基于统计过程控制的风机齿轮箱故障预测

为了减少风力发电机组齿轮箱故障,确保风电机组持续安全运行,对风电机组运行监控数据在线分析,提出一种结合最小二乘支持向量机（LSSVM）的风机齿轮箱统计过程控制故障预测方法。该方法以支持向量机学习风电机组的正常状态运行模式,利用风电机组实时运行数据来估计正常状态下该时刻齿轮箱油温度和齿轮箱轴承温度,并与实际温度测量值进行比较。随后利用统计过程控制技术分析齿轮箱油温和轴承温度的实际值与估计值的残差,以实现齿轮箱异常状态的预测。     

基于关联度与自检验长短期记忆网络的风电机组轴承寿命预测模型

为提高风电机组轴承寿命预测的稳定性，提出基于关联度与自检验长短期记忆网络(self-checkinglong short-term memory,Sc-LSTM)的轴承寿命预测模型。首先，采用长短期记忆网络(long short-term memory,LSTM)对风电机组轴承单一运行状态信号进行预测，分析预测误差与运行状态关系，建立风电机组轴承的寿命时长体系。其次，LSTM对轴承全寿命信号进行预测与分析，选择检验指标σ来构建检验层与Sc-LSTM，引入通过率η对预测效果进行评价。采用关联度(indexedrelation,IR)为轴承全寿命信号的状态评价指标，得到轴承的IR运行曲线。最后，利用Sc-LSTM分别对IR运行曲线、风电机组轴承信号进行预测与分析，结果表明：Sc-LSTM与IR的预测模型能有效地提高轴承寿命预测的稳定性，减少大规模预测试验的时间与成本，弥补预测误差对预测效果评价单一的问题，与其他预测方法相比效果更佳，在风电机组轴承寿命预测上具有一定参考价值。     

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BPNN-NCT的风电机组主轴承异常辨识方法

风电机组主轴承作为传动系统的重要组成部件,其异常辨识精度受风速波动的影响较大。针对该问题,提出了一种基于BPNN-NCT的风电机组主轴承异常辨识方法。首先,利用相关系数法确定了与主轴承状态相关的参数作为模型的输入,并基于反向传播神经网络(BPNN)建立了以主轴承温度为状态参数的状态参数预测模型。然后,基于非中心t(NCT)分布刻画了不同风速波动区间下状态参数预测残差的分布特性,并在此基础上提出了计及风速波动影响的风电机组主轴承异常状态量化指标。最后,以某风电场的2 MW直驱风力发电机组为例,验证了所提方法的有效性和准确性。     

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。     

考虑多信息融合的风电机组状态评估与预测系统开发

为降低风电机组故障发生概率,提高其可靠性,该文利用数据采集与监控系统（supervisory control and data acquisition,SCADA）检测获得的风电机组运行状态数据,通过研究多指标融合状态评价模型及其预测算法,解决风电机组状态参数评估与预测难题。结合SCADA系统结构,设计并规划风电机组状态参数评估与预测系统架构与功能;利用输出功率波动、风能利用率以及开机运行比率3项参数,基于阈值法,建立风电机组状态退化评价指标模型,通过主成分分析法对3个评估标准进行权重计算,并将各指标进行信息融合,综合反应风电机组运行状态;设计Convolutional Neural Network-Long Short-Term Memory风电机组状态预测模型,实施风电场运行状态参数预测;开发风电机组状态评估与预测系统软件,验证所提方法的有效性。     

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。     

基于性能改善深度置信网络的风电机组主轴承状态分析

针对风电机组数据采集与监视控制系统采集的状态数据具有大容量、多样性的特点,充分利用该数据研究风电机组主轴承的状态分析方法成为了重要问题。采用深度学习方法分析风电机组主轴承变量间的特征规则,提取反映主轴承状态的特征变量;通过指数加权移动平均法设定阈值检测特征变量的变化趋势,判定异常状态的发生;根据深度置信网络的特点,从数据集变量的异常数据剔除、训练数据批次的选择、参数调优的迭代周期以及在线学习训练等方面对模型性能进行优化和改善,从而使得深度置信网络能够充分挖掘数据集的信息特征,达到有效地反映主轴承状态的目的。通过对主轴承发生故障前、后记录的数据进行仿真分析,结果验证了深度置信网络方法对主轴承状态监测的有效性。     

风电轴承性能退化建模及其实时剩余寿命预测

为了实时掌握风电轴承的剩余寿命,提出一种基于温度特征量的风电轴承性能退化建模及其实时剩余寿命预测方法。由于风速大小和风向的不确定性,使风电轴承温度在较宽的范围波动,采用移动平均法对风电轴承的相对温度数据平滑滤波处理,提取风电轴承性能退化的温度趋势量;考虑风电轴承在运行过程常受到不确定因素影响,使其性能退化速度随时间而改变,基于Wiener过程建立了风电轴承的性能退化模型,并提出基于极大似然估计的实时参数估计方法;以温度监测值首次超过失效阈值判定轴承失效原则,建立了基于逆高斯分布的风电轴承实时剩余寿命预测模型;最后,应用文中所提出的方法,对实际某风电机组的发电机后轴承性能退化过程分析及其剩余寿命进行预测,并与实际剩余寿命进行了对比和分析,表明文中提出的风电轴承性能退化模型及实时剩余寿命预测方法是正确有效的。     

基于SCADA和支持向量回归的风电机组状态在线评估方法

为提高风电机组并网运行的实时可靠性、优化机组维修策略、降低风力发电成本,有必要充分考虑风电机组各部件或子系统之间的相互作用和耦合关系。利用数据挖掘技术,建立了一个针对风电机组整体运行状态的在线评估模型。首先,分析了数据采集与监控(SCADA)报警系统的不足,提出了基于回归预测模型和SCADA报警系统相配合的鲁棒性更强的在线评估方案;其次,对评估方案中的回归预测模型进行了详细说明,建立了以SCADA系统的部分监测项目为输入量、以风电机组有功功率为输出量的基于支持向量回归(SVR)算法的回归预测模型。最后,利用某风电场的实测数据对所提出的在线评估模型进行了验证,结果证明了此方法的可行性。