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。     

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Hadoop平台的风机群落故障预警

针对传统风机故障预警中采用设定单一变量恒定阈值的方法容易造成故障误报、不报以及排查时间不足等问题,提出一种在Hadoop平台采用分布式存储并行式计算的方法对整个风场进行分析。首先对SCADA系统历史数据进行分析,采用聚类方法对工况相似的风机进行群落划分。再依据统计学原理,对每一个风机群落里的风机温度类参数进行箱式分布,从而识别离群风机。最后采用显著性差异分析和滑动窗口的方法对离群风机进行分析判断最终确定异常风机。为进一步预测异常风机的变化特性,采用线性回归方法对异常风机建模并进行预测残差分析。结合一定的现场经验,设置合理的预测残差预警阈值实现异常风机的故障预警功能。通过对某大型风场进行试验验证,该方法在故障预警方面有较高的准确率。     

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。     

XGBoost算法在风机主轴承故障预测中的应用

针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,并评估各特征的重要性;然后利用XGBoost算法构建主轴承故障预测模型,进行模型评估;最后,依据SCADA系统收集的实测数据对模型进行训练和测试,并调整XGBoost模型的主要参数,提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比,结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法,是处理SCADA大规模数据集的有效工具。     

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。     

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LSTM的风机高速轴温度预测及预警方法研究

在风力发电机高速轴温度监视中,最普遍的是设置定值阈值报警,但其触发报警条件单一,当设备温度超过设定温度阈值时触发报警,这种方式只考虑了设备最极限的温度值,无法对设备的缓慢劣化发出趋势预警。本文对风机SCADA系统(数据采集与监视控制系统)进行大数据挖掘,提出了一种基于长短期记忆神经网络(LSTM)的风机高速轴温度预测模型及预警方法,在LSTM输出层后依序加入Dropout层、全连接层和线性回归层进行温度预测,计算预测值与实际值的残差及残差均值,以残差均值为中心线,设置预警逻辑,采用滑动窗口的计数方式,实现高速轴温度趋势预警,解决现有风机高速轴温度监测因风资源不稳定、波动大和非线性的特点,而无法实现高精度提前预测和趋势预警问题。     

基于Relief算法的风电机组故障特征参数提取方法

随着风电技术的快速发展,风电装机容量快速增长,风机SCADA系统监测的数据也越来越全面。风电机组部件故障与运行环境密切相关,可通过重点关注风电场中工况恶劣的风机来提高整体可用率。文章提出一种基于Relief算法从风电机组SCADA数据中提取故障特征参数的方法,根据SCADA历史数据和风机故障记录,利用Relief算法筛选出与风机部件故障相关度高的故障特征参数,作为判断风机运行工况和故障率的特征量。采用实际风电场的SCADA数据,以变桨故障和偏航故障为例进行计算,验证了本方法的有效性。