CN113705076B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113705076B CN113705076B CN202110767523.9A CN202110767523A CN113705076B CN 113705076 B CN113705076 B CN 113705076B CN 202110767523 A CN202110767523 A CN 202110767523A CN 113705076 B CN113705076 B CN 113705076B
- Authority
- CN
- China
- Prior art keywords
- gearbox
- wind turbine
- oil temperature
- data
- partial
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种基于偏最小二乘法的风电机组齿轮箱状态监测方法,属于风电机组状态监测领域。所述风电机组齿轮箱状态监测方法包括:获取风电机组历史运行数据,选取影响风电机组齿轮箱油温的SCADA参数,并进行数据预处理;利用所选取的SCADA参数构建表征非线性关系的变量,将所选取的SCADA参数和构建的表征非线性关系的变量作为模型输入变量,建立基于偏最小二乘法建立齿轮箱油温模型;根据齿轮箱油温的预测值和实际值的残差分布,设定残差的阈值,建立齿轮箱状态监测模型;通过所述齿轮箱状态监测模型对风电机组齿轮箱进行状态监测。本发明实施例提高了齿轮箱油温模型的拟合优度和预测精度,从而能够更好地对齿轮箱状态进行监测。
Description
技术领域
本发明涉及风电机组状态监测领域,具体地涉及一种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。
背景技术
近年来,随着风电步入平价上网时代,提升风电机组的运行水平和经济效益越来越受到重视。对风电机组进行状态监测,在性能劣化早期阶段及时预警,能够有效降低机组故障和电量损失,提升风电场运行效益。特别是对于偏远地区风电场或海上风电场,由于运维检修不便,提升机组状态监测水平尤为重要。齿轮箱作为风电机组的重要部件,长期运行于变工况、变载荷条件下,易发生齿轮表面磨损等问题,若不及时处理将导致严重故障。由于齿轮箱故障停机时间长、维护成本高,一旦发生严重故障往往造成较大经济损失。因此,开展风电机组齿轮箱状态监测研究,对于机组降低运维成本、提高可靠性具有重要意义。
目前,多种建模方法被应用于基于风电机组数据采集与监控(Supervisorycontrol and data acquisition,SCADA)数据的齿轮箱状态监测,应用最为广泛的方法为人工神经网络方法。人工神经网络能够模拟变量间复杂的非线性关系,在齿轮箱状态监测中应用较为广泛,但存在着模型拟合参数多、训练时间长、易陷入局部最优解等问题。回归分析能够在一定程度上避免这些问题,也被用于齿轮箱状态监测。但是,常用的多元线性回归方法在应用过程中存在着两个问题:1)由于SCADA数据间存在多重线性相关性,可能出现数据量冗余和过拟合等问题;2)多元线性回归方法不能模拟变量间的非线性关系。
发明内容
本发明实施例的目的是提供一种风电机组齿轮箱状态监测方法,该风电机组齿轮箱状态监测方法可以解决常用的多元线性回归方法在齿轮箱状态监测过程中存在的问题。
为了实现上述目的,本发明实施例提供基于偏最小二乘法的风电机组齿轮箱状态监测方法,该方法包括:获取风电机组历史运行数据,选取影响风电机组齿轮箱油温的SCADA参数,并进行数据预处理;利用所选取的SCADA参数构建表征非线性关系的变量,将所选取的SCADA参数和构建的表征非线性关系的变量作为模型输入变量,建立基于偏最小二乘法建立齿轮箱油温模型;根据齿轮箱油温的预测值和实际值的残差分布,设定残差的阈值,建立齿轮箱状态监测模型;通过所述齿轮箱状态监测模型对风电机组齿轮箱进行状态监测。
可选的,所述获取风电机组历史运行数据,选取影响风电机组齿轮箱油温的SCADA参数,包括:从风电机组SCADA系统中获取所述历史运行数据;通过相关性分析,分别计算所述历史运行数据中不同运行参数与齿轮箱油温的相关性;以及根据相关性大小,选取影响风电机组齿轮箱油温的SCADA参数。
可选的,所述相关性分析的计算方法包括皮尔逊相关系数法、斯皮尔曼相关系数法、肯德尔相关系数。
可选的,所述数据预处理包括:根据预设的阈值范围,对所述历史运行数据进行筛选,并删除停机点数据;以及对所述历史运行数据进行数据清洗。
可选的,所述对所述历史运行数据进行数据清洗包括:通过K-medoids聚类算法,对所述历史运行数据进行第一次聚类,初步划分,得到若干分段数据类;针对所得到的不同簇的数据类,通过的流形谱聚类算法,进行第二次聚类;以及以理论风功率曲线为参考,将远离所述理论风功率曲线的类视为异常数据类,从而滤除限功率数据及数据异常值。
可选的,所述利用所选取的SCADA参数构建表征非线性关系的变量包括:根据所述所选取的SCADA参数,分别计算SCADA参数的平方、立方、自然对数和以自然对数为底的指数,选取其任意组合作为表征非线性关系的变量。
可选的,通过下式,表示所述齿轮箱油温模型:
其中,y表示齿轮箱的油温,xi表示输入变量,m表示确定影响风电机组齿轮箱油温的输入变量的个数,li、ki、pi、qi、ri、d表示利用偏最小二乘法回归得到的系数。
可选的,所述根据齿轮箱油温的预测值和实际值的残差分布,设定残差的阈值,建立齿轮箱状态监测模型包括:通过下式,计算齿轮箱油温的预测值与实测值的残差:
R=yj-fj
其中,yj为j时刻齿轮箱油温的预测值;fj为j时刻齿轮箱油温的实际测量值;设定残差分布的上下阈值,计算公式为:
UCL=μ+cσ
LCL=μ-cσ
其中,UCL和LCL分别为齿轮箱油温的预测值和实际值残差的上界阈值和下界阈值;μ和σ分别为残差的均值和标准差;c为根据实验测试数据确定的系数。
可选的,所述通过所述齿轮箱状态监测模型对风电机组齿轮箱进行在线监测包括:获取风电机组齿轮箱的当前运行数据;以所获取的实时运行数据为输入,通过所述齿轮箱油温模型对该齿轮箱的油温进行预测,得到当前预测值;计算所述当前预测值与该齿轮箱油温的当前实测值的当前残差;以及当所述当前残差超出所述上界阈值、或所述下界阈值时,则针对该风电机组齿轮箱发出预警。
本发明实施例还提供一种控制装置,所述控制装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序,以实现根据上述任意一项所述的基于偏最小二乘法的风电机组齿轮箱状态监测方法。
通过上述技术方案,利用偏最小二乘方法对数据进行简化和降维,并在模型中构建能够表征非线性关系的输入变量,提高了齿轮箱油温模型的拟合优度和预测精度,从而能够更好地对齿轮箱状态进行监测。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的风电机组齿轮箱状态监测方法的流程示意图;
图2是本发明实施例提供的对风电机组齿轮箱进行在线监测的流程示意图;
图3是本发明实施例提供的示例流程图;
图4A、图4B是图3示例中历史运行数据清洗前、后对应的示意图;
图5A是图3示例中通过齿轮箱油温模型的预测值的示意图;
图5B是图3示例中通过齿轮箱油温模型的残差的示意图;
图6A是图3示例中通过齿轮箱状态监测模型的预测值的示意图;
图6B是图3示例中通过齿轮箱状态监测模型的残差的示意图。
图7是齿轮箱油温变化趋势图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
图1是本发明实施例提供的风电机组齿轮箱状态监测方法的流程示意图,请参考图1,该基于偏最小二乘法的风电机组齿轮箱状态监测方法可以包括以下步骤:
步骤S110:获取风电机组历史运行数据,选取影响风电机组齿轮箱油温的SCADA参数,并进行数据预处理。
优选的,步骤S110可以包括以下步骤S111-S113。
步骤S111:从风电机组SCADA系统中获取所述历史运行数据。
本发明实施例优选从风电机组数据采集与监控(Supervisory control and dataacquisition,SCADA)系统获取历史运行数据,SCADA积累的大量包含风电机组健康状态的数据,可以对齿轮箱状态进行监测。基于SCADA数据的齿轮箱状态监测能够利用已有数据进行快速开发,无需安装额外传感器,是一种低成本状态监测手段。随着人工智能和大数据分析技术的兴起,基于SCADA数据的齿轮箱状态监测受到越来越多的关注。
例如,可以从SCADA数据的历史运行数据中初步选取包括风速、功率、发电机转速、环境温度、机舱温度等23个参数。
步骤S112:通过相关性分析,分别计算所述历史运行数据中不同运行参数与齿轮箱油温的相关性。
其中,相关性分析的计算方法可以包括皮尔逊相关系数法、斯皮尔曼相关系数法、肯德尔相关系数等。
基于SCADA数据的齿轮箱状态监测的基本原理为:当齿轮箱工作状态正常时,齿轮箱状态监测模型的输入参数为正常工作区间内的运行参数,模型有较好的预测效果。而当齿轮箱工作状态异常时,运行特性的变化会导致运行参数间的关系发生变化,使得模型预测值与实际值的偏差越来越大。因此,通过判断模型预测值与实际值的偏差是否超出设定的阈值范围,可以监测齿轮箱运行状态。
例如,通过相关性分析,分别计算上述23个历史运行数据与齿轮箱油温的相关性,根据相关性大小,选取用于齿轮箱状态监测的齿轮箱油温模型的输入数据。
假设23个历史运行数据中的第i个参数为xi,齿轮箱油温为y。可以采用皮尔逊相关系数计算方法进行相关性分析,表达式可以表示为:
式中:r为变量xi和变量y的皮尔逊相关系数;n为历史运行数据样本数量;xij和yj为分别为变量xi和变量y的第j个样本数据;和/>分别变量xi和变量y的n个样本数据的平均值。
步骤S123:根据相关性大小,选取影响风电机组齿轮箱油温的SCADA参数。
例如,上述23个参数通过式(1)计算后,相关性进行排序,选取相关性从大到小排序中,前m个历史运行数据参数作为输入数据。
优选的,所述数据预处理包括:根据预设的阈值范围,对所述历史运行数据进行筛选,并删除停机点数据;以及对所述历史运行数据进行数据清洗。
以示例说明,可以根据SCADA数据的阈值范围,对超出阈值范围的数据进行剔除,并删除停机状态下的数据。
进一步优选的,所述对所述历史运行数据进行数据清洗包括:通过K-medoids聚类算法,对所述历史运行数据进行第一次聚类,初步划分,得到若干分段数据类;针对所得到的不同簇的数据类,通过具有非凸聚类能力的流形谱聚类算法,进行第二次聚类;以及以理论风功率曲线为参考,将不同类中远离所述理论风功率曲线的类视为异常数据类,从而滤除限功率数据及数据异常值。
步骤S120:利用所选取的SCADA参数构建表征非线性关系的变量,将所选取的SCADA参数和构建的表征非线性关系的变量作为模型输入变量,建立基于偏最小二乘法建立齿轮箱油温模型。
优选的,所述构建表征非线性关系的所述输入变量包括:根据所述输入变量,分别计算输入变量的平方、立方、自然对数和以自然对数为底的指数,选取其任意组合作为表征非线性关系的输入变量。
本发明实施例优选通过偏最小二乘法((Partial least squares,PLS)构建齿轮箱油温模型,PLS方法是一种基于数学统计的线性回归方法,无法处理自变量与因变量之间存在的非线性关系,需要在模型中构建用于表征非线性关系的输入变量。
以示例说明,设置用于齿轮箱状态监测的齿轮箱油温模型的输入参数为{x1,x2,…,xm},即根据步骤S113确定m个输入数据对应的输入参数,则对应的非线性关系的输入变量可以为{x1,x2,…,xm,ln(x1),ln(x2),…,ln(xm)}。
可以通过下式,表示所述齿轮箱油温模型:
其中,其中,y表示齿轮箱的油温,xi表示输入变量,m表示确定影响风电机组齿轮箱油温的输入变量的个数,li、ki、pi、qi、ri、d表示利用偏最小二乘法回归得到的系数。
步骤S130:根据齿轮箱油温的预测值和实际值的残差分布,设定残差的阈值,建立齿轮箱状态监测模型。
优选的,可以通过下式,计算齿轮箱油温的预测值与实测值的残差:
R=yi-fi (3)
其中,其中,yj为j时刻齿轮箱油温的预测值;fj为j时刻齿轮箱油温的实际测量值。
进一步优选的,残差R是一个随机变量,一般服从正态分布,因此通过下式,可以设定该残差分布的上界阈值UCL和下界阈值LCL:
UCL=μ+cσ (4)
LCL=μ-cσ (5)
其中,μ、σ分别表示对齿轮箱油温的预测值和实测值残差R的均值、标准差,c为根据实验数据确定的系数。
步骤S140:通过所述齿轮箱状态监测模型对风电机组齿轮箱进行在线监测。
图2是本发明实施例提供的对风电机组齿轮箱进行在线监测的流程示意图,请参考图2,步骤S140可以包括以下步骤:
步骤S141:获取风电机组齿轮箱的当前运行数据。
可以通过风电机组的传感器获取当前运行数据,也可以通过SCADA获取当前运行数据。
优选的,与步骤S110相似的,对所获取的当前运行数据进行预处理,根据预设的阈值范围,对所述历史运行数据进行筛选,并删除停机点数据;以及对所述历史运行数据进行数据清洗。预处理方式请参考上述内容,此处不再赘述。
步骤S142:以所获取的实时运行数据为输入,通过所述齿轮箱油温模型对该齿轮箱的油温进行预测,得到当前预测值。
通过步骤S130所得到的齿轮箱油温模型对该齿轮箱的油温进行预测,当道当前预测值。
步骤S143:计算所述当前预测值与该齿轮箱油温的当前实测值的当前残差。
通过式(3),计算当前预测值与当前实测值的当前残差。
步骤S144:当所述当前残差超出所述上界阈值、或所述下界阈值时,则针对该风电机组齿轮箱发出预警。
通过式(4)、式(5)判断当前残差是否超出上界阈值UCL、或下界阈值LCL,如果超出则发出预警,否则继续进行监测。
优选的,在实时监测风电机组齿轮箱状态时,会实时获取当前运行数据、即监测数据,通过SCADA的新数据,还可以继续对齿轮箱油温模型进行训练,以得到更优的齿轮箱状态监测模型。
据此,本发明实施例通过历史运行数据对构建的齿轮箱油温模型进行训练,得到齿轮箱监测模型,以对风电机组齿轮箱进行在线监测;本发明实施例基于偏最小二乘法构建齿轮箱油温模型,利用偏最小二乘方法对历史运行数据进行简化和降维,并在齿轮箱油温模型中构建能够用于表征非线性关系的输入变量,以更好地对齿轮箱状态进行监测。
请参考图3,通过一个示例,进一步描述本发明实施例的有效性。选取国内某风电场9号风电机组的SCADA数据进行实验。该风电机组的额定功率为1.5MW,获取以10分钟时间间隔平均的SCADA数据作为历史运行数据,采集数据的时间范围为2019年1月1日至2019年6月26日。该风电机组在6月26日夜间出现齿轮箱故障。为了体现本发明实施例提供的齿轮箱状态监测模型的监测效果,采用具有一层隐含层的BP神经网进行对比。采用三种指标对该齿轮箱状态监测模型的定标和预测效果进行评价,分别是模型的拟合优度、平均绝对误差(MAE)和预测均方根误差(RMSEP)。
在离线训练阶段(对应着步骤S110-S130),获取上述提供的历史运行数据后,对历史运行数据进行预处理,预处理的过程请参考步骤S110所包括的内容,此处不再赘述。图4A、图4B示出了K-medoids聚类和流形谱聚类对历史运行数据进行清洗前、后的对应结果,经过这两种无监督聚类过滤后,能有效滤除限功率数据及数据异常值等。
选取历史运行数据中23个影响风电机组运行的参数,具体参数列表如表1所示。通过式(1)对应计算其与齿轮箱油温参数的相关性,部分结果可以参考表2。本示例确定与齿轮箱油温相关的14个参数作为PLS齿轮箱油温模型的输入参数,且齿轮箱油温即为该S齿轮箱油温模型的输出参数。
表1选取的23个SCADA参数
表2部分参数与齿轮箱油温的相关系数
确定输入参数后,对应选取2019年1月份的SCADA中的历史运行数据作为训练样本,对应选取2019年2月份的SCADA中的历史运行数据作为测试样本,用于评价PLS齿轮箱状态监测模型和BP神经网络模型的定标和预测效果。
根据式(2),利用PLS方法建立齿轮箱油温模型。基于PLS的齿轮箱油温模型计算的预测值如图5A所示,残差如图5B所示。由图5A可知,当齿轮箱工作正常时,PLS齿轮箱油温模型的预测值与实际值基本吻合。根据残差分布,选取残差的最大值和最小值分别作为上界阈值和下界阈值,并根据式(4)和式(5)计算系数c,可以选取计算结果的最大值作为系数c的取值。根据计算结果,c的取值为4.7。由此得到,上界阈值为9.3℃,上界阈值为-8.2℃。
通过上述训练样本对PLS齿轮箱油温模型进行训练,得到PLS齿轮箱状态监测模型(简称PLS模型)。PLS模型和BP神经网络模型的定标和预测效果如表3所示。相比于BP神经网络模型,PLS模型对于训练数据的拟合效果更好,同时具有更高的预测准确性。
通过上述训练样本对其进行训练,得到齿轮箱状态监测模型
表3不同的齿轮箱油温预测模型的定标和预测性能比较
将基于PLS的齿轮箱状态监测模型应用于2019年2月1日至2019年6月26日期间的9号风电机组齿轮箱状态监测,结果预测值如图6A,残值如6B所示。第一个预警信号于2019年4月8日4点10分发出,此刻残差值22.6℃,明显超出上界阈值。而在此之前,残差持续在正常阈值范围内。此时可以判断齿轮箱状态异常,发出故障预警。此后直至齿轮箱发生故障,残差多次明显超出正常阈值范围。2019年6月26日9号风电机组齿轮箱出现故障并停机。由此可见,本发明实施例基于PLS齿轮箱状态监测模型能够大概提前2个半月,对齿轮箱故障进行有效预警。
风电机组齿轮箱油温阈值一般设为75℃,当齿轮箱油温超过75℃时,将进行油温高报警。2019年1月1日至2019年6月26日期间的9号风电机组齿轮箱油温的变化趋势如图5所示。2019年6月2日4点30分,齿轮箱油温达到77.4℃,超出油温阈值,发出油温高报警。而在此之前,油温持续在正常阈值范围内。此时可以判断齿轮箱状态异常,发出故障预警。此后直至齿轮箱发生故障,油温也多次超出正常阈值范围。由此可见,利用齿轮箱油温阈值进行判断,能够提前约24天,对齿轮箱故障进行预警。相比而言,本文建立的基于PLS齿轮箱状态监测模型,能够提前约8周对齿轮箱故障进行预警,表明本文模型在齿轮箱故障预警上具有较大的应用潜力。
本发明实施例还提供一种控制装置,所述控制装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序,以实现根据步骤S110-S140所述的基于偏最小二乘法的风电机组齿轮箱状态监测方法。
本发明实施例一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令使得机器执行根据步骤S110-S140所述的基于偏最小二乘法的风电机组齿轮箱状态监测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种基于偏最小二乘法的风电机组齿轮箱状态监测方法,其特征在于,所述基于偏最小二乘法的风电机组齿轮箱状态监测方法包括:
获取风电机组历史运行数据,选取影响风电机组齿轮箱油温的SCADA参数,并进行数据预处理;
利用所选取的SCADA参数构建表征非线性关系的变量,将所选取的SCADA参数和构建的表征非线性关系的变量作为模型输入变量,建立基于偏最小二乘法建立齿轮箱油温模型;
根据齿轮箱油温的预测值和实际值的残差分布,设定残差的阈值,建立齿轮箱状态监测模型;
通过所述齿轮箱状态监测模型对风电机组齿轮箱进行状态监测,
通过下式,表示所述齿轮箱油温模型:
其中,y表示齿轮箱的油温,xi表示输入变量,m表示确定影响风电机组齿轮箱油温的输入变量的个数,li、ki、pi、qi、ri、d表示利用偏最小二乘法回归得到的系数。
2.根据权利要求1所述的基于偏最小二乘法的风电机组齿轮箱状态监测方法,其特征在于,所述获取风电机组历史运行数据,选取影响风电机组齿轮箱油温的SCADA参数,包括:
从风电机组SCADA系统中获取所述历史运行数据;
通过相关性分析,分别计算所述历史运行数据中不同运行参数与齿轮箱油温的相关性;以及
根据相关性大小,选取影响风电机组齿轮箱油温的SCADA参数。
3.根据权利要求2所述的基于偏最小二乘法的风电机组齿轮箱状态监测方法,其特征在于,所述相关性分析的计算方法包括皮尔逊相关系数法、斯皮尔曼相关系数法、肯德尔相关系数。
4.根据权利要求1所述的基于偏最小二乘法的风电机组齿轮箱状态监测方法,其特征在于,所述数据预处理包括:
根据预设的阈值范围,对所述历史运行数据进行筛选,并删除停机点数据;以及
对所述历史运行数据进行数据清洗。
5.根据权利要求4所述的基于偏最小二乘法的风电机组齿轮箱状态监测方法,其特征在于,所述对所述历史运行数据进行数据清洗包括:
通过K-medoids聚类算法,对所述历史运行数据进行第一次聚类,初步划分,得到若干分段数据类;
针对所得到的不同簇的数据类,通过的流形谱聚类算法,进行第二次聚类;以及
以理论风功率曲线为参考,将远离所述理论风功率曲线的类视为异常数据类,从而滤除限功率数据及数据异常值。
6.根据权利要求1所述的基于偏最小二乘法的风电机组齿轮箱状态监测方法,其特征在于,所述利用所选取的SCADA参数构建表征非线性关系的变量包括:
根据所述所选取的SCADA参数,分别计算SCADA参数的平方、立方、自然对数和以自然对数为底的指数,选取其任意组合作为表征非线性关系的变量。
7.根据权利要求1所述的基于偏最小二乘法的风电机组齿轮箱状态监测方法,其特征在于,所述根据齿轮箱油温的预测值和实际值的残差分布,设定残差的阈值,建立齿轮箱状态监测模型包括:
通过下式,计算齿轮箱油温的预测值与实测值的残差:
R=yj-fj
其中,yj为j时刻齿轮箱油温的预测值;fj为j时刻齿轮箱油温的实际测量值;
设定残差分布的上下阈值,计算公式为:
UCL=μ+cσ
LCL=μ-cσ
其中,UCL和LCL分别为齿轮箱油温的预测值和实际值残差的上界阈值和下界阈值;μ和σ分别为残差的均值和标准差;c为根据实验测试数据确定的系数。
8.根据权利要求1所述的风电机组齿轮箱状态监测方法,其特征在于,所述通过所述齿轮箱状态监测模型对风电机组齿轮箱进行在线监测包括:
获取风电机组齿轮箱的当前运行数据;
以所获取的实时运行数据为输入,通过所述齿轮箱油温模型对该齿轮箱的油温进行预测,得到当前预测值;
计算所述当前预测值与该齿轮箱油温的当前实测值的当前残差;以及
当所述当前残差超出上界阈值、或下界阈值时,则针对该风电机组齿轮箱发出预警。
9.一种控制装置,其特征在于,所述控制装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序,以实现根据权利要求1至8中任意一项所述的基于偏最小二乘法的风电机组齿轮箱状态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767523.9A CN113705076B (zh) | 2021-07-07 | 2021-07-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767523.9A CN113705076B (zh) | 2021-07-07 | 2021-07-07 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705076A CN113705076A (zh) | 2021-11-26 |
CN113705076B true CN113705076B (zh) | 2024-04-19 |
