WO2025179751A1 - 一种风电机组发电机振动数据快速评估方法及系统 - Google Patents

一种风电机组发电机振动数据快速评估方法及系统

Info

Publication number
WO2025179751A1
WO2025179751A1 PCT/CN2024/105530 CN2024105530W WO2025179751A1 WO 2025179751 A1 WO2025179751 A1 WO 2025179751A1 CN 2024105530 W CN2024105530 W CN 2024105530W WO 2025179751 A1 WO2025179751 A1 WO 2025179751A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
wind turbine
vibration
matrix
generator
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
PCT/CN2024/105530
Other languages
English (en)
French (fr)
Other versions
WO2025179751A9 (zh
Inventor
高晨
童博
谢小军
张丽辉
宋子琛
张宝锋
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.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
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 Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Publication of WO2025179751A1 publication Critical patent/WO2025179751A1/zh
Publication of WO2025179751A9 publication Critical patent/WO2025179751A9/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression

Definitions

  • the present application relates to the field of new energy wind power generation, and specifically to a method and system for quickly evaluating vibration data of a wind turbine generator.
  • the blades, hubs and components of the transmission chain rigidly connected to the hub are prone to failure.
  • failures related to the wind turbine transmission chain cause the longest downtime and have the greatest impact on power production.
  • the generator in the transmission chain is an important rotating mechanical-electrical component. Failure may cause extremely serious accidents such as cabin fire, runaway, and tower collapse. Therefore, the existing means is to monitor the vibration data of the generator in real time during the operation of the wind turbine, and use vibration monitoring and analysis technology to perform fault diagnosis and early warning.
  • Time domain analysis, frequency domain analysis, time-frequency domain superposition analysis and other means are often used to predict the potential hidden dangers of the wind turbine and predict possible future failures, so as to take timely measures to improve the reliability of the wind turbine operation.
  • the sampling frequency of the vibration data of existing generators is high, the data volume is huge, and the real-time analysis of data requires huge calculations. If offline analysis is used, the vibration data of the wind turbine is sampled at a high frequency and the data volume is huge. The analysis methods are not timely enough. There is an urgent need for a rapid assessment method for wind turbine generator vibration data to ensure rapid and accurate assessment of generator status while reducing the workload of data analysis.
  • the present application provides a method for quickly evaluating vibration data of a wind turbine generator, comprising the following steps:
  • Step 1 Acquire the current day operation data of the wind turbine to be tested, wherein the current day operation data includes a time tag, operating power, and generator vibration signal;
  • Step 2 construct a two-dimensional plane scatter plot based on the running data of the day;
  • Step 3 Combining the obtained two-dimensional plane scatter plot with a preset regression function to evaluate the vibration state of the wind turbine to be tested;
  • the preset regression function construction method is:
  • a two-dimensional plane scatter plot is constructed based on the current day's operating data.
  • the specific method is:
  • the operating power in the operating data of the day is used as the x-axis, and the generator vibration signal in the operating data of the day is used as the y-axis to construct a two-dimensional plane scatter plot.
  • the matrix is divided according to the time label to obtain multiple sub-matrices, and the specific method is:
  • the data with the same value in the corresponding month in the time label are grouped together to obtain multiple sub-matrices.
  • the data of each sub-matrix is preprocessed to obtain a preprocessed sub-matrix.
  • the specific method of preprocessing the data of each sub-matrix is:
  • each removed sub-matrix is rearranged in ascending order, and divided into multiple small sub-matrices according to the preset power window;
