承异常时,确定第二异常预警结果中不处于异常类别的风力发电机组主轴承异常。此外,根据本公开的示例性实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被执行时,实现根据本公开的示例性实施例的风力发电机组主轴承的异常预警方法。
在本公开的示例性实施例中,所述计算机可读存储介质可承载有一个或者多个程序,当所述计算机程序被执行时可实现以下步骤:获取第一预设时间段内的风电场中的各个风力发电机组的历史运行数据;根据历史运行数据计算各个风力发电机组主轴承的异常特征参数;基于异常特征参数确定各个风力发电机组主轴承的第一异常预警结果;基于异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别,根据所述至少一个类别确定各个风力发电机组主轴承的第二异常预警结果;根据第一异常预警结果和第二异常预警结果,确定各个风力发电机组主轴承是否异常。
计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储计算机程序的有形介质,该计算机程序可以被指令执行系统、装置或者器件使用或者与其结合使用。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。计算机可读存储介质可以包含在任意装置中;也可以单独存在,而未装配入该装置中。
以上已经结合图2对根据本公开示例性实施例的风力发电机组主轴承的异常预警装置进行了描述。接下来,结合图3对根据本公开的示例性实施例的计算装置进行描述。
图3示出根据本公开示例性实施例的计算装置的示意图。
参照图3,根据本公开示例性实施例的计算装置3,包括存储器31和处理器32,所述存储器31上存储有计算机程序,当所述计算机程序被处理器32执行时,实现根据本公开的示例性实施例的风力发电机组主轴承的异常预警方法。
在本公开的示例性实施例中,当所述计算机程序被处理器32执行时,可实现以下步骤:获取第一预设时间段内的风电场中的各个风力发电机组的历史运行数据;根据历史运行数据计算各个风力发电机组主轴承的异常特征参数;基于异常特征参数确定各个风力发电机组主轴承的第一异常预警结果;基于异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别,根据所述至少一个类别确定各个风力发电机组主轴承的第二异常预警结果;根据第一异常预警结果和第二异常预警结果,确定各个风力发电机组主轴承是否异常。
图3示出的计算装置仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
以上已参照图1至图3描述了根据本公开示例性实施例的风力发电机组主轴承的异常预警方法及装置。然而,应该理解的是:图2中所示的风力发电机组主轴承的异常预警装置及其单元可分别被配置为执行特定功能的软件、硬件、固件或上述项的任意组合,图3中所示的计算装置并不限于包括以上示出的组件,而是可根据需要增加或删除一些组件,并且以上组件也可被组合。
根据本公开的示例性实施例的风力发电机组主轴承的异常预警方法及装置,通过获取第一预设时间段内的风电场中的各个风力发电机组的历史运行数据;根据历史运行数据计算各个风力发电机组主轴承的异常特征参数;基于异常特征参数确定各个风力发电机组主轴承的第一异常预警结果;基于异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别,根据所述至少一个类别确定各个风力发电机组主轴承的第二异常预警结果;根据第一异常预警结果和第二异常预警结果,确定各个风力发电机组主轴承是否异常,从而及时准确地对风力发电机组主轴承的异常进行预警。
尽管已经参照其示例性实施例具体显示和描述了本公开,但是本领域的技术人员应该理解,在不脱离权利要求所限定的本公开的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (38)
1.一种风力发电机组主轴承的异常预警方法,其特征在于,包括:
获取第一预设时间段内的风电场中的各个风力发电机组的历史运行数据;
根据所述历史运行数据计算所述各个风力发电机组主轴承的异常特征参数;
基于所述异常特征参数确定所述各个风力发电机组主轴承的第一异常预警结果;
基于所述异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别,根据所述至少一个类别确定所述各个风力发电机组主轴承的第二异常预警结果;
根据所述第一异常预警结果和所述第二异常预警结果,确定所述各个风力发电机组主轴承是否异常。
2.根据权利要求1所述的方法,其特征在于,还包括:
基于所述异常特征参数预测所述各个风力发电机组主轴承是否温度异常,得到第三异常预警结果。
3.根据权利要求2所述的方法,其特征在于,确定所述各个风力发电机组主轴承是否异常的步骤包括:
根据所述第一异常预警结果和所述第二异常预警结果并且结合所述第三异常预警结果确定所述各个风力发电机组主轴承是否异常。
4.根据权利要求1所述的方法,其特征在于,基于所述异常特征参数确定所述各个风力发电机组主轴承的第一异常预警结果的步骤包括:
基于所述异常特征参数通过阈值比较算法确定每个风力发电机组的主轴承是否存在异常,得到所述第一异常预警结果。
5.根据权利要求1所述的方法,其特征在于,基于所述异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别的步骤包括:
基于所述异常特征参数通过聚类模型将各个风力发电机组分类为异常程度不同的至少一个类别,以根据所述至少一个类别确定各个风力发电机组的主轴承是否存在异常。
