基于增量式相对熵的风电机组实时状态监测

针对风电机组的实时状态监测问题,提出了一种基于增量式相对熵的残差分析方法。首先,通过分析滑动窗口数据特点,推导了适用于实时运算的增量式相对熵的计算公式,其时间复杂度为O(1),要低于常规计算方法的O(n)。接下来,提出了一种基于数据驱动和正常行为建模的风电机组实时状态监测方法,并将增量式相对熵作为实时残差分析的指标。最后,用某2 MW风电机组的实际齿轮箱故障数据为算例,验证了该方法的有效性。结果表明,相对熵残差分析能够至少提前8～10 d实现故障预警,优于常规的统计量;增量式相对熵的计算时间仅相当于常规方法的0.4%～1.9%,在实时性上有显著优势。     

基于区间划分的风电齿轮箱在线故障预警方法

针对大型风电机组运行工况复杂多变,依靠恒定的润滑油温度值作为齿轮箱故障预警值容易不报的问题,提出了基于运行区间划分的风电机组齿轮箱在线故障预警方法。该方法通过划分不同的运行区间,对不同运行区间根据高斯模型分别设定阈值。将实时数据代入相应运行区间判定是否异常,再利用移动窗口计算异常率作为触发齿轮箱故障预警的指标。该方法用于某1.5 MW风电机组齿轮箱故障的分析,结果表明,该方法能够准确地反映故障的发展趋势,可实现齿轮箱故障的早期预警,避免故障向更严重的方向发展,降低风电机组运行和维修成本。     

基于GRU和注意力机制的海上风机齿轮箱状态监测

海上风电机组齿轮箱运行状态的有效监测和及时预警对海上风机运维工作具有重要意义。为此,提出一种基于门控循环单元(Gated Recurrent Unit, GRU)和注意力机制的海上风电机组齿轮箱状态监测方法。在训练阶段,通过注意力机制自动提取海上风电SCADA数据集输入参量与目标建模参量间的关联关系,同时采用GRU网络提取数据间的时序依赖关系,进而建立风电机组齿轮箱的正常行为模型。在测试阶段,采用指数加权移动平均值(Exponentially Weighted Moving-Average,EWMA)控制图对目标建模参量实际值和模型预测值间的输出残差进行监控,实现海上风机齿轮箱运行状态的实时监测和预警。最后基于东海大桥海上风电场真实数据对所提方法的有效性和优越性进行了验证。结果表明：所提方法对故障和正常运行条件下的海上风电机组齿轮箱状态均可进行有效监测,且相比现有陆上风机状态监测方法具有更高的精度和可解释性,并能更早地揭示故障趋势。     

风电机组齿轮箱温度趋势状态监测及分析方法

风电机组状态监测对于风电场特别是海上风电场降低维护成本,提高运行水平具有重要的实用价值。采用温度趋势分析的方法对风电机组齿轮箱的运行状态进行监测。利用非线性状态估计（nonlinear state estimate technology,NSET）方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过合理构造过程记忆矩阵,使模型覆盖齿轮箱的正常工作空间。当齿轮箱工作异常时,其动态特性偏离正常工作空间,NSET温度模型预测残差的分布特性发生改变。采用滑动窗口方法实时计算残差的统计分布特性,当残差的均值或标准差的置信区间超出预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。为模拟齿轮箱的故障情况,在机组数据采集与监视控制系统（supervisory control anddata acquisition,SCADA）数据中加入人为温度偏移。通过对该模拟故障的分析,新的状态监测方法能够及时发现齿轮箱的异常状态,达到实时在线状态监测的目的。     

