CN114297798A - 一种基于大数据分析的风电机组传动链故障预警方法 - Google Patents
一种基于大数据分析的风电机组传动链故障预警方法 Download PDFInfo
- Publication number
- CN114297798A CN114297798A CN202111644907.8A CN202111644907A CN114297798A CN 114297798 A CN114297798 A CN 114297798A CN 202111644907 A CN202111644907 A CN 202111644907A CN 114297798 A CN114297798 A CN 114297798A
- Authority
- CN
- China
- Prior art keywords
- transmission chain
- wind turbine
- turbine generator
- generator transmission
- early warning
- 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
Images
Landscapes
- Wind Motors (AREA)
Abstract
本发明提供的一种基于大数据分析的风电机组传动链故障预警方法,包括以下步骤:步骤1,建立风电机组传动链对应的柔性多体系统动力学模型;步骤2,根据得到的柔性多体系统动力学模型获取风电机组传动链对应的共振点,根据得到的共振点确认风电机组传动链中振动异常的元件;步骤3,设定实际运行中风电机组传动链的测试点,在测试点处对风电机组传动链中振动异常的元件分别进行振动基准测试,得到每个振动异常的元件对应的基准测试数据;步骤4,根据得到的基准测试数据判断风电机组传动链的工作状况,其中,若风电机组传动链为异常时,进入步骤5;步骤5,利用预设的网络算法判断风电机组传动链的故障位置;本发明能够对风电机组传动链进行多重的监测预警工作,从而使得预警结果更加的精确,从而使工作人员能够及时的发现,降低不必要的损失。
Description
技术领域
本发明属于风电机组技术领域,具体为一种基于大数据分析的风电机组传动链故障预警方法。
背景技术
风力发电机组包括风轮、发电机;风轮中含叶片、轮毂、加固件等组成;它有叶片受风力旋转发电、发电机机头转动等功能,风速选择:低风速风力发电机能有效提升风力发电机在低风速区域的风能利用,传动链是风电机组上一个重要的部件,它是用于驱动叶片的转动工作。
但是目前的风电机组在实际应用过程中,长时间后风电机组上的传动链会发生故障,而由于不能及时的发现,进而会影响传动链的使用寿命,不能对其起到很好的预警工作。
发明内容
本发明的目的在于提供一种基于大数据分析的风电机组传动链故障预警方法,解决了现有技术中存在的上述不足。
为了达到上述目的,本发明采用的技术方案是:
本发明提供的一种基于大数据分析的风电机组传动链故障预警方法,包括以下步骤:
步骤1,建立风电机组传动链对应的柔性多体系统动力学模型;
步骤2,根据得到的柔性多体系统动力学模型获取风电机组传动链对应的共振点,根据得到的共振点确认风电机组传动链中振动异常的元件;
步骤3,设定实际运行中风电机组传动链的测试点,在测试点处对风电机组传动链中振动异常的元件分别进行振动基准测试,得到每个振动异常的元件对应的基准测试数据;
步骤4,根据得到的基准测试数据判断风电机组传动链的工作状况,其中,若风电机组传动链为异常时,进入步骤5;
步骤5,利用预设的网络算法判断风电机组传动链的故障位置。
优选地,步骤1中,采用动力学拓扑图建立得到风电机组传动链对应的柔性多体系统动力学模型。
优选地,步骤2中,根据得到的柔性多体系统动力学模型获取风电机组传动链对应的共振点,根据得到的共振点确认风电机组传动链中振动异常的元件,具体方法是:
S21,对得到的柔性多体系统动力学模型进行模态计算,得到风电机组传动链对应的坎贝尔图;
对得到的柔性多体系统动力学模型进行动态响应计算,得到风电机组传动链对应的震动加速度和速度;
S22,利用得到的震动加速度和速度识别坎贝尔图上的共振点;
S23,根据得到的共振点确定风机传动链中振动异常的元件。
优选地,S21中,对得到的柔性多体系统动力学模型进行模态计算,得到风电机组传动链对应的坎贝尔图,具体方法是:
分别对切入、切出以及耳钉状态下的风电机组传动链的模态进行计算,得到多个固有频率;
根据得到的固有频率绘制得到风电机组传动链在工作转速内的坎贝尔图。
优选地,步骤4中,利用得到的基准测试数据,分别结合声音频谱和预设的数学模型判断风电机组传动链的工作状况。
优选地,结合声音频谱判断风电机组传动链的工作状况,具体方法是:
进行振动基准测试完毕后,采集实时运行的风电机组传动链的声音信号,根据声音信号得到对应的声音频谱;
将获取得到的声音频谱与对应的基准测试数据相比,进而判断风电机组传动链的工作状况。
优选地,结合预设的数学模型判断风电机组传动链的工作状况,具体方法是:
根据得到的对应的基准测试数据,结合风电机组传动链的运行机理构建相应的数学模型;
根据得到的数学模型估计得到柔性的多体系统动力学模型的输出参数;
将得到的输出参数与预设的历史正常运行数据值进行比较,得到残差;
根据得到的残差判断风电机组传动链的工作状况。
优选地,步骤5中,利用预设的网络算法判断风电机组传动链的故障位置,具体方法是:
利用得到的对应的基准测试数据、声音频谱和残差,构建得到BP神经网络算法模型;
通过BP神经网络算法模型判断风电机组传动链的故障位置。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于大数据分析的风电机组传动链故障预警方法,通过利用数学模型和系统模型相结合的方法,能够对风电机组传动链进行多重的监测预警工作,从而使得预警结果更加的精确,从而使工作人员能够及时的发现,降低不必要的损失;当风电机组传动链发生故障时,不仅能够第一时间向相关人员进行预警工作,同时通过甄别共振点还能分析处发生故障的原因,便于人员进行相关的检修。
附图说明
图1为本发明的方法流程框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供两种技术方案:
实施例1
本发明提供的一种基于大数据分析的风电机组传动链故障预警方法,包括以下步骤:
S1、数值仿真:建立柔性的多体系统动力学模型,将复杂的风机传动系统模型简化成等效的动力学模型;具体地:采用动力学拓扑图,在动力学拓扑图中输入风电机组传动链各个部件的参数,输入后通过力元将各个部件给连接起来,完成系统模型;
S2、地域分析:在步骤S1中得到的柔性的多体系统动力学模型基础上进行模态计算,得出风机传动链系统的固有频率值以及振型,具体地:首先对切入、切出以及耳钉状态下传动链系统的模态进行分别计算,然后根据筛选出的多个固有频率,并且绘制出传动链的工作转速之内固有频率的坎贝尔图;
S3、时域分析:对柔性的多体系统动力学模型进行动态响应计算,得出模型系统中的震动加速度和速度数据,利用得到的震动加速度和速度甄别坎贝尔图的共振点;
S4、风机测试:通过共振点,确定风机传动链中振动异常的元件,然后在齿轮箱中的扭力臂和主轴承座中设置测试点,然后利用测试点对风电机组传动链所有的振动异常的元件分别进行振动基准测试,测试得到每个振动异常的元件对应的基准测试数据;
S5、声音采集:振动基准测试完毕后,采集实时运行的风电机组传动链的声音信号,获得传动链运行的实时声音频谱,通过得到的声音频谱与基准测试数据进行对比,进而判断传动链的工作状况;
S6、建立数学模型:在测试风机振动基准时,根据得到的对应的基准测试数据,结合设备运行机理建立得到数学模型;根据得到的数学模型估计柔性的多体系统动力学模型的输出参数,并将得到的输出参数与预设的历史正常运行数据进行比较,获得残差,对残差进行分析,进而判断风电机组传动链的工作状况;
S7、网络算法:当S5判断结果为异常或S6判断结果为异常时,利用得到的对应的基准测试数据、声音频谱和残差,构建BP神经网络算法模型,输入信号到输入层节点,依次穿过各隐层节点,然后传输到输出节点,激活出Sigmoid型函数,通过误差反向传播算法自动算出各个节点间的连接权值以及隐层节点与输出节点的阈值,从而判断风电机组传动链的故障位置。
本发明实施例中,步骤S1中,输入传动链各个部件的参数有刚度、质量以及惯性矩。
本发明实施例中,步骤S3中,在绘制出坎贝尔图后,找出坎贝尔图上的焦点位置,该焦点位置即为传动链中的共振点。
本发明实施例中,步骤S4中,根据扭矩扫频数据,绘制得到三维坎贝尔图,根据三维坎贝尔图对共振点进行定性分析,确定得到风机传动链中振动异常的元件。
本发明实施例中,步骤S4中,设置测试点时,以5台风电机组作为测试对象,并留有一台风电机组作为空白对比选项。
本发明实施例中,步骤S5中,采集声音信号时采用声音传感器,声音传感器与风电机组上的传动链紧密贴合。
本发明实施例中,步骤S6中,在对残差进行分析时,采用参数估计和状态估计以及等价空间估计三者相结合进行分析对比,判断传动链的工作状况。
本发明实施例中,步骤S7中,选择BP神经网络算法时,网络除输入输出节点外,包含一层以上的隐含层节点。
本发明实施例中,步骤S7中,采用BP神经网络算法时,其算法公式如下:
本发明实施例中,BP神经网络算法公式中,Wir为输入层ai到隐层Br之间的连接权值,Tr为隐层的阈值,f采用S型函数。
实施例2
本发明提供的一种基于大数据分析的风电机组传动链故障预警方法,包括以下步骤:
S1、数值仿真:建立柔性的多体系统动力学模型,将复杂的风机传动系统模型简化成等效的动力学模型,采用动力学拓扑图,在动力学拓扑图中输入风电机组传动链各个部件的参数,输入后通过力元将各个部件给连接起来,完成系统模型;
S2、地域分析:在步骤S1中的系统模型基础上进行模态计算,得出风机传动链系统的固有频率值以及振型,首先对切入和切出以及耳钉状态下传动链系统的模态进行分别计算,然后根据筛选出的多个固有频率,并且绘制出传动链的工作转速之内固有频率的坎贝尔图;
S3、时域分析:对传动链的模型系统进行动态响应计算,得出模型系统中的震动加速度和速度数据,使其甄别传动链的共振点;
S4、风机测试:通过动态响应计算的结果,确定风机传动链中振动大的元件,然后在齿轮箱中的扭力臂和主轴承座中设置测试点,然后使其对传动链进行振动基准测试,测试出风机正常的工作参数阈值;
S5、声音采集:测试完毕后,在各个风电机组上进行采集声音信号,获得传动链运行的实时声音频谱,通过采集的声音频谱与测试的工作参数进行对比,判断传动链的工作状况;
S6、建立数学模型:在测试风机振动基准时,通过设备运行机理建立数学模型估计系统输出参数,并将之与时间测量值进行比较,获得残差,对残差进行分析,使其自动完成设备故障的监测预警;
S7、网络算法:选择BP神经网络算法,使其对风机的数据进行建模,输入信号到输入层节点,依次穿过各隐层节点,然后传输到输出节点,激活出Sigmoid型函数,通过误差反向传播算法自动算出各个节点间的连接权值以及隐层节点与输出节点的阈值,从而发出风机传动链故障的预警。
本发明实施例中,步骤S4中,设置测试点时,以8台风电机组作为测试对象,并留有一台风电机组作为空白对比选项。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备所固有的要素。
Claims (8)
1.一种基于大数据分析的风电机组传动链故障预警方法,其特征在于,包括以下步骤:
步骤1,建立风电机组传动链对应的柔性多体系统动力学模型;
步骤2,根据得到的柔性多体系统动力学模型获取风电机组传动链对应的共振点,根据得到的共振点确认风电机组传动链中振动异常的元件;
步骤3,设定实际运行中风电机组传动链的测试点,在测试点处对风电机组传动链中振动异常的元件分别进行振动基准测试,得到每个振动异常的元件对应的基准测试数据;
步骤4,根据得到的基准测试数据判断风电机组传动链的工作状况,其中,若风电机组传动链为异常时,进入步骤5;
步骤5,利用预设的网络算法判断风电机组传动链的故障位置。
2.根据权利要求1所述的一种基于大数据分析的风电机组传动链故障预警方法,其特征在于,步骤1中,采用动力学拓扑图建立得到风电机组传动链对应的柔性多体系统动力学模型。
3.根据权利要求1所述的一种基于大数据分析的风电机组传动链故障预警方法,其特征在于,步骤2中,根据得到的柔性多体系统动力学模型获取风电机组传动链对应的共振点,根据得到的共振点确认风电机组传动链中振动异常的元件,具体方法是:
S21,对得到的柔性多体系统动力学模型进行模态计算,得到风电机组传动链对应的坎贝尔图;
对得到的柔性多体系统动力学模型进行动态响应计算,得到风电机组传动链对应的震动加速度和速度;
S22,利用得到的震动加速度和速度识别坎贝尔图上的共振点;
S23,根据得到的共振点确定风机传动链中振动异常的元件。
4.根据权利要求3所述的一种基于大数据分析的风电机组传动链故障预警方法,其特征在于,S21中,对得到的柔性多体系统动力学模型进行模态计算,得到风电机组传动链对应的坎贝尔图,具体方法是:
分别对切入、切出以及耳钉状态下的风电机组传动链的模态进行计算,得到多个固有频率;
根据得到的固有频率绘制得到风电机组传动链在工作转速内的坎贝尔图。
5.根据权利要求1所述的一种基于大数据分析的风电机组传动链故障预警方法,其特征在于,步骤4中,利用得到的基准测试数据,分别结合声音频谱和预设的数学模型判断风电机组传动链的工作状况。
6.根据权利要求5所述的一种基于大数据分析的风电机组传动链故障预警方法,其特征在于,结合声音频谱判断风电机组传动链的工作状况,具体方法是:
进行振动基准测试完毕后,采集实时运行的风电机组传动链的声音信号,根据声音信号得到对应的声音频谱;
将获取得到的声音频谱与对应的基准测试数据相比,进而判断风电机组传动链的工作状况。
7.根据权利要求6所述的一种基于大数据分析的风电机组传动链故障预警方法,其特征在于,结合预设的数学模型判断风电机组传动链的工作状况,具体方法是:
根据得到的对应的基准测试数据,结合风电机组传动链的运行机理构建相应的数学模型;
根据得到的数学模型估计得到柔性的多体系统动力学模型的输出参数;
将得到的输出参数与预设的历史正常运行数据值进行比较,得到残差;
根据得到的残差判断风电机组传动链的工作状况。
8.根据权利要求7所述的一种基于大数据分析的风电机组传动链故障预警方法,其特征在于,步骤5中,利用预设的网络算法判断风电机组传动链的故障位置,具体方法是:
利用得到的对应的基准测试数据、声音频谱和残差,构建得到BP神经网络算法模型;
通过BP神经网络算法模型判断风电机组传动链的故障位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644907.8A CN114297798A (zh) | 2021-12-29 | 2021-12-29 | 一种基于大数据分析的风电机组传动链故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644907.8A CN114297798A (zh) | 2021-12-29 | 2021-12-29 | 一种基于大数据分析的风电机组传动链故障预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114297798A true CN114297798A (zh) | 2022-04-08 |
Family
ID=80972527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111644907.8A Pending CN114297798A (zh) | 2021-12-29 | 2021-12-29 | 一种基于大数据分析的风电机组传动链故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297798A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495830A (zh) * | 2022-11-17 | 2022-12-20 | 加华地学(武汉)数字技术有限公司 | 一种基于三维数字模型的工程智能设计方法及系统 |
-
2021
- 2021-12-29 CN CN202111644907.8A patent/CN114297798A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495830A (zh) * | 2022-11-17 | 2022-12-20 | 加华地学(武汉)数字技术有限公司 | 一种基于三维数字模型的工程智能设计方法及系统 |
CN115495830B (zh) * | 2022-11-17 | 2023-03-10 | 加华地学(武汉)数字技术有限公司 | 一种基于三维数字模型的工程智能设计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106662072B (zh) | 风力发电机状态监控方法与系统 | |
CN103019135B (zh) | 风机部件的寿命预测方法及系统 | |
CN108252873B (zh) | 一种风力发电机组在线数据监测及其性能评估的系统 | |
CN103645052B (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN106525415B (zh) | 一种风电机组传动链健康状态评价系统及方法 | |
EP2665925B1 (en) | A method for diagnostic monitoring of a wind turbine generator system | |
CN105508149B (zh) | 用于风力发电机组的故障检测方法及装置 | |
CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
CN111878322B (zh) | 风力发电机装置 | |
CN107656156A (zh) | 一种基于云平台的设备故障诊断及运行状态评估方法与系统 | |
CN114297798A (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
CN110941558B (zh) | 一种智慧办公远程运维的方法及系统 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN111428386A (zh) | 基于复杂网络的电梯曳引机转子故障诊断信息融合方法 | |
CN107036808A (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN106596110A (zh) | 基于在线数据的水轮发电机组水力不平衡故障的自动分析诊断方法 | |
CN114114006A (zh) | 一种风力发电机诊断装置及其诊断方法 | |
Zurita et al. | Intelligent sensor based on acoustic emission analysis applied to gear fault diagnosis | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN114091197B (zh) | 一种风电机组整机承载部件寿命评估方法 | |
CN113719425B (zh) | 一种风机叶片故障预测方法、系统及存储介质 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN111400959B (zh) | 风力发电机组的叶片故障诊断方法及装置 | |
CN110516270B (zh) | 风力发电机中叶片连接螺栓的疲劳强度评估方法及系统 | |
CN112464151A (zh) | 一种基于声学诊断的风电机组偏航系统异音诊断方法 |
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 |