CN116241420A - 一种风机叶片结冰故障诊断方法、系统、设备及存储介质 - Google Patents
一种风机叶片结冰故障诊断方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116241420A CN116241420A CN202310172065.3A CN202310172065A CN116241420A CN 116241420 A CN116241420 A CN 116241420A CN 202310172065 A CN202310172065 A CN 202310172065A CN 116241420 A CN116241420 A CN 116241420A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- fan blade
- blade
- icing
- 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 37
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003745 diagnosis Methods 0.000 title claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000010248 power generation Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- 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
-
- 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
-
- 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
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/40—Ice detection; De-icing means
-
- 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)
- General Engineering & Computer Science (AREA)
- Sustainable Development (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Wind Motors (AREA)
Abstract
本申请属于风力发电故障检测技术领域，公开了一种风机叶片结冰故障诊断方法、系统、设备及存储介质。通过获取待诊断风机叶片的厚度信息，对所述厚度信息进行分析，得到待诊断风机叶片表面的附着物的结构信息；构建故障预测模型，将结构信息输入到故障预测模型中，得到预测故障结果，将预测故障结果与故障数据库中的数据进行匹配，得到故障问题；对故障问题进行分析，根据预设的故障预警模块，对故障问题进行预警。实现对故障问题进行及时预警，及早发现及早处理，降低维护成本。
Description
技术领域
本申请涉及风力发电故障检测技术领域，尤其涉及一种风机叶片结冰故障诊断方法、系统、设备及存储介质。
背景技术
随着当前风电机组的单机容量以及发电效率的不断提升，风力发电更是逐渐在绿色能源的发展中取得了主导地位。为了获得最大的风速和最小的利益冲突，风力发电的风电机组设备通常位于高纬度、高海拔的寒冷地区，但是这些地区湿度高温度低，叶片经常暴露在这些环境下极易发生叶片结冰状况，而叶片结冰会使叶片的气动外形、结构性能以及载荷发生变化，进而造成风机故障、安全隐患和经济损失等问题。目前对于叶片结冰主要是通过在机组外设温度传感器、湿度传感器等来检测相关数据变化来判断是否结冰。但这些方法无法及时对叶片结冰的故障风险作出预测。
发明内容
为此，本申请的实施例提供了一种风机叶片结冰故障诊断方法、系统、设备及存储介质，实现了对故障问题进行及时预警，做到及早发现及早处理，降低检修成本。
第一方面，本申请提供一种风机叶片结冰故障诊断方法。
本申请是通过以下技术方案得以实现的：
一种风机叶片结冰故障诊断方法，所述方法包括：
获取待诊断风机叶片的厚度信息，对所述厚度信息进行分析，得到待诊断风机叶片表面的附着物的结构信息；
构建故障预测模型，将所述结构信息输入到所述故障预测模型中，得到预测故障结果，将所述预测故障结果与故障数据库中的数据进行匹配，得到故障问题；
对所述故障问题进行分析，根据预设的故障预警模块，对所述故障问题进行预警。
在本申请一较佳的示例中可以进一步设置为，
所述获取待诊断风机叶片的厚度信息，对所述厚度信息进行分析，得到待诊断风机叶片表面的附着物的结构信息的步骤还包括：
获取待诊断风机叶片的厚度信息，判断所述待诊断风机叶片上是否存在附着物；
若存在附着物，对所述附着物的厚度信息进行分析，判断所述附着物的元素成分，判断所述附着物是否为冰元素；
若所述附着物为冰元素，则进一步确认所述冰元素的结冰样式；
获取实时环境温度，基于所述实时环境温度、所述结冰样式以及历史结冰数据，得到所述冰元素的变化走向。
在本申请一较佳的示例中可以进一步设置为，所述构建故障预测模型的步骤还包括：
建立初始故障预测模型，从风电机组管理系统中获取预设时间间隔内的风机叶片运行相关的叶片参数数据和环境参数数据，对所述叶片参数数据和环境参数数据进行预处理，得到预处理数据；将所述预处理数据按照预设比例划分为训练集数据和验证集数据，利用所述训练集数据对所述初始故障预测模型进行训练，得到训练好的故障预测模型；利用所述验证集数据对所述训练好的故障预测模型进行性能验证。
在本申请一较佳的示例中可以进一步设置为，所述叶片参数数据包括：叶片尺寸、叶片翼型、叶片转速、网侧有功功率以及叶片结构材料；
所述环境参数数据包括：地理位置、风速、环境温度、空气湿度以及空气中液态过冷水直径大小。
在本申请一较佳的示例中可以进一步设置为，对所述叶片参数数据和环境参数数据进行预处理的步骤还包括：
对所述叶片参数数据和环境参数数据进行清洗操作、删除所述叶片参数数据和环境参数数据中存在的异常数据，得到基准数据集；
对所述基准数据集中的结冰故障数据和正常运行数据的比例进行平衡，得到平衡数据集；
采用离差标准化方法对所述平衡数据集进行标准化处理。
在本申请一较佳的示例中可以进一步设置为，所述对所述故障问题进行分析，根据预设的故障预警模块，对所述故障问题进行预警的步骤包括：
将所述故障问题与预设故障等级表进行对比，所述预设故障等级表中包含若干等级的故障问题以及对应的故障预警等级；
判断所述故障问题所对应的故障等级，获取对应的故障预警等级，并输出相应等级的故障预警信息。
在本申请一较佳的示例中可以进一步设置为，所述判断所述故障问题所对应的故障等级，获取对应的故障预警等级，并输出相应等级的故障预警信息的步骤还包括：
若所述故障问题处于第一故障等级，产生一级故障预警，并输出相应的一级预警信息；
若所述故障问题处于第二故障等级，产生二级故障预警，并输出相应的二级预警信息；
若所述故障问题处于第三故障等级，产生三级故障预警，并输出相应的二级预警信息。
第二方面，本申请提供一种风机叶片结冰故障诊断系统。
本申请是通过以下技术方案得以实现的：
一种风机叶片结冰故障诊断系统，所述系统包括：
数据处理模块，获取待诊断风机叶片的厚度信息，对所述厚度信息进行分析，得到待诊断风机叶片表面的附着物的结构信息；
故障预测模块，构建故障预测模型，将所述结构信息输入到所述故障预测模型中，得到预测故障结果，将所述预测故障结果与故障数据库中的数据进行匹配，得到故障问题；
故障预警模块，对所述故障问题进行分析，根据预设的故障预警模块，对所述故障问题进行预警。
第三方面，本申请提供一种计算机设备。
本申请是通过以下技术方案得以实现点的：
一种计算机设备，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任意风机叶片结冰故障诊断方法的步骤。
第四方面，本申请提供一种计算机可读存储介质。
本申请是通过以下技术方案得以实现的：
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程序，所述计算机程序被处理器执行时实现上述任意风机叶片结冰故障诊断方法的步骤。
综上所述，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：获取待诊断风机叶片的厚度信息，对厚度信息进行分析，得到待诊断风机叶片表面的附着物的结构信息；构建故障预测模型，将结构信息输入到故障预测模型中，得到预测故障结果，将预测故障结果与故障数据库中的数据进行匹配，得到故障问题；再基于故障问题，通过预设的故障预警模块，对故障问题进行预警。通过故障预测模型将故障问题显示出来，并针对可能出现的不同故障问题进行不同预警，以便维护人员对故障问题及时进行处理，给予一定的早期干预，避免风机叶片的故障问题继续向严重方向发展；同时可以减少人工监测的繁琐，降低维护成本。
附图说明
图1为本申请一示例性实施例提供的风机叶片结冰故障诊断方法的流程示意图；
图2为本申请又一示例性实施例提供的风机叶片结冰故障诊断系统的结构示意图。
具体实施方式
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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例，都属于本申请保护的范围。
另外，本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本申请中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分，应理解，“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系，也不对数量和执行顺序进行限定。
下面结合说明书附图对本申请实施例作进一步详细描述。
在本申请的一个实施例中，提供一种风机叶片结冰故障诊断方法，如图1所示，主要步骤描述如下：
S10:获取待诊断风机叶片的厚度信息，对厚度信息进行分析，得到待诊断风机叶片表面的附着物的结构信息。
具体的，可以从SCADA(Supervisory Control and Data Acquisition)系统中获取风机叶片运行数据。大型风力发电设备中均装备有SCADA系统，SCADA系统可以通过多个不同的传感器采集风电机组的各个零部件的实时运行状况，将各个部件的运行信息汇总在一起，对整个风电机组进行全方位的监测。从SCADA系统的数据库中获取待诊断风机叶片的各处的厚度信息，将厚度信息与风机正常运行时的标准数据进行对比，对厚度信息进行分析，得到叶片表面附着物的结构信息。结构信息包括风机叶片表面附着物的元素成分以及结冰样式。
具体的，获取待诊断风机叶片的厚度信息，将该风机叶片的厚度信息与数据库中风机叶片正常运行时的标准数据进行对比，判断该待诊断风机叶片上是否存在附着物，若待诊断风机叶片的实时厚度大于标准数据中的标准厚度，则证明待诊断风机叶片表面存在附着物。当确定风机叶片表面存在附着物时，进一步对表面的附着物的厚度进行分析，判断该附着物的元素成分。即判断该附着物是冰元素还是铁锈等其他元素。通过将待诊断风机叶片的实时厚度减去风机叶片的标准厚度得到附着物厚度。将附着物厚度与预设的冰元素厚度阈值进行对比，若附着物厚度大于和/或等于预设的冰元素厚度阈值时，确认该附着物为冰元素。冰元素厚度阈值是通过对历史风机叶片结冰时对应的冰元素的厚度数据分析确认的。若风机叶片表面附着物为铁锈，附着物的厚度会比较小；若风机叶片表面附着物为冰元素，附着物的厚度会比较大。
当确认该附着物的元素成分为冰元素时，则进一步确认该冰元素的结冰样式。具体的，因叶片厚度是根据将风机叶片划分为不同的位置区域获取的，因此叶片厚度信息是和位置信息一一对应的。当确认其中一处附着物的元素成分为冰元素时，可以根据该处附着物的厚度信息确认该附着物的结冰位置信息；以及基于邻近位置的附着物的元素成分的分析，得到该冰元素的结冰样式。即冰元素是只附着在一个叶片元件上还是将邻近的多个叶片元件牵连在一起。
获取实时环境温度，基于实时环境温度、该冰元素的结冰样式以及历史结冰数据，得到该冰元素的变化走向。风机叶片所处位置的实时环境温度会影响风机叶片表面的冰元素未来的变化走向。参考历史结冰数据和环境温度以及结冰样式之间的关系，可以分析得到该冰元素在未来一段时间内的厚度变化、面积变化以及形状变化。确定冰元素的变化走向有助于对后续分析诊断风机叶片结冰故障问题提供更加准确的方向。
S20:构建故障预测模型，将结构信息输入到故障预测模型中，得到预测故障结果，将预测故障结果与故障数据库中的数据进行匹配，得到故障问题。
具体的，构建故障预测的数字化模型，将上述获得的结构数据输入到故障预测模型中，得到预测故障结果，将数字化模型得到的预测故障结果与故障数据库中的数据进行对比，得到故障问题。
在一些实施例中，首先需要建立初始故障预测模型，从风电机组管理系统中获取预设时间间隔内的风机叶片运行相关的叶片参数数据和环境参数数据，对叶片参数数据和环境参数数据进行预处理，得到预处理数据，将预处理数据按照预设比例划分为训练集数据和验证集数据，利用训练集数据对上述初始故障预测模型进行监督训练，得到训练好的故障预测模型，再利用验证集数据对训练好的故障预测模型进行性能验证。
风机叶片结冰是一种受叶片自身因素以及外界环境因素等众多条件影响的现象。其中，叶片参数数据包括：叶片尺寸、叶片翼型、叶片转速、网侧有功功率以及叶片结构材料。环境参数数据包括：地理位置、风速、环境温度、空气湿度以及空气中液态过冷水直径大小。举例进行说明，风机叶片尺寸会影响影响空气中水滴在碰撞风机叶片后结冰形状和结冰大小，风机叶片尺寸越大，越靠近风机叶片的压力面越容易形成结冰区域，并且结冰区域的面积会更大。风机叶片的翼型不同与空气中水滴的碰撞接触面会不同；风机叶片的结构材料会影响风机叶片表面的光滑程度，会对叶片表面对水滴的粘附程度造成影响；风机叶片表面结冰会影响风机的能量转换过程，当风机处于非结冰情况下，风机的功率会遵循风机正常运行情况下的输出功率曲线，当风机叶片出现结冰现象，会导致功率性能下降，偏离正常功率曲线；环境温度过低以及空气湿度过大时，风机叶片上极易出现结冰现象；风机所处的地理位置不同，风的流向不一致以及气流的影响不同，都会对叶片结冰造成影响。
从SCADA系统中采集时间长度为1个月内的包括叶片结冰故障的运行数据，数据采样间隔为10秒。因SCADA系统现场会存在因干扰信号或传感器不稳定等问题导致采集到的数据中存在误差值。为保证后续数据处理的精度，需要对采集到的叶片参数数据和环境参数数据进行预处理，对采集到的叶片参数数据和环境参数数据进行清洗操作、删除其中存在的异常数据，得到基准数据集。在本实施例中通过3σ判别方法对其中异常数据进行删除，样本数据的偏差根据
进行判别，σ的计算公式为：
其中，xi为风电机组中采集数据中随机的数值点值，
为采集数据中的数值均值，n为样本数据的总数量。若满足偏差，则认为数据存在较大误差，予以剔除，重复此操作直至无任何数据需要剔除，将得到的数据作为基准数据。
得到的基准数据中的结冰故障数据和正常运行数据的比例约为1:15，存在很大不平衡，在对不平衡数据进行处理分类时，分类结果会受到数量较多的正常运行数据的影响，造成“少数服从多数”的结果，导致分类性能下降。因此需要对不平衡的基准数据进行平衡处理，在本申请一些实施例中使用SMOTE过采样方法对不平衡的基准数据进行处理，利用混合重取样的方法处理结冰故障数据，利用基于相似函数的欠采样的方式处理正常运行数据，使最终的结冰故障数据和正常运行数据的比例约为1:1，作为平衡数据集。
由于不同参数数据的数值之间可能存在不同的量纲以及变化范围，会导致故障预测模型无法统一处理。因此需要将输入故障预测模型的数据进行标准化处理，即归一化处理。具体的通过离差标准化方法将每个参数数据通过线性变换的方式统一放在固定的区间之内，得到最终预处理数据。
将预处理数据按照7:3划分为训练数据集和验证数据集，利用训练数据集对初始故障预测模型进行训练，使用梯度下降优化算法进行优化，得到优化后的故障预测模型；再利用验证数据集对优化后的故障预测模型进行性能验证，将故障预测模型的诊断准确率与预设阈值进行对比，若故障预测模型的诊断准确率未达到预设标准，则需继续对模型进行训练，直到模型的诊断准确率得到预设标准，作为最终训练好的故障预测模型。将上述分析得到的结构数据输入到训练好的故障预测模型中，故障预测模型得到对应的预测故障结果，常见的预测故障结果包括叶片结冰、叶片开裂、叶片断裂以及叶片电化学腐蚀。再将预测故障结果与故障数据库中的数据进行匹配，确定故障问题。
S30:对故障问题进行分析，根据预设的故障预警模块，对故障问题进行预警。
具体的，基于上述得到的故障问题，通过预设的故障预警模块，得到故障问题的故障等级，再输出对应等级的预警信息。该故障预警模块可以通过无线通信与运维人员的远程终端连接，将故障等级以及对应的预警信息传输到运维人员的远程终端上，及时提醒运维人员故障问题所在，及早预警及早解决，避免出现更加严重的故障问题，影响风力发电机组的正常运行。
优选的，将得到的故障问题与预设故障等级表进行对比，该故障等级表中包含若干等级的故障问题以及对应的故障预警等级；
判断该故障问题所对应的故障等级，获取对应的故障预警等级，并输出相应等级的故障预警信息。
具体的，若故障问题处于第一故障等级，产生一级故障预警，并输出相应的一级预警信息；若故障问题处于第二故障等级，产生二级故障预警，并输出相应的二级预警信息；若故障问题处于第三故障等级，产生三级故障预警，并输出相应的三级预警信息。
第一故障等级为因叶片轻微结冰引起叶片重量和力矩的不平衡的轻微故障，此时产生一级故障预警，同时输出相应的一级预警信息：维持现有参数继续运行，严格对叶片结冰数据进行监测，避免严重结冰现象发生，在检修期对叶片结冰进行全面排查；
第二故障等级为因叶片中度结冰引起若干个叶片连接在一起，风机叶片转动不稳定的中度故障，此时产生二级故障预警，同时输出相应的二级预警信息：需停机对风机叶片进行检修，并将风机叶片表面的冰元素清除。
第三故障等级为因叶片重度结冰引起叶片出现损坏的严重故障，此时产生三级故障预警，同时输出相应的三级预警信息：需立刻停机对风机叶片进行检修，并在将风机叶片表面的冰元素清除后对风机叶片的损坏部位进行维修。
利用机叶片结冰相关的影响因子，叶片参数数据、环境参数数据等，以及参考冰元素的位置信息、结冰样式、大小等信息，来建立初始的故障预测的数字化模型，故障预测的数字化模型具有获取数据，并通过其中的分析模块对数据进行分析的功能。在对上述信息进行数据清洗、删除异常数据、数据平衡、标准化处理等预处理后，将预处理数据划分为两部分，一部分用来对初始建立的故障预测的数字化模型进行训练，一部分用来验证故障预测的数字化模型的性能，使故障预测模型达到预设性能要求。将待诊断风机叶片的结构数据输入到训练好的故障预测模型中，得到预测故障结果，将预测故障结果与数据库中的数据进行匹配，得到故障问题。再基于故障问题，通过故障预警模块，对故障进行不同等级的故障预警，以便运维人员对故障问题进行及时处理，作出及时的早期干预，避免风机叶片的故障问题继续恶化，降低维护成本。
如图2所示，本申请还提供一种风机叶片结冰故障诊断系统，该系统包括：
数据处理模块，用于获取风机叶片表面的附着物的数据信息，对数据信息进行分析，得到风机叶片表面的附着物的结构信息；
故障预测模块，用于构建故障预测模型，将结构信息输入到故障预测模型中，得到预测故障结果，将预测故障结果与故障数据库中的数据进行匹配，得到故障问题；
故障预警模块，用于对故障问题进行分析，根据预设的故障预警模块，对故障问题进行预警。
在一些实施例中，本系统还包括模型构建单元，用于建立初始故障预测模型，从风电机组管理系统中获取预设时间间隔内的风机叶片运行相关的叶片参数数据和环境参数数据，对所述叶片参数数据和环境参数数据进行预处理，得到预处理数据；将所述预处理数据按照预设比例划分为训练集数据和验证集数据，利用所述训练集数据对所述初始故障预测模型进行训练，得到训练好的故障预测模型；利用所述验证集数据对所述训练好的故障预测模型进行性能验证。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。
该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任意一种风机叶片结冰故障诊断方法。
在一个实施例中，提供一种计算机可读存储介质，包括存储器、处理器及存储在存储器上并可以在处理器上执行的计算机程序，处理器执行计算机程序以实现上述任意一种风机叶片结冰故障诊断方法。
