CN110135064B - 一种发电机后轴承温度故障预测方法、***及控制器 - Google Patents
一种发电机后轴承温度故障预测方法、***及控制器 Download PDFInfo
- Publication number
- CN110135064B CN110135064B CN201910402698.2A CN201910402698A CN110135064B CN 110135064 B CN110135064 B CN 110135064B CN 201910402698 A CN201910402698 A CN 201910402698A CN 110135064 B CN110135064 B CN 110135064B
- Authority
- CN
- China
- Prior art keywords
- generator
- temperature
- bearing
- parameter
- rear bearing
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明提供一种发电机后轴承温度故障预测方法、***及控制器,所述方法包括:获取风机运行状态参数的数据,所述数据包括历史数据与当前数据;根据所述数据获取与发电机后轴承温度相关的状态参数;利用所述状态参数构建基于SVR模型的发电机后轴承温度预测模型和/或基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型;对所述发电机后轴承温度和/或发电机后轴承温度报警故障剩余时间进行预测。本发明可以准确地预测发电机后轴承温度和距发生发电机后轴承温度报警故障的剩余时间,从而为现场工程师采取有效合理的防护措施提供有指导性的建议和帮助。
Description
技术领域
本发明涉及一种机械设备的故障预测技术领域,特别是风机发电机后轴承温度故障预测技术领域,具体为一种发电机后轴承温度故障预测方法、***及控制器。
背景技术
发电机是风机的关键零部件之一,发电机***故障维护成本约占整个风电机组健康运维成本的10%,发电机相关故障也是引起风电机组停机的最主要原因之一,且平均排除故障的时间较长。因此,发电机的健康运维是风电机组智能运维中非常重要的一部分。在对发电机进行在线状态监测的过程中,现场工程师不仅关注当前发电机***的运行状态,也同样关注发电机中关键故障的故障预测问题。通过对风机历史故障记录中发电机相关的主要故障进行统计可以发现,发电机后轴承温度故障是发电机较为频发的故障。一旦发生发电机后轴承温度报警故障,会对发电机造成较严重的影响,导致风机故障停机等,最终影响整个风机的发电量。因此,对未来的发电机后轴承温度故障进行预测,能够帮助及时了解发电机后轴承温度的未来趋势和发生发电机后轴承温度报警故障的紧急程度,为现场工程师采取有效合理的防护措施提供有指导性的建议和帮助。然而,目前针对风机后轴承温度故障的预测精度都不高,因而对于实际工作的指导意义不大。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种发电机后轴承温度故障预测方法、***及控制器,用于解决现有技术中对风机后轴承温度故障的预测精度都不高的问题。
为实现上述目的及其他相关目的,本发明提供一种发电机后轴承温度故障预测方法,包括:获取风机运行状态参数的数据,所述数据包括历史数据与当前数据;根据所述数据获取与发电机后轴承温度相关的状态参数;利用所述状态参数构建基于SVR模型的发电机后轴承温度预测模型和/或基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型;对所述发电机后轴承温度和/或发电机后轴承温度报警故障剩余时间进行预测。
于本发明的一实施例中,所述根据所述数据获取与发电机后轴承温度相关的状态参数的实现方式包括:利用相关性分析方法对所述数据进行分析并得到相关性分析结果;选取所述相关性分析结果中相关性大于相关性阈值的状态参数作为与发电机后轴承温度相关的状态参数。
于本发明的一实施例中,所述相关性分析方法中采用的相关系数包括Pearson相关系数和最大信息系数(MIC)。
于本发明的一实施例中,利用所述状态参数构建基于SVR模型的发电机后轴承温度预测模型和/或基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型的实现方式包括:获取所述与发电机后轴承温度相关的状态参数在所述预测模型中的参数权重;采用网格搜索和交叉验证相结合的方式获得最优超参数;将时序中连续N个时刻发电机后轴承温度及连续N个时刻与发电机后轴承温度相关的状态参数作为SVR模型的输入,未来T时刻的发电机后轴承温度作为输出,结合所述参数权重和最优超参数构建所述基于SVR模型的发电机后轴承温度预测模型;对所述与发电机后轴承温度相关的状态参数数据进行平滑处理,得到经平滑处理后的发电机后轴承温度相关状态参数;将所述经平滑处理后的发电机后轴承温度相关状态参数作为SVR模型的输入,距离故障的剩余时间作为模型的输出,结合所述参数权重和最优超参数构建基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型。
于本发明的一实施例中,所述获取所述与发电机后轴承温度相关的状态参数在所述预测模型中的参数权重的实现方式为:对于第i个状态参数,所述参数权重系数为:
wi=ri×MICi
其中,wi为一个计算的中间值,ri表示该状态参数与发电机后轴承温度的Pearson相关系数,MICi表示该状态参数与发电机后轴承温度的MIC相关性值,M表示相关状态参数的数量。
于本发明的一实施例中,所述平滑处理方法为:考虑时序中当前时刻的数据点和之前的h-1个数据点,将t时刻发电机后轴承温度故障相关的状态参数Pi(t)设置为:
其中,h的含义为考虑时序中的h个数据点。
于本发明的一实施例中,还提供一种发电机后轴承温度故障预测***,所述发电机后轴承温度故障预测***包括:数据获取模块,用于获取风机运行状态参数的数据,所述数据包括历史数据与当前数据;相关状态参数获取模块,与所述数据获取模块相连,用于根据所述数据获取与发电机后轴承温度相关的状态参数;模型构建模块,与所述相关状态参数获取模块相连,用于构建基于SVR模型的发电机后轴承温度预测模型和/或基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型;预测模块,分别与所述模型构建模块和所述数据获取模块相连,用于对发电机后轴承温度和距发生发电机后轴承温度报警故障剩余时间均进行预测。
于本发明的一实施例中,所述模型构建模块包括:参数权重获取单元,用于获取所述与发电机后轴承温度相关的状态参数在所述预测模型中的参数权重;超参数获取单元,用于获得最优超参数;平滑处理单元,用于获取经平滑处理后的发电机后轴承温度相关状态参数;温度预测单元,分别与所述参数权重获取单元和所述超参数获取单元相连,用于构建所述基于SVR模型的发电机后轴承温度预测模型;故障剩余时间预测单元,分别于所述参数权重获取单元、所述超参数获取单元以及所述平滑处理单元相连,用于构建所述基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型。
于本发明的一实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器调用时实现如上所述的发电机后轴承温度故障预测方法。
于本发明的一实施例中,还提供一种控制器,其特征在于,包括:存储器,用于存储一计算机程序;处理器,与所述存储器通信相连,用于调用所述计算机程序时实现如上所述的发电机后轴承温度故障预测方法。
如上所述,本发明的电机后轴承温度故障预测方法、***及控制器,具有以下有益效果:首先,本发明在设计时是对SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制)***中的所有状态参数都计算过相关性,并从中选取出与发电机后轴承温度具有较强相关性的状态参数,保证了所述预测***输入参数的全面性;其次,本发明通过相关性分析方法选取发电机后轴承温度相关的状态参数,考虑各状态参数对发电机后轴承温度的影响不同,利用相关性分析结果设计各状态参数的权重,依据移动平滑法对参数数据进行平滑处理,采用网格搜索和交叉验证相结合的方式寻找最优的超参数,考虑到发电机后轴承温度和相关状态参数的时序性,将时序中连续N个时刻发电机后轴承温度及相关状态参数作为模型的输入,并建立基于SVR模型的发电机后轴承温度预测模型和/或距发电机后轴承温度报警故障剩余时间预测模型,具有较高的预测精度;第三,本发明不仅考虑到对发电机后轴承温度进行预测还针对发电机后轴承温度报警故障剩余时间进行预测,能够更好地为现场工程师采取有效合理的防护措施提供有指导性的建议和帮助。
附图说明
图1显示为本发明实施例所述的发电机后轴承温度故障预测方法的一种实现过程示意图。
图2显示为本发明实施例所述的发电机后轴承温度故障预测方法获得的一幅发电机后轴承温度预测结果示例图。
图3显示为本发明实施例所述的发电机后轴承温度故障预测方法获得的一幅发电机后轴承温度报警故障剩余时间预测结果示例图。
图4显示为本发明实施例所述的一种利用所述状态参数构建基于SVR模型的发电机后轴承温度预测模型和/或基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型实现过程示意图。
图5显示为本发明实施例所述的发电机后轴承温度故障预测方法的一种实现结构示意图。
图6显示为本发明实施例所述的模型构建模块的一种实现结构示意图。
元件标号说明
200 发电机后轴承温度故障预测***
210 数据获取模块
220 相关状态参数获取模块
230 模型构建模块
240 预测模块
231 参数权重获取单元
232 超参数获取单元
233 平滑处理单元
234 温度预测单元
235 故障剩余时间预测单元
S110~S140 步骤
S131~S135 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
通过对风机历史故障记录中发电机相关的主要故障进行统计可以发现,发电机后轴承温度故障是发电机较为频发的故障。一旦发生发电机后轴承温度报警故障,会对发电机造成较严重的影响,导致风机故障停机等,最终导致整个风机的发电量降低。因此,对未来的发电机后轴承温度故障进行预测,能够帮助及时了解发电机后轴承温度的发展趋势和发生发电机后轴承温度报警故障的紧急程度,为现场工程师采取有效合理的防护措施提供有指导性的建议和帮助。然而,目前针对风机后轴承温度故障的预测精度都不高,因而对于实际工作的指导意义不大。为了解决这一问题,本发明的一个实施例中提供了一种发电机后轴承温度故障预测方法,包括:获取风机运行状态参数的数据,所述数据包括历史数据与当前数据;根据所述数据获取与发电机后轴承温度相关的状态参数;利用所述状态参数构建基于SVR模型的发电机后轴承温度预测模型和/或基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型;对所述发电机后轴承温度和/或发电机后轴承温度报警故障剩余时间进行预测。
请参阅图1,显示为本发明实施例所述的发电机后轴承温度故障预测方法的一种实现过程示意图,所述方法包括:
S110,获取风机运行状态参数的数据,所述数据包括历史数据与当前数据。SCADA***是以计算机为基础的生产过程控制与调度自动化***,它可以对现场的运行设备进行监视和控制,目前在电力***中的应用最为广泛,技术发展也最为成熟。因此,在本步骤中可以直接调用SCADA***中关于风机运行状态的所有参数。考虑到发电机后轴承温度和相关状态参数的时序性,本发明不仅选择所述状态参数的当前数据,还将这些状态参数的历史数据考虑在内,以增强预测结果的准确性。
S120,根据所述数据获取与发电机后轴承温度相关的状态参数。对步骤S110中获取的状态参数进行分析和处理,进而得到与发电机后轴承温度相关的状态参数。其中所述与发电机后轴承温度相关的状态参数数量记作M。
S130,利用所述状态参数构建基于SVR模型的发电机后轴承温度预测模型和/或基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型。所述SVR指的支持向量回归机(Support Vactor Regerssion),属于支持向量机(SVM)的重要的应用分支。SVR的重要思想就是就是找到一个回归平面,让一个集合的所有数据到该平面的距离最近。在步骤S120得到的发电机后轴承温度相关的状态参数基础上,利用SVR模型即可构建出基于SVR模型的发电机后轴承温度预测模型和/或基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型。
具体地,首先将步骤S120中获得的M个状态参数的数据集按照一定的比例划分为测试集和训练集,优选地,所述比例为2:8,所述测试集数据用于测试预测精度,所述训练集数据用于训练预测模型;然后对预测模型进行训练,利用上述数据集对所述SVR模型进行训练,选取最佳***参数以提高预测准确性。
S140,对所述发电机后轴承温度和/或发电机后轴承温度报警故障剩余时间进行预测。当***监测到发电机运行状态劣化并发出报警时,依据在线SCADA***的发电机后轴承温度相关状态参数数据,利用上述预测模型分别对发电机后轴承温度和/或距发生发电机后轴承温度报警故障剩余时间进行预测。
图2显示为本发明实施例所述的发电机后轴承温度故障预测方法获得的一幅发电机后轴承温度预测结果示例图。从图中可以看出所述发电机后轴承温度预测模型可以准确预测发电机后轴承温度,跟踪其变化趋势。
图3显示为本发明实施例所述的发电机后轴承温度故障预测方法获得的一幅发电机后轴承温度报警故障剩余时间预测结果示例图。从图中可以看出所述距发电机后轴承温度报警故障剩余时间预测模型可以准确跟踪距发生发电机后轴承温度报警故障的剩余时间的变化。
表1-1和表1-2是本发明提出的方法(GC-WP_SVR)与常用的几种方法预测结果的比较,包括利用粒子群优化算法(Particle Swarm Optimization,PSO)进行超参数寻优的SVR模型(PSO-WP_SVR)、未进行状态参数赋权重的传统SVR模型以及ELM(Extreme LearningMachine,极限学***均绝对误差MAE,平方相关系数R2对模型的预测效果进行评价,从表中可以清晰地看出,本发明所提出的方法提高了预测精度。
表1-1发电机后轴承温度预测模型结果对比
表1-2距发生发电机后轴承温度故障剩余时间预测模型结果对比
于本发明的一个实施例中,根据所述数据获取与发电机后轴承温度相关的状态参数的实现方式包括:
利用相关性分析方法对所述数据进行分析并得到相关性分析结果,所述相关性分析方法中采用的相关系数包括但不限于Pearson相关系数和最大信息系数(MIC);
选取所述相关性分析结果中相关性大于相关性阈值的状态参数作为与发电机后轴承温度相关的状态参数。所述相关性阈值根据实际情况选择,相关性阈值越高选取的参数越少;相关性阈值越低选取的参数越多但是运算量越大。优选地,所述相关性阈值为0.9。
具体地,于本实施例中,采用上述相关性分析方法计算各状态参数与发电机后轴承温度的相关性,选取与发电机后轴承温度具有较强关系的状态参数,具体选取的状态参数见表2。
表2相关状态变量表
