CN113221292A - 波浪发电机预测性维护模型和维护方法 - Google Patents
波浪发电机预测性维护模型和维护方法 Download PDFInfo
- Publication number
- CN113221292A CN113221292A CN202110664685.XA CN202110664685A CN113221292A CN 113221292 A CN113221292 A CN 113221292A CN 202110664685 A CN202110664685 A CN 202110664685A CN 113221292 A CN113221292 A CN 113221292A
- Authority
- CN
- China
- Prior art keywords
- wave
- data
- generator
- power generator
- frequency
- 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.)
- Withdrawn
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 43
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 70
- 230000036541 health Effects 0.000 claims abstract description 55
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 42
- 230000003595 spectral effect Effects 0.000 claims abstract description 31
- 238000005096 rolling process Methods 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 2
- 238000001159 Fisher's combined probability test Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明属于波浪能发电系统故障诊断与监控技术领域,具体涉及一种波浪发电机预测性维护模型和维护方法,其中波浪发电机预测性维护方法包括:采集波浪发电机预测性维护用参数数据;根据参数数据获取波浪发电机轴承的故障特征频率;根据故障特征频率获取参数数据中振动信号的循环自相关函数和功率谱密度;根据功率谱密度的样本数据获取一维空间的最佳投影方向;根据一维空间的最佳投影方向预测波浪发电机运行健康度;以及根据波浪发电机运行健康度对波浪发电机运行进行预警,实现了对波浪发电机出现故障的预测及预警,克服使用人力维护的主观性强,耗费人力成本较高的缺点。
Description
技术领域
本发明属于波浪能发电系统故障诊断与监控技术领域,具体涉及一种波浪发电机预测性维护模型和维护方法。
背景技术
轴承是波浪发电机组成的关键部分,其起着支撑机械系统旋转结构的作用,轴承出现故障很容易导致机械系统中其它重要部件的磨损。电机滚动轴承的故障通常包括磨损和损坏故障。发生磨损故障时,电机轴承零件的空隙会随着磨损的加大而不断增大,这可能会导致轴承的振动在运行过程中增加。这时的电机轴承振动信号会随机变化,没有统一的变化规律可循。损伤性故障是原因在电机轴承表面产生金属剥落、点蚀或者擦伤等损伤而造成的故障。该类电机轴承故障的基本特征是:元件滚过产生损伤的表面时会产生一个突变的类似冲击脉冲信号,从而导致电机轴承和其它元件的共振。
当前主要采用事故维修和计划性维修的方式进行维护,“事故维修”方式使用设备直到发生故障,然后维修,如遇突发性事故,可能会造成巨大损失。目前正在发展以在线状态监测和故障诊断为基础的状态维修,专家根据状态监测所得到的各测量值及其运算处理结果所提供的信息,采用所掌握的关于设备的知识和经验,进行推理判断,找出设备故障的类型、部位及严重程度,从而提出对设备的维修处理建议。
因此,基于上述技术问题需要设计一种新的波浪发电机预测性维护模型和维护方法。
发明内容
本发明的目的是提供一种波浪发电机预测性维护模型和维护方法。
为了解决上述技术问题,本发明提供了一种波浪发电机预测性维护模型,包括:
Zc=w*xc;
其中,Zc为当前数据为xc在w*向量轴投影后所得到的值;
则当前波浪发电机运行健康度J为:
当Zc≤μ1+δ1时,波浪发电机运行健康度J为0;
当Zc≥μ2-δ2时,波浪发电机运行健康度J为1;
当μ1+δ1≤Zc≤μ2-δ2时,波浪发电机运行健康度J为:
w*为最佳变换向量;μ1为工作正常类别的数据在w*向量轴投影后所得到的数据的均值;μ2为出现故障类别的数据在w*向量轴投影后所得到的数据的均值;δ1为工作正常类别的数据在w*向量轴投影后所得到的数据的标准差;δ2为出现故障类别的数据在w*向量轴投影后所得到的数据的标准差;
波浪发电机运行健康度J为0-1之间的数,数值越大并越接近于1则表示波浪发电机工作状态越健康;数值越小并越接近于0表示波浪发电机工作状态越不健康。
第二方面,本发明还提供一种波浪发电机预测性维护方法,包括:
采集波浪发电机预测性维护用参数数据;
根据参数数据获取波浪发电机轴承的故障特征频率;
根据故障特征频率获取参数数据中振动信号的循环自相关函数和功率谱密度;
根据功率谱密度的样本数据获取一维空间的最佳投影方向;
根据一维空间的最佳投影方向预测波浪发电机运行健康度;以及
根据波浪发电机运行健康度对波浪发电机运行进行预警。
进一步,所述采集波浪发电机预测性维护用参数数据的方法包括:
获取波浪发电机的振动信号、工作轴每分钟转速、滚动体直径、轴承节直径、轴承压力角和动体个数。
进一步,所述根据参数数据获取波浪发电机轴承的故障特征频率的方法包括:
获取波浪发电机轴承的内圈故障特征频率:
获取波浪发电机轴承的外圈故障特征频率:
获取波浪发电机轴承的滚动体故障特征频率;
其中,N为工作轴每分钟转速;d为滚动体直径;D为轴承节直径;α为轴承压力角;Z为滚动体个数。
进一步,所述根据故障特征频率获取参数数据中振动信号的循环自相关函数和功率谱密度的方法包括:
获取循环频率等于故障特征频率时振动信号的循环自相关函数与功率谱;
对循环频率等于故障特征频率时的振动信号以预设尺度进行小波分解;
对小波分解后的高频系数进行阀值消噪处理;
用小波分解和消噪处理后的与预设尺度相同层数的低频和高频系数重构信号;
选取循环频率等于故障特征频率并计算在该循环频率处重构信号的循环自相关函数值;
对循环自相关函数值取模运算;
获取循环自相关函数模值的功率谱密度。
进一步,所述根据功率谱密度的样本数据获取一维空间的最佳投影方向的方法包括:
建立数据向量:
x=(x(1),x(2),x(3));
其中,x(1)为循环频率等于内圈故障特征频率处的循环自相关函数幅值功率谱密度;x(2)为循环频率等于外圈故障特征频率处的循环自相关函数幅值功率谱密度;x(3)为循环频率等于滚动体故障特征频率处的循环自相关函数幅值功率谱密度;
获取变换向量w=(w(1),w(2),w(3));
其中,w(1)为循环频率等于内圈故障特征频率处的循环自相关函数幅值功率谱密度系数;w(2)为循环频率等于外圈故障特征频率处的循环自相关函数幅值功率谱密度系数;w(3)为循环频率等于滚动体故障特征频率处的循环自相关函数幅值功率谱密度系数;
获取最佳变换向量w*,即
则,J(w)取最大值时的w为最佳变换向量,即w*;
SB=(m2-m1)(m2-m1)T;
其中,C1为波浪发电机工作正常的类别对应数据样本的集合;C2为波浪发电机出现故障的类别对应数据样本的集合;xa为C1中第a个数据样本;xb为C1中第b个数据样本;N1为C1类别的数据样本总数;N2为C2类别的数据样本总数;S1为C1类别的类内方差;S2为C2类别的类内方差;m1为C1类别的均值向量;m2为C2类别的均值向量;SB为类间协方差矩阵;Sw为类内协方差矩阵;T为转置;
最佳变换向量w*为投影线方向,即样本数据到一维空间的最佳投影方向。
进一步,所述根据一维空间的最佳投影方向预测波浪发电机运行健康度的方法包括:
获取样本数据在最佳投影方向上进行投影后所得到的数据,出现故障与工作正常两个类别的数据的均值与方差;
μ1=w*Tm1;
μ2=w*Tm2;
其中,μ1为工作正常类别的数据在w*向量轴投影后所得到的数据的均值;μ2为出现故障类别的数据在w*向量轴投影后所得到的数据的均值;δ1为工作正常类别的数据在w*向量轴投影后所得到的数据的标准差;δ2为出现故障类别的数据在w*向量轴投影后所得到的数据的标准差;
则根据标准差可以获取对应的方差;
预测波浪发电机运行健康度,即
当前数据为xc;
Zc=w*xc;
其中,Zc为前数据为xc在w*向量轴投影后所得到的值;
则当前波浪发电机运行健康度J为:
当Zc≤μ1+δ1时,波浪发电机运行健康度J为0;
当Zc≥μ2-δ2时,波浪发电机运行健康度J为1;
当μ1+δ1≤Zc≤μ2-δ2时,波浪发电机运行健康度J为:
波浪发电机运行健康度J为0-1之间的数,数值越大并越接近于1则表示波浪发电机工作状态越健康;数值越小并越接近于0表示波浪发电机工作状态越不健康。
进一步,所述根据波浪发电机运行健康度对波浪发电机运行进行预警的方法包括:
当J<J0时,发出提示波浪发电机需进行维护预警信息;
其中,J0为设定的预警阈值;
当发出维护预警信息后无法维护时波浪发电机进入低工作负荷状态,控制浮体收起和放下的时间来改变浮体的工作时间为:
Time=J*T0;
其中,T0为波浪发电机工作正常时所设定的浮体工作时间;Time为在当前波浪发电机运行健康度条件下所设定的浮体工作时间。
本发明的有益效果是,本发明通过采集波浪发电机预测性维护用参数数据;根据参数数据获取波浪发电机轴承的故障特征频率;根据故障特征频率获取参数数据中振动信号的循环自相关函数和功率谱密度;根据功率谱密度的样本数据获取一维空间的最佳投影方向;根据一维空间的最佳投影方向预测波浪发电机运行健康度;以及根据波浪发电机运行健康度对波浪发电机运行进行预警,实现了对波浪发电机出现故障的预测及预警,克服使用人力维护的主观性强,耗费人力成本较高的缺点。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所涉及的波浪发电机预测性维护方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
实施例1
本实施例1提供了一种波浪发电机预测性维护模型,包括:
Zc=w*xc;
其中,Zc为当前数据为xc在w*向量轴投影后所得到的值;
则当前波浪发电机运行健康度J为:
当Zc≤μ1+δ1时,波浪发电机运行健康度J为0;
当Zc≥μ2-δ2时,波浪发电机运行健康度J为1;
当μ1+δ1≤Zc≤μ2-δ2时,波浪发电机运行健康度J为:
w*为最佳变换向量;μ1为工作正常类别的数据在w*向量轴投影后所得到的数据的均值;μ2为出现故障类别的数据在w*向量轴投影后所得到的数据的均值;δ1为工作正常类别的数据在w*向量轴投影后所得到的数据的标准差;δ2为出现故障类别的数据在w*向量轴投影后所得到的数据的标准差;
波浪发电机运行健康度J为0-1之间的数,数值越大并越接近于1则表示波浪发电机工作状态越健康;数值越小并越接近于0表示波浪发电机工作状态越不健康。
实施例2
图1是本发明所涉及的波浪发电机预测性维护方法的流程图。
如图1所示,在实施例1的基础上本实施例2提供了一种波浪发电机预测性维护方法,包括:采集波浪发电机预测性维护用参数数据;根据参数数据获取波浪发电机轴承的故障特征频率;根据故障特征频率获取参数数据中振动信号的循环自相关函数和功率谱密度;根据功率谱密度的样本数据获取一维空间的最佳投影方向;根据一维空间的最佳投影方向预测波浪发电机运行健康度;以及根据波浪发电机运行健康度对波浪发电机运行进行预警,实现了对波浪发电机出现故障的预测及预警,克服使用人力维护的主观性强,耗费人力成本较高的缺点;对波浪发电机进行在线监测,根据波浪发电机预测性维护方法并结合当前参数数据,能实时给出波浪发电机运行健康度信息,对于波浪发电机的在线预测性维护,提供了最快速最精准的预测性维护信息,一旦满足预警条件,则进行预测性维护,启动维护预警及启动进入低工作负荷状态,从而避免波浪发电机突发故障停机维修而增加运营费用,克服使用人力维护的主观性强,耗费人力成本较高的缺点。
在本实施例中,所述采集波浪发电机预测性维护用参数数据的方法包括:获取波浪发电机的振动信号、工作轴每分钟转速、滚动体直径、轴承节直径、轴承压力角和动体个数;波浪发电机的振动信号可以通过设置在波浪发电机上的加速度传感器采集。
在本实施例中,所述根据参数数据获取波浪发电机轴承的故障特征频率的方法包括:获取波浪发电机轴承的内圈故障特征频率:
获取波浪发电机轴承的外圈故障特征频率:
获取波浪发电机轴承的滚动体故障特征频率;
其中,N为工作轴每分钟转速;d为滚动体直径;D为轴承节直径;α为轴承压力角;Z为滚动体个数。
在本实施例中,所述根据故障特征频率获取参数数据中振动信号的循环自相关函数和功率谱密度的方法包括:可以通过云服务器计算在循环频率等于故障特征频率时振动信号的循环自相关函数与功率谱密度;获取循环频率等于故障特征频率时振动信号的循环自相关函数与功率谱;对循环频率等于故障特征频率时的振动信号以预设尺度进行小波分解,为了减少噪声的影响,又不丢失信息,兼顾以上两者在此,取尺度s=4,即对信号进行4层分解;对小波分解后的高频系数进行阀值消噪处理,噪声信号表现为高频信号,消噪主要针对高频系数;用小波分解和消噪处理后的与预设尺度相同层数的低频和高频系数重构信号,即用分解和消噪后的第4层低频和高频系数重构信号;选取循环频率等于故障特征频率并计算在该循环频率处重构信号的循环自相关函数值;对循环自相关函数值取模运算;获取循环自相关函数模值的功率谱密度。
在本实施例中,所述根据功率谱密度的样本数据获取一维空间的最佳投影方向的方法包括:将样本数据特征投影到一维空间的最佳投影方向,即Fisher方法:
建立数据向量:
x=(x(1),x(2),x(3));
其中,x(1)为循环频率等于内圈故障特征频率处的循环自相关函数幅值功率谱密度;x(2)为循环频率等于外圈故障特征频率处的循环自相关函数幅值功率谱密度;x(3)为循环频率等于滚动体故障特征频率处的循环自相关函数幅值功率谱密度;
获取变换向量w=(w(1),w(2),w(3));
其中,w(1)为循环频率等于内圈故障特征频率处的循环自相关函数幅值功率谱密度系数;w(2)为循环频率等于外圈故障特征频率处的循环自相关函数幅值功率谱密度系数;w(3)为循环频率等于滚动体故障特征频率处的循环自相关函数幅值功率谱密度系数;各循环自相关函数幅值功率谱密度系数根据对应的循环自相关函数幅值功率谱密度的历数数据获取,为实数;
获取最佳变换向量w*,样本数据投影后,在一维空间中各类样本尽可能分得开,希望两类均值之差越大越好,同时希望各类样本内部尽量密集,希望类内离散度越小越好,即求使
则,J(w)取最大值时的w为最佳变换向量,即w*;
SB=(m2-m1)(m2-m1)T;
其中,C1为波浪发电机工作正常的类别对应数据样本的集合;C2为波浪发电机出现故障的类别对应数据样本的集合;xa为C1中第a个数据样本;xb为C1中第b个数据样本;N1为C1类别的数据样本总数;N2为C2类别的数据样本总数;S1为C1类别的类内方差;S2为C2类别的类内方差;m1为C1类别的均值向量;m2为C2类别的均值向量;SB为类间协方差矩阵;Sw为类内协方差矩阵;T为转置;数据样本为对应类别波浪发电机数据构建的数据向量;
使用拉格朗日乘数法求解,求得:
最佳变换向量w*为投影线方向,即样本数据到一维空间的最佳投影方向。
在本实施例中,所述根据一维空间的最佳投影方向预测波浪发电机运行健康度的方法包括:获取样本数据在最佳投影方向上进行投影后所得到的数据,
出现故障与工作正常两个类别的数据的均值与方差;
μ1=w*Tm1;
μ2=w*Tm2;
其中,μ1为工作正常类别的数据在w*向量轴投影后所得到的数据的均值;μ2为出现故障类别的数据在w*向量轴投影后所得到的数据的均值;δ1为工作正常类别的数据在w*向量轴投影后所得到的数据的标准差;δ2为出现故障类别的数据在w*向量轴投影后所得到的数据的标准差;
则根据标准差可以获取对应的方差;
预测波浪发电机运行健康度,即
设当前数据为xc;
Zc=w*xc;
其中,Zc为前数据为xc在w*向量轴投影后所得到的值;当前数据为波浪发电机的实时数据构建的数据向量;
则当前波浪发电机运行健康度J为:
当Zc≤μ1+δ1时,波浪发电机运行健康度J为0;
当Zc≥μ2-δ2时,波浪发电机运行健康度J为1;
当μ1+δ1≤Zc≤μ2-δ2时,波浪发电机运行健康度J为:
波浪发电机运行健康度J为0-1之间的数,数值越大并越接近于1则表示波浪发电机工作状态越健康;数值越小并越接近于0表示波浪发电机工作状态越不健康。
在本实施例中,所述根据波浪发电机运行健康度对波浪发电机运行进行预警的方法包括:
当J<J0时,发出提示波浪发电机需进行维护预警信息;
其中,J0为设定的预警阈值,例如设定为0.6;
当发出维护预警信息后无法维护时波浪发电机进入低工作负荷状态,控制浮体收起和放下的时间来改变浮体的工作时间为:
Time=J*T0;
其中,T0为波浪发电机工作正常时所设定的浮体工作时间;Time为在当前波浪发电机运行健康度条件下所设定的浮体工作时间。
综上所述,本发明通过采集波浪发电机预测性维护用参数数据;根据参数数据获取波浪发电机轴承的故障特征频率;根据故障特征频率获取参数数据中振动信号的循环自相关函数和功率谱密度;根据功率谱密度的样本数据获取一维空间的最佳投影方向;根据一维空间的最佳投影方向预测波浪发电机运行健康度;以及根据波浪发电机运行健康度对波浪发电机运行进行预警,实现了对波浪发电机出现故障的预测及预警,克服使用人力维护的主观性强,耗费人力成本较高的缺点。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,云服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.一种波浪发电机预测性维护模型,其特征在于,包括:
Zc=w*xc;
其中,Zc为当前数据为xc在w*向量轴投影后所得到的值;
则当前波浪发电机运行健康度J为:
当Zc≤μ1+δ1时,波浪发电机运行健康度J为0;
当Zc≥μ2-δ2时,波浪发电机运行健康度J为1;
当μ1+δ1≤Zc≤μ2-δ2时,波浪发电机运行健康度J为:
w*为最佳变换向量;μ1为工作正常类别的数据在w*向量轴投影后所得到的数据的均值;μ2为出现故障类别的数据在w*向量轴投影后所得到的数据的均值;δ1为工作正常类别的数据在w*向量轴投影后所得到的数据的标准差;δ2为出现故障类别的数据在w*向量轴投影后所得到的数据的标准差;
波浪发电机运行健康度J为0-1之间的数,数值越大并越接近于1则表示波浪发电机工作状态越健康;数值越小并越接近于0表示波浪发电机工作状态越不健康。
2.一种波浪发电机预测性维护方法,其特征在于,包括:
采集波浪发电机预测性维护用参数数据;
根据参数数据获取波浪发电机轴承的故障特征频率;
根据故障特征频率获取参数数据中振动信号的循环自相关函数和功率谱密度;
根据功率谱密度的样本数据获取一维空间的最佳投影方向;
根据一维空间的最佳投影方向预测波浪发电机运行健康度;以及
根据波浪发电机运行健康度对波浪发电机运行进行预警。
3.如权利要求2所述的波浪发电机预测性维护方法,其特征在于,
所述采集波浪发电机预测性维护用参数数据的方法包括:
获取波浪发电机的振动信号、工作轴每分钟转速、滚动体直径、轴承节直径、轴承压力角和动体个数。
5.如权利要求4所述的波浪发电机预测性维护方法,其特征在于,
所述根据故障特征频率获取参数数据中振动信号的循环自相关函数和功率谱密度的方法包括:
获取循环频率等于故障特征频率时振动信号的循环自相关函数与功率谱;
对循环频率等于故障特征频率时的振动信号以预设尺度进行小波分解;
对小波分解后的高频系数进行阀值消噪处理;
用小波分解和消噪处理后的与预设尺度相同层数的低频和高频系数重构信号;
选取循环频率等于故障特征频率并计算在该循环频率处重构信号的循环自相关函数值;
对循环自相关函数值取模运算;
获取循环自相关函数模值的功率谱密度。
6.如权利要求5所述的波浪发电机预测性维护方法,其特征在于,
所述根据功率谱密度的样本数据获取一维空间的最佳投影方向的方法包括:
建立数据向量:
x=(x(1),x(2),x(3));
其中,x(1)为循环频率等于内圈故障特征频率处的循环自相关函数幅值功率谱密度;x(2)为循环频率等于外圈故障特征频率处的循环自相关函数幅值功率谱密度;x(3)为循环频率等于滚动体故障特征频率处的循环自相关函数幅值功率谱密度;
获取变换向量w=(w(1),w(2),w(3));
其中,w(1)为循环频率等于内圈故障特征频率处的循环自相关函数幅值功率谱密度系数;w(2)为循环频率等于外圈故障特征频率处的循环自相关函数幅值功率谱密度系数;w(3)为循环频率等于滚动体故障特征频率处的循环自相关函数幅值功率谱密度系数;
获取最佳变换向量w*,即
则,J(w)取最大值时的w为最佳变换向量,即w*;
SB=(m2-m1)(m2-m1)T;
其中,C1为波浪发电机工作正常的类别对应数据样本的集合;C2为波浪发电机出现故障的类别对应数据样本的集合;xa为C1中第a个数据样本;xb为C1中第b个数据样本;N1为C1类别的数据样本总数;N2为C2类别的数据样本总数;S1为C1类别的类内方差;S2为C2类别的类内方差;m1为C1类别的均值向量;m2为C2类别的均值向量;SB为类间协方差矩阵;Sw为类内协方差矩阵;T为转置;
最佳变换向量w*为投影线方向,即样本数据到一维空间的最佳投影方向。
7.如权利要求6所述的波浪发电机预测性维护方法,其特征在于,
所述根据一维空间的最佳投影方向预测波浪发电机运行健康度的方法包括:
获取样本数据在最佳投影方向上进行投影后所得到的数据,出现故障与工作正常两个类别的数据的均值与方差;
μ1=w*Tm1;
μ2=w*Tm2;
其中,μ1为工作正常类别的数据在w*向量轴投影后所得到的数据的均值;μ2为出现故障类别的数据在w*向量轴投影后所得到的数据的均值;δ1为工作正常类别的数据在w*向量轴投影后所得到的数据的标准差;δ2为出现故障类别的数据在w*向量轴投影后所得到的数据的标准差;
则根据标准差可以获取对应的方差;
预测波浪发电机运行健康度,即
当前数据为xc;
Zc=w*xc;
其中,Zc为当前数据为xc在w*向量轴投影后所得到的值;
则当前波浪发电机运行健康度J为:
当Zc≤μ1+δ1时,波浪发电机运行健康度J为0;
当Zc≥μ2-δ2时,波浪发电机运行健康度J为1;
当μ1+δ1≤Zc≤μ2-δ2时,波浪发电机运行健康度J为:
波浪发电机运行健康度J为0-1之间的数,数值越大并越接近于1则表示波浪发电机工作状态越健康;数值越小并越接近于0表示波浪发电机工作状态越不健康。
8.如权利要求7所述的波浪发电机预测性维护方法,其特征在于,
所述根据波浪发电机运行健康度对波浪发电机运行进行预警的方法包括:
当J<J0时,发出提示波浪发电机需进行维护预警信息;
其中,J0为设定的预警阈值;
当发出维护预警信息后无法维护时波浪发电机进入低工作负荷状态,控制浮体收起和放下的时间来改变浮体的工作时间为:
Time=J*T0;
其中,T0为波浪发电机工作正常时所设定的浮体工作时间;Time为在当前波浪发电机运行健康度条件下所设定的浮体工作时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110664685.XA CN113221292A (zh) | 2021-06-16 | 2021-06-16 | 波浪发电机预测性维护模型和维护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110664685.XA CN113221292A (zh) | 2021-06-16 | 2021-06-16 | 波浪发电机预测性维护模型和维护方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221292A true CN113221292A (zh) | 2021-08-06 |
Family
ID=77080372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110664685.XA Withdrawn CN113221292A (zh) | 2021-06-16 | 2021-06-16 | 波浪发电机预测性维护模型和维护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221292A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612358A (zh) * | 2024-01-23 | 2024-02-27 | 山东恒迈信息科技有限公司 | 一种基于数据分析的监测预警管理方法 |
-
2021
- 2021-06-16 CN CN202110664685.XA patent/CN113221292A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612358A (zh) * | 2024-01-23 | 2024-02-27 | 山东恒迈信息科技有限公司 | 一种基于数据分析的监测预警管理方法 |
CN117612358B (zh) * | 2024-01-23 | 2024-04-16 | 山东恒迈信息科技有限公司 | 一种基于数据分析的监测预警管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | A novel deep learning network via multiscale inner product with locally connected feature extraction for intelligent fault detection | |
Ali et al. | Online automatic diagnosis of wind turbine bearings progressive degradations under real experimental conditions based on unsupervised machine learning | |
Bafroui et al. | Application of wavelet energy and Shannon entropy for feature extraction in gearbox fault detection under varying speed conditions | |
US7027953B2 (en) | Method and system for diagnostics and prognostics of a mechanical system | |
