CN117150411A - 一种风力发电机组轴承温度异常预警方法及装置 - Google Patents
一种风力发电机组轴承温度异常预警方法及装置 Download PDFInfo
- Publication number
- CN117150411A CN117150411A CN202311191345.5A CN202311191345A CN117150411A CN 117150411 A CN117150411 A CN 117150411A CN 202311191345 A CN202311191345 A CN 202311191345A CN 117150411 A CN117150411 A CN 117150411A
- Authority
- CN
- China
- Prior art keywords
- temperature
- preset
- bearing
- covariate
- distribution
- 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 41
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 24
- 238000000926 separation method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/187—Machine fault alarms
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风电机组故障诊断技术领域，公开了一种风力发电机组轴承温度异常预警方法及装置，本发明提供的方法包括：根据历史SCADA数据训练协变量预处理模型及状态检测模型，并不断更新权重，生成分布极限设置阈值范围，利用训练好的协变量预处理模型及状态检测模型对在线SCADA数据进行处理，生成当前分布极限数值，然后判断当前分布极限数值是否在分布极限设置阈值范围内，如果当前分布极限数值不在分布极限设置阈值内，进行故障预警，本发明提供的方法利用训练好的模型，不需要频繁更新权重，提高了运算速度。
Description
技术领域
本发明涉及风电机组故障诊断技术领域，具体涉及一种风力发电机组轴承温度异常预警方法及装置。
背景技术
轴承是风电机组重要机械部件，及时监控轴承状态，判断轴承健康状况，避免轴承故障引起的设备停机和设备维修所来的经济损失以及人员伤亡至关重要，轴承温度是影响轴承健康状态的主要因素之一，轴承温度检测需要考虑多种工况，且不同工况对轴承温度的影响权重不一样。现有技术中进行轴承温度异常预警时存在需要频繁更新权重，运算速度慢，受不同工况的影响较大的缺陷。
发明内容
有鉴于此，本发明提供了一种风力发电机组轴承温度异常预警方法及装置，以解决需要频繁更新权重，运算速度慢，受不同工况的影响较大的问题。
第一方面，本发明提供了一种风力发电机组轴承温度异常预警方法，所述方法包括：
获取风力发电机组轴承的在线SCADA数据，并对获取的在线SCADA数据进行预处理；
建立协变量预处理模型，利用协变量预处理模型对预处理后的数据进行处理，去除预设工况下风力发电机组轴承各个部件的温度变量，其中，利用风力发电机组轴承的历史SCADA数据训练协变量预处理模型，并不断更新权重，当更新权重满足预设条件时，生成分离预设工况下各个部件的温度；
建立状态检测模型，利用状态检测模型对去除预设工况下风力发电机组轴承各个部件的温度变量进行处理，生成当前分布极限数值，用历史各个部件的温度训练状态检测模型，状态检测模型根据历史各个部件的温度确定分布极限设置阈值；
判断当前分布极限数值是否在分布极限设置阈值范围内，如果当前分布极限数值不在分布极限设置阈值内，进行故障预警。
本发明提供的风力发电机组轴承温度异常预警方法，根据历史SCADA数据训练协变量预处理模型及状态检测模型，并不断更新权重，生成分布极限设置阈值范围，利用训练好的协变量预处理模型及状态检测模型对在线SCADA数据进行处理，生成当前分布极限数值，然后判断当前分布极限数值是否在分布极限设置阈值范围内，如果当前分布极限数值不在分布极限设置阈值内，进行故障预警。利用历史SCADA数据训练协变量预处理模型及状态检测模型，当在线数据输入时，只需利用训练好的协变量预处理模型及状态检测模型确定当前分布极限数值，然后判断当前分布极限数值是否在分布极限设置阈值范围内，提高了运算速度。
在一种可选的实施方式中，利用风力发电机组轴承的历史SCADA数据训练协变量预处理模型，并不断更新权重，当更新权重满足预设条件时，生成分离预设工况下各个部件的温度，包括：
获取风力发电机组轴承的历史SCADA数据；
选取与轴承各个部件的温度变量相关的m个协变量，m为正整数；
利用第一预设公式对轴承各个部件的温度变量及与各个部件温度变量相关的m个协变量进行处理，将每个协变量分成k个区间，对每个区间进行拟合加权；
选取预设目标温度，利用预设目标函数，对拟合加权结果及目标温度进行处理，并更新权重，生成更新权重最小时的变量；
利用第二预设公式，根据更新权重最小时的变量，生成分离预设工况下各个部件的温度。
本发明提供的风力发电机组轴承温度异常预警方法，利用第一预设公式、预设目标函数及第二预设公式，对历史SCADA数据进行训练，不断更新权重变量，当更新权重最小时的变量，生成分离预设工况下各个部件的温度。当在线数据输入时，不必频繁更新权重，减小了计算量。
在一种可选的实施方式中，第一预设公式通过以下公式表示：
其中，zm(t)表示t时刻第m个协变量，对第m个协变量zm(t)分成Km个区间，h()为三次样条插值函数，βmk为第m个协变量第k个区间的权重，g(zt)为各协变量影响温度变化的加权和。
本发明提供的风力发电机组轴承温度异常预警方法，根据历史数据将各部件温度变量与其相关的协变量采用三次样条插值函数训练得到最优权重，生成各协变量影响温度变化的加权和，为下一步做铺垫，提高计算的准确性及计算效率。
在一种可选的实施方式中，预设目标函数通过以下公式表示：
其中，为更新权重β最小时的变量，yi(t)为t时刻i部件的预设目标温度。
本发明提供的风力发电机组轴承温度异常预警方法，通过预设目标函数生成更新权重最小时的变量，提高了计算的准确性及效率。
在一种可选的实施方式中，第二预设公式通过以下公式表示：
其中，xi(t)为分离预设工况下t时刻i部件的温度。
本发明提供的风力发电机组轴承温度异常预警方法，基于上述的计算结果，通过第二预设公式计算分离预设工况下t时刻i部件的温度xi(t)，为下一步计算做铺垫，提高了计算的准确性及效率。
在一种可选的实施方式中，用历史各个部件的温度训练状态检测模型，状态检测模型根据历史各个部件的温度确定分布极限设置阈值包括：
利用第三预设公式，根据分离预设工况下各个部件的温度，生成温度协方差矩阵；
利用第四预设公式，根据温度协方差矩阵，计算得出霍特林T2分布；
利用预设分布函数对霍特林T2分布进行处理，生成统计分布极限确定分布极限设置阈值。
本发明提供的风力发电机组轴承温度异常预警方法，通过训练状态检测模型，生成统计分布极限确定分布极限设置阈值，将分布极限设置阈值作为状态检测模型的基准，提高了计算的准确性及效率。
在一种可选的实施方式中，第三预设公式通过以下公式表示：
S＝XTX/(n-1)
其中，n表示前n时刻为正常状态下的温度变量矩阵，S为协方差矩阵。
本发明提供的风力发电机组轴承温度异常预警方法，通过第三预设公式减小了预设工况的影响，提高了计算的准确性及效率。
在一种可选的实施方式中，第四预设公式通过以下公式表示：
其中，Tt 2表示t时刻霍特林T2分布。
在一种可选的实施方式中，预设分布函数为高斯核函数。
第二方面，本发明提供了一种风力发电机组轴承温度异常预警装置，所述装置包括：
预处理模块，用于获取风力发电机组轴承的在线SCADA数据，并对获取的在线SCADA数据进行预处理；
温度去除模块，用于建立协变量预处理模型，利用协变量预处理模型对预处理后的数据进行处理，去除预设工况下风力发电机组轴承各个部件的温度变量，其中，利用风力发电机组轴承的历史SCADA数据训练协变量预处理模型，并不断更新权重，当更新权重满足预设条件时，生成分离预设工况下各个部件的温度；
状态检测模块，用于建立状态检测模型，利用状态检测模型对去除预设工况下风力发电机组轴承各个部件的温度变量进行处理，生成当前分布极限数值，用历史各个部件的温度训练状态检测模型，状态检测模型根据历史各个部件的温度确定分布极限设置阈值；
预警模块，用于判断当前分布极限数值是否在分布极限设置阈值范围内，如果当前分布极限数值不在分布极限设置阈值内，进行故障预警。
在一种可选的实施方式中，温度去除模块包括：
历史SCADA数据获取单元，用于获取风力发电机组轴承的历史SCADA数据；
协变量选取单元，用于选取与轴承各个部件的温度变量相关的m个协变量，m为正整数；
拟合加权单元，用于利用第一预设公式对轴承各个部件的温度变量及与各个部件温度变量相关的m个协变量进行处理，将每个协变量分成k个区间，对每个区间进行拟合加权；
权重更新单元，用于选取预设目标温度，利用预设目标函数，对拟合加权结果及目标温度进行处理，并更新权重，生成更新权重最小时的变量；
温度分离单元，用于利用第二预设公式，根据更新权重最小时的变量，生成分离预设工况下各个部件的温度。
在一种可选的实施方式中，状态检测模块包括：
温度协方差举证生成单元，用于利用第三预设公式，根据分离预设工况下各个部件的温度，生成温度协方差矩阵；
霍特林T2分布计算单元，用于利用第四预设公式，根据温度协方差矩阵，计算得出霍特林T2分布；
分布极限设置阈值确定单元，用于利用预设分布函数对霍特林T2分布进行处理，生成统计分布极限确定分布极限设置阈值。
在一种可选的实施方式中，布极限设置阈值确定单元中的预设分布函数为高斯核函数。
第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的风力发电机组轴承温度异常预警方法。
第四方面，本发明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指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的风力发电机组轴承温度异常预警方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的风力发电机组轴承温度异常预警方法的流程图；
图2是根据本发明实施例的另一风力发电机组轴承温度异常预警方法的流程图；
图3是根据本发明实施例的风力发电机组轴承温度异常预警装置的结构框图；
图4是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
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。基于本发明中的实施例，本领域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。
根据本发明实施例，提供了一种风力发电机组轴承温度异常预警方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种风力发电机组轴承温度异常预警方法，可用于上述的移动终端，如手机、平板电脑等，图1是根据本发明实施例的风力发电机组轴承温度异常预警方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取风力发电机组轴承的在线SCADA数据，并对获取的在线SCADA数据进行预处理。
在一具体实施例中，实时获取风力发电机组轴承的在线SCADA数据，其中，SCADA数据包括轴承各部件的温度数据、环境温度、风速、功率和转速等协变量数据，仅以此举例，不以此为限，在实际应用中根据实际情况获取相应的SCADA数据，预处理的方式在此不作限制，根据实际情况选取相应的预处理方式，预处理可以采用现有技术中常用的方式进行处理，在此不作限制。
步骤S102，建立协变量预处理模型，利用协变量预处理模型对预处理后的数据进行处理，去除预设工况下风力发电机组轴承各个部件的温度变量，其中，利用风力发电机组轴承的历史SCADA数据训练协变量预处理模型，并不断更新权重，当更新权重满足预设条件时，生成分离预设工况下各个部件的温度。
在本发明实施例中，如图2所示，利用风力发电机组轴承的历史SCADA数据训练协变量预处理模型，并不断更新权重，当更新权重满足预设条件时，生成分离预设工况下各个部件的温度的步骤，包括：
步骤a1，获取风力发电机组轴承的历史SCADA数据；
步骤a2，选取与轴承各个部件的温度变量相关的m个协变量，m为正整数；
在一具体实施例中，协变量从SCADA数据中选取，可以是环境温度，风速，功率和转速等，仅以此举例，不以此为限，在实际应用中根据实际情况选取相应的协变量，协变量的数量在此不作限制，根据实际情况进行相应的选取。
步骤a3，利用第一预设公式对轴承各个部件的温度变量及与各个部件温度变量相关的m个协变量进行处理，将每个协变量分成k个区间，对每个区间进行拟合加权；
第一预设公式通过以下公式表示：
其中，zm(t)表示t时刻第m个协变量，对第m个协变量zm(t)分成Km个区间，h()为三次样条插值函数，βmk为第m个协变量第k个区间的权重，g(zt)为各协变量影响温度变化的加权和。
步骤a4，选取预设目标温度，利用预设目标函数，对拟合加权结果及目标温度进行处理，并更新权重，生成更新权重最小时的变量；
预设目标函数通过以下公式表示：
其中，为更新权重β最小时的变量，yi(t)为t时刻i部件的预设目标温度。
在一具体实施例中，预设目标温度在此不作限制，根据实际情况选取相应的温度，根据历史数据训练得到最优权重即权重最小时的变量。
步骤a5，利用第二预设公式，根据更新权重最小时的变量，生成分离预设工况下各个部件的温度。
第二预设公式通过以下公式表示：
其中，xi(t)为分离预设工况下t时刻i部件的温度。
步骤S103，建立状态检测模型，利用状态检测模型对去除预设工况下风力发电机组轴承各个部件的温度变量进行处理，生成当前分布极限数值，用历史各个部件的温度训练状态检测模型，状态检测模型根据历史各个部件的温度确定分布极限设置阈值。
在本发明实施例中，如图2所示，用历史各个部件的温度训练状态检测模型，状态检测模型根据历史各个部件的温度确定分布极限设置阈值的步骤，包括：
步骤b1，利用第三预设公式，根据分离预设工况下各个部件的温度，生成温度协方差矩阵；
第三预设公式通过以下公式表示：
S＝XTX/(n-1)
其中，n表示前n时刻为正常状态下的温度变量矩阵，S为协方差矩阵。
步骤b2，利用第四预设公式，根据温度协方差矩阵，计算得出霍特林T2分布；
第四预设公式通过以下公式表示：
其中，Tt 2表示t时刻霍特林T2分布。
步骤b3，利用预设分布函数对霍特林T2分布进行处理，生成统计分布极限确定分布极限设置阈值。
在本发明实施例中，预设分布函数为高斯核函数，仅以此举例，不以此为限，在实际应用中根据实际情况选取相应的分布函数。
步骤S104，判断当前分布极限数值是否在分布极限设置阈值范围内，如果当前分布极限数值不在分布极限设置阈值内，进行故障预警。
在一具体的实施例中，当在线数据输入时，可直接根据历史时刻正常状态下的阈值进行检测，判断是否为异常状态。当在线数据输入时，不必频繁更新权重，避免运算速度减慢，根据协变量及其各部分权重即可减小工况影响。
本实施例提供的风力发电机组轴承温度异常预警方法，通过历史数据训练得到满足预设条件的更新权重，当在线数据输入时，不必频繁更新权重，提高了运算速度。
在本实施例中还提供了一种风力发电机组轴承温度异常预警装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种风力发电机组轴承温度异常预警装置，如图3所示，包括：
预处理模块301，用于获取风力发电机组轴承的在线SCADA数据，并对获取的在线SCADA数据进行预处理；
温度去除模块302，用于建立协变量预处理模型，利用协变量预处理模型对预处理后的数据进行处理，去除预设工况下风力发电机组轴承各个部件的温度变量，其中，利用风力发电机组轴承的历史SCADA数据训练协变量预处理模型，并不断更新权重，当更新权重满足预设条件时，生成分离预设工况下各个部件的温度；
状态检测模块303，用于建立状态检测模型，利用状态检测模型对去除预设工况下风力发电机组轴承各个部件的温度变量进行处理，生成当前分布极限数值，用历史各个部件的温度训练状态检测模型，状态检测模型根据历史各个部件的温度确定分布极限设置阈值；
预警模块304，用于判断当前分布极限数值是否在分布极限设置阈值范围内，如果当前分布极限数值不在分布极限设置阈值内，进行故障预警。
在一些可选的实施方式中，温度去除模块包括：
历史SCADA数据获取单元，用于获取风力发电机组轴承的历史SCADA数据；
协变量选取单元，用于选取与轴承各个部件的温度变量相关的m个协变量，m为正整数；
拟合加权单元，用于利用第一预设公式对轴承各个部件的温度变量及与各个部件温度变量相关的m个协变量进行处理，将每个协变量分成k个区间，对每个区间进行拟合加权；
权重更新单元，用于选取预设目标温度，利用预设目标函数，对拟合加权结果及目标温度进行处理，并更新权重，生成更新权重最小时的变量；
温度分离单元，用于利用第二预设公式，根据更新权重最小时的变量，生成分离预设工况下各个部件的温度。
在一些可选的实施方式中，第一预设公式通过以下公式表示：
其中，zm(t)表示t时刻第m个协变量，对第m个协变量zm(t)分成Km个区间，h()为三次样条插值函数，βmk为第m个协变量第k个区间的权重，g(zt)为各协变量影响温度变化的加权和。
在一些可选的实施方式中，预设目标函数通过以下公式表示：
其中，为更新权重β最小时的变量，yi(t)为t时刻i部件的预设目标温度。
在一些可选的实施方式中，第二预设公式通过以下公式表示：
其中，xi(t)为分离预设工况下t时刻i部件的温度。
在一些可选的实施方式中，状态检测模块包括：
温度协方差举证生成单元，用于利用第三预设公式，根据分离预设工况下各个部件的温度，生成温度协方差矩阵；
霍特林T2分布计算单元，用于利用第四预设公式，根据温度协方差矩阵，计算得出霍特林T2分布；
分布极限设置阈值确定单元，用于利用预设分布函数对霍特林T2分布进行处理，生成统计分布极限确定分布极限设置阈值。
在一些可选的实施方式中，分布极限设置阈值确定单元中的预设分布函数为高斯核函数。
在一些可选的实施方式中，第三预设公式通过以下公式表示：
S＝XTX/(n-1)
其中，n表示前n时刻为正常状态下的温度变量矩阵，S为协方差矩阵。
在一些可选的实施方式中，第四预设公式通过以下公式表示：
其中，Tt 2表示t时刻霍特林T2分布。
在一些可选的实施方式中，预设分布函数为高斯核函数。
本实施例中的风力发电机组轴承温度异常预警装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图3所示的风力发电机组轴承温度异常预警装置。
请参阅图4，图4是本发明可选实施例提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以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、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (15)
1.一种风力发电机组轴承温度异常预警方法，其特征在于，所述方法包括：
获取风力发电机组轴承的在线SCADA数据，并对获取的在线SCADA数据进行预处理；
建立协变量预处理模型，利用协变量预处理模型对预处理后的数据进行处理，去除预设工况下风力发电机组轴承各个部件的温度变量，其中，利用风力发电机组轴承的历史SCADA数据训练协变量预处理模型，并不断更新权重，当更新权重满足预设条件时，生成分离预设工况下各个部件的温度；
建立状态检测模型，利用状态检测模型对去除预设工况下风力发电机组轴承各个部件的温度变量进行处理，生成当前分布极限数值，用历史各个部件的温度训练状态检测模型，状态检测模型根据历史各个部件的温度确定分布极限设置阈值；
判断当前分布极限数值是否在分布极限设置阈值范围内，如果当前分布极限数值不在分布极限设置阈值内，进行故障预警。
2.根据权利要求1所述的方法，其特征在于，利用风力发电机组轴承的历史SCADA数据训练协变量预处理模型，并不断更新权重，当更新权重满足预设条件时，生成分离预设工况下各个部件的温度，包括：
获取风力发电机组轴承的历史SCADA数据；
选取与轴承各个部件的温度变量相关的m个协变量，m为正整数；
利用第一预设公式对轴承各个部件的温度变量及与各个部件温度变量相关的m个协变量进行处理，将每个协变量分成k个区间，对每个区间进行拟合加权；
选取预设目标温度，利用预设目标函数，对拟合加权结果及目标温度进行处理，并更新权重，生成更新权重最小时的变量；
利用第二预设公式，根据更新权重最小时的变量，生成分离预设工况下各个部件的温度。
3.根据权利要求2所述的方法，其特征在于，第一预设公式通过以下公式表示：
其中，zm(t)表示t时刻第m个协变量，对第m个协变量zm(t)分成Km个区间，h()为三次样条插值函数，βmk为第m个协变量第k个区间的权重，g(zt)为各协变量影响温度变化的加权和。
4.根据权利要求3所述的方法，其特征在于，预设目标函数通过以下公式表示：
其中，为更新权重β最小时的变量，yi(t)为t时刻i部件的预设目标温度。
5.根据权利要求4所述的方法，其特征在于，第二预设公式通过以下公式表示：
其中，xi(t)为分离预设工况下t时刻i部件的温度。
6.根据权利要求5所述的方法，其特征在于，用历史各个部件的温度训练状态检测模型，状态检测模型根据历史各个部件的温度确定分布极限设置阈值包括：
利用第三预设公式，根据分离预设工况下各个部件的温度，生成温度协方差矩阵；
利用第四预设公式，根据温度协方差矩阵，计算得出霍特林T2分布；
利用预设分布函数对霍特林T2分布进行处理，生成统计分布极限确定分布极限设置阈值。
7.根据权利要求6所述的方法，其特征在于，第三预设公式通过以下公式表示：
S＝XTX/(n-1)
其中，表示前n时刻为正常状态下的温度变量矩阵，S为协方差矩阵。
8.根据权利要求7所述的方法，其特征在于，第四预设公式通过以下公式表示：
其中，Tt 2表示t时刻霍特林T2分布。
9.根据权利要求8所述的方法，其特征在于，预设分布函数为高斯核函数。
10.一种风力发电机组轴承温度异常预警装置，其特征在于，所述装置包括：
预处理模块，用于获取风力发电机组轴承的在线SCADA数据，并对获取的在线SCADA数据进行预处理；
温度去除模块，用于建立协变量预处理模型，利用协变量预处理模型对预处理后的数据进行处理，去除预设工况下风力发电机组轴承各个部件的温度变量，其中，利用风力发电机组轴承的历史SCADA数据训练协变量预处理模型，并不断更新权重，当更新权重满足预设条件时，生成分离预设工况下各个部件的温度；
状态检测模块，用于建立状态检测模型，利用状态检测模型对去除预设工况下风力发电机组轴承各个部件的温度变量进行处理，生成当前分布极限数值，用历史各个部件的温度训练状态检测模型，状态检测模型根据历史各个部件的温度确定分布极限设置阈值；
预警模块，用于判断当前分布极限数值是否在分布极限设置阈值范围内，如果当前分布极限数值不在分布极限设置阈值内，进行故障预警。
11.根据权利要求10所述的装置，其特征在于，温度去除模块包括：
历史SCADA数据获取单元，用于获取风力发电机组轴承的历史SCADA数据；
协变量选取单元，用于选取与轴承各个部件的温度变量相关的m个协变量，m为正整数；
拟合加权单元，用于利用第一预设公式对轴承各个部件的温度变量及与各个部件温度变量相关的m个协变量进行处理，将每个协变量分成k个区间，对每个区间进行拟合加权；
权重更新单元，用于选取预设目标温度，利用预设目标函数，对拟合加权结果及目标温度进行处理，并更新权重，生成更新权重最小时的变量；
温度分离单元，用于利用第二预设公式，根据更新权重最小时的变量，生成分离预设工况下各个部件的温度。
12.根据权利要求11所述的装置，其特征在于，状态检测模块包括：
温度协方差举证生成单元，用于利用第三预设公式，根据分离预设工况下各个部件的温度，生成温度协方差矩阵；
霍特林T2分布计算单元，用于利用第四预设公式，根据温度协方差矩阵，计算得出霍特林T2分布；
分布极限设置阈值确定单元，用于利用预设分布函数对霍特林T2分布进行处理，生成统计分布极限确定分布极限设置阈值。
13.根据权利要求12所述的装置，其特征在于，分布极限设置阈值确定单元中的预设分布函数为高斯核函数。
14.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至9中任一项所述的风力发电机组轴承温度异常预警方法。
15.一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上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至9中任一项所述的风力发电机组轴承温度异常预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311191345.5A CN117150411A (zh) | 2023-09-14 | 2023-09-14 | 一种风力发电机组轴承温度异常预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311191345.5A CN117150411A (zh) | 2023-09-14 | 2023-09-14 | 一种风力发电机组轴承温度异常预警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117150411A true CN117150411A (zh) | 2023-12-01 |
Family
ID=88902399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311191345.5A Pending CN117150411A (zh) | 2023-09-14 | 2023-09-14 | 一种风力发电机组轴承温度异常预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150411A (zh) |
-
2023
- 2023-09-14 CN CN202311191345.5A patent/CN117150411A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991666A (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
| CN116009480A (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
| CN110689141B (zh) | 风力发电机组的故障诊断方法及设备 | |
| CN111242323A (zh) | 用于修理机器次优操作的主动自动系统和方法 | |
| CN110688617B (zh) | 风机振动异常检测方法及装置 | |
| CN110119787B (zh) | 一种旋转型机械设备工况检测方法及设备 | |
| CN110704964A (zh) | 汽轮机运行状态诊断方法、装置及电子设备、存储介质 | |
| CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
| CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| CN112975983B (zh) | 作业机械的动臂矫正方法及装置 | |
| CN111191838A (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
| CN112855460B (zh) | 风电机组轴系实时疲劳寿命预测方法、系统、介质及设备 | |
| CN113640024B (zh) | 挖掘机故障诊断方法、挖掘机、电子设备及存储介质 | |
| CN116894539A (zh) | 一种服装生产监测方法、系统及介质 | |
| WO2023072724A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
| CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
| CN116992274B (zh) | 基于改进主成分回归模型的短期风速预测方法及系统 | |
| CN116226676B (zh) | 适用于极端环境的机床故障预测模型生成方法及相关设备 | |
| CN117150411A (zh) | 一种风力发电机组轴承温度异常预警方法及装置 | |
| CN117057772A (zh) | 一种设备故障检测维修实时跟踪展示方法及系统 | |
| CN113529845A (zh) | 挖掘机故障诊断方法、挖掘机、电子设备及可读存储介质 | |
| CN114192583B (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和系统 | |
| CN115374653A (zh) | 基于nset模型的风力发电机温度预警方法及相关装置 | |
| CN114021744A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
| CN113348473B (zh) | 管理人工智能模块的安装基础 |
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 |