【技术实现步骤摘要】
本专利技术涉及风机在线检测的，尤其是指一种基于广义极值分布的风机振动在线诊断方法及系统。
技术介绍
1、目前风机普遍配备了能采集振动的振动传感器和采集器，能够将风机各部件的振动进行实时采集，并记录保存下来。该振动采集系统作为辅助控制系统，独立于风机的主控系统之外。
2、振动检测系统会间隔定期采集振动时序数据，并计算出特征值，如有效值等，上传至风机主控系统。风机主控会简单粗暴地按照限值制定警报限值和停机限值，当超过停机限值时，风机会停机保障安全。
3、但采用简单限值划分，会存在以下问题：第一，该限值只是人为划分，并不严谨科学，无法适应不同类型风机；第二，风场现场环境复杂，存在信号干扰，导致采集到振动值比实际大，从而触发误停机；第三，采用简单限值的方法，只能定性分析振动情况，无法定量分析，无法根据振动值灵活调整控制策略。
4、为了避免上述问题，现有通过机器学习算法提取采集到的振动信号，采用有监督学习算法，预先训练出神经网络模型，再布置在风机专用服务器上，通过该神经网络模型输出结果，判断是否需要停机；但该方法需要较高算力，要求额外布置服务器，增加成本；且机器学习属于黑盒子，工程师无法判断其每一个输出结果的内在合理性，难以根据输出结果灵活调整主控程序代码。
5、此外，也有通过网络先将数据回传至云服务器，通过云服务器统一计算其振动判断结果，再将结果返回给风机主控系统；但在风场风机数量众多时，存在实时性不足，流量带宽需求大，海上风机无网络信号等弊端。
技术实现思路<
1、本专利技术的目的在于克服现有技术的不足，提出了一种基于广义极值分布的风机振动在线诊断方法及系统，通过旧往历史振动数据进行滤波提取特征值和拟合分布情况，获得该风机的广义极值分布曲线，通过该曲线的累积概率密度曲线，风机主控可直接判断出此时振动情况理论出现概率，可定量情况，并根据模型灵活调整控制策略。
2、本专利技术的目的通过下述技术方案实现：一种基于广义极值分布的风机振动在线诊断方法，包括以下步骤：
3、s1、按照预设的条件进行分类，获取若干台风机的各测点的历史振动时序数据，并剔除其中的异常数据；
4、s2、对获取的历史振动时序数据进行滤波，排除干扰；
5、s3、对滤波后的时序数据进行特征值提取计算；
6、s4、对步骤s3计算得到的若干台风机的特征值数据进行均匀分布抽取，且抽取数大于原始样本数，组成一个矩阵，以保障风机的数据权重相等；
7、s5、根据分布情况拟合出广义极值分布的累积概率密度曲线，获得描述该累积概率密度曲线的参数，得到拟合模型；
8、s6、根据广义极值分布的累积概率密度曲线，计算关键点极值数据；
9、s7、将广义极值分布的相关参数写入风机主控程序中，风机主控程序根据实际测量到的振动时序特征值，计算出对应的累积概率密度值；
10、s8、风机主控程序根据计算得到的对应的累积概率密度值，诊断风机的振动情况，并对风机执行对应振动情况的操作。
11、进一步，所述步骤s1包括以下步骤：
12、根据额定风速区间附近，获取同一种型号的多台风机的各测点的历史振动时序数据，并删除异常历史振动数据；其中，历史振动时序数据包括加速度、速度和位移，且所述测点包括风机的主轴承、齿轮箱、发电机、机舱塔筒。
13、进一步，所述步骤s2包括以下步骤：
14、对获取的历史振动时序数据进行预设的频率段滤波，去除其它频率的数据；其中，所述频率段包括0.1-10hz、10-1000hz和10-2000hz。
15、进一步，所述步骤s3包括以下步骤：
16、对滤波后的时序数据进行特征值提取计算，获得各台风机的特征值数据；其中，所述特征值包括均方根值、峰峰值和峭度。
17、进一步，所述步骤s4包括以下步骤：
18、对同型号但不同编号的风机的特征值数据进行均匀分布抽取，抽取数大于原始样本数，组成一个矩阵，矩阵每一列为对应风机均匀分布抽取后的特征值；同时，需保证每台风机权重一致，即需要各台风机输入样本数一致。
19、进一步，所述步骤s5包括以下步骤：
20、将该同一型号的风机历史上的振动时序数据全部提取特征后，根据其分布情况拟合出广义极值分布的累积概率密度曲线，获得描述累积概率密度曲线的三个参数包括位置参数μ、尺度参数σ和形状参数k，广义极值分布的累积概率密度函数定义为：
21、
22、其中，x为样本数值，exp()为以自然常数e为底的指数函数，μ为累积概率密度曲线的位置参数、σ为累积概率密度曲线的尺度参数和k为累积概率密度曲线的形状参数。
23、进一步，所述步骤s6包括以下步骤：
24、根据广义极值分布的累积概率密度曲线，计算关键点极值数据；所述关键点极值数据包括75％分位数、95％分位数、99.7％分位数和四分距。
25、进一步，所述步骤s7包括以下步骤：
26、将广义极值分布的相关参数写入到风机主控程序当中，根据实际测量到的风机的振动时序特征值x，代入广义极值分布公式，主控程序计算可得该振动特征值对应的累积概率密度值其中，exp()为以自然常数e为底的指数函数，μ为累积概率密度曲线的位置参数、σ为累积概率密度曲线的尺度参数和k为累积概率密度曲线的形状参数。
27、进一步，所述步骤s8包括以下步骤：
28、根据累积概率密度值y，主控程序控制风机进行相应操作；若对应的振动特征值的累积概率密度小于广义极值分布拟合模型的75％分位数，即y≤p75，认为振动属于正常情况，正常运行；若y>p75并且y≤p95,则说明振动值相对偏大，不停机但需记录提醒；若y>p99，说明振动值偏大，需要立刻重新采集最新振动数据，计算新的y值，避免误触发，若新特征值对应的累积概率密度值还是y>p99，则采取降功率运行，直至y值满足要求；若y>p75+1.5×p_iqr，说明振动非常剧烈，重新采集最新振动数据，若仍处于该区间，采用停机策略以保证风机安全运行。
29、一种基于广义极值分布的风机振动在线诊断系统，用于实现上述的基于广义极值分布的风机振动在线诊断方法，该系统包括：
30、数据获取模块，用于获取若干台风机的各测点的历史振动时序数据，并剔除其中的异常数据；
31、数据滤波模块，用于对获取的历史振动时序数据进行滤波，排除干扰；
32、特征值提取模块，用于对滤波后的时序数据进行特征值提取计算；
33、均匀分布抽取模块，用于对计算得到的若干台风机的特征值数据进行均匀分布抽取，组成一个矩阵；
34、拟合模型构建模块，根据分布情况拟合出广义极值分布的累积概率密度曲线，获得描述该累积概率密度曲线的参数，得到拟合模型；
35、关键点极值数据计算模块，根据广义极值分布的累积本文档来自技高网...
【技术保护点】
1.一种基于广义极值分布的风机振动在线诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法，其特征在于，所述步骤S1包括以下步骤：
3.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法，其特征在于，所述步骤S2包括以下步骤：
4.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法，其特征在于，所述步骤S3包括以下步骤：
5.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法，其特征在于，所述步骤S4包括以下步骤：
6.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法，其特征在于，所述步骤S5包括以下步骤：
7.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法，其特征在于，所述步骤S6包括以下步骤：
8.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法，其特征在于，所述步骤S7包括以下步骤：
9.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法
10.一种基于广义极值分布的风机振动在线诊断系统，其特征在于，用于实现权利要求1-9任意一项所述的基于广义极值分布的风机振动在线诊断方法，该系统包括：
...【技术特征摘要】
1.一种基于广义极值分布的风机振动在线诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法，其特征在于，所述步骤s1包括以下步骤：
3.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法，其特征在于，所述步骤s2包括以下步骤：
4.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法，其特征在于，所述步骤s3包括以下步骤：
5.根据权利要求1所述的一种基于广义极值分布的风机振动在线诊断方法，其特征在于，所述步骤s4包括以下步骤：
6.根据权利要求1所述的一种基于...
【专利技术属性】
技术研发人员：黎相昊，吕析默，厉旭旺，范焕，李玉志，叶一凡，郭伟杰，魏煜锋，符小辉，
申请(专利权)人：明阳智慧能源集团股份公司，
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。