CN116624343B - 一种风电机组塔筒异常振动监测及健康度评价方法及系统 - Google Patents
一种风电机组塔筒异常振动监测及健康度评价方法及系统 Download PDFInfo
- Publication number
- CN116624343B CN116624343B CN202310704957.3A CN202310704957A CN116624343B CN 116624343 B CN116624343 B CN 116624343B CN 202310704957 A CN202310704957 A CN 202310704957A CN 116624343 B CN116624343 B CN 116624343B
- Authority
- CN
- China
- Prior art keywords
- tower
- vibration
- data
- health
- 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.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 99
- 238000012544 monitoring process Methods 0.000 title claims abstract description 84
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 82
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000010977 unit operation Methods 0.000 claims abstract description 31
- 238000010219 correlation analysis Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 claims 1
- 235000017491 Bambusa tulda Nutrition 0.000 claims 1
- 241001330002 Bambuseae Species 0.000 claims 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 claims 1
- 239000011425 bamboo Substances 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 21
- 238000013135 deep learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000124001 Alcyonacea Species 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- F03D13/00—Assembly, mounting or commissioning of wind motors; Arrangements specially adapted for transporting wind motor components
- F03D13/20—Arrangements for mounting or supporting wind motors; Masts or towers for wind motors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
- F05B2270/709—Type of control algorithm with neural networks
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种风电机组塔筒异常振动监测及健康度评价方法及系统;首先采用模态分解算法对风电机组塔筒振动信号进行模态分解并提取满足频率要求的目标模态;采用相关性分析算法计算塔筒振动数据与机组运行数据之间的相关度;构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间,在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为下一步数据建模的训练集;进行模型训练,模型训练完毕,输入机组实际运行数据,以监测塔筒异常振动;根据提出的塔筒动态特性健康度评价方法计算塔筒振动健康指数。本发明能够实现风机塔筒异常振动识别以及塔筒健康度评估,为机组运维提供新的指导。
Description
技术领域
本发明涉及风电机组关键部件状态监测技术领域,特别是涉及一种风电机组塔筒异常振动监测及健康度评价方法及系统。
背景技术
在风电机组大型化、机组部署海量化、海上陆地联产化的趋势下,风电机组运维难度逐渐上升,伴随恶劣天气和机组老化等问题导致机组运维成本增加。塔筒振动是风电机组制造和结构控制的主要限制因素,微小振动会引起整个风电机组的气动失稳,导致应力增大,缩短机组寿命,较大振动将直接导致倒塔事故发生。
针对风机塔筒运行状态监测现有方法较为单一,不具备信息融合能力。现有技术大多聚焦于物理层面的监测,主要包括形变监测、倾角监测和有限元建模分析等方法,然而机组工况运行复杂,物理层面的监测精度难以满足风电机组塔筒监测要求,也无法评估塔筒运行健康度。
随着计算机技术和算力的提升,高复杂度与高精确度结合的深度学习神经网络取代传统机器学习算法,成为数据建模的新方案,但是数据驱动的塔筒振动深度学习建模及应用仍处于探索阶段,振动信号变化快、振动信号扰动多、监测模型精度低等问题制约着深度学习算法在振动监测领域的推广。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种风电机组塔筒异常振动监测及健康度评价方法及系统。
为实现上述目的,本发明提供了如下方案:
一种风电机组塔筒异常振动监测及健康度评价方法,包括:
获取一段时间内的风电机组SCADA系统的原始数据;所述原始数据包括塔筒振动数据和机组运行数据;
对所述原始数据进行数据预处理,并采用模态分解算法对所述塔筒振动数据进行模态分解,并提取满足预设频率要求的目标模态;
采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度;
构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间,在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集;
将高相关的风机运行数据作为多输入多输出的神经网络模型的输入数据,分解后的塔筒前后向振动和侧向振动作为神经网络模型的输出,通过所述训练集训练塔筒异常振动监测模型,得到训练好的塔筒异常振动监测模型;
将机组实际运行数据输入至所述训练好的塔筒异常振动监测模型,得到模型预测振动,以监测塔筒异常振动;
根据塔筒动态特性健康度评价方法计算塔筒振动健康指数,评估塔筒运行健康度。
优选地,所述机组运行数据包括:时间、机舱风速、风向、转子转速、机组有功功率和风轮桨距角。
优选地,对所述原始数据进行数据预处理,并采用模态分解算法对所述塔筒振动数据进行模态分解,并提取满足预设频率要求的目标模态,包括:
对原始数据中的空值采取继承上一时刻历史值进行填补,并对原始数据中的异常数据进行剔除;
采用模态分解方法对所述塔筒振动数据进行分解并提取满足固有频率要求的目标模态,以表征塔筒运行特性。
优选地,采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度,包括:
采用相关性系数计算方法计算塔筒振动数据和机组运行数据之间的相关性,并选出相关度大于0.01的机组运行数据,认定相关度大于0.01的机组运行数据与塔筒振动相关。
优选地,构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间,在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集,包括:
结合风电机组运行机理和相关性分析结果,定义能够表征塔筒运行动态特性的多输入多输出有限差分回归向量:xRV(k)=[yT(k-1)…yT(k-na)uT(k-nk)…
uT(k-nk-nb+1)];其中,输入u(k)包括机舱风速V、风向D、机组有功功率P、转子转速ωrad、风轮桨距角β;输出y(k)包括塔顶前后向振动和塔顶侧向振动;na、nb、nk分别为输入、输出延迟阶次及输入滞后时间;以数据点(xRV(k),y(k))为数据中心,建立局部数据集Ck;
基于特征向量划分有限差分工作域表征塔筒固有模态振动空间;首先,根据建立的局部数据集Ck,利用最小二乘公式直接计算整体参数向量PVk,表示为:
其中,PVk=[PVk,1…PVk,h]T;xRV(k)为数据集Ck中的有限差分回归向量,y(k)为Ck中的输出向量,Φk为多个有限差分回归向量组成的矩阵;
结合有限差分回归向量xRV;Ck(j)的均值Mk,组成多输入多输出系统特征向量FVk=[(PVk,1)T…(PVk,h)TMk]T;
采用bi-Kmeans聚类算法,对所有特征向量进行高维聚类,将特征向量所张成的有限差分空间划分为S个子模型工作域表征塔筒固有模态振动空间。
优选地,将高相关的风机运行数据作为多输入多输出的神经网络模型的输入数据,分解后的塔筒前后向振动和侧向振动作为神经网络模型的输出,通过所述训练集训练塔筒异常振动监测模型,得到训练好的塔筒异常振动监测模型,包括:
构建多输入多输出塔顶低频振动监测模型,模型输入为差分向量的输入:机舱风速、风向、机组有功功率、转子转速、风轮桨距角,输入同时考虑差分向量输入输出动态特性延迟阶次,输出为分解提取的塔顶前后向振动和塔顶侧向振动;
采用重构后的训练集训练模型并使用k折交叉验证保证模型训练效果,以得到训练好的塔筒异常振动监测模型。
优选地,根据塔筒动态特性健康度评价方法计算塔筒振动健康指数,评估塔筒运行健康度,包括:
对于当前时刻的数据进行正向化处理,将历史数据的均值作为最佳数值xbest,取M=max{|xi-xbest|}作为参照值,之后将xi按照转化成极大型数据;
计算输入变量的权重:
其中,wr为使用计算所得特征权重;
计算当前点的评价向量R和由各参数的样本均值组成的均值向量R+,
R={r1,r2,...,rm}={x1·w1,x2·w2,…,xq·wq,xvib,yvib}
其中,xi为该时刻第i个变量转化成极大型数据后的值,i=1,2,…,q,q为需要计算权重的变量个数,wq为其对应的权重;xvib、yvib为模型输出振动;
通过计算当前时刻数据的评价向量R和历史数据的均值向量R+之间的曼哈顿距离d(R,R+)作为塔筒振动健康指数,曼哈顿距离计算公式:
d=|xi-xj|+|yi-yj|
通过计算历史塔筒振动健康指数得到健康指数的样本均值和标准差,根据3σ准则确定健康度上下限,当塔筒振动健康指数超过上下限表明塔筒运行异常。
一种风电机组塔筒异常振动监测及健康度评价系统,包括:
数据采集模块,用于获取一段时间内的风电机组SCADA系统的原始数据;所述原始数据包括塔筒振动数据和机组运行数据;
数据预处理模块,用于对所述原始数据进行数据预处理,并采用模态分解算法对所述塔筒振动数据进行模态分解,并提取满足预设频率要求的目标模态;
相关度计算模块,用于采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度;
动态空间划分模块,用于构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间,在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集;
模型拟合模块,用于将高相关的风机运行数据作为多输入多输出的神经网络模型的输入数据,分解后的塔筒前后向振动和侧向振动作为神经网络模型的输出,通过所述训练集训练塔筒异常振动监测模型,得到训练好的塔筒异常振动监测模型
振动监测模块,用于将机组实际运行数据输入至所述训练好的塔筒异常振动监测模型,得到模型预测振动,以监测塔筒异常振动;
健康度评估模块,用于根据塔筒动态特性健康度评价方法计算塔筒振动健康指数,评估塔筒运行健康度。
一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述风电机组塔筒异常振动监测及健康度评价方法的步骤。
一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述风电机组塔筒异常振动监测及健康度评价方法的步骤。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明的技术方案的优点:
(1)本发明基于模态分解和信号提取的塔筒振动信号处理方法分解并提取塔顶低频振动,可用于表征塔筒振动本征模态,同时消除高频噪声影响,保证神经网络拟合精度;
(2)本发明基于数据相关性分析结果所定义的有限差分回归向量及其所张成的塔筒固有模态振动空间,可用于表征实际风电机组全局复杂非线性运行特性,均匀采样后重构的新训练集涵盖机组全局工况,保证模型训练精度和拟合能力;
(3)本发明提出的大型风电机组塔筒多输入多输出神经网络建模方法,兼顾了建模复杂度和模型精度,模型在数据驱动的风电机组塔筒振动特性监测等领域具有重要应用价值;
(4)本发明基于历史数据和模型预测结果提出了一种塔筒健康度评价方法,通过综合计算塔筒振动健康指数评价塔筒运行健康度,评估结果能为运维人员快速决策提供信息支撑,避免倒塔事故发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法流程图;
图2为本发明实施例提供的实施过程示意图;
图3为本发明实施例提供的塔筒振动传感器排布以及塔筒坐标系方位划分示意图;
图4为本发明实施例提供的系统结构示意图;
图5为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的方法流程图,如图1所示,本发明提供了一种风电机组塔筒异常振动监测及健康度评价方法,包括:
步骤100:获取一段时间内的风电机组SCADA系统的原始数据;所述原始数据包括塔筒振动数据和机组运行数据;
步骤200:对所述原始数据进行数据预处理,并采用模态分解算法对所述塔筒振动数据进行模态分解,并提取满足预设频率要求的目标模态;
步骤300:采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度;
步骤400:构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间,在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集;
步骤500:将高相关的风机运行数据作为多输入多输出的神经网络模型的输入数据,分解后的塔筒前后向振动和侧向振动作为神经网络模型的输出,通过所述训练集训练塔筒异常振动监测模型,得到训练好的塔筒异常振动监测模型;
步骤600:将机组实际运行数据输入至所述训练好的塔筒异常振动监测模型,得到模型预测振动,以监测塔筒异常振动;
步骤700:根据塔筒动态特性健康度评价方法计算塔筒振动健康指数,评估塔筒运行健康度。
图2为本发明实施例提供的实施过程示意图,如图2所示,本实施例中的一种风电机组塔筒异常振动监测及健康度评价方法,包括:
步骤1,获取一段时间内的风电机组SCADA系统数据;
步骤2,对原始数据进行数据预处理,采用模态分解算法对风电机组塔筒振动信号进行模态分解并提取满足频率要求的目标模态;
步骤3,采用相关性分析算法计算塔筒振动数据与机组运行数据之间的相关度;
步骤4,构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间,在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为下一步数据建模的训练集;
步骤5,将高相关的风机运行数据作为多输入多输出神经网络模型的输入数据,分解后的塔筒前后向振动和侧向振动作为模型输出训练塔筒异常振动监测模型;
步骤6,模型训练完毕,输入机组实际运行数据得到模型预测振动,监测塔筒异常振动;
步骤7,根据提出的塔筒动态特性健康度评价方法计算塔筒振动健康指数,评估塔筒运行健康度。
步骤1中,获取一段时间内包括时间、机舱风速、风向、转子转速、机组有功功率、风轮桨距角、塔筒振动等的SCADA系统原始数据,数据时间跨度足够长以确保原始数据涵盖机组大部分乃至全部运行工况,保证后续建模精度和模型的可信度。
步骤2中,对原始数据的预处理主要包括对原始数据中的空值采取继承上一时刻历史值进行填补,对异常数据(负功率、超低风速等)进行剔除。
对于振动信号的预处理,首先采用模态分解方法对振动信号进行分解并提取满足固有频率要求的目标模态表征塔筒运行特性,提取低频振动不仅能得到准确反映塔筒振动情况的低频模态,同时还能剔除信号中本身包含的高频噪声。
对于机组塔筒固有频率,已有研究采用有限元分析仿真建模软件搭建塔筒物理仿真模型并对塔筒振动的固有频率和模态振型进行了详细的研究,得出了塔筒稳定性受前三阶振型影响更严重的结论,并且塔筒的固有频率处在0.4~3.6Hz范围内,即影响塔筒稳定性的振动信号为0.4~3.6Hz左右的低频振动。
步骤3中,采用相关性系数计算方法计算塔筒振动数据和机组运行数据之间的相关性,并选出相关度大于0.01的机组运行数据,认定相关度大于0.01的机组运行数据与塔筒振动相关。
步骤4中,结合风电机组运行机理和相关性分析结果,定义能够表征塔筒运行动态特性的多输入多输出有限差分回归向量:
xRV(k)=[yT(k-1)…yT(k-na)uT(k-nk)…uT(k-nk-nb+1)]
其中,输入u(k)包括机舱风速V、风向D、机组有功功率P、转子转速ωrad、风轮桨距角β;输出y(k)包括塔顶前后向振动(x轴振动)和塔顶侧向振动(y轴振动);na、nb、nk分别为输入、输出延迟阶次及输入滞后时间。以数据点(xRV(k),y(k))为数据中心,建立局部数据集Ck。
基于特征向量划分有限差分工作域表征塔筒固有模态振动空间。首先,根据建立的局部数据集Ck,利用最小二乘公式直接计算整体参数向量PVk,表示为
