状态监测与故障诊断在风电机组上的应用

当前世界上风力发电发展迅速,状态监测和故障诊断技术在风电场运行中的作用越来越重要.回顾了状态监测与故障诊断技术的历史与现状,介绍了状态监测与故障诊断系统的基本结构和支撑技术.结合风力发电技术,对现有的风电机组状态监测与故障诊断技术进行了介绍,并指出了其发展方向.     

振动监测技术在风电机组齿轮箱故障诊断中的应用

研发了针对风力发电机组传动齿轮箱的振动监测与故障诊断系统。该系统主要由本机监测系统、风电场集中监测诊断系统、远程监测诊断中心3层结构组成。本机监测系统完成机组传动系统各部件的状态监测数据的采集,并将数据传输到风电场集中监测诊断系统。风电场集中监测诊断系统主要进行数据存储、显示和分析诊断,并将数据通过互联网传输到远程监测诊断中心,实现风电场设备群的远程监控分析和精细故障诊断。给出该系统的应用实例,通过对比分析2台相同型号风电机组的齿轮箱振动信号,实现对出现异常状态机组的判断,保障风电机组设备的安全可靠运行。     

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。     

大功率并网风电机组状态监测与故障诊断研究综述

状态监测与故障诊断技术是降低大功率并网风电机组的故障率和其运维费用的有效手段之一。对风电机组状态评估和故障预测进行综述。首先,在分析国内外风电机组故障统计情况的基础上,提出状态监测需要关注的风电机组关键部件;其次,综述风电机组整机综合状态评估和故障预测研究现状;然后,重点评述和分析风电机组关键部件的状态监测与故障诊断方法;最后,提出大功率并网风电机组状态监测与故障诊断的研究要点及趋势。     

风电机组状态监测系统现状

实现风电机组状态监测是保证机组长期安全稳定运行的有效手段.论述了风电机组状态监测系统的构成和特点,以及目前国内外现已开展的监测系统,并对基于共振解调、最优滤波解调、无线通信的状态监测系统结合具体厂家作了详细分析.对状态监测系统的发展和存在的问题作了展望和总结.风电机组各部件监测机制的完善、专家系统的建立、报警阈值的设置以及研发有效可行的软硬件系统是目前风电机组状态监测需要解决的关键问题.     

风力发电机组状态监测系统设计与应用

风力发电机组状态监测系统的设计可以有效降低机组的检修维护费用,保障机组的安全稳定运行。对风力发电机组状态监测和故障诊断技术进行了深入的研究,设计了风力发电机组状态监测系统,并详细介绍了系统的结构与功能。通过系统在大型风力发电场的成功应用,验证了其对风力发电机组状态监测与诊断的有效性。     

基于改进AAKR的风电机组齿轮箱状态监测

针对自联想核回归(AAKR)算法在计算相似度时未考虑状态向量中各元素对欧氏距离贡献程度不一、模型参数常依据主观经验进行标定而导致模型精度较低的问题,提出基于旗鱼优化（SFO）的改进AAKR算法建立齿轮箱正常行为模型的非参数建模方法。首先,以全参数等间隔划分方法构建记忆矩阵;其次,在AAKR模型中引入距离权重系数并通过SFO算法对AAKR模型中的宽度系数和距离权重系数进行优化;最后基于滑动窗口和残差数据构造健康指数实现风电机组齿轮箱的状态监测。以某台2MW风电机组实测数据为例进行验证,结果表明,相比于传统AAKR、加权AAKR和稳健状态估计模型,所提算法平均精度分别提高了1.55%、0.6%、0.76%,在故障预警时通过所构造的健康指数能够更灵敏、准确的反映齿轮箱的早期故障及其发展趋势。     

基于SCADA数据驱动的风电机组状态监测

监测控制与数据采集(SCADA)系统广泛部署于各大风场的风电机组上,其采集的SCADA数据可用于风电机组的状态监测。为了更有效地捕获SCADA数据中的空间关联性,可以改进Inception v1方法建立1D＿Inception v1模型提取SCADA数据中的空间多尺度特征,以更准确地对风电机组进行状态监测。实验结果表明,该模型提供了一种端到端的数据驱动方法,可以直接从SCADA原始数据中学习空间关联性,给出故障诊断结果,相较于传统方法有着更高的准确率。使用基于1D＿Inception v1模型的数据驱动方法,可以及时、准确地对风电机组进行状态监测,降低风电机组的运行和维护成本。     

基于数据驱动的风电机组状态监测与故障诊断技术综述

随着大规模风电场的建设,风电机组的状态监测和故障诊断成为一个重要的研究课题。早期的风电机组状态监测和故障诊断依靠人工巡检,而随着风电机组装机容量的不断增长,人工巡检的成本和难度也随之增加。近年来,基于数据驱动方法的风电机组状态监测和故障诊断逐渐成为热点。文中从运行数据类型出发,对相关研究内容进行综述。首先,针对风电机组数据采集与监控（SCADA）系统,从监测对象角度出发,剖析基于SCADA数据的状态监测与故障诊断方法的研究现状;其次,针对风电机组组件振动数据,分析对比各类振动故障特征提取方法的优点和局限性;然后,针对新兴基于图像数据或数据-图像转换数据的状态监测与故障诊断方法,从单一图像诊断和数据-图像转换评估两方面对现有研究进行论述与总结;最后,对未来状态监测和故障诊断的研究方向进行了展望。     

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。     

风电机组状态监测系统现状研究

实现风电机组状态监测是保证机组长期安全稳定运行的有效手段,文章论述了风电机组状态监测系统的构成和特点,对目前国内外现已开展的监测系统进行了综述,并对基于共振解调、最优滤波解调、无线通信的状态监测系统结合具体厂家作了详细分析。最后对状态监测系统的发展和存在的问题做了展望和总结,风电机组各部件监测机制的完善、专家系统的建立、报警阈值的设置以及研发有效可行的软硬件系统是目前风电机组状态监测需要解决的关键问题。     

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。     

基于深度神经网络模型的风电机组传动系统状态监测方法

大型风电机组传动系统运行工况复杂,运维人员无法实时了解其运行状态.针对这一情况,提出一种基于深度神经网络模型(DNN)的状态监测方法.首先,BP算法训练DNN模型时容易陷入局部最小值和过拟合,因此,将麻雀搜索算法(SSA)与BP算法结合,提出一种SSA优化BP算法训练DNN模型的方法.然后,采用风电机组SCADA系统数...     

风电机组状态监测的六类信号

0引言由于环境条件的限制,风力发电场往往地处偏远,且机组与地面的垂直距离极高,因此风电机组的维修成本极为昂贵.随着风力发电的需求不断提高,面临的主要课题之一就是在降低运营与维护(O&M)成本的同时,提高风电机组在不同状态下工作和并网的稳定性.目前风力发电的运维成本居高不下,因此全球对风力发电的接受度亦有限.通过在线状态监测系统,可以预诊断故障情况、判断维修需求,协助风场排定合适的维护作业,从而降低运营成本.     

水电厂机组状态监测分析诊断系统

通过对机组运行稳定性的在线监测,结合计算机监控系统的监测信息,建立功能较为完备的分析诊断系统。系统提供报警、预警、状态分析、性能评价、故障诊断等一系列功能和手段,为机组的安全运行、优化调度和检修指导提供有力的技术支持。该系统与电厂的MIS系统连接,使得在计算机网络所达到的范围内,都可以有效地对机组状态进行监测、分析和诊断。     

风电机组故障智能诊断技术及系统研究

风电机组的状态监测和故障诊断是保证机组长期稳定运行和安全发电的关键。基于风电机组的基本结构,介绍了机组的故障类型和机理,论述了实际应用中机组的状态监测和故障诊断技术;基于BP神经网络的原理和优点,深入讨论了如何应用人工神经网络构建风电机组智能诊断系统,并给出了可行的系统设计方案和软件实现流程图。     

水电机组状态检修模式探讨

为确保水电机组的安全稳定和经济运行,需要实现对水电机组的状态检修。介绍了水电机组状态检修的基本概念,分析了当前水电机组检修模式中存在的一些问题,重点研究和分析了水电机组的状态监测和故障诊断,结合实际情况,提出了实际实施过程中应注意的问题及相应对策。     

基于小波分析的风电机组齿轮箱振动信号识别方法

针对传统齿轮箱振动信号识别方法使用过程中识别准确率较低,研究基于小波分析的风电机组齿轮箱振动信号识别方法.通过经验模态分析将振动产生信号分解后,提取信号振动时的频率特征,利用小波变换算法确定频率局部化特征,将振动产生的不同频率用来表示齿轮箱振动信号的变化幅度.实验表明使用小波分析方法进行振动信号识别,当频率为500Hz时,信号的幅度变化值为3m/s２;当频率为1000Hz时,信号的幅度变化值为6m/s２;而对异常信号的识别平均准确率为９７．２％,准确率较高,说明设计方法的识别效果较好.     

基于OOB-GWO-SVR的风电机组齿轮箱故障预警

针对风电机组齿轮箱超温出现的故障问题,提出了基于改进参数优化机器学习算法的风电机组齿轮箱故障预警模型。 首先,通过随机森林袋外估计确定特征变量,并采用滑动平滑滤波对输入变量进行滤波处理。 其次,构建灰狼算法优化支持向 量回归模型,根据最优模型输出的偏差值确定状态识别指标。 最后,通过时移滑动窗口设置阈值范围,当状态识别指标超出阈 值范围之外时立即报警。 实验结果表明,该模型能提前 87 min 对风电机组齿轮箱温度异常发出故障预警,并且预警效果优于 距离相关系数-GWO-SVR 模型、Pearson-GWO-SVR 模型和 OOB-SVR 模型。