CN116108374A - 一种用于风力发电机组故障诊断的方法 - Google Patents
一种用于风力发电机组故障诊断的方法 Download PDFInfo
- Publication number
- CN116108374A CN116108374A CN202211534843.0A CN202211534843A CN116108374A CN 116108374 A CN116108374 A CN 116108374A CN 202211534843 A CN202211534843 A CN 202211534843A CN 116108374 A CN116108374 A CN 116108374A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- data
- model
- wind turbine
- diagnosis model
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012805 post-processing Methods 0.000 claims abstract description 12
- 238000007418 data mining Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 16
- 230000015654 memory Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000003070 Statistical process control Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- 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
- Wind Motors (AREA)
Abstract
本发明提供一种用于风力发电机组故障诊断的方法，包括以下步骤：数据挖掘步骤，包括数据采集和数据预处理，对风力发电机组的数据进行采集和处理，生成数据集；模型处理步骤，开发和配置故障诊断模型，利用数据集对故障诊断模型进行训练；后处理步骤，对所述故障诊断模型产生的偏差进行评估，优化故障诊断模型，同时使用控制图获得上下控制限值；故障诊断步骤，实时监控得到的数据输入故障诊断模型，如果输出预测结果超出上下控制限值，则发出故障预警。将风力发电机组不同变量数据的时序关联，降低数据的内存。解决现有技术中数据异常值、数据集及时空特性的问题，更精准地对风力发电机组实时的故障进行预测诊断。
Description
技术领域
本发明涉及风力发电机学科领域，特别是涉及一种用于风力发电机组故障诊断的方法。
背景技术
风力发电有自己的一套故障系统，基于控制器的一些原始数据，然后对原始数据进行上传，从前端到后台，然后对这些故障数据、运行数据进行技术挖掘，实现一些故障诊断的应用。
目前风电装备正朝着大型化的方向发展，需要监控和采集的数据规模也越来越大。现有技术采用改进的果蝇优化算法优化支持向量机(Support Vector Machine，SVM)诊断模型用于机械磨损状态预测，但是该方法并未进行异常值剔除，影响了预测结果的准确度。其次SVM的拟合能力不足以支撑海量数据集。
已有使用长短期记忆(LSTM，Long Short-Term Memory)人工神经网络用于风力发电机组状态预测，但未考虑时空特性，直接拟合数据之间的关系。LSTM随着时间序列越长，会出现梯度爆炸的情况。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种用于风力发电机组故障诊断的方法，用于解决现有技术中数据异常值、数据集及时空特性的问题。
为实现上述目的及其他相关目的，本发明提供一种用于风力发电机组故障诊断的方法，具有以下优点：能够将风力发电机组的所有采样数据融合起来，提取异常值，进行整机故障排查，并且将风力发电机组不同变量数据的时序关联，降低数据的内存，更精准地对风力发电机组实时的故障进行预测诊断。
于本发明的一实施例中，包括以下步骤：
数据挖掘步骤，包括数据采集和数据预处理，对所述风力发电机组的数据进行采集和处理，生成数据集；
模型处理步骤，开发和配置故障诊断模型，利用所述数据集对所述故障诊断模型进行训练；
后处理步骤，对所述故障诊断模型产生的偏差进行评估，优化所述故障诊断模型，同时使用控制图获得上下控制限值；
故障诊断步骤，实时监控得到的数据输入所述故障诊断模型，如果输出预测结果超出所述上下控制限值，则发出故障预警。
于本发明的一实施例中，所述数据预处理步骤包括以下清理步骤：
去除至少有一个输入或输出信号缺失的样本；
去除所述风力发电机组的输出功率为零的样本；
去除一个或多个变量超出正常变化范围的样本。
于本发明的一实施例中，所述变量包括温度、风速、机器转速和液体压力。
于本发明的一实施例中，所述清理步骤之后，还包括使用马氏距离公式去除异常值步骤，在对经过所述清理步骤之后的样本进行细分后，计算每个观测值的马氏距离以确定所述异常值。
于本发明的一实施例中，为了执行对所述故障诊断模型进行训练，将所述数据集分为训练集、验证集和测试集。
于本发明的一实施例中，所述模型处理步骤使用前馈神经网络或递归网络开发所述故障诊断模型。
于本发明的一实施例中，所述故障诊断模型结构的配置为提供单个隐藏层，所述隐藏层中的神经元数量为10至30。
于本发明的一实施例中，所述模型处理步骤在模型代码中使用列文伯格-马夸尔特算法将所述数据集的数据用于训练所述故障诊断模型。
于本发明的一实施例中，所述后处理步骤中，包括准确性评估步骤和偏差分析步骤，所述准确性评估步骤得到所述故障诊断模型的偏差，所述偏差分析步骤对所述偏差的成因进行分析，所述后处理步骤的偏差计算公式为偏差＝实际值-估计值。
于本发明的一实施例中，所述后处理步骤中，所述上下控制限值设定在±3倍标准差的位置。
如上所述，本发明的一种用于风力发电机组故障诊断的方法，具有以下有益效果：提供一种用于风力发电机组故障诊断的方法，解决现有技术中数据异常值、数据集及时空特性的问题，更精准地对风力发电机组实时的故障进行预测诊断。
附图说明
图1显示为本发明一种用于风力发电机组故障诊断的方法中的四个关键步骤。
图2显示为本发明采用的控制图的基本形式。
图3显示为本发明的一种用于风力发电机组故障诊断的方法流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围。下列实施例中未注明具体条件的试验方法，通常按照常规条件，或者按照各制造商所建议的条件。
请参阅图1至图3。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
风力发电的机组运行肯定有故障，故障有各种类型：硬件设备导致的，通信闪断导致的，还有与安全相关的，比如运行超载、震动超限导致的，都会有故障数据或者故障文件作为一个记录。这个记录会从前端传到后台，然后首先对故障进行处理。例如，通过降容(原来能发100％的电，现在让它发70％的电)使载荷下降，或者温度下降，或者其他一些超过设计要求的指标下降。这样虽然损失了一些电量，但是能够使机组进入安全状态了。还有停机(包括快速停机或者主机停机)，停下来之后让现场人员去处理。本实施例中，在拿到这些数据之后，用本申请的方法，对这些数据进行分析、挖掘和预测，类似进行健康的预测和诊断。例如：齿轮箱，或者轴承有磨损，可能体现在震动不正常、温升不正常，这个就有对应的数据。对这个数据进行分析之后就能知道，在这个数据发展的趋势下，会导致进一步的磨损，比如齿轮箱的打齿，或者轴承的磨损状态。概括地说，就是在故障系统的原始数据中找到故障数据，用这些故障数据进行故障分析和挖掘，预测在目前数据下会进一步导致哪些状态，及时发出预警。
图1为本发明一种用于风力发电机组故障诊断的方法中的四个关键步骤。本发明提供一种用于风力发电机组故障诊断的方法，包括S11数据挖掘步骤、S12模型处理步骤、S13后处理步骤和S14故障诊断步骤。
S11：数据挖掘步骤，包括数据采集和数据预处理，对所述风力发电机组的数据进行采集和处理，生成数据集；
风力发电领域有自己的一套故障检测系统，基于原始数据上传，对故障数据、运行数据进行挖掘，进行故障诊断的应用。原先的算法有缺陷，没有剔除异常值，影响了预测结果的准确度，本申请在数据挖掘步骤作改善。
S12：模型处理步骤，开发和配置故障诊断模型，利用所述数据集对所述故障诊断模型进行训练；
S13：后处理步骤，对所述故障诊断模型产生的偏差进行评估，优化所述故障诊断模型，同时使用控制图获得上下控制限值；
S14：故障诊断步骤，实时监控得到的数据输入所述故障诊断模型，如果输出预测结果超出所述上下控制限值，则发出故障预警。
采集的数据往往是杂乱的，在数据挖掘这一步骤中，经过去空(去除数值为空的数据)，去短(数值特别小的数据)以及归一化等操作，产生数据集，以适合后续处理，即便于模型的输入。归一化就是把数据变成(0,1)或者(1,1)之间的小数，主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。首先，需要大量的数据库，涉及风力发电机几年的运行情况，以及所有实施的维护干预的信息。然后，在这些数据中找出风力发电机组没有发生故障的较长时期，在模型训练阶段建立一个代表其健康状态的模型。这个模型将成为测试阶段的参考。模型学习了平稳时刻的状态，一旦出现异常故障的数据，模型就会产生波动，即可判断异常，原理类似于OCSVM模型，即单分类支持向量机。在测试阶段，通过新的数据集，代表风力发电机的一般运行条件，其中不排除任何可能的故障，系统识别异常情况的能力将得到验证。只有在这最后一个阶段之后，该模型才被认为可以用于实时数据。
在数据采集和数据预处理步骤中，采集的数据包括：环境类(风速、风向)；温度类(包括环境温度和设备类的温度)；机组内部(设备的温度、转速、液体的压力等)；海上机组(要考虑温湿度、盐雾的程度)等。这些都是通过传感器把数据采集回来的。每台机组都有自己的控制系统，这个控制系统对这些数据首先进行数据处理，然后进行数据应用，有的做记录，有的做条件判断，进行过程控制，在不同的条件下如何运行，还有做逻辑比对，如果超过设计限制的话就要作及时处理，例如停机动作。
在模型的训练过程中，当结合输入和输出的关系被确定时，异常值的存在是一个特别危险的条件。事实上，在被检查系统的"健康与异常行为"的定义中，数据中异常值的存在会强烈影响所产生的模型的准确性，因此，清理数据集的操作是必要的。
数据清理阶段可以由几个步骤组成。一旦确定了模型处理阶段的潜在相关变量，就应该执行以下步骤。
S111：去除至少有一个输入或输出信号缺失的样本；
对数据点有散点的测量和记录，这个样本在某个周期或者某几个周期是缺失的，输入或者输出没有找到。一般都是输入缺失，没有输出一般就要出事故了，所以输出缺失的概率小。输入的样本，例如风速，它是随机的，但不是特别大范围波动的一种随机值，例如，3米，3.5米,3.7米，然后可能跳到5米，不会从3米一下跳到18米，那个太激烈了。也就是说，在这个范围内，它是一个波动值，不应该是在几个周期内为相同值或者直接归零了，那这个就可能表示传感器断线了或者被冻住了，都有可能。这些信号缺失的样本就要去除。
S112：去除风力发电涡轮机输出功率为零的样本；
输出功率为零时，就认为风机进入停机或故障状态了，就不去做数据挖掘了，因此在这种状态下，部件，尤其是大部件诊断，绝大多数是不在运行的，停在哪里了，这个数据的意义就不大，因此去除。
S113：去除一个或多个变量超出正常变化范围的样本。
以温度为例，根据资料查询获得，假设正常运行情况的温度是35度，测量出50度则可以剔除。
以风速为例，假设正常风速是3米到15米，如果得到一个非常大的值，例如65535，那就不符合自然规律了，可能断线了，或者直接坏了，那么就要把这个数据剔除。模拟量有跳变或达到极限值了，超过范围了，是不符合自然规律的，需要去除。
设计中有一个范围的界定，例如转速，从0转速起(也可以反转，反转个1转、2转或3转是可以的，但是不允许大转速的反转)，上限是一个安全系统里要求的，例如18.4以上，机组就会倒了。如果转速数据是100，那么肯定是不能信任的，属于异常值，需要剔除。
其中，识别各种情况发生的原因也很重要。除了传感器错误外，很大一部分异常行为可能是由于风电场可能受到的人为功率降低造成的。功率限制可能是由于维护要求，但大多数是由于国家电网为克服调度问题而施加的限制。
具体的，机组运行有故障：硬件设备导致故障、通信闪断导致故障、运行超载导致故障，都会有文件记录，从前端传到后台，然后进行处理。在一个实施例中，可以降容以进入安全状态、停机等，让现场人员处理。
在一个实施例中，风力发电机产生温升不正常的情况在故障系统的原始数据中会有对应数据，本发明找到故障数据，并用故障数据进行故障分析、挖掘、以及预测。预测在目前数据下会进一步导致哪些状态。
虽然简单的初步过滤器通常足以去除大部分异常值，但本申请使用更具体的技术，以防初步清理阶段未能排除所有异常值的存在。因此，可以进一步清理用于训练的数据集，以确保模型具有更好的准确性。基于此提出了一种聚类方法，该方法是基于使用马氏距离(Mahalanobis distance)的评估来去除异常值。马哈拉诺比斯距离被定义为一个分布中的点的距离，以平均数的标准偏差来衡量，它考虑到了数据中的相关性，因为它是用感兴趣的数据集的方差-协方差矩阵的逆值来计算的。在对样本进行细分后，为了确定异常值，本发明继续按照以下公式计算每个观测值的马氏距离
其中xi表示数据点，
表示样本均值。马氏距离表示点与一个分布之间的距离，它是一种有效的计算两个未知样本集的相似度的方法。
对于风电机组健康预测所关注的变量，例如温度、风速、机器转速和液体压力等，在具体的实施例中，判定某点为异常值所依据的马氏距离数值，视不同的变量的性质，由历史经验值来确定。
在模型处理步骤中，进行开发和配置风力涡轮机及其部件的不同模型。对于风力涡轮机应用，前馈神经网络(FFNN)是迄今为止使用最多的。递归网络也有许多应用，在一些情况下表现出更好的性能。至于结构的配置，常采用的是提供单个隐藏层，其中的神经元数量在10到30之间变化，尽管配置非常简单，但已显示出令人满意的结果。在所有模型代码中，列文伯格-马夸尔特算法(Levenberg-Marquardt算法)用于训练网络。它是反向传播算法的演变，已被证明比其他标准算法更快、更有效，用于由几百个神经元组成的神经网络。
本实施例是从前馈架构开始实验这些工具，包括静态和动态，选择它们的简单性，以及具有外生输入的非线性自回归网络(NARX)作为递归网络的代表，因其积极的应用而被选中。为了执行模型的训练，可用的数据集将分为三个部分，即训练集、验证集以及测试集。
训练集，用来拟合模型，通过设置分类器的参数，训练分类模型。后续结合验证集作用时，会选出同一参数的不同取值，拟合出多个分类器。
验证集，通过训练集训练出多个模型后，为了能找出效果最佳的模型，使用各个模型对验证集数据进行预测，并记录模型准确率。选出效果最佳的模型所对应的参数，即用来调整模型参数。
测试集，通过训练集和验证集得出最优模型后，使用测试集进行模型预测。用来衡量该最优模型的性能和分类能力。往往用测试集的判别效果来估计模型在实际使用时的泛化能力。
具体的，数据的比例，使用PyTorch(是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序)框架中的分割(split)可划分，依据原则是机器学习深度学习的基础理论，训练集用来优化参数，验证集用来调优参数，测试集用来测试模型的泛化能力。
在模型处理这一步骤中，开发和配置涡轮机及其部件的不同模型。模型是已有的，做一些参数配置或设置即可。例如湍流风范围、供应商提供的设备参数，放入模型，在此环境下运行即可。
在后处理步骤中，对模型偏差进行评估，并优化模型。同时使用控制图，获得上下控制限值。
在处理了模型并评估了其准确性之后，有必要分析产生的偏差的行为。偏差计算为：Δ＝actual value–estimated value(即，偏差＝实际值-估计值)。通过计算实际值和估计值的差距，来判断整体模型的效果，并据此优化模型。
控制图，是对过程质量特性进行测定、记录、评估，从而监察过程是否处于控制状态的一种用统计方法设计的图。图上有三条平行于横轴的直线：中心线(CL，CentralLine)、上控制限(UCL，Upper Control Limit)和下控制限(LCL，Lower Control Limit)，并有按时间顺序抽取的样本统计量数值的描点序列。UCL、CL、LCL统称为控制限(ControlLimit)，通常控制界限设定在±3倍标准差(±3σ)的位置。中心线是所控制的统计量的平均值，上下控制界限与中心线相距数倍标准差。若控制图中的描点落在UCL与LCL之外或描点在UCL和LCL之间的排列不随机，则表明过程异常。
图2显示了一个控制图的基本形式。在正态分布中，σ表示标准差，μ表示平均值，即正态分布中心。图中可以看到，控制图中有上控制界限UCL，下控制界限LCL，中线CL，控制界限为±3倍标准差(±3σ)，中线CL与正态分布中心μ重合。若有数据点落在控制界限之外，则表明该过程异常。通过控制图，可以方便地获得上下控制限值。
在最后的故障诊断步骤中，实时监控得到的数据输入故障诊断模型，如果故障诊断模型输出的预测结果超出上下控制限值，则发出故障预警。
图3概述总结了所提出的在风电机中进行故障检测的方法流程示意图。在对系统收集的数据基础上，融合马氏算法(Mahalanobis算法)，使用马氏距离的评估去除异常值后，构建深度神经网络(DNN)模型，设计了一种使用深度神经网络(DNN)和统计过程控制(SPC)进行故障检测的方法。具体步骤如下：
S31：选择且训练DNN模型；
对于风力涡轮机应用中，DNN被广泛使用；开发和配置故障诊断模型，利用经挖掘优化的数据集对故障诊断模型进行训练，并找出效果最佳的模型。
S32：实时估计输出的基线值；
通过实时监控，将实时收集的数据输入模型中进行实时预测，得出预测值(基线值)。
S33：控制图表；
从控制图表得到上下控制限值。
S34：判断是否有异常现象(预测值超出上下控制限值范围)，如果有，则预警，如果没有，则表明系统可控。
在一个具体实施例中，基于SCADA数据分析的风力发电机风电机故障检测，具体包括以下步骤：
S41：运用简单有效的算法对风力发电机组的SCADA数据进行预处理，排除无效数据并合并所有有效数据以生成训练数据集；
S42：利用数据挖掘(深度学习神经网络)的方法开发基于训练数据集的预测模型；
S43：通过预测模型计算出风力发电机组的拟合误差；
S44：根据各风力发电机的拟合误差，优化预测模型；
S45：编制统计过程控制图，给出上下控制限值；
S46：如果预测模型由风力发电机组的实时监测数据得到的预测结果超过上下控制限值，则故障报警将被激活。
综上所述，本发明在使用SCADA分布式系统收集好的数据基础上，融合了Mahalanobis算法，使用马氏距离的评估来去除异常值。然后构建深度神经网络模型，设计了一种使用DNN和SPC进行故障检测的方法。将风力发电机组的所有采样数据融合起来，提取异常值，进行整机故障排查，并且将风力发电机组不同变量数据的时序关联，降低数据的内存，更精准地对风力发电机组实时的故障进行预测诊断。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种用于风力发电机组故障诊断的方法，包括以下步骤：
数据挖掘步骤，包括数据采集和数据预处理，对所述风力发电机组的数据进行采集和处理，生成数据集；
模型处理步骤，开发和配置故障诊断模型，利用所述数据集对所述故障诊断模型进行训练；后处理步骤，对所述故障诊断模型产生的偏差进行评估，优化所述故障诊断模型，同时使用控制图获得上下控制限值；
故障诊断步骤，实时监控得到的数据输入所述故障诊断模型，如果输出预测结果超出所述上下控制限值，则发出故障预警。
2.根据权利要求1所述的用于风力发电机组故障诊断的方法，其特征在于，所述数据预处理步骤包括以下清理步骤：
去除至少有一个输入或输出信号缺失的样本；
去除所述风力发电机组的输出功率为零的样本；
去除一个或多个变量超出正常变化范围的样本。
3.根据权利要求2所述的用于风力发电机组故障诊断的方法，其特征在于，所述变量包括温度、风速、机器转速和液体压力。
4.根据权利要求2所述的用于风力发电机组故障诊断的方法，其特征在于：所述清理步骤之后，还包括使用马氏距离公式去除异常值步骤，在对经过所述清理步骤之后的样本进行细分后，计算每个观测值的马氏距离以确定所述异常值。
5.根据权利要求1所述的用于风力发电机组故障诊断的方法，其特征在于：为了执行对所述故障诊断模型进行训练，将所述数据集分为训练集、验证集和测试集。
6.根据权利要求1所述的用于风力发电机组故障诊断的方法，其特征在于：所述模型处理步骤使用前馈神经网络或递归网络开发所述故障诊断模型。
7.根据权利要求6所述的用于风力发电机组故障诊断的方法，其特征在于：所述故障诊断模型结构的配置为提供单个隐藏层，所述隐藏层中的神经元数量为10至30。
8.根据权利要求6所述的用于风力发电机组故障诊断的方法，其特征在于：所述模型处理步骤在模型代码中使用列文伯格-马夸尔特算法将所述数据集的数据用于训练所述故障诊断模型。
9.根据权利要求1所述的用于风力发电机组故障诊断的方法，其特征在于：所述后处理步骤中，包括准确性评估步骤和偏差分析步骤，所述准确性评估步骤得到所述故障诊断模型的偏差，所述偏差分析步骤对所述偏差的成因进行分析，所述后处理步骤的偏差计算公式为偏差＝实际值-估计值。
10.根据权利要求1所述的用于风力发电机组故障诊断的方法，其特征在于：所述后处理步骤中，所述上下控制限值设定在±3倍标准差的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534843.0A CN116108374A (zh) | 2022-12-01 | 2022-12-01 | 一种用于风力发电机组故障诊断的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534843.0A CN116108374A (zh) | 2022-12-01 | 2022-12-01 | 一种用于风力发电机组故障诊断的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116108374A true CN116108374A (zh) | 2023-05-12 |
Family
ID=86258746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211534843.0A Pending CN116108374A (zh) | 2022-12-01 | 2022-12-01 | 一种用于风力发电机组故障诊断的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116108374A (zh) |
-
2022
- 2022-12-01 CN CN202211534843.0A patent/CN116108374A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zeng et al. | Gearbox oil temperature anomaly detection for wind turbine based on sparse Bayesian probability estimation | |
| Xiang et al. | Fault detection of wind turbine based on SCADA data analysis using CNN and LSTM with attention mechanism | |
| US11835030B2 (en) | Methods and systems for predicting risk of observable damage in wind turbine gearbox components | |
| US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
| Orozco et al. | Diagnostic models for wind turbine gearbox components using scada time series data | |
| CN112534370A (zh) | 用于预测工业机器故障的系统和方法 | |
| Aremu et al. | A Relative Entropy Weibull-SAX framework for health indices construction and health stage division in degradation modeling of multivariate time series asset data | |
| Martínez-Rego et al. | Fault detection via recurrence time statistics and one-class classification | |
| Strączkiewicz et al. | Supervised and unsupervised learning process in damage classification of rolling element bearings | |
| KR20200103167A (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
| Abedin et al. | Vibration signal for bearing fault detection using random forest | |
| Mishra et al. | Hybrid models for rotating machinery diagnosis and prognosis: estimation of remaining useful life | |
| Baek et al. | Abnormal vibration detection in the bearing-shaft system via semi-supervised classification of accelerometer signal patterns | |
| Chang et al. | Random forest-based multi-faults classification modeling and analysis for intelligent centrifugal pump system | |
| Guo | Wind turbine generator bearing condition monitoring with NEST method | |
| CN116108374A (zh) | 一种用于风力发电机组故障诊断的方法 | |
| Aye et al. | Fault detection of slow speed bearings using an integrated approach | |
| Apinantanapong et al. | Application of artificial neural networks to fault detection of rolling ball bearing | |
| Vives | Incorporating machine learning into vibration detection for wind turbines | |
| KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
| Dhiman et al. | Enhancing wind turbine reliability through proactive high speed bearing prognosis based on adaptive threshold and gated recurrent unit networks | |
| Liu et al. | A fault early warning and health status rating method for ensuring safe operation of rotating equipment | |
| Muhammad et al. | Fault diagnostic model for rotating machinery based on principal component analysis and neural network | |
| Lapira et al. | A systematic approach to intelligent maintenance of production systems with a framework for embedded implementation | |
| Zheng | Predicting remaining useful life using continuous wavelet transform integrated discrete teager energy operator with degradation model |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room A501, Building 3, No. 1588, Zixing Road, Minhang District, Shanghai, 200000 Applicant after: China Guanghe Digital Technology Co.,Ltd. Address before: Room A501, Building No. 1588 Zixing Road, Minhang District, Shanghai 201100 Applicant before: SHANGHAI CHINA NUCLEAR POWER ENGINEERING TECHNOLOGY CO.,LTD. |