CN116186578A - 风电机组故障辨识方法、装置及终端设备 - Google Patents
风电机组故障辨识方法、装置及终端设备 Download PDFInfo
- Publication number
- CN116186578A CN116186578A CN202211615374.5A CN202211615374A CN116186578A CN 116186578 A CN116186578 A CN 116186578A CN 202211615374 A CN202211615374 A CN 202211615374A CN 116186578 A CN116186578 A CN 116186578A
- Authority
- CN
- China
- Prior art keywords
- real
- wind turbine
- time
- vibration data
- monitored
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
本申请提供了一种风电机组故障辨识方法装置及终端设备,涉及风电机组故障识别技术领域,方法包括:获取风电机组的待监测部件的实时温度值、风电机组的实时运行参数及待监测部件的实时振动数据;以风电机组的实时运行参数为输入,经预训练的温度预测模型输出待监测部件的预测温度值,确定预测温度值与实际温度值之间的温度残差;分别提取实时振动数据的时域特征及实时振动数据的频域特征,以温度残差、实时振动数据的时域特征及实时振动数据的频域特征为输入,经预训练的故障识别模型输出待监测部件的故障预测结果。本申请能够有效提高风电机组的故障识别准确率。
Description
技术领域
本申请涉及风电机组故障识别技术领域,具体地涉及一种风电机组故障辨识方法、一种风电机组故障辨识装置及一种终端设备。
背景技术
风电机组齿轮箱的故障是影响风机发电效率的主要原因,该部件的故障将直接影响机组的整体发电性能。因此,对风机齿轮箱部件进行故障预警,对于保障风电机组的安全运行及提高风场的经济收益具有重要意义。但是现有的故障监测方法的诊断误差大,诊断精度低,难以对风机齿轮箱的运行状态进行准确的识别。
申请内容
本申请实施例的目的是提供一种风电机组故障辨识方法、装置及终端设备,以解决现有方法对风机齿轮箱的运行状态识别准确率低的问题。
为了实现上述目的,本申请第一方面提供一种风电机组故障辨识方法,包括:
获取风电机组的待监测部件的实时温度值、所述风电机组的实时运行参数及所述待监测部件的实时振动数据;
以所述风电机组的实时运行参数为输入,经预训练的温度预测模型输出所述待监测部件的预测温度值,确定所述预测温度值与所述实际温度值之间的温度残差;
分别提取所述实时振动数据的时域特征及所述实时振动数据的频域特征,以所述温度残差、所述实时振动数据的时域特征及所述实时振动数据的频域特征为输入,经预训练的故障识别模型输出所述待监测部件的故障预测结果。
可选地,所述待监测部件为所述风电机组的齿轮箱前轴承。
可选地,所述温度预测模型由所述风电机组的历史运行参数对GRU神经网络训练后得到,所述故障识别模型由历史温度残差、历史振动数据的时域特征及历史振动数据的频域特征对XGBoost算法训练后得到。
可选地,所述风电机组的实时运行参数至少包括:
所述风电机组的齿轮箱进口油温、有功功率、发电机的前后轴承温度、所述风电机组的齿轮箱过滤器进口压力及所述风电机组的齿轮箱过滤器出口压力中的一种或几种。
可选地,获取所述风电机组的实时运行参数之后,所述方法还包括:
对获取到的所述风电机组的实时运行参数进行单点阈值过滤;
基于拉依达准则对进行单点阈值过滤后的实时运行参数进行异常值剔除;
对经异常值剔除后的实时运行参数进行归一化处理。
可选地,获取实时振动数据之后,所述方法还包括:对所述实时振动数据进行小波包降噪。
可选地,所述实时振动数据的时域特征包括:
加速度有效值、加速度峰峰值、加速度波形指标、加速度峰值指标、加速度脉冲指标、加速度裕度指标、加速度峭度指标、速度有效值、速度峰峰值、速度波形指标、速度峰值指标、速度脉冲指标、速度裕度指标及速度峭度指标。
可选地,所述实时振动数据的频域特征包括:
加速度频谱特征、加速度频谱特征、加速度频谱特征、加速度频特征、速度频谱特征、速度频谱特征、速度频谱特征、速度频谱特征、加速度包络频谱特征、加速度包络频谱特征、加速度包络频谱特征及加速度包络频谱特征。
本申请第二方面提供一种风电机组故障辨识装置,包括:
数据获取模块,被配置为获取风电机组的待监测部件的实时温度值、所述风电机组的实时运行参数及所述待监测部件的实时振动数据;
残差计算模块,被配置为以所述风电机组的实时运行参数为输入,经预训练的温度预测模型输出所述待监测部件的预测温度值,确定所述预测温度值与所述实际温度值之间的温度残差;
故障预测模块,被配置为分别提取所述实时振动数据的时域特征及所述实时振动数据的频域特征,以所述温度残差、所述实时振动数据的时域特征及所述实时振动数据的频域特征为输入,经预训练的故障识别模型输出所述待监测部件的故障预测结果。
本申请第三方面提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的风电机组故障辨识方法。
本申请提供的实施方式具有以下有益效果:
本申请通过风电机组的实时运行参数,经预训练的温度预测模型输出待监测部件的预测温度值,通过计算预测温度值与实际温度值之间的温度残差,基于温度残差与实时振动数据预测待监测部件的故障预测,从而能够有效提高风电机组的故障识别准确率。
本申请实施例或实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了本申请实施方式的风电机组故障辨识方法的方法流程图;
图2示意性示出了本申请实施方式的风电机组故障辨识方法的逻辑图;
图3示意性示出了本申请实施方式的GRU神经网络结构示意图;
图4示意性示出了本申请实施方式的风电机组故障辨识装置的示意框图;
图5示意性示出了本申请实施方式的一种终端设备结构示意图。
附图标记说明
10-终端设备,100-处理器,101-存储器,102-计算机程序。
具体实施方式
以下结合附图对本申请实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。
本申请中,待监测部件为风电机组的齿轮箱前轴承。在风电机组中,齿轮箱是传动链中的关键零部件,其作用不可替代,一旦发生内部齿轮损坏等大型故障,就需要拆卸整个风轮,对传动链进行整体更换,因此,齿轮箱故障是造成机组停机时间较长的因素之一。其中,传动链中齿轮箱的功能是把叶轮的扭矩传递到发电机,把风能通过转子叶片从机组主轴传递到齿轮箱,最后通过柔性联轴器传递到发电机系统;同时,齿轮箱还起到将转子的速度提高到发电机的同步速度,带动发电机快速旋转发电的作用。齿轮箱结构中齿轮及轴承故障所占的比例最高,其能否正常有效地运行不仅会直接影响到整个齿轮箱的运行状态,也会影响整个设备的运行与维护。齿轮箱在长期经受交变载荷运行过程中可能产生的不同形式故障,其中齿轮箱前轴承由于转速较高,相对转矩较大,在长时间持续工作中容易出现轴承温度超过限值报警或故障引发机组停机问题。现有针对齿轮箱前轴承的故障监测方法通常通过监测其实时温度来实现对齿轮箱前轴承的故障监测,但是通过单一的监测数据往往只能反映单个物理参数的变化,其不能反映部件之间或子系统之间的相互作用和耦合关系,导致其监测结果准确率低。
为了解决上述问题,如图1及图2所示,本申请第一方面提供一种风电机组故障辨识方法,包括:
S100、获取风电机组的待监测部件的实时温度值、风电机组的实时运行参数及待监测部件的实时振动数据;
S200、以风电机组的实时运行参数为输入,经预训练的温度预测模型输出待监测部件的预测温度值,确定预测温度值与实际温度值之间的温度残差;
S300、分别提取实时振动数据的时域特征及实时振动数据的频域特征,以温度残差、实时振动数据的时域特征及实时振动数据的频域特征为输入,经预训练的故障识别模型输出待监测部件的故障预测结果。
如此,本申请通过风电机组的实时运行参数,经预训练的温度预测模型输出待监测部件的预测温度值,通过计算预测温度值与实际温度值之间的温度残差,基于温度残差与实时振动数据预测待监测部件的故障预测,从而能够有效提高风电机组的故障识别准确率。
本申请中,温度预测模型由风电机组的历史运行参数对GRU神经网络训练后得到,故障识别模型由历史温度残差、历史振动数据的时域特征及历史振动数据的频域特征对XGBoost算法训练后得到。
其中,风电机组的实时运行参数及历史运行参数至少包括:风电机组的齿轮箱进口油温、有功功率、发电机的前后轴承温度、风电机组的齿轮箱过滤器进口压力及风电机组的齿轮箱过滤器出口压力中的一种或几种。风电机组的运行参数可以通过获取风电机组的SCADA数据获得,但是若将风电机组的SCADA数据全部作为温度预测模型的输入,不仅会极大增加预测模型的复杂度和运算时间,同时,由于其中包含过多对预测量不具有影响的参数,也会导致预测模型的预测精度偏低,因此,本申请以风电机组的SCADA数据中,与齿轮箱前轴承温度之间具有灰色关联度的参数作为温度预测模型的输入。其中,灰色关联度分析是通过比较曲线之间的相似程度来判断因素之间的关联程度,采用灰色关联度,可以有效选择与表征齿轮箱前轴承运行状态的某个监测量关联度大的SCADA参数作为模型的输入量。其中,灰色关联度为现有技术,此处对此再赘述。
在获取到风电机组的齿轮箱前轴承的实时温度值、风电机组的实时运行参数及待监测部件的实时振动数据后,由于风电机组所处运行环境受机组故障、传感器损坏、SCADA系统死机、数据传输网络等因素造成SCADA数据中夹杂着很多异常噪声数据,因此,需要先对通过SCADA数据获取到的运行参数进行数据预处理。
首先,对获取到的风电机组的实时运行参数进行单点阈值过滤,将超出阈值范围的数据点进行删除,并将风电机组故障停机、弃风限电停机等工况下无法体现温度及振动特征的数据剔除;其次,基于拉依达准则即3σ准则对进行单点阈值过滤后的实时运行参数进行异常值剔除,去除异常值,消除大幅度的脉冲干扰,并在此基础上进行中值滤波直至数据满足要求;最后,对经异常值剔除后的实时运行参数进行归一化处理,将参与训练和测试的数据进行归一化处理,计算公式如下:
同理,在获取实时振动数据之后,方法还包括:对实时振动数据进行小波包降噪,可以理解的,齿轮箱前轴承的振动数据可以通过风电机组的在线机械状态监测系统即CMS系统的CMS数据获得,在通过上述步骤进行异常值剔除后,由于风电机组运行过程中振动信号夹杂大量干扰和噪声,本申请还在对振动数据进行预处理时采用小波包对进行降噪,首先,选择小波基并确定分解层次,对振动信号进行小波包分解;其次,通过熵标准确定最优小波包基;然后,对于每一个小波包分解系数,选择恰当的阈值对系数进行量化;最后,将振动信号进行小波包重构。
在对获取到的实时运行参数及实时振动数据进行预处理后,以实时运行参数作为温度预测模型的输入,经温度预测模型即可输出齿轮箱前轴承的预测温度值。
本申请中,温度预测模型通过风电机组的历史运行参数对GRU神经网络即基于门控循环单元神经网络进行训练后得到。可以理解的,在通过风电机组的历史运行参数对GRU神经网络训练之前,同样需要通过上述方法对历史运行参数进行数据预处理。
风电机组的故障判断中,温度异常是判断机组关键设备异常的重要征兆,齿轮箱轴承在运行过程中由于磨损、润滑不良、屏蔽不良等原因会导致过热,过高的温度会影响设备正常运行,因此,本申请利用温度特征建立基于门控循环单元(Gatedrecurrent unit,GRU)神经网络的齿轮箱前轴承温度预测模型,从而能够通过计算获取到的齿轮箱前轴承的实时温度值据与温度预测模型输出的预测温度值之间的温度残差,其中,实时温度值可以通过预先设置的温度传感器获得。
其中,GRU神经网络是LSTM神经网络的加强版,其原理与LSTM相似,利用门控机制控制输入、记忆等信息并在当前时刻预测输出。如图3所示,GRU结构中具有重置门(resetgale)和更新门(update gale),重置门决定了如何将新的输入信息与前记忆信息相结合,更新门定义了前记忆信息保存到当前时刻的信息量。两个门控向量决定了哪些信息最终作为门控循环单元的输出,使其能够保存长时间序列中的信息,且不会随着时间或者预测不相关而移除。
对于每个GRU单元,若有输入序列x=(x1,x2,…xt),通过以下公式获取两个门控信号,即
zt=σ(W(z)xt+U(z)ht-1);
rt=σ(W(r)xt+U(r)ht-1);
其中,zt为更新门;rt为重置门;xt为第t个时间的输入向量;U(z)、U(r)、W(z)、W(r)为权重矩阵;ht-1为t-1时刻记忆信息;σ为Sigmoid激活函数。
使用重置门得到新的记忆信息ht',为ht'=tanh(Wxt+rt *Uht-1);
其中,“*”表示矩阵中对应的元素相乘;W、U为权重矩阵;tanh为双曲正切函数。
最后,计算最终GRU输出记忆信息ht:
ht=zt *ht-1+(1-zt)*ht';
yt=σ(W0ht);
其中,W0为权重矩阵,yt为输出层的输出。
在得到齿轮箱前轴承的预测温度值与实际温度值之间的温度残差后,进一步提取实时振动数据的时域特征及实时振动数据的频域特征。其中,时域特征提取是振动信号分析中最为直接便捷的特征提取方法,采用齿轮箱前轴承振动信号的7个时域特征指标,分别为有效值、峰峰值、峰值指标、波形指标、脉冲指标、裕度指标、峭度指标。在时域特征指标中,有效值反映振动信号的强度和能量,适用于轴承磨损产生的不规则连续性缺陷引起的振动;峰峰值指标反映轴承局部故障点产生冲击振动的大小;峰值指标反映振动信号波形尖峰程度,能够反映出风机齿轮箱轴承的擦痕、刻伤等故障;波形指标反映齿轮箱轴承点蚀等故障;脉冲指标和裕度指标在故障早期呈现明显增加趋势,对冲击类故障较为敏感;峭度指标反映了信号偏离正态分布的程度,峭度值越大,说明轴承受到的冲击程度加剧。本申请提取的时域特征包含加速度振动信号、速度振动信号在内的7个时域指标共计14个时域特征。具体的,本申请的实时振动数据的时域特征包括:加速度有效值、加速度峰峰值、加速度波形指标、加速度峰值指标、加速度脉冲指标、加速度裕度指标、加速度峭度指标、速度有效值、速度峰峰值、速度波形指标、速度峰值指标、速度脉冲指标、速度裕度指标及速度峭度指标。
轴承振动频谱反映信号在不同频率下幅值分布情况,齿轮箱轴承正常机组和异常机组的频谱结构有很大的差别,通过频谱分析可以判断轴承是否发生故障及故障部位。根据傅里叶级数理论,假设离散化后的振动信号时间序列,采样频率为fs,采样点数为N,频谱为sk,k=1,2,…k,k为谱线数。本申请采用4个频域指标,分别为F1振动能量的大小;F2信号频谱与信号频谱均值的偏离程度;F3信号频谱相对均值不对称的程度;F4信号在均值处峰值的大小。除了频谱能很好的反映风机运行时出现的故障信息外,包络频谱也能很好的反映设备冲击类故障信息。包络频谱常常用来检测轴承缺陷,当轴承表面因疲劳或者集中应力产生剥落或者损伤时,就会产生周期性的冲击振动信号。这种冲击振动可大致分为由于轴承部件在运行过程中反复受到冲击而产生的低频脉冲和冲击振动产生的固有振动,因此对包络频谱分析就能精准的诊断出典型轴承故障。因此,本申请提取的频域特征包含加速度频谱、速度频谱、加速度包络频谱在内的4个频域指标(F1,,F2,F3,F4)共计12个频域特征。具体的,本申请的实时振动数据的频域特征包括:加速度频谱特征、加速度频谱特征、加速度频谱特征、加速度频特征、速度频谱特征、速度频谱特征、速度频谱特征、速度频谱特征、加速度包络频谱特征、加速度包络频谱特征、加速度包络频谱特征及加速度包络频谱特征。
在得到齿轮箱前轴承的温度残差、实时振动数据的时域特征及实时振动数据的频域特征之后,以上述数据为输入,经由历史温度残差、历史振动数据的时域特征及历史振动数据的频域特征对XGBoost算法训练后得到的故障识别模型,即可输出齿轮箱前轴承的故障类别。
本申请中,基于XGBoost的齿轮箱前轴承故障辨识模型的输入特征向量分别为齿轮箱前轴承的温度残差;加速度有效值、加速度峰峰值、加速度波形指标、加速度峰值指标、加速度脉冲指标、加速度裕度指标、加速度峭度指标、速度有效值、速度峰峰值、速度波形指标、速度峰值指标、速度脉冲指标、速度裕度指标、速度峭度指标;加速度频谱特征、加速度频谱特征、加速度频谱特征、加速度频特征、速度频谱特征、速度频谱特征、速度频谱特征、速度频谱特征、加速度包络频谱特征、加速度包络频谱特征、加速度包络频谱特征、加速度包络频谱特征。
其中,集成算法是通过构建并结合多个学习器完成学习任务。XGBoost算法是在自适应增强(adaptive boosting,adaBoost)算法和梯度提升迭代决策树(gradientboostingdecision tree,GBDT)算法基础上优化形成,通过不断拟合优化目标函数,从而达到准确预测分类结果。XGBoost算法在原函数的基础上增加了正则项,减少了过拟合的可能性,同时加快了收敛速度。XGBoost是一个树集成模型,将K颗树的结果进行求和作为最终的预测值。由于XGBoost采用基于决策树的梯度提升算法,其优点是特征在构建提升树中的过程中可以自动获取特征的重要性。一般来说如果一个特征在所有树中作为划分属性的次数越多,那么该特征就越重要。因此,XGBoost在训练过程中可以自动计算出输入特征向量中各个特征的评分,从而能够有效地进行特征筛选。
本申请的故障识别模型输出分为5类状态,分别是正常、齿轮箱前轴承内圈损伤、齿轮箱前轴承外圈损伤、齿轮箱轴不平衡、齿轮箱滚动体损伤,其对应的数据标签分别是0,1,2,3,4。其中,齿轮箱前轴承故障识别的判断标准是:识别模型输出为分类器5类状态的识别准确率,选择分类器输出占比最大的类别作为识别的最终决策依据。可以理解的,XGBoost算法的具体训练过程为现有技术,此处对此不作赘述。
如图4所示,本申请第二方面提供一种风电机组故障辨识装置,包括:
数据获取模块,被配置为获取风电机组的待监测部件的实时温度值、风电机组的实时运行参数及待监测部件的实时振动数据;
残差计算模块,被配置为以风电机组的实时运行参数为输入,经预训练的温度预测模型输出待监测部件的预测温度值,确定预测温度值与实际温度值之间的温度残差;
故障预测模块,被配置为分别提取实时振动数据的时域特征及实时振动数据的频域特征,以温度残差、实时振动数据的时域特征及实时振动数据的频域特征为输入,经预训练的故障识别模型输出待监测部件的故障预测结果。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请第三方面提供一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的风电机组故障辨识方法。
如图5所示是本申请实施方式提供的终端设备的示意图。如图5所示,该实施例的终端设备10包括:处理器100、存储器101以及存储在存储器101中并可在处理器100上运行的计算机程序102。处理器100执行计算机程序102时实现上述方法实施例中的步骤。或者,处理器100执行计算机程序102时实现上述各装置实施例中各模块/单元的功能。
示例性的,计算机程序102可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器101中,并由处理器100执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序102在终端设备10中的执行过程。
终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备10可包括,但不仅限于,处理器100、存储器101。本领域技术人员可以理解,图5仅仅是终端设备10的示例,并不构成对终端设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
处理器100可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器101可以是终端设备10的内部存储单元,例如终端设备10的硬盘或内存。存储器101也可以是终端设备10的外部存储设备,例如终端设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器101还可以既包括终端设备10的内部存储单元也包括外部存储设备。存储器101用于存储计算机程序以及终端设备10所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
综上,本申请以风电机组齿轮箱前轴承为研究对象,提出了一种SCADA数据和振动数据相结合的时频域组合建模方法。基于GRU神经网络建立风电机组齿轮箱前轴承的温度预测模型,并计算温度残差特征,将该特征和振动信号的时频域特征相结合,建立基于XGBoost的齿轮箱前轴承故障识别模型,从而识别齿轮箱前轴承故障状态和类别,从而用来进行故障精准定位以支持应急响应工作。本申请基于门控循环单元神经网络构建齿轮箱前轴承温度预测模型,以齿轮箱前轴承温度为特征的GRU神经网络能够更好地跟踪识别故障劣化渐变过程的长时间序列数据,提升了温度建模的精度和效率。同时,本发申请基于XGBoost的齿轮箱前轴承故障识别,相较于决策树、随机森林、SVM算法能更好的识别发电机前轴承正常、内圈损伤、外圈损伤、轴不平衡、滚动体损伤5类状态。同时,本申请将齿轮箱前轴承温度残差特征和振动数据时频域特征相结合,提升了齿轮箱前轴承故障识别的建模精度和泛化性。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种风电机组故障辨识方法,其特征在于,包括:
获取风电机组的待监测部件的实时温度值、所述风电机组的实时运行参数及所述待监测部件的实时振动数据;
以所述风电机组的实时运行参数为输入,经预训练的温度预测模型输出所述待监测部件的预测温度值,确定所述预测温度值与所述实际温度值之间的温度残差;
分别提取所述实时振动数据的时域特征及所述实时振动数据的频域特征,以所述温度残差、所述实时振动数据的时域特征及所述实时振动数据的频域特征为输入,经预训练的故障识别模型输出所述待监测部件的故障预测结果。
2.根据权利要求1所述的风电机组故障辨识方法,其特征在于,所述待监测部件为所述风电机组的齿轮箱前轴承。
3.根据权利要求2所述的风电机组故障辨识方法,其特征在于,所述温度预测模型由所述风电机组的历史运行参数对GRU神经网络训练后得到,所述故障识别模型由历史温度残差、历史振动数据的时域特征及历史振动数据的频域特征对XGBoost算法训练后得到。
4.根据权利要求2所述的风电机组故障辨识方法,其特征在于,所述风电机组的实时运行参数至少包括:
所述风电机组的齿轮箱进口油温、有功功率、发电机的前后轴承温度、所述风电机组的齿轮箱过滤器进口压力及所述风电机组的齿轮箱过滤器出口压力中的一种或几种。
5.根据权利要求2所述的风电机组故障辨识方法,其特征在于,获取所述风电机组的实时运行参数之后,所述方法还包括:
对获取到的所述风电机组的实时运行参数进行单点阈值过滤;
基于拉依达准则对进行单点阈值过滤后的实时运行参数进行异常值剔除;
对经异常值剔除后的实时运行参数进行归一化处理。
6.根据权利要求2所述的风电机组故障辨识方法,其特征在于,获取实时振动数据之后,所述方法还包括:对所述实时振动数据进行小波包降噪。
7.根据权利要求2所述的风电机组故障辨识方法,其特征在于,所述实时振动数据的时域特征包括:
加速度有效值、加速度峰峰值、加速度波形指标、加速度峰值指标、加速度脉冲指标、加速度裕度指标、加速度峭度指标、速度有效值、速度峰峰值、速度波形指标、速度峰值指标、速度脉冲指标、速度裕度指标及速度峭度指标。
8.根据权利要求2所述的风电机组故障辨识方法,其特征在于,所述实时振动数据的频域特征包括:
加速度频谱特征、加速度频谱特征、加速度频谱特征、加速度频特征、速度频谱特征、速度频谱特征、速度频谱特征、速度频谱特征、加速度包络频谱特征、加速度包络频谱特征、加速度包络频谱特征及加速度包络频谱特征。
9.一种风电机组故障辨识装置,其特征在于,包括:
