CN114118553A - 一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法 - Google Patents
一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法 Download PDFInfo
- Publication number
- CN114118553A CN114118553A CN202111358770.XA CN202111358770A CN114118553A CN 114118553 A CN114118553 A CN 114118553A CN 202111358770 A CN202111358770 A CN 202111358770A CN 114118553 A CN114118553 A CN 114118553A
- Authority
- CN
- China
- Prior art keywords
- equipment
- roller bearing
- tapered roller
- row tapered
- degradation
- 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.)
- Pending
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 41
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012423 maintenance Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000006866 deterioration Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 2
- 238000012067 mathematical method Methods 0.000 claims 1
- 230000001932 seasonal effect Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000010248 power generation Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明针对现有技术对兆瓦级永磁直驱风力发电机发电机单个双列圆锥滚子轴承劣化程度方面应用不足的情况,提出一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法,有助于掌握发电机单个双列圆锥滚子轴承劣化程度与劣化趋势,预测未来永磁直驱风力发电机发电机单个双列圆锥滚子轴承劣化程度,有助于现场人员合理安排检修计划,避免“过维修”与“欠维修”问题,提高风机的发电效益和现场人员维修效率。
Description
技术领域
本发明涉及的是一种风电技术领域的发电机发电机单个双列圆锥滚子轴承劣化程度识别技术,是对兆瓦级永磁直驱风力发电机的发电机单个双列圆锥滚子轴承劣化程度识别、劣化趋势预测的技术。
背景技术
据统计,兆瓦级永磁直驱风力发电机故障中,发电机单个双列圆锥滚子轴承故障有发电机单个双列圆锥滚子轴承过热、损坏,发电机单个双列圆锥滚子轴承声音过大或出现异响,发电机单个双列圆锥滚子轴承出现明显振动,发电机单个双列圆锥滚子轴承磨损变形等。一旦发生故障或失效,将直接影响整个机组的安全稳定运行,甚至可能导致整个风机的损坏。兆瓦级永磁直驱风力发电机组外部工作环境一般处于户外高温、高湿、高海拔、盐雾当中,机组运行中还会受到局部强力旋转气流、大风等情况,都可能引起发电机单个双列圆锥滚子轴承不同程度的磨损。多数情况下设备未彻底损坏,只是因长时间部件出现局部劣化,系统运行依然良好,这样设备损坏不易被发现,日常维护过程中也容易忽略该部位,一旦设备进一步劣化造成故障甚至事故,会耗费大量的人力物力进行抢修。
提前掌握兆瓦级永磁直驱风力发电机发电机单个双列圆锥滚子轴承的劣化程度和劣化趋势,预测部件的劣化程度,了解风电机组状态,在可预知情况下合理安排检修,有助于提高整机的可靠性和利用率。
发明内容
本发明提出一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法,基于SCADA系统监测数据和传感器采集数据,运用大数据分析方法,分析兆瓦级永磁直驱风力发电机发电机单个双列圆锥滚子轴承劣化程度,构建劣化模型,预测未来一年设备劣化趋势。
本发明提供的一种兆瓦级永磁直驱风力发电机设备劣化程度识别方法,具体步骤如下:
(1)数据采集:1、从SCADA系统中抽取发电机单个双列圆锥滚子轴承相关温度方面、风况方面等运行数据;2、通过振动传感器、声音传感器等采集相关数据。
(2)特征参数提取:1、计算从抽取的发电机单个双列圆锥滚子轴承相关温度方面、风况方面等运行数据与发电机单个双列圆锥滚子轴承状态的相关系数,提取相关系数较大的特征参数;2、计算从传感器采集的数据与发电机单个双列圆锥滚子轴承状态的相关系数,提取相关系数较大的特征参数。
(3)通过bagging算法将永磁直驱风力发电机中的各个特征参数进行结合,算出永磁直驱风力发电机发电机单个双列圆锥滚子轴承状态和筛选后的特征参数之间的权重比;
(4)历史参数分析:考虑不同工况,确定风机正常运行的区间,分析风电机组设备历史特征参数情况。
(5)劣化趋势预测模型建立:搭建时间序列劣化趋势预测模型,预测风电机组设备未来一年劣化趋势。
与现有技术相比,本发明提供一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法,利用SCADA系统监测的设备和传感器测量相关大数据,搭建劣化趋势预测模型,识别发电机单个双列圆锥滚子轴承劣化程度,避免故障停机造成的损失,提高风电场的发电效益。
附图说明
图1流程示意图
具体实施方式
下面结合附图对本发明的实施方式作详细说明,本发明的具体实施过程如图1所示:
(1)数据采集:1、从SCADA系统中抽取发电机单个双列圆锥滚子轴承相关温度方面、风况方面等运行数据;2、通过振动传感器、声音传感器等采集相关数据。
(2)特征参数提取:1、计算从抽取的发电机单个双列圆锥滚子轴承相关温度方面、风况方面等运行数据与发电机单个双列圆锥滚子轴承状态的相关系数;2、计算从传感器采集的数据与发电机单个双列圆锥滚子轴承的相关系数。选择相关系数大于0.8的因素作为风机设备的特征参数,相关系数公式如下所示:
其中,Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差。
(3)通过bagging算法将永磁直驱风力发电机中的各个部件进行结合,算出永磁直驱风力发电机状态和筛选后的特征参数之间的权重比,Bagging泛化误差的包外估计为:
(4)历史参数分析:分析历史数据,并对特征参数进行归一化处理,公式如下所示:
表征现在设备所处于的状态,1代表故障状态,0代表健康状态,结果越接近1,表明该设备故障几率越大。为排除本身故障对结果的影响,计算时需考虑同一时间维度、正常工况下特征参数的映射结果,即以月度为单位,计算切入风速、切出风速区间内且转速正常区间内特征参数的映射结果。
计算出各个特征参数映射结果后,需要将多个特征参数结果组合成一个表征设备的劣化度,具体方法为:将各个特征参数的相关系数映射到[0,1]区间,得到其对设备的影响权重,各个特征参数权重与其映射结果的乘积和为设备的劣化度。
(5)劣化趋势预测模型建立:搭建劣化趋势预测模型,考虑特征参数变化存在趋势及周期性时,属于非平稳信号序列,公式如下所示:
Xt=φ1Xt-1+φ2Xt-2+…+φpXt-p+∈t+θ1∈t-1+θ2∈t-2+…+θq∈q,t=0,±1,±2,…,其中{∈t:t=0,±1,±2,…}为白噪声,且Var(∈t)=σ2。
考虑特征参数变化不存在趋势时,属于平稳信号序列,公式如下所示:
将历史设备劣化度输入模型,输出未来一年的劣化度,风电场运维人员可以根据设备的劣化趋势制定相应的检修计划。
Claims (4)
1.一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法,其特征在于:采集分析设备相关运行数据,计算各数据项与设备的相关系数,提取相关系数大于0.8的数据项作为设备的特征参数,考虑切入、切出风速区间且风机正常运行转速区间的工况,计算同一时间维度下特征参数的映射结果,将特征参数的相关系数映射到[0,1]区间作为权重,乘以相应特征参数的映射结果,得到设备的综合劣化度,搭建劣化趋势预测模型,预测设备未来一年的劣化程度。
2.如权利要求1中所述的一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法,其特征在于:考虑设备多个特征参数,采用分段线性数学方法,将其映射到[0,1]之间,1代表故障状态,0代表健康状态,结果越接近1,表明该设备劣化程度越大。
3.如权利要求1中所述的一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法,其特征在于:计算发电机单个双列圆锥滚子轴承劣化度时需考虑同一时间维度以及切入、切出风速区间且风机正常运行转速区间的正常工况,将各个特征参数结果与设备的相关系数映射到[0,1]区间,得到其权重,求取各个特征参数的权重与映射结果乘积和,得到设备的历史劣化度。
4.如权利要求1中所述的一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法,其特征在于:考虑设备的特征参数存在趋势或周期性、季节性的非平稳时间序列以及不存在趋势的平稳序列,搭建设备劣化趋势预测模型,输入设备历史劣化度,输出未来一年劣化趋势,根据劣化程度制定设备检修计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111358770.XA CN114118553A (zh) | 2021-11-17 | 2021-11-17 | 一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111358770.XA CN114118553A (zh) | 2021-11-17 | 2021-11-17 | 一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118553A true CN114118553A (zh) | 2022-03-01 |
Family
ID=80396863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111358770.XA Pending CN114118553A (zh) | 2021-11-17 | 2021-11-17 | 一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118553A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062804A (zh) * | 2022-06-29 | 2022-09-16 | 无锡物联网创新中心有限公司 | 一种纺织设备的维护方法及相关装置 |
-
2021
- 2021-11-17 CN CN202111358770.XA patent/CN114118553A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062804A (zh) * | 2022-06-29 | 2022-09-16 | 无锡物联网创新中心有限公司 | 一种纺织设备的维护方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leahy et al. | Diagnosing wind turbine faults using machine learning techniques applied to operational data | |
US10072635B2 (en) | Wind turbine and method for evaluating health state of blade thereof | |
Gonzalez et al. | On the use of high-frequency SCADA data for improved wind turbine performance monitoring | |
CN103912448B (zh) | 一种区域风电场机组功率特性监测方法 | |
JP2018185171A (ja) | 風車発電機の疲労寿命解析装置、風力発電システム、及び風車発電機の疲労寿命解析方法 | |
CN107798462A (zh) | 一种风电场风力发电机组运行异常监测与性能评估系统 | |
CN106762452B (zh) | 基于数据驱动的风机主控系统故障诊断和在线监测方法 | |
CN108252873A (zh) | 一种风力发电机组在线数据监测及其性能评估的系统 | |
Cui et al. | An anomaly detection approach using wavelet transform and artificial neural networks for condition monitoring of wind turbines' gearboxes | |
Abbasi et al. | Development of predictive maintenance interface using multiple linear regression | |
CN114118553A (zh) | 一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法 | |
CN111927717A (zh) | 一种风机机舱传动链噪声在线监测系统及方法 | |
CN117728587A (zh) | 一种新能源发电设备运行数据的实时监控系统及方法 | |
CN112598210A (zh) | 一种风电机组发电机性能评估及预警方法 | |
CN115842408A (zh) | 基于scada的风电场运行状态检测系统及方法 | |
CN114510815A (zh) | 一种风电机组功率特性评估方法及系统 | |
CN114691747A (zh) | 一种兆瓦级永磁直驱风力发电机电气设备劣化程度识别方法 | |
Yang et al. | Fault warning of pitch system of wind turbine based on kernel density estimation | |
Kuseyri | Condition monitoring of wind turbines: Challenges and opportunities | |
CN117195136B (zh) | 一种电网新能源异常数据监测方法 | |
Amiri et al. | A generic framework for wind power forecasting | |
Wang et al. | Wind turbine spindle condition monitoring based on operational data | |
Wen et al. | Vibration feature extraction via graph-modeled SVD for running stability assessment of industrial machine | |
CN211601023U (zh) | 一种基于bp神经网络的空调能耗诊断系统 | |
Wenmin et al. | Research on Anomaly Location Method for Nuclear Pump Vibration Monitoring Data Based on Correlation Coefficient |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |