基于工况辨识的风电机组齿轮箱状态监测

针对大型风电机组复杂多变的运行工况,采用单一固定阈值来评价风电机组运行状态误报警率高的问题,采用标准模糊C均值聚类进行运行工况识别;在各个子工况空间下,利用非线性状态估计方法建立齿轮箱正常工作状态下温度模型进行轴承温度估计;采用滑动窗口残差统计方法对残差进行分析,建立残差均值报警阈值。最后以某风电机组SCADA(数据采集与监视控制系统)数据进行应用研究。结果表明:基于工况辨识的模型可以准确估计齿轮箱温度并能够降低误报警率,可以实时在线监测齿轮箱运行状态。     

基于SCADA数据的风电机组齿轮箱状态监测方法

为解决故障劣化渐变过程的长时间序列对齿轮箱状态监测模型的影响问题,提升其决策精度,提出一种基于数据采集与监控(SCADA)数据的组合建模方法。首先,采用主成分分析法(PCA)选取与齿轮箱温度密切相关的输入观测向量,并应用长短期记忆(LSTM)神经网络分别对齿轮箱正常工况和异常工况独立建立温度模型;其次,结合模型输出结果与SCADA数据提取残差分布特征向量,建立随机森林残差分布模型对机组齿轮箱运行状态进行监测;最后,对某大型风电场机组进行模型建立和仿真研究。结果表明,基于LSTM神经网络结合随机森林算法对风电机组齿轮箱状态监测有较强的实用性和较高的准确率,为后续开展齿轮箱健康度评价提供了新的方法和思路。     

基于IPSO神经网络的风电机组主轴状态监测

风电机组主轴是叶轮和齿轮箱的连接部分,在机组传动链中具有传递转矩和能量的作用,因此对主轴进行状态监测关系到风电机组的稳定性。将改进粒子群算法(IPSO)与BP神经网络相结合构造主轴温度模型并进行预测。当主轴发生故障时,模型输入的观测向量发生异常变化,导致模型预测残差发生改变。为提高主轴异常预警的灵敏度和可靠性,文中采用基于莱依特准则的双滑动窗口对预测残差序列进行实时的统计分析,如果残差均值或标准差超出设定的故障报警阈值时,发出报警信息。     

一种基于非线性偏最小二乘的风电机组齿轮箱状态监测方法北大核心CSCD

风电机组状态监测是提升机组运行水平和经济效益的重要手段。文章提出了一种基于非线性偏最小二乘(PLS)的风电机组齿轮箱状态监测方法,利用数据采集与监控系统(SCADA)数据对齿轮箱油温进行建模和监测。首先,基于无监督聚类对SCADA数据进行预处理,利用相关性分析选取与齿轮箱油温相关的输入变量;然后,构建用于表征非线性关系的输入变量,建立正常运行工况下齿轮箱油温的非线性PLS模型;最后,根据模型输出结果与齿轮箱油温的残差分布,设置合理阈值,用于齿轮箱状态监测。应用该模型对某大型风电机组齿轮箱进行状态监测。监测结果表明,相比于BP神经网络模型,该模型具有更高的拟合优度和预测精度。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型。选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作为预测模型的输入量;使用正常状态下的SCADA数据训练LSTM预测模型,得出预测值和残差,通过3σ准则计算出上下预警阈值,用于风电齿轮箱状态监测和故障预警。某风电场风电齿轮箱的SCADA数据验证表明所提出的方法能有效预警风电齿轮箱故障。     

基于温度参数的风电机组异常识别

文章针对风电机组运行过程中机组早期的异常状态识别问题,提出一种考虑有功功率的基于机组温度参数变化特性的风电机组异常识别模型。首先,分析风电机组各系统与温度相关的参数。然后,利用相关性理论,确定了与有功功率相关的温度参数:齿轮箱高速轴轴承前端温度、齿轮箱高速轴轴承后端温度、齿轮箱油温、发电机驱动端轴承温度、发电机非驱动端轴承温度、发电机定子绕组温度,形成了异常检测的参数体系。再次,以正常状态下机组温度参数的偏度和峰度的最大区间作为阈值,建立风电机组异常识别模型。最后,采用滑动窗口对机组运行状态进行在线监测。通过实例研究发现,当机组发生异常状态时,温度参数的偏度或者峰度超过了阈值,比警报提前了15 d。该识别模型为风电机组的早期故障预警提供了参考。     

基于KECA-GRNN的风电机组齿轮箱状态监测与健康评估

为及时准确地评价风电机组齿轮箱的健康程度,提出一种基于KECA-GRNN的性能监测与评估方法。该方法分为状态监测、故障预测、健康评估3个阶段。在状态监测阶段,将KECA算法应用到风电机组的性能监测中,并采用SPE统计量监测齿轮箱状态。在故障预测阶段,将KECA算法提取的主元数据作为GRNN模型输入,建立KECA-GRNN预测模型,并采用预测残差的变化趋势定义报警限,实现故障的早期预警。在健康评估阶段,将多变量预测残差进行融合,增强评估的可靠性。最后,将该方法应用于某风场一台1.5 WM风电机组在故障前近2个月的部分SCADA数据中,结果表明可提前2周获知齿轮箱发生异常,实现了对风电机组齿轮箱健康状态的准确评估。     

基于确定性随机子空间方法的风机齿轮箱故障预警

齿轮箱故障是造成风电机组停机时间最长的一种故障,对其故障进行早期预警,对保证整机的可靠运行和减少维修费用具有重要意义。文章提出了一种基于确定性随机子空间方法的齿轮箱故障预测算法,首先,该算法利用齿轮箱正常状态的实时监测振动和转速数据,建立齿轮箱的状态空间模型,并得到一组参考特征值;然后利用这组参考特征值与实际监测数据所求特征值进行比较,利用均方根误差(RMSE)作为齿轮箱故障预警指标,并结合统计过程控制原理定义该指标的门槛值,来实现对齿轮箱运行状态的监控。通过对实际监测数据的仿真验证,表明了所提方法的正确性和有效性。     

基于改进人工蜂群算法的Elman神经网络风机故障诊断

在风机齿轮箱故障诊断过程中,针对由于故障数据稀疏导致模型建立困难的问题,提出一种使用改进人工蜂群算法(IABC)优化Elman神经网络的故障诊断模型。该模型通过建立齿轮箱正常状态下的温度模型,采用残差分析,得到齿轮箱的故障状态,降低了建立模型的复杂度。采用IABC对Elman神经网络的相关参数进行优化,解决了Elman网络收敛速率慢、易陷入局部最优的问题。在IABC算法中,观察蜂阶段采用动态搜索策略,实现搜索能力和开发能力的平衡;在侦查蜂阶段,通过引入混沌变量扰动,增大种群多样性,进而达到全局最优。通过华北某风电场历史数据进行实验,结果表明,IABC与Elman神经网络的结合可对风机齿轮箱故障状态进行识别,且诊断正确率较高,可应用于实际故障诊断。     

基于CAE与BiLSTM结合的风电机组齿轮箱故障预警方法研究

针对风电机组故障频发且早期故障监测难的问题,为实现风电机组智能监测,提出基于卷积自编码(CAE)与双向长短期神经网络(BiLSTM)的风电机组齿轮箱故障预警方法。首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,选择能表征风电机组齿轮箱运行状态的监测量作为输出量,根据相关性分析选择与输出量相关性高的监测量作为输入参数;然后根据特征选择特性和参数非线性特性构建深度学习网络模型,对输出的预测值和残差进行统计分析,设置自适应阈值来监测风电机组异常状态的趋势变化。将CAE-BiLSTM模型应用于某风电场的算例分析中,并与其他模型的预测效果进行对比。结果表明：该方法解决了模型输入与结构冗余问题,提高了模型精度,能够有效预警风电机组齿轮箱早期故障。