  • feature extraction is performed on the non-distorted compressed data, specifically by:
  • the obtained non-distorted compressed data is sorted and reconstructed in order of operating power from small to large, and the result is to reconstruct the data;
  • the operating power in the reconstructed data is taken as the x-axis, and the generator vibration signal in the reconstructed data is taken as the y-axis to construct a two-dimensional plane scatter plot;
  • the K-means clustering method is used to identify the upper boundary points of the two-dimensional plane scatter plot and obtain a point set
  • the vibration of the generator set under test is normal on that day; it is recorded as class0 (i.e., the 0th state classification);
  • ⁇ 1 is the dynamic anomaly threshold
  • ⁇ 2 is the dynamic offset threshold
  • r is the number of point sets, and:
  • Step 4 Record the results of the evaluation of the lossless compressed data in step 3 on the same day, and assign a value to each state classification: class2 (i.e., the second state classification) is assigned a value of 2, class1 (i.e., the first state classification) is assigned a value of 1, and class0 (i.e., the 0th state classification) is assigned a value of 0;
  • class2 i.e., the second state classification
  • class1 i.e., the first state classification
  • class0 i.e., the 0th state classification
  • Score>30 the generator has experienced a significant long-term state deviation and maintenance should be arranged
  • vibration data By combining vibration data with a preset regression function, daily assessments are conducted, and the assessment results are synthesized every 30 days. Appropriate inspection and maintenance measures are taken based on the different comprehensive scores. This helps identify generator status deviations to the greatest extent possible and ensure unit safety.
  • a wind turbine generator vibration data rapid assessment system comprising:
  • a scatter plot construction unit is used to construct a two-dimensional plane scatter plot based on the current day's operating data
  • the vibration state evaluation unit is used to combine the obtained two-dimensional plane scatter plot with a preset regression function to evaluate the vibration state of the wind turbine to be tested.
  • the present invention has the following advantages:
  • Figure 1 is the overall technical diagram
  • Figure 2 is a flow chart of the data acquisition and preprocessing method and system
  • FIG3 is a flow chart of a method and system for data lossless compression
  • FIG4 is a flow chart of the feature extraction method and system
  • Figure 5 is a flowchart of the evaluation method and system.
  • this embodiment provides a method and system for rapidly evaluating wind turbine generator vibration data, which includes data acquisition and preprocessing, data non-distortion compression, feature extraction, and final evaluation. Specifically, the following steps are included:
  • Step 1 This application uses wind turbine #1 in the target wind farm as an example.
  • the data acquired includes the operating time tag T, operating power P, and vibration signal V collected by the generator vibration acceleration sensor of wind turbine #1 in the previous year as of the day to be analyzed.
  • the sampling frequency here is 10kHz, which can form the data matrix A:
  • A is a matrix with n rows and 3 columns; n represents the number of data collection points of wind turbine #1 in the previous year; T 1 , T 2 , ... , T i , ... , T n are the time tags in the collected data, and their format is 20XX-MM-DD:HH-FF-SS-UUUUU, where XX represents the "year” in the corresponding time tag, MM corresponds to "month”, DD corresponds to "day”, HH corresponds to "hour”, FF corresponds to "minute”, SS corresponds to "second”, and UUUUUU corresponds to "ten microseconds"; P 1 , P 2 , ... , P i , ... , P n are the operating powers corresponding to the time tags; V 1 , V 2 , ... , V i , ... , V n are the vibration signals collected by the generator vibration acceleration sensor corresponding to the time tags.
  • Step 2 Divide matrix A into twelve sub-matrices as follows:
  • A1 is the operating data obtained for the #1 wind turbine in that month of the previous year;
  • A2 is the operating data obtained for the #1 wind turbine in the next month of the previous year, and so on,
