CN116070368A - 一种海上风电机组高速轴承剩余寿命预测方法 - Google Patents
一种海上风电机组高速轴承剩余寿命预测方法 Download PDFInfo
- Publication number
- CN116070368A CN116070368A CN202310029498.3A CN202310029498A CN116070368A CN 116070368 A CN116070368 A CN 116070368A CN 202310029498 A CN202310029498 A CN 202310029498A CN 116070368 A CN116070368 A CN 116070368A
- Authority
- CN
- China
- Prior art keywords
- index
- bearing
- characteristic
- time
- monotonicity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000036541 health Effects 0.000 claims abstract description 51
- 238000006731 degradation reaction Methods 0.000 claims abstract description 40
- 230000015556 catabolic process Effects 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims description 18
- 230000014509 gene expression Effects 0.000 claims description 18
- 238000011161 development Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005184 irreversible process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Acoustics & Sound (AREA)
- Pure & Applied Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种海上风电机组高速轴承剩余寿命预测方法,包括如下步骤:步骤一:在海上风电机组的齿轮箱高速轴两侧轴承对应齿轮箱体的轴承座上以及发电机轴承座上的若干个采样点分别安装N个振动传感器,采集各个采样点的振动信号,其中N为大于2的自然数;随后将振动信号由模拟值转换成数字信号,并进行预处理;步骤二:将步骤一预处理后的采样点振动信号进行转换,获得每个采样点振动信号的时域特征和频域特征,并将这些特征保存为高速轴承的振动基础特征集;步骤三:对步骤二获得的基础特征集分别进行单调性度量计算,将具有较高单调性的特征确定为轴承退化的敏感特征;步骤四:基于步骤三所获得的敏感特征计算特征退化率,并构建递增型健康指标;步骤五:通过指数核空间转换,将健康指标转换成核空间指标,确定核空间指标阈值,进而确定健康指标的失效阈值;步骤六:基于自约束状态空间估计器预测未来时刻的健康指标变化趋势,将健康指标预测结果与失效阈值进行比较,确定轴承剩余寿命。本发明可以得到精确的海上风电机组高速轴承剩余寿命。
Description
技术领域
本发明属于基于振动监测分析的海上风电机组高速轴承剩余寿命预测领域,具体来讲,提出了一种全新的具有严格单调性的高速轴承健康指标构建方法,可实现仅利用在线历史数据进行高速轴承剩余寿命预测。
背景技术
滚动轴承作为海上风电机组传动链中主要的运动部件之一,其一旦发生故障将会影响设备的生产效率,甚至导致整个机组停机维修,带来不必要的经济损失。海上风电机组传动链高速轴承长期处于高速、高温、变载的工作环境,故障率高,运维保养难度较大,因此对海上风电机组传动链高速轴承进行故障诊断以及寿命预测,以保证设备安全稳定运转是非常有必要的,这也是目前工业化进程的要求和发展趋势。相比于故障诊断,海上风电机组高速轴承剩余寿命预测的研究意义更大,可利用剩余寿命预测结果,分析设备未来的运行状态以及失效时刻,考虑是否提前准备设备部件,可以为海上风电机组预防性维修决策提供依据,从而延长相关机械设备的服役时间,提高生产效率,并且在一定程度上预防重大安全事故的发生等。
在滚动轴承剩余寿命预测领域,目前的预测手段主要可分为三类:基于物理失效模型、基于数据驱动模型及两者的融合模型。基于物理失效模型的方法通过建立相应的物理或数学模型来表征机械设备的衰退趋势,需要结合特定的先验知识或缺陷劣化方程,并根据观测数据对模型参数进行优化。基于数据驱动的方法通过采集的运行数据对机械设备的退化趋势进行预测,该方法不需要相应的专家经验知识,因此对于研究复杂机械系统较为实用。融合模型方法就是将物理失效模型与数据驱动模型结合,主要思想是通过实时的监测数据对给定的经验退化模型进行修正,但是由于融合了两种方法,使得构建的模型结构较为复杂且难以求解,因此该方法研究较少。基于模型的方法能够利用相关经验知识,同时可以结合观测数据潜在的故障信息,因此得到的剩余寿命预测结果更具说服力。不过,由于机械设备的复杂程度越来越高,再加上环境的干扰,使得其性能退化过程具有较强的随机性,因此构建合理的健康指标显得尤为重要。同时,现有的很多剩余寿命预测方法仅在试验台数据或训练集上表现良好,且往往都需要先利用全寿命数据进行训练,这在实际的工程应用中存在一定局限性。
高速轴承剩余寿命预测的重点之一在于健康指标构建,现有的健康指标构建方法大都存在以下不足:①利用神经网络、支持向量机等方法构建健康指标时,需要用到全寿命的振动数据进行训练,且训练结果往往仅适用于同故障类型的轴承。②现有方法主要依据特征信号不同时刻状态与初始时刻状态之间的差别进行健康指标构建,忽略了轴承的退化是不可逆过程,良好的健康指标应具有严格的单调性趋势。③有的方法能够避免使用全寿命数据进行训练,但构建的指标可预测性较差,难以进行准确的剩余寿命预测。
现有技术CN110909509A轴承寿命预测方法具体采用了一些技术手段,包括如下步骤,步骤一:将SDAE、InfoGAN和LSGAN相结合,构建InfoLSGAN,自动地从噪声数据中提取可解释的鲁棒特征,解决梯度消失问题;步骤二:采用基于AC的训练算法训练InfoLSGAN,减少训练时间,加快收敛速度;步骤三:根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中风电齿轮箱轴承的剩余寿命。这种方法在小样本情况下能预测风电齿轮箱轴承的剩余寿命。但是这种算法过于复杂,且大样本情况下无法处理,仅可应用于实验用途。现有技术《风电机组传动链高速轴承剩余寿命预测》(作者黄乙珂)中公开了轴承的寿命预测方法,其中利用了信号的敏感特征,随后得到失效阈值,将敏感特征与失效阈值进行比较,从而在分析粒子滤波解决预测问题所存在优缺点的基础上,提出利用高斯过程回归方法预测结果作为观测值,同时通过粒子滤波对预测结果进行优化,从而构建出PF-GPR融合预测模型;确定了预测模型状态方程的具体形式及构建过程、核函数类型及剩余寿命计算方式。
现有技术的预测方法存在预测不够准确的问题。
发明内容
本发明通过高速轴承历史振动信号,构建了可预测性良好的健康指标,实现了较为精准的高速轴承剩余寿命预测。
本发明提出一种递推型的高速轴承健康指标构建方法,既满足轴承真实退化规律,且具有良好可预测性;同时在寿命预测阶段,提出自约束状态空间估计器,利用自约束曲线为状态空间估计器在未来时刻的迭代更新提供伪观测,提高预测精度,获得更准确的剩余寿命预测结果。
本发明可以通过以下技术方案来实现:
一种海上风电机组高速轴承剩余寿命预测方法,包括:
步骤一:在海上风电机组的齿轮箱高速轴两侧轴承对应齿轮箱体的轴承座上以及发电机轴承座上的若干个采样点分别安装N个振动传感器,采集各个采样点振动信号,其中N为大于2的自然数;随后将振动信号由模拟值转换成数字信号,并进行预处理;
步骤二:将步骤一预处理后的采样点振动信号进行转换,获得每个采样点振动信号的时域特征和频域特征,并将这些特征保存为高速轴承的振动基础特征集;
步骤三:对步骤二获得的基础特征集分别进行单调性度量计算,将具有较高单调性的特征确定为轴承退化的敏感特征;
步骤四:基于步骤三所获得的敏感特征计算特征退化率,并构建递增型健康指标;
步骤五:通过指数核空间转换,将健康指标转换成核空间指标,确定核空间指标阈值,进而确定健康指标的失效阈值;
步骤六:基于自约束状态空间估计器预测未来时刻的健康指标变化趋势,将健康指标预测结果与失效阈值进行比较,确定轴承剩余寿命。
进一步的,步骤三中,单调性度量的表达式:
式中,Mon是单调性度量,F(t)是t时刻的特征值。
进一步的,步骤四中,特征退化率的表达式:
式中,Fi(t)是t时刻第i个敏感特征的特征值,Di(t)是t时刻第i个敏感特征的特征退化率,I是t时刻敏感特征的数量,D(t)是t时刻所有敏感特征的特征退化率,tERT是磨合结束时刻;
健康指标构建的表达式:
式中,FB是其中一个基础特征,表示系统的基础健康状态;H(t)是t时刻的健康指标。
进一步的,步骤五中,指数核空间转换的表达式:
式中,p是超参数,Ksi(t)是t时刻核空间指标,tFDT是退化起始点。
进一步的,步骤五中,核空间指标阈值和核空间指标残差的表达式:
J(x,y)=|time span of xi<y| (5)
式中,t(l) end是Ksi(l)的最后时刻,Ksit是核空间指标阈值,Ksie是核空间指标残差。
进一步的,步骤六中,自约束算法的表达式:
进一步的,将自约束曲线融入状态空间估计器,利用历史数据回归得到与历史数据发展趋势相符合的自约束曲线,为状态空间估计器在未来时刻的迭代更新提供伪观测,提高预测精度,获得更准确的剩余寿命预测结果。
本发明的有益效果在于:
1)现有健康指标构建方法没有关注到轴承退化过程为一不可逆过程,因此构建的指标不具有严格单调性。本发明针对这一问题,提出一种新的特征单调性趋势评价指标,即满足轴承真实退化情况,同时具有良好的趋势性及单调性,易于预测。
2)健康指标构建的难点之一是在避免对数据进行归一化处理的情况下消除不同特征间的量纲差异对指标构建结果产生的影响,本发明基于特征退化率有效提取不同特征包含的退化信息;在此基础上,考虑到轴承退化为一连续过程,建立了一种递推型的健康指标构建方法,并以正常运行阶段振动信号均方根的均值作为初始健康指标值表征不同轴承的正常状态;为解决失效阈值难确定问题,提出指数核空间转换方法,并基于核空间指标失效阈值确定健康指标的失效阈值,从而实现了仅利用历史振动数据进行轴承剩余寿命预测,具有较大工程实际意义。
3)在构建趋势性良好的轴承退化健康指标的基础上,基于对现有状态空间估计器的优缺点分析,提出了自约束状态空间估计器预测模型,其主要思想是利用自约束曲线为状态空间估计器在未来时刻的迭代更新提供伪观测,提高预测精度,获得更准确的剩余寿命预测结果。
附图说明
图1基于退化特征融合健康指标构建与自约束状态空间估计器的海上风电机组高速轴承寿命预测方法流程图;
图2海上风电机组1号、2号、3号、4号轴承全寿命振动数据时域图;
图3海上风电机组高速轴承健康指标构建示例:1号、2号、3号、4号轴承全寿命数据构建健康指标结果;
图4海上风电机组高速轴承核空间指标构建示例:1号、2号、3号、4号轴承全寿命数据构建核空间指标结果;
图5剩余寿命预测模型流程图;
图6海上风电机组高速轴承剩余寿命预测结果示例:1号、2号、3号、4号轴承剩余寿命预测结果。
本发明的实施例
本发明提供了一种海上风电机组高速轴承剩余寿命预测方法,下面结合附图和具体实施方式对本发明做进一步说明:
图1为海上风电机组高速轴承剩余寿命预测的完整流程,本发明技术方案主要分成六个步骤,该六个步骤中涉及到的计算公式参见发明内容部分:
(1)通过在双馈型海上风电机组齿轮箱高速轴及发电机两端安装四个振动传感器,测量采集不同部位轴承的结构振动信号,将信号转换成数字信号,并进行预处理,图2展示了从机组高速轴承处采集的振动信号波形图。
(2)在每个时刻,计算获得振动信号的时域特征和频域特征,保存为高速轴承的振动基础特征集,该初始特征集要求能够尽可能的包含轴承的退化信息,以便于后续的健康指标构建。
(3)由于不同时刻能够表征轴承退化状态的特征信号往往不同,且考虑到轴承退化为不可逆过程,因此对于健康指标构架而言,单调性为一重要属性,提出基于单调性度量的敏感特征选择方法,相应的计算公式参见发明内容部分。
(4)为排除不同时刻敏感特征数量不同、量纲不同对健康指标构建产生的不利影响,利用敏感特征计算特征退化率,并构建递增型健康指标。