于本发明的一个实施例中,步骤S130的实现方式包括:获取所述与发电机后轴承温度相关的状态参数在所述预测模型中的参数权重;采用网格搜索和交叉验证相结合的方式获得最优超参数;将时序中连续N个时刻发电机后轴承温度及连续N个时刻与发电机后轴承温度相关的状态参数作为SVR模型的输入,其中N为正整数,未来T时刻的发电机后轴承温度作为输出,结合所述参数权重和最优超参数构建所述基于SVR模型的发电机后轴承温度预测模型;对所述与发电机后轴承温度相关的状态参数数据进行平滑处理,得到经平滑处理后的发电机后轴承温度相关状态参数;将所述经平滑处理后的发电机后轴承温度相关状态参数作为SVR模型的输入,距离故障的剩余时间作为模型的输出,结合所述参数权重和最优超参数构建基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型。请参阅图4,显示为本发明实施例所述的一种利用所述状态参数构建基于SVR模型的发电机后轴承温度预测模型和/或基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型实现过程示意图,所述实现过程包括:
S131,获取所述与发电机后轴承温度相关的状态参数在所述预测模型中的参数权重;
S132,采用网格搜索和交叉验证相结合的方式获得最优超参数;
S133,将时序中连续N个时刻发电机后轴承温度及连续N个时刻与发电机后轴承温度相关的状态参数作为SVR模型的输入,其中N为正整数,未来T时刻的发电机后轴承温度作为输出,结合所述参数权重和最优超参数构建所述基于SVR模型的发电机后轴承温度预测模型;
S134,对所述与发电机后轴承温度相关的状态参数数据进行平滑处理,得到经平滑处理后的发电机后轴承温度相关状态参数;
S135,将所述经平滑处理后的发电机后轴承温度相关状态参数作为SVR模型的输入,距离故障的剩余时间作为模型的输出,结合所述参数权重和最优超参数构建基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型。
以下对所述步骤S131至步骤S135进行详细说明。
S131,获取所述与发电机后轴承温度相关的状态参数在所述预测模型中的参数权重。所述权重设计为:
wi=ri×MICi
其中,为相应不同状态参数的权重系数,wi为一个计算的中间值,ri表示该状态参数与发电机后轴承温度的Pearson相关系数,MICi表示该状态参数与发电机后轴承温度的MIC相关性值,M表示相关状态参数的数量。具体地,于本实施例中,获取的各状态参数的相关性结果和得到的权重见表3。
S132,采用网格搜索和交叉验证相结合的方式获得最优超参数。其中,预测模型为SVR模型,采用RBF核函数作为SVR模型的核函数,所要寻找的最优超参数为惩罚因子C和核函数g。
S133,将时序中连续N个时刻发电机后轴承温度及连续N个时刻与发电机后轴承温度相关的状态参数作为SVR模型的输入,其中N为正整数,未来T时刻的发电机后轴承温度作为输出,结合所述参数权重和最优超参数构建所述基于SVR模型的发电机后轴承温度预测模型。其中,所述基于SVR模型的发电机后轴承温度预测模型具体包括:在发电机后轴承温度趋势预测模型中,考虑到发电机后轴承温度和相关状态参数的时序性,将时序中连续N个时刻发电机后轴承温度及相关状态参数作为模型的输入,未来T时刻的发电机后轴承温度作为输出。优选地,所构建的发电机后轴承温度趋势预测模型中取N=20,即考虑连续10分钟内的相关状态参数的变化;T=10分钟,即预测未来10分钟后的发电机后轴承温度。
表3各状态参数的权重表
S134,对所述与发电机后轴承温度相关的状态参数数据进行平滑处理,得到经平滑处理后的发电机后轴承温度相关状态参数。于本实施例中,选取移动平均法对参数数据进行平滑处理,其中所述平滑处理方法为:考虑时序中当前时刻的数据点和之前的h-1个数据点,将t时刻发电机后轴承温度故障相关的状态参数Pi(t)设置为:
其中,h的含义为考虑时序中的h个数据点。优选地,h=20,即考虑10分钟内发电机的运行状态。
S135,将时序中连续N个时刻发电机后轴承温度及连续N个时刻所述经平滑处理后的发电机后轴承温度相关状态参数作为SVR模型的输入,距离故障的剩余时间作为模型的输出,结合所述参数权重和最优超参数构建基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型。
于本发明的一个实施例中,还提供一种发电机后轴承温度故障预测***200,所述发电机后轴承温度故障预测***200包括:数据获取模块210,用于获取风机运行状态参数的数据,所述数据包括历史数据与当前数据;相关状态参数获取模块220,与所述数据获取模块相连,用于根据所述数据获取与发电机后轴承温度相关的状态参数;模型构建模块230,与所述相关状态参数获取模块220相连,用于构建基于SVR模型的发电机后轴承温度预测模型和/或基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型;预测模块240,分别与所述模型构建模块230和所述数据获取模块210相连,用于对发电机后轴承温度和距发生发电机后轴承温度报警故障剩余时间均进行预测。请参阅图5,显示为本发明实施例所述的发电机后轴承温度故障预测方法的一种实现结构示意图。
于本实施例中,所述数据获取模块210用于获取风机运行状态参数的数据,所述数据包括历史数据与当前数据。具体地,所述数据获取模块210能够直接调用SCADA***中关于风机运行状态的所有参数。考虑到发电机后轴承温度和相关状态参数的时序性,所述数据获取模块210不仅选择所述状态参数的当前取值数据,还将这些状态参数的历史数据考虑在内,以增强预测结果的准确性。
于本实施例中,所述相关状态参数获取模块220与所述数据获取模块210相连,能够根据从所述数据获取模块210中获得的风机运行状态的参数中选出与发电机后轴承温度相关的状态参数。
于本实施例中,所述模型构建模块230能够利用所述相关参数获取模块220获得的状态参数,构建基于SVR模型的发电机后轴承温度预测模型和/或基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型。具体地,所述模型构建模块230将所述相关参数获取模块220获得的状态参数的数据集按照一定的比例划分为测试集和训练集,优选地,所述比例为2:8,所述测试集数据用于测试预测精度,所述训练集数据用于训练预测模型;然后对预测模型进行训练,利用上述数据集对所述SVR模型进行训练,选取最佳***参数以提高预测准确性。
于本实施例中,所述预测模块240分别与所述模型构建模块230和所述数据获取模块210相连,当***监测到发电机运行状态劣化发出报警时,所述预测模块240依据在线SCADA***的发电机后轴承温度相关状态参数数据,利用上述预测模型分别对发电机后轴承温度和/或距发生发电机后轴承温度报警故障剩余时间进行预测。
于本发明的一个实施例中,所述模型构建模块230包括:参数权重获取单元231,用于获取所述与发电机后轴承温度相关的状态参数在所述预测模型中的参数权重;超参数获取单元232,用于获得最优超参数;平滑处理单元233,用于获取经平滑处理后的发电机后轴承温度相关状态参数;温度预测单元234,分别与所述参数权重获取单元和所述超参数获取单元相连,用于构建所述基于SVR模型的发电机后轴承温度预测模型;故障剩余时间预测单元235,分别于所述参数权重获取单元、所述超参数获取单元以及所述平滑处理单元相连,用于构建所述基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型。请参阅图6,显示为本实施例所述模型构建模块的一种实现结构示意图。
于本发明的一实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器调用时实现如上所述的发电机后轴承温度故障预测方法。
于本发明的一实施例中,还提供一种控制器,其特征在于,包括:存储器,用于存储一计算机程序;处理器,与所述存储器通信相连,用于调用所述计算机程序时实现如上所述的发电机后轴承温度故障预测方法。
本发明所述的发电机后轴承温度故障预测方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种发电机后轴承温度故障预测***,所述发电机后轴承温度故障预测***可以实现本发明所述的发电机后轴承温度故障预测方法,但本发明所述的发电机后轴承温度故障预测方法的实现装置包括但不限于本实施例列举的发电机后轴承温度故障预测***的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
本发明的电机后轴承温度故障预测方法、***及控制器,具有以下有益效果:首先,本发明在设计时是对SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制)***中的所有状态参数都计算过相关性,并从中选取出与发电机后轴承温度具有较强相关性的状态参数,保证了所述预测***输入参数的全面性;其次,本发明通过相关性分析方法选取发电机后轴承温度相关的状态参数,考虑各状态参数对发电机后轴承温度的影响不同,利用相关性分析结果设计各状态参数的权重,依据移动平滑法对参数数据进行平滑处理,采用网格搜索和交叉验证相结合的方式寻找最优的超参数,考虑到发电机后轴承温度和相关状态参数的时序性,将时序中连续N个时刻发电机后轴承温度及相关状态参数作为模型的输入,并建立基于SVR模型的发电机后轴承温度预测模型和/或距发电机后轴承温度报警故障剩余时间预测模型,具有较高的预测精度;第三,本发明不仅考虑到对发电机后轴承温度进行预测还针对发电机后轴承温度报警故障剩余时间进行预测,能够更好地为现场工程师采取有效合理的防护措施提供有指导性的建议和帮助。综上所述,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种发电机后轴承温度故障预测方法,其特征在于,所述发电机后轴承温度故障预测方法包括:
获取风机运行状态参数的数据,所述数据包括历史数据与当前数据;
根据所述数据获取与发电机后轴承温度相关的状态参数;
利用所述状态参数构建基于SVR模型的发电机后轴承温度预测模型和基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型;