基于图注意力和时间卷积网络的风电齿轮箱故障预警方法

针对风电齿轮箱故障预警中数据信息挖掘不充分问题,提出一种基于图注意力和时间卷积网络的风电齿轮箱故障预警 方法。 分别从时间与空间尺度建立各特征点的物理联系,拓宽特征维度以提升故障预警精度。 图注意力网络构建不同数据测 点间的空间拓扑结构,遍历每个节点的相邻节点进行加权求和达到聚合信息的目的;时间卷积网络使用特殊的因果膨胀卷积和 残差网络,扩大感受野,提升时间特征捕捉能力。 以华北某风电场实际数据为例进行验证,结果表明,提出方法能够在故障发生 前 122 h 监测到风电齿轮箱的异常状态并发出预警信号;与其他方法进行对比,提出方法预警时间提前 52~ 63 h,模型预测误差 减小 1. 05% ~ 3. 76%;使用 t-SNE 和概率密度曲线提升结果可解释性。     

基于XGBoost建模和Change-Point残差处理的风电机组齿轮箱温度预警

风电机组具有单机容量小,台数多,状态信息复杂的特点;基于SCADA数据的风电机组齿轮箱预警普遍存在预测精度和计算效率低,资源占用高的问题,选取有效方法以克服上述问题成为齿轮箱预警的关键。极限梯度提升(eXtreme Gradient Boosting,XGBoost)算法本身结合多线程、数据压缩、分片的形式,其在处理大数据量样本时仍具有较高的通用性。采用XGBoost算法建立齿轮箱正常工作状态的温度模型,使用XGBoost模型与其它4类回归预测模型分别进行齿轮箱温度预测模型实验,结果表明XGBoost模型在齿轮箱温度预测中综合性能要优于其它4类模型。当齿轮箱发生故障时,模型的样本特性会发生异常变化,导致模型的预测残差发生明显改变。为提高齿轮箱故障预警的可靠性,构建了新的Change-Point算法,利用Change-Point技术进行XGBoost模型预测残差序列分析,可定位齿轮箱状态劣化时间点,回溯状态劣化原因。     

基于时间延迟的风机齿轮箱状态优化维修

风电机组运行环境恶劣,故障频发,尤其以齿轮箱的故障居多,造成风机整体维修成本偏高。针对以上问题,提出了一种基于时间延迟的状态优化维修策略,在时间延迟模型的基础上考虑振动监测信号,先结合故障数据和状态监测数据求得齿轮箱的比例危险函数和可靠度函数,再采用单位运行时间内平均维修费用最小的方法优化得到最优状态维修阈值,最后依据该阈值实施风机齿轮箱的优化状态维修。通过对某风电场仿真分析,求得了最优状态维修阈值,并制定了维修策略。仿真结果证实了该策略在避免过度维修和维修不足问题以及节约维修成本方面的有效性。     

基于PSO-SVR和SPC的风电机组齿轮箱故障预警研究

齿轮箱是风电机组的主要部件之一,主要功能是将风轮在风力作用下所产生的动力传递给发电机并使其得到相应的转速。由于风电机组的运行条件恶劣,复杂的工况要求齿轮箱具有极高的可靠性,齿轮箱故障率较高。为了减少风电齿轮箱严重故障的发生,利用基于粒子群(PSO)的支持向量回归方法(SVR)对风电机组齿轮箱进行预测建模,然后利用统计过程控制技术(SPC)对残差进行分析,根据中心极限定理设置残差预警阈值,当残差超出预警限之外时系统立即报警。实验证明,该方法对风电齿轮箱模型预测效果良好,可有效实现齿轮箱异常状态的预警。     

计及信息不确定性的风电机组健康状态实时评估方法

运行工况识别作为风电机组状态监测与健康管理领域的重要环节,往往受到不确定信息以及高速实时数据流的影响,造成健康状态评估难以有效实施。在此背景下,文中提出一种基于Spark流式处理的健康状态实时评估方法。首先,采用大数据分析技术实现风电机组运行工况的空间划分;然后,在充分考虑风电机组监测信息不确定性的情况下,结合数据采集与监控(SCADA)历史运行数据,对基于高斯云模型和高斯云变换的健康状态评估模型进行训练,并以健康指数作为风电机组健康状态评估的指标。最后,将该评估方法应用在中国北方某风电场1.5 MW风电机组故障前的健康状态评估中。算例分析结果表明,该方法可监测到风电机组健康状态的变化趋势,初步实现了故障的早期预警。     

基于统计过程控制的风机齿轮箱故障预测

为了减少风力发电机组齿轮箱故障,确保风电机组持续安全运行,对风电机组运行监控数据在线分析,提出一种结合最小二乘支持向量机（LSSVM）的风机齿轮箱统计过程控制故障预测方法。该方法以支持向量机学习风电机组的正常状态运行模式,利用风电机组实时运行数据来估计正常状态下该时刻齿轮箱油温度和齿轮箱轴承温度,并与实际温度测量值进行比较。随后利用统计过程控制技术分析齿轮箱油温和轴承温度的实际值与估计值的残差,以实现齿轮箱异常状态的预测。     

基于光纤光栅的气体绝缘开关母线温度在线监测系统

提出了一种基于光纤光栅测温技术的气体绝缘开关(GIS)母线温度在线监测方法,设计了高性能的光纤光栅温度传感器以及波长解调系统,由工控机实现波长自动采集、波长温度转换、数据存储以及故障预警,通过实时监测母线温度变化趋势实现对母线的发热状态进行评估.所研制的在线监测系统已在广东电网投入运行,运行结果表明,该系统具有较高的测温精度,能够有效监测GIS母线温度及其变化趋势.     

基于OPC跨平台通信的电机监测与诊断系统

针对分布式电机监测与诊断系统中,不同厂家的软硬件之间难以互联,且诊断告警相对滞后的问题,提出了一种基于OPC跨平台通信的电机监测与诊断系统。通过运行在Windows系统下的OPC桥接程序,与通信管理机上的网络服务器通信,实现了嵌入式平台数据的标准OPC转发;充分利用电机状态数据变化过程中包含的诊断信息和故障编码库,实现了电机常规故障的定位和早期预警。实际工程应用结果表明,该系统获得了较好的监测和诊断效果。     

基于数据驱动的风电机组故障预警研究

针对目前传统机器学习算法在风电机组建模中存在训练速度慢、准确性低等缺点,研究了基于TPE LightGBM算法的风电机组正常行为模型,并以正常行为模型为基础制定故障预警方案。首先,结合风机运行原理和XGBoost算法完成建模前的特征选择工作并利用异常数据处理后的SCADA历史运行数据建立风机性能、齿轮箱等的正常行为模型。然后,以正常行为模型输出与实际值的偏差为预警指标,引入滑动窗口模型对预警指标做平滑处理后作为阈值指标。最后,利用SCADA历史故障记录数据对预警方案进行实验验证,结果表明所提预警方案能够在SCADA系统报警提示信息发出前实现故障的提前预警。     

基于比例风险模型的风机齿轮箱的状态维修决策

针对风电机组齿轮箱故障问题,在分析故障数据的基础上,通过威布尔比例风险模型将风机齿轮箱故障规律和状态监测结合起来,然后对模型进行简化并运用Newton-Raphson迭代法进行求解,以可靠度为决策目标,预测齿轮箱维修间隔时间,最后通过某型号风机齿轮箱进行验证,结果表明能准确预测齿轮箱的使用寿命,从而降低维修成本并最大化使用设备。     

基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法

复杂滚动轴承振动信号存在非线性、非平稳等问题,传统信号处理方法难以实现故障特征的有效提取和高精度的故障分类。针对此问题,从轴承振动信号的时频特性出发,提出一种基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法。首先将采集的振动信号进行稀疏自适应S变换,得到轴承不同工况下的时频图像特征;然后构建深度残差网络结构,并合理的选取优化器、初始学习率等网络参数,提出基于深度残差网络的轴承故障诊断模型。对某滚动轴承振动数据集的计算结果表明,基于稀疏自适应S变换的时频分析方法具有较高的时频分辨率,所构建的深度残差网络模型能够准确识别不同故障状态及其严重程度下的轴承运行信息,为滚动轴承的故障状态诊断提供了技术支撑。     

燃气轮机性能监测与故障预警系统开发及工程应用研究

基于燃气轮机运行数据开发性能监测与故障预警系统,有利于掌握燃气轮机整体性能,并在测点数据达到报警阈值前预警设备故障,预测效率劣化趋势。采用零代码、组态式建模技术开发了性能监测模型,利用人工智能和深度学习算法搭建了压气机叶片结垢和透平排气温度异常预警诊断模型,并在广东某GE 9E重型燃气轮机实现了工程示范应用。结果表明:所开发的性能监测模型可以实时监测燃气轮机关键性能参数,计算误差小于1%;预警诊断模型能够实时监视压气机出口压力和透平排气温度实际运行值与正常运行值的偏差,捕捉偏差的变化趋势,实现故障的提前预警。本文所开发的燃气轮机性能监测与故障预警系统工程应用效果良好,可进一步推广应用。     

考虑不完全维修的风机齿轮箱优化检修策略

齿轮箱是风电机组中维修费用最高的部件之一,针对齿轮箱的状态检修策略研究对降低设备维修费用、提高可靠度具有关键作用。针对风机齿轮箱不完全维修这一现状,提出了一种基于比例强度模型的优化检修策略。该方法利用监测到的齿轮箱振动数据、温度数据及历史维修数据建立比例强度模型,确定齿轮箱的强度函数;然后采用物理规划方法权衡最小维修费用和最大可靠度两个优化目标函数,确定最优维修阈值,并制定最优维修策略。结合实际风电场故障数据和在线监测数据,对考虑不完全检修的优化检修策略进行仿真分析,结果验证了所提优化策略的有效性和合理性。     

考虑样本优化的风电机组齿轮箱轴承故障预测

由于风电机组SCADA(supervisory control and data acquisition)系统包含较多冗余信息并且数据之间具有较大耦合性,因此在数据挖掘过程中进行样本优化意义重大。文章采用非线性状态估计(NEST)方法建立齿轮箱轴承温度模型并用其进行轴承故障预测,首先采用灰色关联度分析法为选择观测向量提供理论依据,再采用相似度分析法构造简约过程记忆矩阵,使其在不冗余的情况下尽可能覆盖齿轮箱全部正常工作状态以实现样本优化,进而当齿轮箱发生故障时,通过简约矩阵训练的模型残差将较早超出阈值并提前进行预警。最后结合某风电机组实际运行数据进行仿真分析,验证了模型的时效性与优越性。     

基于数据驱动与多变量状态估计的汽动引风机故障预警

汽动引风机是新建电厂的重要设备之一,对其采用数据驱动的故障预警时,存在监测参数多、设备故障试验代价高、运行数据少的问题。为此,本文采用多变量状态估计（MSET）方法对汽动引风机相关测点进行状态监测,构造合理的记忆矩阵,使用奇异值分解法计算广义逆矩阵,从而提高计算效率;并以江苏某电厂为研究对象,提取现场包含喘振故障的数据,采用本文方案对实时数据进行状态预警。结果表明,该方案能够合理反映设备的运行状态,对喘振故障能够提前约5 h预警。     

基于LMD-XGBoost和KPCA的燃气轮机转子故障预警研究

针对燃气轮机转子运行环境恶劣且故障多发的特点,为了及时有效地识别转子的异常运行状态,提出基于极端梯度提升(Extreme Gradient Boosting, XGBoost)和局部均值分解(Local Mean Decomposition, LMD)与核主元分析(Kernel Principal Component Analysis, KPCA)相结合的燃气轮机转子故障预警方法。首先采用自适应小波阈值法对来自SIS系统的振动数据进行降噪处理,通过对比普通小波阈值法的降噪效果,验证了该方法对于转子振动数据降噪的有效性和优越性;然后构建基于LMD-XGBoost的转子振动信号混合预测模型,提取实时振动信号分解得到的特征分量并进行预测与重构;再通过LMD-KPCA模型计算故障监测指标T 2和SPE,利用正常工况下的振动数据求取故障监测指标的阈值,输入混合预测信号计算出故障监测指标的统计量,通过设置故障监测指标超过阈值线的比例作为最终预警判据。通过上海某燃气电厂转子故障案例表明,该混合预警方法可实现转子故障早期预警,具有实际工程应用价值。