Amarnath et al. | Exploiting sound signals for fault diagnosis of bearings using decision tree | |
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
Lin et al. | Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection | |
Al-Balushi et al. | Gear fault diagnosis using energy-based features of acoustic emission signals | |
Wegerich | Similarity based modeling of time synchronous averaged vibration signals for machinery health monitoring | |
Sloukia et al. | Bearings prognostic using mixture of Gaussians hidden Markov model and support vector machine | |
THAMBA et al. | Journal bearing fault detection based on Daubechies wavelet | |
CN107689059B (zh) | 风力发电机组变桨异常的识别方法及装置 | |
Alkhadafe et al. | Condition monitoring of helical gears using automated selection of features and sensors | |
Shuuji et al. | Low-speed bearing fault diagnosis based on improved statistical filtering and convolutional neural network | |
Sugumaran et al. | Fault diagnosis of helical gear box using decision tree through vibration signals | |
Jin et al. | An image recognition method for gear fault diagnosis in the manufacturing line of short filament fibres | |
CN113221292A (zh) | 波浪发电机预测性维护模型和维护方法 | |
CN114235405A (zh) | 振动信号的特征提取方法、设备分析方法及装置 | |
Zhan et al. | Adaptive model for vibration monitoring of rotating machinery subject to random deterioration | |
Wegerich | Similarity‐based modeling of vibration features for fault detection and identification | |
Bendjama et al. | Wavelets and principal component analysis method for vibration monitoring of rotating machinery | |
Hambaba et al. | Multiresolution error detection on early fatigue cracks in gears | |
CN113408399A (zh) | 带有维护预测功能的服务器及系统 | |
Huo et al. | A comparative study of WPD and EMD for shaft fault diagnosis | |
Yang et al. | Basis pursuit‐based intelligent diagnosis of bearing faults |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210806 |
|
WW01 | Invention patent application withdrawn after publication |