CN114151291A - 一种风电机组早期故障监测方法 - Google Patents

Abstract

一种风电机组早期故障监测方法，包括：获取一段时间内的风机SCADA信号；根据与预测部件温度的相关性确定模型输入参数；将相关性高的风机温度数据输入前馈神经网络模型进行训练并拟合获得预测数据；对比预测数据和实际数据获得温度残差曲线；对残差‑时间曲线分析进而预测温度变化超趋；通过基于多变量MLP的风机早期故障预测能够实现风机额定功率下的早期预测和高于单目标MLP的预测精度和预测稳定性。

Description

一种风电机组早期故障监测方法

技术领域

本发明涉及风机故障监测的技术领域，尤其是涉及模型预测和数据处理的一种风电机组早期故障监测方法。

背景技术

全球风电装机容量正在逐年增长，新加装的风电机组越来越大，机组本身也越来越复杂，与此同时，风电场的运营成本仍然在总成本中占较高比重，尤其风机的重大故障会导致数天甚至数周的停机时间，导致机组生产效率降低和高运维成本，因此运营商都希望密切监测风电机组的健康状态，以便在出现任何技术故障时尽早发出警报，防止风机出现任何重大损坏和停机。为此，风电机组的早期状态自动监测为在未预见的维护需求情况下做出知情的运行决策和快速响应提供了必要的前提。

基于传感器的状态监测有利于风电机组的远程诊断，当需要对风机进行维护时，能够更快地发出故障预警信息并做出响应。提出了利用汽轮机监控与数据采集(SCADA)系统的数据进行状态监测，并基于汽轮机状态变量单任务正常运行模型，提出了基于SCADA的故障检测与诊断方法，然而现如今的早期故障诊断监测都是基于单变量的模型预测分析，同时随着SCADA通道数量的增长，数千个测点和传感器被布置到新服役的风机上用于监控单台风电机组运行。随着SCADA系统数据集的不断扩张以及多数据类型的深入耦合，单目标模型的预测精度和预测稳定性受到显著挑战。同时单目标模型的高预测延迟也不利于风机故障早期诊断。

基于单目标神经网络的风机早期故障诊断监测方法，使用基于多层感知器(MLP)的模型进行数据对比监测分析，然而随着新型风机SCADA通道数量的强劲增长，用于监控单台风电机组的监测点越来越多，单目标模型的预测精度和预测稳定性受到严峻挑战。

基于其他深度学习神经网络模型的早期故障监测方法较为多样且实用性和预测精度都较高，例如使用基于长短时神经网络(LSTM)的神经网络模型进行风机数据预测分析，能够在保证预测精度的前提下实现风机故障监测，但是基于深度学习神经网络的预测模型存在原始数据需求大，工作量较大的缺陷，较大的工作量不利于实现更早的风机故障预警。

发明内容

针对上述不足，本发明的目的在于提供一种风机早期故障监测方法及技术，以缓解一种风机早起故障检测方法现有技术中预测延迟大，精度和稳定性得不到保障的技术问题。

一种风电机组早期故障监测方法，其特征在于，包括：

步骤1，获取一段时间内的风机SCADA信号；

步骤2，根据与预测部件温度的相关性确定模型输入参数；

步骤3，将相关性高的风机温度数据输入前馈神经网络模型进行训练并拟合获得预测数据；

步骤4，对比预测数据和实际数据获得温度残差曲线；

步骤5，对残差-时间曲线分析进而预测温度变化超趋。

本发明实施例提供的一种风机早期故障检测方法及技术，在获取到风机SCADA系统一段时间内的完整运行数据后，通过综合温度趋势叠加在风机部件上的SCADA信号以便于系统分析，通过构建基于多目标神经网络(MLP)的多目标多层感知模型进行模型拟合、数据输出和残差对比分析，通过基于多变量MLP的风机早期故障预测能够实现风机额定功率下的早期预测和高于单目标MLP的预测精度和预测稳定性，与最新的单目标模型的故障检测识别方法相比，本发明在与温度相关的故障监测中可以提前数天准确预测风机故障。

本发明的技术方案的优点：

(1)相较于单目标多层感知器实现早期故障监测方法，本发明使用基于多目标多层感知器(MLP)的故障监测以实现更早的预测故障，并且达到更高水平的故障预测稳定性。

(2)相较于其他多变量网络早期故障监测方法未考虑风电机组运行参数之间的相互关系而是直接利用部分SCADA数据进行数据分析处理，导致故障预测的精确度和灵敏度不够，本发明采用的多目标多层感知器将考虑多变量、多数据的耦合影响，提高故障预测精度和稳定性。

(3)相较于基于深度学习的风机早期故障监测方法，本发明将更大限度的在更小的工作量内实现更快速更准确的风机早期故障预警。

附图说明

图1为一种风机早期故障监测方法的示意图；

图2为一种风机早期故障监测装置的结构示意图；

图3为神经网络模型结构示意图。

具体实施方式

下面结合附图对本发明作进一步描述，应当理解，此处所描述的内容仅用于说明和解释本发明，并不用于限定本发明。

一种风机早期故障监测方法，包括：

步骤1，获取一段时间内的风机SCADA信号；

温度是基于SCADA信号的风机部件早期故障监测过程的重要指标，通过监测风机部件温度的正常工况和异常工况下的运行模型监测风机部件的状态；

步骤2，根据与预测部件温度的相关性确定模型输入参数；

针对采集到的风机SCADA完整数据，提取出代表性变量如：环境变量(温度，气压)、状态变量(机组运行工况)等，剔除冗余变量，选取对预测目标温度影响较大的输入参数计算数据权重，通过对比各个检测量对预测目标变量的数据权重大小确定该检测量的相关性大小，从而确定预测模型的多个输入参数；

步骤3，将相关性高的风机温度数据输入前馈神经网络模型进行训练并拟合获得预测数据；

根据步骤2确定的模型输入参数，对两个全连接前馈神经网络(多目标多层感知器，MLP)进行训练和测试，以评估齿轮轴承的正常运行情况。

两个全连接前馈神经网络构建的模型体系结构可在不过度拟合训练数据的情况下对训练集获得较高的预测精度。在这个过程中，只有在预测精度更高的情况下，才增加需要训练的神经元数量和权重。两个全连接前馈神经网络构建的模型结构如图3所示。

多目标学习是一种限制模型数量的算法，本申请中将多目标神经网络应用于风机传动系统部件的早期故障检测。由于多目标多层感知器(MLP)检测故障的时间比单目标多层感知器更早，多目标MLP模型比单目标模型更早地检测到故障，这可以为故障预警和风机运维工作的规划提供显著的优势。多目标多层感知器的结构如表1所示。

表1为多变量感知器和单变量感知器的结构对比；

表1

步骤4，对比预测数据和实际数据获得温度残差曲线，残差是根据预测温度和正常工况监测到的实际温度得到的，依据判据①和②对温度残差曲线进行判定：

①在过去的24小时内，预测温度残差超过剩余分布的99.9％的时间长度超过8个小时，则判定部件温度异常，机组发出警报。

②如果在过去8小时内计算的残差滚动平均值超过99.9％的残差分布，则判定部件温度异常，机组发出警报。

步骤5，对残差-时间曲线分析进而预测温度变化超趋，根据步骤4判定依据，对机组部件温度残差判定，判定结果表现为时间长度(判定①)或者机组预测温度残差值(判定②)，多目标全连接前馈神经网络依靠更高的监测稳定性和更小的监测延迟，实现机组部件故障提前诊断和预警。

本申请设计了一种多目标全连接前馈神经网络,能够高精度的预测齿轮轴承温度、液压油温度、变压器绕组温度等风机关键部件的温度状态，将多目标神经网络(MLP)应用于传动系统部件的早期故障监测,通过多目标神经网络回归模型提高预测稳定性,同时防止模型过拟合；

引入多目标回归模型(多目标MLP)来监测多个SCADA信号,减少风机状态监测中基于SCADA系统正常工况下的数据监测的工作量，优化现有的基于SCADA系统的预测模型算法的预测精度；

实施例：

本实施应用例重点监测基于齿轮轴承的温度的齿轮箱轴承的状态，通过分析正常工况和异常工况下的齿轮轴承温度模型输出结果，以风速、风向和空气温度作为模型的三个输入变量，基于MLP的多目标全连接神经网络模型从三个输入变量高精度地预测齿轮轴承温度、液压油温度、变压器绕组温度，根据提供的SCADA数据，对两个全连接前馈神经网络(多层感知器，MLP)进行训练和测试，以评估齿轮轴承的正常工况下的运行情况。需要说明的是，本实施例只实现了齿轮箱轴承温度模型拟合，但本发明同样适用于SCADA系统温度升高的其他风机组件的故障监测。

本实施例分析了山西地区的3台商用陆上风电机组的SCADA系统从2019年到2020年内14个月的状态监测数据。这些风机采用变速变桨三叶水平轴系统。额定功率为3.3MW，使用3级螺旋齿轮箱。转子直径为112米，轮毂距地面高度为84米。风机的切入风速、额定风速和切出风速分别为3m/s、13m/s和25m/s。在本实施例中，14个月的10分钟平均SCADA信号用于训练和测试基于多目标多层感知器(MLP)的模型。

本实施例将10种不同的线性温度趋势中的一种添加到归一化轴承温度中。温度升高趋势斜率范围在1到10内的数据被用来模拟温度缓慢和快速升高的故障过程。温度趋势升高的开始时间是在14个月观察期中的第12个月和第13个月的宽度为两周的滑动窗口中随机取样的。从这10个温度曲线的两周窗口中随机抽取了50个不同的开始时间，确保了结果不依赖于开始时间的选择，根据模型预测结果和实际值得到齿轮轴承温度残差分布曲线；

针对齿轮轴承温度的残差，本实施例采用两种常见的报警准则进行判定。残差是根据实际的齿轮轴承温度和多目标多层感知模型预测的温度的差值来计算的。根据第一个报警准则，在过去的24小时内，超过剩余分布的99.9％的时间超过8个小时，就会发出警报；另一方面，如果在过去8小时内计算的残差平均值超过残差分布的99.9％，就会发出警报。同时通过比较多目标感知模型和单目标模型的故障检测能力、故障检测的延迟以及触发报警的稳定性。

在齿轮轴承温度多目标和单目标预测模型的基础上对两种方式的报警情况进行对比发现，多目标多层感知模型比单目标模型更早检测到趋势，多目标MLP能更快地检测齿轮轴承故障，无论选择何种报警标准，多目标MLP都可以缩短检测延迟。由于多目标MLP在许多情况下产生较小的预测残差，温度趋势变得更早可见，因此检测延迟更短。

本实施例表明，多目标(MLP)可以更早地检测到齿轮箱轴承故障，同时达到更高水平的检测稳定性。本实施例观察到的检测加速范围从几个小时到几天不等。所采用的多目标方法实现的早期检测可以在维护活动的规划和性能方面提供显著的优势。如果风电场运营商提前数小时或数天得知正在发生的故障，他们就有更多的时间做出反应，安排检查和调整工作，这能够有效防止更严重的损坏和部件更换。

基于各种计算机设备，利用相应的软硬件系统，实现一种风电机组早期故障监测装置，其特征在于，包括：

获取模块，获取风机SCADA系统一段时间内的完整运行数据，用于多目标变量神经网络模型拟合；

统计模块，通过分析对比与预测部件温度的相关度高的SCADA数据，用于筛选出满足建模要求的输入信号；

输出模块，将输入信号输入基于多目标神经网络MLP的多变量感知模型进行模型拟合并输出预测温度数据，通过与实际运行数据对比分析得到风机部件温度残差；

分析模块，对于输出模块的温度残差，采用不同的报警准则进行判定实现风机早期故障监测。

最后应说明的是：以上所述仅为本发明的解释，并不用于限制本发明，尽管对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种风电机组早期故障监测方法，其特征在于，包括：

步骤1，获取一段时间内的风机SCADA信号；

步骤2，根据与预测部件温度的相关性确定模型输入参数；

步骤3，将相关性高的风机温度数据输入前馈神经网络模型进行训练并拟合获得预测数据；

步骤4，对比预测数据和实际数据获得温度残差曲线；

步骤5，对残差-时间曲线分析进而预测温度变化超趋。

2.根据权利要求1的方法，其特征在于，

步骤1中，温度是基于SCADA信号的风机部件早期故障监测过程的重要指标，通过监测风机部件温度的正常工况和异常工况下的运行模型监测风机部件的状态；包括齿轮轴承温度、液压油温度、变压器绕组温度。

3.根据权利要求1的方法，其特征在于，

步骤3中，根据提供的SCADA数据对两个全连接多目标多层感知器进行训练和测试。

4.根据权利要求3的方法，其特征在于，

多目标多层感知器包括两个密集的隐藏层，第一层有4个神经元，第二层有19个神经元，批量标准化和3个神经元输出层。

5.根据权利要求1的方法，其特征在于，

步骤5中，第一个报警准则，在过去的24小时内，超过剩余分布的99.9％的时间超过8个小时，就会发出警报；第二个报警准则，如果在过去8小时内计算的残差平均值超过残差分布的99.9％，就会发出警报。

6.一种风电机组早期故障监测装置，其特征在于，包括：

获取模块，获取风机SCADA系统一段时间内的完整运行数据，用于多目标变量神经网络模型拟合；

统计模块，通过分析对比与预测部件温度的相关度高的SCADA数据，用于筛选出满足建模要求的输入信号；

输出模块，将输入信号输入基于多目标神经网络MLP的多变量感知模型进行模型拟合并输出预测温度数据，通过与实际运行数据对比分析得到风机部件温度残差；

分析模块，对于输出模块的温度残差，采用不同的报警准则进行判定实现风机早期故障监测。

Images