对所述发电机后轴承温度和发电机后轴承温度报警故障剩余时间进行预测;
利用所述状态参数构建基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型包括:
获取所述与发电机后轴承温度相关的状态参数在所述预测模型中的参数权重;
采用网格搜索和交叉验证相结合的方式获得最优超参数;
对所述与发电机后轴承温度相关的状态参数数据进行平滑处理,得到经平滑处理后的发电机后轴承温度相关状态参数,所述平滑处理方法为:考虑时序中当前时刻的数据点和之前的h-1个数据点,将t时刻发电机后轴承温度故障相关的状态参数Pi(t)设置为其中,h的含义为考虑时序中的h个数据点;
将所述经平滑处理后的发电机后轴承温度相关状态参数作为SVR模型的输入,距离故障的剩余时间作为模型的输出,结合所述参数权重和所述最优超参数构建基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型。
2.根据权利要求1所述的发电机后轴承温度故障预测方法,其特征在于,所述根据所述数据获取与发电机后轴承温度相关的状态参数的实现方式包括:
利用相关性分析方法对所述数据进行分析并得到相关性分析结果;
选取所述相关性分析结果中相关性大于相关性阈值的状态参数作为与发电机后轴承温度相关的状态参数。
3.根据权利要求2所述的发电机后轴承温度故障预测方法,其特征在于,所述相关性分析方法中采用的相关系数包括Pearson相关系数和最大信息系数。
4.根据权利要求1所述的发电机后轴承温度故障预测方法,其特征在于,利用所述状态参数构建基于SVR模型的发电机后轴承温度预测模型和基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型的实现方式包括:
获取所述与发电机后轴承温度相关的状态参数在所述预测模型中的参数权重;
采用网格搜索和交叉验证相结合的方式获得最优超参数;
将时序中连续N个时刻发电机后轴承温度及连续N个时刻与发电机后轴承温度相关的状态参数作为SVR模型的输入,其中N为正整数,未来T时刻的发电机后轴承温度作为输出,结合所述参数权重和最优超参数构建所述基于SVR模型的发电机后轴承温度预测模型。
5.根据权利要求4所述的发电机后轴承温度故障预测方法,其特征在于,所述获取所述与发电机后轴承温度相关的状态参数在所述预测模型中的参数权重的实现方式为:
对于第i个状态参数,所述参数权重系数为:
wi=ri×MICi
其中,wi为一个计算的中间值,ri表示该状态参数与发电机后轴承温度的Pearson相关系数,MICi表示该状态参数与发电机后轴承温度的最大信息系数值,M表示相关状态参数的数量。
6.一种发电机后轴承温度故障预测***,其特征在于,所述发电机后轴承温度故障预测***包括:
数据获取模块,用于获取风机运行状态参数的数据,所述数据包括历史数据与当前数据;
相关状态参数获取模块,与所述数据获取模块相连,用于根据所述数据获取与发电机后轴承温度相关的状态参数;
模型构建模块,与所述相关状态参数获取模块相连,用于构建基于SVR模型的发电机后轴承温度预测模型和基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型;
预测模块,分别与所述模型构建模块和所述数据获取模块相连,用于对发电机后轴承温度和距发生发电机后轴承温度报警故障剩余时间均进行预测;
所述模型构建模块包括参数权重获取单元、超参数获取单元、平滑处理单元、温度预测单元和故障剩余时间预测单元,其中:
所述参数权重获取单元用于获取所述与发电机后轴承温度相关的状态参数在所述预测模型中的参数权重;
所述超参数获取单元用于采用网格搜索和交叉验证相结合的方式获得最优超参数;
所述平滑处理单元用于对所述与发电机后轴承温度相关的状态参数数据进行平滑处理,得到经平滑处理后的发电机后轴承温度相关状态参数,所述平滑处理方法为:考虑时序中当前时刻的数据点和之前的h-1个数据点,将t时刻发电机后轴承温度故障相关的状态参数Pi(t)设置为其中,h的含义为考虑时序中的h个数据点;
所述温度预测单元分别与所述参数权重获取单元和所述超参数获取单元相连,用于构建所述基于SVR模型的发电机后轴承温度预测模型;
所述故障剩余时间预测单元分别与所述参数权重获取单元、所述超参数获取单元以及所述平滑处理单元相连,用于将所述经平滑处理后的发电机后轴承温度相关状态参数作为SVR模型的输入,距离故障的剩余时间作为模型的输出,结合所述参数权重和所述最优超参数构建所述基于SVR模型的距发电机后轴承温度报警故障剩余时间预测模型。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器调用时实现权利要求1至5任一项所述的发电机后轴承温度故障预测方法。
8.一种控制器,其特征在于,包括:
存储器,用于存储一计算机程序;
处理器,与所述存储器通信相连,用于调用所述计算机程序时实现权利要求1至5任一项所述的发电机后轴承温度故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910402698.2A CN110135064B (zh) | 2019-05-15 | 2019-05-15 | 一种发电机后轴承温度故障预测方法、***及控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910402698.2A CN110135064B (zh) | 2019-05-15 | 2019-05-15 | 一种发电机后轴承温度故障预测方法、***及控制器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135064A CN110135064A (zh) | 2019-08-16 |
CN110135064B true CN110135064B (zh) | 2023-07-18 |
Family
ID=67574206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910402698.2A Active CN110135064B (zh) | 2019-05-15 | 2019-05-15 | 一种发电机后轴承温度故障预测方法、***及控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135064B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110685868A (zh) * | 2019-10-25 | 2020-01-14 | 长沙理工大学 | 一种基于改进梯度提升机的风电机组故障检测方法及装置 |
CN110805534B (zh) * | 2019-11-18 | 2021-02-12 | 长沙理工大学 | 一种风力发电机的故障检测方法、装置及设备 |
CN113052716B (zh) * | 2019-12-27 | 2023-03-03 | 新疆金风科技股份有限公司 | 风力发电机组主轴承的异常预警方法及装置 |
CN112001632B (zh) * | 2020-08-25 | 2022-07-19 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组齿轮箱轴承性能退化状态评估方法 |
CN112798949A (zh) * | 2020-10-22 | 2021-05-14 | 国家电网有限公司 | 一种抽水蓄能机组发电机温度预警方法和*** |
CN112682273B (zh) * | 2020-12-31 | 2022-06-28 | 长沙理工大学 | 基于代价敏感轻量级梯度提升机的风电机组故障检测方法 |
CN113114748A (zh) * | 2021-04-02 | 2021-07-13 | 天津一重电气自动化有限公司 | 一种基于数据分析的智能预测*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951851A (zh) * | 2015-07-08 | 2015-09-30 | 华侨大学 | 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 |
CN106769051A (zh) * | 2017-03-10 | 2017-05-31 | 哈尔滨理工大学 | 一种基于mcea‑kpca和组合svr的滚动轴承剩余使用寿命预测方法 |
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 |
CN109389143A (zh) * | 2018-06-19 | 2019-02-26 | 北京九章云极科技有限公司 | 一种数据分析处理***及自动建模方法 |
CN109657709A (zh) * | 2018-12-06 | 2019-04-19 | 湖北博华自动化***工程有限公司 | 一种基于粒子群优化支持向量回归的设备故障预测方法 |
-
2019
- 2019-05-15 CN CN201910402698.2A patent/CN110135064B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951851A (zh) * | 2015-07-08 | 2015-09-30 | 华侨大学 | 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 |
CN106769051A (zh) * | 2017-03-10 | 2017-05-31 | 哈尔滨理工大学 | 一种基于mcea‑kpca和组合svr的滚动轴承剩余使用寿命预测方法 |
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 |
CN109389143A (zh) * | 2018-06-19 | 2019-02-26 | 北京九章云极科技有限公司 | 一种数据分析处理***及自动建模方法 |
CN109657709A (zh) * | 2018-12-06 | 2019-04-19 | 湖北博华自动化***工程有限公司 | 一种基于粒子群优化支持向量回归的设备故障预测方法 |
