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。     

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ITD和LS - SVM的风力发电机组轴承故障诊断

为了更好地识别出复杂条件下风力风电机组主轴承的运行状态,提出了基于固有时间尺度分解(ITD)和最小二乘支持向量机(LS-SVM)的风电机组轴承故障诊断方法。该方法首先将调心滚子轴承振动信号分解成若干个固有旋转分量和一个趋势分量之和。然后,对前几个固有旋转分量的瞬时幅值进行频谱分析,找出频谱中外圈、内圈、滚动体故障特征频率处以及转动频率处的幅值,将其作为故障特征向量。最后,将故障特征向量输入LS-SVM来识别机组轴承的运行状态。实验结果表明,该方法可以快速、较准确地诊断出风力发电机组轴承故障。     

风电机组运行状态参数的非等间隔灰色预测

为了实现风电机组故障预警和智能状态检修,提出了风电机组运行状态趋势的灰色非等间隔预测研究。首先,考虑不同间隔段历史数据所反映机组趋势和变化规律差别,对监测数据抽取多组非等间隔时间序列,利用平均弱化缓冲算子,分别建立非等间隔灰色GM(1,1)预测模型。其次,引入关联度概念,选择各组非等间隔灰色预测值与实际值之间最大关联度的预测结果,应用建立的灰色关联组合预测模型,对某850kW变速恒频风电机组的发电机转速及部件温度等运行状态参数进行预测。最后,对某2MW风电机组运行转速进行预测,并与反向传播(BP)神经网络和支持向量机方法的预测结果进行比较,结果表明风电机组运行状态参数的非等间隔灰色预测具有较高的精度。     

基于小波BP-时间序列的齿轮箱温度预警

由于风电机组的运行条件恶劣,在运行过程中经常会出现许多不确定的外界因素,这些因素使得风电机组各部件的故障率较高。采用小波BP神经网络的时间序列方法对风电机组的齿轮箱温度进行预测,并利用滑动窗口技术对其预测残差进行统计分析,然后通过分析齿轮箱温度的残差均值和标准差来预测齿轮箱温度是否存在异常情况或是故障隐患,从而达到预警目的。     

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。     

风电机组齿轮箱非平稳振动信号谱分析方法

齿轮箱是风电机组的重要部件,其运行状态直接决定了风电场的收益,通过研究齿轮箱的振动信号来评判齿轮箱的运行状态具有重要意义。论述了风电齿轮箱的结构形式和故障特征,依据某类型风电机组齿轮箱特点,制定振动数据采集方案,采集2台风电机组齿轮箱高速轴振动信号;应用Hilbert能量谱和短时傅里叶重排谱对比分析,分别提取2台机组齿轮箱高速轴测点振动信号中蕴含的故障特征频率。分析得到一台机组齿轮箱高速轴损伤,实际验证了该齿轮箱高速轴故障为齿面点蚀。证实了Hilbert能量谱和短时傅里叶重排谱相结合的分析方法在提取风电齿轮箱故障特征频率的有效性和实用性。     

基于BP神经网络的风机关键部件故障预测

利用风电场短期预测系统对数据进行提取分析并建立BP神经网络故障预测模型,对设备运行参数进行预测,掌握设备运行状态,对保障机组的稳定可靠运行和提高风场的经济效益有积极作用。运用BP神经网络算法对齿轮箱轴承温度进行预测,所得结果与预期一致,平均误差控制在5%以内,验证了该网络模型的可行性与合理性。     

基于子空间方法的风机齿轮箱故障预测算法

为了减少风机齿轮箱严重故障的发生,提出了一种基于随机子空间识别方法的齿轮箱故障预测算法。该算法首先建立齿轮箱的随机状态空间模型,并利用正常运行时的振动监测数据计算模型的参数矩阵的特征值,并将其作为参考特征值;然后将由实际振动数据所求得的特征值与参考特征值进行比较,如果两者误差很小,则说明齿轮箱正常,反之则异常。为了减少计算量,引入均方根误差(RMSE)作为齿轮箱故障判别指标,并利用统计过程控制(SPC)原理定义该指标的阈值。最后,对一台实际风机的振动监测数据进行仿真,结果表明了所提出算法的有效性。     

基于XGBoost-KDE的风机主轴承温度预测与故障预警方法

风力发电机主轴承的故障诊断是提高其可靠性和可用性的关键。为及时发现风机主轴承故障,提出一种基于XGBoost-KDE的风机主轴承温度预测与故障预警方法。选用数据采集与监视控制（SCADA）系统中相关的特征参数作为输入变量,对风机正常工况下的主轴承温度进行预测,得到预测值和正常工作时运行数据的残差;之后运用非参数核密度估计（KDE）法确定残差预警阈值,结合滑动窗口分析法实现风机主轴承故障预警。以某2 MW等级风电机组为研究对象,采用SCADA系统中的运行数据做验证,实验结果表明,该方法可以对风机正常工况下的主轴承温度实现97.6%的精准预测,并对主轴承故障时产生的温度曲线波动做出反应,提前近1个月对风机主轴承故障进行有效预警。     

基于FASSA-SVM的充电桩故障预测算法研究

为了电动汽车直流充电桩的安全稳定运行,本文提出一种基于改进支持向量机的充电桩故障预测算法。该算法首先针对充电桩的运行参数进行缺失值填充、归一化等预处理;然后将预处理后的数据输入支持向量机模型训练,之后引入萤火虫算法改进麻雀算法对支持向量机模型进行参数寻优,得到最优模型;最后利用得到的最优模型预测诊断充电桩运行状态,来判断充电桩是否发生故障。实验结果表明,本文的预测算法预测精度可达94.68%,远高于传统的支持向量机模型的72.34%,能较准确地预测充电桩运行状态,为其预知维修、保障安全运行提供有力保障。     

采用信息熵和组合模型的风电机组异常检测方法

充分利用现有数据采集与监控系统的数据是当前提高风电机组运行可靠性最迅速、有效的方式。首先根据风电场数据采集与监控数据,确定了风电机组状态参数和监测数据的风速范围;其次,建立了分别基于反向传播神经网络和最小二乘支持向量机的单项模型,分析了各单项模型的权重分布,并建立了较优的组合预测模型;最后,引入信息熵的概念对残差数据进行了处理,提出了风电机组状态参数的异常检测方法。验证结果表明,所提方法能准确检测出不同风电机组的发电机轴承温度异常,同时为风电机组的异常识别、故障预警奠定了基础,可为风电场工作人员制定维修策略提供参考信息,具有重要的工程价值。     

考虑运行状态相似性的风电机组数据异常检测方法

文中提出一种利用风电场内运行状态相似的风电机组数据采集与监控（SCADA）数据提升异常检测结果准确性的方法。首先,基于实际数据的分析结果,提出了风电机组运行状态的相似性比较原则,进而提出了基于互信息特征选择算法和迭代自组织数据分析聚类算法的运行状态相似性评估方法。然后,在考虑状态变量短时相依性的基础上,利用待检测风电机组的历史SCADA数据构建了基于支持向量机的确定性估计模型,利用相似风电机组的历史SCADA数据构建了基于核密度估计的组合概率估计模型。进一步,利用确定型估计模型和组合概率估计模型分别对目标变量的异常状态进行自检测和外部检测,通过2次检测结果的互相印证来提升异常检测结果的准确性和可靠性。最后,基于一个实际风电场内所有风电机组的SCADA数据和对比实验验证了所提方法的可行性和准确性。     

风力发电机温升故障预警方法研究

针对传统PCA在解决变量重要性差异很大问题时的局限性,提出一种结合relief F算法和加权主元算法的方法。该方法首先采集张家口某风场5月某段时间内风力发电机组运行数据并建立数据集,通过relief F算法确定权值向量W,进而使用加权主成分分析法建立正常工作状态下发电机温度模型。利用该模型对同一机组另一段时间运行数据进行故障检测,通过对统计量HotellingT~2(简称T~2)和平方预测误差(简称SPE)的趋势分析最终确定机组运行状态。实验结果表明,提出的方法准确预测出了发电机的温升故障,并减少了误报情况。     

风电机组故障诊断实现方法探讨

笔者针对风电厂优化运行管理的要求,讨论了风电场状态监测解决方案.以小波分析故障诊断的理论为基础,提出了风电机组状态监测的实现方法.根据风电机组传动链多采用齿轮箱的实际情况,塔建了实验室齿轮箱模拟试验台,并模拟实验获取故障特征值的方法;最后给出了基于风电场监控系统的OPC嵌入式风电机组状态监测和故障诊断系统包括现场监控数...     

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。