CN116717437A - 一种风电机组故障监测方法及系统 - Google Patents
一种风电机组故障监测方法及系统 Download PDFInfo
- Publication number
- CN116717437A CN116717437A CN202310889866.1A CN202310889866A CN116717437A CN 116717437 A CN116717437 A CN 116717437A CN 202310889866 A CN202310889866 A CN 202310889866A CN 116717437 A CN116717437 A CN 116717437A
- Authority
- CN
- China
- Prior art keywords
- fault
- wind turbine
- data
- turbine generator
- module
- 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 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 47
- 238000012423 maintenance Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000010183 spectrum analysis Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000008439 repair process Effects 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Combustion & Propulsion (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组故障监测方法及系统,对风电机组的运行状态数据进行数据采集;对采集到的数据进行数据预处理;将预处理后的数据输入到基于人工智能和机器学习的故障诊断模型中,识别故障类型和故障原因;基于识别的故障类型和故障原因生成针对性的维修建议;基于识别的结果预测潜在故障发生的时间,并提供预警信息。具有预测性维护功能,有助于实现设备的预测性维护;提供实时运行状态可视化界面,便于操作人员实时了解风电机组的运行情况。
Description
技术领域
本发明属于风力发电技术领域,具体涉及一种风电机组故障监测方法及系统。
背景技术
风力发电是一种清洁、可再生的能源,随着环保意识的提高,风力发电在全球范围内得到了广泛的应用。然而,风电机组在运行过程中可能出现各种故障,这些故障会影响设备的运行效率和安全性。因此,对风电机组进行故障监测和诊断具有重要意义。现有的风电机组故障监测方法和系统存在一些缺点,如故障诊断准确性不足、数据采集不全面等。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种风电机组故障监测方法及系统,用于解决现有技术中风电机组故障诊断准确性不足、数据采集不全面的技术问题。
本发明采用以下技术方案:
一种风电机组故障监测方法,包括以下步骤:
S1、对风电机组的运行状态数据进行数据采集;
S2、对步骤S1采集到的数据进行数据预处理;
S3、将步骤S2预处理后的数据输入到基于人工智能和机器学习的故障诊断模型中,识别故障类型和故障原因;
S4、基于步骤S3识别的故障类型和故障原因生成针对性的维修建议;
S5、基于步骤S3识别的结果预测潜在故障发生的时间,并提供预警信息。
具体的,步骤S1中,在风电机组上安装加速度传感器、声音传感器和电流传感器,实时采集风电机组的运行状态数据。
具体的,步骤S2中,去噪处理采用Butterworth低通滤波器,特征提取包括对预处理后的数据进行快速傅里叶变换进行频谱分析。
进一步的,Butterworth低通滤波器的传递函数为:
H(s)=1/(1+(s/ωc)2n);
其中,s表示复频率,ωc表示截止频率,n表示滤波器阶数。
进一步的,频谱分析为:
X(k)=Σ[x(n)*e(-j2πnk/N)];
其中,x(n)表示原始数据,N表示数据长度,k表示频率索引。
第二方面,本发明实施例提供了一种风电机组故障监测系统,包括:
数据采集模块,对风电机组的运行状态数据进行数据采集;
数据预处理模块,对数据采集模块采集到的数据进行数据预处理;
故障诊断模型模块,将数据预处理模块预处理后的数据输入到基于人工智能和机器学习的故障诊断模型中,识别故障类型和故障原因;
维修建议生成模块,基于故障诊断模型模块识别的故障类型和故障原因生成针对性的维修建议;
故障预测与预警模块,基于故障诊断模型模块识别的结果预测潜在故障发生的时间,并提供预警信息。
具体的,数据预处理模块包括去噪子模块和特征提取子模块,去噪子模块采用Butterworth低通滤波器,特征提取子模块包括对预处理后的数据进行快速傅里叶变换进行频谱分析。
进一步的,Butterworth低通滤波器的传递函数为:
H(s)=1/(1+(s/ωc)2n);
其中,s表示复频率,ωc表示截止频率,n表示滤波器阶数。
进一步的,频谱分析为:
X(k)=Σ[x(n)*e(-j2πnk/N)];
其中,x(n)表示原始数据,N表示数据长度,k表示频率索引。
与现有技术相比,本发明至少具有以下有益效果:
一种风电机组故障监测方法,采用多传感器数据采集技术,全面监测风电机组的运行状态;引入人工智能和机器学习算法,提高故障诊断的准确性;具有预测性维护功能,有助于实现设备的预测性维护;提供实时运行状态可视化界面,便于操作人员实时了解风电机组的运行情况。
进一步的,风电机组上安装加速度传感器、声音传感器和电流传感器的目的是为了实时采集风电机组的运行状态数据。这些传感器可以监测风电机组的运行状态,包括振动、噪声和电流等。这些数据是故障诊断的重要依据,通过对这些数据的分析,可以及时发现风电机组的异常情况,从而及时进行维修,避免更大的损失。例如,加速度传感器可以监测风电机组的振动情况,如果振动超过正常范围,可能是轴承等部件出现问题;声音传感器可以监测风电机组的噪声,如果噪声异常,可能是齿轮箱等部件出现问题;电流传感器可以监测风电机组的电流,如果电流异常,可能是发电机等部件出现问题。
进一步的,去噪处理采用Butterworth低通滤波器,特征提取包括对预处理后的数据进行快速傅里叶变换进行频谱分析的目的是为了提取出有用的信息,去除无关的噪声。Butterworth低通滤波器是一种频率响应平坦的滤波器,可以有效地去除高频噪声,保留低频的有用信号。快速傅里叶变换是一种高效的频谱分析方法,可以将时域信号转换为频域信号,从而更好地分析信号的特性。通过频谱分析,可以提取出信号的频率、幅值等特征,这些特征对于故障诊断非常重要。
进一步的,故障诊断模型采用混合模型,包括神经网络、支持向量机、决策树和深度学习算法,通过集成学习技术融合多种算法的目的是为了提高故障诊断的准确性。不同的机器学习算法有各自的优点和缺点,通过集成学习,可以结合各种算法的优点,避免单一算法的缺点,从而提高故障诊断的准确性。支持向量回归是一种有效的预测方法,通过选择合适的核函数和参数,可以对未来的故障进行预测,从而提前进行维修,避免更大的损失。
可以理解的是,上述第二方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
综上所述,本发明对于提高风电机组的运行效率,降低维修成本,延长风电机组的使用寿命具有重要的实用价值。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明风电机组故障监测方法的流程示意图;
图2为本发明风电机组故障监测系统的模块示意图。
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。
在本发明的描述中,需要理解的是,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合,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,本发明中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等,但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一预设范围也可以被称为第二预设范围,类似地,第二预设范围也可以被称为第一预设范围。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种风电机组故障监测方法,通过整合多种传感器数据和先进的特征提取技术,结合自适应的故障诊断模型,实现对风电机组故障的准确识别和实时监控。相较于现有技术,本发明提高了故障诊断准确性,降低了误报率,缩短了设备停机时间,为风电场运维提供了更有效的决策支持。请参阅图1,本发明一种风电机组故障监测方法,包括以下步骤:
S1、对风电机组的运行状态数据进行数据采集;
采集的数据包括在风电机组上安装加速度传感器、声音传感器和电流传感器等多种类型的传感器,实时采集风电机组的运行状态数据。
S2、对步骤S1采集到的数据进行数据预处理,包括去噪、归一化和特征提取;
去噪处理采用Butterworth低通滤波器,传递函数为:
H(s)=1/(1+(s/ωc)2n);
其中,s表示复频率,ωc表示截止频率,n表示滤波器阶数。
特征提取包括对预处理后的数据进行快速傅里叶变换进行频谱分析,频谱分析的公式为:
X(k)=Σ[x(n)*e(-j2πnk/N)];
其中,x(n)表示原始数据,N表示数据长度,k表示频率索引。
S3、将步骤S2预处理后的数据输入到基于人工智能和机器学习的故障诊断模型中,识别故障类型和故障原因;
故障诊断模型采用混合模型,包括神经网络、支持向量机、决策树和深度学习算法,通过集成学习技术融合多种算法,提高故障诊断的准确性和鲁棒性;具有自适应学习功能,可根据新的故障数据自动调整参数和结构,以适应风电机组的运行特性和故障模式的变化。
S4、基于步骤S3识别的结果生成针对性的维修建议;
S5、基于步骤S3识别的结果预测潜在故障发生的时间,并提供预警信息。
故障预测与预警模块采用基于支持向量回归的预测方法,通过选择合适的核函数和参数进行预测。
本发明通过在风电机组上安装加速度传感器、声音传感器和电流传感器,实时采集风电机组的运行状态数据,从而解决了数据采集不全面的问题。同时,采用Butterworth低通滤波器进行去噪处理,以及使用快速傅里叶变换进行频谱分析,有效地提取出有用的信息,去除无关的噪声;此外,采用混合模型,包括神经网络、支持向量机、决策树和深度学习算法,通过集成学习技术融合多种算法,提高了故障诊断的准确性。并且,通过基于支持向量回归的预测方法,可以预测潜在故障发生的时间,并提供预警信息,从而提前进行维修,避免更大的损失。因此,本发明有效地解决了现有技术中风电机组故障诊断准确性不足、数据采集不全面等问题。
请参阅图2,本发明再一个实施例中,提供一种风电机组故障监测系统,该系统能够用于实现上述风电机组故障监测方法,具体的,该风电机组故障监测系统包括数据采集模块、数据预处理模块、故障诊断模型模块、维修建议生成模块以及故障预测与预警模块。
其中,数据采集模块,对风电机组的运行状态数据进行数据采集;
数据预处理模块,对数据采集模块采集到的数据进行数据预处理;
故障诊断模型模块,将数据预处理模块预处理后的数据输入到基于人工智能和机器学习的故障诊断模型中,识别故障类型和故障原因;
维修建议生成模块,基于故障诊断模型模块识别的故障类型和故障原因生成针对性的维修建议;
故障预测与预警模块,基于故障诊断模型模块识别的结果预测潜在故障发生的时间,并提供预警信息。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,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,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于风电机组故障监测方法的操作,包括:
对风电机组的运行状态数据进行数据采集;对采集到的数据进行数据预处理;将预处理后的数据输入到基于人工智能和机器学习的故障诊断模型中,识别故障类型和故障原因;基于识别的故障类型和故障原因生成针对性的维修建议;基于识别的结果预测潜在故障发生的时间,并提供预警信息。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关风电机组故障监测方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
对风电机组的运行状态数据进行数据采集;对采集到的数据进行数据预处理;将预处理后的数据输入到基于人工智能和机器学习的故障诊断模型中,识别故障类型和故障原因;基于识别的故障类型和故障原因生成针对性的维修建议;基于识别的结果预测潜在故障发生的时间,并提供预警信息。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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,都属于本发明保护的范围。
实施例1
在风力发电场的风电机组故障监测系统中采用本发明所述的方法和系统。首先,在风电机组上安装加速度传感器、声音传感器、电流传感器等多种类型的传感器,实时采集风电机组的运行状态数据。这些数据通过无线传输方式传输至数据处理中心。
在数据处理中心,数据预处理模块对采集到的数据进行去噪、归一化和特征提取等操作。
具体地,该模块可以采用Butterworth低通滤波器进行去噪处理,其传递函数为:
H(s)=1/(1+(s/ωc)2n)
其中,s表示复频率,ωc表示截止频率,n表示滤波器阶数。根据实际需要,可以选择适当的截止频率(例如,ωc=500Hz)和滤波器阶数(例如,n=3)。
经过去噪处理后,再采用标准化处理器对数据进行归一化处理。具体地,可以使用以下公式将数据归一化到[0,1]区间:
x_normalized=(x-min(x))/(max(x)-min(x))
接着,特征提取模块对预处理后的数据进行特征提取。例如,可以使用快速傅里叶变换(FFT)进行频谱分析。频谱分析的公式为:
X(k)=Σ[x(n)*e(-j2πnk/N)]
其中,x(n)表示原始数据,N表示数据长度,k表示频率索引。
将提取到的特征输入到基于人工智能和机器学习的故障诊断模型中,模型自动识别故障类型和故障原因。该模型采用混合模型,包括神经网络、支持向量机、决策树和深度学习等算法。通过集成学习技术融合多种算法,提高故障诊断的准确性和鲁棒性。同时,具有自适应学习功能,可根据新的故障数据自动调整参数和结构,以适应风电机组的运行特性和故障模式的变化。
根据故障诊断模型的诊断结果,维修建议生成模块生成针对性的维修建议,并提供给操作人员。此模块有助于提高维修效率,降低维修成本。
故障预测与预警模块负责预测潜在故障发生的时间,并提供预警信息。通过分析历史故障数据和实时运行数据,采用基于人工智能和机器学习的预测算法,实现对风电机组潜在故障发生的预测,并向操作人员提供预警信息。在本实施例中,采用了一种基于贝叶斯网络的故障预测方法,能够更准确地预测故障发生的时间。
首先根据历史数据构建一个贝叶斯网络,包括节点(代表故障类型、故障原因等因素)和边(代表因素间的概率关系)。然后,根据实时运行数据计算各节点的条件概率,从而得到故障发生的概率预测。为了提高预测准确性,可以采用粒子滤波算法或卡尔曼滤波算法对贝叶斯网络进行在线更新。
实施例2
本实施例中,风电机组故障监测系统同样应用于风力发电场。在数据预处理阶段,采用了一种基于小波变换的去噪方法。首先选择一个合适的小波基函数ψ(t)(例如,Daubechies小波)和分解层数L(例如,L=4),然后对原始信号进行小波分解,得到各层小波系数。设置一个阈值T(例如,T=0.1),将小波系数中小于T的值设为0,然后进行小波重构,得到去噪后的信号。
在特征提取阶段,采用了一种基于经验模态分解(EMD)的方法。首先对原始信号进行EMD分解,得到一组固有模态函数(IMF)。然后对每个IMF进行能量计算,作为特征值输入到故障诊断模型中。能量计算公式为:
E(i)=Σ[IMF(i,t)^2]
其中,i表示IMF索引,t表示时间。
故障诊断模型采用卷积神经网络(CNN)与长短时记忆网络(LSTM)的结合。该混合模型能够充分利用卷积神经网络在特征提取方面的优势,以及长短时记忆网络在处理时序数据方面的优势,从而提高故障诊断的准确性。具体地,可以设置3个卷积层和2个LSTM层,根据实际需要选择适当的卷积核大小(例如,3x3)和LSTM单元数(例如,128)。
根据故障诊断模型的诊断结果,维修建议生成模块生成针对性的维修建议,并提供给操作人员。此模块有助于提高维修效率,降低维修成本。同时,通过对历史维修记录和故障案例的分析,该模块能够为操作人员提供更详细、更具针对性的维修方案,从而提高整个维修过程的效率。
故障预测与预警模块负责预测潜在故障发生的时间,并提供预警信息。在本实施例中,采用了一种基于支持向量回归(SVR)的预测方法。支持向量回归利用核技巧将原始数据映射到高维空间中,通过最小化结构化风险来学习回归模型。支持向量回归的优点在于可以处理非线性关系,具有较好的泛化能力。根据实际需要,可以选择合适的核函数(例如,径向基核函数)和参数(例如,惩罚参数C和核函数参数γ)。
首先,利用历史故障数据和相应的特征数据训练支持向量回归模型。然后,根据实时运行数据计算特征值,并输入到支持向量回归模型中,得到故障发生的预测时间。根据预测结果,故障预测与预警模块向操作人员发出预警信息,并提供相应的故障防范措施。这样可以有效降低故障发生的概率,提高风电机组的运行可靠性和安全性。
以上两个实施例都展示了本发明所述的风电机组故障监测方法和系统在实际应用中的具体操作流程和技术细节。通过采用本发明所述的方法和系统,可以有效提高风电机组故障诊断的准确性和预测能力,降低维修成本,提高风电机组的运行效率和安全性。
综上所述,本发明一种风电机组故障监测方法及系统,具有以下优点:
1.实时监测:通过在风电机组上安装加速度传感器、声音传感器和电流传感器,可以实时采集风电机组的运行状态数据,及时发现风电机组的异常情况。
2.数据预处理:通过使用Butterworth低通滤波器进行去噪处理,以及使用快速傅里叶变换进行频谱分析,可以有效地提取出有用的信息,去除无关的噪声。
3.高准确性的故障诊断:采用混合模型,包括神经网络、支持向量机、决策树和深度学习算法,通过集成学习技术融合多种算法,可以提高故障诊断的准确性。
4.预测潜在故障:通过基于支持向量回归的预测方法,可以预测潜在故障发生的时间,并提供预警信息,从而提前进行维修,避免更大的损失。
5.针对性的维修建议:基于识别的故障类型和故障原因生成针对性的维修建议,提高维修效率,减少维修成本。
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,即将所述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。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元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。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等,需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种风电机组故障监测方法,其特征在于,包括以下步骤:
S1、对风电机组的运行状态数据进行数据采集;
S2、对步骤S1采集到的数据进行数据预处理;
S3、将步骤S2预处理后的数据输入到基于人工智能和机器学习的故障诊断模型中,识别故障类型和故障原因;
S4、基于步骤S3识别的故障类型和故障原因生成针对性的维修建议;
S5、基于步骤S3识别的结果预测潜在故障发生的时间,并提供预警信息。
2.根据权利要求1所述的风电机组故障监测方法,其特征在于,步骤S1中,在风电机组上安装加速度传感器、声音传感器和电流传感器,实时采集风电机组的运行状态数据。
3.根据权利要求1所述的风电机组故障监测方法,其特征在于,步骤S2中,去噪处理采用Butterworth低通滤波器,特征提取包括对预处理后的数据进行快速傅里叶变换进行频谱分析。
4.根据权利要求3所述的风电机组故障监测方法,其特征在于,Butterworth低通滤波器的传递函数为:
H(s)=1/(1+(s/ωc)2n);
其中,s表示复频率,ωc表示截止频率,n表示滤波器阶数。
5.根据权利要求3所述的风电机组故障监测方法,其特征在于,频谱分析为:
X(k)=Σ[x(n)*e(-j2πnk/N)];
其中,x(n)表示原始数据,N表示数据长度,k表示频率索引。
6.根据权利要求1所述的风电机组故障监测方法,其特征在于,步骤S3中,故障诊断模型采用混合模型,包括神经网络、支持向量机、决策树和深度学习算法,通过集成学习技术融合多种算法;采用基于支持向量回归的预测方法,通过选择核函数和参数进行预测。
7.一种风电机组故障监测系统,其特征在于,包括:
数据采集模块,对风电机组的运行状态数据进行数据采集;
数据预处理模块,对数据采集模块采集到的数据进行数据预处理;
故障诊断模型模块,将数据预处理模块预处理后的数据输入到基于人工智能和机器学习的故障诊断模型中,识别故障类型和故障原因;
维修建议生成模块,基于故障诊断模型模块识别的故障类型和故障原因生成针对性的维修建议;
故障预测与预警模块,基于故障诊断模型模块识别的结果预测潜在故障发生的时间,并提供预警信息。
8.根据权利要求7所述的风电机组故障监测系统,其特征在于,数据预处理模块包括去噪子模块和特征提取子模块,去噪子模块采用Butterworth低通滤波器,特征提取子模块包括对预处理后的数据进行快速傅里叶变换进行频谱分析。
9.根据权利要求8所述的风电机组故障监测系统,其特征在于,Butterworth低通滤波器的传递函数为:
H(s)=1/(1+(s/ωc)2n);
其中,s表示复频率,ωc表示截止频率,n表示滤波器阶数。
10.根据权利要求8所述的风电机组故障监测系统,其特征在于,频谱分析为:
X(k)=Σ[x(n)*e(-j2πnk/N)];
其中,x(n)表示原始数据,N表示数据长度,k表示频率索引。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889866.1A CN116717437A (zh) | 2023-07-19 | 2023-07-19 | 一种风电机组故障监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889866.1A CN116717437A (zh) | 2023-07-19 | 2023-07-19 | 一种风电机组故障监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116717437A true CN116717437A (zh) | 2023-09-08 |
Family
ID=87867954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310889866.1A Pending CN116717437A (zh) | 2023-07-19 | 2023-07-19 | 一种风电机组故障监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116717437A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150414A (zh) * | 2023-10-17 | 2023-12-01 | 广东迅扬科技股份有限公司 | 一种故障诊断方法 |
CN117390496A (zh) * | 2023-12-08 | 2024-01-12 | 骊阳(广东)节能科技股份有限公司 | 面向工业燃气发电机组系统的运行信息识别方法及系统 |
CN117786373A (zh) * | 2024-02-28 | 2024-03-29 | 山东鑫林纸制品有限公司 | 一种基于大数据的瓦楞纸加工的设备运行诊断系统 |
-
2023
- 2023-07-19 CN CN202310889866.1A patent/CN116717437A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150414A (zh) * | 2023-10-17 | 2023-12-01 | 广东迅扬科技股份有限公司 | 一种故障诊断方法 |