  • A12 is the operating data obtained for the #1 wind turbine in the previous month of this year.
  • Step 3 Preprocess A 1 , A 2 , ..., A 12 respectively.
  • a 1 matrix As an example.
  • the specific method is as follows:
  • A' 1 [A' 11 ,A' 12 ...A 110 ']
  • A'11 is the data obtained when the power of unit #1 is 0-10% of the rated power
  • A'12 is the data obtained when the power of unit #1 is 10-20% of the rated power
  • A'110 is the data obtained when the power of unit #1 is 90-100% of the rated power.
  • the 6 ⁇ principle is used to process the data of A' 11 , A' 12 ...A 110 ' respectively, and the meaningless points are eliminated.
  • A' 11 as an example, the specific method is as follows:
  • V' 11 > ⁇ ' 11 +6 ⁇ ' 11 or V' 11 ⁇ ' 11 -6 ⁇ ' 11 , then the row data corresponding to V' 11 is eliminated;
  • A' 11 is processed to obtain the matrix A′′ 11 ;
  • A′′ 11 , A′′ 12 ...A 110 ′′ in order to maximize the data authenticity and subsequent compression, no data elimination is performed.
  • the ten matrices A′′ 11 , A′′ 12 ...A 110 ′′ are sequentially combined and reordered according to the order of the time labels in the first column to obtain the sub-matrix A′′ 1 after preprocessing.
  • a 2 ,...,A 12 are processed in the same manner as above, and finally A′′ 2 ,...A′′ 12 are obtained.
  • A" is the pre-processed operating data of the #1 wind turbine in the previous year
  • A" 1 , A" 2 , ...A" 12 are the pre-processed operating data of the #1 wind turbine in the previous year from the current month to the previous month.
  • Step 4 The sampling frequency of the pre-processed #1 wind turbine operating data from the previous year in step 3 is 10kHz.
  • the data volume is huge, and direct analysis and calculation is very computationally intensive. Therefore, data non-distortion compression is required.
  • the specific method is as follows:
  • the operating data A′′ 1 is sorted in the order of time tags, which is a general high-frequency acquisition time domain sequence.
  • A′′ 1 is an m-row 3-column matrix, where the first column is the time tag, the second column is the operating power under the corresponding time tag, and the third column is the vibration signal collected by the vibration acceleration sensor under the corresponding time tag.
  • m ⁇ 100000 ⁇ 3600 ⁇ 24 ⁇ 31 2.6784 ⁇ 10 11
  • the Midimax compression algorithm is used to perform lossless compression on A′′ 1 .
  • the specific process is as follows:
  • Step 5 Extract features from the non-distorted compressed data
  • step S54 the K-means clustering method is used to identify the upper boundary points in the scatter plot in step S53 and form a point set.
  • dot O1 , dot O2 ,..., dot Ov are the coordinates of each point;
  • dot H1 , dot H2 ,..., dot Hr are the coordinates of each point;
  • ⁇ 1 and ⁇ 2 are the dynamic anomaly threshold and dynamic offset threshold respectively, and: ⁇ 2 ⁇ 1 ⁇ r.
  • this embodiment provides a system for rapidly evaluating vibration data of a wind turbine generator, including:
  • the current day data acquisition unit is used to acquire the current day operation data of the wind turbine to be tested, wherein the current day operation data includes a time tag, operating power and generator vibration signal;
  • a scatter plot construction unit is used to construct a two-dimensional plane scatter plot based on the current day's operating data
  • the vibration state evaluation unit is used to combine the obtained two-dimensional plane scatter plot with a preset regression function to evaluate the vibration state of the wind turbine to be tested.
  • This application uses a non-distortion compression method to process data. It is fast and computationally light while retaining data features. It does not introduce non-actual data and only returns a subset of the original data.
  • the feature extraction method used can update the regression curve every day to achieve accurate assessment of generator vibration.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Wind Motors (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请提供的一种风电机组发电机振动数据快速评估方法及系统，包括以下步骤：步骤1，获取待测风电机组当天运行数据，所述当天运行数据包括时间标签、运行功率和发电机振动信号；步骤2，根据当天运行数据构建二维平面散点图；步骤3，将得到的二维平面散点图与预设的回归函数进行结合，对待测风电机组的振动状态进行评估；本申请利用非失真压缩方法对数据进行处理，能够实现发电机当天的振动状态进行准确评估。

Description

一种风电机组发电机振动数据快速评估方法及系统
本申请要求在2024年2月26日提交中国专利局、申请号为202410210347.2、发明名称为“一种风电机组发电机振动数据快速评估方法及系统”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请属于新能源风力发电领域，具体涉及一种风电机组发电机振动数据快速评估方法及系统。
背景技术
风力发电机组在运行过程中，由于不断受到变化的冲击载荷作用，风电机组的叶片、轮毂以及与轮毂刚性连接的传动链上的部件：包含主轴、齿轮箱、高速轴和发电机都容易出现故障，据统计，风电机组传动链的相关故障造成停机时间最长，对电力生产影响最大，这其中，传动链中发电机作为重要的旋转机械-电气部件，故障可能导致机舱着火、飞车、倒塔等极端严重的事故。因此，现有的手段是在风电机组运行过程中实时监测发电机的振动数据，利用振动监测和分析技术进行故障诊断、预警，多通过时域分析、频域分析、时频域叠加分析等手段对风电机组可能存在的隐患进行预判，预测将来可能会出现的故障，以便于及时采取措施，提高风力发电机组运行的可靠性。然而，现有发电机的振动数据采样频率高，数据量巨大，实时分析数据计算量巨大；若采用离线分 析手段又存在时效性不佳的问题。亟需风电机组发电机振动数据快速评估方法，降低数据分析工作量的前提下保障快速准确评估发电机状态。
发明内容
本申请的目的在于提供一种风电机组发电机振动数据快速评估方法及系统，解决了现有的风力发电机故障预警方法存在的实时分析数据量大、离线分析时效不佳的缺陷，本申请能够快速处理海量高频发电机振动数据，提早发现风电机组发电机潜在的运行状态偏移，避免故障发生带来的恶劣后果即极端事件。
为了达到上述目的，本申请采用的技术方案是：
本申请提供的一种风电机组发电机振动数据快速评估方法，包括以下步骤：
步骤1，获取待测风电机组当天运行数据，所述当天运行数据包括时间标签、运行功率和发电机振动信号；
步骤2，根据当天运行数据构建二维平面散点图；
步骤3，将得到的二维平面散点图与预设的回归函数进行结合，对待测风电机组的振动状态进行评估；
其中，预设的回归函数构建方法是：
S31，获取待测风电机组上一年度的运行数据构成矩阵，所述运行数据包括时间标签、运行功率和发电机振动信号；
S32，按照时间标签将矩阵进行划分，得到多个子矩阵；
S33，将每个子矩阵的数据进行非失真压缩，得到每个子矩阵对应的非失真压缩数据；
S34，对非失真压缩数据进行特征提取，得到预设的回归函数。
可选地，步骤2中，根据当天运行数据构建二维平面散点图，具体方法是：
将当天运行数据中的运行功率作为x轴，将当天运行数据中的发电机振动信号为y轴，构建得到二维平面散点图。
可选地，S32中，按照时间标签将矩阵进行划分，得到多个子矩阵，具体方法是：
将照时间标签中对应的月为同一数值的数据作为一组，得到多个子矩阵。
可选地，在对每个子矩阵的数据进行非失真压缩之前先对每个子矩阵的数据进行预处理，得到预处理后的子矩阵。
可选地，对每个子矩阵的数据进行预处理的具体方法是：
将每个子矩阵中运行功率小于等于零对应行进行删除，得到去除子矩阵；
将每个去除子矩阵的运行功率按照由小到大的顺序进行重排，并按照预设功率窗口等分为多个小子矩阵；
将每个小子矩阵中的无意义数据点进行去除，得到处理后的小子矩阵；
将所有的处理后的小子矩阵组合并按照时间标签的顺序将进行重排，得到预处理后的子矩阵。
可选地，S33中，采用Midimax压缩算法将每个子矩阵的数据进行非失真压缩，得到每个子矩阵对应的非失真压缩数据。
可选地，S34中，对非失真压缩数据进行特征提取，具体方法是：
将得到的非失真压缩数据按照运行功率从小到大的顺序进行排序重构，得 到重构数据；
将重构数据中的运行功率为x轴，将重构数据中的发电机振动信号为y轴，构建得到二维平面散点图；
采用K-means聚类方法识别出二维平面散点图中的上边界点，得到点集合；
采用非线性回归方法构建得到点集合对应的回归函数。
可选地，步骤3中，对待测风电机组的运行状态进行评估，具体方法是：
采用K-means聚类方法识别出二维平面散点图的上边界点，得到点集合；
若点集合中有ω1个点位于回归函数的上侧，则待测发电机组当天振动存在异常；记为class2(即第二状态分类)；
若点集合中有ω2个点位于回归函数的上侧，且未存在ω1个点位于回归函数的上侧，则待测发电机组当天振动存在轻微状态偏移；记为class1(即第一状态分类)；
若点集合中位于回归函数的上侧的点数小于ω2，则待测发电机组当天振动正常；记为class0(即第0状态分类)；
其中，ω1为动态异常阈值；ω2为动态偏移阈值；r为点集合的数量，且有：
ω2<ω1<r。
步骤4，对于步骤3中经过非失真压缩的数据当天的评估后得到的结果进行记录，并且对于每一个状态分类进行赋值，class2(即第二状态分类)赋值为2，class1(即第一状态分类)赋值为1，class0(即第0状态分类)赋值为0；
每30天计算前30天的状态赋值累加Score，
若Score≤10，对于机组发电机不采取任何措施；
若10<Score≤20，采用机会检修的方式在适当时刻安排巡视；
若20<Score≤30，尽快安排巡视；
若Score>30，发电机已出现明显的长时间状态偏移，安排检修；
通过对于振动数据的与预设的回归函数进行结合，每天进行评估，每30天综合各评估结果，根据不同的综合得分值采取相应的巡视、检修措施；最大程度上识别出发电机的状态偏移，保障机组安全性。
一种风电机组发电机振动数据快速评估系统，包括：
当天数据获取单元，用于获取待测风电机组当天运行数据，所述当天运行数据包括时间标签、运行功率和发电机振动信号；
散点图构建单元，用于根据当天运行数据构建二维平面散点图；
振动状态评估单元，用于将得到的二维平面散点图与预设的回归函数进行结合，对待测风电机组的振动状态进行评估。
与现有技术相比，本申请的有益效果是：
本申请提供的一种风电机组发电机振动数据快速评估方法，采用非失真压缩数据对待测风电机组上一年度的运行数据进行处理，在保留数据特征的同时能够快速且计算量小，不引入非实际数据，只返回原始数据的子集，采用的特征提取方法能够每天更新回归函数，利用回归函数对发电机组当天的运行数据 相结合，能够得到发电机组当天振动状态，实现了发电机振动的准确评估。
附图说明
图1为整体技术图；
图2为数据获取与预处理方法及系统流程图；
图3为数据非失真压缩方法及系统流程图；
图4为特征提取方法及系统流程图；
图5为评估方法及系统流程图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
实施例1
如图1至图5所示，本实施例提供的一种风电机组发电机振动数据快速评估方法及系统，包含有数据获取与预处理、数据非失真压缩、特征提取、最终评估，具体地包括以下步骤：
步骤1，本申请以目标风电场#1风电机组为例。数据获取包含#1风电机组截止待分析当天，上一年度的运行时间标签T、运行功率P、发电机振动加速度传感器采集的振动信号V，此处采样频率为10kHz，则可以构成数据矩阵A：
其中，A为n行3列矩阵；n表示#1风电机组上一年度的数据采集点数；T1,T2,…,Ti,…,Tn为采集数据中的时间标签，其格式为20XX-MM-DD:HH-FF-SS-UUUUUU，XX表示对应时间标签中的“年”，MM对应“月”，DD对应“日”、HH对应“小时”、FF对应“分钟”，SS对应“秒”,UUUUUU对应“十微秒”；P1,P2,…,Pi,…,Pn为对应时间标签的运行功率；V1,V2,…,Vi,…,Vn为对应时间标签的发电机振动加速度传感器采集的振动信号。
步骤2，将矩阵A划分为十二个子矩阵，具体方式如下：
按照采集数据中的时间标签对矩阵A进行划分，其中，时间标签T中对应“月”为同一数值的划分为同一矩阵，则可以得到：
其中，A1为#1号风电机组上一年该月份所获取运行数据；A2为#1号风电机组上一年下一月份所获取运行数据，以此类推，A12为#1号风电机组本年度上一月份所获取运行数据。
步骤3，分别对A1,A2,…,A12进行数据预处理，此处以A1矩阵为例，具体方式如下：
首先，去除A1矩阵中第二列功率数据中小于等于0对应的行，组成去除子 矩阵A1'；
其次，将A1'矩阵第二列的运行功率按照由小到大的顺序进行重排，并进一步划分为10个小子矩阵：
A′1＝[A′11,A′12…A110']
其中，A'11为#1机组功率在0-10％额定功率条件下对应的所获取数据；A'12为#1机组功率在10-20％额定功率条件下对应的所获取数据；以此类推，A'110为#1机组功率在90-100％额定功率条件下对应的所获取数据。
采用6σ原则分别对A'11,A'12…A110'进行数据处理,剔除无意义点，以A'11为例，具体方式如下，
计算A'11中第三列振动数据的数学期望ε'11与方差σ'11；
由A'11中第三列第一个元素V'11开始进行判定，
若V'11>ε'11+6×σ'11或V'11<ε'11-6×σ'11，则剔除V'11对应行数据；
其他情况，保留该行数据；
则A'11经过处理后得到矩阵A″11；
同理，可以得到经过6σ原则处理的A″12…A110″；
最后，对于A″11,A″12…A110″，为最大限度保证数据真实以及后续压缩，不再做数据剔除处理，将该十个矩阵A″11,A″12…A110″顺序组合并重新按照第一列时间标签的顺序进行重排序，得到完成预处理后的子矩阵A″1。
同理，A2,…,A12采用如上的方式进行处理，最终得到A″2,…A″12。
则有：
其中，A”为经过预处理的#1风电机组上一年度的运行数据，A″1,A″2,…A″12分别为上一年该月份至上一月份的经过预处理的#1风电机组上一年度的运行数据。
步骤4，步骤3中经过预处理的#1风电机组上一年度的运行数据采样频率为10kHz，数据量巨大，直接分析计算计算量巨大，需要进行数据非失真压缩，具体方法如下：
此处以#1风电机组上一年度该月份的运行数据A″1进行非失真压缩为例，运行数据A″1按照时间标签的顺序进行排序，为一般高频采集时域序列，则根据步骤1-3可知，A″1为m行3列矩阵，其中，第一列为时间标签，第二列为对应时间标签下的运行功率，第三列为对应时间标签下的振动加速度传感器采集的振动信号，且有：
m≤100000×3600×24×31＝2.6784×1011
采用Midimax压缩算法对A″1开展非失真压缩，具体流程如下：
S41，向Midimax算法输入时间序列数据，即A″1和压缩系数λ，本例中，压缩系数λ远小于m，即
λ＜＜m
S42，将时间序列数据A″1拆分为大小相等的λ个非重叠窗口，则其中每个非重叠窗口大小L计算方式如下：
则原A″1分为λ个非重叠窗口对应矩阵，即
S43，对S42中的λ个非重叠窗口对应矩阵按运行功率(即对应矩阵第二列)值升序排序，得到B1、B2…、Bλ；
S44，对于B1、B2…、Bλ，此处以B1为例，选取每个矩阵中第三列(即发电机振动加速度传感器采集的振动信号)中最大的k个元素对应的行、最小的k个元素对应的行，以及最接近e1的k个元素对应的行构成矩阵C1，其中，e1表示矩阵B1中第三列(即发电机振动加速度传感器采集的振动信号)的数学期望，同理可以得到C2、C3…Cλ，则C1、C2…Cλ均为3k行3列矩阵；
S45，将S44中得到的矩阵C1、C2…Cλ按照其第二列运行功率由小到大进行重排序构成矩阵D1，D1为3×k×λ行3列矩阵，则原始m行3列矩阵A″1完成压缩为3×k×λ行3列矩阵D1；
同理，可以完成A″2,A″3,…A″12的非失真压缩，最终得到D2,D3…D12。
步骤5，对非失真压缩后的数据进行特征提取
S51，将D1,D2…D12组合为矩阵D，则矩阵D为36×k×λ行3列矩阵，其中第一列为时间标签，第二列为对应时间标签下的运行功率，第三列为对应时间标签下的振动加速度传感器采集的振动信号；
S52，将矩阵D按照其第二列运行功率由小到大进行重排序构成矩阵O；
S53，利用S52中的矩阵O构建二维平面散点图，x轴为矩阵O第二列运行功率，y轴为矩阵O第三列振动加速度传感器采集的振动信号；
S54，采用K-means聚类方法识别出S53中散点图中的上边界点，组成点集合，这组上边界点共v个，记为edgeO＝[dotO1,dotO2,…,dotOv]：
dotO1＝(xO1,yO1)
dotO2＝(xO2,yO2)
dotOv＝(xOv,yOv)
其中，dotO1,dotO2,…,dotOv为各点坐标；
S55，采用非线性回归方法，构建S54中上边界点集合edgeO的回归函数fO,回归函数fO自变量为运行功率，因变量为振动加速度传感器采集的振动信号。
步骤6，根据步骤5提取的特征对待测风电机组进行评估，以目标风电场#1风电机组为例
S61，每晚00:00，提取当天(00：00至23：59)的运行时间标签T、运行功率P、发电机振动加速度传感器采集的振动信号V，此处采样频率为10kHz，构成数据矩阵H'；
S62，去除H'矩阵中第二列功率数据中小于等于0对应的行，构成矩阵H；
S63,利用S62中的矩阵H构建二维平面散点图，x轴为矩阵H第二列运行功率，y轴为矩阵H第三列发电机振动加速度传感器采集的振动信号；
S64，采用K-means聚类方法识别出S63中散点图中的上边界点，组成点集合，这组上边界点共r个，记为edgeH＝[dotH1,dotH2,…,dotHr]，
dotH1＝(xH1,yH1)
dotH2＝(xH2,yH2)
dotHr＝(xHr,yHr)
其中，dotH1,dotH2,…,dotHr为各点坐标；
S65，对S64得到的数据进行分析判断，
若dotH1,dotH2,…,dotHr中存在ω1个点位于S55中回归函数的上侧，则评估当天发电机振动存在异常；
若dotH1,dotH2,…,dotHr中存在ω2个点位于S55中回归函数的上侧，且并未存在ω1个点位于S55中回归函数的上侧，则评估当天发电机振动存在轻微状态偏移；
若dotH1,dotH2,…,dotHr中位于S55中回归函数的上侧的点数小于ω2，则评估当天发电机振动正常；
其中ω1与ω2分别为动态异常阈值与动态偏移阈值，且有：
ω2<ω1<r。
实施例2
在实施例1的基础上，本实施例提供的一种风电机组发电机振动数据快速评估系统，包括：
当天数据获取单元，用于获取待测风电机组当天运行数据，所述当天运行数据包括时间标签、运行功率和发电机振动信号；
散点图构建单元，用于根据当天运行数据构建二维平面散点图；
振动状态评估单元，用于将得到的二维平面散点图与预设的回归函数进行结合，对待测风电机组的振动状态进行评估。
本申请采用非失真压缩方法对数据进行处理，在保留数据特征的同时能够快速且计算量小，不引入非实际数据，只返回原始数据的子集，采用的特征提取方法能够每天更新回归曲线，实现发电机振动的准确评估。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

  1. 一种风电机组发电机振动数据快速评估方法，其特征在于，包括以下步骤：
    步骤1，获取待测风电机组当天运行数据，所述当天运行数据包括时间标签、运行功率和发电机振动信号；
    步骤2，根据当天运行数据构建二维平面散点图；
    步骤3，将得到的二维平面散点图与预设的回归函数进行结合，对待测风电机组的振动状态进行评估；
    其中，预设的回归函数构建方法是：
    S31，获取待测风电机组上一年度的运行数据构成矩阵，所述运行数据包括时间标签、运行功率和发电机振动信号；
    S32，按照时间标签将矩阵进行划分，得到多个子矩阵；
    S33，将每个子矩阵的数据进行非失真压缩，得到每个子矩阵对应的非失真压缩数据；
    S34，对非失真压缩数据进行特征提取，得到预设的回归函数。
  2. 根据权利要求1所述的一种风电机组发电机振动数据快速评估方法，其特征在于，步骤2中，根据当天运行数据构建二维平面散点图，具体方法是：
    将当天运行数据中的运行功率作为x轴，将当天运行数据中的发电机振动信号为y轴，构建得到二维平面散点图。
  3. 根据权利要求1所述的一种风电机组发电机振动数据快速评估方法，其 特征在于，S32中，按照时间标签将矩阵进行划分，得到多个子矩阵，具体方法是：
    将照时间标签中对应的月为同一数值的数据作为一组，得到多个子矩阵。
  4. 根据权利要求1所述的一种风电机组发电机振动数据快速评估方法，其特征在于，在对每个子矩阵的数据进行非失真压缩之前先对每个子矩阵的数据进行预处理，得到预处理后的子矩阵。
  5. 根据权利要求4所述的一种风电机组发电机振动数据快速评估方法，其特征在于，对每个子矩阵的数据进行预处理的具体方法是：
    将每个子矩阵中运行功率小于等于零对应行进行删除，得到去除子矩阵；
    将每个去除子矩阵的运行功率按照由小到大的顺序进行重排，并按照预设功率窗口等分为多个小子矩阵；
    将每个小子矩阵中的无意义数据点进行去除，得到处理后的小子矩阵；
    将所有的处理后的小子矩阵组合并按照时间标签的顺序将进行重排，得到预处理后的子矩阵。
  6. 根据权利要求1所述的一种风电机组发电机振动数据快速评估方法，其特征在于，S33中，采用Midimax压缩算法将每个子矩阵的数据进行非失真压缩，得到每个子矩阵对应的非失真压缩数据。
  7. 根据权利要求1所述的一种风电机组发电机振动数据快速评估方法，其特征在于，S34中，对非失真压缩数据进行特征提取，具体方法是：
    将得到的非失真压缩数据按照运行功率从小到大的顺序进行排序重构，得 到重构数据；
    将重构数据中的运行功率为x轴，将重构数据中的发电机振动信号为y轴，构建得到二维平面散点图；
    采用K-means聚类方法识别出二维平面散点图中的上边界点，得到点集合；
    采用非线性回归方法构建得到点集合对应的回归函数。
  8. 根据权利要求1所述的一种风电机组发电机振动数据快速评估方法，其特征在于，步骤3中，对待测风电机组的运行状态进行评估，具体方法是：
    采用K-means聚类方法识别出二维平面散点图的上边界点，得到点集合；
    将点集合中有ω1个点位于回归函数的上侧，则待测发电机组当天振动存在异常；
    若点集合中有ω2个点位于回归函数的上侧，且未存在ω1个点位于回归函数的上侧，则待测发电机组当天振动存在轻微状态偏移；
    若点集合中位于回归函数的上侧的点数小于ω2，则待测发电机组当天振动正常；
    其中，ω1为动态异常阈值；ω2为动态偏移阈值；r为点集合的数量，且有：
    ω2<ω1<r。
  9. 一种风电机组发电机振动数据快速评估系统，其特征在于，包括：
    当天数据获取单元，用于获取待测风电机组当天运行数据，所述当天运行数据包括时间标签、运行功率和发电机振动信号；
    散点图构建单元，用于根据当天运行数据构建二维平面散点图；
    振动状态评估单元，用于将得到的二维平面散点图与预设的回归函数进行结合，对待测风电机组的振动状态进行评估。
PCT/CN2024/105530 2024-02-26 2024-07-15 一种风电机组发电机振动数据快速评估方法及系统 Pending WO2025179751A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410210347.2A CN118013228A (zh) 2024-02-26 2024-02-26 一种风电机组发电机振动数据快速评估方法及系统
CN202410210347.2 2024-02-26

Publications (2)

Publication Number Publication Date
WO2025179751A1 true WO2025179751A1 (zh) 2025-09-04
WO2025179751A9 WO2025179751A9 (zh) 2026-03-26

Family

ID=90944166

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2024/105530 Pending WO2025179751A1 (zh) 2024-02-26 2024-07-15 一种风电机组发电机振动数据快速评估方法及系统

Country Status (2)

Country Link
CN (1) CN118013228A (zh)
WO (1) WO2025179751A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118013228A (zh) * 2024-02-26 2024-05-10 西安热工研究院有限公司 一种风电机组发电机振动数据快速评估方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160223600A1 (en) * 2015-02-03 2016-08-04 Envision Energy (Jiangsu) Co., Ltd. Power generation performance evaluation method and apparatus for power generator set
CN109345113A (zh) * 2018-09-29 2019-02-15 北京拾易技术有限公司 风电机组性能评估方法及介质
CN116146434A (zh) * 2022-11-29 2023-05-23 华电(宁夏)能源有限公司 一种基于风功率实测数据的风电机组健康状态实时评价方法
CN117287352A (zh) * 2023-07-14 2023-12-26 华北电力大学（保定） 一种风电机组状态监测方法
CN118013228A (zh) * 2024-02-26 2024-05-10 西安热工研究院有限公司 一种风电机组发电机振动数据快速评估方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160223600A1 (en) * 2015-02-03 2016-08-04 Envision Energy (Jiangsu) Co., Ltd. Power generation performance evaluation method and apparatus for power generator set
CN109345113A (zh) * 2018-09-29 2019-02-15 北京拾易技术有限公司 风电机组性能评估方法及介质
CN116146434A (zh) * 2022-11-29 2023-05-23 华电(宁夏)能源有限公司 一种基于风功率实测数据的风电机组健康状态实时评价方法
CN117287352A (zh) * 2023-07-14 2023-12-26 华北电力大学（保定） 一种风电机组状态监测方法
CN118013228A (zh) * 2024-02-26 2024-05-10 西安热工研究院有限公司 一种风电机组发电机振动数据快速评估方法及系统

Also Published As

Publication number Publication date
WO2025179751A9 (zh) 2026-03-26
CN118013228A (zh) 2024-05-10

Similar Documents

Publication Publication Date Title
CN112417954B (zh) 一种面向小样本数据集的轴承故障模式诊断方法及系统
US8433539B2 (en) Wind turbine monitoring device, method, and program
Li et al. Parallel multi-fusion convolutional neural networks based fault diagnosis of rotating machinery under noisy environments
CN114091504B (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
US20220372891A1 (en) Method for stability analysis of combustion chamber of gas turbine engine based on image sequence analysis
CN106017876A (zh) 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法
CN101614786A (zh) 基于frft和ifsvc的功率电子电路在线智能故障诊断方法
CN116087647B (zh) 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法
WO2022188425A1 (zh) 一种融入先验知识的深度学习故障诊断方法
WO2025179751A1 (zh) 一种风电机组发电机振动数据快速评估方法及系统
WO2021208423A1 (zh) 一种基于pca学习的显卡接口机器测试方法
Yan et al. Interpretable sparse learned weights and their entropy based quantification for online machine health monitoring
CN110108474A (zh) 一种旋转机械运行稳定性在线监测与评估方法及系统
CN115659143A (zh) 一种基于试验设计的故障实时诊断方法
Liu et al. Improving anomaly detection fusion method of rotating machinery based on ANN and isolation forest
CN118423236A (zh) 基于振动时域和频域信号分析的风电齿轮箱瑕疵检测系统
CN116610990B (zh) 一种基于特征空间差异化的断路器隐患识别方法及装置
DE112019007899T5 (de) System und Methode für die Vorhersage von Gerätefehler mittels akustischer Signale im Ultraschallfrequenzband
CN118606888A (zh) 基于Ghost特征增强改进的MobileVit轻量化轴承故障诊断方法
CN118364362B (zh) 基于恒q变换和迁移学习的故障诊断方法
CN119272003A (zh) 一种基于深度学习的选煤厂振动筛状态分析方法
CN115908960B (zh) 一种基于多尺度卷积神经网络的化工过程故障诊断方法
CN118462498A (zh) 一种基于高性能小模型深度网络的风电机组早期故障预警方法
Yongtao et al. Bearing fault diagnosis based on deep semi-supervised small sample classifier
CN116908627A (zh) 一种开关柜局部放电缺陷诊断方法及系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24926620

Country of ref document: EP

Kind code of ref document: A1