一种风机发电机和齿轮箱的运行状态故障诊断和预测方法技术

本发明专利技术涉及风机故障诊断和预测技术领域，公开了一种风机发电机和齿轮箱的运行状态故障诊断和预测方法，包括：建立多场耦合模型，包括：风机发电机和风机齿轮箱等效模型；建立数据处理模型对风机运行数据预处理和分析，得到发电机和齿轮箱的特征数据；利用特征数据对多场耦合模型进行仿真结果的准确性验证；获取风力发电机和齿轮箱实时的运行状态数据，将风力发电机和齿轮箱实时的运行状态数据对应的仿真数据和特征数据混合后分别输入故障诊断和预测模型，得到实时运行状态故障诊断结果和未来预设时间内的故障预测结果

【技术实现步骤摘要】
一种风机发电机和齿轮箱的运行状态故障诊断和预测方法


[0001]本专利技术涉及风机故障诊断和预测
，具体涉及一种风机发电机和齿轮箱的运行状态故障诊断和预测方法
。

技术介绍

[0002]风电作为新兴清洁能源，是可再生能源中技术最成熟，最具有规模化开发条件和商业化发展前景的发电方式之一
。
但频繁的故障带来了极大的运维成本，而风机众多环节中，如图1和图2所示齿轮箱和发电机在故障率和停机时长方面都占的比率较大
。
运维过程一般包括：故障发生
、
报警
、
人员调度
、
故障定位
、
解决方案
、
部件换新等步骤，其运维周期和人力成本极大，运维效率低下，进一步增加了风机故障带来的效益损失
。
高效的风机运行状态监测
、
故障诊断和预测系统成为风电进一步发展过程中不可或缺的环节
。
[0003]现有的诊断技术中，或将齿轮箱和发电机简化为参数模型
/
代数模型，只关注参数的传递，丧失了对风机运行真实物理机理的描述；或利用有限元模型，对齿轮箱和发电机的多物理场进行描述，但此类模型的计算量过大，对设备运算能力提出极高要求，且计算速度较慢，远远无法做到实时监控，不能对进行及时的进行运行状态的故障诊断和故障预测
。

技术实现思路

[0004]有鉴于此，为了解决现有技术中的风电运营过程中监测效率低，导致运营效率低和成本高的缺陷，本专利技术提供了风机发电机和齿轮箱的运行状态故障诊断和预测方法
、
装置
、
设备及介质，可以实时对风机齿轮箱和发电机运行状态进行监测，诊断和预测故障的发生，配合网页发布平台，可以实现其状态的实时在线监测，大大提高了风机运行过程中的运维效率，有效降低了运维成本
。
[0005]第一方面，本专利技术提供了一种风机发电机和齿轮箱的运行状态故障诊断和预测方法，包括：
[0006]根据设备实际运行过程中涉及的物理规律
、
能量传递和多物理场之间的相互耦合关系建立多场耦合模型，所述多场耦合模型包括：风机发电机等效模型和风机齿轮箱等效模型；
[0007]建立数据处理模型对
SCADA
系统和
CMS
系统存储的风机的运行数据进行预处理和分析，得到风机发电机和齿轮箱的特征数据；
[0008]利用数据处理模型提供的特征数据对所述多场耦合模型进行仿真结果的准确性验证；
[0009]获取风力发电机和齿轮箱实时的运行状态数据，并利用通过准确性验证后多场耦合模型得对应的仿真数据及通过数据处理模型提取对应的特征数据，将风力发电机和齿轮箱实时的运行状态数据对应的仿真数据和特征数据进行混合得到混合数据；
[0010]将所述混合数据分别输入故障诊断模型和故障预测模型中，得到对应的实时运行状态故障诊断结果和未来预设时间内的故障预测结果
。
[0011]本实施例提供的风机发电机和齿轮箱的运行状态故障诊断和预测方法，可以实时对风机齿轮箱和发电机运行状态进行监测，对其进行故障诊断和故障预测，配合网页发布平台，可以实现其状态的实时在线监测，大大提高了风机运行过程中的运维效率，有效降低了运维成本
。
[0012]在一种可选的实施方式中，基于温度场和动力学模型的理论基础建立风机齿轮箱等效模型
。
[0013]本专利技术实施例构建的风机发电机等效模型涉及基于电路
、
磁路
、
热路
、
机械力多个复杂的物理过程，可以预测风机发电机在各种运行条件下的电磁特性
、
磁场分布
、
热状态和机械应力，为发电机的设计
、
制造和维护提供科学依据，提高发电机的性能和效率，同时降低能源消耗和故障率
。
[0014]在一种可选的实施方式中，基于电路
、
磁路
、
热路
、
机械力的理论基础建立风机发电机等效模型
。
[0015]本专利技术实施例对齿轮箱等效模型的建立，考虑了温度场和动力学的物理规律，可以帮助预测齿轮箱的性能和寿命，进而优化齿轮箱的设计和维护策略，提高其运行效率和可靠性
。
[0016]在一种可选的实施方式中，所述建立数据处理模型对
SCADA
系统和
CMS
系统存储的风机的运行数据进行预处理和分析，得到风机发电机和齿轮箱的特征数据，包括：
[0017]对
SCADA
系统和
CMS
系统存储的风机的运行数据进行设置标签
、
运行工况的标定及分类
、
异常数据替换
、
特征数据选取及数据标准化；
[0018]对标准化的数据进行分析，将
SCADA
系统中的数据形成对部件进行电气参数
、
控制信号
、
系统状态
、
温度分布的特征数据，将
CMS
系统中的数据形成对部件系统性能
、
摩擦振动
、
机构缺陷和疲劳损伤的特征数据
。
[0019]本专利技术实施通过数据处理模型得到的特征数据不仅有助于深入理解风机的运行状态，而且可以为预测性维护提供强有力的支持
。
通过分析风机的运行数据，可以及时发现可能的问题，并在问题变得严重之前进行预防性的维护
。
这种做法可以显著降低由于风机故障导致的停机时间，进而提高风机的整体运行效率和产电量，还可以用于优化风机设计和运行策略以及为风机设计师提供反馈，以实现更好的齿轮箱和发电机设计
。
[0020]在一种可选的实施方式中，构建所述故障诊断模型的过程，包括：
[0021]获取风力发电机和齿轮箱历史运行状态数据对应的仿真数据和特征数据并进行混合得到混合数据；
[0022]对混合数据进行聚类得到运行故障数据；
[0023]将所述运行故障数据进一步进行聚类得到故障类型
。
[0024]在一种可选的实施方式中，基于皮尔逊相关系数对混合数据和运行故障数据分别进行聚类
。
[0025]在一种可选的实施方式中，所述故障诊断模型为基于时间序列相似性度量得到故障诊断结果，过程包括：
[0026]基于时间序列
Motif
特征，以设备正常工况状态数据为基准，获取当前运行状态数据与正常工况状态数据的皮尔森相关系数；
[0027]根据当前运行状态数据与正常工况状态数据的皮尔森相关系数判断是否故障及
故障类型
。
[0028]本专利技术实施例通过皮尔森相关系数用来反映两个变量线性相关程度，通过皮尔森相关系数进行运行数据间的距离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种风机发电机和齿轮箱的运行状态故障诊断和预测方法，其特征在于，包括：根据设备实际运行过程中涉及的物理规律
、
能量传递和多物理场之间的相互耦合关系建立多场耦合模型，所述多场耦合模型包括：风机发电机等效模型和风机齿轮箱等效模型；建立数据处理模型对
SCADA
系统和
CMS
系统存储的风机的运行数据进行预处理和分析，得到风机发电机和齿轮箱的特征数据；利用数据处理模型提供的特征数据对所述多场耦合模型进行仿真结果的准确性验证；获取风力发电机和齿轮箱实时的运行状态数据，并利用通过准确性验证后多场耦合模型得对应的仿真数据及通过数据处理模型提取对应的特征数据，将风力发电机和齿轮箱实时的运行状态数据对应的仿真数据和特征数据进行混合得到混合数据；将所述混合数据分别输入故障诊断模型和故障预测模型中，得到对应的实时运行状态故障诊断结果和未来预设时间内的故障预测结果
。2.
根据权利要求1所述的方法，其特征在于，基于温度场和动力学模型的理论基础建立风机齿轮箱等效模型
。3.
根据权利要求1所述的方法，其特征在于，基于电路
、
磁路
、
热路
、
机械力的理论基础建立风机发电机等效模型
。4.
根据权利要求1所述的方法，其特征在于，所述建立数据处理模型对
SCADA
系统和
CMS
系统存储的风机的运行数据进行预处理和分析，得到风机发电机和齿轮箱的特征数据，包括：对
SCADA
系统和
CMS
系统存储的风机的运行数据进行设置标签
、
运行工况的标定及分类
、
异常数据替换
、
特征数据选取及数据标准化；对标准化的数据进行分析，将
SCADA
系统中的数据形成对部件进行电气参数
、
控制信号
、
系统状态
、
温度分布的特征数据，将
CMS
系统中的数据形成对部件系统性能
、
摩擦振动
、
机构缺陷和疲劳损伤的特征数据
。5.
根据权利要求1所述的方法，其特征在于，构建所述故障诊断模型的过程，包括：获取风力发电机和齿轮箱历史运行状态数据对应的仿真数据和特征数据并进行混合得到混合数据；对混合数据进行聚类得到运行故障数据；将所述运行故障数据进一步进行聚类得到故障类型
。6.
根据权利要求5所述的方法，其特征在于，基于皮尔逊相关系数对混合数据和运行故障数据分别进行聚类
。7.
根据权利要求6所述的方法，其特征在于，所述故障诊断模型为基于时间序列相似性度量得到故障诊断结果，过程包括：基于时间序列
Motif
特征，以设备正常工况状态数据为基准，获取当前运行状态数据与正常工况状态数据的皮尔森相关系数；根据当前运行状态数据与正常工况状态数据的皮尔森相关系数判断是否故障及故障类型
。8.
根据权利要求7所述的方法，其特征在于，所述根据所述皮尔森相关系数判断是否故障及故障类型的过程，包括：如果当前运行状态数据与正常工况状态数据的皮尔森相关系数大于预设阈值，则判断
为运行正常；如果当前运行状态数据与正常工况状态数据的皮尔森相关系数小于预设阈值时，根据其所属故障类型对应的预设阈值区间，确定运行故障类型
。9.
根据权利要求1所述的方法，其特征在于，所述故障预测模型为基于时间卷积神经网络进行训练得到
。10.
根据权利要求9所述的方法，其特征在于，对时间卷积神经网络进...

【专利技术属性】
技术研发人员：苏营，陈欣，吴海飞，刘凯腾，王罗，巩素梅，孙勇，顾颐，
申请(专利权)人：中国长江三峡集团有限公司，
类型：发明
国别省市：