一种基于DSP的风电机组齿轮箱故障在线自动识别方法

目前风电机组故障诊断主要是现场对机组数据进行采集,再通过人机交互的方式对数据进行离线处理和分析,评估机组的状态.由于机组数量多,传动系统结构复杂,测点多,数据分析任务重,状态报告往往滞后,容易故障漏报.本文提出了一种基于DSP的风电机组齿轮箱故障在线自动识别的方法,根据齿轮箱振动特性原理,采用阶比分析与幅值调制算法,求取相应的幅值调制比率,对幅值调制比率进行分析,判别故障状态.以数字信号处理器TMS320C6748为实现平台,针对齿轮箱不同工况下采集的定速与变速振动加速度信号的自动处理,验证故障在线自动识别的准确性和可靠性,人机交互界面可以直观显示齿轮箱运行状态.齿轮箱状态在线识别对于降低风电机组运维费用、提高效率具有重要的意义.     

基于ARIMA风电机组齿轮箱故障趋势预测方法研究

针对齿轮箱计划外停机和意外故障导致的风电机组安全运行问题,提出了一种基于ARIMA模型的故障趋势预测方法;方法可以处理具有非线性和非平稳性特征的齿轮箱运行状态监测数据,用以时间序列的自相关分析为基础的模型预测状态监测时间序列数据的趋势变化;选择生产现场采集到的齿轮箱油泵出口压力SCADA数据和运行实例验证了方法的有效性,实验结果的拟合效果令人满意;研究结果表明方法能够适应齿轮箱运行状态监测数据随时间的变化特征,反映出一定的运行状态变化趋势,具有较好的预测精度和较大的应用范围,对风电机组其他部件的故障趋势预测具有一定的应用参考价值。     

采用动态劣化度的风电机组运行状态实时评估

为满足大数据环境下风电机组状态评估的实时性要求,提出一种基于动态劣化度的实时状态评估方法.首先,建立动态劣化度计算模型;然后,引入正态云模型取代传统隶属函数,将正态云模型与模糊综合评价法相结合,形成风电机组运行状态实时评估方法;最后,基于辽宁某风电机组的SCADA数据,利用所述方法对其进行状态评估.实验结果表明:该方法能够准确把握机组的实时运行状态,并对其早期缺陷及时预警,有助于防范机组严重故障的发生.     

基于广义回归神经网络的风电机组性能预测模型及状态预警

提出了一种基于广义回归神经网络（GRNN）的风力发电机组性能预测及异常状态预警方法。通过分析运行中影响风机主轴转速和发电功率的主要因素,确定了性能预测模型的输入和输出参数。运用SCADA系统的真实历史数据,采用广义回归神经网络（GRNN）建立了风电机组的性能预测模型,通过比较模型的预测精度对GRNN的平滑因子进行了优选。以此模型为基础,采用滑动数据窗方法实时计算风电机组转速和功率的残差评价指标,当评价指标连续超过预先设定的阈值时,则可判断风电机组状态异常。采用某实际风电机组若干历史故障发生前后的真实SCADA数据进行模拟,验证了方法的有效性。     

基于风速与功率关系的风电机组 运行状态健康指标

风电机组状态识别对于风电机组安全可靠经济运行具有重要现实意义.从风电机组能量转换分析出发,提出和分析了4种基于风速与输出功率关系的风电机组运行状态健康指标的物理力学内涵和计算方法;然后,以2 MW风电机组SCADA数据为基础,对比分析4种健康指标的识别性能,结果表明:基于欧式距离的风电机组运行状态健康指标的识别性能最佳.这为风电机组实时在线运行状态识别提供了一种新途径.     

