CN114893360B - 风电机组塔筒异常振动识别和运行状态监测方法及系统 - Google Patents

风电机组塔筒异常振动识别和运行状态监测方法及系统 Download PDF

Info

Publication number
CN114893360B
CN114893360B CN202210568413.4A CN202210568413A CN114893360B CN 114893360 B CN114893360 B CN 114893360B CN 202210568413 A CN202210568413 A CN 202210568413A CN 114893360 B CN114893360 B CN 114893360B
Authority
CN
China
Prior art keywords
vibration
data
tower
fan
monitoring
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
Application number
CN202210568413.4A
Other languages
English (en)
Other versions
CN114893360A (zh
Inventor
陈修高
宋羽佳
董得志
孙晓彦
孙浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Power Investment Group Science and Technology Research Institute Co Ltd
Original Assignee
State Power Investment Group Science and Technology Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Power Investment Group Science and Technology Research Institute Co Ltd filed Critical State Power Investment Group Science and Technology Research Institute Co Ltd
Priority to CN202210568413.4A priority Critical patent/CN114893360B/zh
Publication of CN114893360A publication Critical patent/CN114893360A/zh
Application granted granted Critical
Publication of CN114893360B publication Critical patent/CN114893360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/728—Onshore wind turbines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种风电机组塔筒异常振动识别和运行状态监测方法、系统、电子设备及计算机可读存储介质，方法包括：获取待测风机运行数据；将待测风机运行数据输入训练好的塔筒振动状态监测模型，得到预测结果；基于四分位法，根据预测结果识别塔筒的异常振动，并监测塔筒的运行状态；塔筒振动状态监测模型的确定方法为：获取训练风机运行数据；对塔顶振动数据进行预处理，并对预处理后的数据进行数据融合，得到单变量风机塔筒振动数据；基于HHT算法对融合的数据得到低频信号；根据风机运行机理分析，确定影响变量；采用XGBoost算法对预设模型进行训练和精度验证，得到训练好的模型。本发明能够提高对风机塔筒状态监测的精度，并提高分析结果的理想程度。

Description

风电机组塔筒异常振动识别和运行状态监测方法及系统
技术领域
本发明涉及风力发电技术领域，特别是涉及一种风电机组塔筒异常振动识别和运行状态监测方法及系统。
背景技术
塔筒和基础是组成风机的两个重要部分。风机塔筒一般为锥形结构，顶部安装有机舱和叶片，风机塔筒在风电机组中主要起支撑作用，同时吸收机组振动。风机塔筒的安全稳定直接关系到风电机组能否安全稳定地运行。随着风电向二、三类风资源地区的开发，塔筒高度不断增加，目前陆地上风机的塔筒大多在50-120米之间，受气候、设备安装焊接点应力变化、运行荷载、地基沉降等因素的影响，塔体可能发生倾斜甚至于倒塌。如果风机塔筒的设计达不到要求，遇到恶劣飓风天气，容易发生晃动过大、倾覆、甚至倒塌等情况。因此，在风机上有效的监测塔筒的振动情况，可以及早发现问题并及时处理，有效防止塔筒安全事故的发生。
风机塔筒要承受风荷载、机舱和叶片的重力、风机塔筒振动产生的惯性力、风机控制系统运行荷载等多种荷载的共同作用，而塔筒振动将会给塔筒结构附加应力，并且会大概率引起塔筒与叶片的共振，从而影响整个风机的稳定性，因此在风机安全监测中振动监测是重中之重。目前对于风电机组传动部件的振动监测和故障诊断研究比较深入，但对于塔筒振动的相关研究还不全面。且塔筒振动信号存在显著的低频特征，这就导致了目前用于监测齿轮箱的方法和设备并不适合塔筒振动的监测。塔筒振动监测技术能提高产业建模精度和应用支撑能力，进一步保障风电场生产运行的安全稳定、降低事故发生率和事故损失，是塔筒振动监测的研究与应用热点。
针对风机塔筒振动监测方法及应用，现有技术主要分为形变监测、应力监测和时频振动信号分析几类方法。
风机塔筒形变监测的原理在于通过在塔筒中安装多个传感器分析传感器之间的数据变化得到塔筒的变形过程。当塔筒发生形变时，通过安装在塔底和塔顶的传感器实现位移量的检测，以塔顶和塔底的传感器为基础，在塔筒中部3个高度阶段的传感器实现各方向的摇摆形变和扭转形变，可以得到塔筒的摆动角度、扭转角度等数据。但是塔筒形变监测存在诸多问题：
(1)GPS精度目前不能满足风电机组塔筒毫米级的倾斜测量要求；
(2)采用倾斜传感器测量位移量虽然可行，但是现有方案未能考虑塔体的非线性变形特点，基于单一倾角和刚体变形的假设所计算得到的位移量将远大于实际位移量；
(3)采用加速度传感器进行两次积分的方法则存在初始位置无法准确获取，积分运算受干扰而精度较低等问题。
风机塔筒应力监测技术基于有限元软件对塔筒建模，用有限元分析方法计算出塔筒的固有频率和振型，然后进行受力分析、沉降监测和疲劳计算的方法，应力监测缺陷在于：
(1)风机塔筒高达80多米，如何合理选取应力检测点成为实际中一大问题；
(2)风电机组工况复杂难以采用固定阈值方法进行故障预警。
在时域和频域内对振动信号进行分析，可以掌握风机的部件工作状态：在塔筒内壁不同高度和位置安装振动测点，通过振动信号和自功率谱曲线得到塔筒的模态参数和共振频率，进而避免塔筒共振；或者采用小波算法、傅里叶算法等进行振动信号分析。但传统的振动分析方法塔筒振动监测存在2个难点：
(1)大型风机变速运行导致部件的各级转速随风速的变化而改变，导致振动边频带的宽度随转速变化，难以准确给出故障的确切位置；
(2)风电机组各部件的振动激励源复杂，且不同部件的气动载荷和振动存在耦合，对单个部件的振动分析难以体现部件间的复杂耦合关系。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种风电机组塔筒异常振动识别和运行状态监测方法、系统、电子设备及计算机可读存储介质。
为实现上述目的，本发明提供了如下方案：
一种风电机组塔筒异常振动识别和运行状态监测方法，包括：
获取待测风机运行数据；
将所述待测风机运行数据输入至训练好的塔筒振动状态监测模型中，得到预测结果；
基于四分位法，根据所述预测结果识别塔筒的异常振动，并监测所述塔筒的运行状态；
所述塔筒振动状态监测模型的确定方法为：
获取训练风机运行数据；所述训练风机运行数据包括塔顶振动数据和塔筒振动数据；
对所述塔顶振动数据进行预处理，并对预处理后的数据进行数据融合，得到单变量风机塔筒振动数据；
基于HHT算法对所述单变量风机塔筒振动数据进行提取，得到低频振动信号；
根据风机运行机理分析，确定振动影响变量；
以所述振动影响变量为预设模型的输入参数，以所述低频振动信号为预设模型的输出参数，采用XGBoost算法对预设模型进行训练和精度验证，得到训练好的塔筒振动状态监测模型。
优选地，所述基于四分位法，根据模型预测结果识别塔筒的异常振动，并监测所述塔筒的运行状态，包括：
根据所述预测结果和所述待测风机真实振动信号进行对比，得到振动残差曲线；
采用所述四分位法对所述振动残差曲线进行振动变化分析，并根据分析结果判定所述塔筒是否为异常振动状态，若是，则将所述运行状态确定为异常状态，若否，则将所述运行状态确定为正常状态。
优选地，所述训练风机运行数据包括风机环境数据和风机气动数据。
优选地，所述对所述塔顶振动数据进行预处理，并对预处理后的数据进行数据融合，得到单变量风机塔筒振动数据，包括：
根据3σ法对所述塔顶振动数据的离群值判定，并根据判定结果对所述塔顶振动数据进行剔除，得到剔除后的数据；
根据Newton插值法对所述剔除后的数据进行填补，得到所述预处理后的数据；所述预处理后的数据包括水平向塔顶振动数据和垂直向塔顶振动数据；
对所述水平向塔顶振动数据和所述垂直向塔顶振动数据进行融合，得到所述单变量风机塔筒振动数据。
优选地，所述对所述水平向塔顶振动数据和所述垂直向塔顶振动数据进行融合的计算公式为：
Figure GDA0003987028980000041
其中，xi表示第i个所述水平向塔顶振动数据，yi表示第i个所述垂直向塔顶振动数据，zi表示第i个所述单变量风机塔筒振动数据。
优选地，所述振动影响变量包括风机环境数据(风速、风向)和风机气动数据(转子转速、桨距角和偏航位置)。
一种风电机组塔筒异常振动识别和运行状态监测系统，包括：
待测数据获取模块，用于获取待测风机运行数据；
预测模块，用于将所述待测风机运行数据输入至训练好的塔筒振动状态监测模型中，得到预测结果；
振动分析模块，用于基于四分位法，根据所述预测结果识别塔筒的异常振动，并监测所述塔筒的运行状态；
训练数据获取模块，用于获取训练风机运行数据；所述训练风机运行数据包括塔顶振动数据和塔筒振动数据；
融合模块，用于对所述塔顶振动数据进行预处理，并对预处理后的数据进行数据融合，得到单变量风机塔筒振动数据；
提取模块，用于基于HHT算法对所述单变量风机塔筒振动数据进行提取，得到低频振动信号；
变量确定模块，用于根据风机运行机理分析，确定振动影响变量；
训练模块，用于以所述振动影响变量为预设模型的输入参数，以所述低频振动信号为预设模型的输出参数，采用XGBoost算法对预设模型进行训练和精度验证，得到训练好的塔筒振动状态监测模型。
优选地，所述振动分析模块具体包括：
对比单元，用于根据所述预测结果和所述待测风机运行数据进行对比，得到振动残差曲线；
判断单元，用于采用所述四分位法对所述振动残差曲线进行振动变化分析，并根据分析结果判定所述塔筒是否为异常振动状态，若是，则将所述运行状态确定为异常状态，若否，则将所述运行状态确定为正常状态。
一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如所述一种风电机组塔筒异常振动识别和运行状态监测方法中的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如所述一种风电机组塔筒异常振动识别和运行状态监测方法中的步骤。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种风电机组塔筒异常振动识别和运行状态监测方法、系统、电子设备及计算机可读存储介质，所述方法包括：获取待测风机运行数据；将所述待测风机运行数据输入至训练好的塔筒振动状态监测模型中，得到预测结果；基于四分位法，根据所述预测结果识别塔筒的异常振动，并监测所述塔筒的运行状态；所述塔筒振动状态监测模型的确定方法为：获取训练风机运行数据；所述训练风机运行数据包括塔顶振动数据和塔筒振动数据；对所述塔顶振动数据进行预处理，并对预处理后的数据进行数据融合，得到单变量风机塔筒振动数据；基于HHT算法对所述单变量风机塔筒振动数据进行提取，得到低频振动信号；根据风机运行机理分析，确定振动影响变量；以所述振动影响变量为预设模型的输入参数，以所述低频振动信号为预设模型的输出参数，采用XGBoost算法对预设模型进行训练和精度验证，得到训练好的塔筒振动状态监测模型。本发明能够提高对风机塔筒状态监测的精度，并提高分析结果的理想程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的风电机组塔筒异常振动识别和运行状态监测方法的流程图；
图2为本发明提供的实施例中的实施流程示意图；
图3为本发明提供的实施例中的实施系统结构图；
图4为本发明提供的实施例中的风电机组塔筒异常振动识别和运行状态监测系统的模块连接图。
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。
本发明的目的是提供一种风电机组塔筒异常振动识别和运行状态监测方法、系统、电子设备及计算机可读存储介质，能够提高对风机塔筒状态监测的精度，并提高分析结果的理想程度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例中考虑到了目前常用的风机塔筒运行状态监测技术是通过监测塔顶振动信号并对振动信号进行信号处理，从振动信号中提取特征信息进行故障定位和故障类型的判断。然而受风机结构和振动信号本身特性影响，风机塔筒承载全风机的载荷，包含运行载荷、环境载荷和部件共振等诸多振动信号耦合，振动信号分析复杂，精度也不高；同时现有的塔筒振动研究大多基于对振动信号的时频域分析，将机器学习、深度学习与塔筒振动研究相结合的技术方法还不多，综合来看，尚未存在有效的风机塔筒状态监测技术能够对风机塔筒振动信号进行分解并提取出对塔筒稳定性影响更严重的固有振型下的特有振动信号进行分析，然后基于XGBoost算法构建多输入单输出塔筒振动监测模型，根据模型预测结果对风机塔筒运行状态进行监测。
图1为本发明提供的实施例中的风电机组塔筒异常振动识别和运行状态监测方法的流程图，如图1所示，本发明提供了一种风电机组塔筒异常振动识别和运行状态监测方法，包括：
步骤100：获取待测风机运行数据；
步骤200：将所述待测风机运行数据输入至训练好的塔筒振动状态监测模型中，得到预测结果；
步骤300：基于四分位法，根据所述预测结果识别塔筒的异常振动，并监测所述塔筒的运行状态；
所述步骤200中的塔筒振动状态监测模型的确定方法为：
步骤210：获取训练风机运行数据；所述训练风机运行数据包括塔顶振动数据和塔筒振动数据；
步骤220：对所述塔顶振动数据进行预处理，并对预处理后的数据进行数据融合，得到单变量风机塔筒振动数据；
步骤230：基于HHT算法对所述单变量风机塔筒振动数据进行提取，得到低频振动信号；其中，HHT算法，全称为希尔伯特-黄算法(Hilbert-Huang Transform，HHT)。
步骤240：根据风机运行机理分析，确定振动影响变量；
步骤250：以所述振动影响变量为预设模型的输入参数，以所述低频振动信号为预设模型的输出参数，采用XGBoost算法对预设模型进行训练和精度验证，得到训练好的塔筒振动状态监测模型。其中，XGBoost算法，全称为极限梯度提升算法(eXtreme GradientBoosting，XGBoost)。
图2为本发明提供的实施例中的实施流程示意图，如图2所示，基于上述方法，本实施例提供了一种实施流程，包括五个流程，具体如下：
流程1：获取一段完整时间段内的风机SCADA数据，获取的数据中包含风机环境数据(包括风速、风向)、风机气动数据(包括转子转速、桨距角、偏航位置)以及塔筒塔顶振动数据；
流程2：针对风机塔顶振动数据进行数据预处理：采用3σ法则进行振动数据离群值判定和剔除，采用Newton插值法对缺失值进行填补；将预处理后的前后向和侧向塔顶振动数据进行融合得到单变量风机塔筒振动方便后续分析计算；其中，3σ法则，全称为拉依达准则，别称为3σ准则，英文名称为PauTa Criterion；Newton插值法，全称为牛顿插值法，英文名为Newton interpolation；
流程3：针对融合后的塔筒振动数据，采用HHT算法对振动数据模态提取得到影响塔筒稳定性的低阶低频振动信号作为状态监测模型的输出；
流程4：根据风机运行机理分析确定模型输入参数为风机环境数据(风速、风向)和风机气动数据(转子转速、桨距角、偏航位置)，采用XGBoost算法训练得到塔筒振动监测模型并验证模型精度；
流程5：模型输入风机实际运行数据获得塔筒低频振动预测值，对比振动预测值和HHT算法提取得到的塔筒低频振动真实值获得振动残差曲线，采用四分位法对残差结果分析振动变化分析判定异常振动进而监测塔筒运行状态。
优选地，所述步骤300包括：
步骤301：根据所述预测结果和所述待测风机运行数据进行对比，得到振动残差曲线；
步骤302：采用所述四分位法对所述振动残差曲线进行振动变化分析，并根据分析结果判定所述塔筒是否为异常振动状态，若是，则将所述运行状态确定为异常状态，若否，则将所述运行状态确定为正常状态。
优选地，所述步骤220具体包括：
步骤221：根据3σ法对所述塔顶振动数据的离群值判定，并根据判定结果对所述塔顶振动数据进行剔除，得到剔除后的数据；
步骤222：根据Newton插值法对所述剔除后的数据进行填补，得到所述预处理后的数据；所述预处理后的数据包括水平向塔顶振动数据和垂直向塔顶振动数据；
步骤223：对所述水平向塔顶振动数据和所述垂直向塔顶振动数据进行融合，得到所述单变量风机塔筒振动数据。
优选地，所述对所述水平向塔顶振动数据和所述垂直向塔顶振动数据进行融合的计算公式为：
Figure GDA0003987028980000091
其中，xi表示第i个所述水平向塔顶振动数据，yi表示第i个所述垂直向塔顶振动数据，zi表示第i个所述单变量风机塔筒振动数据。
具体的，本实施例流程2通过融合前后向和侧向塔顶振动数据得到单变量塔筒振动方便后续分析计算；
在风机SCADA系统中，风电机组振动传感器安装在塔筒顶部的机舱柜内，机舱前后方向(x方向)和侧向(y方向)各一个，由于机舱振动状态与塔筒顶部振动状态相近，故可用来反映塔筒顶部振动特性。基于塔筒塔顶前后向x和侧向y的振动信号进行振动融合：
