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。     

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。     

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。     

基于梯度提升决策树的风电机组 齿轮箱故障检测

针对传统提升算法在处理风电机组运行大数据时,存在效率和准确度低、实时性差等问题,提出基于梯度提升决策树的风电机组齿轮箱故障检测方法。首先,结合专家经验并利用最大信息系数分析风电机组海量大数据之间的相关性,在此基础上进行特征选择得到合理的特征向量;其次,利用贝叶斯超参数优化算法,优化梯度提升决策树算法中关键参数,建立基于梯度提升决策树的故障检测模型;最后,将经过最大信息系数分析处理后的特征向量作为梯度提升决策树故障检测模型的输入值,将齿轮箱不同工况下类别作为输出值。实验结果表明,该方法具有更低的漏报率和误报率,具有更强的泛化能力,能实时检测故障,降低维护成本。     

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。     

基于支持向量数据描述和XGBoost的风电机组异常工况预警研究

该文提出一种基于支持向量数据描述（SVDD）和XGBoost模型的风电机组异常工况预警方法。从机组监控与数据采集系统（SCADA）数据中选择与转速和发电功率密切相关的特征变量,利用SVDD算法对建模数据进行预处理,采用XGBoost建立风机正常性能预测模型。以所建预测模型为基础,构建时间滑动窗计算性能评价指标,并根据统计学的区间估计理论合理确定风机性能异常预警指标阈值。采用某风电场1.5MW风电机组SCADA系统记录的若干真实故障案例,开展异常工况预警仿真试验。结果表明：基于SVDD和XGBoost的风机异常工况预警方法,可以有效地清洗数据,及时识别风电机组异常状态,对于提高风电机组运行的安全性具有较好的工程实用意义。     

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。     

风电机组脱网的风险评估(英文)

随着风电机组大规模并网,风电对电力系统的影响逐渐显现。我国多次发生风电机组连锁脱网事故,影响了电力系统的运行。为了预警风电机组脱网,保证电力系统的安全运行,提出风电机组脱网的风险评估模型。由于故障组合数量爆炸,不可能在线分析所有的可能故障。因此,建立风电机组脱网指标,来衡量发生故障时风电机组的脱网概率。该指标不但考虑电力系统故障,同时也考虑了风电场内部故障。根据脱网指标和风电场到故障点的电气距离,对预想故障进行排序和筛选,生成有效预想故障子集;仅对有效故障集内的可能故障进行在线风险评估和风电机组脱网预警。该模型可以给出风电机组脱网容量。对某省电网在线数据仿真分析,验证了理论方法的正确性和预警模型有效性。     

基于改进AAKR的风电机组齿轮箱状态监测

针对自联想核回归(AAKR)算法在计算相似度时未考虑状态向量中各元素对欧氏距离贡献程度不一、模型参数常依据主观经验进行标定而导致模型精度较低的问题,提出基于旗鱼优化（SFO）的改进AAKR算法建立齿轮箱正常行为模型的非参数建模方法。首先,以全参数等间隔划分方法构建记忆矩阵;其次,在AAKR模型中引入距离权重系数并通过SFO算法对AAKR模型中的宽度系数和距离权重系数进行优化;最后基于滑动窗口和残差数据构造健康指数实现风电机组齿轮箱的状态监测。以某台2MW风电机组实测数据为例进行验证,结果表明,相比于传统AAKR、加权AAKR和稳健状态估计模型,所提算法平均精度分别提高了1.55%、0.6%、0.76%,在故障预警时通过所构造的健康指数能够更灵敏、准确的反映齿轮箱的早期故障及其发展趋势。     

风力发电机组状态监测与智能故障诊断系统的设计与实现

风力发电机组状态监测和故障诊断技术,可以有效降低机组的运行维护成本,保证机组的安全稳定运行。阐述了风力发电机组的基本构成。在介绍风电机组常见故障的基础上,分析了机组中的主要部件齿轮箱和发电机的故障。针对齿轮箱和发电机的故障提出了一种智能诊断的新方法,并以此设计开发了风力发电机组状态监测与智能故障诊断系统,详细介绍了该系统的原理、结构及功能。     

极端条件下基于改进深度森林的行星齿轮箱故障诊断方法

齿轮箱是风电机组重要且易出现故障的设备,早期故障威胁系统运行安全。在极端条件中高效、准确的齿轮箱故障诊断对风电机组的安全稳定运行至关重要,因此提出了基于改进深度森林的行星齿轮箱故障诊断方法。为了实现不平衡小样本与强噪声的极端条件下行星齿轮箱故障的高效诊断,首先针对旋转机械振动数据样本较少与不平衡的情况,在Wasserstein生成对抗网络中引入梯度惩罚,生成样本补充原始数据集。然后利用多粒度扫描处理振动信号数据点之间的联系,增强数据中的故障特征。最后在级联森林内部引入新的基学习器并运用量子粒子群算法优化参数,获得具有高诊断精度的模型结构进行故障分类,输出诊断结果。经与其他智能诊断方法在多场景下进行的对比实验,证实了所提方法在极端条件下的分类效果较好,能有效提高齿轮箱故障诊断的准确性。     

基于增量式相对熵的风电机组实时状态监测

针对风电机组的实时状态监测问题,提出了一种基于增量式相对熵的残差分析方法。 首先,通过分析滑动窗口数据特 点,推导了适用于实时运算的增量式相对熵的计算公式,其时间复杂度为 O(1),要低于常规计算方法的 O( n)。 接下来,提出 了一种基于数据驱动和正常行为建模的风电机组实时状态监测方法,并将增量式相对熵作为实时残差分析的指标。 最后,用某 2 MW 风电机组的实际齿轮箱故障数据为算例,验证了该方法的有效性。 结果表明,相对熵残差分析能够至少提前 8 ~ 10 d 实 现故障预警,优于常规的统计量;增量式相对熵的计算时间仅相当于常规方法的 0. 4% ~ 1. 9%,在实时性上有显著优势。     

基于图注意力和时间卷积网络的风电齿轮箱故障预警方法

针对风电齿轮箱故障预警中数据信息挖掘不充分问题,提出一种基于图注意力和时间卷积网络的风电齿轮箱故障预警 方法。 分别从时间与空间尺度建立各特征点的物理联系,拓宽特征维度以提升故障预警精度。 图注意力网络构建不同数据测 点间的空间拓扑结构,遍历每个节点的相邻节点进行加权求和达到聚合信息的目的;时间卷积网络使用特殊的因果膨胀卷积和 残差网络,扩大感受野,提升时间特征捕捉能力。 以华北某风电场实际数据为例进行验证,结果表明,提出方法能够在故障发生 前 122 h 监测到风电齿轮箱的异常状态并发出预警信号;与其他方法进行对比,提出方法预警时间提前 52~ 63 h,模型预测误差 减小 1. 05% ~ 3. 76%;使用 t-SNE 和概率密度曲线提升结果可解释性。     

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。     

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。     

基于深度自编码网络模型的风电机组齿轮箱故障检测

为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。     

基于改进威布尔分布的风电机组关键部件可靠性评估

针对风电机组工作环境恶劣,其发电机、齿轮箱等关键部件可靠性难以准确评估的问题,文中以某型号风机齿轮箱为例,提出了一种基于改进威布尔分布模型的可靠性评估方法。该方法对传统的平均秩次法进行了优化,克服了传统平均秩次法只考虑每个非停机故障发生的位置,而未考虑停机故障区间长度对结果的影响,造成参数估计误差的问题。在考虑风电机组关键部件的停机故障数据与非停机故障数据的基础上,分别采用威布尔分布模型与改进威布尔分布模型对风电机组关键部件进行评估。进一步得到可靠度函数曲线与失效率函数曲线,并对其进行相关分析。通过实例分析,对比两种模型的参数估计结果,验证了提出的新方法可以计算出精确度更高的参数,使得评估结果更加符合风电机组运行的实际情况。