柱塞泵机组故障诊断振动信号分析法

介绍利用柱塞泵表面振动信号不解体诊断柱塞泵机械运动部件故障的研究,首先讨论了柱塞泵机组的结构与运动特点,确定了振动监测部位;其次分析了柱塞泵机组的振动激励源和影响因素,根据理论与经验公式,计算了各激励源振动特征频率,分析研究了柱塞泵组各组件部位故障振动频谱识别特征,对现场运行设备诊断结果的分析说明,利用振动信号对柱塞泵机组主要运动部件状态进行监测与故障诊断是可行的。     

柱塞泵机组故障诊断振动信号分析法

介绍利用柱塞泵表面振动信号不解体诊断柱塞泵机械运动部件故障的研究 .首先讨论了柱塞泵机组的结构与运动特点 ,确定了振动监测部位 ;其次分析了柱塞泵机组的振动激励源和影响因素 ,根据理论与经验公式 ,计算了各激励源振动特征频率 ,分析研究了柱塞泵组各组件部位故障振动频谱识别特征 .对现场运行设备诊断结果的分析说明 ,利用振动信号对柱塞泵机组主要运动部件状态进行监测与故障诊断是可行的     

风电机组传动系统网络化状态监测与故障诊断系统设计

针对现有风电机组监测系统无法对其传动系统早期故障进行有效诊断的问题,研发了一套基于B/S和C/S混合架构的风电机组传动系统网络化状态监测与故障诊断系统。根据应用需求设计了风电机组传动系统状态监测和故障诊断系统、整体框架和功能模块;结合数据采集设备,基于.ENT和SQL Server平台研发了风电机组传动系统状态监测和故障诊断系统,包括网络化数据采集、远程状态监测、信号分析、故障诊断和数据库服务器等模块。该系统成功应用于某风场风电机组传动系统状态监测和故障诊断。     

风电机组数据采集与监控系统异常数据识别方法

为了解决原始的风电机组数据采集与监控系统(SCADA)中包含大量异常记录的数据、难以准确反映机组运行状态的问题,提出了一种带噪声基于密度的空间聚类(DBSCAN)模型的风电机组SCADA异常数据识别方法。该方法从分析风速-功率曲线的特点出发,采用预测误差和分类准确度来选取关键聚类参数邻域半径和邻域最小样本点数,避免了人工确定聚类参数的主观性,且参数选择过程可以完全自动化,实现了风电机组SCADA异常数据的有效识别。通过某风场中风电机组的监测数据进行实例验证,结果表明：所提方法能够在保证异常数据被剔除的前提下,保留尽可能多的正常数据,异常识别效果好于现有的k-dist图法和基于k-平均最近邻算法的改进算法(KANN-DBSCAN)。该研究可为开展风电机组状态分析提供参考。     

基于联合特征的风电机组故障检测

为了提高风电机组的运行可靠性,有必要对风电机组的故障信号进行实时采集并分析.在风电机组的故障检测诊断技术中,有语音信号诊断技术、振动信号诊断技术、电量参数诊断技术,振动信号诊断技术相对于其它诊断技术能更好地反映风电机组的实际工况.提出一种基于小波分析的联合特征提取方法,结合BP神经网络对风电机组的故障进行分析和诊断.以风电机组齿轮箱故障诊断为例,通过频谱分析和模式识别,发现基于联合特征的分析相对于单特征提取在一定程度上提高了诊断精度.     

大机组振动信号复杂性的定量描述

基于非线性动力系统的复杂性刻划理论,提出用Ｋｏｌｍｏｇｏｒｏｖ复杂性测度定量评估大机组运行状态．机组运行过程中故障的发生、发展、状态的变化,将导致机组振动信号复杂性的变化．分析结果表明,Ｋｏｌｍｏｇｏｒｏｖ复杂性测度能有效地描述大机组振动信号的复杂性,可作为一定量指标用于机组运行状态监测．     

风力发电机组偏航余压动态控制分析

某风电场水平轴风力发电机组在大风条件下偏航控制运行过程中频繁报振动类故障,导致多台机组故障停机,降低了整个风场的可利用率.通过对机组故障数据进行分析发现,机组的加速度在偏航动作时存在瞬时突变,导致机组容易触发振动加速度超限,且机组在偏航过程中存在机舱"跑飞"现象.为了解决该问题,对机组偏航控制逻辑进行分析,给出了偏航卡钳制动力与偏航余压关系,确认了偏航液压不足是引起该故障的根源.通过给定动态偏航余压控制方式,解决了偏航过程中振动过大情况、偏航过程中"跑飞"现象以及偏航加速度跳变问题.     

基于信息融合的风电机组老化评估研究

针对老化导致的风电机性能退化问题提出了一种基于信息融合的风电机组整体老化评估方法。选取SCADA数据中的输出功率、机舱振动、主轴承温度、发电机后轴承温度、齿轮箱转速和机舱温度作为老化评估标准,通过神经网络求取各评估标准的权重,将评估标准的信息进行融合,建立整体老化评估模型,并验证其可靠性。研究表明,利用信息融合的方法建立风电机组的老化评估模型简单有效,可靠性高,为后续风电机组老化程度的研究提供了新的思路。     

风电机组主轴系统实时可靠性分析与预测方法研究

对于历史数据不完整的风电机组系统,运行过程中需要对系统和设备进行实时可靠性分析和预测。以风电机组主轴轴承系统为例,以参数偏差为其量化指标,建立实时的可靠性评价模型,对风电机组主轴轴承系统进行实时状态评价和可靠性分析。同时,基于灰色预测法对监测参数进行趋势预测。根据趋势预测结果,结合实时可靠性分析所确定的系统当前状态评价结果,及时预警并识别故障,确定设备维修方案,保障风电机组良好运行。     

基于数据挖掘技术的SCADA系统不良数据状态估计

现有的不良数据状态估计存在很多的弊端,本文应用数据挖掘的方法,使用SCADA数据库中的数据对不良数据进行估计.首先应用分类树方法,按照网络的运行模式与时间分类形成树,把SCADA数据库分成子数据库,提高运算速度.然后使用近邻法则对不良数据进行估计,最后应用IEEE14标准节点网络仿真生成150组数据,从中随机抽取20组作为测试数据人工插入故障点进行检验.理论分析和实际算例表明,该算法精度高,程序简单,便于在线计算,可以满足故障数据估计的准确度要求.     

基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

某厂600MW机组2瓦轴振突变原因分析及处理

火电厂机组振动是一种复杂物理现象,由于振动带来不安全的隐患,近年来时有发生这方面案例。随着600 MW大型机组大批投运,均安装了在线振动监测系统和离现振动分析仪,给专业技术人员全面了解大修后机组整体启动和在网运行过程中设备的状态,识别故障早期特征,故障部位发挥独特的作用。     

基于小波变换的风电机组传动系统故障诊断与分析

随着人类对能源的大量需求,电力行业飞速发展,风力发电以其投资成本低,机组结构简单,绿色环保,已经逐渐成为清洁能源的发展趋势,而风电场建成后的运行维护成本直接决定着风电场的效益,因此,对风电机组的典型故障进行分析,建好机组健康管理档案就显得非常重要.在对风电机组传动系统的组成和各部分的功能及风电机组的主要传动部件的故障机理及故障类型分析的基础上,以某风电场实际发生的弹性支承螺栓断裂及联轴器损坏故障为研究对象,应用小波变换进行故障的诊断和定位,分析故障产生的成因、发展过程及趋势.以新西兰况得实公司的风电机组振动检测仪器及自带分析软件对小波变换分析结果进行了验证,结果与实际状况非常吻合.据此提出了今后避免此类故障发生的预防措施和改进方法,以期为今后风电场的运营维护提供可靠的技术支持.     

旋转机械振动的频域多维时序预报

旋转机械是化工、发电大型企业的关键设备，为减少因定期维修和突发故障造成的经济损失，需在实时状态监测的条件下进行状态预报．目前一般通过对机组振动的时域信号预报机组的运行状态，但时域信号与机组运行状态之间的本质特征关系并不直观和确切，同时在旋转机械的转动速度有波动时该方法并不有效．本文在考虑机组转速有波动的前提下，对振动频谱进行规范化处理，并根据相应的的数学力学分析。把振动频谱作为多维时间序列进行机械状态预报．     

基于正常域的无故障数据条件下轴承隐患监测

针对滚动轴承状态辨识和监测中缺乏故障数据的实际情况,系统化地提出基于正常域估计理论的隐患监测方法;对正常域理论中的基本概念进行阐述,并给出正常域的形式化表达;梳理基于正常域估计进行隐患监测的学术思想和实施步骤,提出基于凸包理论解决正常域边界估计问题,并选用快包法进行边界估计,基于滚动轴承的振动数据进行实验。结果表明,基于快包法的正常域边界估计方法快速并且有效,估计出的正常域边界能够区分正常和异常状态,验证了所提出的方法的可行性。