Family
ID=78648694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110767523.9A Active CN113705076B (zh) | 2021-07-07 | 2021-07-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705076B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114563987A (zh) * | 2022-01-24 | 2022-05-31 | 徐工汉云技术股份有限公司 | 一种基于scada和mes系统的车间设备监控方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110410282A (zh) * | 2019-07-24 | 2019-11-05 | 河北工业大学 | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 |
CN110907066A (zh) * | 2019-11-30 | 2020-03-24 | 华能如东八仙角海上风力发电有限责任公司 | 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法 |
CN111581597A (zh) * | 2020-03-17 | 2020-08-25 | 华电电力科学研究院有限公司 | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 |
CN112085256A (zh) * | 2020-08-13 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 考虑负荷跃变的全周期负荷预测方法 |
WO2021072890A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
CN112784373A (zh) * | 2021-01-19 | 2021-05-11 | 河北大学 | 一种风电机组齿轮箱的故障预警方法 |
-
2021
- 2021-07-07 CN CN202110767523.9A patent/CN113705076B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110410282A (zh) * | 2019-07-24 | 2019-11-05 | 河北工业大学 | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 |
WO2021072890A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
CN110907066A (zh) * | 2019-11-30 | 2020-03-24 | 华能如东八仙角海上风力发电有限责任公司 | 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法 |
CN111581597A (zh) * | 2020-03-17 | 2020-08-25 | 华电电力科学研究院有限公司 | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 |
CN112085256A (zh) * | 2020-08-13 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 考虑负荷跃变的全周期负荷预测方法 |
CN112784373A (zh) * | 2021-01-19 | 2021-05-11 | 河北大学 | 一种风电机组齿轮箱的故障预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113705076A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leahy et al. | Diagnosing wind turbine faults using machine learning techniques applied to operational data | |
WO2020211109A1 (zh) | 基于模型全生命周期管理的设备故障预警系统 | |
Liu et al. | Intelligent wind turbine blade icing detection using supervisory control and data acquisition data and ensemble deep learning | |
Colone et al. | Predictive repair scheduling of wind turbine drive‐train components based on machine learning | |
Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
WO2020142542A1 (en) | Methods and systems for predicting risk of observable damage in wind turbine gearbox components | |
Abid et al. | Fault prognostics for the predictive maintenance of wind turbines: State of the art | |
Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
Zhu et al. | Operational state assessment of wind turbine gearbox based on long short-term memory networks and fuzzy synthesis | |
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 | |
CN112431726A (zh) | 一种风电机组齿轮箱轴承状态监测方法 | |
Wang et al. | Wind turbine fault detection and identification through self-attention-based mechanism embedded with a multivariable query pattern | |
Campoverde-Vilela et al. | Anomaly-based fault detection in wind turbine main bearings | |
De Oliveira-Filho et al. | Condition monitoring of wind turbine main bearing using SCADA data and informed by the principle of energy conservation | |
CN112257224A (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
CN114254904B (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN115842408A (zh) | 基于scada的风电场运行状态检测系统及方法 | |
CN113052716B (zh) | 风力发电机组主轴承的异常预警方法及装置 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
Tutiv'en et al. | Wind turbine main bearing condition monitoring via convolutional autoencoder neural networks | |
Gray et al. | A practical approach to the use of scada data for optimized wind turbine condition based maintenance | |
Ristić et al. | A short overview on Industry 4.0 in maintenance of hydropower plants | |
Pandit et al. | A comprehensive review on enhancing wind turbine applications with advanced SCADA data analytics and practical insights | |
Ayman et al. | Fault Detection in Wind Turbines using Deep Learning |
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 |