CN117150414B (zh) * | 2023-10-17 | 2024-04-12 | 广东迅扬科技股份有限公司 | 一种故障诊断方法 |
CN117390496A (zh) * | 2023-12-08 | 2024-01-12 | 骊阳(广东)节能科技股份有限公司 | 面向工业燃气发电机组系统的运行信息识别方法及系统 |
CN117390496B (zh) * | 2023-12-08 | 2024-03-29 | 骊阳(广东)节能科技股份有限公司 | 面向工业燃气发电机组系统的运行信息识别方法及系统 |
CN117786373A (zh) * | 2024-02-28 | 2024-03-29 | 山东鑫林纸制品有限公司 | 一种基于大数据的瓦楞纸加工的设备运行诊断系统 |
CN117786373B (zh) * | 2024-02-28 | 2024-05-03 | 山东鑫林纸制品有限公司 | 一种基于大数据的瓦楞纸加工的设备运行诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116717437A (zh) | 一种风电机组故障监测方法及系统 | |
Wang et al. | A new tool wear monitoring method based on multi-scale PCA | |
Zhang et al. | Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network | |
Timusk et al. | Fault detection using transient machine signals | |
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
CN112486097A (zh) | 一种基于模型算法的切割平台磨损状态监测方法、系统及可读存储介质 | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN114157513B (zh) | 基于改进卷积神经网络的车联网入侵检测方法及设备 | |
Tang et al. | A wind turbine bearing fault diagnosis method based on fused depth features in time–frequency domain | |
CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
CN116186578A (zh) | 风电机组故障辨识方法、装置及终端设备 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
Jia et al. | Review on engine vibration fault analysis based on data mining | |
CN116089813A (zh) | 一种基于机器学习的风电机组传动链故障诊断方法 | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
CN117473445B (zh) | 基于极限学习机的设备异常分析方法及装置 | |
CN117685176A (zh) | 一种机组状态监测方法和系统 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
Strączkiewicz et al. | The use of a fuzzy logic approach for integration of vibration-based diagnostic features of rolling element bearings | |
Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set | |
CN116642696A (zh) | 铁路轴承健康监测方法、装置、系统、终端及存储介质 | |
CN113516023B (zh) | 设备振动异常诊断方法和系统 | |
Hambaba et al. | Multiresolution error detection on early fatigue cracks in gears | |
CN115310499A (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN117033913A (zh) | 基于电力设备画像的异常检测方法及设备、存储介质 |
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 |