本领域普通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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)、DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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，即将本申请所述系统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。
Claims (10)
1.一种风机叶片结冰故障诊断方法，其特征在于，所述方法包括：
获取待诊断风机叶片的厚度信息，对所述厚度信息进行分析，得到待诊断风机叶片表面的附着物的结构信息；
构建故障预测模型，将所述结构信息输入到所述故障预测模型中，得到预测故障结果，将所述预测故障结果与故障数据库中的数据进行匹配，得到故障问题；
对所述故障问题进行分析，根据预设的故障预警模块，对所述故障问题进行预警。
2.根据权利要求1所述的风机叶片结冰故障诊断方法，其特征在于，所述获取待诊断风机叶片的厚度信息，对所述厚度信息进行分析，得到待诊断风机叶片表面的附着物的结构信息的步骤还包括：
获取待诊断风机叶片的厚度信息，判断所述待诊断风机叶片上是否存在附着物；
若存在附着物，对所述附着物的厚度信息进行分析，判断所述附着物的元素成分，判断所述附着物是否为冰元素；
若所述附着物为冰元素，则进一步确认所述冰元素的结冰样式；
获取实时环境温度，基于所述实时环境温度、所述结冰样式以及历史结冰数据，得到所述冰元素的变化走向。
3.根据权利要求1所述的风机叶片结冰故障诊断方法，其特征在于，所述构建故障预测模型的步骤还包括：
建立初始故障预测模型，从风电机组管理系统中获取预设时间间隔内的风机叶片运行相关的叶片参数数据和环境参数数据，对所述叶片参数数据和环境参数数据进行预处理，得到预处理数据；将所述预处理数据按照预设比例划分为训练集数据和验证集数据，利用所述训练集数据对所述初始故障预测模型进行训练，得到训练好的故障预测模型；利用所述验证集数据对所述训练好的故障预测模型进行性能验证。
4.根据权利要求3所述的风机叶片结冰故障诊断方法，其特征在于，
所述叶片参数数据包括：叶片尺寸、叶片翼型、叶片转速、网侧有功功率以及叶片结构材料；
所述环境参数数据包括：地理位置、风速、环境温度、空气湿度以及空气中液态过冷水直径大小。
5.根据权利要求3所述的风机叶片结冰故障诊断方法，其特征在于，对所述叶片参数数据和环境参数数据进行预处理的步骤还包括：
对所述叶片参数数据和环境参数数据进行清洗操作、删除所述叶片参数数据和环境参数数据中存在的异常数据，得到基准数据集；
对所述基准数据集中的结冰故障数据和正常运行数据的比例进行平衡，得到平衡数据集；
采用离差标准化方法对所述平衡数据集进行标准化处理。
6.根据权利要求1所述的风机叶片结冰故障诊断方法，其特征在于，所述对所述故障问题进行分析，根据预设的故障预警模块，对所述故障问题进行预警的步骤包括：
将所述故障问题与预设故障等级表进行对比，所述预设故障等级表中包含若干等级的故障问题以及对应的故障预警等级；
判断所述故障问题所对应的故障等级，获取对应的故障预警等级，并输出相应等级的故障预警信息。
7.根据权利要求6所述的风机叶片结冰故障诊断方法，其特征在于，所述判断所述故障问题所对应的故障等级，获取对应的故障预警等级，并输出相应等级的故障预警信息的步骤还包括：
若所述故障问题处于第一故障等级，产生一级故障预警，并输出相应的一级预警信息；
若所述故障问题处于第二故障等级，产生二级故障预警，并输出相应的二级预警信息；
若所述故障问题处于第三故障等级，产生三级故障预警，并输出相应的二级预警信息。
8.一种风机叶片结冰故障诊断系统，其特征在于，所述系统包括：
数据处理模块，获取待诊断风机叶片的厚度信息，对所述厚度信息进行分析，得到待诊断风机叶片表面的附着物的结构信息；
故障预测模块，构建故障预测模型，将所述结构信息输入到所述故障预测模型中，得到预测故障结果，将所述预测故障结果与故障数据库中的数据进行匹配，得到故障问题；
故障预警模块，对所述故障问题进行分析，根据预设的故障预警模块，对所述故障问题进行预警。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1至7任意一项所述方法的步骤。
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程序，所述计算机程序被处理器执行时实现权利要求1至7任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310172065.3A CN116241420A (zh) | 2023-02-24 | 2023-02-24 | 一种风机叶片结冰故障诊断方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310172065.3A CN116241420A (zh) | 2023-02-24 | 2023-02-24 | 一种风机叶片结冰故障诊断方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116241420A true CN116241420A (zh) | 2023-06-09 |