其中,PVk=[PVk,1…PVk,h]T;xRV(k)为数据集Ck中的有限差分回归向量,y(k)为Ck中的输出向量。Φk为多个有限差分回归向量组成的矩阵;由数据集下的所有回归向量组成,通过Φk计算整体参数向量PVk进行后续计算。
结合有限差分回归向量xRV;Ck(j)的均值Mk,组成多输入多输出系统特征向量FVk=[(PVk,1)T…(PVk,h)TMk]T。最后采用bi-Kmeans聚类算法,对所有特征向量进行高维聚类,将特征向量所张成的有限差分空间划分为S个子模型工作域表征塔筒固有模态振动空间。
步骤4中,在每一个动态特性表征空间内均匀采样并重构数据集作为模型训练集用于后续神经网络动态建模,新训练集涵盖凸划分后的所有机组运行工况特性,保证振动监测模型有足够的泛化能力和广泛的应用场景。
步骤5中,构建多输入多输出塔顶低频振动监测模型,模型输入为差分向量的输入:机舱风速、风向、机组有功功率、转子转速、风轮桨距角,输入同时考虑差分向量输入输出动态特性延迟阶次,输出为分解提取的塔顶前后向振动和塔顶侧向振动,采用重构后的训练集训练模型并使用k折交叉验证保证模型训练效果,训练得到塔筒异常振动监测模型。
步骤7中,结合训练集历史数据数据和当前时刻模型预测结果,提出一种考虑运行数据异常情况的塔筒健康度评价方法,通过监测塔筒健康指标判断塔筒健康度:
对于当前时刻数据进行正向化处理,将历史数据的均值作为最佳数值xbest,取M=max{|xi-xbest|}作为参照值,之后将xi按照转化成极大型数据。
计算输入变量的权重:
其中,wr为使用计算所得特征权重。
计算当前点的评价向量R和由各参数的样本均值组成的均值向量R+,
R={r1,r2,...,rm}={x1·w1,x2·w2,…,xq·wq,xvib,yvib}
其中,xi为该时刻第i个变量转化成极大型数据后的值,i=1,2,…,q,q为需要计算权重的变量个数,wq为其对应的权重;xvib、yvib为模型输出振动。
通过计算当前时刻数据的评价向量R和历史数据的均值向量R+之间的曼哈顿距离d(R,R+)作为塔筒振动健康指数,曼哈顿距离计算公式:
d=|xi-xj|+|yi-yj|
通过计算历史塔筒振动健康指数得到健康指数的样本均值和标准差,根据3σ准则确定健康度上下限,当塔筒振动健康指数超过上下限表明塔筒运行异常。
进一步地,本实施例获取一段时间内包括时间、机舱风速、风向、转子转速、机组有功功率、风轮桨距角、塔筒前后向振动(x轴振动)和侧向振动(y轴振动)等SCADA系统原始数据,数据时间跨度确保原始数据涵盖机组全部或大部分运行工况,包含正常运行工况和异常工况,保证后续建模精度和模型输出结果的可信度;
塔筒振动主要指塔顶前后向振动(x轴振动)和侧向振动(y轴振动),塔筒振动传感器主要设置在塔顶、塔中和塔基,由于塔顶最靠近齿轮箱、轴承等其他振动部件,且塔筒振动监测中塔顶振动的动态特性最明显,因此选择塔顶振动进行后续分析,前后向振动和侧向振动的划分方式以及振动传感器排布结构如图3所示,x轴具体指与风机风向平行的方向,y轴具体指与风机风向垂直的方向。
可选地,采用皮尔逊系数计算塔顶振动数据和机组运行数据之间的相关性,规定相关性系数大于0.01的变量与塔筒振动相关性强,相关系数如表1所示,由表可得:塔顶振动与机舱风速、风向、机组运行功率、转子转速、桨距角相关性较强。
表1
更进一步地,构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间,在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为下一步数据建模的训练集;结合风电机组运行机理和塔筒振动相关性分析结果,定义能够表征塔筒运行动态特性的多输入多输出有限差分回归向量,划分有限差分工作域表征塔筒固有模态振动空间;考虑到原始数据量过大,不利于直接进行建模与仿真,因此在每一个动态特性表征空间内均匀采样并重构数据集作为模型训练集用于后续神经网络动态建模,新训练集涵盖凸划分后的所有机组运行工况特性,保证振动监测模型有足够的泛化能力和广泛的应用场景,能实现所有运行工况下的塔筒低频振动拟合输出。
更进一步地,本实施例中模型训练完毕,输入机组实际运行数据得到模型预测振动,监测塔筒异常振动;塔筒振动动态特性建模考虑塔顶振动和风电机组数据的相关性分析结果,构建多输入多输出塔顶低频振动模型,模型输入为机舱风速、风向、功率、转子转速、风轮桨距角,输入同时考虑输入输出动态特性3阶延迟,输出为分解提取的塔顶前后向振动和塔顶侧向振动,采用重构后的训练集训练模型并使用10折交叉验证保证模型训练效果,训练得到的孪生体模型能泛化不同工况下的塔顶低频振动,实现对任意工况下塔顶前后向振动和侧向振动的拟合,模型训练完毕,输入实际机组运行数据得到模型预测结果。
具体的,本实施例根据提出的塔筒动态特性健康度评价方法计算塔筒振动健康指数,评估塔筒运行健康度。结合训练集历史数据和当前时刻模型预测结果,提出一种考虑运行数据异常情况的塔筒健康度评价方法,首先分别计算当前时刻的模型输出下的评价向量,以及历史样本均值下的均值向量,通过计算评价向量与均值向量之间的曼哈顿距离(Manhattan Distance)作为塔筒健康度评价指标,然后通过计算历史塔筒振动健康指数得到健康指数的样本均值和标准差,根据3σ准则确定健康度上下限,当塔筒振动健康指数超过阈值表明塔筒运行异常。
本发明设计了一种振动信号分解与提取、动态特性空间划分、多输入多输出神经网络建模等多学科多领域融合的塔筒低频振动监测建模方法,通过将信号处理技术、数据预处理技术与深度学习技术结合解决现有塔筒振动监测方法单一、深度学习算法难以引入塔筒振动监测领域的问题,基于模型输出能监测异常振动进而监测塔筒运行状态,将提出的塔筒低频振动监测方法应用于塔筒异常振动监测领域,通过振动动态空间划分、训练集重构和k折交叉验证方法,保证模型拟合精度;
本发明提出一种考虑运行数据异常情况的塔筒健康度评价方法,结合训练集历史数据和当前时刻模型预测结果,首先计算当前时刻的模型输出下的评价向量,以及历史样本均值下的均值向量,然后通过计算评价向量与均值向量之间的曼哈顿距离(ManhattanDistance)判断当前时刻数据是否处在正常范围内。
本实施应用例重点监测风机塔筒异常振动监测以及评估塔筒运行健康度,通过对多输出塔筒低频振动监测模型结果和塔筒健康度的分析判定塔筒运行情况,提出一种基于历史运行数据和特征变量相关性权重的塔筒健康综合评价方法,结合历史数据和模型输出计算评价向量、均值向量和塔筒健康指数,最后通过健康指数评估塔筒运行情况。需要说明的是,本实施例只实现了针对塔筒部件的异常振动监测和健康度评估,但本发明同样适用于针对风机其他振动部件,包括叶片、轴承等部件的异常振动监测与健康度评估,且本实施例只在1.5MW的陆上风机实施验证,但本发明同样适用于其他型号的陆上及海上风机的塔筒状态监测。
本实施例分析了天津地区的1.5MW商用陆上风电机组的SCADA系统从2012年3月到4月初的运行数据,原始数据集为2012年3月1日起35天的300多万条完整运行数据。这些风机采用变速变桨三叶水平轴系统,额定功率为1.5MW。转子直径为112米,轮毂距地面高度为80米。风机的切入风速、额定风速和切出风速分别为3m/s、13m/s和25m/s。在本实施例中,采样间隔为1s的SCADA信号用于数据分析和模型训练。
本实施例首先对原始数据中的空值采取继承上一时刻历史值进行填补,对异常数据(负功率、超低风速等)进行剔除;
模态分解算法是一种将时间序列信号分解为单分量信号的信号处理方法,分解后的分量称为固有模态函数(Intrinsic Mode Function,IMF),每个模态有其对应的频谱,模态分解算法广泛应用于振动信号的分解与提取任务,现有方法主要有经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical ModeDecomposition,EEMD)、完全自适应噪声集合经验模态分解(Complete EEMD withAdaptive Noise,CEEMDAN)、变分模态分解(Variational Mode Decomposition,VMD)等,模态分解算法的任务是实现对振动信号的分解和对目标模态的提取。
相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。常见的相关性分析方法有三种:Pearson相关系数、Spearman等级相关系数和Kendall相关系数。
本实施例首先采用VMD算法分解塔顶前后向和侧向振动并提取满足固有频率要求的低频振动模态,然后采用相关性分析算法计算塔筒振动数据与机组运行数据之间的相关度,得到塔顶振动与机舱风速、风向、机组运行功率、转子转速、桨距角相关性较强;
构建有限差分回归向量表征塔筒低频振动输入输出动态特性,基于特征向量凸平面划分塔筒固有模态振动空间,在每一个空间内均匀采样并重构训练集,新训练集涵盖凸划分后的所有运行工况,保证孪生体拟合精度;
深度神经网络(Deep Neural Networks,DNN)可以理解为有很多隐藏层的神经网络,又被称为多层感知机(Multi-Layer perceptron,MLP),广义上说深度学习的网络结构也是神经网络的一种。传统意义上的神经网络是只有输入层、隐藏层、输出层。其中隐藏层的层数根据需要而定,没有明确的理论推导来说明到底多少层合适。而深度学习中最著名的卷积神经网络(AlexNet),在原来多层神经网络的基础上,加入了特征学习部分,这部分是模仿人脑对信号处理上的分级的。具体操作就是在原来的全连接的层前面加入了部分连接的卷积层与降维层,而且加入的是一个层级。深度主要体现在神经网络的层数更深,更深的网络有更好的非线性表达能力,可以学习更复杂的变换,从而可以拟合更加复杂的特征。其他深度神经网络包括深度循环神经网络(Deep Recurrent Neural Network,DRNN)、深度图神经网络(Deep Graph Neural Network,DGNN)等等。
本实施例采用残差神经网络(Residual Network,RestNet)构建多输入多输出塔筒振动监测模型,残差神经网络是深度卷积神经网络的一种,通过跨层连接方式增加了信息传输路径,使得浅层特征可以被跨送到更深层网络,从而提高模型准确度;残差神经网络的另一个核心是加入了残差学习模块,在训练深层卷积神经网络的过程中保存部分原始输入信息,从而避免由网络层数加深而导致的分类精度饱和问题;
模型输入为机舱风速V、风向D、功率P、转子转速ωrad、风轮桨距角β,同时考虑输入输出3阶延迟阶次,输出为塔顶前后向低频振动、塔顶侧向低频振动,采用10折交叉验证法验证孪生体模型,计算模型评价指标评价模型训练精度,最后输入测试集数据得到孪生体模型输出的低频振动;
基于提出的塔筒动态特性健康度评价方法计算塔筒振动健康指数,通过计算历史塔筒振动健康指数得到健康指数的样本均值和标准差,根据3σ准则确定健康度上下限,监测塔筒振动健康指数超限情况评估塔筒健康度。
本实施例表明,所提出的监测方法与模型能精准拟合塔筒低频振动,基于模型输出结果能试试有效的监测塔筒异常振动并反馈异常信息给运维人员。本实施例根据所提出的塔筒异常运行健康度评价方法通过健康度评估可以预警塔筒振动异常,在确定塔筒运行异常后将异常信息反馈给运维人员,可以为运维决策提供信息支撑,及时发出机组控制指令以减弱塔筒振动,避免风机倒塔,在塔筒智慧运维方面发挥出显著的优势,有效避免高风险事故发生,节约运维成本。
基于各种计算机设备,利用相应的软硬件系统,本实施例提供了一种风电机组塔筒异常振动监测及健康度评价系统,图4示出了本申请实施例所提供的一种风电机组塔筒异常振动监测及健康度评价系统的结构示意图,如图4所示,所述系统包括:
数据采集模块,用于获取一段时间内的风电机组SCADA系统的原始数据;所述原始数据包括塔筒振动数据和机组运行数据;
数据预处理模块,用于对所述原始数据进行数据预处理,并采用模态分解算法对所述塔筒振动数据进行模态分解,并提取满足预设频率要求的目标模态;
相关度计算模块,用于采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度;
动态空间划分模块,用于构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间,在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集;
模型拟合模块,用于将高相关的风机运行数据作为多输入多输出的神经网络模型的输入数据,分解后的塔筒前后向振动和侧向振动作为神经网络模型的输出,通过所述训练集训练塔筒异常振动监测模型,得到训练好的塔筒异常振动监测模型
振动监测模块,用于将机组实际运行数据输入至所述训练好的塔筒异常振动监测模型,得到模型预测振动,以监测塔筒异常振动;
健康度评估模块,用于根据塔筒动态特性健康度评价方法计算塔筒振动健康指数,评估塔筒运行健康度。
基于相同的技术构思,本申请实施例还提供一种电子设备,图5示出了本申请实施例所提供的一种电子设备的结构示意图,如图5所示,该电子设备包括:处理器、存储器和总线,存储器存储有处理器可执行的机器可读指令,当电子设备运行时,处理器与存储器之间通过总线通信,处理器执行机器可读指令,以执行实施例一中所述的方法步骤,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述方法的步骤。
基于相同的技术构思,本申请实施例四还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行实施例一中所述的方法步骤一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种风电机组塔筒异常振动监测及健康度评价方法,其特征在于,包括:
获取一段时间内的风电机组SCADA系统的原始数据;所述原始数据包括塔筒振动数据和机组运行数据;
对所述原始数据进行数据预处理,并采用模态分解算法对所述塔筒振动数据进行模态分解,并提取满足预设频率要求的目标模态;
采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度;
构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间,在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集;
将高相关的风机运行数据作为多输入多输出的神经网络模型的输入数据,分解后的塔筒前后向振动和侧向振动作为神经网络模型的输出,通过所述训练集训练塔筒异常振动监测模型,得到训练好的塔筒异常振动监测模型;
将机组实际运行数据输入至所述训练好的塔筒异常振动监测模型,得到模型预测振动,以监测塔筒异常振动;
根据塔筒动态特性健康度评价方法计算塔筒振动健康指数,评估塔筒运行健康度。
2.根据权利要求1所述的风电机组塔筒异常振动监测及健康度评价方法,其特征在于,所述机组运行数据包括:时间、机舱风速、风向、转子转速、机组有功功率和风轮桨距角。
3.根据权利要求1所述的风电机组塔筒异常振动监测及健康度评价方法,其特征在于,对所述原始数据进行数据预处理,并采用模态分解算法对所述塔筒振动数据进行模态分解,并提取满足预设频率要求的目标模态,包括:
对原始数据中的空值采取继承上一时刻历史值进行填补,并对原始数据中的异常数据进行剔除;
采用模态分解方法对所述塔筒振动数据进行分解并提取满足固有频率要求的目标模态,以表征塔筒运行特性。
4.根据权利要求1所述的风电机组塔筒异常振动监测及健康度评价方法,其特征在于,采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度,包括:
采用相关性系数计算方法计算塔筒振动数据和机组运行数据之间的相关性,并选出相关度大于0.01的机组运行数据,认定相关度大于0.01的机组运行数据与塔筒振动相关。
5.根据权利要求1所述的风电机组塔筒异常振动监测及健康度评价方法,其特征在于,构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间,在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集,包括:
结合风电机组运行机理和相关性分析结果,定义能够表征塔筒运行动态特性的多输入多输出有限差分回归向量:xRV(k)=[yT(k-1)…yT(k-na)uT(k-nk)…
uT(k-nk-nb+1)];其中,输入u(k)包括机舱风速V、风向D、机组有功功率P、转子转速ωrad、风轮桨距角β;输出y(k)包括塔顶前后向振动和塔顶侧向振动;na、nb、nk分别为输入、输出延迟阶次及输入滞后时间;以数据点(xRV(k),y(k))为数据中心,建立局部数据集Ck;
基于特征向量划分有限差分工作域表征塔筒固有模态振动空间;首先,根据建立的局部数据集Ck,利用最小二乘公式直接计算整体参数向量PVk,表示为:
其中,PVk=[PVk,1…PVk,h]T;xRV(k)为数据集Ck中的有限差分回归向量,y(k)为Ck中的输出向量,Φk为多个有限差分回归向量组成的矩阵;
结合有限差分回归向量xRV;Ck(j)的均值Mk,组成多输入多输出系统特征向量FVk=[(PVk,1)T…(PVk,h)TMk]T;
采用bi-Kmeans聚类算法,对所有特征向量进行高维聚类,将特征向量所张成的有限差分空间划分为S个子模型工作域表征塔筒固有模态振动空间。
6.根据权利要求1所述的风电机组塔筒异常振动监测及健康度评价方法,其特征在于,将高相关的风机运行数据作为多输入多输出的神经网络模型的输入数据,分解后的塔筒前后向振动和侧向振动作为神经网络模型的输出,通过所述训练集训练塔筒异常振动监测模型,得到训练好的塔筒异常振动监测模型,包括:
构建多输入多输出塔顶低频振动监测模型,模型输入为差分向量的输入:机舱风速、风向、机组有功功率、转子转速、风轮桨距角,输入同时考虑差分向量输入输出动态特性延迟阶次,输出为分解提取的塔顶前后向振动和塔顶侧向振动;
采用重构后的训练集训练模型并使用k折交叉验证保证模型训练效果,以得到训练好的塔筒异常振动监测模型。
7.根据权利要求1所述的风电机组塔筒异常振动监测及健康度评价方法,其特征在于,根据塔筒动态特性健康度评价方法计算塔筒振动健康指数,评估塔筒运行健康度,包括:
对于当前时刻的数据进行正向化处理,将历史数据的均值作为最佳数值xbest,取M=max{|xi-xbest|}作为参照值,之后将xi按照转化成极大型数据;
计算输入变量的权重:
其中,wr为使用计算所得特征权重;
计算当前点的评价向量R和由各参数的样本均值组成的均值向量R+,
R={r1,r2,...,rm}={x1·w1,x2·w2,…,xq·wq,xvib,yvib}
其中,xi为该时刻第i个变量转化成极大型数据后的值,i=1,2,…,q,q为需要计算权重的变量个数,wq为其对应的权重;xvib、yvib为模型输出振动;
通过计算当前时刻数据的评价向量R和历史数据的均值向量R+之间的曼哈顿距离d(R,R+)作为塔筒振动健康指数,曼哈顿距离计算公式:
d=|xi-xj|+|yi-yj|
通过计算历史塔筒振动健康指数得到健康指数的样本均值和标准差,根据3σ准则确定健康度上下限,当塔筒振动健康指数超过上下限表明塔筒运行异常。
8.一种风电机组塔筒异常振动监测及健康度评价系统,其特征在于,包括:
数据采集模块,用于获取一段时间内的风电机组SCADA系统的原始数据;所述原始数据包括塔筒振动数据和机组运行数据;
数据预处理模块,用于对所述原始数据进行数据预处理,并采用模态分解算法对所述塔筒振动数据进行模态分解,并提取满足预设频率要求的目标模态;
相关度计算模块,用于采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度;
动态空间划分模块,用于构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间,在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集;
模型拟合模块,用于将高相关的风机运行数据作为多输入多输出的神经网络模型的输入数据,分解后的塔筒前后向振动和侧向振动作为神经网络模型的输出,通过所述训练集训练塔筒异常振动监测模型,得到训练好的塔筒异常振动监测模型
振动监测模块,用于将机组实际运行数据输入至所述训练好的塔筒异常振动监测模型,得到模型预测振动,以监测塔筒异常振动;
健康度评估模块,用于根据塔筒动态特性健康度评价方法计算塔筒振动健康指数,评估塔筒运行健康度。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述风电机组塔筒异常振动监测及健康度评价方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述风电机组塔筒异常振动监测及健康度评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310704957.3A CN116624343B (zh) | 2023-06-14 | 2023-06-14 | 一种风电机组塔筒异常振动监测及健康度评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310704957.3A CN116624343B (zh) | 2023-06-14 | 2023-06-14 | 一种风电机组塔筒异常振动监测及健康度评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116624343A CN116624343A (zh) | 2023-08-22 |
CN116624343B true CN116624343B (zh) | 2023-10-13 |
Family
ID=87613453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310704957.3A Active CN116624343B (zh) | 2023-06-14 | 2023-06-14 | 一种风电机组塔筒异常振动监测及健康度评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116624343B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117028145B (zh) * | 2023-10-08 | 2023-12-22 | 国网江苏省电力有限公司电力科学研究院 | 考虑塔架载荷抑制的风电机组有功功率控制方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017159784A1 (ja) * | 2016-03-17 | 2017-09-21 | Ntn株式会社 | 状態監視システムおよび風力発電装置 |
CN107829884A (zh) * | 2017-10-25 | 2018-03-23 | 西安锐益达风电技术有限公司 | 一种风力发电机塔筒健康状态监测方法和专用检测系统 |
EP3693600A1 (en) * | 2019-02-08 | 2020-08-12 | Siemens Gamesa Renewable Energy A/S | A method for computer-implemented monitoring of a wind turbine |
CN111594395A (zh) * | 2020-05-27 | 2020-08-28 | 国电联合动力技术有限公司 | 一种风电机组塔筒共振识别方法、装置及监测报警系统 |
CN114893360A (zh) * | 2022-05-23 | 2022-08-12 | 国家电投集团科学技术研究院有限公司 | 风电机组塔筒异常振动识别和运行状态监测方法及系统 |
CN115496102A (zh) * | 2022-09-23 | 2022-12-20 | 西安热工研究院有限公司 | 风电机组叶片故障诊断方法及装置、设备、存储介质 |
-
2023
- 2023-06-14 CN CN202310704957.3A patent/CN116624343B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017159784A1 (ja) * | 2016-03-17 | 2017-09-21 | Ntn株式会社 | 状態監視システムおよび風力発電装置 |
CN107829884A (zh) * | 2017-10-25 | 2018-03-23 | 西安锐益达风电技术有限公司 | 一种风力发电机塔筒健康状态监测方法和专用检测系统 |
EP3693600A1 (en) * | 2019-02-08 | 2020-08-12 | Siemens Gamesa Renewable Energy A/S | A method for computer-implemented monitoring of a wind turbine |
CN111594395A (zh) * | 2020-05-27 | 2020-08-28 | 国电联合动力技术有限公司 | 一种风电机组塔筒共振识别方法、装置及监测报警系统 |
CN114893360A (zh) * | 2022-05-23 | 2022-08-12 | 国家电投集团科学技术研究院有限公司 | 风电机组塔筒异常振动识别和运行状态监测方法及系统 |
CN115496102A (zh) * | 2022-09-23 | 2022-12-20 | 西安热工研究院有限公司 | 风电机组叶片故障诊断方法及装置、设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116624343A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | Macroscopic–microscopic attention in LSTM networks based on fusion features for gear remaining life prediction | |
CN109726524B (zh) | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 | |
Wang et al. | A deep learning method for bearing fault diagnosis based on time-frequency image | |
CN111562358B (zh) | 基于联合模型的变压器油中气体含量预测方法及系统 | |
Yan et al. | Deep regularized variational autoencoder for intelligent fault diagnosis of rotor–bearing system within entire life-cycle process | |
Tao et al. | Bearing fault diagnosis method based on stacked autoencoder and softmax regression | |
CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
CN116624343B (zh) | 一种风电机组塔筒异常振动监测及健康度评价方法及系统 | |
Zhan et al. | Abnormal vibration detection of wind turbine based on temporal convolution network and multivariate coefficient of variation | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN111079343B (zh) | 一种基于宽度学习的风电机组有效风速估计方法 | |
Xu et al. | Deep coupled visual perceptual networks for motor fault diagnosis under nonstationary conditions | |
CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
Sun et al. | Pruning Elman neural network and its application in bolt defects classification | |
Jia et al. | Research on multidomain fault diagnosis of large wind turbines under complex environment | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
CN114239396A (zh) | 一种风机齿轮箱状态预测方法及系统 | |
Wu et al. | Establishment of a deep learning network based on feature extraction and its application in gearbox fault diagnosis | |
CN113361782A (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
Hussain et al. | Gearbox fault detection using real coded genetic algorithm and novel shock response spectrum features extraction | |
Xu et al. | Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions | |
Wang et al. | Wavelet packet transform-assisted least squares support vector machine for gear wear degree diagnosis |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |