基于SCADA数据分析的风机齿轮箱故障检测方法技术

本发明专利技术公开了工业节能行业技术领域的基于SCADA数据分析的风机齿轮箱故障检测方法，具体包括以下步骤：S1：运用简单有效的算法对风电机组的SDACA数据进行预处理，排除无效数据并合并所有有效数据以生成培训数据集；S2：利用数据挖掘的方法开发基于训练数据集的预测模型；S3：通过预测模型计算出风机组的拟合误差；S4：根据各风机的拟合误差，编制统计过程控制图，给出上下控制限值，如果风机拟合误差的安装误差超过控制限值，齿轮箱故障报警将被激活。利用普通变速箱的数据训练深度神经网络来预测其性能，用正常和异常变速箱的数据对所建立的DNN模型进行了验证，通过拟合误差利用统计过程控制图对齿轮箱的异常行为进行检测，及时发现风机齿轮箱故障情况。

Fault detection method of fan gearbox based on SCADA data analysis

【技术实现步骤摘要】
基于SCADA数据分析的风机齿轮箱故障检测方法
本专利技术涉及工业节能行业
，具体为基于SCADA数据分析的风机齿轮箱故障检测方法。
技术介绍
由于风电场的老化，运行和维护(OM)成本变得非常重要。风力发电机组的主要子系统，如齿轮箱、发电机、轴承等是状态监测和故障检测研究中最受关注的部分。如果能够提前检测到故障，从而使运营商有足够的时间调整发电计划并准备更换设备，运营成本将大大降低。由于变速箱占总成本的很大一部分，其故障可能会导致过多的停机时间，本专利技术需要建立有效的风电齿轮箱监测模型减少过多的停机时间从而降低总成本。传统的齿轮箱监测方法是在频域分析振动信号。Mohanty等人(2006)利用对当前信号的离散小波变换检测多级变速箱。罗等人(2014)采用谱分析和加速度包络技术提取齿轮损伤特征，采用同步分析法准确检测具体损伤特征。近年来，数据挖掘算法也被引入到齿轮箱的异常性能检测中，Rafiee等人(2007)基于小波包系数的标准差，利用神经网络对不同的齿轮状态进行建模。张等人(2012)将数据挖掘算法与控制图相结合，监测变速箱的振动激励。由于以往的研究通常需要安装额外的传感器，因此很难获取实际工业应用的振动数据。但是目前连接风力涡轮机和气象站的SCADA系统已在大多数现代风电场中建成，与振动数据相比，SCADA数据在时间域上具有相对便宜和非侵入性的特点。此外，该监测模型可以应用于不同的运行工况。冯等(2013)导出了温度和功率输出之间的稳健关系，并利用SDACA油温预测齿轮箱故障。Gacia等(2006)用神经网络算法模拟了齿轮箱在轴承油温下的正常行为，并应用该模型检测变速箱中的初期异常。王等(2013)采用非线性状态估计技术建立油温模型，并考虑韦尔奇t检验进行故障检测。本专利技术利用SCADA数据对变速箱进行了初步研究，并将变速箱油温作为监测目标。但由于齿轮箱油温易受环境影响，测量数据噪声大，所以本专利技术考虑了一个可供选择的监测目标，即受环境影响较小的齿轮箱润滑油压力，同时采用深度神经网络算法建立齿轮箱润滑油压力预测模型，并引入统计控制图检测风电齿轮箱中存在的异常行为，从而建立基于SCADA系统数据分析的风机齿轮箱故障监测方法。
技术实现思路
本专利技术的目的在于提供基于SCADA数据分析的风机齿轮箱故障检测方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：基于SCADA数据分析的风机齿轮箱故障检测方法，具体包括以下步骤：S1：运用简单有效的算法对风电机组的SDACA数据进行预处理，排除无效数据并合并所有有效数据以生成培训数据集；S2：利用数据挖掘的方法开发基于训练数据集的预测模型；S3：通过预测模型计算出风机组的拟合误差；S4：根据各风机的拟合误差，编制统计过程控制图，给出上下控制限值，如果风机拟合误差的安装误差超过控制限值，齿轮箱故障报警将被激活。3.优选的，所述预测模型以润滑油压力为监测目标，建立变速箱预测模型，包括以下两个阶段：第一阶段：利用DNN算法建立润滑油压力预测模型；第二阶段：构建EMWA控制图，利用UCL和LCL对齿轮箱故障进行报警。优选的，在所述第一阶段中，该预测模型基于代表风电机组正常运行的所有正常风电机组的SCADA数据来训练的，对正常和异常风机的拟合误差进行了估计；所述拟合误差为e，e的计算方法为其中为预测油压，为实际油压。优选的，在所述第一阶段中，还包括一具有三个隐藏层的DNN来模拟从输入To、Po和Ts到输出Pl的映射，DNN的训练过程是通过最小化平均平方拟合误差来估计参数Wn和bn，这两个参数分别是n层的权值和偏差，公式如下所示：油压计算公式为：参数计算公式为：L表示隐藏层层数。优选的，所述第二阶段具体步骤如下：EMWA的静态测试值zt计算公式为：zt＝λet+(1-λ)zt-1；其中et是时间t的重建误差，λ是满足0<λ<1的常数；从上式中可知zt的均值和方差就是标准误差e的平均值和标准偏差：EWMA控制图的控制限值基于±L西格玛限值，其中L通常等于3，EWMA的控制上限和下限取决于时间t，其公式如下：与现有技术相比，本专利技术的有益效果是：(1)成本低、本专利技术无需安装额外的传感器，直接在已有的SDACA系统中使用，能够准确获得工业应用的SCADA数据；(2)非侵入性、由于连接风力涡轮机和气象站的SCADA系统已经在大多数风电场中建成，与传统监测使用的振动数据相比，SCADA数据在时间域具有非侵入性的特点；(3)针对性强、本专利技术面对不同的运行工况，利用半监督学习技术建立预测模型在线监测，异常涡轮一旦产生超过监测限值的错误就会激活齿轮箱故障警报，采取相应的措施，减少变速箱因故障发生的停机时间，从而降低成本。具体实施方式下面对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。实施例1基于SCADA数据分析的风机齿轮箱故障检测方法，其特征在于：具体包括以下步骤：S1：运用简单有效的算法对风电机组的SDACA数据进行预处理，排除无效数据并合并所有有效数据以生成培训数据集；S2：利用数据挖掘的方法开发基于训练数据集的预测模型；S3：通过预测模型计算出风机组的拟合误差；S4：根据各风机的拟合误差，编制统计过程控制图，给出上下控制限值，如果风机拟合误差的安装误差超过控制限值，齿轮箱故障报警将被激活。所述预测模型以润滑油压力为监测目标，建立变速箱预测模型，包括以下两个阶段：第一阶段：利用DNN算法建立润滑油压力预测模型；该预测模型基于代表风电机组正常运行的所有正常风电机组的SCADA数据来训练的，对正常和异常风机的拟合误差进行了估计；所述拟合误差为e，e的计算方法为其中为预测油压，为实际油压。还包括一具有三个隐藏层的DNN来模拟从输入To、Po和Ts到输出Pl的映射，DNN的训练过程是通过最小化平均平方拟合误差来估计参数Wn和bn，这两个参数分别是n层的权值和偏差，公式如下所示：油压计算公式为：参数计算公式为：L表示隐藏层层数。第二阶段：构建EMWA控制图，利用UCL和LCL对齿轮箱故障进行报警。6.具体步骤如下：EMWA的静态测试值zt计算公式为：zt＝λet+(1-λ)zt-1；其中et是时间t的重建误差，λ是满足0<λ<1的常数；从上式中可知zt的均值和方差就是标准误差e的平均值和标准偏差：EWMA控制图的控制限值基于±L西格玛限值，其中L通常等本文档来自技高网...

【技术保护点】
1.基于SCADA数据分析的风机齿轮箱故障检测方法，其特征在于：具体包括以下步骤：/nS1：运用简单有效的算法对风电机组的SDACA数据进行预处理，排除无效数据并合并所有有效数据以生成培训数据集；/nS2：利用数据挖掘的方法开发基于训练数据集的预测模型；/nS3：通过预测模型计算出风机组的拟合误差；/nS4：根据各风机的拟合误差，编制统计过程控制图，给出上下控制限值，如果风机拟合误差的安装误差超过控制限值，齿轮箱故障报警将被激活。/n

【技术特征摘要】
1.基于SCADA数据分析的风机齿轮箱故障检测方法，其特征在于：具体包括以下步骤：
S1：运用简单有效的算法对风电机组的SDACA数据进行预处理，排除无效数据并合并所有有效数据以生成培训数据集；
S2：利用数据挖掘的方法开发基于训练数据集的预测模型；
S3：通过预测模型计算出风机组的拟合误差；
S4：根据各风机的拟合误差，编制统计过程控制图，给出上下控制限值，如果风机拟合误差的安装误差超过控制限值，齿轮箱故障报警将被激活。


2.根据权利要求1所述的基于SCADA数据分析的风机齿轮箱故障检测方法，其特征在于：所述预测模型以润滑油压力为监测目标，建立变速箱预测模型，包括以下两个阶段：
第一阶段：利用DNN算法建立润滑油压力预测模型；
第二阶段：构建EMWA控制图，利用UCL和LCL对齿轮箱故障进行报警。


3.根据权利要求1所述的基于SCADA数据分析的风机齿轮箱故障检测方法，其特征在于：在所述第一阶段中，该预测模型基于代表风电机组正常运行的所有正常风电机组的SCADA数据来训练的，对正常和异常风机的拟...

【专利技术属性】
技术研发人员：宋哲，
申请(专利权)人：南京松数科技有限公司，
类型：发明
国别省市：江苏;32