CN116733688A - 一种风力发电机组的运行监测方法、装置、设备及介质 - Google Patents

一种风力发电机组的运行监测方法、装置、设备及介质 Download PDF

Info

Publication number
CN116733688A
CN116733688A CN202310514542.XA CN202310514542A CN116733688A CN 116733688 A CN116733688 A CN 116733688A CN 202310514542 A CN202310514542 A CN 202310514542A CN 116733688 A CN116733688 A CN 116733688A
Authority
CN
China
Prior art keywords
data
generating set
wind generating
tested
vibration signal
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
Application number
CN202310514542.XA
Other languages
English (en)
Inventor
王凯
武宗豪
韩若朗
黄硕
吴晓笛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202310514542.XA priority Critical patent/CN116733688A/zh
Publication of CN116733688A publication Critical patent/CN116733688A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • 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
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Graphics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Development (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Sustainable Energy (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种风力发电机组的运行监测方法、装置、设备及介质，在获取到待测风力发电机组的运行数据、运行环境数据和采集运行数据的坐标数据后，先基于三维建模软件和三维驱动引擎根据待测风力发电机组的结构尺寸获得与风力发电机组物理实体结构一一映射的数字虚拟实体，在将运行数据、运行环境数据、采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据，并将孪生数据和风力发电机组数字孪生模型传输给用户端，从而使得用户能够在用户端显示风力发电机组数字孪生模型，并在风力发电机组数字孪生模型上显示物理仿真数据，进而完成了风力发电机组的运行监测。

Description

一种风力发电机组的运行监测方法、装置、设备及介质
技术领域
本发明涉及数字孪生技术领域，尤其涉及一种风力发电机组的运行监测方法、装置、设备及介质。
背景技术
目前，风力发电机的设计与应用已经日趋成熟，而作为风力发电系统的核心部件，风力发电机变流器是实现风力发电并网发电的电力电子设备，具有技术难度高、结构复杂的特点。如何对风力发电机组进行运行状态的监测，通过监测获得的数据及时进行设备调整，以降低风力发电机组运行维护成本是一个需要关注的问题。数字孪生技术是一种基于实时传感数据和历史数据的仿真过程，孪生体能够在数字空间中完成对物理实体的精准映射，从而真实反映物理实体的各阶段、全要素信息，具有实时性、高保真性、高集成度等特点。
目前数字孪生技术建模的研究在机床、生产车间等领域运用较为广泛，而针对风力发电机组运行环境、运行过程的实时行为捕捉的运用较少，因此风电变流器的运行监测并不准确。
因此，亟需一种风力发电机组的运行监测策略，从而解决风力发电机组运行数据监测不准确的问题。
发明内容
本发明实施例提供一种风力发电机组的运行监测方法、装置、设备及介质，以提高风力发电机组运行数据监测的准确率。
为了解决上述问题，本发明一实施例提供一种风力发电机组的运行监测方法，包括：
获取待测风力发电机组的运行数据、运行环境数据和采集运行数据的坐标数据；
将所述运行数据、所述运行环境数据、所述采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据；其中，所述孪生数据包括：位置数据和物理仿真数据；所述风力发电机组数字孪生模型为：三维建模软件和三维驱动引擎根据待测风力发电机组的结构尺寸获得与风力发电机组物理实体结构一一映射的数字虚拟实体；
将所述孪生数据和所述风力发电机组数字孪生模型传输给用户端，以使用户端根据所述位置数据在所述风力发电机组数字孪生模型上显示所述待测风力发电机组的物理仿真数据。
作为上述方案的改进，所述将所述运行数据、所述运行环境数据、所述采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据，包括：
在动力学仿真软件中，进行参数设置操作，并在完成所述参数设置操作后进行仿真，进而获得待测风力发电机组的孪生数据；其中，所述参数设置操作，包括：确定在所述风力发电机组数字孪生模型中与所述采集运行数据的坐标数据对应的位置数据，基于所述风力发电机组数字孪生模型的位置数据，输入与位置数据对应的运行数据，基于所述运行环境数据设置所述风力发电机组数字孪生模型的运行场景。
作为上述方案的改进，在所述获得待测风力发电机组的孪生数据之后，还包括：
根据所述物理仿真数据，基于分形理论提取振动信号特征数据；
将所述振动信号特征数据传输至预设的故障诊断神经网络模型中，输出获得所述振动信号特征数据对应的故障类型；其中，所述预设的故障诊断神经网络模型通过将标记有故障类型的历史振动信号特征数据输入到神经网络中训练获得；
将所述故障类型传输给用户端，以使用户端根据所述故障类型进行待测风力发电机组的报警提醒。
作为上述方案的改进，述故障诊断神经网络模型的训练方法，包括：
获取与待测风力发电机组对应的若干组历史振动信号特征数据；
对每组历史振动信号特征数据进行故障类型标记，获得标记有故障类型的历史振动信号特征数据；
将标记有故障类型的历史振动信号特征数据输入到PNN概率神经网络中进行训练，获得故障诊断神经网络模型。
作为上述方案的改进，在所述将所述运行数据、所述运行环境数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真之前，还包括：
对待处理数据执行异常处理操作；其中，所述待处理数据包括：所述运行数据和所述运行环境数据；
所述异常处理操作包括：
在待处理数据的传输过程中检测到异频异构数据时，则通过超文本传输协议处理第一采样频率数据，通过套接字处理第二采样频率数据；其中，所述第一采样频率数据为低于采样阈值的待处理数据；所述第二采样频率数据为高于采样阈值的待处理数据；
在待处理数据的传输过程中检测到网络波动时，则在待处理数据中添加长度字符，并通过TCP协议处理添加长度字符后的待处理数据；其中，所述长度字符为代表待处理数据的字符串长度。
相应的，本发明一实施例还提供了一种风力发电机组的运行监测装置，包括：数据获取模块、数据仿真模块和数据显示模块；
所述数据获取模块，用于获取待测风力发电机组的运行数据、运行环境数据和采集运行数据的坐标数据；
所述数据仿真模块，用于将所述运行数据、所述运行环境数据、所述采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据；其中，所述孪生数据包括：位置数据和物理仿真数据；所述风力发电机组数字孪生模型为：三维建模软件和三维驱动引擎根据待测风力发电机组的结构尺寸获得与风力发电机组物理实体结构一一映射的数字虚拟实体；
所述数据显示模块，用于将所述孪生数据和所述风力发电机组数字孪生模型传输给用户端，以使用户端根据所述位置数据在所述风力发电机组数字孪生模型上显示所述待测风力发电机组的物理仿真数据。
作为上述方案的改进，所述数据仿真模块，包括：
在动力学仿真软件中，进行参数设置操作，并在完成所述参数设置操作后进行仿真，进而获得待测风力发电机组的孪生数据；其中，所述参数设置操作，包括：确定在所述风力发电机组数字孪生模型中与所述采集运行数据的坐标数据对应的位置数据，基于所述风力发电机组数字孪生模型的位置数据，输入与位置数据对应的运行数据，基于所述运行环境数据设置所述风力发电机组数字孪生模型的运行场景
作为上述方案的改进，在所述获得待测风力发电机组的孪生数据之后，还包括：
根据所述物理仿真数据，基于分形理论提取振动信号特征数据；
将所述振动信号特征数据传输至预设的故障诊断神经网络模型中，输出获得所述振动信号特征数据对应的故障类型；其中，所述预设的故障诊断神经网络模型通过将标记有故障类型的历史振动信号特征数据输入到神经网络中训练获得；
将所述故障类型传输给用户端，以使用户端根据所述故障类型进行待测风力发电机组的报警提醒。
作为上述方案的改进，所述故障诊断神经网络模型的训练方法，包括：
获取与待测风力发电机组对应的若干组历史振动信号特征数据；
对每组历史振动信号特征数据进行故障类型标记，获得标记有故障类型的历史振动信号特征数据；
将标记有故障类型的历史振动信号特征数据输入到PNN概率神经网络中进行训练，获得故障诊断神经网络模型。
作为上述方案的改进，在所述将所述运行数据、所述运行环境数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真之前，还包括：
对待处理数据执行异常处理操作；其中，所述待处理数据包括：所述运行数据和所述运行环境数据；
所述异常处理操作包括：
在待处理数据的传输过程中检测到异频异构数据时，则通过超文本传输协议处理第一采样频率数据，通过套接字处理第二采样频率数据；其中，所述第一采样频率数据为低于采样阈值的待处理数据；所述第二采样频率数据为高于采样阈值的待处理数据；
在待处理数据的传输过程中检测到网络波动时，则在待处理数据中添加长度字符，并通过TCP协议处理添加长度字符后的待处理数据；其中，所述长度字符为代表待处理数据的字符串长度。
相应的，本发明一实施例还提供了一种计算机终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如本发明所述的一种风力发电机组的运行监测方法。
相应的，本发明一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明所述的一种风力发电机组的运行监测方法。
由上可见，本发明具有如下有益效果：
本发明提供了一种风力发电机组的运行监测方法，在获取到待测风力发电机组的运行数据、运行环境数据和采集运行数据的坐标数据后，先基于三维建模软件和三维驱动引擎根据待测风力发电机组的结构尺寸获得与风力发电机组物理实体结构一一映射的风力发电机组数字孪生模型，在将运行数据、运行环境数据、采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据，并将孪生数据和风力发电机组数字孪生模型传输给用户端，从而使得用户能够在用户端显示风力发电机组数字孪生模型，并在风力发电机组数字孪生模型上显示物理仿真数据，进而完成了风力发电机组的运行监测。本发明通过构建与风力发电机组结构一一对应的数字孪生模型，并通过采集到的运行数据、运行环境数据和采集点的坐标，对数字孪生模型进行运行参数设置，进而通过动力学仿真模型仿真获得孪生数据，从而向用户端准确、清晰地展示当前风力发电机组的运行状况，提高了风力发电机组的监测准确率。
进一步地，本发明一实施例针对风力发电机组的振动信号特征与故障类型的联系，通过神经网络进行故障类型识别，再结合本发明所构建的风力发电机组数字孪生模型，能够在故障发生时，精准判断故障类型及位置，从而能够及时对故障进行处理，缩小了由于故障而造成的损失，且有利于延长风力发电机组的使用寿命。
附图说明
图1是本发明一实施例提供的风力发电机组的运行监测方法的流程示意图；
图2是本发明一实施例提供的风力发电机组的运行监测装置的结构示意图；
图3是本发明一实施例提供的故障诊断神经网络模型的训练方法；
图4是本发明一实施例提供的一种终端设备结构示意图。
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。
实施例一
参见图1，图1是本发明一实施例提供的一种风力发电机组的运行监测方法的流程示意图，如图1所示，本实施例包括步骤101至步骤103，各步骤具体如下：
步骤101：获取待测风力发电机组的运行数据、运行环境数据和采集运行数据的坐标数据。
在本实施例中，通过设置于待测风力发电机组不同坐标的位移传感器、角度传感器、振动传感器和压力传感器进行数据采集，从而获得运行数据以及采集运行数据的坐标数据(所述采集运行数据的坐标数据可以理解为位移传感器、角度传感器、振动传感器和压力传感器的位置坐标)，并通过温度传感器、湿度传感器采集运行环境数据。
步骤102：将所述运行数据、所述运行环境数据、所述采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据；其中，所述孪生数据包括：位置数据和物理仿真数据；所述风力发电机组数字孪生模型为：三维建模软件和三维驱动引擎根据待测风力发电机组的结构尺寸获得与风力发电机组物理实体结构一一映射的数字虚拟实体。
在本实施例中，所述将所述运行数据、所述运行环境数据、所述采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据，包括：
在动力学仿真软件中，进行参数设置操作，并在完成所述参数设置操作后进行仿真，进而获得待测风力发电机组的孪生数据；其中，所述参数设置操作，包括：确定在所述风力发电机组数字孪生模型中与所述采集运行数据的坐标数据对应的位置数据，基于所述风力发电机组数字孪生模型的位置数据，输入与位置数据对应的运行数据，基于所述运行环境数据设置所述风力发电机组数字孪生模型的运行场景。
在一具体的实施例中，为加快驱动速度，避免在使用实际数据对风力发电机组数字孪生模型进行驱动的过程中，实时驱动物理孪生模型往往会造成较大的网络延迟的问题，构建历史数据库用于存储待测风力发电机组的物理仿真数据，在进行风力发电机组物理模型驱动时，可以基于历史数据进行快速驱动；
