CN102486833B - 装置的效能预测及故障检测的方法 - Google Patents
装置的效能预测及故障检测的方法 Download PDFInfo
- Publication number
- CN102486833B CN102486833B CN201010593593.9A CN201010593593A CN102486833B CN 102486833 B CN102486833 B CN 102486833B CN 201010593593 A CN201010593593 A CN 201010593593A CN 102486833 B CN102486833 B CN 102486833B
- Authority
- CN
- China
- Prior art keywords
- forecast
- fault detect
- effectiveness
- data
- forecast model
- 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 30
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000002929 anti-fatigue Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
一种装置的效能预测及故障检测的方法,其是建立一预测模型,再以真实输出数据与预测输出量的误差修正预测模型,而修正后的预测模型可预测一装置或其一零组件的效能,并可得知装置或零组件于运转过程中是否有异常的状态发生。
Description
技术领域
本发明涉及一种装置的效能预测及故障检测的方法,其是建立一预测模型,以预测一装置或其一零组件的效能,并可得知装置或零组件于运转过程中是否有异常的状态发生。
背景技术
随着环保意识的高涨,近年绿色能源,如太阳能、水力能、风力能、海洋能、地热能、氢能或生质能,逐渐被各国或各企业所重视,其中发展最为迅速的为风力能,故风力能有可能成为未来最重要的替代能源。
现有的风力能的产生方式,其是通过风力发电机的运转所产生的,但于气候风场不稳定的情况下,造成风力发电机发电量与风速或风量不成比例,更有甚者导致重要零件的异常毁损,如齿轮箱或发电机,故风力发电机的效能或寿命趋势预测技术亦显其重要性。
常见的效能或寿命趋势预测方式有下列两种,一为计算风力发电机关键零组件的学理寿命分析,二为通过现场维护人员或专家经验作为机械设备健康状态预测判断。
如上所述的第一种,其是通过零组件材料及寿命理论计算,以预测关键零组件的寿命,然而,以学理方式建立关键零组件,如承轴或齿轮,最大寿命预测,其是利用材料抗疲劳的程度,以作为寿命计算,但以理论技术的方式,需要定义众多的基本参数,如材料特性、运转模式或工作环境,而任一基本参数都会影响基本寿命预测的精确度,另外,于真实环境下的环境参数,其可能呈现非线性分布状态,故难以估算。
如上所述的第二种,由于现场机械设备随工作条件不同的情况下,维护人员依照机械设备工作条件状态及历史经验作为判断依据,但维护人员的经验值的高低往往严重影响精确度。
综合上述,常见的两种效能或寿命趋势预测方式,其一需要众多的基本参数,但基本参数却无法对应真实环境,另一是通过维护人员的经验值判断,不仅精确度参差不齐,而且充满着不正确与非标准的判断模式,故常见的两种方式各自具有其缺点,因此,现有的效能或寿命趋势预测方式仍有尚待改善的空间。
发明内容
有鉴于上述的缺点,本发明的目的在于提供一种装置的效能预测及故障检测的方法,其是以一装置或其一零组件的真实输出数据与真实输入数据,以建立一预测模型,再以真实输出数据与预测输出量的误差修正预测模型,修正后的预测模型可提供效能预测及故障检测的根据。
为了达到上述的目的,本发明的技术手段在于提供一种装置的效能预测及故障检测的方法,其步骤包括有:
一、收集讯号信息:收集真实输入数据与真实输出数据,其可由一装置或其一零组件所取得。
二、建立基准评价值。
三、建立预测模型:设立参数,以建立预测模型。
四、训练预测模型:以该真实输入数据与该真实输出数据输入该预测模型中,以训练该预测模型。
五、设定收敛时间:设定一收敛时间,其为该预测模型运行时间。
六、输出结果:将该真实输出数据输入该预测模型中,以计算出一评价值趋势,将该评价值趋势与该基准评价值相比较,以得出效能预测与故障检测的结果。
如上所述的步骤一,真实输入数据的格式为一固定时间内取一平均值作为物理意义的表示;真实输入数据所取的讯号为连续讯号时,可将连续讯号进行统计参数计算,统计参数为平均值、标准差或变异数的其中之一,其是用以表示连续讯号的意义。
如上所述的步骤二,其是以性能曲线与历史曲线的关系计算出基准评价值。
如上所述的步骤二与步骤三之间,其进一步具有一删除过多信息的步骤,其若步骤一的真实输入数据量过大时,可进行数据降维,数据降维的方式为主要分量分析或线性识别分析的其中之一。
如上所述的步骤三,参数为初值误差、学习速率与收敛误差,并使用类神经网络、自回归模型或罗吉斯回归方法的其中之一以建立预测模型。
如上所述的步骤五,其进一步选择性具有修正完成条件的方法,其是计算真实输出数据与预测输出量的误差值,若误差值小于一设定误差值,则进行步骤六,若误差值大于设定误差值,则修正预测模型,并回到步骤四。
综合上述,本发明的装置的效能预测及故障检测的方法,其可达到以下的功效与优点:
1、举例而言,若装置为风力发电机,以其零组件为齿轮箱、承轴或发电机之一时,通过预测模型的建立,并比较真实输出数据与预测结果,而可预测其装置或零件的效能,并得知装置或零组件是否有异常的状态。
2、本发明可仅针对单一零组件或整个装置的输出数据进行检测,故外在不确定因素的影响可降至最低,以提高预测的准确度。
3、本发明除了可预测效能外,亦可进行损坏检测,即检测单一零组件或装置的真实输出比较预测结果,就可得知零组件或装置于运转过程中是否有异常的状态发生。
附图说明
图1为本发明的装置的效能预测及故障检测的方法的流程图。
附图符号说明
10~16 步骤
具体实施方式
以下藉由特定的具体实施例说明本发明的实施方式,本领域的技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点与功效。
请参阅图1所示,本发明是一种装置的效能预测及故障检测的方法,其步骤包括有:
一、收集讯号信息10:收集一装置的真实输入数据与真实输出数据,真实输入数据与真实输出数据可量测该装置的其一所选择的零组件或该装置的其中之一而得,举例而言,若装置为一风力发电机,真实输入数据可为转速、风速、风向或角度的其中之一,真实输出数据可为发电量,此外,真实输入数据的格式可分为两种,第一种为固定时间内取一平均值作为物理意义的表示,第二种为真实输入数据所取的讯号为连续讯号时,可将该连续讯号进行统计参数计算,统计参数为平均值、标准差或变异数的其中之一,其是用以表示连续讯号的意义。
此外,如上所述的零组件,若以风力发电机而言,可为齿轮箱、承轴或发电机的其中之一,举例而言,若为齿轮箱,真实输入数据为转速,真实输出数据为噪音,通过转速变化预测噪音大小,以作为效能预测及故障检测的结果,该结果得出的方式请见后面的详述。
二、建立基准评价值11:以性能曲线与历史曲线的关系计算出基准评价值,若以上述的风力发电机而言,依其性能曲线与历史曲线,其发电效率的基准评价值是介于0-1之间。
三、删除过多信息12:若步骤一的真实输入数据量过大时,可进行数据降维,以缩短建模时间,该数据降维的方式为主要分量分析(以下简称PCA)或线性识别分析(Linear Discriminant Analysis,以下简称LDA)的其中之一。
四、建立预测模型13:设定参数,参数为初值误差、学习速率与收敛误差,并使用类神经网络、自回归模型或罗吉斯回归方法的其中之一,以前述的参数建立一预测模型。
五、训练预测模型14:以步骤一的真实输入数据与真实输出数据输入步骤四所建立的预测模型中,以训练预测模型,并同时修正预测模型。
六、设定收敛时间或修正完成条件15:设定一收敛时间,即预测模型运行时间,或者计算真实输出数据与预测输出量的误差值,若该误差值小于一设定误差值,则进行下一步骤,若该误差值大于设定误差值,则修正预测模型,并回到步骤五。
举例而言,若以上述的风力发电机为例,该误差值为实际风力发电机的发电量与预测输出发电量的误差值。
七、输出结果16:将真实输出数据输入预测模型中,以计算出一评价值趋势,将该评价值趋势与步骤二的基准评价值相比较,以得出效能预测与故障检测的结果。
综合上述,本发明是建立一预测模型,并计算出一评价值趋势,该评价值趋势为一预测结果,该预测结果相较于零组件或装置的基准评价值或真实输出数据相较后,即可预测零组件或装置的效能,并可得知零组件或装置于运转过程中是否有无异常状态发生。
以上所述的具体实施例,仅用于例释本发明的特点及功效,而非用于限定本发明的可实施范畴,于未脱离本发明上述揭示的精神与技术范畴下,任何运用本发明所揭示内容而完成的等效改变及修饰,均仍应为本发明的权利要求所涵盖。
Claims (9)
1.一种装置的效能预测及故障检测的方法,其步骤包括有:
一、收集讯号信息:收集真实输入数据与真实输出数据,其由一装置或其一零组件所取得;
二、建立基准评价值;
三、建立预测模型:设立参数,以建立预测模型;
四、训练预测模型:以该真实输入数据与该真实输出数据输入该预测模型中,以训练该预测模型;
五、设定收敛时间:设定一收敛时间,其为该预测模型运行时间;
六、输出结果:将该真实输出数据输入该预测模型中,以计算出一评价值趋势,将该评价值趋势与该基准评价值相比较,以得出效能预测与故障检测的结果,该评价值趋势为一预测结果,该预测结果相较于该零组件或该装置的基准评价值或真实输出数据相较后,即可预测零组件或装置的效能,并可得知该零组件或该装置于运转过程中是否有无异常状态发生,
其中该步骤五进一步选择性具有修正完成条件的方法,其是计算该真实输出数据与预测输出量的误差值,若该误差值小于一设定误差值,则进行该步骤六,若该误差值大于该设定误差值,则修正该预测模型,并回到该步骤四。
2.如权利要求1所述的装置的效能预测及故障检测的方法,其中该步骤二与该步骤三之间进一步具有一删除过多信息的步骤,其是若该步骤一的真实输入数据量过大时,进行数据降维。
3.如权利要求1所述的装置的效能预测及故障检测的方法,其中该步骤一的真实输入数据的格式为一固定时间内取一平均值作为物理意义的表示。
4.如权利要求1所述的装置的效能预测及故障检测的方法,其中该步骤一的真实输入数据所取的讯号为连续讯号时,将该连续讯号进行统计参数计算,该统计参数为平均值、标准差或变异数的其中之一,其是用以表示该连续讯号的意义。
5.如权利要求1、3或4所述的装置的效能预测及故障检测的方法,其中该步骤二是以性能曲线与历史曲线的关系计算出该基准评价值。
6.如权利要求2所述的装置的效能预测及故障检测的方法,其中该删除过多信息的步骤所述的数据降维的方式为主要分量分析或线性识别分析的其中之一。
7.如权利要求6所述的装置的效能预测及故障检测的方法,其中该步骤三所述的参数为初值误差、学习速率与收敛误差,并使用类神经网络、自回归模型或罗吉斯回归方法的其中之一以建立该预测模型。
8.如权利要求7所述的装置的效能预测及故障检测的方法,其中该装置为风力发电机。
9.如权利要求7所述的装置的效能预测及故障检测的方法,其中该零组件为齿轮箱、承轴或发电机之一。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW099142047A TWI417746B (zh) | 2010-12-03 | 2010-12-03 | 裝置的效能預測及故障檢測之方法 |
TW099142047 | 2010-12-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102486833A CN102486833A (zh) | 2012-06-06 |
CN102486833B true CN102486833B (zh) | 2015-01-21 |
Family
ID=46152324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010593593.9A Active CN102486833B (zh) | 2010-12-03 | 2010-12-17 | 装置的效能预测及故障检测的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US8639454B2 (zh) |
CN (1) | CN102486833B (zh) |
TW (1) | TWI417746B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9110452B2 (en) * | 2011-09-19 | 2015-08-18 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
TWI479162B (zh) * | 2012-10-04 | 2015-04-01 | Jenn Feng New Energy Co Ltd | Method of Life Test for Solar Module |
CN104008423B (zh) * | 2013-02-26 | 2017-05-03 | 北京三一自动化技术有限责任公司 | 一种根据风况预测齿轮箱寿命的方法和*** |
US20150278405A1 (en) | 2014-03-31 | 2015-10-01 | Vestas Wind Systems A/S | Method for evaluating a performance prediction for a wind farm |
CN104484749A (zh) * | 2014-12-04 | 2015-04-01 | 广东电网有限责任公司电力科学研究院 | 用于燃煤电厂碳排放量预测方法和*** |
WO2016157503A1 (ja) * | 2015-04-02 | 2016-10-06 | 株式会社日立製作所 | 風車および風車の疲労劣化診断方法、風車の運転制御方法 |
CN105787561B (zh) * | 2016-03-22 | 2019-04-30 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
CN106209498A (zh) * | 2016-06-28 | 2016-12-07 | 成都启源电子信息技术有限公司 | 光电转换器问题诊断*** |
TWI632441B (zh) * | 2017-01-20 | 2018-08-11 | 財團法人工業技術研究院 | 機台的預診斷方法及預診斷裝置 |
TWI636404B (zh) * | 2017-07-31 | 2018-09-21 | 財團法人工業技術研究院 | 深度神經網路、使用深度神經網路的方法與電腦可讀媒體 |
CN107464023B (zh) * | 2017-08-16 | 2020-04-17 | 新疆金风科技股份有限公司 | 生命周期预测模型的在线学习方法和设备 |
TWI666532B (zh) * | 2017-10-05 | 2019-07-21 | 群光電能科技股份有限公司 | 效能預測方法 |
CN108427986A (zh) * | 2018-02-26 | 2018-08-21 | 中车青岛四方机车车辆股份有限公司 | 一种生产线电机故障预测方法及装置 |
TWI706149B (zh) * | 2019-12-04 | 2020-10-01 | 財團法人資訊工業策進會 | 產生一馬達診斷模型的裝置及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872435A (zh) * | 2009-04-24 | 2010-10-27 | 邓树培 | 感应洁具动作部件剩余寿命预测方法及*** |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI259546B (en) * | 2002-06-28 | 2006-08-01 | Tokyo Electron Ltd | Method and system for predicting process performance using material processing tool and sensor data |
JP4504065B2 (ja) | 2004-03-31 | 2010-07-14 | 中国電力株式会社 | 転がり軸受の余寿命診断方法 |
JP2006037850A (ja) | 2004-07-27 | 2006-02-09 | Univ Of Ryukyus | 風力発電機のピッチ角制御装置 |
US7725293B2 (en) * | 2006-12-07 | 2010-05-25 | General Electric Company | System and method for equipment remaining life estimation |
JP5016967B2 (ja) | 2007-04-20 | 2012-09-05 | 株式会社日立産機システム | 電力変換装置及びパワーサイクル寿命予測方法 |
WO2009027509A1 (en) | 2007-08-31 | 2009-03-05 | Vestas Wind Systems A/S | Wind turbine siting and maintenance prediction |
JP5020106B2 (ja) | 2008-01-11 | 2012-09-05 | 中国電力株式会社 | 風力発電量予測システム、方法及びプログラム |
EP2110551B2 (en) | 2008-04-15 | 2019-02-27 | Siemens Aktiengesellschaft | Method and apparatus for prediction-based wind turbine control |
US7684936B2 (en) * | 2008-05-07 | 2010-03-23 | Simmonds Precision Products, Inc. | Method, apparatus and computer program product for determining a future time of a component |
BRPI0819450A2 (pt) | 2008-06-18 | 2015-07-14 | Mitsubishi Heavy Ind Ltd | Aparelho de monitoração das características dinâmicas de uma turbina eólica e método para tal |
-
2010
- 2010-12-03 TW TW099142047A patent/TWI417746B/zh active
- 2010-12-17 CN CN201010593593.9A patent/CN102486833B/zh active Active
-
2011
- 2011-03-09 US US13/043,700 patent/US8639454B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872435A (zh) * | 2009-04-24 | 2010-10-27 | 邓树培 | 感应洁具动作部件剩余寿命预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
US20120144237A1 (en) | 2012-06-07 |
US8639454B2 (en) | 2014-01-28 |
TWI417746B (zh) | 2013-12-01 |
TW201224786A (en) | 2012-06-16 |
CN102486833A (zh) | 2012-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102486833B (zh) | 装置的效能预测及故障检测的方法 | |
KR102633236B1 (ko) | 시뮬레이션 방법 및 시스템 | |
EP3791060B1 (en) | Wind turbine control method | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
Abiri-Jahromi et al. | Optimized midterm preventive maintenance outage scheduling of thermal generating units | |
CN115062478A (zh) | 基于数字孪生的动态车间生产排程调度方法、***及介质 | |
CN102509027B (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
Guibing et al. | An intelligent health diagnosis and maintenance decision-making approach in smart manufacturing | |
CN101871948A (zh) | 风电场风速预测***及方法 | |
CN105427005A (zh) | 一种风电场运行风险评估方法 | |
CN104299043A (zh) | 极限学习机超短期负荷预测方法 | |
CN103852255A (zh) | 基于神经网络风力发电机组典型传动故障智能诊断方法 | |
CN103577647A (zh) | 一种汽轮机及其调速***模型的评估分析方法及装置 | |
CN115392640A (zh) | 一种面向检修的电动发电机全生命周期费用效能评估*** | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和*** | |
CN117728587A (zh) | 一种新能源发电设备运行数据的实时监控***及方法 | |
CN106022594B (zh) | 基于极值理论的电力***在线运行安全风险评估方法 | |
CN107634544A (zh) | 火电机组的动态功率控制方法和*** | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN102231081B (zh) | 一种流程工业设备用能状态诊断方法 | |
CN104008423B (zh) | 一种根据风况预测齿轮箱寿命的方法和*** | |
CN112462708B (zh) | 一种泵站远程诊断及优化调度方法及*** | |
Mahmoud et al. | Designing and prototyping the architecture of a digital twin for wind turbine | |
CN114564804A (zh) | 风电机组的叶片断裂预警方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |