一种风机零件寿命预测方法与系统技术方案

本发明专利技术公开了一种风机零件寿命预测方法与系统，方法包含以下步骤：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：依据预警模型对预处理数据进行异常识别得到预警数据；步骤4：提取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；系统包含运行数据获取模块、预处理模块、异常识别模块、寿命预测模块。预测模块。预测模块。

【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寿命预测系统，使用数据驱动方法绕开了对设备性能退化过程的物理分析，直接通过各类统计方法和智能算法对相似设备的历史运行监测数据进行统计分析和信息挖掘，得到设备退化过程中的某些特征用于对个体设备的寿命预测，形成基于数据驱动的寿命预测方法，此方法是根据风机运行过程中采集到的实时数据来对零件当前运行状态进行评估，从而得出更加贴合实际的预测结果的方法，用以解决现有技术导致的缺陷。
[0005]为解决上述技术问题本专利技术提供以下的技术方案：
[0006]第一方面，一种风机零件寿命预测方法，其中，包含以下步骤：
[0007]步骤1：实时采集风机各零件的运行数据；
[0008]步骤2：对所述运行数据进行预处理后得到预处理数据；
[0009]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；
[0010]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；
[0011]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。
[0012]上述的一种风机零件寿命预测方法，其中，步骤2中对所述运行数据进行预处理的具体方法如下：
[0013]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；
[0014]对所述特征数据进行存储。
[0015]上述的一种风机零件寿命预测方法，其中，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：
[0016]获取风机各零件的所述特征数据；
[0017]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]；
[0018]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；
[0019]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。
[0020]上述的一种风机零件寿命预测方法，其中，所述预警模型的构建方法如下：
[0021]采集风机各零件的历史运行数据；
[0022]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；
[0023]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；
[0024]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；
[0025]所述多级区间参数与所述预测模型组成所述预警模型。
[0026]上述的一种风机零件寿命预测方法，其中，步骤2中对所述运行数据进行预处理还包含如下步骤：
[0027]获取风机各零件故障图谱；
[0028]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；
[0029]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；
[0030]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。
[0031]上述的一种风机零件寿命预测方法，其中，所述寿命预测模型的构建方法如下：
[0032]根据公式T＝inf{t：X(t)≥ω|X(0)＜ω}对零件寿命进行定义；
[0033]其中，T为零件寿命时间，ω为对零件预设的失效阈值，X(t)为t时刻的退化过程状态量，X(0)为零件最初开始投用时刻的退化量；
[0034]根据公式L
k
＝inf{l
k
＞0：X(l
k
+t
k
)≥ω}构建所述寿命预测模型，计算t
k
时刻的零件剩余寿命；
[0035]其中，L
k
为剩余寿命，X为对应时刻的设备退化过程状态量，inf(x)是取下限函数，
l
k
为对应时刻剩余退化量，t
k
为对应时刻的零件寿命，ω为对零件预设的失效阈值。
[0036]基于建立的所述寿命预测模型，同时结合数据测量过程中存在的误差，建立退化状态更新预测模型，利用最大似然估计的方法对所建立的寿命预测模型中的位置参数进行估计，从而得到剩余寿命概率密度函数，根据测量误差的测量值数据Y1:k得到剩余寿命预测结果。
[0037]上述的一种风机零件寿命预测方法，其中，遵循线性维纳过程的退化过程状态量X(t)表示为：
[0038]X(t)＝λt+σB(t)；
[0039]其中，λ为漂移系数，在表示零件退化过程时反应零件的退化速率，σ表示扩散系数，B(t)表示标准的布朗运动，用来描述随机退化量在时间轴上的不确定性，λt为X(t)的均值，t为时间点；
[0040]遵循非线性维纳过程的退化过程状态变量X(t)表示为：
[0041][0042]其中，X0为t＝0时刻的退化量，μ(t；θ)表示退化过程的漂移参数，θ为其中的参数向量；σ
B
是退化过程的本文档来自技高网...

【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：