(5)考虑到实际应用时,轴承真实剩余寿命不可知,且不同轴承退化规律不同,因此构建的健康指标失效阈值往往不同,为得到较为合理的阈值确定方法,提出指数核空间转换方法,并基于核空间指标失效阈值确定健康指标的失效阈值,
(6)在预测阶段,本发明提出了自约束状态空间估计器预测模型,利用历史数据回归得到自约束曲线,并为状态空间估计器在未来时刻的迭代更新提供伪观测,提高预测精度,获得更准确的剩余寿命预测结果,预测模型具体结构如图5所示。
(7)基于构建的健康指标及失效阈值确定方法,就可在不同时刻对高速轴承的剩余寿命进行预测,图6展示了案例轴承在不同时刻的真实剩余寿命与本发明的预测结果,可以发现本发明能够较好地实现海上风电机组高速轴承的剩余寿命预测,且在每次预测时仅利用到机组历史数据,具备工程应用价值。
以上步骤中,其中步骤二的基础特征集包括特征如表1、表2所示:
表1时域特征
表2频域特征
其中步骤三的单调性度量Mon计算方式为:
式中,Mon是单调性度量,F(t)是t时刻的特征值。Mon计算式的分母是计算满足1≤t1<t2≤t条件的[t1,t2]组合的数量,分子是计算[t1,t2]组合中满足F(t2)≥F(t1)的组合数量。Mon计算值越大,意味着有越多满足F(t2)≥F(t1)的组合,也意味着该特征的单调增加特性越强。利用Mon选取单调性较强的特征,筛选作为轴承退化敏感特征。发现在某一区段具有单调性并且选择出具有单调性的特征,能够实现对状态更为精确的预测。
单调性趋势指标能够表征某种特征信号变化趋势与轴承性能退化状态的一致性,其值大小被限制在[0,1]之间,越接近于1则表明该特征的单调性趋势越好。
其中步骤四的特征退化率的表达式:
式中,Fi(t)是t时刻第i个敏感特征的特征值,Di(t)是t时刻第i个敏感特征的特征退化率,I是t时刻敏感特征的数量,D(t)是t时刻所有敏感特征的特征退化率,tERT是磨合期结束、健康运行期开始的时间点。Di(t)计算式的分子表示第i个敏感特征在t时刻与在tERT时刻的特征值的乘积,分母表示第i个敏感特征在tERT时刻至t时刻的特征值之和。tERT的确定方式为:功率谱中幅值最大点对应的频率所在频段发生切换,包括突然消失、逐渐转移等,以消失点或转移完成点作为磨合结束点。
其中步骤四的健康指标构建的表达式为:
式中,FB是其中一个基础特征,表示系统的基础健康状态;H(t)是t时刻的健康指标。由于均方根是有效表征轴承振动能量的统计量,所以把均方根作为FB。
其中步骤五的指数核空间转换的表达式:
式中,p是核空间超参数,Ksi(t)是t时刻核空间指标,tFDT是退化起始点。超参数p的具体含义是描述H(t)与H(tFDT)的距离在核空间的非线性缩放变换程度。tFDT的确定采用与磨合期结束点tERT相同的确定方式:功率谱中幅值最大点对应的频率所在频段发生切换,包括突然消失、逐渐转移等,以消失点或转移完成点作为退化起始点。
超参数p的确定方法如下。假设运行在相似工况下的一组共L个轴承的核空间指标表示为Ksis=(Ksi(1),…,Ksi(l),…,Ksi(L)),其核空间指标阈值和核空间指标残差的表达式为:
J(x,y)=|time span of xi<y| (11)
式中,t(l) end是Ksi(l)的最后时刻,Ksit是核空间指标阈值,Ksie是核空间指标残差。
对于超参数p的不同取值,都可计算相对应的核空间指标Ksis,可计算相对应的核空间指标阈值Ksit和核空间指标残差残差Ksie。确定最小Ksie所对应的超参数p,然后可确定核空间指标阈值Ksit,并由指数核空间转换计算式反推健康指标H(t)的失效阈值。
其中步骤六的状态空间表达式:
at=at-1+na,t-1
xt=xt-1+at
yt=xt+ny,t (12)
式中,at和xt是t时刻的系统状态,yt是t时刻的观测,na,t-1是状态噪声,ny,t是观测噪声。状态空间可迭代估计系统状态。
其中步骤六的自约束状态空间估计器是将自约束算法引入状态空间估计器,状态空间估计器采用贝叶斯框架迭代算法——粒子滤波算法。自约束算法的表达式:
式中,g(.)是约束曲线,w是约束曲线的参数,t是计算时刻,tnow是当前时刻,yt是t时刻历史观测,是约束曲线的拟合参数,τ是未来区间,是(tnow+τ)时刻的伪观测。本研究案例选择一次多项式曲线作为约束曲线。代入不同的时间区间τ可得未来一段时间的伪观测。
首先,利用已知的历史观测数据通过最小二乘线性回归得到约束曲线,该约束曲线历史数据的发展趋势相符合。然后,约束曲线为预测阶段提供伪观测数据。最后,利用伪观测对状态空间估计器进行迭代更新,得到未来时刻的系统状态预测值。
其中步骤六的剩余使用寿命表达式:
RUL=inf{t:x(t+tnow)>FT|tnow} (14)
式中,tnow是当前时刻,FT是失效阈值,x(t)是t时刻的系统状态。
未来时刻的系统状态由自约束状态空间估计器预测得到,失效阈值由指数核空间转换方法设定。通过比较未来时刻的系统状态预测值是否超过失效阈值,就可以得到剩余使用寿命预测值。
剩余使用寿命预测值获得后,根据过往实际情况,结合产品情况,将寿命预测值与剩余寿命时长之间进行关联,从而得到可以参考的剩余寿命时长。
图2至图6给出两个海上风电机组高速轴承剩余寿命预测示例,图2展示了实施案例所用高速轴承全寿命原始振动数据,其中1号和2号轴承为齿轮箱高速轴电机侧轴承;3号和4号轴承为发电机驱动端轴承。
图3展示了本发明健康指标构建方法实施结果,可以看出健康指标不仅具有严格单调性,且变化趋势明显,易于预测。
图4为核空间指标曲线的绘制结果,从中可确定1号和2号轴承的核空间指标阈值设定为0.097,3号和4号轴承的核空间指标阈值设定为0.091。
图5展示了预测模型的具体结构,对应图1中的自约束状态空间模型;
图6为基于本发明的海上风电机组传动链高速轴承剩余寿命预测结果与真实剩余寿命对比图。从中可统计出在轴承真实剩余寿命为10天时,预测平均误差为1~2天;在轴承真实剩余寿命为30天时,预测平均误差在1~4天;预测结果良好,能够满足实际应用需求。
以上内容是结合具体的优选技术方案对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种海上风电机组高速轴承剩余寿命预测方法,其特征在于,包括:
步骤一:在海上风电机组的齿轮箱高速轴两侧轴承对应齿轮箱体的轴承座上以及发电机轴承座上的若干个采样点分别安装N个振动传感器,采集各个采样点振动信号,其中N为大于2的自然数;随后将振动信号由模拟值转换成数字信号,并进行预处理;
步骤二:将步骤一预处理后信号进行转换,获得每个采样点振动信号的时域特征和频域特征,并将这些特征保存从而获得高速轴承的振动基础特征集;
步骤三:对步骤二获得的基础特征集内的时域特征和频域特征分别进行单调性度量计算,将具有较高单调性的时域特征和频域特征确定为轴承退化的敏感特征;
步骤四:基于步骤三所获得的敏感特征计算特征退化率,并构建递增型健康指标;
步骤五:通过指数核空间转换,将健康指标转换成核空间指标,确定核空间指标阈值,进而确定健康指标的失效阈值;
步骤六:基于自约束状态空间估计器预测未来时刻的健康指标变化趋势,将健康指标预测结果与失效阈值进行比较,确定轴承剩余寿命。
3.根据权利要求2所述的方法,其特征在于:步骤三中,对单调性度量计算后,将具有较高单调性的时域特征和频域特征的区间确定为轴承退化的敏感特征。
8.根据权利要求1所述的方法,其特征在于:将自约束曲线融入状态空间估计器,利用历史数据回归得到与历史数据发展趋势相符合的自约束曲线,为状态空间估计器在未来时刻的迭代更新提供伪观测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029498.3A CN116070368A (zh) | 2023-01-09 | 2023-01-09 | 一种海上风电机组高速轴承剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029498.3A CN116070368A (zh) | 2023-01-09 | 2023-01-09 | 一种海上风电机组高速轴承剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070368A true CN116070368A (zh) | 2023-05-05 |
Family
ID=86174405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310029498.3A Pending CN116070368A (zh) | 2023-01-09 | 2023-01-09 | 一种海上风电机组高速轴承剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070368A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220178353A1 (en) * | 2019-04-01 | 2022-06-09 | Acciona Generación Renovable, S.A. | A method for estimating remaining useful life of components of an operational wind turbine |
-
2023
- 2023-01-09 CN CN202310029498.3A patent/CN116070368A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220178353A1 (en) * | 2019-04-01 | 2022-06-09 | Acciona Generación Renovable, S.A. | A method for estimating remaining useful life of components of an operational wind turbine |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784373B (zh) | 一种风电机组齿轮箱的故障预警方法 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
Udo et al. | Data-driven predictive maintenance of wind turbine based on SCADA data | |
CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
CN110398368B (zh) | 基于fbm的长相关模型的轴承内圈故障剩余寿命预测方法 | |
Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
CN111415070A (zh) | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 | |
CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN104122086A (zh) | 基于Kriging模型的风力机齿轮箱故障诊断方法 | |
CN109883691A (zh) | 核估计和随机滤波集成的齿轮剩余寿命预测方法 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN114252103B (zh) | 融合电站运行故障预测方法 | |
CN116070368A (zh) | 一种海上风电机组高速轴承剩余寿命预测方法 | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
CN117350897A (zh) | 一种考虑空气湿度的转换功率预测的方法和系统 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN117034001A (zh) | 一种风电机组故障预测方法、装置及电子设备 | |
CN102095953A (zh) | 一种蓄电池充电机性能在线检测方法 | |
CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
CN117195121A (zh) | 基于改进对抗自动编码器的风电机组异常状态识别方法及系统 | |
CN112001632A (zh) | 一种风电机组齿轮箱轴承性能退化状态评估方法 | |
CN109580218B (zh) | 一种基于似然学习机的风机齿轮箱状态识别方法 |
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 |