Figure GDA0003987028980000092
式中,xi表示塔筒水平方向振动，yi表示垂直方向振动。
进一步地，本实施例中步骤230，即流程3中利用HHT算法进行振动模态分解和提取，HHT算法称为希尔伯特-黄变换，分为经验模态分解(empirical mode decomposition，EMD分解)和希尔伯特算法(hilbert，HT算法)两部分，是一种频域信号处理算法，能处理非线性非稳定性信号，HHT算法先对信号进行EMD分解求固有模态函数IMFs，然后对各个IMF分量做希尔伯特变换实现对特需模态的提取。同时HHT边谱表征信号幅值在整个频率段上随频率的变化情况，如果信号中存在某一频率的能量出现，就表示一定有该频率的振动波出现。采用现有的模态分析软件对塔筒进行建模分析表明：塔筒一阶和二阶固有振型在1Hz附近，为低频振动信号，而塔筒稳定性受一二阶低频振动的影响更为严重。
优选地，所述振动影响变量包括风速、风向、转子转速、桨距角和偏航位置。
进一步地，本实施例的流程4中，根据风机运行机理分析确定模型输入参数，对于风电机组而言，风机控制机制决定了振动信号受到风速、风向、转子转速、桨距角、偏航等因素影响，而风速、转速和桨距角之间相互关联，风向和偏航位置之间相互制约，上述变量共同导致风机振动，基于上述分析，确定模型输入为风速、风向、转子转速、桨距角、偏航位置。
此外，在流程4中，采用XGBoost算法进行数据建模，XGBoost(extreme gradientboosting)算法是Boosting算法的一种改进算法，是一种集成学习算法，可以通过转化提高分类器性能。在数据量较大的情况下，Boosting算法存在计算迭代次数多、耗时长的弊端，在训练集本身数量巨大且数据复杂多样的情况下，想得到好的训练模型就需要进行几千次甚至上万次的迭代运算，耗时费力。XGBoost算法能很好的解决了上述弊端，其最大的优点在于能自动利用CPU的多线程去并行运算，并在优化算法从而提高精度。
作为一种可选的实施方式，流程5中，对模型预测结果和实际数据的残差采用四分位法进行残差分析，从而识别异常振动从而实现塔筒运行状态监测。
图3为本发明提供的实施例中的实施系统结构图，对应上述流程，本实施例还提供了如图3所示的一种风机塔筒异常振动识别和运行状态监测装置，包括：
获取模块，获取一定时间段内的风机运行数据，用于监测塔筒运行过程中的振动情况；
数据预处理模块，采用3σ法则进行离群值判定和剔除，采用Newton插值法进行缺失值填补，之后将前后向和侧向塔顶振动数据进行融合得到风机塔筒振动信号；
模态提取模块，采用HHT算法进行振动信号模态分解和固有振型的提取；
分析模块，确定模型输入输出，采用XGBoost算法训练塔筒振动状态监测模型并验证模型精度，调用训练好的模型，输入风机运行数据，对输出模型预测结果和实际数据的残差并进行数据分析判定异常振动并监测塔筒运行状态。
基于上述说明，在此提供一种应用于实际生产的实施例：
本实施例使用来自某风电厂编号A04风机的36000个数据点，该风机的产能为1.5MW，数据记录时间为4月1日凌晨开始，数据采样间隔1秒钟，采样数据包含风机各个关键部件的运行数据和风机环境数据。根据风机运行机理特性分析结果，本实施例提取使用风速、风向、转子转速、桨距角和偏航位置等和塔筒振动相关的风机数据。
步骤一：数据预处理
对塔筒塔顶振动数据，基于3σ法则进行离群值识别和剔除；对于剔除离群值后的振动缺失值，采用Newton插值法进行振动数据填补，实现风机振动数据预处理。经由数据与处理后的塔顶振动前后向和侧向数据融合成为单一的塔筒振动数据。
步骤二：模态分解和提取
根据HHT算法进行振动信号模态分解和特征信号提取，由于塔筒一阶和二阶固有振型在1Hz附近，故提取相同固有振型的振动作为塔筒低频振动信号。
步骤三：模型训练和数据分析
根据机理分析结果，选取风速、风向、转子转速、桨距角和偏航位置作为模型输入，提取出的塔筒低频振动作为模型输出，采用XGBoost算法进行模型训练并验证训练模型精度，最后输入风机实际运行数据获取塔筒振动残差，采用四分位法分析残差进而辨别异常振动，根据异常振动严重情况实现塔筒运行状态监测。
图4为本发明提供的实施例中的风电机组塔筒异常振动识别和运行状态监测系统的模块连接图，如图4所示，对应上述方法，本实施例还提供了一种风电机组塔筒异常振动识别和运行状态监测系统，包括：
待测数据获取模块，用于获取待测风机运行数据；
预测模块，用于将所述待测风机运行数据输入至训练好的塔筒振动状态监测模型中，得到预测结果；
振动分析模块，用于基于四分位法，根据所述预测结果识别塔筒的异常振动，并监测所述塔筒的运行状态；
训练数据获取模块，用于获取训练风机运行数据；所述训练风机运行数据包括塔顶振动数据和塔筒振动数据；
融合模块，用于对所述塔顶振动数据进行预处理，并对预处理后的数据进行数据融合，得到单变量风机塔筒振动数据；
提取模块，用于基于HHT算法对所述单变量风机塔筒振动数据进行提取，得到低频振动信号；
变量确定模块，用于根据风机运行机理分析，确定振动影响变量；
训练模块，用于以所述振动影响变量为预设模型的输入参数，以所述低频振动信号为预设模型的输出参数，采用XGBoost算法对预设模型进行训练和精度验证，得到训练好的塔筒振动状态监测模型。
优选地，所述振动分析模块具体包括：
对比单元，用于根据所述预测结果和所述待测风机运行数据进行对比，得到振动残差曲线；
判断单元，用于采用所述四分位法对所述振动残差曲线进行振动变化分析，并根据分析结果判定所述塔筒是否为异常振动状态，若是，则将所述运行状态确定为异常状态，若否，则将所述运行状态确定为正常状态。
进一步地，本实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如所述一种风电机组塔筒异常振动识别和运行状态监测方法中的步骤。
此外，本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如所述一种风电机组塔筒异常振动识别和运行状态监测方法中的步骤。
本发明的有益效果如下：
本发明在获取到风机一段时间内的完整运行数据后，对风机塔筒塔顶振动前后向和侧向的数据进行数据预处理：包括离群值去除和缺失值填补，数据与处理后将前后向和侧向振动信号融合得到单变量风机塔筒振动信号，采用HHT算法对单变量塔筒振动进行模态分解，提取影响塔筒稳定性的低阶振动信号作为模型输出，根据风机运行机理分析确定模型输入参数，采用XGBoost算法训练塔筒振动监测模型并验证模型精度，输入风机实际运行数据，对比模型预测结果和实际数据获得塔筒振动残差，采用四分位法对残差结果分析进而分析塔筒振动情况，判定异常振动并监测塔筒运行状态。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种风电机组塔筒异常振动识别和运行状态监测方法，其特征在于，包括：
获取待测风机运行数据；
将所述待测风机运行数据输入至训练好的塔筒振动状态监测模型中，得到预测结果；
基于四分位法，根据所述预测结果识别塔筒的异常振动，并监测所述塔筒的运行状态；
所述塔筒振动状态监测模型的确定方法为：
获取训练风机运行数据；所述训练风机运行数据包括塔顶振动数据和塔筒振动数据；
对所述塔顶振动数据进行预处理，并对预处理后的数据进行数据融合，得到单变量风机塔筒振动数据；
基于HHT算法对所述单变量风机塔筒振动数据进行提取，得到低频振动信号；
根据风机运行机理分析，确定振动影响变量；
以所述振动影响变量为预设模型的输入参数，以所述低频振动信号为预设模型的输出参数，采用XGBoost算法对预设模型进行训练和精度验证，得到训练好的塔筒振动状态监测模型。
2.根据权利要求1所述的风电机组塔筒异常振动识别和运行状态监测方法，其特征在于，所述基于四分位法，根据所述预测结果识别塔筒的异常振动，并监测所述塔筒的运行状态，包括：
根据所述预测结果和所述待测风机运行数据进行对比，得到振动残差曲线；
采用所述四分位法对所述振动残差曲线进行振动变化分析，并根据分析结果判定所述塔筒是否为异常振动状态，若是，则将所述运行状态确定为异常状态，若否，则将所述运行状态确定为正常状态。
3.根据权利要求1所述的风电机组塔筒异常振动识别和运行状态监测方法，其特征在于，所述对所述塔顶振动数据进行预处理，并对预处理后的数据进行数据融合，得到单变量风机塔筒振动数据，包括：
根据3σ法对所述塔顶振动数据的离群值判定，并根据判定结果对所述塔顶振动数据进行剔除，得到剔除后的数据；
根据Newton插值法对所述剔除后的数据进行填补，得到所述预处理后的数据；所述预处理后的数据包括水平向塔顶振动数据和垂直向塔顶振动数据；
对所述水平向塔顶振动数据和所述垂直向塔顶振动数据进行融合，得到所述单变量风机塔筒振动数据。
4.根据权利要求3所述的风电机组塔筒异常振动识别和运行状态监测方法，其特征在于，所述对所述水平向塔顶振动数据和所述垂直向塔顶振动数据进行融合的计算公式为：
Figure FDA0003657244710000021
其中，xi表示第i个所述水平向塔顶振动数据，yi表示第i个所述垂直向塔顶振动数据，zi表示第i个所述单变量风机塔筒振动数据。
5.根据权利要求1所述的风电机组塔筒异常振动识别和运行状态监测方法，其特征在于，所述振动影响变量包括风速、风向、转子转速、桨距角和偏航位置。
6.一种风电机组塔筒异常振动识别和运行状态监测系统，其特征在于，包括：
待测数据获取模块，用于获取待测风机运行数据；
预测模块，用于将所述待测风机运行数据输入至训练好的塔筒振动状态监测模型中，得到预测结果；
振动分析模块，用于基于四分位法，根据所述预测结果识别塔筒的异常振动，并监测所述塔筒的运行状态；
训练数据获取模块，用于获取训练风机运行数据；所述训练风机运行数据包括塔顶振动数据和塔筒振动数据；
融合模块，用于对所述塔顶振动数据进行预处理，并对预处理后的数据进行数据融合，得到单变量风机塔筒振动数据；
提取模块，用于基于HHT算法对所述单变量风机塔筒振动数据进行提取，得到低频振动信号；
变量确定模块，用于根据风机运行机理分析，确定振动影响变量；
训练模块，用于以所述振动影响变量为预设模型的输入参数，以所述低频振动信号为预设模型的输出参数，采用XGBoost算法对预设模型进行训练和精度验证，得到训练好的塔筒振动状态监测模型。
7.根据权利要求6所述的风电机组塔筒异常振动识别和运行状态监测系统，其特征在于，所述振动分析模块具体包括：
对比单元，用于根据所述预测结果和所述待测风机运行数据进行对比，得到振动残差曲线；
判断单元，用于采用所述四分位法对所述振动残差曲线进行振动变化分析，并根据分析结果判定所述塔筒是否为异常振动状态，若是，则将所述运行状态确定为异常状态，若否，则将所述运行状态确定为正常状态。
8.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的一种风电机组塔筒异常振动识别和运行状态监测方法中的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的一种风电机组塔筒异常振动识别和运行状态监测方法中的步骤。
CN202210568413.4A 2022-05-23 2022-05-23 风电机组塔筒异常振动识别和运行状态监测方法及系统 Active CN114893360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210568413.4A CN114893360B (zh) 2022-05-23 2022-05-23 风电机组塔筒异常振动识别和运行状态监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210568413.4A CN114893360B (zh) 2022-05-23 2022-05-23 风电机组塔筒异常振动识别和运行状态监测方法及系统

Publications (2)

Publication Number Publication Date
CN114893360A CN114893360A (zh) 2022-08-12
CN114893360B true CN114893360B (zh) 2023-03-24

Family

ID=82724833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210568413.4A Active CN114893360B (zh) 2022-05-23 2022-05-23 风电机组塔筒异常振动识别和运行状态监测方法及系统

Country Status (1)

Country Link
CN (1) CN114893360B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116296365B (zh) * 2023-03-21 2023-10-03 华能酒泉风电有限责任公司 一种风力发电机组齿轮箱磨损自动预警方法及系统
CN116624343B (zh) * 2023-06-14 2023-10-13 华北电力大学 一种风电机组塔筒异常振动监测及健康度评价方法及系统
CN117951446B (zh) * 2023-12-12 2024-06-18 江苏欧普瑞信息科技有限公司 一种信号发射塔的监测方法及系统
CN118094195B (zh) * 2024-04-22 2024-06-28 青岛百恒新能源技术有限公司 一种风电机组振动检测系统及其使用方法
CN118499203B (zh) * 2024-07-19 2024-09-17 杭州施厚能源科技有限公司 一种风电机组部件的综合监测方法、装置及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102980651B (zh) * 2012-11-02 2015-05-27 华锐风电科技(集团)股份有限公司 风电机组状态监测方法、装置及系统
ES2947817T3 (es) * 2014-11-18 2023-08-21 Hitachi Energy Switzerland Ag Método y sistema de supervisión del estado de un aerogenerador
EP3452720B1 (en) * 2016-05-03 2024-03-27 Vestas Wind Systems A/S Status monitoring for wind turbines
EP4080046A4 (en) * 2019-12-16 2022-12-14 Envision Energy Co., Ltd. DEVICE AND SYSTEM FOR MONITORING THE STATE OF HEALTH OF A BLADE FOOT FIXING
CN111472943A (zh) * 2020-05-19 2020-07-31 西安热工研究院有限公司 一种风电机组高同步精度的分布式测量系统及方法
CN113279920A (zh) * 2021-06-25 2021-08-20 中国华能集团清洁能源技术研究院有限公司 一种大兆瓦风电机组塔筒固有频率监测装置及方法

Also Published As

Publication number Publication date
CN114893360A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN114893360B (zh) 风电机组塔筒异常振动识别和运行状态监测方法及系统
EP2103915B1 (en) Apparatus and method for determining a resonant frequency of a wind turbine tower
CN110674842A (zh) 一种风电机组主轴轴承故障预测方法
CN111400961B (zh) 风力发电机组叶片故障判断方法及装置
CN108760305B (zh) 一种轴承故障检测方法、装置及设备
CN110455517B (zh) 一种风力发电机组的塔筒健康监测方法
CN116624343B (zh) 一种风电机组塔筒异常振动监测及健康度评价方法及系统
CN111878322B (zh) 风力发电机装置
CN111946559A (zh) 一种风机基础和塔架结构检测方法
CN113374652A (zh) 一种风力发电机组寿命评估方法
CN107689059A (zh) 风力发电机组变桨异常的识别方法及装置
CN1275024C (zh) 大型结构损伤状况实时识别的变时基监测方法
CN116625683A (zh) 一种风电机组轴承故障识别方法、系统、装置及电子设备
CN116956215A (zh) 一种传动系统故障诊断方法及系统
Mohammadi et al. DeepWind: an accurate wind turbine condition monitoring framework via deep learning on embedded platforms
CN116677569A (zh) 一种风机塔架应力监测与预警方法及其系统
CN111594392A (zh) 一种风力发电塔筒螺栓在线监测方法
CN107862175A (zh) 一种厂房振动多尺度分析方法
CN116757087B (zh) 海上风电支撑结构的状态评估方法及相关设备
CN116816616A (zh) 用于风力发电机组塔筒状态监测的故障检测方法及其装置
CN113504302B (zh) 风机叶片状态监测的方法、系统、电子设备及存储介质
CN111878323B (zh) 一种基于频谱自相关函数的风力发电机组故障预警方法
CN113339210A (zh) 一种风电机组叶片覆冰监测方法、系统
Cianetti et al. Dynamic behavior of wind turbines. An on-board evaluation technique to monitor fatigue
da Rosa et al. Wind Turbine Blade Mass Imbalance Detection Using Artificial Intelligence

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