风电机组智能状态评估与故障预测研究进展

针对日趋大型化、复杂化的风电机组,综述了神经网络、模糊逻辑等智能化方法应用于状态评估与故障预测的研究进展。首先介绍了影响风电机组状态的主要因素,并对四种重要组件的常用状态监测技术进行了归纳;其次介绍了风电机组状态评估和故障预测的智能化方法与技术,通过归纳文献资料发现:本领域未来以开发实时在线评估与预测技术发展重点,对SCADA数据的深度挖掘、探索出风电机组状态评价与故障预测新方法将是本领域的研究难点。     

智能风电机组叶片故障监测系统设计与实现

随着风机电力设备的不断增加,采用人工管理方式将无法有效地对众多风机电力设备缺陷进行高效的维护和管理,不仅影响电力设备缺陷管理效率,还可能因工作失误而导致设备漏检.为此,采用JAVA技术及B/S三层架构进行风电机组叶片裂纹监测与智能识别系统的设计与应用.其中,前端采用VUE框架开发实现,业务逻辑处理层采用SPRING BOOT框架设计,数据库采用MySQL关系型数据库系统进行系统内相关数据存储与管理,智能识别缺陷采用计算机视觉YOLOv4算法.试验证明,该系统可提高国网电力设备缺陷识别和分析效率.     

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.     

基于状态监测的风电机组主轴承早期故障预测方法

利用风电机组实时监测数据来研究主轴承温度与其潜在故障之间的关系,提出一种基于温度预测模型的风电机组主轴承在线故障预测方法。首先建立正常运行状况下主轴承温度的线性回归分析预测模型,提出可表示系统实际运行状态和预测状态之间偏差的判别函数,通过比较判别函数值与设定门槛值来监控主轴承的运行状态。理论分析和仿真结果表明,该方法所用模型鲁棒性好,提取的故障特征明显,可有效地预测在线风电机组主轴承潜在的故障。     

风电机组主轴总成窜动监测与故障预警

风电机组主轴总成窜动故障是风电场发生频次较高、危害性较大的一类故障模式,目前对 其监测的方法效率低,测量精度差。对此提出一种高效的主轴总成窜动在线监测技术,并开发了相应的监测装置和预警系统,现场实现了对风电机组主轴总成窜动位移的实时在线监测和预警。采用合理安装激光位移传感器,获得主轴总成窜动监测数据,通过时间序列预测方法对其进行分析,建立主轴总成窜动的ARMA模型。实际案例应用表明,该监测系统能对主轴总成窜动的发展趋势进行预测,可及时掌握主轴总成窜动状态,提前发现其异常或劣化趋势,当判断主轴总成有较大可能发生窜动故障时给出预警信息,避免主轴总成故障的产生和蔓延,保障机组安全稳定运行。     

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。     

大型离岸风电机组的故障监测策略研究

针对大型水平轴离岸风力发电机,建立考虑塔架振动的动力学模型,研究大于额定风速区域,变桨控制模式下的机组状态监测方案,实现变桨执行器的故障估计。为满足高效实用的监控方案要求,将大于额定风速时的非线性机组动力学在额定工作点附近线性化,并设计一种基于Setpoint Overshoot分析法的PI控制器进行变桨,保留了传统PI控制器简单实用的优点,且优化了参数调节过程,从而实现更高效便捷的额定功率输出控制;将离散Kalman滤波与仿记忆数据预处理模式相结合,进行机组状态以及变桨执行器故障监测,提高了监测系统的处理性能。以面向海上应用的10 MW风电机组为对象,进行仿真验证,表明所提方案对MW级大型离岸风电系统具有良好的故障监测性能。     

水电机组振动监测与故障诊断系统研究

介绍了振动在线监测与故障诊断系统，该系统能及时发现机组振动异常并报警，并且能对事故发生时刻的数据信息自动捕捉和存贮。同时基于专家知识，对机组故障进行诊断分析，确定故障类型和原因。     

基于SCADA运行数据的风电机组塔架振动建模与监测

振动信号是风电机组数据采集与监视控制(supervisory control and data acquisition,SCADA)系统中的一类重要变量.对振动信号的建模和分析可以实现对机组重要部件如塔架、传动链、叶轮等的状态监测工作.采用非线性状态估计技术(nonlinear state estimate technique,NSET)作为建模方法,在对风电机组塔架振动特性及其影响因素进行细致分析的基础上,建立了塔架振动模型.该模型由额定风速以下和额定风速以上两部分子模型构成.同时,对非线性状态估计技术的物理意义及特点进行了深入的分析和探讨.在某风电机组2006年4至6月份SCADA数据的基础上,建立了覆盖其正常工作状态的塔架振动模型,并对该模型进行了验证.研究表明,基于NSET的塔架振动建模方法具有方法简单、物理意义明确和建模精度高等优点,为后续拟开展的风电机组振动状态监测和早期故障诊断打下了良好的基础,同时为风电机组振动分析提供了新的思路.     

基于SCADA数据图形化的海上风电机组故障预测

随着海上风电的快速发展,海上风电机组的状态预测引起广泛关注,精准、及时的状态预测有利于减少机组状态恶化可能导致的重大损失。为了提高故障预警的精准性,该文将机组数据采集与监视控制系统(supervisory control and data acquisition,SCADA)数据图形化处理并作为整体输入神经网络,以充分反映海上风电机组不同部件故障的相关性与SCADA数据多状态信息之间的耦合性;针对部分故障类型标签样本数据稀少致使的故障辨识失效问题,采用双层生成器、双判别器的循环生成对抗网络(cycle generative adversarial networks,CycleGAN)来丰富故障标签样本。为了提升机组故障预警的时效性,尽可能早的做出故障预警,该文采用相关性分析将高维SCADA数据降维处理,以简化径向基函数(radial basis function,RBF)神经网络结构,加速神经网络收敛,提升训练速度。针对国内某实际海上风电场的算例结果显示,所提方法可有效提前预知故障的发生,同时可以有效辨识故障类型,有利于风电场提前处理故障并合理安排运维检修计划,避免重大损失。     

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。     

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。     

风电机组耦合振动特性分析

在兆瓦级风电机组中,桨叶、塔筒及传动轴作为具有一定柔性的部件容易发生形变,产生振动并形成耦合。传统分析中一般只考虑传动轴的扭振特性,难以研究低频耦合振动对系统的影响。利用FAST与Matlab/Simulink联合仿真方法,建立了包含气动力学、多体动力学及电气控制的数学模型。通过不同风况及不同幅值电压跌落的激励,分析叶尖加速度、塔筒顶部加速度及扭矩等变量,研究机组中主要部件的耦合振动。结果表明叶尖挥舞及摆振方向,塔筒顶部前后及侧向,传动轴扭振之间存在耦合振动,但各方向耦合程度不同,桨叶摆振方向、塔筒侧向与扭振的耦合对机组威胁最大。此外,湍流风下发生电压跌落也会对机组带来较大威胁。     

风电机组振动无线采集系统设计与应用

离线监测仍是早期投产风电机组开展振动监测的一种主要方式。由于离线振动监测需人员进入机组机舱,对运行状态下的风电机组进行数据采集,因此给采集人员带来一定的安全隐患。为实现人员在塔筒顶部平台进行振动数据采集工作,消除人身安全隐患,将无线传输技术应用于振动采集系统,设计了一套振动无线采集系统,系统由振动无线传感器、路由器、无线采集仪构成。设计工作完成后,对振动无线采集系统进行了系统调试、通信稳定性试验、测量性能试验以及现场测试。试验结果表明,所设计的采集系统各功能正常,具备了现场应用的基本条件。     

风电母线槽热故障状态在线监测系统

风力发电机组容量的不断增大,使得母线槽电力传输系统成为风电输送的主导。风电塔筒由于长期承受各种风况的作用而发生振动,从而引起其内部母线槽连接处的固定螺栓松动和导电排之间的相互摩擦,并使得连接处的接触电阻增大和发热的不断加重,进而破坏母线槽的绝缘性能,甚至造成短路故障。针对这一问题,以红外测温技术为基础,首次提出了一种风电母线槽发热故障在线监测方法。考虑到母线槽所处的特殊环境,设计了专用的红外测温传感器,利用最小二乘算法对温度进行标定,并结合温度补偿法提高了传感器的精度。为了保证数据通信的稳定性,系统采用了RS-485网络及ZigBee无线MESH网络。在现场测试过程中,该系统能够实现母线槽发热故障的实时监测、定位和预警。     

基于RBM和SVM的风电机组叶片开裂故障预测

针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)和支持向量机(SupportVectorMachine,SVM)的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。     

基于边缘智能的风电机组设备监测系统

在工业物联网中，风力涡轮机的数据采集与监视控制系统(SCADA)产生的海量数据因实时性要求，不适合直接送到云端处理。本文设计并搭建了一套基于边缘智能技术的微型风电机组设备状态监测系统。针对风电机组的转动、振动进行异常监测，对比并分析了OC-SVM、孤立森林和HBOS三种无监督异常检测算法结果。实验结果表明，单类支持向量机算法在转动异常测试集上的F1分数为0.997,在振动异常测试集上的F1分数为0.969,具有较好的实时异常检测效果。本文能够为边缘侧训练与推理方案的落地性验证提供一定的参考价值。     

水力机组振动监测与故障诊断

针对水力机组运行过程中因振 动而引起故障并造成经济损失这一问题，开发了一套新型的振动监测及故障诊断系统，它以 工业PC 机为主体，与摆度、振动传感器及有关功能模块和信号预处理器共同组成机组振动 在线监测分析系统。利用该系统对机组振动的周期性监测，能够在线监测机组缺陷的缓慢变 化过程，为视情检修提供良好的依据，同时也为机组运行调度提供可靠的信息。介绍了该系 统的硬件及软件组成、原理及功能，并结合实例运用小波分析与傅里叶分析相结合的信号分 析方法，对机组故障进行了分析诊断，找出了故障原因。     

风电机组状态监测系统节点路由修复算法

为了解决风电机组状态监测系统因节点失效而产生的路由可靠性降低问题,提出了基于父节点及兄弟节点替代的节点路由修复算法。当监测数据在传输过程中遇到失效节点时,待传输数据的节点通过查询并获取自己的父节点和兄弟节点信息,优先利用其有效父节点进行路由替代,当且仅当该节点所有父节点均失效时才启用其兄弟节点进行路由替代,重新进行数据传输,达到提高监测系统路由可靠性的目的。通过仿真分析可知,基于父节点及兄弟节点替代的路由修复算法可显著提高风电机组状态监测系统的数据传输成功率。