CN113917271B - 一种风电滑环退化状态在线追踪预测方法 - Google Patents
一种风电滑环退化状态在线追踪预测方法 Download PDFInfo
- Publication number
- CN113917271B CN113917271B CN202111393127.0A CN202111393127A CN113917271B CN 113917271 B CN113917271 B CN 113917271B CN 202111393127 A CN202111393127 A CN 202111393127A CN 113917271 B CN113917271 B CN 113917271B
- Authority
- CN
- China
- Prior art keywords
- slip ring
- wind power
- degradation state
- degradation
- power slip
- 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
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 37
- 230000015556 catabolic process Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000036541 health Effects 0.000 claims abstract description 31
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000000630 rising effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电滑环退化状态在线追踪预测方法，选用多个传感器对退化状态进行信息收集，并在重构后通过主成分分析法构件健康指标，采用窗口滑动的方式根据健康指标对滑环的退化状态进行追踪预测，并能够及时发出故障预警；本方案预测精度高，采用了包含半径和均方根来构件健康指标，其所反映的退化过程更加清楚有效，整体提高了工作效率，降低了故障率。
Description
技术领域
本发明涉及风电变桨滑环检修方法，具体涉及一种风电滑环退化状态在线追踪预测方法。
背景技术
在风电变桨滑环系统中，滑环与电刷之间的导电性能和摩擦性能决定了整个系统的可靠性。当滑环退化到一定程度后，接触元件的性能将达到失效的极限值，在这样的环境下，极容易导致整个发电系统发生紊乱，造成严重事故发生。
公开号为CN104865472B的专利《风电滑环检测系统及其检测方法》，采用上位机系统，配合硬件来代替受主观影响大的人工检测方法，提高了检测效率。然而，该方法只是依赖于传统的机械检测，无法进行数据采集、分析以及预测等等工作，在检测效率上仍旧存在局限性，且精度不高。
发明内容
发明目的：本发明的目的是提供一种能够良好反映滑环的退化过程，从而进行追踪预测的风电滑环退化状态在线追踪预测方法。
技术方案：本发明所述的一种风电滑环退化状态在线追踪预测方法，包括以下步骤：
(1)选用振动传感器、扭矩传感器、电流传感器和电压传感器对滑环的退化信号进行实时收集，同时利用压缩感知的方式进行压缩采样；
(2)将压缩采样后得到的数据传输到数据采集系统中，并重构出原始信号；
(3)对采集的扭矩信号处理得到摩擦系数信号，对采集的电流和电压信号处理后得到电阻信号，获取预期的数据集后，对振动信号、摩擦系数信号与电阻信号进行小波去噪处理；
(4)选用混沌参数包含半径和统计参数均方根对风电滑环的退化过程进行特征提取，其中混沌参数包含半径为包含所有相点的最小超球面半径ε，计算该包含半径的具体步骤为，将测量的摩擦信号重构到高维相空间中，对一系列ε分别计算器关联积分C(ε)，在绘制LogC(ε)-Logε曲线后，确定封闭区域，随后在LogC(ε)稳定在0时，确定分别区域左端点的横坐标，该横坐标即为包含半径的对数，由此得到包含半径；
(5)通过主成分分析法将提取的各个特征参数进行降维处理，并将处理后得到的第一主成分作为滑环各环路的健康指标；
(6)建立基于长短期记忆神经网络的退化预测模型；
(7)将健康指标进行窗口划分，以窗口滑动的方式，实现滑环的退化状态在线追踪预测；
(8)将当前健康指标和预测值与之前的健康指标进行对比，若健康指标预测值的上升趋势较为明显，则触发故障预警，反之则滑环的健康状态良好。
通过上述技术方案，采用多个传感器对滑环的工作状况、退化信息进行全面收集，根据收集得到的信息进行处理得到通过包含半径和均方根构件的健康指标，该健康指标可以清楚、明确地反映滑环的退化过程，由此实现了对滑环退化的在线追踪预测。
优选的，在步骤(1)中，在风电滑环上安装一个振动传感器和一个扭矩传感器，并在每个环路内以串联的方式接入一个电流传感器、以并联的方式接入一个电压传感器，由此能够在控制成本的前提下实现对风电滑环工作状况退化信息的收集。
优选的，在步骤(1)中，振动传感器、扭矩传感器、电流传感器和电压传感器的采样频率相同，这样可以保证在需要信息融合的极端数据的长度相等。
优选的，上述传感器的采样频率在20kHz～30kHz内，在该范围内收集得到的信息进行处理后得到的健康指标更有效。
优选的，在步骤(2)中，通过数值最优算法重构原始信号。
优选的，在步骤(6)中，采用粒子群优化算法对模型的参数进行优化，这样可以提高模型参数的稳定性，达到最优的效果。
优选的，在步骤(7)中，窗口滑动的方式具体为，将每个窗口对应一个健康指标值，对于当前时间的窗口，将其前一段的窗口数据输入模型进行训练后，便可预测下一段窗口数据的变化趋势，随着时间推移到下一个窗口时，重复上述步骤。
优选的，在步骤(8)中，风电滑环中一个环路发出故障预警，就判定为整个滑环发生故障预警。
有益效果：本发明与现有技术相比，所带来的显著优点有：1、采用多个传感器对退化信息进行全面收集，提高了预测精度；2、采用包含半径和均方根来构建健康指标，其反映的退化过程更为有效清楚；3、可实现对风电滑环退化状况的在线追踪预测，有效提高了工作效率，降低了故障概率。
附图说明
图1为本发明的步骤流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，所述的风电滑环退化状态在线追踪预测方法，包括以下步骤：
(1)在风电滑环上安装一个振动传感器和一个扭矩传感器，并在每个环路内以串联的方式接入一个电流传感器、以并联的方式接入一个电压传感器，利用这些传感器对滑环的退化信号进行实时收集，同时利用压缩感知的方式进行压缩采样，每个传感器的采样频率均为25kHz；
(2)将采样后得到的数据传输到数据采集系统中，并通过数值最优算法重构原始信号；
(3)将采集的扭矩信号进行处理得到摩擦系数信号，对采集的电流和电压信号处理得到电阻信号，获取预期的数据集后，对振动信号、摩擦系数信号和电阻信号进行小波去噪处理；
(4)选用混沌参数包含半径和统计参数均方根对风电滑环的退化过程进行特征提取，其中混沌参数包含半径为包含所有相点的最小超球面半径ε，计算该包含半径的具体步骤为，将测量的摩擦信号重构到高维相空间中，对一系列ε分别计算器关联积分C(ε)，在绘制LogC(ε)-Logε曲线后，确定封闭区域，随后在LogC(ε)稳定在0时，确定分别区域左端点的横坐标，该横坐标即为包含半径的对数，由此得到包含半径；
(5)通过主成分分析法将提取的各个特征参数进行降维处理，并将处理后得到的第一主成分作为滑环各环路的健康指标，该健康指标将随着退化程度的加重而升高；
(6)建立基于长短期记忆神经网络的退化预测模型，并采用粒子群优化算法对模型的参数进行优化；
(7)将健康指标进行窗口划分，以窗口滑动的方式，实现滑环的退化状态在线追踪预测，具体窗口滑动的方式为，将每个窗口对应一个健康指标值，对于当前时间的窗口，将其前一段的窗口数据输入模型进行训练后，便可预测下一段窗口数据的变化趋势，随着时间推移到下一个窗口时，重复上述步骤；
(8)将当前健康指标和预测值与之前的健康指标进行对比，若健康指标预测值的上升趋势较为明显，则触发故障预警，反之则滑环的健康状态良好，其中，风电滑环中只要有一个环路发出故障预警，则判定为整个滑环发生故障预警。
在上述实施例中，选取窗口为90、180、270、360、450、540作为预测起点A、B、C、D、E、F；
采用平均绝对误差(MAE)、均方根误差(RMSE)和平均百分比误差(MAPE)三个评估参数，进一步验证新提出的健康指标运用LSTM模型的预测结果：
三个评估参数的表达式分别为：
式中，n为预测时间的长度，Acti为实际的健康指标值，Prei为预测的健康指标值。
经计算后各个预测点的评估参数如下表所示：
Claims (8)
1.一种风电滑环退化状态在线追踪预测方法，其特征在于，包括以下步骤：
(1)选用振动传感器、扭矩传感器、电流传感器和电压传感器对滑环的退化信号进行实时收集，同时利用压缩感知的方式进行压缩采样；
(2)将压缩采样后得到的数据传输到数据采集系统中，并重构出原始信号；
(3)对采集的扭矩信号进行处理得到摩擦系数信号，对采集的电流和电压信号处理后得到电阻信号，获取预期的数据集后，对振动信号、摩擦系数信号与电阻信号进行小波去噪处理；
(4)选用混沌参数包含半径和统计参数均方根对风电滑环的退化过程进行特征提取，其中混沌参数包含半径为包含所有相点的最小超球面半径ε，计算该包含半径的具体步骤为，将测量的摩擦信号重构到高维相空间中，对一系列ε分别计算器关联积分C(ε)，在绘制LogC(ε)-Logε曲线后，确定封闭区域，随后在LogC(ε)稳定在0时，确定分别区域左端点的横坐标，该横坐标即为包含半径的对数，由此得到包含半径；
(5)通过主成分分析法将提取的各个特征参数进行降维处理，并将处理后得到的第一主成分作为滑环各环路的健康指标；
(6)建立基于长短期记忆神经网络的退化预测模型；
(7)将健康指标进行窗口划分，以窗口滑动的方式，实现滑环的退化状态在线追踪预测；
(8)将当前健康指标和预测值与之前的健康指标进行对比，若健康指标预测值的上升趋势较为明显，则触发故障预警，反之则滑环的健康状态良好。
2.根据权利要求1所述的风电滑环退化状态在线追踪预测方法，其特征在于，在步骤(1)中，在风电滑环上安装一个振动传感器和一个扭矩传感器，并在每个环路内以串联的方式接入一个电流传感器、以并联的方式接入一个电压传感器。
3.根据权利要求1所述的风电滑环退化状态在线追踪预测方法，其特征在于，在步骤(1)中，所述的振动传感器、扭矩传感器、电流传感器和电压传感器的采样频率相同。
4.根据权利要求3所述的风电滑环退化状态在线追踪预测方法，其特征在于，在步骤(1)中，所述的振动传感器、扭矩传感器、电流传感器和电压传感器的采样频率在20kHz～30kHz范围内。
5.根据权利要求1所述的风电滑环退化状态在线追踪预测方法，其特征在于，在步骤(2)中，通过数值最优算法重构原始信号。
6.根据权利要求1所述的风电滑环退化状态在线追踪预测方法，其特征在于，在步骤(6)中，采用粒子群优化算法对模型的参数进行优化。
7.根据权利要求1所述的风电滑环退化状态在线追踪预测方法，其特征在于，在步骤(7)中，窗口滑动的方式具体为，将每个窗口对应一个健康指标值，对于当前时间的窗口，将其前一段的窗口数据输入模型进行训练后，便可预测下一段窗口数据的变化趋势，随着时间推移到下一个窗口时，重复上述步骤。
8.根据权利要求1所述的风电滑环退化状态在线追踪预测方法，其特征在于，在步骤(8)中，风电滑环中一个环路发出故障预警，就判定为整个滑环发生故障预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111393127.0A CN113917271B (zh) | 2021-11-23 | 2021-11-23 | 一种风电滑环退化状态在线追踪预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111393127.0A CN113917271B (zh) | 2021-11-23 | 2021-11-23 | 一种风电滑环退化状态在线追踪预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113917271A CN113917271A (zh) | 2022-01-11 |
| CN113917271B true CN113917271B (zh) | 2023-10-27 |
Family
ID=79247875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111393127.0A Active CN113917271B (zh) | 2021-11-23 | 2021-11-23 | 一种风电滑环退化状态在线追踪预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113917271B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997014608A1 (fr) * | 1995-10-17 | 1997-04-24 | Seiko Epson Corporation | Dispositif de detection, dispositif fournissant une force d'entrainement a l'aide dudit dispositif et dispositif d'ajustement au point zero pour un detecteur de couple dans le dispositif fournissant une force d'entrainement |
| US6507797B1 (en) * | 2000-05-30 | 2003-01-14 | General Electric Company | Direct current machine monitoring system and method |
| CN104865472A (zh) * | 2015-06-01 | 2015-08-26 | 杭州全盛机电科技有限公司 | 风电滑环检测系统及其检测方法 |
| CN106444377A (zh) * | 2016-10-09 | 2017-02-22 | 江苏大学 | 基于pso‑fsvm的赖氨酸发酵过程关键变量软测量方法及系统 |
| CN109460618A (zh) * | 2018-11-13 | 2019-03-12 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
| CN112418277A (zh) * | 2020-11-03 | 2021-02-26 | 西安电子科技大学 | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 |
| CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
| CN113405799A (zh) * | 2021-05-20 | 2021-09-17 | 新疆大学 | 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9500710B2 (en) * | 2012-10-15 | 2016-11-22 | Siemens Energy, Inc. | Generator neutral ground monitoring system and method |
| WO2016200768A1 (en) * | 2015-06-07 | 2016-12-15 | PCN Technology, Inc. | Systems and methods of communication on slip rings and slip ring monitoring |
-
2021
- 2021-11-23 CN CN202111393127.0A patent/CN113917271B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997014608A1 (fr) * | 1995-10-17 | 1997-04-24 | Seiko Epson Corporation | Dispositif de detection, dispositif fournissant une force d'entrainement a l'aide dudit dispositif et dispositif d'ajustement au point zero pour un detecteur de couple dans le dispositif fournissant une force d'entrainement |
| US6507797B1 (en) * | 2000-05-30 | 2003-01-14 | General Electric Company | Direct current machine monitoring system and method |
| CN104865472A (zh) * | 2015-06-01 | 2015-08-26 | 杭州全盛机电科技有限公司 | 风电滑环检测系统及其检测方法 |
| CN106444377A (zh) * | 2016-10-09 | 2017-02-22 | 江苏大学 | 基于pso‑fsvm的赖氨酸发酵过程关键变量软测量方法及系统 |
| CN109460618A (zh) * | 2018-11-13 | 2019-03-12 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
| CN112418277A (zh) * | 2020-11-03 | 2021-02-26 | 西安电子科技大学 | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 |
| CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
| CN113405799A (zh) * | 2021-05-20 | 2021-09-17 | 新疆大学 | 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法 |
Non-Patent Citations (8)
| Title |
|---|
| 光电滑环性能动态检测技术研究;高泽仁;周丰;赵庆佳;芦春锋;岳宝花;张戈;;中国电子科学研究院学报(02);全文 * |
| 基于多场耦合建模与Bootstrap 方法的 滑环可靠性评估.北京航空航天大学学报.2019,全文. * |
| 基于支持向量数据描述的剩余寿命预测方法;武千惠;黄必清;;计算机集成制造系统(11);全文 * |
| 基于状态追踪特征相空间重构的轴承寿命预测方法;柏林;闫康;刘小峰;;振动与冲击(23);全文 * |
| 多退化变量下基于实时健康度的相似性寿命预测方法;谷梦瑶;陈友玲;王新龙;;计算机集成制造系统(02);全文 * |
| 小子样下导电滑环磨损失效仿真的可靠性评估研究;孙远航;余建波;刘贤军;孙习武;王永松;;宇航学报(05);全文 * |
| 磨合吸引子的演化规律及其系统依赖性研究;周元凯;中国博士学位论文全文数据库 工程科技Ⅱ辑;全文 * |
| 齿轮箱混沌特性与故障诊断研究;蒋宇;中国博士学位论文全文数据库 工程科技Ⅱ辑;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113917271A (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107101813B (zh) | 一种基于振动信号的框架式断路器机械故障程度评估方法 | |
| CN104634571B (zh) | 一种基于lcd‑mf的滚动轴承故障诊断方法 | |
| CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
| CN110059357A (zh) | 一种基于自编码网络的智能电能表故障分类检测方法及系统 | |
| CN112800686A (zh) | 一种变压器dga在线监测数据异常模式判定方法 | |
| CN110071913A (zh) | 一种基于无监督学习的时间序列异常检测方法 | |
| CN105718876A (zh) | 一种滚珠丝杠健康状态的评估方法 | |
| CN115412455A (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
| CN114896861B (zh) | 基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法 | |
| CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN116756595A (zh) | 一种导电滑环故障数据采集监测方法 | |
| CN108154256A (zh) | 预测风险值的确定方法及装置、存储介质 | |
| CN105205113A (zh) | 一种时序数据异常变化过程的挖掘系统及方法 | |
| CN109632973A (zh) | 一种基于多尺度匹配追踪的超声回波信号提取方法 | |
| CN110060368A (zh) | 基于潜在特征编码的机械异常检测方法 | |
| Sheng et al. | Bearing performance degradation assessment and remaining useful life prediction based on data-driven and physical model | |
| CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
| CN115827577A (zh) | 智能电表高频数据压缩与重构的云端协同自适应分治方法 | |
| CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
| CN105064993A (zh) | 一种基于电导探针阵列信息融合的垂直井含水率测量方法 | |
| CN113917271B (zh) | 一种风电滑环退化状态在线追踪预测方法 | |
| CN114708675A (zh) | 基于dae的电潜泵故障诊断方法、系统、终端及介质 | |
| CN115392381A (zh) | 基于无迹卡尔曼滤波的时间序列异常检测方法 | |
| CN113125886B (zh) | 一种针对电能质量扰动源的定位方法 | |
| CN117724935B (zh) | 一种软件系统多指标异常检测方法及系统 |
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 |