数据获取模块,被配置为获取风电机组的待监测部件的实时温度值、所述风电机组的实时运行参数及所述待监测部件的实时振动数据;
残差计算模块,被配置为以所述风电机组的实时运行参数为输入,经预训练的温度预测模型输出所述待监测部件的预测温度值,确定所述预测温度值与所述实际温度值之间的温度残差;
故障预测模块,被配置为分别提取所述实时振动数据的时域特征及所述实时振动数据的频域特征,以所述温度残差、所述实时振动数据的时域特征及所述实时振动数据的频域特征为输入,经预训练的故障识别模型输出所述待监测部件的故障预测结果。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~8中任一项权利要求所述的风电机组故障辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211615374.5A CN116186578A (zh) | 2022-12-15 | 2022-12-15 | 风电机组故障辨识方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211615374.5A CN116186578A (zh) | 2022-12-15 | 2022-12-15 | 风电机组故障辨识方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116186578A true CN116186578A (zh) | 2023-05-30 |
Family
ID=86441229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211615374.5A Pending CN116186578A (zh) | 2022-12-15 | 2022-12-15 | 风电机组故障辨识方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186578A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822344A (zh) * | 2021-08-30 | 2021-12-21 | 中能电力科技开发有限公司 | 基于数据驱动的风电机组发电机前轴承状态监测方法 |
CN117021123A (zh) * | 2023-10-09 | 2023-11-10 | 泓浒(苏州)半导体科技有限公司 | 一种超真空环境下晶圆转运机械臂的振动预测系统及方法 |
CN117596265A (zh) * | 2023-11-21 | 2024-02-23 | 珠海高新区铭越科技有限公司 | 一种基于无线通信技术的测温终端数据监测系统及方法 |
-
2022
- 2022-12-15 CN CN202211615374.5A patent/CN116186578A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822344A (zh) * | 2021-08-30 | 2021-12-21 | 中能电力科技开发有限公司 | 基于数据驱动的风电机组发电机前轴承状态监测方法 |
CN117021123A (zh) * | 2023-10-09 | 2023-11-10 | 泓浒(苏州)半导体科技有限公司 | 一种超真空环境下晶圆转运机械臂的振动预测系统及方法 |
CN117021123B (zh) * | 2023-10-09 | 2024-01-30 | 泓浒(苏州)半导体科技有限公司 | 一种超真空环境下晶圆转运机械臂的振动预测系统及方法 |
CN117596265A (zh) * | 2023-11-21 | 2024-02-23 | 珠海高新区铭越科技有限公司 | 一种基于无线通信技术的测温终端数据监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
Saufi et al. | Gearbox fault diagnosis using a deep learning model with limited data sample | |
Huang et al. | Motor fault detection and feature extraction using RNN-based variational autoencoder | |
Udmale et al. | Application of spectral kurtosis and improved extreme learning machine for bearing fault classification | |
Qin et al. | The optimized deep belief networks with improved logistic sigmoid units and their application in fault diagnosis for planetary gearboxes of wind turbines | |
CN116186578A (zh) | 风电机组故障辨识方法、装置及终端设备 | |
Gou et al. | Aeroengine control system sensor fault diagnosis based on CWT and CNN | |
CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
Wen et al. | Wind turbine fault diagnosis based on ReliefF-PCA and DNN | |
Sun et al. | Fast bearing fault diagnosis of rolling element using Lévy Moth-Flame optimization algorithm and Naive Bayes | |
Zhang et al. | Classification of fault location and performance degradation of a roller bearing | |
Yan et al. | Deep order-wavelet convolutional variational autoencoder for fault identification of rolling bearing under fluctuating speed conditions | |
Xu et al. | Attention-based multiscale denoising residual convolutional neural networks for fault diagnosis of rotating machinery | |
Chen et al. | A meta-learning method for electric machine bearing fault diagnosis under varying working conditions with limited data | |
Zhong et al. | Machine condition monitoring and fault diagnosis based on support vector machine | |
CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
Liu et al. | A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory | |
Jiang et al. | A wind turbine frequent principal fault detection and localization approach with imbalanced data using an improved synthetic oversampling technique | |
CN108760305B (zh) | 一种轴承故障检测方法、装置及设备 | |
CN107689059B (zh) | 风力发电机组变桨异常的识别方法及装置 | |
Mosallam et al. | Time series trending for condition assessment and prognostics | |
Zhang et al. | A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data | |
Wang et al. | Gear fault diagnosis based on variational modal decomposition and wide+ narrow visual field neural networks | |
Wang et al. | Intelligent diagnosis method for a centrifugal pump using features of vibration signals | |
Wang et al. | Fault diagnosis of centrifugal pump using symptom parameters in frequency domain |
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 |