Non-Patent Citations (1)
Title |
---|
基于支持向量机和统计过程控制的风电机组故障预测算法的研究;胡庆春;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20120415;C042-259 * |
Also Published As
Publication number | Publication date |
---|---|
CN110135064A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135064B (zh) | 一种发电机后轴承温度故障预测方法、***及控制器 | |
CN112287504A (zh) | 一种配电网离线/在线一体化仿真***和方法 | |
Niu et al. | Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis | |
CN112069727B (zh) | 具备高可信度的电力***暂态稳定智能化评估***及方法 | |
CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
CN115453356A (zh) | 一种动力设备运行状态监测分析方法、***、终端及介质 | |
CN114784882A (zh) | 机组组合优化处理方法及装置 | |
Khan et al. | Digital twin for advanced automation of future smart grid | |
Basher | Autonomous control of nuclear power plants | |
Baboli et al. | Two-stage condition-based maintenance model of wind turbine: From diagnosis to prognosis | |
Huang et al. | Elman neural network considering dynamic time delay estimation for short-term forecasting of offshore wind power | |
Zhao et al. | Gas turbine exhaust system health management based on recurrent neural networks | |
CN108074045A (zh) | 风电机组整机脆弱性分析与故障排序方法及电子终端 | |
Huang et al. | Digital twin modeling and operating state assessment of substation equipment | |
Bourguet et al. | Artificial neural networks in electric power industry | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN109739210B (zh) | 设备部件健康状态的评估方法及装置 | |
Li et al. | Predicting remaining useful life of industrial equipment based on multivariable monitoring data analysis | |
CN114330865A (zh) | 电网备用容量预测方法、***、计算机设备及存储介质 | |
Yang et al. | Multistate prediction for in-service gas turbine via adaptive diffusion graph network | |
Ou et al. | Fault Prediction Model of Wind Power Pitch System Based on BP Neural Network | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与*** | |
Fang et al. | Failure Prediction of Wind Turbines Using Improved Gray Relation Analysis Based Support Vector Machine Method | |
Dinh et al. | Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines | |
AU2022204337B2 (en) | Run-time reliability reporting for electrical hardware systems |
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 |