Family
ID=86629235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310172065.3A Pending CN116241420A (zh) | 2023-02-24 | 2023-02-24 | 一种风机叶片结冰故障诊断方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116241420A (zh) |
-
2023
- 2023-02-24 CN CN202310172065.3A patent/CN116241420A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| 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 | |
| EP3638900B1 (en) | Independent monitoring system for a wind turbine | |
| CN109215165B (zh) | 一种民用飞机apu性能评估及故障预警方法 | |
| KR20160073945A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
| KR20160017681A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
| CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
| US11460003B2 (en) | Wind turbine damage detection system using machine learning | |
| CN105205569A (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
| WO2018044507A1 (en) | Machine learning-aided model-based method for estimating gas turbine component life | |
| Bangalore et al. | An approach for self evolving neural network based algorithm for fault prognosis in wind turbine | |
| US9188021B2 (en) | Steam turbine blade vibration monitor backpressure limiting system and method | |
| Li et al. | Preventive maintenance decision model of urban transportation system equipment based on multi-control units | |
| CN111125841A (zh) | 飞机发动机的健康评估方法、计算机设备和存储介质 | |
| EP3642481B1 (en) | A method for determining wind turbine blade edgewise load recurrence | |
| CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
| Browell et al. | Forecasting for day-ahead offshore maintenance scheduling under uncertainty | |
| CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
| WO2019135747A1 (en) | Probabilistic life evaluation algorithm for gas turbine engine components | |
| CN116241420A (zh) | 一种风机叶片结冰故障诊断方法、系统、设备及存储介质 | |
| RU2668852C1 (ru) | Способ и система учета остаточного ресурса компонентов турбоагрегата | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
| Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
| Jardine et al. | Interpretation of inspection data emanating from equipment condition monitoring tools: method and software |
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 |