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。     

考虑不平衡磁拉力的双馈异步风力发电机轴承外圈故障动力学建模

轴承故障会引起双馈异步风力发电机转子气隙变化,产生不平衡磁拉力(UMP)。为准确揭示双馈异步风力发电机轴承故障振动特性,开展了考虑UMP的双馈异步风力发电机轴承外圈故障动力学建模研究。首先,基于赫兹接触理论构建了轴承外圈故障模型;然后,推导了正常和轴承故障下发电机转子的气隙磁密,得到了发电机转子受到的UMP解析式;最后,采用Runge-Kutta法对模型进行求解,得到了轴承故障振动响应。试验分析表明：所提动力学模型能够有效揭示双馈异步风力发电机轴承故障振动信号的双冲击现象,UMP激励会影响风力发电机轴承外圈故障振动信号的调制特性。为风力发电机轴承故障诊断提供了新的理论参考。     

基于SCADA系统和信号处理的风力发电机主轴承故障分析与诊断

基于SCADA在线监测系统,通过该系统获取到主轴承实时振动数据,用小波包、集合经验模态分解模型进行信号处理和提取故障特征,分析其时域图的冲击信号、频谱图故障特征频率、包络谱故障频率幅值和谐波信号倍数情况,可以判断出主轴承故障位置以及受损情况,实现主轴承故障预警,为风力发电场现场运维人员高效维修提供帮助,降低运维成本。     

基于大数据分析的风机轴承故障预警

将大数据分析应用到风机轴承故障预警中,使用栈式自动编码器（SAE）为基本结构,通过逐层提取风机轴承监视控制与数据采集系统（SCADA）数据深层特征,将散乱的SCADA大数据转化成能够深度刻画风机轴承运行状态的内在特征。利用预训练、微调的方法并结合误差反向传播算法（BP）构建SAE故障预警模型,通过SAE模型对大数据处理得到反映风机轴承运行状态的重构误差平均值,以均值漂移聚类算法动态地计算出风机轴承稳定运行状态重构误差基准值为预警的标准。最后利用某风电场机组的SCADA数据进行工程实例仿真分析,验证了基于大数据分析用于风机轴承故障预警的可行性。     

双馈风力发电机定子电流检测系统容错控制

为提高双馈风力发电机运行可靠性,提出了一种定子电流传感器故障检测及容错控制方法。在电网电压矢量定向同步坐标系下,根据双馈风力发电机动态模型,建立了基于模型参考自适应方法的定子电流冗余在线观测器。通过建立参考模型和可调模型,使定子电流观测值实时跟随实际电流。在αβ坐标系下通过定子电流检测值和观测值的比较残差实现传感器故障的自诊断。在故障后以定子电流观测值为控制对象实现无定子电流传感器运行。所设计观测器准确度不依赖于定子电流测量值且对电机参数变化具有较好的鲁棒性。文中方法能够在定子电流传感器故障条件下及时判断出故障的来源,并实现故障后的容错控制。在双馈风力发电机实验机组上,对所提出理论的正确性和可行性进行了实验验证。     

基于比例失效模型的风机齿轮箱轴承检修

提出一种基于故障数据和状态监测数据的风力发电机齿轮箱轴承的新型检修策略.分析了比例失效模型中各参数的意义.利用最小维修成本法确定最优维修决策阈值,绘制最优维修阈值曲线,进而制定出最优维修策略.通过某型风力发电机齿轮箱轴承的实例分析,证明了此方法在风力发电机齿轮箱轴承维修决策中的使用价值.     

风力发电机传动系统故障诊断的机电仿真研究

为了研究风力发电机组传动系统齿轮故障在发电机电流信号中的响应过程,扩展电流信号诊断方法的应用范围。在考虑齿轮啮合刚度变化和模拟断齿故障变化特征的基础上,建立齿轮副动力学模型;以典型的双馈风力发电机为对象,建立双馈发电机及其控制系统模型。利用齿轮副和发电机的转速参数关联两个模型,构建机电联合仿真模型。在理论上研究齿轮正常或存在断齿时的电流故障特征,并与试验台模拟故障试验比较。仿真与试验结果表明,发电机定子电流可以准确反映齿轮的故障特征信息,且在离网状态下,主要会引起电流信号的频率调制特征。     

基于BP神经网络的风力发电机温升故障诊断研究

论述了BP神经网络的系统结构及算法,并对风力发电机运行时影响温升的因素进行了分析,提取特征向量作为输入,利用BP神经网络建立特征向量与故障模式之间的映射关系,建立了基于BP神经网络算法的风力发电机温升故障诊断模型,并运用MATLAB软件进行仿真运算。仿真结果表明:该模型能够得到发电机温度的预测数值,通过将温度预测值与实际工况下的温度值进行误差对比,进而来判断发电机是否处于正常的工作状态,实现发电机潜在故障的预警,为风力发电机的故障诊断提供了一种切实可行的方法。     

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。     

基于变流器网侧电流的双馈风力发电机转子绕组故障诊断

双馈风力发电机转子绕组状态监测与故障诊断技术能够及时发现并诊断转子绕组故障,有效地降低风电场的运行和维护费用。首先根据双馈风力发电机的数学模型和转子绕组故障模拟方法在电力系统电磁暂态仿真软件(PSCAD)环境中建立转子绕组的故障模型,通过仿真分析出变流器网侧电流的故障特征频率;然后搭建双馈风力发电机的故障实验平台,并对不同运行状态和不同故障程度下的录波数据进行频谱分析,由此验证转子绕组故障时变流器网侧电流的特征频率,且当故障严重程度加剧时,故障特征频率的幅值会增大。     

基于MDPSO的永磁直驱风力发电机参数辨识

针对永磁直驱风力发电机的多参数辨识问题以及传统参数辨识方法的收敛精度差、收敛速度慢等问题,提出了引入平均最优位置变量的自适应空间搜索向量的改进粒子群算法(MDPSO),对永磁直驱风力发电机参数辨识。根据永磁直驱风力发电机定子电压电流模型,进行pade近似并降阶处理后进行离散化,建立直驱风力发电机辨识模型;引入自适应空间搜索向量和平均最优位置变量改进粒子群算法;应用提出的MDPSO辨识直驱风力发电机定子绕组的电阻、电感和磁链等参数。算例仿真结果表明,提出的辨识算法具有精度高、计算速度快、稳定性高等特点,从而验证了建立的直驱风力发电机辨识模型及辨识算法的有效性。     

基于多元状态估计和向量相似度的电站磨煤机故障智能预警研究

为解决燃煤电站磨煤机故障频发的问题,提出一种基于多元状态估计（MSET）和向量相似度的故障预警方法。以某350 MW机组的中速磨煤机为研究对象,选取能表征其运行状态的关键参数,采集包含故障信息的历史数据,并划分出不同数据集。采用等间距抽样法对训练集数据建立过程记忆矩阵,将观测向量输入MSET模型得到其对应的估计向量,同时定义二者的相似度函数,利用滑动窗口法确定预警阈值。最后采用实际运行数据验证,结果表明:当磨煤机正常运行时,其输入模型数据预测平均相对误差均在1%以下;当磨煤机发生堵煤故障时,该模型可以及时发现磨煤机运行异常,在跳闸前380 s发出报警。证明该模型可以精准预测各参数的变化趋势,实现对磨煤机故障快速准确地智能预警。     

永磁风力发电机转子偏心故障分析

推导了永磁风力发电机转子偏心故障频率产生基理,利用基于磁路的方法,建立了永磁风力发电机模型,将其所建模型导入到有限元分析模块中进行仿真。提取永磁风力发电机定子电流,运用小波包变换对其进行分析,仿真分析结果表明:永磁风力发电机转子偏心故障将会在基频两侧产生故障特征频率信号,且两个特征频率信号随偏心度的增加变化规律有较大区别,而整数次谐波幅值没有较为明显的变化。     

风力发电机轴承振动监测故障诊断分析

为提高风力发电机轴承状态异常判别和故障诊断能力,保证机组可靠稳定运行,降低机组维护成本,发电机轴承采用了振动在线状态监测频谱信号的判别方法,即利用振动数据样本及特征频率分析,监测轴承运行状态。通过对轴承振动数据的分析来评定其运行状态,为轴承故障预判提供依据。     

陆上风力发电机塔架振动监测研究进展

塔架作为陆上风力发电机的支撑结构关键部件,其服役质量直接影响到风力发电机的运行安全性。开展塔架振动监测,对其进行服役质量评估和损伤早期预警,是提高风力发电机运行安全性的重要手段。首先,简要介绍陆上风力发电机塔架类型,塔架载荷及动力学理论研究。其次,归纳总结塔架接触式与非接触式振动监测的方法及特点,对不同监测方法进行了对比,提出现有塔架振动监测方案的局限性。最后,分析塔架振动监测数据在状态识别、故障诊断及故障预警等方面研究现状与目前存在的难点,展望塔架振动监测的未来发展趋势。     

基于GRA-LSTM-Stacking模型的海上双馈风力发电机早期故障预警与诊断

为防止海上双馈风力发电机(doubly-fedinduction generator,DFIG)故障迅速恶化而导致的重大经济损失,迫切需要尽早给出故障预警信号。针对现有海上SCADA系统面临的预警时间不足以及故障样本获取困难的问题,该文提出一种基于GRA-LSTM-Stacking模型的海上DFIG早期故障预警与诊断方法。首先,对SCADA系统采集的数据进行灰色关联分析(grey relation analysis,GRA),筛选出与DFIG运行温度高度相关的状态变量;然后,通过长短期记忆网络(long short-term memory,LSTM)预测正常工况下DFIG的运行温度,计算实际值与预测值的残差绝对值,并使用概率分布拟合的方法设置告警阈值,据此对风机早期故障进行预警,并提取故障样本;最后,通过Stacking融合算法框架对提取的DFIG故障样本进行精确故障诊断。以某海上风电场3MW双馈式风机SCADA数据为例进行分析,结果表明:该文所提的GRA-LSTM-Stacking诊断模型既能提前29～72h识别海上DFIG早期故障,并能精确诊断出故障类型,还能有效提高海上DFIG的故障诊断精度,为深远海风电开发提供技术储备。     

同步发电机定子故障预警模型

为了研究同步发电机的定子故障特征规律,预测故障发生及发展演化趋势,提出了基于深度置信网络(Deep Belief Network,DBN)的同步电机定子故障预测模型。以限制玻尔兹曼机为基本单元搭建深度置信网络,输入样本为SCADA系统采集的定子正常状态下的各项监测数据,将重构误差(Reconstructionerror,Re)作为故障预测指标,利用逐层迭代更新后保留下来的网络参数反映定子健康状态下各物理量之间的特征关系。分别采用指数加权移动平均值(Exponentially Weighted Moving Average,EWMA)原理和自适应原理确定故障阈值,以区分故障和正常状态下Re趋势图差异的形式实现故障监测和预警。DBN网络搭配阈值设定形成了完整的同步发电机定子故障预测模型,该模型经实际故障案例验证可以完成预警早期故障发生的功能,分析残差趋势图可以对故障位置和类型进行初步判断,具有较好的故障预测能力和功能扩展能力。     

置信椭圆在永磁直驱同步风力发电机非平稳振动故障诊断中的应用

保障风力发电机组的稳定性是风机系统正常工作的基本要求,永磁直驱机型风力发电机运行中若发生非平稳振动,将对发电机寿命产生恶劣影响。现有技术方案中,风机轴承振动预警很少涉及发电机磁场随转速变化时发生的永磁直驱机型振动特征。依托实际故障数据,在总结永磁直驱机型风力发电机非平稳振动特征的基础上,将置信椭圆法应用于发电机非平稳振动诊断。该方法能在风力发电机组发生非平稳振动时检测到秒级数据特征异常,若同步采用振动抑制控制策略,则可大大减少非平稳振动导致的机组机械疲劳,避免安全隐患。