CN115655715A - 一种风电机组轴承异常温度的识别方法、装置和设备 - Google Patents
一种风电机组轴承异常温度的识别方法、装置和设备 Download PDFInfo
- Publication number
- CN115655715A CN115655715A CN202211301059.5A CN202211301059A CN115655715A CN 115655715 A CN115655715 A CN 115655715A CN 202211301059 A CN202211301059 A CN 202211301059A CN 115655715 A CN115655715 A CN 115655715A
- Authority
- CN
- China
- Prior art keywords
- temperature
- bearing
- model
- prediction model
- monitoring data
- 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
本发明公开了一种风电机组轴承异常温度的识别方法、装置和设备，其中方法包括：基于轴承的传热机理创建温度预测模型，温度预测模型用于通过上一时刻的轴承温度预测下一时刻的轴承温度；利用机器学习算法对温度预测模型的模型参数进行拟合；利用模型参数拟合后的温度预测模型预测当前时刻的预测温度；计算预测温度和当前时刻实际温度的差值，并基于差值和预设阈值的大小关系确定轴承的温度是否异常。本发明提供的技术方案，提高了风电机组轴承异常温度的识别准确度。
Description
技术领域
本发明涉及故障诊断领域，具体涉及一种风电机组轴承异常温度的识别方法、装置和设备。
背景技术
目前，在风电机组故障诊断这一领域，常用的轴承故障诊断包括基于温度监测进行的故障诊断和基于振动监测进行的故障诊断，其中温度监测一般通过获取风机SCADA秒级数据中的轴承温度数据和机舱温度数据实现；然后通过设定轴承温度阈值、轴承温升阈值、单台机组历史数据阈值、全场机组历史数据阈值等多种固定阈值，将采集的数据和阈值进行比较，判断风电机组的轴承是否异常。
由于机组类型多样，轴承工作环境和润滑条件也不相同，传统的温度阈值方式无法适应各个机组，往往温度阈值尚未报警，轴承已发生缺少润滑、损伤或卡死情况。专利文件CN108051211A针对这一情况，提出了一种轴承温度预警诊断方法，首先从风电机组监测的数据中提取与温度相关的参数，然后利用提取的参数训练一个用于仿真温度的神经网络模型，在测试时将某一个风电机组的相关参数输入该神经网络过模型，得到仿真的风电机组轴承温度，然后将仿真的风电机组轴承温度和真实采集的轴承温度进行比较，当二者差值超出一定范围时，则认为当前的风电机组轴承温度异常，从而轴承存在异常。
但是上述解决方案中训练的神经网络模型过于依赖数据，属于纯数据驱动模型，若数据质量不高，则训练的模型与实际的风电机组相比差异较大，从而影响判定结果的准确性。
发明内容
有鉴于此，本发明实施方式提供了一种风电机组轴承异常温度的识别方法、装置和设备，从而提高了风电机组轴承异常温度的识别准确度。
根据第一方面，本发明实施例提供了一种风电机组轴承异常温度的识别方法，所述方法包括：基于轴承的传热机理创建温度预测模型，所述温度预测模型用于通过上一时刻的轴承温度预测下一时刻的轴承温度；利用机器学习算法对所述温度预测模型的模型参数进行拟合；利用模型参数拟合后的温度预测模型预测当前时刻的预测温度；计算所述预测温度和当前时刻实际温度的差值，并基于所述差值和预设阈值的大小关系确定所述轴承的温度是否异常。
可选地，所述基于轴承的传热机理创建温度预测模型，包括：基于机舱空气热对流热量、轴承摩擦产热、轴承轴向热传导产热、轴承与环境温度热辐射创建温升模型，所述温升模型用于计算上一时刻轴承温度与下一时刻轴承温度之间的差值；将所述温升模型进行简化，得到所述温度预测模型。
可选地，所述将所述温升模型进行简化，包括：将所述温升模型中的所述轴承轴向热传导产热和所述轴承与环境温度热辐射置零；将所述温升模型中关于轴承温度、机舱温度和轴承转速之外的参数融合为简化参数。
