【技术实现步骤摘要】
风力发电机组的故障、寿命预测方法和装置
本申请涉及风力发电机组领域,尤其涉及一种风力发电机组的故障、寿命预测方法和装置。
技术介绍
寿命预测是指对设备剩余有效使用寿命进行预测,即预测从当前时刻开始计算,设备在当前的使用条件下能够安全、经济运行的时长。目前,寿命预测方法主要分为两类,分别为基于物理模型(物理模型主要基于设备本身的性能数据)的寿命预测方法和基于数据驱动(数据驱动主要基于设备的运行数据)的寿命预测方法,完备的物理知识是保证基于物理模型建立精准的寿命预测模型的关键,而随着科学技术的不断发展,机械设备逐渐趋于复杂化,对于复杂的高可靠性、长寿命系统,获取系统的、全面的物理失效机理和物理结构是极为困难的,所以基于物理模型的寿命预测方法在应用和研究上受到了很大程度的限制。随着物联网、互联网和计算机技术的发展,获取数据比建立准确的系统物理模型更为容易,因此,数据驱动模型逐渐成为更为有效的解决寿命预测的方法。可靠性模型是发展最为成熟的基于数据驱动的寿命预测模型,其中威布尔(Weibull)分布是可靠性模型中最为常用的一种模型,它可以描述多种不同的失效类型。传统的Weibull模型无法考虑个体机组(如风力发电机组)不同状态下的可靠性变化,因此提出一种威布尔比例风险模型WeibullPHM,其以Weibull分布作为基线函数,机组的监测数据作为模型协变量的比例风险模型,其同时考虑运行时长和监测数据作为影响机组可靠性的主要因素,给出准确的可靠性寿命预测模型,监测数据仅在时间层面影响模型的失效率函数,若仅将这些变量作为影 ...
【技术保护点】
1.一种风力发电机组的故障预测方法,其特征在于,所述方法包括:/n获取风力发电机组在不同时刻的运行时长和工况数据,所述工况数据包括至少一种;/n根据所述运行时长、所述工况数据和威布尔比例风险模型,预测所述风力发电机组的累积失效概率,其中,所述威布尔比例风险模型中的形状参数的大小与所述至少一种工况数据的大小正相关。/n
【技术特征摘要】
1.一种风力发电机组的故障预测方法,其特征在于,所述方法包括:
获取风力发电机组在不同时刻的运行时长和工况数据,所述工况数据包括至少一种;
根据所述运行时长、所述工况数据和威布尔比例风险模型,预测所述风力发电机组的累积失效概率,其中,所述威布尔比例风险模型中的形状参数的大小与所述至少一种工况数据的大小正相关。
2.根据权利要求1所述的风力发电机组的故障预测方法,其特征在于,所述工况数据包括风速、所述风力发电机的发电机转速、发电机U相绕组温度、发电机非驱动端轴承温度、发电机有功功率和发电机驱动端轴承温度中的至少一种。
3.根据权利要求1所述的风力发电机组的故障预测方法,其特征在于,所述形状参数为指数函数,所述指数函数以所述至少一种工况数据作为自变量,所述指数函数的底大于1。
4.根据权利要求1或3所述的风力发电机组的故障预测方法,其特征在于,所述形状参数的大小与多个工况数据的大小分别正相关。
5.根据权利要求1所述的风力发电机组的故障预测方法,其特征在于,所述方法还包括:
在对所述风力发电机组的故障进行预测之前,确定所述威布尔比例风险模型的模型参数。
6.根据权利要求5所述的风力发电机组的故障预测方法,其特征在于,所述确定所述威布尔比例风险模型的模型参数,包括:
获取SCADA系统采集的多个风力发电机组的SCADA数据,所述SCADA数据包括多个数据组,每个数据组包括同一时刻下的所述风力发电机组的多种类型的工况数据及所述风力发电机组在该时刻的运行时长,所述多个风力发电机组包括处于故障状态的风力发电机组及处于健康状态的风力发电机组;
基于所述SCADA数据,确定所述威布尔比例风险模型的模型参数。
7.根据权利要求6所述的风力发电机组的故障预测方法,其特征在于,所述获取SCADA系统采集的多个风力发电机组的SCADA数据之后,所述基于所述SCADA数据,确定所述威布尔比例风险模型的模型参数之前,还包括:
对所述SCADA数据进行预处理;
所述基于所述SCADA数据,确定所述威布尔比例风险模型的模型参数,包括:
基于预处理后的SCADA数据,确定所述威布尔比例风险模型的模型参数。
8.根据权利要求7所述的风力发电机组的故障预测方法,其特征在于,所述对所述SCADA数据进行预处理,包括以下至少一种方式:
...
【专利技术属性】
技术研发人员:姜孝谟,马明骏,成骁彬,唐伟健,陈庆,赵海心,林琳,惠怀宇,
申请(专利权)人:上海电气风电集团股份有限公司,大连理工大学,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。