基于SCADA参量关联互信息自编码的风电机组故障检测方法

针对风力发电机组数据采集与监视控制系统(supervisory control and data acquisition,SCADA)监测参量间的耦合关联性,提出基于多参数耦合关联互信息编码的风电机组故障检测方法.该方法构建了SCADA数据的耦合关联矩阵,采用互信息变分自编码器对关联矩阵进行编码重构;将SCADA参量关联矩阵的重构误差作为机组健康评估指标,结合指数加权移动平均模型的迭代更新,对机组实时故障阈值进行自适应设置.两个风场的风电机组SCADA数据分析结果表明,所提方法充分利用了SCADA数据的耦合关联结构信息,能有效提高风电机组故障检测的准确性及对环境工况的鲁棒性.     

融合振动数据和SCADA数据的风电机组齿轮箱故障预警方法

风电机组齿轮箱将机械能高速传输到发电机中，同时承受重载、制动器的瞬态脉冲和灰尘腐蚀，是风电机组中最易发生故障的部件之一。开发高效、准确的风电机组齿轮箱状态监测和故障识别方法可避免严重的齿轮箱故障，减少其造成的停机损失。提出了一种融合振动数据和SCADA系统数据的风电机组齿轮箱故障预警方法，该方法基于深度自编码器模型和统计过程控制图，首先将有限的振动数据通过小波变换和卷积神经网络转化为向量，和SCADA数据进行拼接，利用所有数据完成自编码器的预训练；随后改变预警模型输入，只接收SCADA数据，完成模型的后调优；然后根据自编码器模型的重建差，利用统计过程控制图预警可能发生的齿轮箱故障。基于真实的风电机组数据，该方法有效甄别潜在齿轮箱故障，并且性能优于对比方法，具有工业应用价值。     

基于改进栈式自编码器的风电机组发电机健康评估

风电机组发电机具有结构复杂、维修困难的特点,为对其进行健康评估,结合去噪自编码器与稀疏自编码器的特点,对传统栈式自编码器模型进行改进,利用模型的重构误差监测风电机组发电机的运行状态。将经离线测试得到的重构误差与在线监测得到的重构误差进行分布差异性比对,通过融合3种差异指标得到风电机组发电机的健康度。利用河北某风场实际数据对健康评估模型进行训练测试,通过实例分析证明该模型能够有效跟踪风电机组发电机的状态变化,具有故障早期识别的作用。     

基于MIC-(PSO-BP)-MWA-KDE的风电机组齿轮箱油温预警方法

针对风电机组齿轮箱故障预警问题,提出一种基于MIC-(PSO-BP)-MWA-KDE的齿轮箱油温预警方法。首先,使用最大互信息系数(Maximal Information Coefficient, MIC)求出与齿轮箱油温相关性高的参数作为模型的输入,采用PSO-BP神经网络构建齿轮箱油温预测模型。然后,通过计算齿轮箱油温实际值与预测值的残差绝对值,结合移动加权平均法(Moving Weighted Average, MWA)、核密度估计(Kernel Density Estimation, KDE)建立齿轮箱状态监测模型。通过实际案例分析可知,本文提出的预警方法可提前齿轮箱油温异常预警时间,预警时间提前约11小时。     

基于集成LSTM自编码器的多维时间序列异常检测

针对长短时记忆网络自编码器(LSTM-AE)在多维时间序列(MTS)上异常检测效率低的问题,提出一种基于集成LSTM-AE(LAE)的MTS异常检测模型。该模型集成多个LSTM-AE分别重构正常MTS各子序列,并将各重构误差作为MTS的局部特征;利用全连接网络自编码器(FCAE)对各重构误差数据进行拟合,学习MTS数据的全局特征;根据FCAE的重构误差进行异常检测。在三个公共MTS数据集上的实验表明,与基准方法相比,在Precision、Recall和F₁＿score三个评价指标下分别最大提升0.058 4、0.118 4和0.078 6。     

基于FFT与DNN的齿轮箱油温数据预测

针对风电机组齿轮箱油温数值的非线性与相关性,为实现油温的准确预测,提出一种基于快速傅里叶变换(Fast Fourier Transform, FFT)的深度神经网络(Deep Neural Network, DNN)的预测方法。首先,对油温数据进行时间序列特性分析,选择时间窗口对信息进行排列,然后对信息进行FFT并提取其高频幅特征,并把这些特征输入DNN模型中进行训练,最后对输出的结果进行评价。采用实测数据对该方法进行验证,并选用常见模型进行对比,结果验证了该方法的有效性。该方法可以在齿轮箱运行状态异常前预警,降低设备功能性的故障,减少风电机组故障停机的损失,具有实用价值。     

非线性状态估计法在风电齿轮箱故障预警中的应用

针对现阶段在齿轮箱的状态监测方法中遇到的问题,提出一种以易于采集的油温信号来对齿轮箱故障进行预警的分析方法;通过非线性状态估计法(nonlinear state estimate technology)建立齿轮箱的温度预测模型,之后根据统计温度预测残差的变化趋势,然后与通过验证集合确定出的残差均值和标准差的故障阈值进行对比,以实现及早发现齿轮箱的潜在故障,优化运行的效果;并且与神经网络预测方法进行对比分析,结果表明非线性状态估计法对风电齿轮箱进行故障预警有着较好的效果。     

基于时空自编码网络的水力发电站机组状态视频监控系统

设计基于时空自编码网络的水力发电站机组状态视频监控系统,有效监控水力发电站机组状态,实现水力发电站机组管理。通过数据采集模块的数字摄像头采集水力发电站机组状态视频和图像,同时利用数字温湿度传感器采集温度和湿度数据;将采集的全部数据传输至无线通信模块,该模块集多种通讯方式于一体,以Modbus通讯协议为基础,将采集数据发送智能诊断模块;在智能诊断模块采用时空卷积自编码网络,对机组状态视频监控数据实施时空块处理,经训练后得出重构误差,依据重构误差的规则分数,判断机组状态,实现机组状态监控,并向应用模块发送机组状态监控结果;应用模块可在终端设备上查看水力发电站机组状态监控数据,实现水力发电站机组状态监测。实验结果表明：该系统在不同温度下的通讯速率均保持稳定;采用时空自编码网络可准确监控出水力发电站机组状态;该系统设计界面清晰简洁,且功能齐全,水力发电站运维管理人员在客户端可实时查询水力发电站机组状态视频监控数据,实现水力发电站机组管理。     

基于深度置信网络风电机组变桨系统的故障诊断

针对风电机组变桨系统常见故障,提出一种基于深度置信网络(DBN)的故障诊断方法。设计出基于DBN的变桨系统故障诊断框架;通过堆叠多层受限玻尔兹曼机(RBM),对比重构数据与原始输入数据差异,研究了DBN故障特征自提取能力;将堆叠RBM提取的故障特征输入到顶层分类器中进行训练,得到故障诊断模型;最后采用风场真实故障数据集进行了验证测试。实验结果表明,采用该方法进行风电机组变桨系统故障诊断相比其他方法具有更高的准确率。     

基于AC-GAN数据重构的风电机组主轴承温度监测方法

为更好地识别风电机组主轴承运行状态,提出了一种基于辅助分类生成对抗网络(auxiliary classifier generative adversarial networks, AC-GAN)的数据重构算法对风电机组主轴承温度进行监测。首先,利用采集与监视控制系统(supervisory control and data acquisition, SCADA)时序数据建立基于轻型梯度增强学习器(light gradient boosting machine, LightGBM)的主轴承温度预测模型,并计算其残差特征。其次,利用统计过程控制(statistical process control, SPC)方法对主轴承温度异常残差在控制线范围内进行筛选,并利用AC-GAN算法对残差进行重构。最后,分别提取主轴承温度正常和异常的残差特征,建立基于自然梯度提升(natural gradient boosting, NGBoost)的主轴承状态监测模型。实验结果表明,该方法对主轴承运行状态判断准确度高达87.5%,能够有效地监测风电机组轴承类运行状态。     

基于ICSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱运行过程中故障样本缺乏、正常样本充裕的特点,提出基于增量代价敏感支持向量机（Incremental Cost-sensitive Support Vector Machine,ICSVM）的风电机组齿轮箱故障诊断方法。由于齿轮箱故障样本缺乏,建立以误分类代价最小化为目标的代价敏感支持向量机故障诊断模型;在增量训练代价敏感支持向量机阶段,利用KKT条件,以增量样本和初始样本训练增量代价敏感支持向量机。实验结果表明,该方法能有效地减少平均误分类代价和训练时间,提高齿轮箱故障识别率。     

基于Matlab的风机传动链数据采集与分析系统设计与应用

基于Matlab和NI cDAQ的风机状态监测设备能快速方便地对风机传动链实现准确的故障检测。提出一种先进的风机传动链数据采集和分析系统,该系统中数据采集任务在后台运行,在保证完整准确采集的基础上实现了实时示波和自定义录波,可同步获得风机传动链的振动数据和齿轮箱输出轴转速数据,为故障检测提供有效、完整的数据,可从时间域、频率域、周期域和阶次域自定义分析,识别故障特征,为风机状态监测提供故障信息依据。该系统功能丰富、自定义程度高、系统响应快,可准确检测风机故障。     

EMD分解和支持向量机技术在风电齿轮箱早期齿轮磨损故障诊断中的应用

针对目前风电机组齿轮箱故障率很高,特别是对兆瓦级风电机组齿轮箱早期齿轮故障缺乏有效诊断经验的现状,提出EMD分解和支持向量机技术方法相结合的故障诊断方法,以行星齿轮箱为试验平台,充分利用两种方法的各自优势,对风电机组齿轮箱的齿轮早期故障诊断进行研究。     

A novel fault diagnosis technique for wind turbine gearbox

The gearbox is one of the most important parts of a mechanical equipment. The importance of fault diagnosis in rotating machineries for preventing catastrophic accidents and ensuring adequate maintenance has received considerable attention. In this study, a fault diagnosis method based on gearbox vibration signal monitoring is used to differentiate the signal characteristics of different working conditions and improve the accuracy of diagnosis. The time-domain sequence approximate entropy (ApEn) adaptive strategy is used to propose a wind turbine intelligent fault diagnosis algorithm based on a wavelet packet transform (WPT) filter and a cross-validated particle swarm optimized (CPSO) kernel extreme learning machine (KELM). First, the correlation between the parameter requirements of the intelligent diagnosis system and the system complexity analysis is analyzed. Then, the parameters related to the wavelet filter is determined by calculating the ApEn of the time-domain sequence. Finally, a compact wind turbine gearbox test bench is constructed and tested to validate the proposed ApEn-WPT+CPSO-KELM to identify gearbox-related faults for verification. Results show that the proposed ApEn-WPT+CPSO-KELM method can accurately identify four states of the wind turbine gearbox.     

基于大数据的风电设备远程故障监测与诊断系统研究

大数据、云计算等新一代信息技术的快速发展,推动风电设备状态监测技术进步。文章通过风电设备远程监测与故障诊断平台建设实践,从系统功能、平台建设、故障分析等层面,论述了如何基于大数据实现对风机故障预诊断,提升风力发电机组监控与管理水平。通过对机组运行状态的实时在线监测,利用系统内智能数据报警策略准确筛选机组异常,借助于人工智能分析诊断系统和远程专家的综合分析评价,滚动预测故障未来的发展趋势,帮助用户优化风机维护检修工作,减少停机损失,降低维护成本,提高风机利用率。在集控中心预检测平台建立大数据存储、处理、分析、诊断服务器,收集风场各项数据后与专业厂家存储的数据资源整合,建立各种类型风机故障模型,集控中心培训诊断分析师可通过对比找出故障曲线特点和规律,对实时数据经诊断分析后提出整改措施,提前预防风机故障的扩大,开发相关监视及报警系统,联合风机传统监控系统提高监控中心的设备管理能力。     

基于Adams的风力发电机齿轮故障分析

在风力发电机的各种故障中,齿轮箱失效是导致风力发电机故障和维修的主要原因之一,对于齿轮故障的诊断,准确地提取各种典型故障的特征是进行齿轮故障诊断的关键.基于Adams分别对正常和故障齿轮模型进行动态啮合仿真,在验证转速的基础上对断齿这一典型齿轮故障特性进行分析,研究结果可以为行星齿轮箱的齿轮故障诊断和监测提供理论依据.     

Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 2: Application examples

This paper is part two of a two part series. The originality of part one was the proposal of a novelty approach for wind turbine supervisory control and data acquisition (SCADA) data mining for condition monitoring purposes. The novelty concerned the usage of adaptive neuro-fuzzy interference system (ANFIS) models in this context and the application of a proposed procedure to a wide range of different SCADA signals. The applicability of the set up ANFIS models for anomaly detection was proven by the achieved performance of the models. In combination with the fuzzy interference system (FIS) proposed the prediction errors provide information about the condition of the monitored components.Part two presents application examples illustrating the efficiency of the proposed method. The work is based on continuously measured wind turbine SCADA data from 18 modern type pitch regulated wind turbines of the 2 MW class covering a period of 35 months. Several real life faults and issues in this data are analyzed and evaluated by the condition monitoring system (CMS) and the results presented. It is shown that SCADA data contain crucial information for wind turbine operators worth extracting. Using full signal reconstruction (FSRC) adaptive neuro-fuzzy interference system (ANFIS) normal behavior models (NBM) in combination with fuzzy logic (FL) a setup is developed for data mining of this information. A high degree of automation can be achieved. It is shown that FL rules established with a fault at one turbine can be applied to diagnose similar faults at other turbines automatically via the CMS proposed. A further focus in this paper lies in the process of rule optimization and adoption, allowing the expert to implement the gained knowledge in fault analysis. The fault types diagnosed here are: (1) a hydraulic oil leakage; (2) cooling system filter obstructions; (3) converter fan malfunctions; (4) anemometer offsets and (5) turbine controller malfunctions. Moreover, the graphical user interface (GUI) developed to access, analyze and visualize the data and results is presented.     

Sensor data reconstruction using bidirectional recurrent neural network with application to bridge monitoring

Sensors are now commonly employed for monitoring and controlling of engineering systems. Despite significant advances in sensor technologies and their reliability, sensor fault is inevitable. Sensor data reconstruction methods have been studied to recover the missing or faulty sensor data, as well as to enable sensor fault detection and identification. Most existing sensor data reconstruction methods use only the spatial correlations among the sensor data, but they rarely consider the temporal correlations among the data. Use of temporal correlations among the sensor data can potentially improve the accuracy for reconstructing the data. This paper presents a data-driven bidirectional recurrent neural network (BRNN) for sensor data reconstruction, taking into consideration the spatiotemporal correlations among the sensor data. The methodology is demonstrated using the sensor data collected from the Telegraph Road Bridge located along the I-275 Corridor in Michigan. The results show that the BRNN-based method performs better than other current data-driven methods for accurately reconstructing the sensor data.     

基于LabVIEW的风电机组齿轮箱健康状态监测系统设计

齿轮箱是风力发电机组的主要组成部分之一,也是故障的高发区,积极开展风电齿轮箱故障诊断具有重要意义.基于LabVIEW开发环境和NI CompactDAQ平台开发的风机齿轮箱健康状态监测系统,通过友好的图形化用户界面及图形编程语言控制运行,可以高效地实现对温度、转速、振动信号的采集、图形显示、存储、分析及数据回放等功能,具有良好的扩展性.同时,系统通过采取多种时频域方法对振动信号进行对比分析,可以快速、准确地确定故障的类型.实验结果表明,系统能够稳定、可靠地工作,是进行风机齿轮箱监测的有效工具.