可选地，所述利用机器学习算法对所述温度预测模型的模型参数进行拟合，包括：获取风电机组的历史连续监测数据；将所述历史连续监测数据中的下一时刻温度作为上一时刻温度的预测标签，将所述简化参数设定为预设机器学习算法的待拟合参数，通过所述历史连续监测数据和所述预设机器学习算法进行迭代训练，将拟合得到的简化参数数值作为所述温度预测模型的模型参数数值。
可选地，所述获取风电机组的历史连续监测数据，包括：获取秒级历史监测数据，并将所述秒级历史监测数据重采样为分钟级历史监测数据；对所述分钟级历史监测数据中的异常数据进行清理；以第一预设时间间隔对所述分钟级历史监测数据进行插值处理，得到所述历史连续监测数据。
可选地，所述以第一预设时间间隔对所述分钟级历史监测数据进行插值处理，得到所述历史连续监测数据，包括：从所述分钟级历史监测数据中确定时间间隔不超过第二预设时间间隔的连续时间段；在所述连续时间段中以所述第一预设时间间隔进行插值处理，并将连续时间段中插值后的数据作为所述历史连续监测数据。
可选地，所述利用模型参数拟合后的温度预测模型预测当前时刻的预测温度，包括：将前第n个时刻的轴承温度作为输入，通过所述模型参数拟合后的温度预测模型迭代计算n次，得到当前时刻的预测温度，其中n为大于1的整数。
根据第二方面，本发明实施例提供了一种风电机组轴承异常温度的识别装置，所述装置包括：模型创建模块，用于基于轴承的传热机理创建温度预测模型，所述温度预测模型用于通过上一时刻的轴承温度预测下一时刻的轴承温度；参数拟合模块，用于利用机器学习算法对所述温度预测模型的模型参数进行拟合；温度预测模块，用于利用模型参数拟合后的温度预测模型预测当前时刻的预测温度；异常识别模块，用于计算所述预测温度和当前时刻实际温度的差值，并基于所述差值和预设阈值的大小关系确定所述轴承的温度是否异常。
根据第三方面，本发明实施例提供了一种风电机组轴承异常温度的识别设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
本申请提供的技术方案，具有如下优点：
本申请提供的技术方案，基于轴承的传热机理，利用机理公式创建用于通过上一时刻的轴承温度预测下一时刻的轴承温度的温度预测模型。然后利用机器学习算法对温度预测模型的模型参数进行拟合。利用模型参数拟合后的温度预测模型预测当前时刻的预测温度；最后计算预测温度和当前时刻实际温度的差值，并基于差值和预设阈值的大小关系确定轴承的温度是否异常。在温度预测模型创建阶段，利用表征轴承传热机理的多种公式创建温度预测模型，充分考虑轴承的温升原理，并且结合历史数据运用机器学习算法只对温度预测模型的参数进行拟合优化，不对温度预测模型本身的结构造成改变，从而综合轴承传热机理和数据驱动两个方面创建更加准确的温度预测模型，使得轴承未来的温度预测走向更加准确，最后将理论得到的预测温度和实际温度进行比对，如果差值过大则认为实际温度相对于理论值偏差过大，实际温度应当是发生了异常所以导致严重偏离理论值的情况出现，进而可以诊断出轴承存在异常。
此外，在一实施例中，温度预测模型基于机舱空气热对流热量、轴承摩擦产热、轴承轴向热传导产热、轴承与环境温度热辐射创建生成，考虑到预测温度出现差异，多为轴承润滑和故障引起，通过上述机理创建的温度预测模型还能避免传统预测温度值过高是由传统机舱温度、环境温度过高引起的误报。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明一个实施方式中一种风电机组轴承异常温度的识别方法的步骤示意图；
图2示出了本发明一个实施方式中一种风电机组轴承异常温度的识别方法的流程示意图；
图3示出了本发明一个实施方式中一种风电机组轴承异常温度的识别装置的结构示意图；
图4示出了本发明一个实施方式中一种风电机组轴承异常温度的识别设备的结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
请参阅图1，在一个实施方式中，一种风电机组轴承异常温度的识别方法，具体包括如下步骤：
步骤S101：基于轴承的传热机理创建温度预测模型，温度预测模型用于通过上一时刻的轴承温度预测下一时刻的轴承温度。
步骤S102：利用机器学习算法对温度预测模型的模型参数进行拟合。
步骤S103：利用模型参数拟合后的温度预测模型预测当前时刻的预测温度。
步骤S104：计算预测温度和当前时刻实际温度的差值，并基于差值和预设阈值的大小关系确定轴承的温度是否异常。
具体地，本发明实施例提供了一种通过轴承理论预测温度与实际温度比对来实现轴承温度异常预警的方案，从而当实际温度严重偏离理论预测温度时，可以识别出轴承因为温度异常应当存在轴承异常。本发明实施例进行温度异常识别涉及到的轴承包括但不限于风电机组的偏航轴承、变桨轴承、主轴轴承、变速箱轴承和发电机轴承，本实施例优选主轴承并以主轴承为例进行温度异常识别方法的描述，具体做法为：先基于轴承的传热机理创建温度预测模型，用于将上一时刻的轴承温度输入该模型，通过该模型预测下一时刻的轴承温度。而通过轴承的传热机理创建的温度预测模型，更加贴近于轴承实际物理变化，不以数据为主要依靠，轴承数据只起到辅助优化作用。其中，利用温度预测模型的创建涉及到多种传热机理公式的叠加、变换和计算，生成的温度预测模型必然包括多种待整定的模型参数，模型参数的整定是模型创建中的一项难题，而本实施例借助于机器学习算法，以历史数据为样本，以温度预测模型的模型参数为机器学习算法的待训练参数，进行迭代训练，从而拟合得到整定后的模型参数。通过风电机组的数据对温度预测模型的模型参数辅助优化，提高温度预测模型的准确性，并且温度预测模型结构依然遵循传热机理的公式结构，风电机组数据只影响模型参数的数值，即使风电机组数据质量不高，也不会对温度预测模型的模型结构造成较大影响。综合轴承传热机理和数据驱动两个方面创建更加准确的温度预测模型，使得轴承未来的温度预测走向更加准确，最后将理论得到的预测温度和实际温度进行比对，如果差值过大则认为实际温度相对于理论值偏差过大，例如，当实际温度比预测温度高过30摄氏度，且具体超过2个百分点时，认为实际温度应当是异常所以导致出现了实际温度严重偏离理论值的情况，进而可以诊断出轴承存在异常。
具体地，在一实施例中，上述步骤S101，具体包括如下步骤：
步骤一：基于机舱空气热对流热量、轴承摩擦产热、轴承轴向热传导产热、轴承与环境温度热辐射创建温升模型，温升模型用于计算上一时刻轴承温度与下一时刻轴承温度之间的差值。
步骤二：将温升模型进行简化，得到温度预测模型。
具体地，在本发明实施例中，考虑预测温度和实际温度出现较大差异，多为轴承润滑和故障引起，从而从机舱空气热对流热量、轴承摩擦产热、轴承轴向热传导产热、轴承与环境温度热辐射四个方面创建温度预测模型，通过上述机理创建的温度预测模型可以避免预测温度值较高是由传统机舱温度、环境温度过高引起的误报。
创建温度预测模型的具体步骤如下：
首先确定轴承温升计算公式
式中，t2表示下一时刻轴承温度；t1表示当前时刻轴承温度；Q表示轴承吸收热量；c表示轴承比热容；m表示轴承质量。
轴承吸收热量Q由以下4部分组成：机舱空气热对流Q1、轴承摩擦产热Q2、轴承轴向热传导Q3、轴承与环境温度热辐射Q4。
之后，将上述四个部分的热量公式代入温升计算公式得到温升模型，例如：
机舱空气热对流Q1计算公式如下：
Q1＝hA(ttur-t1)
式中，ttur表示当前时刻机舱温度；t1表示当前时刻轴承温度；h表示对流换热系数；A表示轴承与机舱接触表面积。
轴承的摩擦损失在轴承内部几乎全部变为热量，因而致使轴承温度升高，计算轴承摩擦产热Q2的计算公式如下：
Q2＝1.05×10-4Mn
式中M表示摩擦力矩，n表示轴承转速，M的计算公式如下：
式中，μ表示轴承摩擦系数，P表示当量动负荷，d表示轴承公称内径。
轴承轴向热传导Q3的具体公式不再赘述，若用户追求更高的模型精度，则将轴承轴向热传导Q3的公式代入上述轴承吸收热量Q中。而在本实施例中，考虑到轴承为钢制，导热系数良好，局部温差较小，且轴承轴向截面面积较小，可判定轴承导热量较小，因此在后续模型简化的步骤中将本部分简化，以进一步降低模型参数的拟合难度。
轴承与环境温度热辐射Q4计算公式如下：
Q4＝Aσ((273+tenv)4-(273+t1)4)
式中，tenv表示当前时刻环境温度，t1表示当前时刻轴承温度，σ表示辐射系数，A表示轴承与机舱接触表面积。
之后，将上述Q1～Q4的计算公式代入温升公式则得到温升模型，温升模型中涉及到多种未知参数，由于风电机组部分参数数据难以获取，并且现场机组间存在差异，物理模型参数在实际应用中很难求解，从而本实施例借助机器学习算法准确拟合温升模型中的模型参数，实现了创建准确度较高的温度预测模型的具体方案。
此外，为了进一步降低上述温升模型中模型参数的拟合难度，本发明实施例还对温升模型进行简化，从而减少模型参数，简化模型计算量，提高计算速度。在本实施例中，具体简化流程主要包括两个方面，一方面，将温升模型中的轴承轴向热传导产热和轴承与环境温度热辐射置零。具体理由在上述温升模型创建过程中已有描述，即考虑到轴承为钢制，导热系数良好，局部温差较小，且轴承轴向截面面积较小，可判定轴承导热量较小，因此将轴承轴向热传导产热置零。另外，本实施例考虑热辐射的能力大小取决于温度，温度越高辐射量越大，由于风电机组内外温差相差不大，约30至40度，相对于热对流散热量较小，从而为简化计算量，本实施例可将轴承与环境温度热辐射置零。另一方面，还将温升模型中关于轴承温度、机舱温度和轴承转速之外的参数融合为简化参数，从而显著降低机器学习算法拟合模型参数的难度。具体将模型参数融合为简化参数的步骤如下：
假定轴承摩擦系数μ、对流换热系数h、接触面积A等固定参量不变，则固定参量可由λ1，λ2等参量代替；
简化参数的过程可参考下式
从而可知下一时刻轴承温度可由上一时刻轴承温度、机舱温度和轴承温度差值及轴承转速来推导出来，实现了模型简化。并且，利用机器学习算法拟合上述简化参数λ1、λ2相比拟合轴承摩擦系数μ、对流换热系数h、接触面积A等固定参量的难度能够显著降低。最后，将上述温升模型中的简化参数λ1、λ2拟合得到具体数值，即可得到完整的温度预测模型。
具体地，如图2所示，在一实施例中，上述步骤S102，具体包括如下步骤：
步骤三：获取风电机组的历史连续监测数据。
步骤四：将历史连续监测数据中的下一时刻温度作为上一时刻温度的预测标签，将简化参数设定为预设机器学习算法的待拟合参数，通过历史连续监测数据和预设机器学习算法进行迭代训练，将拟合得到的简化参数数值作为温度预测模型的模型参数数值。
具体地，在本实施例中，基于机器学习算法拟合温度预测模型的模型参数λ1和λ2，基于风电机组的历史连续监测数据实现，从而保证参数拟合的准确率。其中，机器学习算法可采用包括但不限于支持向量机、神经网络。历史连续监测数据中轴承温度的采集时刻保持连续，且不存在数据缺失的问题，保证上一时刻和下一时刻的轴承温度衔接紧密，将每个后一时刻的轴承温度作为前一时刻轴承温度的预测标签，用于衡量前一时刻温度作为输入时的预测温度和实际温度之间的误差。换言之，将前一时刻轴承温度输入温度预测模型中，温度预测模型输出下一时刻的预测温度，历史连续监测数据中采集的下一时刻温度数据即下一时刻的实际温度，计算下一时刻预测温度和下一时刻实际温度的差值，根据该差值即可调整机器学习算法的待拟合参数，在支持向量机算法中待拟合参数即支持向量，在神经网络算法中待拟合参数即神经元的权重。通过上述步骤的做法，可以避免由于监测数据不连续，轴承温度采样时间间隔忽大忽小导致的训练不准确的问题。而上述待拟合参数，则是温度预测模型简化后的模型参数λ1和λ2。当机器学习算法利用历史连续监测数据迭代训练完成时，将机器学习算法拟合的参数数值带入λ1和λ2，即可得到准确度更高的温度预测模型。
具体地，在本发明实施例中，机器学习算法采用支持向量回归模型(supportvector regression，SVR)，考虑简化后的温度预测模型更接近于线性拟合，SVR对于简单的线性拟合效果较好、理论更匹配，从而采用SVR进一步提高了模型参数λ1和λ2拟合的准确率。
具体地，在一实施例中，上述步骤三，具体包括如下步骤：
步骤五：获取秒级历史监测数据，并将秒级历史监测数据重采样为分钟级历史监测数据。
步骤六：对分钟级历史监测数据中的异常数据进行清理。
步骤七：以第一预设时间间隔对分钟级历史监测数据进行插值处理，得到历史连续监测数据。
具体地，在本实施例中，风电机组的监测数据通常通过SCADA电气监测系统获得，通常为秒级轴承温度、机舱温度、轴承转速等数据，本实施例采用1个月长度的数据进行模型训练，仅以此举例，不以此为限。实际应用中温度预测模型对时间敏感性不强，不会发生短时间(秒级)剧烈变化，(由于没有大的发热源)，采用分钟级数据是目前考虑比较合适的方法，而采用5分钟间隔的数据是根据实验确定的最优选择。因此，本实施例首先对秒级历史监测数据滑窗处理为均值数据，然后重采样为5分钟时间间隔的历史监测数据。之后，对5分钟时间间隔的历史监测数据进行异常清理，主要针对采样时刻数据缺失和数据严重跳跃的异常情况。最后，对SCADA系统得到的监测数据进行连续化处理，由于实际监测数据的采样时刻并不能保证连续，上一时刻与下一时刻的间隔可能过长，即使重采样为5分钟级数据也有可能存在上一条数据与下一条数据的时间间隔过长，从而本实施例进一步以5分钟为第一预设时间间隔在间隔较长的监测数据之间进行线性插值，得到温度值衔接更加紧密且连续的历史连续监测数据。
具体地，在本实施例中，定义分钟级历史监测数据中时间间隔超过第二预设时间间隔(例如30分钟)的两条数据为不连续，两条数据之间的时间段为不连续时间段，考虑在较长的间隔之间进行插值则不能保证准确率，因此，本实施例定义不超过第二预设时间间隔的两条数据之间的时间段为连续时间段。继而在连续时间段中以第一预设时间间隔5分钟进行插值处理，并将连续时间段中插值后的数据作为历史连续监测数据，并划分测试集和训练集，例如：针对1个月的数据，其中前3周的数据作为训练集，第4周的数据作为测试机。综合上述步骤，为适应风场数据间断、缺少、部分数据异常等情况进行了处理，从而进一步保证了数据的可靠性。
具体地，在一实施例中，上述步骤S103，具体包括如下步骤：
步骤八：将前第n个时刻的轴承温度作为输入，通过模型参数拟合后的温度预测模型迭代计算n次，得到当前时刻的预测温度，其中n为大于1的整数。
具体地，本实施例为了进一步保证轴承温度是否异常的识别准确率，引入多个计算周期进行识别。例如，背景技术中所提到的专利文件直接将当前时刻的风电机组参数输入神经网络模型，以输出当前时刻的温度预测值，通过当前时刻的温度预测值和温度实际值进行比对结果识别温度异常。该种方法中的神经网络模型无法考虑连续时间因素的影响。而本实施例所创建的温度预测模型，是用于通过上一时刻的轴承温度预测下一时刻的轴承温度。因此，可以将当前时刻前第n个时刻(例如前第5个时刻)的轴承温度作为输入，从而利用温度预测模型计算前n-1个时刻的预测温度，然后将前n-1个时刻的预测温度作为温度预测模型的输入，继续计算前n-2个时刻的预测温度，迭代n次后，得到当前时刻的预测温度。最后利用当前时刻的预测温度和实际温度进行比对，判断实际温度和预测温度的差值是否超过预设阈值，从而实现异常温度的识别。通过本实施例提供的温度预测模型，引入连续时间的温度变化影响，进一步提高了温度预测模型预测温度的准确性。
通过上述步骤，本申请提供的技术方案，基于轴承的传热机理，利用机理公式创建用于通过上一时刻的轴承温度预测下一时刻的轴承温度的温度预测模型。然后利用机器学习算法对温度预测模型的模型参数进行拟合。利用模型参数拟合后的温度预测模型预测当前时刻的预测温度；最后计算预测温度和当前时刻实际温度的差值，并基于差值和预设阈值的大小关系确定轴承的温度是否异常。在温度预测模型创建阶段，利用表征轴承传热机理的多种公式创建温度预测模型，充分考虑轴承的温升原理，并且结合历史数据运用机器学习算法只对温度预测模型的参数进行拟合优化，不对温度预测模型本身的结构造成改变，从而综合轴承传热机理和数据驱动两个方面创建更加准确的温度预测模型，使得轴承未来的温度预测走向更加准确，最后将理论得到的预测温度和实际温度进行比对，如果差值过大则认为实际温度相对于理论值偏差过大，实际温度应当是发生了异常所以导致严重偏离理论值的情况出现，进而可以诊断出轴承存在异常。
此外，在一实施例中，温度预测模型基于机舱空气热对流热量、轴承摩擦产热、轴承轴向热传导产热、轴承与环境温度热辐射创建生成，考虑到预测温度出现差异，多为轴承润滑和故障引起，通过上述机理创建的温度预测模型还能避免传统预测温度值过高是由传统机舱温度、环境温度过高引起的误报。
如图3所示，本实施例还提供了一种风电机组轴承异常温度的识别装置，该装置包括：
模型创建模块101，用于基于轴承的传热机理创建温度预测模型，温度预测模型用于通过上一时刻的轴承温度预测下一时刻的轴承温度；详细内容参见上述方法实施例中步骤S101的相关描述，在此不再进行赘述。
参数拟合模块102，用于利用机器学习算法对温度预测模型的模型参数进行拟合；详细内容参见上述方法实施例中步骤S102的相关描述，在此不再进行赘述。
温度预测模块103，用于利用模型参数拟合后的温度预测模型预测当前时刻的预测温度；详细内容参见上述方法实施例中步骤S103的相关描述，在此不再进行赘述。
异常识别模块104，用于计算预测温度和当前时刻实际温度的差值，并基于差值和预设阈值的大小关系确定轴承的温度是否异常。详细内容参见上述方法实施例中步骤S101的相关描述，在此不再进行赘述。
本发明实施例提供的风电机组轴承异常温度的识别装置，用于执行上述实施例提供的风电机组轴承异常温度的识别方法，其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。
通过上述各个组成部分的协同合作，本申请提供的技术方案，基于轴承的传热机理，利用机理公式创建用于通过上一时刻的轴承温度预测下一时刻的轴承温度的温度预测模型。然后利用机器学习算法对温度预测模型的模型参数进行拟合。利用模型参数拟合后的温度预测模型预测当前时刻的预测温度；最后计算预测温度和当前时刻实际温度的差值，并基于差值和预设阈值的大小关系确定轴承的温度是否异常。在温度预测模型创建阶段，利用表征轴承传热机理的多种公式创建温度预测模型，充分考虑轴承的温升原理，并且结合历史数据运用机器学习算法只对温度预测模型的参数进行拟合优化，不对温度预测模型本身的结构造成改变，从而综合轴承传热机理和数据驱动两个方面创建更加准确的温度预测模型，使得轴承未来的温度预测走向更加准确，最后将理论得到的预测温度和实际温度进行比对，如果差值过大则认为实际温度相对于理论值偏差过大，实际温度应当是发生了异常所以导致严重偏离理论值的情况出现，进而可以诊断出轴承存在异常。
此外，在一实施例中，温度预测模型基于机舱空气热对流热量、轴承摩擦产热、轴承轴向热传导产热、轴承与环境温度热辐射创建生成，考虑到预测温度出现差异，多为轴承润滑和故障引起，通过上述机理创建的温度预测模型还能避免传统预测温度值过高是由传统机舱温度、环境温度过高引起的误报。
图4示出了本发明实施例的一种风电机组轴承异常温度的识别设备，该设备包括处理器901和存储器902，可以通过总线或者其他方式连接，图4中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
上述风电机组轴承异常温度的识别设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，实现的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种风电机组轴承异常温度的识别方法，其特征在于，所述方法包括：
基于轴承的传热机理创建温度预测模型，所述温度预测模型用于通过上一时刻的轴承温度预测下一时刻的轴承温度；
利用机器学习算法对所述温度预测模型的模型参数进行拟合；
利用模型参数拟合后的温度预测模型预测当前时刻的预测温度；
计算所述预测温度和当前时刻实际温度的差值，并基于所述差值和预设阈值的大小关系确定所述轴承的温度是否异常。
2.根据权利要求1所述的方法，其特征在于，所述基于轴承的传热机理创建温度预测模型，包括：
基于机舱空气热对流热量、轴承摩擦产热、轴承轴向热传导产热、轴承与环境温度热辐射创建温升模型，所述温升模型用于计算上一时刻轴承温度与下一时刻轴承温度之间的差值；
将所述温升模型进行简化，得到所述温度预测模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述温升模型进行简化，包括：
将所述温升模型中的所述轴承轴向热传导产热和所述轴承与环境温度热辐射置零；
将所述温升模型中关于轴承温度、机舱温度和轴承转速之外的参数融合为简化参数。
4.根据权利要求3所述的方法，其特征在于，所述利用机器学习算法对所述温度预测模型的模型参数进行拟合，包括：
获取风电机组的历史连续监测数据；
将所述历史连续监测数据中的下一时刻温度作为上一时刻温度的预测标签，将所述简化参数设定为预设机器学习算法的待拟合参数，通过所述历史连续监测数据和所述预设机器学习算法进行迭代训练，将拟合得到的简化参数数值作为所述温度预测模型的模型参数数值。
5.根据权利要求4所述的方法，其特征在于，所述获取风电机组的历史连续监测数据，包括：
获取秒级历史监测数据，并将所述秒级历史监测数据重采样为分钟级历史监测数据；
对所述分钟级历史监测数据中的异常数据进行清理；
以第一预设时间间隔对所述分钟级历史监测数据进行插值处理，得到所述历史连续监测数据。
6.根据权利要求5所述的方法，其特征在于，所述以第一预设时间间隔对所述分钟级历史监测数据进行插值处理，得到所述历史连续监测数据，包括：
从所述分钟级历史监测数据中确定时间间隔不超过第二预设时间间隔的连续时间段；
在所述连续时间段中以所述第一预设时间间隔进行插值处理，并将连续时间段中插值后的数据作为所述历史连续监测数据。
7.根据权利要求1所述的方法，其特征在于，所述利用模型参数拟合后的温度预测模型预测当前时刻的预测温度，包括：
将前第n个时刻的轴承温度作为输入，通过所述模型参数拟合后的温度预测模型迭代计算n次，得到当前时刻的预测温度，其中n为大于1的整数。
8.一种风电机组轴承异常温度的识别装置，其特征在于，所述装置包括：
模型创建模块，用于基于轴承的传热机理创建温度预测模型，所述温度预测模型用于通过上一时刻的轴承温度预测下一时刻的轴承温度；
参数拟合模块，用于利用机器学习算法对所述温度预测模型的模型参数进行拟合；
温度预测模块，用于利用模型参数拟合后的温度预测模型预测当前时刻的预测温度；
异常识别模块，用于计算所述预测温度和当前时刻实际温度的差值，并基于所述差值和预设阈值的大小关系确定所述轴承的温度是否异常。
9.一种风电机组轴承异常温度的识别设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211301059.5A CN115655715A (zh) | 2022-10-24 | 2022-10-24 | 一种风电机组轴承异常温度的识别方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211301059.5A CN115655715A (zh) | 2022-10-24 | 2022-10-24 | 一种风电机组轴承异常温度的识别方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115655715A true CN115655715A (zh) | 2023-01-31 |
Family
ID=84991719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211301059.5A Pending CN115655715A (zh) | 2022-10-24 | 2022-10-24 | 一种风电机组轴承异常温度的识别方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115655715A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116736115A (zh) * | 2023-08-14 | 2023-09-12 | 山东开创电气有限公司 | 一种煤矿皮带输送电机温度监测方法及系统 |
| CN117389344A (zh) * | 2023-09-25 | 2024-01-12 | 华为技术有限公司 | 用电设备及其表面温度控制方法、装置、介质和芯片系统 |
-
2022
- 2022-10-24 CN CN202211301059.5A patent/CN115655715A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116736115A (zh) * | 2023-08-14 | 2023-09-12 | 山东开创电气有限公司 | 一种煤矿皮带输送电机温度监测方法及系统 |
| CN116736115B (zh) * | 2023-08-14 | 2023-10-20 | 山东开创电气有限公司 | 一种煤矿皮带输送电机温度监测方法及系统 |
| CN117389344A (zh) * | 2023-09-25 | 2024-01-12 | 华为技术有限公司 | 用电设备及其表面温度控制方法、装置、介质和芯片系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115655715A (zh) | 一种风电机组轴承异常温度的识别方法、装置和设备 | |
| Zhang et al. | Wind turbine fault detection based on SCADA data analysis using ANN | |
| JP6397330B2 (ja) | ドライブトレイン、ギアボックス、発電機などの回転機械の残存耐用年数を測定 | |
| Zhou et al. | A novel grey prognostic model based on Markov process and grey incidence analysis for energy conversion equipment degradation | |
| Hu et al. | Using domain knowledge features for wind turbine diagnostics | |
| CN109458308B (zh) | 风机主轴超温预警方法 | |
| Helsen et al. | Fleet-wide condition monitoring combining vibration signal processing and machine learning rolled out in a cloud-computing environment | |
| CN115901263A (zh) | 基于数字孪生的滚动轴承剩余寿命在线预测方法及系统 | |
| CN112257224B (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
| Cui et al. | A Novel Robust Dual Unscented Particle Filter Method for Remaining Useful Life Prediction of Rolling Bearings | |
| Dao et al. | Operational condition monitoring of wind turbines using cointegration method | |
| TWI700431B (zh) | 風力發電系統 | |
| WO2020071066A1 (ja) | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル | |
| CN114239708B (zh) | 一种基于质量控制图理论的燃机异常检测方法 | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| CN115795397A (zh) | 基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法 | |
| CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
| Tautz-Weinert et al. | Challenges in using operational data for reliable wind turbine condition monitoring | |
| CN113529845A (zh) | 挖掘机故障诊断方法、挖掘机、电子设备及可读存储介质 | |
| Dhiman et al. | Enhancing Wind Turbine Reliability through Proactive High Speed Bearing Prognosis Based on Adaptive Threshold and Gated Recurrent Unit Networks | |
| CN109697271B (zh) | 基于短时能量变化比和核极限学习机的滚动轴承健康评估与性能预测方法 | |
| CN108537174B (zh) | 时变工况条件下旋转机械运行状态在线监测方法及系统 | |
| CN115374653B (zh) | 基于nset模型的风力发电机温度预警方法及相关装置 | |
| CN114004539B (zh) | 一种基于振动数据的各方向磨损量评估方法 | |
| Marti-Puig et al. | Industrial AI in condition-based maintenance: A case study in wooden piece manufacturing |
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 |