接收风力发电机组的运行数据和运行环境数据之后，根据实际工况(即本发明所述采集运行数据的坐标数据)，在动力学仿真软件中对风力发电机组数字孪生模型进行物理仿真，并将相关物理仿真数据存储至历史数据库，当进行风力发电机组实时数据传输时，可以从历史数据库中实时调用数据实现快速驱动。
在一具体的实施例中，风力发电机组数字孪生模型的构建方法具体为：首先，使用3DMAX软件(即本发明所述的三维建模软件)并结合风力发电机组的性能、结构和尺寸参数，建立风力发电机组的三维模型；
在3DMAX软件中建立了风力发电机组的模型之后，将其储存为FBX.的格式，将图像及其余信息存储到一个文件夹中，输入到Unity3d文件(即本发明所述的三维驱动引擎)中，最终实现与风力发电机组物理实体一一映射的数字孪生体的构建，构建风力发电机组的虚拟实体。
在本实施例中，在所述将所述运行数据、所述运行环境数据、所述采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真之前，还包括：
对待处理数据执行异常处理操作；其中，所述待处理数据包括：所述运行数据和所述运行环境数据；
所述异常处理操作包括：
在待处理数据的传输过程中检测到异频异构数据时，则通过超文本传输协议处理第一采样频率数据，通过套接字处理第二采样频率数据；其中，所述第一采样频率数据为低于采样阈值的待处理数据；所述第二采样频率数据为高于采样阈值的待处理数据；
在待处理数据的传输过程中检测到网络波动时，则在待处理数据中添加长度字符，并通过TCP协议处理添加长度字符后的待处理数据；其中，所述长度字符为代表待处理数据的字符串长度。
在一具体的实施例中，在传输运行数据和运行环境数据时，通过数据流通道进行风力发电机组各类数据信息的传送，并执行以下操作：
若在传输过程中遇到异频异构数据，采用多线程方式对异频数据进行传输。对于几何数据中的位移传感器、角度传感器等采样频率较低的数据，打包后由超文本传输协议(HTTP)进行获取；对于振动传感器、压力传感器等采样频率较高且需求较大的数据，采用套接字(Socket)方式进行获取；
若在传输过程中发生网络波动，使用长度信息法解决该问题。数据传输过程中发生的网络波动可能会导致数据在缓冲端堆积等问题，为避免该问题，因此在数据发送前添加一个代表数据字符串长度的字符。按照TCP协议机制，使得接收到的信息与发送时一致。
步骤103：将所述孪生数据和所述风力发电机组数字孪生模型传输给用户端，以使用户端根据所述位置数据在所述风力发电机组数字孪生模型上显示所述待测风力发电机组的物理仿真数据。
在一具体的实施例中，用户端为在软件Unity中搭建UI界面。
在一具体的实施例中，用户端使用数字孪生技术，利用采集到的风力发电机组的孪生数据，并调用风力发电机组历史数据库中的数据作为诊断网络的训练样本，以PNN概率神经网络为基础，实现风力发电机组的故障诊断模型建立，实现风力发电机组的故障诊断，并在UI界面中将仿真获得的风力发电机组的孪生数据和诊断获得的故障类型进行可视化展示，用户可通过用户端的人机交互模块实时观测风力发电机组的状态，在故障发生时，可快速判断故障类型，为后续决策提供便利。
在一具体的实施例中，用户端还包括：在线互动仿真模块，能实现与用户或模型算法的仿真互动，实现对各种操作、故障或工况的仿真，并在此基础上做出反馈，对运行优化、故障预警等提供支撑。
在本实施例中，在所述获得待测风力发电机组的孪生数据之后，还包括：
根据所述物理仿真数据，基于分形理论提取振动信号特征数据；
将所述振动信号特征数据传输至预设的故障诊断神经网络模型中，输出获得所述振动信号特征数据对应的故障类型；其中，所述预设的故障诊断神经网络模型通过将标记有故障类型的历史振动信号特征数据输入到神经网络中训练获得；
将所述故障类型传输给用户端，以使用户端根据所述故障类型进行待测风力发电机组的报警提醒。
在一具体的实施例中，待测风力发电机组的诊断方法，包括：
根据构建的风力发电机组数字孪生模型进行孪生数据的特征提取，并产生一系列含有潜在故障的序列(即本发明所述的物理仿真数据)；
将一系列含有潜在故障的序列作为故障诊断系统的输入数据，为实现数字孪生技术的实时性特点，采用分形理论对输入数据进行处理，获得待测风力发电机组的振动信号特征数据；
将振动信号特征数据作为输入数据，通过PNN概率神经网络对风力发电机组进行了数字孪生系统的故障诊断并将诊断结果输出。
在一具体的实施例中，由于风力发电机组正常运行状态下的振动信号特征与故障状态下的振动信号特征具有明显区别，并且不同的故障具有不同的振动信号特征，因此可以通过对多分形数据的分析进行风力发电机组的实时监控与故障诊断。
在本实施例中，所述故障诊断神经网络模型的训练方法，包括：
获取与待测风力发电机组对应的若干组历史振动信号特征数据；
对每组历史振动信号特征数据进行故障类型标记，获得标记有故障类型的历史振动信号特征数据；
将标记有故障类型的历史振动信号特征数据输入到PNN概率神经网络中进行训练，获得故障诊断神经网络模型。
在一具体的实施例中，基于PNN神经网络故障诊断的具体方法如图4所示：将若干组历史振动信号特征数据按照6：4的比例分为训练集和验证集，接收到训练集的历史振动信号特征数据之后，对PNN网络进行初始化，在输入层输入训练集的历史振动信号特征数据并训练PNN神经网络，将验证集的历史振动信号特征数据输入经过训练的神经网络，之后进行概率预测并将预测结果从输出层输出。
参见图2，图2是本发明一实施例提供的一种风力发电机组的运行监测装置的结构示意图，包括：数据获取模块201、数据仿真模块202和数据显示模块203；
所述数据获取模块201，用于获取待测风力发电机组的运行数据、运行环境数据和采集运行数据的坐标数据；
所述数据仿真模块202，用于将所述运行数据、所述运行环境数据、所述采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据；其中，所述孪生数据包括：位置数据和物理仿真数据；所述风力发电机组数字孪生模型为：三维建模软件和三维驱动引擎根据待测风力发电机组的结构尺寸获得与风力发电机组物理实体结构一一映射的数字虚拟实体；
所述数据显示模块203，用于将所述孪生数据和所述风力发电机组数字孪生模型传输给用户端，以使用户端根据所述位置数据在所述风力发电机组数字孪生模型上显示所述待测风力发电机组的物理仿真数据。
可以理解的是，上述装置项实施例是与本发明方法项实施例相对应的，其可以实现本发明上述任意一项方法项实施例提供的基于物联网的工业生产设备运行监控的方法。
本实施例在获取到待测风力发电机组的运行数据、运行环境数据和采集运行数据的坐标数据后，先基于三维建模软件和三维驱动引擎根据待测风力发电机组的结构尺寸获得与风力发电机组物理实体结构一一映射的数字虚拟实体，在将运行数据、运行环境数据、采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据，并将孪生数据和风力发电机组数字孪生模型传输给用户端，从而使得用户能够在用户端显示风力发电机组数字孪生模型，并在风力发电机组数字孪生模型上显示物理仿真数据，进而完成了风力发电机组的运行监测。本实施例允许使用者通过用户端实时、准确、高效地掌握风力发电机组的运行状态，并在故障发生时，精准判断故障类型及位置，并支持在线互动仿真。
实施例二
参见图4，图4是本发明一实施例提供的终端设备结构示意图。
该实施例的一种终端设备包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序。所述处理器401执行所述计算机程序时实现上述各个风力发电机组的运行监测方法在实施例中的步骤，例如图1所示的风力发电机组的运行监测方法的所有步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能，例如：图2所示的风力发电机组的运行监测装置的所有模块。
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的风力发电机组的运行监测方法。
本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，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，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401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，所述处理器401是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器402可用于存储所述计算机程序和/或模块，所述处理器401通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器402内的数据，实现所述终端设备的各种功能。所述存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种风力发电机组的运行监测方法，其特征在于，包括：
获取待测风力发电机组的运行数据、运行环境数据和采集运行数据的坐标数据；
将所述运行数据、所述运行环境数据、所述采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据；其中，所述孪生数据包括：位置数据和物理仿真数据；所述风力发电机组数字孪生模型为：三维建模软件和三维驱动引擎根据待测风力发电机组的结构尺寸获得与风力发电机组物理实体结构一一映射的数字虚拟实体；
将所述孪生数据和所述风力发电机组数字孪生模型传输给用户端，以使用户端根据所述位置数据在所述风力发电机组数字孪生模型上显示所述待测风力发电机组的物理仿真数据。
2.根据权利要求1所述的风力发电机组的运行监测方法，其特征在于，所述将所述运行数据、所述运行环境数据、所述采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据，包括：
在动力学仿真软件中，进行参数设置操作，并在完成所述参数设置操作后进行仿真，进而获得待测风力发电机组的孪生数据；其中，所述参数设置操作，包括：确定在所述风力发电机组数字孪生模型中与所述采集运行数据的坐标数据对应的位置数据，基于所述风力发电机组数字孪生模型的位置数据，输入与位置数据对应的运行数据，基于所述运行环境数据设置所述风力发电机组数字孪生模型的运行场景。
3.根据权利要求1所述的风力发电机组的运行监测方法，其特征在于，在所述获得待测风力发电机组的孪生数据之后，还包括：
根据所述物理仿真数据，基于分形理论提取振动信号特征数据；
将所述振动信号特征数据传输至预设的故障诊断神经网络模型中，输出获得所述振动信号特征数据对应的故障类型；其中，所述预设的故障诊断神经网络模型通过将标记有故障类型的历史振动信号特征数据输入到神经网络中训练获得；
将所述故障类型传输给用户端，以使用户端根据所述故障类型进行待测风力发电机组的报警提醒。
4.根据权利要求3所述的风力发电机组的运行监测方法，其特征在于，所述故障诊断神经网络模型的训练方法，包括：
获取与待测风力发电机组对应的若干组历史振动信号特征数据；
对每组历史振动信号特征数据进行故障类型标记，获得标记有故障类型的历史振动信号特征数据；
将标记有故障类型的历史振动信号特征数据输入到PNN概率神经网络中进行训练，获得故障诊断神经网络模型。
5.根据权利要求1所述的风力发电机组的运行监测方法，其特征在于，在所述将所述运行数据、所述运行环境数据、所述采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真之前，还包括：
对待处理数据执行异常处理操作；其中，所述待处理数据包括：所述运行数据和所述运行环境数据；
所述异常处理操作包括：
在待处理数据的传输过程中检测到异频异构数据时，则通过超文本传输协议处理第一采样频率数据，通过套接字处理第二采样频率数据；其中，所述第一采样频率数据为低于采样阈值的待处理数据；所述第二采样频率数据为高于采样阈值的待处理数据；
在待处理数据的传输过程中检测到网络波动时，则在待处理数据中添加长度字符，并通过TCP协议处理添加长度字符后的待处理数据；其中，所述长度字符为代表待处理数据的字符串长度。
6.一种风力发电机组的运行监测装置，其特征在于，包括：数据获取模块、数据仿真模块和数据显示模块；
所述数据获取模块，用于获取待测风力发电机组的运行数据、运行环境数据和采集运行数据的坐标数据；
所述数据仿真模块，用于将所述运行数据、所述运行环境数据、所述采集运行数据的坐标数据和预设的风力发电机组数字孪生模型输入至动力学仿真软件中进行仿真，获得待测风力发电机组的孪生数据；其中，所述孪生数据包括：位置数据和物理仿真数据；所述风力发电机组数字孪生模型为：三维建模软件和三维驱动引擎根据待测风力发电机组的结构尺寸获得与风力发电机组物理实体结构一一映射的数字虚拟实体；
所述数据显示模块，用于将所述孪生数据和所述风力发电机组数字孪生模型传输给用户端，以使用户端根据所述位置数据在所述风力发电机组数字孪生模型上显示所述待测风力发电机组的物理仿真数据。
7.根据权利要求6所述的风力发电机组的运行监测装置，其特征在于，在所述获得待测风力发电机组的孪生数据之后，还包括：
根据所述物理仿真数据，基于分形理论提取振动信号特征数据；
将所述振动信号特征数据传输至预设的故障诊断神经网络模型中，输出获得所述振动信号特征数据对应的故障类型；其中，所述预设的故障诊断神经网络模型通过将标记有故障类型的历史振动信号特征数据输入到神经网络中训练获得；
将所述故障类型传输给用户端，以使用户端根据所述故障类型进行待测风力发电机组的报警提醒。
8.根据权利要求7所述的风力发电机组的运行监测装置，其特征在于，所述故障诊断神经网络模型的训练方法，包括：
获取与待测风力发电机组对应的若干组历史振动信号特征数据；
对每组历史振动信号特征数据进行故障类型标记，获得标记有故障类型的历史振动信号特征数据；
将标记有故障类型的历史振动信号特征数据输入到PNN概率神经网络中进行训练，获得故障诊断神经网络模型。
9.一种计算机终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的一种风力发电机组的运行监测方法。
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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的一种风力发电机组的运行监测方法。
CN202310514542.XA 2023-05-08 2023-05-08 一种风力发电机组的运行监测方法、装置、设备及介质 Pending CN116733688A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310514542.XA CN116733688A (zh) 2023-05-08 2023-05-08 一种风力发电机组的运行监测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310514542.XA CN116733688A (zh) 2023-05-08 2023-05-08 一种风力发电机组的运行监测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116733688A true CN116733688A (zh) 2023-09-12

Family

ID=87900166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310514542.XA Pending CN116733688A (zh) 2023-05-08 2023-05-08 一种风力发电机组的运行监测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116733688A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117006002A (zh) * 2023-09-27 2023-11-07 广东海洋大学 基于数字孪生的海上风力发电机监测方法及系统
CN117744387A (zh) * 2023-12-22 2024-03-22 南京天溯自动化控制系统有限公司 基于数字孪生的医院临床保障和机电设备智能诊断方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117006002A (zh) * 2023-09-27 2023-11-07 广东海洋大学 基于数字孪生的海上风力发电机监测方法及系统
CN117006002B (zh) * 2023-09-27 2024-02-09 广东海洋大学 基于数字孪生的海上风力发电机监测方法及系统
CN117744387A (zh) * 2023-12-22 2024-03-22 南京天溯自动化控制系统有限公司 基于数字孪生的医院临床保障和机电设备智能诊断方法
CN117744387B (zh) * 2023-12-22 2024-06-11 南京天溯自动化控制系统有限公司 基于数字孪生的医院临床保障和机电设备智能诊断方法

Similar Documents

Publication Publication Date Title
CN116733688A (zh) 一种风力发电机组的运行监测方法、装置、设备及介质
CN113190886A (zh) 一种基于快速仿真数字孪生技术的设备健康监测方法
CN112149329B (zh) 核电厂关键设备的状态预演方法、系统、设备及存储介质
CN110865607A (zh) 一种基于数字孪生的五轴数控机床控制方法
CN114545828B (zh) 分散控制系统运行逻辑展示方法、装置、设备及存储介质
CN113752264A (zh) 基于数字孪生的机械臂智能装备控制方法及系统
DE112021002946T5 (de) Diagnosevorrichtung, Server und Diagnoseverfahren
CN115720233A (zh) 一种工业设备控制方法、装置及计算机可读存储介质
CN114254414A (zh) 面向数字孪生的旋转机组虚拟现实方法、装置、电子设备
CN112698632B (zh) 一种全自动化生产线数字孪生系统、方法及设备
CN112985867B (zh) 舵机测试方法、装置、设备及存储介质
CN111737067A (zh) 一种硬盘故障预测模型解释方法及装置
CN116540563A (zh) 一种自动驾驶的仿真测试系统
CN116681959A (zh) 基于机器学习的锋线识别方法、装置、存储介质及终端
CN115496911A (zh) 一种目标点检测方法、装置、设备及存储介质
CN114415575A (zh) 实时数据驱动的焊接车间三维虚拟监控与智能预警系统
CN114064485A (zh) 一种软件测试方法、系统、计算机设备及可读存储介质
CN112395695A (zh) 一种实时建立仿真场景的方法及系统
CN115409944B (zh) 基于低代码数字孪生的三维场景渲染及数据修正系统
TWI692249B (zh) 監控終端及監控方法
CN110958435A (zh) 一种数字化生产监控系统
CN117608894B (zh) 日志的存储方法、装置、计算机设备及存储介质
CN113627031B (zh) 一种基于数字孪生技术的模型展示系统及方法
CN117152324B (zh) 基于三维播放器的数据驱动方法和装置
CN113591251B (zh) 设备故障温度分析诊断方法

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