CN114215705A

CN114215705A - 风电机组故障预警方法和系统

Info

Publication number: CN114215705A
Application number: CN202111538886.1A
Authority: CN
Inventors: 张尤君; 李高; 吴晓洲; 姚家伟; 李秋鹏; 尧瑶; 梁俊坚; 李桂超; 梁伟坚
Original assignee: Guangdong Bangxin Data Technology Co ltd; Guangdong Wind Power Generation Co ltd
Current assignee: Guangdong Bangxin Data Technology Co ltd; Guangdong Wind Power Generation Co ltd
Priority date: 2021-12-15
Filing date: 2021-12-15
Publication date: 2022-03-22
Anticipated expiration: 2041-12-15
Also published as: CN114215705B

Abstract

本发明公开了一种风电机组故障预警方法和系统，其包括风电机组故障预警方法，方法包括：获取风机组的振动数据和所处环境的气象数据，建立对应关系，并绑定时间参数存入振动状态数据库；识别当前气象数据的气象类别，并将对应的振动数据匹配相同气象类别的条件数据集；比较当前振动数据和条件数据集的历史振动数据，计算条件差异，并建立差异发展趋势图；判断条件差异/差异发展趋势图是否符合预设的异常条件，如果是，则基于当前的振动数据执行故障预警判定逻辑。本申请可以用于改善干扰环境中的风机故障预警效果。

Description

风电机组故障预警方法和系统

技术领域

本申请涉及风力发电机组状态监管技术领域，尤其是涉及一种风电机组故障预警方法和系统。

背景技术

风能作为可持续的绿色能源符合目前国内，世界的能源发展趋势，且随着风电技术的完善，风电装机量在逐年增加。

对于风机组而言，其大多部件的成本较高，如果未及时发现故障对其维修，引发连锁故障时造成的经济损失可能涉及几十，甚至上百万。

公开号为CN111461497A的专利公开了一种具有智能诊断功能的风电机组预警方法，包括如下步骤；

采集风电机组运行中各部件的振动信号；

根据所述振动信号计算其时域特征、频域特征；

根据所述频域特征分析得出各机械故障点的故障频率特征参数；

预设征兆影响概率；

当所述故障频率特征参数属于某个或某些故障点的故障频率特征时，根据所述征兆影响概率计算故障点的联合概率；

判断所述联合概率是否大于第一限值、以及所述时域特征是否大于第二限值，若是，则根据风电机组的运行信息发出故障预警信息。

上述提供了一种可以基于风机振动做故障预警的方法，但是其存在以下缺陷：其在干扰环境中的预警分析效果相对不佳，因此本申请提出一种新的技术方案。

发明内容

为了改善干扰环境中的风机故障预警效果，本申请提供一种风电机组故障预警方法和系统。

第一方面，本申请提供一种风电机组故障预警方法，采用如下的技术方案：

一种风电机组故障预警方法，包括：

获取风机组的振动数据和所处环境的气象数据，建立对应关系，并绑定时间参数存入振动状态数据库；

识别当前气象数据的气象类别，并将对应的振动数据匹配相同气象类别的条件数据集；

比较当前振动数据和条件数据集的历史振动数据，计算条件差异，并建立差异发展趋势图；

判断条件差异/差异发展趋势图是否符合预设的异常条件，如果是，则基于当前的振动数据执行故障预警判定逻辑。

可选的，所述气象数据包括天气和风向；所述相同气象类别包括：

遍历已存在的条件数据集对应的气象属性，判断当前气象类别是否为新，如果是，则基于当前气象属性建立对应的条件数据集；

如果当前天气与已有记录相同，则计算风向差值，并判断风向差值是否小于风向阈值，如果是，则为双属性相同类；

如果当前天气与已有记录不同，则计算风向差值，并判断风向差值是否小于风向阈值，如果是，则为单属性相同类；

所述振动数据优先匹配双属性相同类。

可选的，其特征在于：所述气象数据包括还包括风力；所述比较当前振动数据和条件数据集的历史振动数据包括：

确定当前振动数据的风力，查找条件数据集中其他振动数据所对应的风力，并计算风力差值；以及，

选择风力差值最小值所对应的其他振动数据作为历史振动数据。

可选的，所述计算条件差异包括计算振动频率/幅度差异。

可选的，所述故障预警判定逻辑包括：对振动数据做时域分析/频域分析，判定故障属性；其中，故障属性包括故障部位。

可选的，所述故障预警判定逻辑包括：

获取风机组的功率数据，且与振动数据建立对应关系；

建立风力差值最小值对应的历史振动数据的功率分布图；以及，

将当前风机组的功率数据标记于功率分布图，且标记点区别色/类型。

可选的，所述故障预警判定逻辑包括：

获取风机组的主轴承温度、机舱温度，并结合风机组的功率，作为风机组状态参数；以及，

对风力差值最小值对应的风机组状态参数做马氏距离计算，并判断马氏距离是否符合告警条件，如果是，则执行告警进程。

第二方面，本申请提供一种风电机组故障预警系统，采用如下的技术方案：

一种风电机组故障预警系统，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如上述任一种方法的计算机程序。

综上所述，本申请包括以下至少一种有益技术效果：在基于振动信号分析风机组故障的过程中，可以减小环境因素产生的振动干扰，以类同样本作为故障预警分析的基础，从而准确性更高；同时，不仅仅能够对振动引起的异常突显，还可辅助工作人员发现非风机组振动产生的故障所引起的异常，从使用效果更佳。

附图说明

图1是本申请的流程示意图；

图2是本申请的振幅差异曲线图；

图3是本申请的频率差异曲线图；

图4是本申请的功率分布图。

具体实施方式

以下结合附图1-3对本申请作进一步详细说明。

本申请实施例公开一种风电机组故障预警方法。

参照图1，风电机组故障预警方法包括：

S101、获取风机组的振动数据和所处环境的气象数据，建立对应关系，并绑定时间参数存入振动状态数据库。

上述振动数据包括风机组传动链、塔筒、叶片的振动数据。可以理解的是：振动数据根据采集点区分，分别执行下述内容，以实现对风机组各个关键点的故障预警。振动数据由风机组的振动监测系统采集，以获取。

上述气象数据在本实施例中包括天气（如雨天、晴天）、风向和风力（即风速），其通过风电场的布设气象设备采集，以获取，而非气象卫星。

可以理解的是，在本实施例的时间参数，可以以24h为间隔对振动数据划分。

S102、识别当前气象数据的气象类别，并将对应的振动数据匹配相同气象类别的条件数据集。

关于相同气象类别，具体地：

S201、遍历已存在的条件数据集对应的气象属性，判断当前气象类别是否为新（无记录），如果是，则基于当前气象属性建立对应的条件数据集；

可以理解的是，上述“新”建主要为本方法应用后的数据库初期建立阶段，在初始样本积累完成后，即可快速进入下一环节。另，在样本数据库初始积累阶段，若无历史数据比较，则跳过本方法下述的差异判定机制，直接进入故障预警环节的振动数据时域分析/频域分析。

S202、如果当前天气与已有记录相同，则计算风向差值，并判断风向差值是否小于风向阈值，如果是，则为双属性相同类；

如果当前天气与已有记录不同，则计算风向差值，并判断风向差值是否小于风向阈值，如果是，则为单属性相同类。

可以理解的是，振动数据优先匹配双属性相同类。

根据上述内容，本方法优先可以减小天气、风向两者带来的干扰；其次，可以减小风向产生的干扰。

S103、比较当前振动数据和条件数据集的历史振动数据，计算条件差异，并建立差异发展趋势图。

关于历史振动数据，具体地：

确定当前振动数据的风力，查找条件数据集中其他振动数据所对应的风力，并计算风力差值；

根据上述，本方法还可以尽量减小风力差异产生的干扰，以改善故障预警的精确性。

可以理解的是，本方法随着应用时间的拉长，其样本数据库越来越完善，应用效果也更佳。同时，对于样本数据库，需要工作人员设定，人工周期性巡检剔除，或设定剔除条件，如将邻近确认故障时的数据从数据集中剔除，减小误判几率。

关于计算条件差异，具体地：计算振动频率/幅度差异。

在风机组正常运行的前提下，各个关键点的振动频率/幅度相对稳定，大多为固有振动参数，且差异较小；而，一旦风机组故障，如传动链中的高速轴异常，其关联的主轴承等部位的振动即异常波动，因此通过上述差异计算的基础上，可以预设一振动正常波动阈值作为异常条件，触发后续的故障判定。

上述差异发展趋势图，即结合时间轴和上述差异值生成的振幅差异曲线图、频率差异曲线图，如图2和图3所示。

可以理解的是，差异计算时实际为：以t1为预设最小单位时间，计算t1时的振动数据均值，作为一个节点。上述节点在历史、当前，分别以t2为采样间隔取得。如果历史持续时间更短，则历史数据的最后10个节点的均值作为当前其他节点的比较值。

S104、判断条件差异/差异发展趋势图是否符合预设的异常条件，如果是，则基于当前的振动数据执行故障预警判定逻辑。

关于异常条件，其除了如上述的预设一振动正常波动阈值，还包括匹配差异发展趋势图的阈值，当差异值持续增大，且持续时间、出现的次数超出阈值，则符合异常。

上述故障预警判定逻辑包括：对振动数据做时域分析/频域分析，判定故障属性。

其中，时域分析包括时域信号冲击程度分析，即采用时域波形反应故障中的冲击成分；频域分析包括根据特征频率处细化谱/解调谱，定位故障点。因此，上述故障属性至少包括故障部位。

对于振动信号的时域分析/频域分析除了上述内容外，还可用作执行背景技术所引证文献的相同内容，对该现有技术，此处不再赘述。

在本方法中，故障预警判定逻辑还包括：

获取风机组的功率数据，且与振动数据建立对应关系；

上述标记点区别色/类型，即功率分布图中以不同颜色/类型的点作为当前的风机组功率数据的点。可以理解的是：

参照图4，功率分布图纵轴为功率值，横轴为时间轴，为持续时间；各点为最小单位时间节点的功率均值。

在风机组未发生故障，且气象环境相似时，功率分布图中各个点是相对密集的分布于某一个功率区间。因此，工作人员可以通过观察功率分布图，发现异常点位，推测风电机组可能出现故障。同时，此时不仅仅只是风电机组振动引发的故障能够被发现，还可以及时察觉非振动故障产生的异常，且相对于传统，因为减小了环境干扰，所以准确性更高。

在本方法中，故障预警判定逻辑还包括：

上述马氏距离计算，即计算当前风机组状态参数与指定历史风机组状态参数的相似度，当马氏距离或最小二乘法处理后的数据符合预设的告警条件（如小于/大于某个阈值），则推定为数据异常，风机组故障。

上述告警进程包括通过云台发送告警信息至指定的手机端、计算机端。

根据上述内容，应用本方法后，工作人员即便未及时功率分布图等数据查看分析，其也可以主动发现异常，并进行告警，从而本方法的使用效果更佳。

可以理解的是，上述马氏距离算法为现有技术，因此本实施例中不再赘述。

本申请实施例还公开一种风电机组故障预警系统。

风电机组故障预警系统，其包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如上述方法的计算机程序。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims

1.一种风电机组故障预警方法，其特征在于，包括：

2.根据权利要求1所述的风电机组故障预警方法，其特征在于：所述气象数据包括天气和风向；所述相同气象类别包括：

所述振动数据优先匹配双属性相同类。

3.根据权利要求2所述的风电机组故障预警方法，其特征在于：所述气象数据包括还包括风力；所述比较当前振动数据和条件数据集的历史振动数据包括：

4.根据权利要求3所述的风电机组故障预警方法，其特征在于：所述计算条件差异包括计算振动频率/幅度差异。

5.根据权利要求4所述的风电机组故障预警方法，其特征在于，所述故障预警判定逻辑包括：对振动数据做时域分析/频域分析，判定故障属性；其中，故障属性包括故障部位。

6.根据权利要求4所述的风电机组故障预警方法，其特征在于，所述故障预警判定逻辑包括：

获取风机组的功率数据，且与振动数据建立对应关系；

7.根据权利要求6所述的风电机组故障预警方法，其特征在于：所述故障预警判定逻辑包括：

8.一种风电机组故障预警系统，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至7中任一种风电机组故障预警方法的计算机程序。