CN110414155B - 一种带有单测点的风机部件温度异常检测和报警方法 - Google Patents
一种带有单测点的风机部件温度异常检测和报警方法 Download PDFInfo
- Publication number
- CN110414155B CN110414155B CN201910702600.5A CN201910702600A CN110414155B CN 110414155 B CN110414155 B CN 110414155B CN 201910702600 A CN201910702600 A CN 201910702600A CN 110414155 B CN110414155 B CN 110414155B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- model
- component
- alarm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007619 statistical method Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 2
- 238000004804 winding Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010022998 Irritability Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种带有单测点的风机部件温度异常检测和报警方法，包括利用设备早期无故障期间的训练集数据对待测部件温度测点的数据进行拟合获取多元线性方程的系数，构建温度拟合模型；使用拟合模型对测试集数据的温度测点进行预测，使用测试数据的实际温度与模型预测温度的差值作为预测残差序列；在线运行时，收集固定时间长度T的风电机组实时运行数据，使用模型通过提取出的特征对在线数据的温度测点进行预测，得到模型预测温度；使用待测部件实时温度与模型预测温度的差值作为预测残差序列，基于获得的一组在线残差数值的统计分析，进入所述部件温度预警程序。
Description
技术领域
本申请涉及一种带有单测点的风机部件温度异常检测和报警方法，适用于风机异常检测的技术领域。
背景技术
现有部分技术包括风电机组自带的主控系统对于温度异常的预警逻辑往往是限定阈值的方法，即发现温度低于或高于某一个预先设定好的阈值即产生报警，这类方法较为直观、简单、灵敏，但是遇到一些外界因素引起的特殊温度变化时往往会出现误报警，在预警的准确性和稳定性方面表现较差。以主轴承温度预警逻辑为例，通常都是在待测风机部件上设置一个或两个温度测点，风电场SCADA系统(数据采集与监视控制系统)通过简单设置主轴承温度阈值的方法来对主轴承运行状态进行监测，当主轴承温度高于设定的阈值时SCADA就会向风场业主发出报警。这种预警方式过于简单，有极高的误报率，并且部件的故障往往是一个累积、递进的过程，SCADA主控系统的报警往往没有适当长度的提前量，无法辅助业主进行预测性维护。现有技术中对温度异常的检测和评价标准主要有以下几种：
(1)基于部件温度特征量的预警机制。中国专利申请201410355897.X，201810698450.0中，通过划分工况的方法，对机组数据划分出的子集提取温度特征量，根据确定好的阈值进行实时温度超过阈值的统计方法进行故障预警。这种预警方式更为细致，并考虑到了风电机组在不同运行状况下的温度差别，但是依然属于绝对阈值的方法，准确率较低、报警不稳定的缺点依然存在，极大地依赖于人工确定的阈值。
(2)基于正常行为模型的残差预警机制。中国专利申请201810146979.1、201711477916.6、201710853212.8中，通过获取风机历史数据中与待测部件温度相关的变量，训练神经网络模型，对待测部件的温度进行预测，在线获取实时温度后通过实际温度和预测温度的残差偏移来确定故障。这种预警方式比较严谨，充分考虑了部件运行的物理特性和历史运行情况，在故障发生时残差一般能够体现出故障特征，但是由于对训练数据工况完整性以及工况覆盖率的依赖，工况变化时这种方法由于只依赖残差绝对值的判别，容易出现误报，稳定性不佳。
(3)基于集群对标的预警机制。中国专利申请201910027340.6中，通过对全风场风机设置监测机组和参比机组的方式，每次将监测机组待测部件获取的温度数据与其余参比机组的温度数据集合平均值进行对比，如果温差超过一定比例并有明显的上升趋势则确定监测机组的温度故障。这种预警方式比较直观，但是对全风场风机的机型特征、健康状态假设和运行时的物理特性一致性要求较高，一旦无法满足风机运行状况的一致则无法保证预警准确。另外尤其是在山地风场中，由于湍流的影响，相邻风机所处的气候条件甚至都有差别。
另外，现有的方法无法形成系统闭环，难以对风电机组部件的温度异常做出系统性地监控和报警。从经验来看一旦风电机组部件出现温度异常故障，会持续到故障结束，这一特点对报警机制的要求极高，要求对这些部件的温度监控系统在故障发生前的预警准确、稳定，并且由于逐渐接近故障发生，预警的等级也会相应提高，这是现有技术面临的最大挑战。
综上，现有技术中存在的问题包括：无论是基于温度阈值的判断方法还是基于残差模型的判断方法，报警的准确性、预测性和稳定性往往难以同时满足；目前现有的温度异常诊断技术通常没有过渡到最终面向用户端的报警逻辑，而对这一技术的需求和要求都比较高，对风场业主来说在减小误报率、漏报率的前提下，要尽可能稳定地输出报警信号，起到防患和提醒的作用。
发明内容
本申请克服了绝对阈值判别的应激性，相较于单纯的残差判别模型准确性和稳定程度都有所提高，可以在对异常保持敏感的前提下降低误报率，并最终形成合理的、有等级区分的报警，方便风场业主进行预测性维护。
根据本申请的一种带有单测点的风机部件温度异常检测和报警方法，所述风机部件上设有单个温度测点，所述检测和报警方法包括机理驱动数据建模程序和基于残差的部件温度预警程序；所述机理驱动数据建模程序包括以下步骤：
(1)获得风机运行时的监测数据，选择一组设备早期且待测部件未出现故障的数据作为训练数据；
(2)根据待测部件的物理特性，筛选出与部件温度相关的原始变量；
(3)对原始变量进行预处理获取新的加工变量，根据原始变量和加工变量构造描述部件温度的多元线性方程；
(4)将获取到的历史数据分割为训练集和测试集，训练集用来拟合温度预测模型，测试集用来后续步骤的阈值确定；
(5)利用训练集对待测部件温度测点的数据进行拟合获取多元线性方程的系数，构建温度拟合模型，得到部件温度测点测量值的拟合模型；
(6)使用拟合模型对测试集数据的温度测点进行预测，得到模型预测温度；同时判断模型的拟合精度，达到准确率要求则保存该拟合模型；
(7)使用测试数据的实际温度与模型预测温度的差值作为预测残差序列；
(8)对于单测点部件，得到一组残差，保存以供在线预测使用；
(9)在线运行时，收集固定时间长度T的风电机组实时运行数据，根据步骤(3)中的方法对在线数据提取特征；
(10)使用模型通过提取出的特征对在线数据的温度测点进行预测，得到模型预测温度；
(11)使用待测部件实时温度与模型预测温度的差值作为预测残差序列，得到一组在线残差；
(12)基于获得的一组在线残差数值的统计分析，进入所述部件温度预警程序。
优选地，所述基于残差的部件温度预警程序包括以下步骤：
(1)记录该时间段T内在线数据总的样本点数量N；对于单测点部件，首先通过统计方法对测试集残差进行正态拟合，得到拟合后的方差估计σ2；
(2)对拟合的正态概率密度曲线的nσ区间添加权重项λ，越靠近均值中心的权重越小，越偏离均值中心的权重越大；根据权重项和在线残差样本落到右侧各概率区间的个数交互构建健康指数HI
λk表示设定的权重项，nk表示在线残差样本落到右侧各概率区间的个数，i＝1，2，3，4；
(3)将在线残差滑窗处理，对每一个小窗内的样本点计算四个HI，并统计HI1，HI2，HI3，HI4的值；若该时间窗内HI3+HI4大于HI1+HI2，则对该时间窗记作W1，否则记作W0；
对所有时间窗内的W0和W1进行统计，若多数类为W1，则判断该时间T内该台风机部件发生温度异常故障，输出警告标识参数为真。
优选地，将待测部件测点的所有警告标识参数输出至算法运行结果数据库中保存，每次算法运行调用历史存储的警告标识参数值进行逻辑判断；若连续三次算法运行输出的警告标识参数都为真，或历史n次运行中警告标识参数为真超过半数，则本次运行触发警报；其中，n的大小根据算法运行频率确定。
优选地，触发警报时，设定对应测点的报警标识参数为真，将测点对应的报警标识参数输出至算法运行结果数据库中保存，每次算法运行调用历史存储的报警标识参数值进行逻辑判断，若本次运行对应测点的报警标识参数为真，则取历史k次运行中报警标识参数为真的个数来确定本次报警的风险值，并将比例映射为报警等级；k的大小根据算法运行频率确定，k>>n。
其中，风机部件经过检修后，对应部件的历史预警库清零；所述机理驱动数据建模程序的步骤(2)中的原始变量包括风速、有功功率、发电机转速、温度测点的测量值和机舱温度中的至少一个；所述机理驱动数据建模程序的步骤(6)中，模型的拟合精度的判断标准通过残差分析和拟合精度分析进行；如果拟合精度小于全体数据均值的10％，并且残差通过QQ-Norm检验和Jarque-Bera检验，服从正态性分布，则认为达到准确率的要求。
本申请的有益效果为：
1.本方法提出了针对风电机组具有温度测点的部件的温度异常监控和报警方法，能够适用于单测点部件的温度监控；
2.本方法根据不同部件运行的物理规律，采用正常行为模型建模得到预测温度和实际温度残差，充分考虑到单独每台风机的特性和历史运行情况，对于带有单测点的风机部件，在得到的一维残差的基础上使用统计分布分析的方法，充分提高报警的准确度，并相较于绝对阈值预警有一定的提前量；
3.本方法在正常行为模型的基础上，充分考虑到单独每台风机历史的报警情况并纳入到实时监控的报警逻辑中，充分提高报警的稳定性，并满足临近故障发生的报警等级递增。
附图说明
图1是本申请的带有单测点的风机部件温度异常检测和报警方法的流程示意图。
图2是本申请中的测试集残差正态拟合的概率密度曲线。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
如图1所示，根据本申请的一种带有单测点的风机部件温度异常检测和报警方法，所述风机部件上设有一个温度测点，所述检测和报警方法包括机理驱动数据建模和基于残差的部件温度预警两个流程，
机理驱动数据建模包括以下处理步骤：
1.获得风机运行时SCADA系统的监测数据，选择一组设备早期且待测部件未出现故障的数据作为训练数据；
2.根据待测部件的物理特性，筛选出与部件温度相关的原始变量，包括风速、有功功率、发电机转速、温度测点的测量值和机舱温度，以及数据的时间戳；
3.对原始变量进行预处理获取新的加工变量，根据原始变量和加工变量构造描述部件温度的多元线性方程；
4.根据获取到的历史数据的数量，按照例如7：3的比例将数据分割为训练集和测试集，训练集用来拟合温度预测模型，测试集用来后续步骤的阈值确定；
5.使用例如回归方法(包括但不限于线性回归、Ridge回归、LASSO回归等)对待测部件温度测点进行拟合获取多元线性方程的系数，基于树模型的回归方法(包括但不限于随机森林算法、XGBoost算法等)以及基于神经网络的回归方法构建温度拟合模型，得到部件温度测点测量值的模型；
6.使用模型通过提取出的特征对测试数据的温度测点进行预测，得到模型预测温度；同时判断模型的拟合精度，达到准确率要求则保存模型；具体的判断标准例如可以通过残差分析和拟合精度分析，如果拟合精度(RMSE)小于全体数据均值的10％，并且残差通过QQ-Norm检验和Jarque-Bera检验，服从正态分布；
7.使用测试数据的实际温度与模型预测温度的差值作为预测残差序列；
8.对于单测点部件，得到一组残差RES，保存以供在线预测使用；
9.在线运行时，收集固定时间长度T的风电机组实时运行数据，根据步骤3中的方法对在线数据提取特征；
10.使用模型通过提取出的特征对在线数据的温度测点进行预测，得到模型预测温度；
11.使用待测部件实时温度与模型预测温度的差值作为预测残差序列(以下简写为在线残差)，单测点得到一组在线残差。
基于残差的部件温度预警包括以下处理步骤：
1.记录该时间段T内在线数据总的样本点数量N；对于单测点部件，首先通过统计方法对测试集残差进行正态拟合，得到拟合后的方差估计σ2；
Var(X)＝σ2＝∫(x-μ)2f(x)dx＝∫x2f(x)dx-μ2
2.对拟合的正态概率密度曲线的nσ区间添加权重项λ，越靠近均值中心的权重越小，越偏离均值中心的权重越大，图2中的曲线为测试集残差正态拟合的概率密度曲线，1，2，3，4四个概率区间内的样本点分别对应从小到大的权重项，只关注落在均值右侧(即右半部分)的样本；根据权重项和在线残差样本落到右侧各概率区间的个数交互构建健康指数HI
λk表示设定的权重项，nk表示在线残差样本落到右侧各概率区间的个数，i＝1，2，3，4；
3.将在线残差滑窗处理，对每一个小窗内的样本点计算四个HI，并统计HI1，HI2，HI3，HI4的值；若该时间窗内HI3+HI4大于HI1+HI2，则对该时间窗记作W1，否则记作W0；
对所有时间窗内的W0和W1进行统计，若多数类为W1，则判断该时间T内该台风机部件发生温度异常故障，输出警告标识参数WarningFlag为True(真)；
4.将待测部件测点的所有警告标识参数WarningFlag输出至算法运行结果数据库中保存，每次算法运行调用历史存储的WarningFlag值进行逻辑判断；对待单测点，若连续三次算法运行输出的WarningFlag都为True，或历史n次运行中WarningFlag为True超过半数，则本次运行触发警报，同时设定对应测点的报警标识参数AlarmFlag为True，n的大小取决于算法运行频率；
将测点对应的报警标识参数AlarmFlag输出至算法运行结果数据库中保存，每次算法运行调用历史存储的AlarmFlag值进行逻辑判断，若本次运行对应测点的报警标识参数AlarmFlag为True(真)，则取历史k次运行中AlarmFlag为True的个数来确定本次报警的风险值，并将比例映射为报警等级AlarmLevel，即历史k次运行中AlarmFlag为True的个数越多，报警等级越高；k的大小取决于算法运行频率，通常k>>n；
5.若算法运行未触发报警标识参数WarningFlag或报警标识参数AlarmFlag，则不报警；
6.风场业主进行检修后，对应部件的历史预警库清零。
本申请中基于机理和数据混合驱动，采用能量守恒方程等数据预处理及特征构建方法，建立不同测点对应的温度拟合模型，也即正常行为模型，提升模型预测质量，达到预测性维护的目的；针对单测点大部件，对温度预测残差采用针对性的后处理机制，其中：通过概率密度区间分割和滑窗的方式，保证了报警的准确性，也有效降低误报率；采用了自回馈报警机制，连接算法模型和结果数据库，充分考虑历史算法的运行报警情况并纳入到预警报警的逻辑中，提高报警的稳定性，并实现出现故障时会有等级逐渐递增的报警反馈。
实施例
使用某风场2018年的风机运行数据进行了算法报警测试，实验单测点为风机发电机定子绕组温度，因为并未发生温度异常故障，本实验采取数据仿真，并与原始数据运行结果进行对比。
验证步骤：
1.采集该风场10个月的运行数据；将最后一个月采集到的发电机定子绕组温度人工加入随机噪声和趋势性噪声，作为异常数据模拟；
2.通过负载参数、环境参数、其他参照测点温度等作为输入参数，加以人工构造建立发电机定子绕组温度预测的正常行为模型；
3.对于发电机定子绕组，直接采用了基于树模型的回归算法，加以特征筛选，使用的输入特征主要有发动机轴承温度、发电机转速、电流、发电机有功功率等，使用网格搜寻对XGBoost模型的超参数进行调优，确定最优的特征权重、树的最大深度、学习率等。
4.采用最后一个月前的数据，选取上述变量，对步骤3中的方程进行基于模型的回归拟合；
5.观察拟合精度，测试集残差服从正态分布，保存模型。根据测试集残差的分布情况确定了发电机定子绕组的残差分布所估计的概率密度函数(p.d.f)，得到残差的均值0和估计方差0.2；按照前述步骤划分残差分布的n_sigma(nσ)区间，对不同区间设置梯度权重项，代表对各级故障的敏感程度；
6.使用该风机故障前半年的数据进行在线验证；
7.以一天为单位，每天算法运行一次，一次输入当天的数据，每运行一次输出该次运行的风险值和报警等级；
8.对于发电机定子绕组，采样频率为5秒，一次输入的样本点个数为17280，将样本点按照每360个点为窗宽，每100个点为步长，滑窗构建170个小窗。对每个小窗内的样本，统计所有样本中落在各残差划分区域的样本点个数，再结合权重项构建对应小窗内的四个等级的健康值HI，判断得到每个小窗的输出结果(0/1)；
9.对所有小窗的健康值做统计，若整体超过半数窗的健康指输出结果为1，则满足触发预警条件；
10.若出现连续三次运行都产生预警，或最近十次运行中超过半数产生预警，则最近一次运行触发报警；
11.根据历史积累的报警次数确定本次报警的风险值，并映射到报警等级，风险值40以上为较为严重；
12.在线验证中，时间长度为两个月。在最后一个月故障数据仿真中，本算法自模拟第一天开始连续产生40以上、等级不断递增的报警，对照组测试1为将残差直接使用n_sigma阈值的方式预警，在没有故障的第一个月出现了数次误报；对照组测试2为使用原始数据执行算法，两个月内未出现报警。证明本方法可以提前、准确、稳定地对故障进行预测，达到防患于未然的作用。
虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.一种带有单测点的风机部件温度异常检测和报警方法，所述风机部件上设有单个温度测点，其特征在于，所述检测和报警方法包括机理驱动数据建模程序和基于残差的部件温度预警程序；
所述机理驱动数据建模程序包括以下步骤：
(1)获得风机运行时的监测数据，选择一组设备早期且待测部件未出现故障的数据作为训练数据；
(2)根据待测部件的物理特性，筛选出与部件温度相关的原始变量；
(3)对原始变量进行预处理获取新的加工变量，根据原始变量和加工变量构造描述部件温度的多元线性方程；
(4)将获取到的历史数据分割为训练集和测试集，训练集用来拟合温度预测模型，测试集用来后续步骤的阈值确定；
(5)利用训练集对待测部件温度测点的数据进行拟合获取多元线性方程的系数，构建温度拟合模型，得到部件温度测点测量值的拟合模型；
(6)使用拟合模型对测试集数据的温度测点进行预测，得到模型预测温度；同时判断模型的拟合精度，达到准确率要求则保存该拟合模型；
(7)使用测试数据的实际温度与模型预测温度的差值作为预测残差序列；
(8)对于单测点部件，得到一组残差，保存以供在线预测使用；
(9)在线运行时，收集固定时间长度T的风电机组实时运行数据，根据步骤(3)中的方法对在线数据提取特征；
(10)使用模型通过提取出的特征对在线数据的温度测点进行预测，得到模型预测温度；
(11)使用待测部件实时温度与模型预测温度的差值作为预测残差序列，得到一组在线残差；
(12)基于获得的一组在线残差数值的统计分析，进入所述部件温度预警程序；
其中，所述基于残差的部件温度预警程序包括以下步骤：
(1)记录该时间段T内在线数据总的样本点数量N；对于单测点部件，首先通过统计方法对测试集残差进行正态拟合，得到拟合后的方差估计σ2；
(2)对拟合的正态概率密度曲线的nσ区间添加权重项λ，越靠近均值中心的权重越小，越偏离均值中心的权重越大；根据权重项和在线残差样本落到右侧各概率区间的个数交互构建健康指数HI
λk表示设定的权重项，nk表示在线残差样本落到右侧各概率区间的个数，i＝1，2，3，4；
(3)将在线残差滑窗处理，对每一个小窗内的样本点计算四个HI，并统计HI1，HI2，HI3，HI4的值；若该时间窗内HI3+HI4大于HI1+HI2，则对该时间窗记作W1，否则记作W0；
对所有时间窗内的W0和W1进行统计，若多数类为W1，则判断该时间T内该台风机部件发生温度异常故障，输出警告标识参数为真。
2.根据权利要求1所述的带有单测点的风机部件温度异常检测和报警方法，其特征在于，将待测部件测点的所有警告标识参数输出至算法运行结果数据库中保存，每次算法运行调用历史存储的警告标识参数值进行逻辑判断；若连续三次算法运行输出的警告标识参数都为真，或历史n次运行中警告标识参数为真超过半数，则本次运行触发警报；其中，n的大小根据算法运行频率确定。
3.根据权利要求2所述的带有单测点的风机部件温度异常检测和报警方法，其特征在于，触发警报时，设定对应测点的报警标识参数为真，将测点对应的报警标识参数输出至算法运行结果数据库中保存，每次算法运行调用历史存储的报警标识参数值进行逻辑判断，若本次运行对应测点的报警标识参数为真，则取历史k次运行中报警标识参数为真的个数来确定本次报警的风险值，并将比例映射为报警等级；k的大小根据算法运行频率确定，k>>n。
4.根据权利要求3所述的带有单测点的风机部件温度异常检测和报警方法，其特征在于，风机部件经过检修后，对应部件的历史预警库清零。
5.根据权利要求1-4中任一项所述的带有单测点的风机部件温度异常检测和报警方法，其特征在于，所述机理驱动数据建模程序的步骤(2)中的原始变量包括风速、有功功率、发电机转速、温度测点的测量值和机舱温度中的至少一个。
6.根据权利要求1-4中任一项所述的带有单测点的风机部件温度异常检测和报警方法，其特征在于，所述机理驱动数据建模程序的步骤(6)中，模型的拟合精度的判断标准通过残差分析和拟合精度分析进行；如果拟合精度小于全体数据均值的10％，并且残差通过QQ-Norm检验和Jarque-Bera检验，服从正态性分布，则认为达到准确率的要求。
7.根据权利要求5所述的带有单测点的风机部件温度异常检测和报警方法，其特征在于，所述机理驱动数据建模程序的步骤(6)中，模型的拟合精度的判断标准通过残差分析和拟合精度分析进行；如果拟合精度小于全体数据均值的10％，并且残差通过QQ-Norm检验和Jarque-Bera检验，服从正态性分布，则认为达到准确率的要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910702600.5A CN110414155B (zh) | 2019-07-31 | 2019-07-31 | 一种带有单测点的风机部件温度异常检测和报警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910702600.5A CN110414155B (zh) | 2019-07-31 | 2019-07-31 | 一种带有单测点的风机部件温度异常检测和报警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110414155A CN110414155A (zh) | 2019-11-05 |
| CN110414155B true CN110414155B (zh) | 2022-09-30 |
Family
ID=68364808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910702600.5A Active CN110414155B (zh) | 2019-07-31 | 2019-07-31 | 一种带有单测点的风机部件温度异常检测和报警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414155B (zh) |
Families Citing this family (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991666B (zh) * | 2019-11-25 | 2023-09-15 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
| CN110992205A (zh) * | 2019-11-28 | 2020-04-10 | 中国船舶重工集团海装风电股份有限公司 | 风电机组发电机绕组的状态检测方法、系统及相关组件 |
| CN111075661B (zh) * | 2019-12-25 | 2021-11-09 | 明阳智慧能源集团股份公司 | 基于温度变化趋势判断风电机组主轴轴承健康状况的方法 |
| CN111581072B (zh) * | 2020-05-12 | 2023-08-15 | 国网安徽省电力有限公司信息通信分公司 | 一种基于smart和性能日志的磁盘故障预测方法 |
| EP4162160A1 (en) | 2020-06-04 | 2023-04-12 | Vestas Wind Systems A/S | Temperature estimation in a wind turbine |
| CN111766514B (zh) * | 2020-06-19 | 2023-03-14 | 南方电网调峰调频发电有限公司 | 一种设备检测点的数据分析方法 |
| CN111781498B (zh) * | 2020-06-19 | 2023-03-14 | 南方电网调峰调频发电有限公司 | 一种设备检测点的数据分析系统 |
| CN111814848B (zh) * | 2020-06-22 | 2024-04-09 | 浙江大学 | 一种风电机组温度故障的自适应预警策略设计方法 |
| CN111878320B (zh) * | 2020-07-15 | 2021-07-30 | 上海电气风电集团股份有限公司 | 风力发电机组的监控方法、系统及计算机可读存储介质 |
| CN112211794B (zh) * | 2020-09-02 | 2023-01-06 | 五凌电力有限公司新能源分公司 | 风电机组的机舱温度异常预警方法、装置、设备及介质 |
| CN112556130A (zh) * | 2020-12-11 | 2021-03-26 | 青岛海尔空调器有限总公司 | 空调报警控制方法、装置、电子设备及存储介质 |
| CN114689207A (zh) * | 2020-12-31 | 2022-07-01 | 佛山市顺德区美的电热电器制造有限公司 | 加热设备及其异常检测方法、装置、电子设备和存储介质 |
| CN112734130B (zh) * | 2021-01-21 | 2022-06-10 | 河北工业大学 | 一种双馈型风机主轴的故障预警方法 |
| CN113221453A (zh) * | 2021-04-30 | 2021-08-06 | 华风数据(深圳)有限公司 | 风电机组齿轮箱输出轴故障监测预警方法 |
| CN113325824B (zh) * | 2021-06-02 | 2022-10-25 | 三门核电有限公司 | 一种基于阈值监测的调节阀异常识别方法及系统 |
| CN113588123B (zh) * | 2021-07-29 | 2023-01-06 | 东方电气集团东方电机有限公司 | 一种定子绕组温度预警方法 |
| CN114151291B (zh) * | 2021-11-18 | 2024-06-18 | 华能新能源股份有限公司 | 一种风电机组早期故障监测方法 |
| CN114186666B (zh) * | 2021-11-29 | 2023-10-13 | 中电华创(苏州)电力技术研究有限公司 | 一种基于自标准化编解码的发电机线圈温度异常监测方法 |
| CN114251238B (zh) * | 2021-11-30 | 2024-08-13 | 北京金风慧能技术有限公司 | 变桨电机温度异常检测方法及设备 |
| CN114412728B (zh) * | 2022-01-25 | 2025-07-18 | 三一重能股份有限公司 | 风电机组轴承温度异常检测方法、装置及风力机组 |
| CN114970950A (zh) * | 2022-04-13 | 2022-08-30 | 国家能源集团国源电力有限公司 | 风机故障报警方法、装置、存储介质及电子设备 |
| CN115655715A (zh) * | 2022-10-24 | 2023-01-31 | 三一重能股份有限公司 | 一种风电机组轴承异常温度的识别方法、装置和设备 |
| CN116085290B (zh) * | 2023-01-30 | 2024-11-15 | 浙江上风高科专风实业股份有限公司 | 一种基于滑窗热成像的风机热故障检测方法及系统 |
| CN116167250B (zh) * | 2023-04-23 | 2023-07-07 | 南京群顶科技股份有限公司 | 一种基于温差加权和时间序列算法的机房环境评估方法 |
| CN117365869B (zh) * | 2023-11-16 | 2025-07-15 | 浙江浙能嘉兴海上风力发电有限公司 | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
| CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
| WO2018228648A1 (en) * | 2017-06-14 | 2018-12-20 | Kk Wind Solutions A/S | Independent monitoring system for a wind turbine |
-
2019
- 2019-07-31 CN CN201910702600.5A patent/CN110414155B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018228648A1 (en) * | 2017-06-14 | 2018-12-20 | Kk Wind Solutions A/S | Independent monitoring system for a wind turbine |
| CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
| CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Anomaly Detection and Fault Prognosis for Bearings;Xiaohang Jin等;《 IEEE Transactions on Instrumentation and Measurement》;20160606;全文 * |
| 基于Hadoop平台的风机群落故障预警;姚万业等;《电力科学与工程》;20180628(第06期);全文 * |
| 基于相关主成分分析和极限学习机的风电机组主轴承状态监测研究;何群等;《计量学报》;20180122(第01期);全文 * |
| 基于轴承温度模型的风电机组故障预测研究;丁佳煜等;《可再生能源》;20180220(第02期);全文 * |
| 采用预测模型与模糊理论的风电机组状态参数异常辨识方法;孙鹏等;《电力自动化设备》;20170810(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110414155A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
| CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
| CN115034248A (zh) | 用于设备的自动诊断方法、系统和存储介质 | |
| CN118261584B (zh) | 基于多参量数据的变压器状态评估方法及系统 | |
| CN110362048A (zh) | 风机关键部件状态监测方法及装置、存储介质和终端 | |
| CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN119335940B (zh) | 一种基于物联网的污水处理数据实时监控方法及系统 | |
| CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
| Zhang et al. | A fault early warning method for auxiliary equipment based on multivariate state estimation technique and sliding window similarity | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
| CN112633331B (zh) | 一种基于自编码器的火电厂辅机健康状态评估方法 | |
| CN117365869B (zh) | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 | |
| CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
| CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
| CN109299201B (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
| CN119479879A (zh) | 一种乙醇生产浓度在线监测方法、装置及系统 | |
| CN117993562A (zh) | 基于人工智能大数据分析的风电机组故障预测方法及系统 | |
| CN112733446A (zh) | 一种数据驱动的自适应异常检测方法 | |
| CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
| CN119828646A (zh) | 火电厂的热工控制回路品质监控方法 | |
| CN119902495A (zh) | 一种基于人工智能的水电厂运行远程监控方法及系统 | |
| CN112016193B (zh) | 一种盾构机系统的润滑失效在线预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |