【技术实现步骤摘要】
一种风机零件寿命预测方法与系统
[0001]本专利技术涉及风机零件寿命预测领域,具体涉及一种风机零件寿命预测方法与系统。
技术介绍
[0002]随着风电机组装机容量逐年增长,伴随着新的问题产生,风机运行时间与停机总时间差距悬殊,风机故障是风机运行时间不足的重要原因,风机故障中关键零部件的故障率和故障维修费用又占风机故障的的绝大部分比例,风机关键零部件主要包括:齿轮箱系统、轮毂、传动系统、发电机、桨叶、偏航系统、变桨系统、传感器、控制系统、电气系统等,因此对风机关键零部件进行有效监控和预测,成为主要的研究对象,随着信息传感技术的快速发展,工业系统实现了对系统关键零部件运行状况的实时监测,对经过信号处理后的数据进行分析和挖掘,检测系统的运行状态得到系统的剩余寿命预测值,从而识别风机的故障发生情况,并且依据预测结果对风机运维进行合理性规划,从而制定出合理的运维策略;
[0003]当前风机关键零部件寿命预测相关研究中,基于物理模型的寿命预测方法主要依据零部件载荷和疲劳累计损伤原理对零部件的剩余寿命进行预测和从载荷分析角度通过有限元分析方法进行模拟仿真获得风机零部件的疲劳寿命,这样的方法由于没有充分考虑风电机组实际的运行环境和运行状态,所以不能直接应用于风机关键零部件的寿命预测。
技术实现思路
[0004]本专利技术要解决的技术问题是目前的方法由于没有充分考虑风电机组实际的运行环境和运行状态,所以不能直接应用于风机关键零部件的寿命预测,本专利技术提供一种风机零件寿命预测方法,本专利技术还提供一种风机零件 ...
【技术保护点】
【技术特征摘要】
1.一种风机零件寿命预测方法,其特征在于,包含以下步骤:步骤1:实时采集风机各零件的运行数据;步骤2:对所述运行数据进行预处理后得到预处理数据;步骤3:依据预警模型对所述预处理数据进行异常识别得到预警数据;步骤4:提取所述预警数据中异常风机零件的预处理数据,若无异常风机零件,则执行步骤1;步骤5:依据寿命预测模型对异常风机零件的预处理数据进行剩余寿命预测并得到寿命预测数据。2.如权利要求1所述的一种风机零件寿命预测方法,其特征在于,步骤2中对所述运行数据进行预处理的具体方法如下:对所述运行数据进行降噪、清洗、分类后进行特征提取得到特征数据;对所述特征数据进行存储。3.如权利要求2所述的一种风机零件寿命预测方法,其特征在于,步骤3中依据所述预警模型对所述预处理数据进行异常识别得到预警数据的具体方法如下:获取风机各零件的所述特征数据;采用聚类及线性回归算法,将所述特征数据输入所述预警模型中得到风机运行参数的正常区间[α1,α2]、高限区间[β1,β2]、超高限区间[γ1,γ2];所述预警模型依据自回归模型及长短记忆神经网络模型进行风机零件的所述特征数据预测,将所述特征数据输入所述预警模型中输出未来时间内的风机零件运行预测值;判断所述预测值在所述正常区间、所述高限区间、所述超高限区间哪个区间内,则输出该区间为所述预警数据。4.如权利要求1
‑
3任一项所述的一种风机零件寿命预测方法,其特征在于,所述预警模型的构建方法如下:采集风机各零件的历史运行数据;对所述历史运行数据进行归一化、数据清洗、标记处理,生成训练样本数据集;根据聚类及线性回归算法对所述训练样本数据集进行训练得到设备运行过程状态趋势下的多级区间参数;采用自回归模型及长短记忆网络模型基于风机各零件所述运行数据进行运行趋势预测,进行优化得到预测模型;所述多级区间参数与所述预测模型组成所述预警模型。5.如权利要求4所述的一种风机零件寿命预测方法,其特征在于,步骤2中对所述运行数据进行预处理还包含如下步骤:获取风机各零件故障图谱;依据所述故障图谱对所述特征数据进行提取得到具有故障的零件的故障运行参数变化特征数据,所述故障运行参数变化特征数据记载有故障零件数据、故障发生时间、故障变化特征;根据退化线性和非线性过程特征对所述故障运行参数变化特征数据进行风机各零件全生命周期内运行变化趋势分析得到运行变化趋势数据,所述运行变化趋势数据记载有零件退化测量值;
对所述故障运行参数变化特征数据、所述运行变化趋势数据进行存储。6.如权利要求5所述的一种...
【专利技术属性】
技术研发人员:万抒策,王超,石壮,江增元,忻一豪,白剑,苏人奇,赵鹏程,王华,任鑫,李邦兴,钱韫辉,
申请(专利权)人:华能浙江能源开发有限公司清洁能源分公司上海擎测机电工程技术有限公司,
类型:发明
国别省市:
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。