6.根据权利要求2所述的方法,其特征在于,基于所述异常特征参数预测所述各个风力发电机组主轴承是否温度异常的步骤包括:
基于所述异常特征参数通过决策树模型对各个风力发电机组进行二分类;
根据各个风力发电机组的二分类结果预测所述各个风力发电机组主轴承是否温度异常。
7.根据权利要求1-6中任一项所述的方法,其特征在于,根据所述历史运行数据计算所述各个风力发电机组主轴承的异常特征参数的步骤包括:
从所述历史运行数据选择预定工况下与风力发电机组主轴承相关的所有参数;
基于选择的所有参数,确定风力发电机组主轴承在所述预定工况下的异常特征参数。
8.根据权利要求7所述的方法,其特征在于,在确定风力发电机组主轴承在所述预定工况下的异常特征参数之前,所述选择的所有参数经过预处理,
其中,预处理的步骤包括:
对所述选择的所有参数进行以下中的至少一项处理:数据去噪、数据集成、数据变换及规约、格式统一、数据转换及压缩、空缺值处理。
9.根据权利要求7所述的方法,其特征在于,确定风力发电机组主轴承在所述预定工况下的异常特征参数的步骤包括:
从选择的所有参数中获取与风力发电机组主轴承的异常特征变量有关的参数;
基于与风力发电机组主轴承的异常特征变量有关的参数,计算与风力发电机组主轴承的异常特征变量有关的重构参数;
将与风力发电机组主轴承异常特征变量有关的参数和与风力发电机组主轴承异常特征变量有关的重构参数作为风力发电机组主轴承的异常特征参数。
10.根据权利要求7所述的方法,其特征在于,根据所述历史运行数据计算所述各个风力发电机组主轴承的异常特征参数之后,还包括:
基于确定的风力发电机组主轴承的异常特征参数,计算所述预定工况下的预警特征参数,以使用预警特征参数来判断风力发电机组是否存在异常。
11.根据权利要求10所述的方法,其特征在于,基于所述异常特征参数通过阈值比较算法确定每个风力发电机组的主轴承是否存在异常的步骤包括:
通过阈值比较算法将各个风力发电机组的预警特征参数与预警特征阈值进行比较;
根据比较结果确定每个风力发电机组的主轴承是否存在异常。
12.根据权利要求10所述的方法,其特征在于,基于所述异常特征参数通过聚类模型将各个风力发电机组分类为异常程度不同的至少一个类别的步骤包括:
通过聚类模型对各个风力发电机组的预警特征参数进行聚类;
根据聚类结果将各个风力发电机组分类为异常程度不同的至少一个类别,以将各个风力发电机组所属类别的异常程度确定为各个风力发电机组的异常程度。
13.根据权利要求10所述的方法,其特征在于,基于所述异常特征参数通过决策树模型对各个风力发电机组进行二分类的步骤包括:
通过决策树模型对各个风力发电机组的预警特征参数进行二分类,以将主轴承温度异常的风力发电机组分为一类,并且将主轴承温度无异常的风力发电机组分为另一类。
14.根据权利要求7所述的方法,其特征在于,预定工况为以下工况中的一种:停机、待机、启动、并网、频繁变桨、偏航和覆冰。
15.根据权利要求10所述的方法,其特征在于,所述第一预设时间段内包括多个第二预设时间段,
所述方法还包括:
计算在每个第二预设时间段内的预警特征参数的平均值,以将平均值作为在每个第二预设时间段内的预警特征参数。
16.根据权利要求3所述的方法,其特征在于,根据所述第一异常预警结果和所述第二异常预警结果并且结合所述第三异常预警结果确定所述各个风力发电机组主轴承是否异常的步骤包括:
根据所述第二异常预警结果判断所述各个风力发电机组主轴承是否异常;
当风力发电机组处于所述第二异常预警结果中的异常类别时,确定风力发电机组主轴承异常;
当风力发电机组不处于所述第二异常预警结果中的异常类别时,根据所述第一异常预警结果和所述第三异常预警结果判断所述第二异常预警结果中不处于异常类别的风力发电机组主轴承是否异常。
17.根据权利要求16所述的方法,其特征在于,根据所述第一异常预警结果和所述第三异常预警结果判断所述第二异常预警结果中不处于异常类别的风力发电机组的主轴承是否异常的步骤包括:
分别确定所述第二异常预警结果中不处于异常类别的风力发电机组在所述第一异常预警结果和所述第三异常预警结果中是否被判断为主轴承异常;
当所述第二异常预警结果中不处于异常类别的风力发电机组在所述第一异常预警结果和所述第三异常预警结果中的至少一个中被判断为主轴承异常时,确定所述第二异常预警结果中不处于异常类别的风力发电机组主轴承异常。
18.根据权利要求1所述的方法,其特征在于,预警特征参数是与风力发电机组主轴承的异常状态的相关性超过相关性阈值的参数。
19.一种风力发电机组主轴承的异常预警装置,包括:
数据获取单元,被配置为获取第一预设时间段内的风电场中的各个风力发电机组的历史运行数据;
参数计算单元,被配置为根据所述历史运行数据计算所述各个风力发电机组主轴承的异常特征参数;
第一确定单元,被配置为基于所述异常特征参数确定所述各个风力发电机组主轴承的第一异常预警结果;
第二确定单元,被配置为基于所述异常特征参数将各个风力发电机组划分为异常程度不同的至少一个类别,根据所述至少一个类别确定所述各个风力发电机组主轴承的第二异常预警结果;和
异常确定单元,被配置为根据所述第一异常预警结果和所述第二异常预警结果,确定所述各个风力发电机组主轴承是否异常。
20.根据权利要求19所述的装置,其特征在于,还包括:
第三确定单元,被配置为基于所述异常特征参数预测所述各个风力发电机组主轴承是否温度异常,得到第三异常预警结果。
21.根据权利要求20所述的装置,其特征在于,异常确定单元被配置为:
根据所述第一异常预警结果和所述第二异常预警结果并且结合所述第三异常预警结果确定所述各个风力发电机组主轴承是否异常。
22.根据权利要求19所述的装置,其特征在于,第一确定单元被配置为:
基于所述异常特征参数通过阈值比较算法确定每个风力发电机组的主轴承是否存在异常,得到所述第一异常预警结果。
23.根据权利要求19所述的装置,其特征在于,第二确定单元被配置为:
基于所述异常特征参数通过聚类模型将各个风力发电机组分类为异常程度不同的至少一个类别,以根据所述至少一个类别确定各个风力发电机组的主轴承是否存在异常。
24.根据权利要求20所述的装置,其特征在于,第三确定单元被配置为:
基于所述异常特征参数通过决策树模型对各个风力发电机组进行二分类;
根据各个风力发电机组的二分类结果预测所述各个风力发电机组主轴承是否温度异常。
25.根据权利要求19-24中任一项所述的装置,其特征在于,参数计算单元被配置为:
从所述历史运行数据选择预定工况下与风力发电机组主轴承相关的所有参数;
基于选择的所有参数,确定风力发电机组主轴承在所述预定工况下的异常特征参数。
26.根据权利要求25所述的装置,其特征在于,还包括预处理单元,在确定风力发电机组主轴承在所述预定工况下的异常特征参数之前,所述选择的所有参数经过预处理单元的预处理,
其中,预处理单元被配置为:
对所述选择的所有参数进行以下中的至少一项处理:数据去噪、数据集成、数据变换及规约、格式统一、数据转换及压缩、空缺值处理。
27.根据权利要求25所述的装置,其特征在于,参数计算单元还被配置为:从选择的所有参数中获取与风力发电机组主轴承的异常特征变量有关的参数;
基于与风力发电机组主轴承的异常特征变量有关的参数,计算与风力发电机组主轴承的异常特征变量有关的重构参数;
将与风力发电机组主轴承异常特征变量有关的参数和与风力发电机组主轴承异常特征变量有关的重构参数作为风力发电机组主轴承的异常特征参数。
28.根据权利要求25所述的装置,其特征在于,还包括:子计算单元,被配置为基于确定的风力发电机组主轴承的异常特征参数,计算所述预定工况下的预警特征参数,以使用预警特征参数来判断风力发电机组是否存在异常。
29.根据权利要求28所述的装置,其特征在于,第一确定单元还被配置为:通过阈值比较算法将各个风力发电机组的预警特征参数与预警特征阈值进行比较;
根据比较结果确定每个风力发电机组的主轴承是否存在异常。
30.根据权利要求28所述的装置,其特征在于,第二确定单元还被配置为:通过聚类模型对各个风力发电机组的预警特征参数进行聚类;
根据聚类结果将各个风力发电机组分类为异常程度不同的至少一个类别,以将各个风力发电机组所属类别的异常程度确定为各个风力发电机组的异常程度。
31.根据权利要求28所述的装置,其特征在于,第三确定单元还被配置为:通过决策树模型对各个风力发电机组的预警特征参数进行二分类,以将主轴承温度异常的风力发电机组分为一类,并且将主轴承温度无异常的风力发电机组分为另一类。
32.根据权利要求25所述的装置,其特征在于,预定工况为以下工况中的一种:停机、待机、启动、并网、频繁变桨、偏航和覆冰。
33.根据权利要求28所述的装置,其特征在于,所述第一预设时间段内包括多个第二预设时间段,
所述装置还包括:
平均值计算单元,被配置为计算在每个第二预设时间段内的预警特征参数的平均值,以将平均值作为在每个第二预设时间段内的预警特征参数。
34.根据权利要求21所述的装置,其特征在于,异常确定单元还被配置为:根据所述第二异常预警结果判断所述各个风力发电机组主轴承是否异常;
当风力发电机组处于所述第二异常预警结果中的异常类别时,确定风力发电机组主轴承异常;
当风力发电机组不处于所述第二异常预警结果中的异常类别时,根据所述第一异常预警结果和所述第三异常预警结果判断所述第二异常预警结果中不处于异常类别的风力发电机组主轴承是否异常。
35.根据权利要求34所述的装置,其特征在于,异常确定单元还被配置为:分别确定所述第二异常预警结果中不处于异常类别的风力发电机组在所述第一异常预警结果和所述第三异常预警结果中是否被判断为主轴承异常;
当所述第二异常预警结果中不处于异常类别的风力发电机组在所述第一异常预警结果和所述第三异常预警结果中的至少一个中被判断为主轴承异常时,确定所述第二异常预警结果中不处于异常类别的风力发电机组主轴承异常。
36.根据权利要求19所述的装置,其特征在于,预警特征参数是与风力发电机组主轴承的异常状态的相关性超过相关性阈值的参数。
37.一种存储有计算机程序的计算机可读存储介质,其中,当所述计算机程序被处理器执行时,实现权利要求1至18中任一项所述的风力发电机组主轴承的异常预警方法。
38.一种计算装置,包括:
处理器;
存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现权利要求1至18中任一项所述的风力发电机组主轴承的异常预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377227.7A CN113052716B (zh) | 2019-12-27 | 2019-12-27 | 风力发电机组主轴承的异常预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377227.7A CN113052716B (zh) | 2019-12-27 | 2019-12-27 | 风力发电机组主轴承的异常预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052716A true CN113052716A (zh) | 2021-06-29 |
CN113052716B CN113052716B (zh) | 2023-03-03 |
Family
ID=76506401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911377227.7A Active CN113052716B (zh) | 2019-12-27 | 2019-12-27 | 风力发电机组主轴承的异常预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052716B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113898528A (zh) * | 2021-09-30 | 2022-01-07 | 江苏金风软件技术有限公司 | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080103116A1 (en) * | 2006-11-01 | 2008-05-01 | Jennings-Spring Barbara L | Method of treatment and compositions of D-chiro inositol and phosphates thereof |
CN102012316A (zh) * | 2010-11-11 | 2011-04-13 | 华北电力大学 | 汽轮发电机组轴颈碰摩故障实时辨识方法 |
CN107910086A (zh) * | 2017-11-23 | 2018-04-13 | 中广核工程有限公司 | 一种基于核电站安全参数异常状态判断系统和方法 |
CN108051211A (zh) * | 2017-12-29 | 2018-05-18 | 湖南优利泰克自动化系统有限公司 | 一种风电机组主轴承温度预警诊断方法 |
CN109029995A (zh) * | 2018-08-30 | 2018-12-18 | 上海海事大学 | 基于聚类和多层自编码网络的轴承设备状态监控方法 |
CN109088770A (zh) * | 2018-08-21 | 2018-12-25 | 西安交通大学 | 一种基于自适应符号传递熵的机电系统交互网络建模方法 |
CN109766874A (zh) * | 2019-02-02 | 2019-05-17 | 王卓然 | 一种基于深度学习算法的风机故障分类识别方法 |
CN109826818A (zh) * | 2019-02-26 | 2019-05-31 | 北京工业大学 | 一种矿用风机的故障诊断方法 |
CN110135064A (zh) * | 2019-05-15 | 2019-08-16 | 上海交通大学 | 一种发电机后轴承温度故障预测方法、系统及控制器 |
CN110296095A (zh) * | 2019-05-21 | 2019-10-01 | 上海宝钢工业技术服务有限公司 | 火电厂电站锅炉引风机运行状态智能监测诊断方法 |
-
2019
- 2019-12-27 CN CN201911377227.7A patent/CN113052716B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080103116A1 (en) * | 2006-11-01 | 2008-05-01 | Jennings-Spring Barbara L | Method of treatment and compositions of D-chiro inositol and phosphates thereof |
CN102012316A (zh) * | 2010-11-11 | 2011-04-13 | 华北电力大学 | 汽轮发电机组轴颈碰摩故障实时辨识方法 |
CN107910086A (zh) * | 2017-11-23 | 2018-04-13 | 中广核工程有限公司 | 一种基于核电站安全参数异常状态判断系统和方法 |
CN108051211A (zh) * | 2017-12-29 | 2018-05-18 | 湖南优利泰克自动化系统有限公司 | 一种风电机组主轴承温度预警诊断方法 |
CN109088770A (zh) * | 2018-08-21 | 2018-12-25 | 西安交通大学 | 一种基于自适应符号传递熵的机电系统交互网络建模方法 |
CN109029995A (zh) * | 2018-08-30 | 2018-12-18 | 上海海事大学 | 基于聚类和多层自编码网络的轴承设备状态监控方法 |
CN109766874A (zh) * | 2019-02-02 | 2019-05-17 | 王卓然 | 一种基于深度学习算法的风机故障分类识别方法 |
CN109826818A (zh) * | 2019-02-26 | 2019-05-31 | 北京工业大学 | 一种矿用风机的故障诊断方法 |
CN110135064A (zh) * | 2019-05-15 | 2019-08-16 | 上海交通大学 | 一种发电机后轴承温度故障预测方法、系统及控制器 |
CN110296095A (zh) * | 2019-05-21 | 2019-10-01 | 上海宝钢工业技术服务有限公司 | 火电厂电站锅炉引风机运行状态智能监测诊断方法 |
Non-Patent Citations (4)
Title |
---|
GEORGE GEORGOULAS 等: "Bearing fault detection based on hybrid ensemble detector and empirical mode decomposition", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
冯辅周等: "基于排列熵和神经网络的滚动轴承异常检测与诊断", 《噪声与振动控制》 * |
赵慧敏 等: "轴承故障诊断特征参数选取研究", 《内燃机与配件》 * |
陆爽等: "基于关联维数的滚动轴承故障诊断的研究", 《机械传动》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113898528A (zh) * | 2021-09-30 | 2022-01-07 | 江苏金风软件技术有限公司 | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 |
CN113898528B (zh) * | 2021-09-30 | 2023-07-28 | 江苏金风软件技术有限公司 | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113052716B (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787584B (zh) | 一种基于云平台的风电机群故障预警方法 | |
US11835030B2 (en) | Methods and systems for predicting risk of observable damage in wind turbine gearbox components | |
CN107742053B (zh) | 风电机组异常识别方法及装置 | |
CN107069721B (zh) | 一种基于随机集理论的电力系统运行风险评估方法 | |
WO2018228648A1 (en) | Independent monitoring system for a wind turbine | |
CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
CN108089078A (zh) | 设备劣化预警方法及系统 | |
CN104731664A (zh) | 用于故障处理的方法和装置 | |
Peng et al. | Wind turbine failure prediction and health assessment based on adaptive maximum mean discrepancy | |
CN107403279B (zh) | 一种输油泵工况自适应状态预警系统及方法 | |
CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
Cevasco et al. | O&M cost-Based FMECA: Identification and ranking of the most critical components for 2-4 MW geared offshore wind turbines | |
CN113052716B (zh) | 风力发电机组主轴承的异常预警方法及装置 | |
Gutschi et al. | Evaluating the performance of maintenance strategies: a simulation-based approach for wind turbines | |
CN117422447A (zh) | 变压器维护策略生成方法、系统、电子设备及存储介质 | |
EP4111280A1 (en) | Method for at least partially decentralized calculation of the state of health of at least one wind turbine | |
CN112632749A (zh) | 一种风力发电机发电性能的评价方法及装置 | |
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 | |
De Oliveira-Filho et al. | Condition monitoring of wind turbine main bearing using SCADA data and informed by the principle of energy conservation | |
RU2668852C1 (ru) | Способ и система учета остаточного ресурса компонентов турбоагрегата | |
Gray et al. | A practical approach to the use of scada data for optimized wind turbine condition based maintenance | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN112380641B (zh) | 一种应急柴油机健康状态评价方法及计算机终端 | |
CN114693175A (zh) | 一种基于网源涉网试验的机组状态分析方法与系统 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee after: Jinfeng Technology Co.,Ltd. Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |