CN110688617B - 风机振动异常检测方法及装置 - Google Patents
风机振动异常检测方法及装置 Download PDFInfo
- Publication number
- CN110688617B CN110688617B CN201910953212.4A CN201910953212A CN110688617B CN 110688617 B CN110688617 B CN 110688617B CN 201910953212 A CN201910953212 A CN 201910953212A CN 110688617 B CN110688617 B CN 110688617B
- Authority
- CN
- China
- Prior art keywords
- vibration
- fan
- working condition
- data set
- residual
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明公开了一种风机振动异常检测方法及装置,该方法包括:采集一定时间段内的风机运行数据;从所述风机运行数据中提取工况特征和振动特征,得到测试数据集;利用预先建立的工况‑振动模型对所述测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值;根据所述测试数据集中的振动特征及其预测值,计算振动特征残差,得到残差矩阵;根据所述残差矩阵计算所述测试数据集中各工况点的振动特征残差的距离;如果连续设定数量的工况点的振动特征残差的距离均大于预先确定的距离阈值,则确定所述时间段内风机振动异常。利用本发明方案,在无法得到风机部件的高频振动信号的情况下,也能够实现对风机振动异常的有效检测。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种风机振动异常检测方法及装置。
背景技术
现有风电机组状态监测***中包含基于高频振动信号的风机振动异常检测,如通过傅里叶变换和包络谱分析的方式进行故障诊断,这种检测需要在特定的传感器来采集相应部件的高频振动信号。但对于风机塔筒和机舱等部件的振动异常检测,通常仅能采集到来自SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制)***的低频振动信号数据,如果利用现有的高频振动信号异常检测方法,则无法从这些低频振动信号数据中得到有效的故障特征频率,尤其是对于新建风电机组或有效运行时间较短的机组,进而也无法进行有效的风机振动异常检测。
发明内容
本发明实施例提供一种风机振动异常检测方法及装置,以便在无法得到风机部件的高频振动信号的情况下,也能够实现对风机振动异常的有效检测。
为此,本发明提供如下技术方案:
一种风机振动异常检测方法,所述方法包括:
采集一定时间段内的风机运行数据;
从所述风机运行数据中提取工况特征和振动特征,得到测试数据集;
利用预先建立的工况-振动模型对所述测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值;
根据所述测试数据集中的振动特征及其预测值,计算振动特征残差,得到残差矩阵;
根据所述残差矩阵计算所述测试数据集中各工况点的振动特征残差的距离;
如果连续设定数量的工况点的振动特征残差的距离均大于预先确定的距离阈值,则确定所述时间段内风机振动异常。
可选地,所述方法还包括:根据风机历史数据建立工况-振动模型并确定距离阈值,具体包括:
收集不同工况下的风机历史数据;
从所述风机历史数据中提取工况特征和振动特征,得到训练数据集;
利用所述训练数据集训练得到工况-振动模型。
可选地,所述工况包括以下任意一种或多种:风机启机、提升转速/功率、正常运行、降负荷运行、停机。
可选地,所述从所述风机历史数据中提取工况特征和振动特征包括:
按照设定的过滤规则对所述风机历史数据进行过滤;
对过滤后的风机历史数据按照时间顺序进行分割,得到一个或多个时间序列;
对于所述时间序列,采用滑动窗方式从每个窗口提取工况特征和振动特征。
可选地,所述工况-振动模型包括对应每种振动特征的预测模型;所述方法还包括:利用所述工况-振动模型及所述训练数据集确定距离阈值,具体包括:
利用对应每种振动特征的预测模型确定所述训练数据集中各振动特征的预测值;
根据所述训练数据集中各振动特征及其预测值,计算振动特征残差,在残差分布呈正态分布时得到残差矩阵;
根据所述残差矩阵计算所述训练数据集中各工况点的振动特征残差的距离;
根据各工况点的振动特征残差的距离确定距离阈值。
一种风机振动异常检测装置,所述装置包括:
数据采集模块,用于采集一定时间段内的风机运行数据;
测试数据集生成模块,用于从所述风机运行数据中提取工况特征和振动特征,得到测试数据集;
预测模块,用于利用预先建立的工况-振动模型对所述测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值;
残差计算模块,用于根据所述测试数据集中的振动特征及其预测值,计算振动特征残差,得到残差矩阵;
距离计算模块,用于根据所述残差矩阵计算所述测试数据集中各工况点的振动特征残差的距离;
判断模块,用于在连续设定数量的工况点的振动特征残差的距离均大于预先确定的距离阈值时,确定所述时间段内风机振动异常。
可选地,所述装置还包括:模型建立模块,用于根据风机历史数据建立工况-振动模型;所述模型建立模块具体包括:
数据收集单元,用于收集不同工况下的风机历史数据;
训练数据集生成单元,用于从所述风机历史数据中提取工况特征和振动特征,得到训练数据集;
训练单元,用于利用所述训练数据集训练得到工况-振动模型。
可选地,所述工况包括以下任意一种或多种:风机启机、提升转速/功率、正常运行、降负荷运行、停机。
可选地,所述训练数据集生成单元包括:
过滤子单元,用于按照设定的过滤规则对所述风机历史数据进行过滤;
分割子单元,用于对过滤后的风机历史数据按照时间顺序进行分割,得到一个或多个时间序列;
特征提取子单元,用于对于所述时间序列,采用滑动窗方式从每个窗口提取工况特征和振动特征。
可选地,所述工况-振动模型包括对应每种振动特征的预测模型;
所述装置还包括:阈值确定模块,用于利用所述工况-振动模型及所述训练数据集确定距离阈值;所述阈值确定模块具体包括:
预测单元,用于利用对应每种振动特征的预测模型确定所述训练数据集中各振动特征的预测值;
残差计算单元,用于根据所述训练数据集中各振动特征及其预测值,计算振动特征残差,在残差分布呈正态分布时得到残差矩阵;
距离计算单元,用于根据所述残差矩阵计算所述训练数据集中各工况点的振动特征残差的距离;
距离阈值确定单元,用于根据各工况点的振动特征残差的距离确定距离阈值。
一种电子设备,包括:一个或多个处理器、存储器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,以实现前面所述的方法。
一种可读存储介质,其上存储有指令,所述指令被执行以实现前面所述的方法。
本发明实施例提供的风机振动异常检测方法及装置,预先根据不同工况下风机的低频振动信号建立工况-振动模型,解决风电机组工况变化复杂的弊端;另外对不同工况下振动特征的区别建立统一、定量的衡量指标,为后续的振动异常检测提供参考。在进行在线检测时,采集一定时间段内的风机运行数据,从这些数据中提取工况特征和振动特征,得到测试数据集;然后利用所述工况-振动模型对测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值;根据所述测试数据集中的振动特征及其预测值,计算振动特征残差,得到残差矩阵;根据所述残差矩阵计算所述测试数据集中各工况点的距离;如果连续设定数量的工况点的距离均大于预先确定的距离阈值,则确定所述时间段内风机振动异常。从而在无法得到风机高频振动信号的情况下也能够对风机振动异常进行有效检测,提升了方案的适用性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例中建立工况-振动模型的流程图;
图2是本发明实施例中采用滑动窗方式对时间序列进行分块的示意图;
图3是本发明实施例风机振动异常检测方法的一种流程图;
图4是本发明实施例中确定距离阈值的流程图;
图5是本发明实施例风机振动异常检测装置的一种结构框图;
图6是本发明实施例中模型建立模块的一种结构框图;
图7是本发明实施例中阈值确定模块的一种结构框图;
图8是本发明实施例风机振动异常检测装置的另一种结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
本发明实施例提供一种风机振动异常检测方法及装置,通过采集一定时间段内的风机运行数据,从这些数据中提取工况特征和振动特征,得到测试数据集;然后利用预先建立的工况-振动模型对测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值;根据所述测试数据集中的振动特征及其预测值,计算振动特征残差,得到残差矩阵;根据所述残差矩阵计算所述测试数据集中各工况点的距离;如果连续设定数量的工况点的距离均大于预先确定的距离阈值,则确定所述时间段内风机振动异常。
需要说明的是,所述工况-振动模型包括对应每种振动特征的预测模型,也就是说,对应每种振动特征,都需要建立一个工况-振动模型。
下面首先对本发明实施例中建立工况-振动模型的过程做详细说明。
如图1所示,是本发明实施例中建立工况-振动模型的流程图,包括以下步骤:
步骤101,收集不同工况下的风机历史数据。
所述工况包括以下任意一种或多种:风机启动、提升转速/功率、正常运行、降负荷运行、停机等。
所述风机历史数据具体可以包括但不限于以下任意一种或多种:时间、功率、转速、风速、桨距角、风机运行状态码、塔筒振动信号,机舱振动信号。
在实际应用中,为了保证工况的完整性,所述风机历史数据可以至少是风机运行1个月的数据。所述历史数据的采用频率比如可以是1-5s。
步骤102,从所述风机历史数据中提取工况特征和振动特征,得到训练数据集。
为了保证数据的有效性,可以首先对所述风机历史数据进行离群点检测,过滤掉其中运行工况明显不正常的工况点,所述工况点是指数据采集的时间点。也就是说,如果某个数据异常,则将该数据所属时间点的所有数据过滤掉。
在本发明实施例中,可以按照设定的过滤规则对所述风机历史数据进行过滤。比如,可以设定以下表1所示过滤规则:
表1
变量 | 过滤规则 |
风速 | 0-30m/s |
功率 | <=风机最大设计功率 |
风速-功率 | 不偏离机组设计风功率曲线 |
风机运行状态码 | 风场状态码规定范围内的整数 |
振动信号 | <=风场振动信号主控设定阈值 |
然后,对过滤后的风机历史数据按照时间顺序进行分割,得到一个或多个时间序列;对于所述时间序列,采用滑动窗方式对其进行分块,比如图2所示。对于分块得到的每个时间窗口数据,分别从每个窗口中提取工况特征和振动特征。
其中,所述工况特征主要包括但不限于以下任意一项或多项:风速、功率、转速、风机桨距角等参数的均值、峰峰值、最大值、标准差等,以及风机运行状态码的众数值、标准差。
需要说明的是,由于风机运行状态码通常采用分类变量表示,因此,为了避免其值对建模的影响,可以对风机运行状态码进行one-hot编码处理。One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后,每个整数值被表示为二进制向量,除了整数的索引之外,它都是零值,它被标记为1。
在本发明实施例中,对风机运行状态码进行one-hot编码的方式可以如下表2所示:
表2
其中,所述振动特征主要包括但不限于以下任意一种或多种:振动信号的有效值、标准差、峭度值和熵。
按照时间顺序对提取的工况特征和振动特征进行排序,得到训练数据集,所述训练数据可以表示为:D:{dij},其中,0<i<=m,0<j<=n;m为工况点数量,n为工况特征和振动特征数量之和。
步骤103,利用所述训练数据集训练得到工况-振动模型。
在本发明实施例中,需要分别建立对应每个振动特征的工况-振动模型,比如,对应上述振动信号的有效值的模型、对应上述振动信号的标准差的模型、对应上述振动信号的峭度值的模型、振动信号的熵的模型。
所述工况-振动模型可以采用神经网络模型、xgboost等,模型的训练过程与现有的相应模型类似,在此不再详细描述。
基于上述工况-振动模型,在对风机振动进行异常检测时,可以采集一定时间段内的风机运行数据,从这些数据中提取工况特征和振动特征,得到测试数据集。然后利用所述工况-振动模型对所述测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值。根据所述测试数据集中的振动特征及其预测值来确定风机振动是否出现异常。
如图3所示,是本发明实施例风机振动异常检测方法的一种流程图,包括以下步骤:
步骤301,采集一定时间段内的风机运行数据。
比如,可以采集风机运行1天的数据,采样频率比如为1-5s。当然,采集数据的时间段和采样频率可以根据实际应用需要来设定,对此本发明实施例不做限定。
所述风机运行数据具体可以包括但不限于以下任意一种或多种:时间、功率、转速、风速、桨距角、风机运行状态码、塔筒振动信号,机舱振动信号。
步骤302,从所述风机运行数据中提取工况特征和振动特征,得到测试数据集。
所述工况特征和振动特征的提取方式可参见前面工况-振动模型建立过程中的描述,在此不再赘述。
步骤303,利用预先建立的工况-振动模型对所述测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值。
前面提到,所述工况-振动模型包括针对每种振动特征的预测模型,因此,在对所述测试数据集中的振动特征进行预测时,也需要针对其中的每种振动特征,利用对应该振动特征的预测模型对其进行预测。
具体地,将所述测试数据集中与所述振动特征相关的工况特征输入所述预测模型,根据所述预测模型的输出,得到所述振动特征的预测值。
步骤304,根据所述测试数据集中的振动特征及其预测值,计算振动特征残差,得到残差矩阵。
所述振动特征残差是指采集的振动特征的实际值与利用预测模型得到的预测值之间的差。所述残差矩阵可表示为:R:{rpq},其中,0<p<=m,0<q<=n,m为工况点数量,n为振动特征数量。
步骤305,根据所述残差矩阵计算所述测试数据集中各工况点的振动特征残差的距离。
需要说明的是,对于不同的工况点残差数据,需要分别计算其对应的振动特征残差的距离,所述距离可以采用马氏距离等。
比如,采用马氏距离时,计算公式为:
其中,x为残差矩阵中每个工况点的残差向量,μ为工况点残差的均值向量,Σ为协方差矩阵。
需要说明的是,上述计算公式中的均值向量和协方差矩阵可以预先利用前面提到的训练数据集得到,具体计算方式将在后面详细说明。
步骤306,如果连续设定数量的工况点的振动特征残差的距离均大于预先确定的距离阈值,则确定所述时间段内风机振动异常。
其中,所述设定数量a可以按照以下方式来确定:
a=风机共振持续时间/2/move;
其中,move为滑动窗口每次移动的时间步长。
需要说明的是,在本发明方法另一实施例中,在检测到风机振动异常后,还可进行报警,以便提醒工作人员及时对风机进行检修,排除故障。
所述距离阈值可以根据前面提到的训练数据集及预先训练得到的工况-振动模型来确定,其具体流程如图4所示,包括以下步骤:
步骤401,利用对应每种振动特征的预测模型确定训练数据集中各振动特征的预测值。
步骤402,根据所述训练数据集中各振动特征及其预测值,计算振动特征残差,在残差分布呈正态分布时得到残差矩阵。
步骤403,根据所述残差矩阵计算所述训练数据集中各工况点的振动特征残差的距离。
比如,对于不同的工况点残差数据,分别计算其对应的马氏距离,具体公式参见前面公式(1),公式中的均值向量和协方差矩阵为训练模型的残差矩阵的均值向量和协方差矩阵。
步骤404,根据各工况点的振动特征残差的距离确定距离阈值。
比如,可以从计算得到的各工况点的振动特征残差的距离中选择最大值作为距离阈值。
下面举例进一步说明利用本发明实施例的方案对风机振动异常进行检测的过程。
以某风场风机塔筒振动异常检测为例,在建立工况-振动模型时,收集该风场风机1个月的历史运行数据,所述历史运行数据包括时间、功率、转速、风速、桨距角、风机运行状态码、塔筒振动信号、机舱振动信号等参数。
工况-振动模型训练及距离阈值的确定过程如下:
1)对收集的风机历史运行数据进行过滤,删除部分离群点,并对剩余数据进行时间序列分割。
2)对各个时间序列进行滑动窗处理和相关特征提取,滑动窗口大小设置为5min,每次滑动移动步长为30s,得到训练数据集。
3)分别建立工况特征和单个振动特征之间的神经网络模型,即对应每种振动特征的预测模型,共四个神经网络模型。其中每个神经网络的整体架构如下,网络结构共包含四层:输入层-第一隐藏层-第二隐藏层-输出层(其中神经元个数为18-10-5-1),隐藏层的激活函数为tanh激活函数,输出层不设激活函数。
4)根据训练数据集中的振动特征的原始值和四个预测模型的预测结果计算振动特征残差,构成残差矩阵并通过QQ plot方式进行正态性检验。
5)计算不同工况点振动特征残差的马氏距离,并将其中的最大值作为马氏距离阈值并保存残差均值向量和协方差矩阵。
利用预先建立的工况-振动模型对风机振动异常进行在线检测的过程如下:
1)采集该风场实际运行某天数据,重复执行上述模型训练过程中的步骤2)-步骤3),得到测试数据集。
2)采用预先训练得到的神经网络模型对测试数据集中振动特征进行预测,并根据预测结果计算各振动特征的残差,构成残差矩阵。
3)通过马氏距离计算测试数据集中各工况点的马氏距离,其中马氏距离公式中的均值向量采用模型训练过程中保存的均值向量和协方差矩阵。
4)判断是否有连续5个工况点的马氏距离超过所述马氏距离阈值;如果有,则认为风机在该测试时间段内振动异常。
本发明实施例提供的风机振动异常检测方法,预先根据不同工况下风机的低频振动信号建立工况-振动模型,解决风电机组工况变化复杂的弊端;另外对不同工况下振动特征的区别建立统一、定量的衡量指标,为后续的振动异常检测提供参考。在进行在线检测时,采集一定时间段内的风机运行数据,从这些数据中提取工况特征和振动特征,得到测试数据集;然后利用所述工况-振动模型对测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值;根据所述测试数据集中的振动特征及其预测值,计算振动特征残差,得到残差矩阵;根据所述残差矩阵计算所述测试数据集中各工况点的距离;如果连续设定数量的工况点的距离均大于预先确定的距离阈值,则确定所述时间段内风机振动异常。从而在无法得到风机高频振动信号的情况下也能够对风机振动异常进行有效检测,提升了方案的适用性。
相应地,本发明实施例还提供一种风机振动异常检测装置,如图5所示,所述装置包括以下各模块:
数据采集模块501,用于采集一定时间段内的风机运行数据;
测试数据集生成模块502,用于从所述风机运行数据中提取工况特征和振动特征,得到测试数据集;
预测模块503,用于利用预先建立的工况-振动模型500对所述测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值;
残差计算模块504,用于根据所述测试数据集中的振动特征及其预测值,计算振动特征残差,得到残差矩阵;
距离计算模块505,用于根据所述残差矩阵计算所述测试数据集中各工况点的振动特征残差的距离;
判断模块506,用于在连续设定数量的工况点的振动特征残差的距离均大于预先确定的距离阈值时,确定所述时间段内风机振动异常。
需要说明的是,所述风机运行数据具体可以包括但不限于以下任意一种或多种:时间、功率、转速、风速、桨距角、风机运行状态码、塔筒振动信号,机舱振动信号。在实际应用中,所述数据采集模块501比如可以采集风机运行1天的数据,采样频率比如为1-5s。当然,采集数据的时间段和采样频率可以根据实际应用需要来设定,对此本发明实施例不做限定。
所述测试数据集生成模块502具体可以首先对所述风机运行数据进行离群点检测,过滤掉其中运行工况明显不正常的工况点,然后,对过滤后的风机运行数据按照时间顺序进行分割,得到一个或多个时间序列;对于所述时间序列,采用滑动窗方式对其进行分块。对于分块得到的每个时间窗口数据,分别从每个窗口中提取工况特征和振动特征。
其中,所述工况特征主要包括但不限于以下任意一项或多项:风速、功率、转速、风机桨距角等参数的均值、峰峰值、最大值、标准差等,以及风机运行状态码的众数值、标准差;所述振动特征主要包括但不限于以下任意一种或多种:振动信号的有效值、标准差、峭度值和熵。
所述各工况点的振动特征残差的距离可以是马氏距离,具体计算方法前面已有详细说明,在此不再赘述。
所述距离阈值可以根据前面提到的训练数据集及预先训练得到的工况-振动模型来确定。
所述工况-振动模型可以由相应的模型建立模块来构建,所述模型建立模块可以作为本发明装置的一部分,也可以独立于该装置,对此本发明实施例不做限定。
如图6所示,是本发明实施例中模型建立模块的一种结构框图,包括以下各单元:
数据收集单元601,用于收集不同工况下的风机历史数据;
训练数据集生成单元602,用于从所述风机历史数据中提取工况特征和振动特征,得到训练数据集;
训练单元603,用于利用所述训练数据集训练得到工况-振动模型。
其中,所述工况包括以下任意一种或多种:风机启动、提升转速/功率、正常运行、降负荷运行、停机等。所述风机历史数据具体可以包括但不限于以下任意一种或多种:时间、功率、转速、风速、桨距角、风机运行状态码、塔筒振动信号、机舱振动信号。
在实际应用中,为了保证工况的完整性,所述数据收集单元601收集的风机历史数据可以至少是风机运行1个月的数据。所述历史数据的采用频率比如可以是1-5s,当然,还可以是其他采样频率,对此本发明实施例不做限定。
所述训练数据集生成单元602具体可以首先对所述风机历史数据进行离群点检测,过滤掉其中运行工况明显不正常的工况点,然后,对过滤后的风机历史数据按照时间顺序进行分割,得到一个或多个时间序列;对于所述时间序列,采用滑动窗方式对其进行分块。对于分块得到的每个时间窗口数据,分别从每个窗口中提取工况特征和振动特征。相应地,所述训练数据集生成单元602的一种具体结构可以包括以下各子单元:
过滤子单元,用于按照设定的过滤规则对所述风机历史数据进行过滤;
分割子单元,用于对过滤后的风机历史数据按照时间顺序进行分割,得到一个或多个时间序列;
特征提取子单元,用于对于所述时间序列,采用滑动窗方式从每个窗口提取工况特征和振动特征。
前面提到,所述距离阈值可以由相应的阈值确定模块根据前面提到的训练数据集及预先训练得到的工况-振动模型来确定。同样,所述阈值确定模块可以作为本发明装置的一部分,也可以独立于该装置,对此本发明实施例不做限定。
如图7所示,是本发明实施例中阈值确定模块的一种结构框图,包括以下各单元:
预测单元701,用于利用对应每种振动特征的预测模型确定所述训练数据集中各振动特征的预测值;
残差计算单元702,用于根据所述训练数据集中各振动特征及其预测值,计算振动特征残差,在残差分布呈正态分布时得到残差矩阵;
距离计算单元703,用于根据所述残差矩阵计算所述训练数据集中各工况点的振动特征残差的距离;
距离阈值确定单元704,用于根据各工况点的振动特征残差的距离确定距离阈值。
本发明实施例提供的风机振动异常检测装置,预先根据不同工况下风机的低频振动信号建立工况-振动模型,解决风电机组工况变化复杂的弊端;另外对不同工况下振动特征的区别建立统一、定量的衡量指标,为后续的振动异常检测提供参考。在进行在线检测时,采集一定时间段内的风机运行数据,从这些数据中提取工况特征和振动特征,得到测试数据集;然后利用所述工况-振动模型对测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值;根据所述测试数据集中的振动特征及其预测值,计算振动特征残差,得到残差矩阵;根据所述残差矩阵计算所述测试数据集中各工况点的距离;如果连续设定数量的工况点的距离均大于预先确定的距离阈值,则确定所述时间段内风机振动异常。从而在无法得到风机高频振动信号的情况下也能够对风机振动异常进行有效检测,提升了方案的适用性。
如图8所示,是本发明实施例风机振动异常检测装置的另一种结构框图。
与图7所示实施例不同的是,在该实施例中,所述装置还包括:报警模块801,用于在判断模块506确定风机振动异常后,进行报警,以便提醒工作人员及时对风机进行检修,排除故障。
需要说明的是,对于上述本发明装置各实施例而言,由于各模块、单元的功能实现与相应的方法中类似,因此对所述对话生成装置各实施例描述得比较简单,相关之处可参见方法实施例的相应部分说明。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。而且,以上所描述的***实施例仅仅是示意性的,其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的,即可以位于一个网络单元上,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称的存储介质,如:ROM/RAM、磁碟、光盘等。
相应地,本发明实施例还提供一种用于风机振动异常检测方法的装置,该装置是一种电子设备,比如,可以是移动终端、计算机、平板设备、医疗设备、健身设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器;其中,所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,以实现前面各实施例所述的方法。
以上对本发明实施例进行了详细介绍,本文中应用了具体实施方式对本发明进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及装置,其仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围,本说明书内容不应理解为对本发明的限制。因此,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种风机振动异常检测方法,其特征在于,所述方法包括:
采集一定时间段内的风机运行数据;
从所述风机运行数据中提取工况特征和振动特征,得到测试数据集;
利用预先建立的工况-振动模型对所述测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值;
根据所述测试数据集中的振动特征及其预测值,计算振动特征残差,得到残差矩阵;
根据所述残差矩阵计算所述测试数据集中各工况点的振动特征残差的距离;
如果连续设定数量的工况点的振动特征残差的距离均大于预先确定的距离阈值,则确定所述时间段内风机振动异常;
根据风机历史数据建立工况-振动模型具体包括:
收集不同工况下的风机历史数据;
从所述风机历史数据中提取工况特征和振动特征,得到训练数据集;
利用所述训练数据集训练得到工况-振动模型。
2.根据权利要求1所述的方法,其特征在于,所述工况包括以下任意一种或多种:风机启机、提升转速/功率、正常运行、降负荷运行、停机。
3.根据权利要求1所述的方法,其特征在于,所述从所述风机历史数据中提取工况特征和振动特征包括:
按照设定的过滤规则对所述风机历史数据进行过滤;
对过滤后的风机历史数据按照时间顺序进行分割,得到一个或多个时间序列;
对于所述时间序列,采用滑动窗方式从每个窗口提取工况特征和振动特征。
4.根据权利要求1所述的方法,其特征在于,所述工况-振动模型包括对应每种振动特征的预测模型;所述方法还包括:利用所述工况-振动模型及所述训练数据集确定距离阈值,具体包括:
利用对应每种振动特征的预测模型确定所述训练数据集中各振动特征的预测值;
根据所述训练数据集中各振动特征及其预测值,计算振动特征残差,在残差分布呈正态分布时得到残差矩阵;
根据所述残差矩阵计算所述训练数据集中各工况点的振动特征残差的距离;
根据各工况点的振动特征残差的距离确定距离阈值。
5.一种风机振动异常检测装置,其特征在于,所述装置包括:
数据采集模块,用于采集一定时间段内的风机运行数据;
测试数据集生成模块,用于从所述风机运行数据中提取工况特征和振动特征,得到测试数据集;
预测模块,用于利用预先建立的工况-振动模型对所述测试数据集中的振动特征进行预测,得到对应所述振动特征的预测值;
残差计算模块,用于根据所述测试数据集中的振动特征及其预测值,计算振动特征残差,得到残差矩阵;
距离计算模块,用于根据所述残差矩阵计算所述测试数据集中各工况点的振动特征残差的距离;
判断模块,用于在连续设定数量的工况点的振动特征残差的距离均大于预先确定的距离阈值时,确定所述时间段内风机振动异常;
模型建立模块,用于根据风机历史数据建立工况-振动模型;所述模型建立模块具体包括:
数据收集单元,用于收集不同工况下的风机历史数据;
训练数据集生成单元,用于从所述风机历史数据中提取工况特征和振动特征,得到训练数据集;
训练单元,用于利用所述训练数据集训练得到工况-振动模型。
6.根据权利要求5所述的装置,其特征在于,所述工况包括以下任意一种或多种:风机启机、提升转速/功率、正常运行、降负荷运行、停机。
7.根据权利要求5所述的装置,其特征在于,所述训练数据集生成单元包括:
过滤子单元,用于按照设定的过滤规则对所述风机历史数据进行过滤;
分割子单元,用于对过滤后的风机历史数据按照时间顺序进行分割,得到一个或多个时间序列;
特征提取子单元,用于对于所述时间序列,采用滑动窗方式从每个窗口提取工况特征和振动特征。
8.根据权利要求5所述的装置,其特征在于,所述工况-振动模型包括对应每种振动特征的预测模型;
所述装置还包括:阈值确定模块,用于利用所述工况-振动模型及所述训练数据集确定距离阈值;所述阈值确定模块具体包括:
预测单元,用于利用对应每种振动特征的预测模型确定所述训练数据集中各振动特征的预测值;
残差计算单元,用于根据所述训练数据集中各振动特征及其预测值,计算振动特征残差,在残差分布呈正态分布时得到残差矩阵;
距离计算单元,用于根据所述残差矩阵计算所述训练数据集中各工况点的振动特征残差的距离;
距离阈值确定单元,用于根据各工况点的振动特征残差的距离确定距离阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910953212.4A CN110688617B (zh) | 2019-10-09 | 2019-10-09 | 风机振动异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910953212.4A CN110688617B (zh) | 2019-10-09 | 2019-10-09 | 风机振动异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688617A CN110688617A (zh) | 2020-01-14 |
CN110688617B true CN110688617B (zh) | 2020-07-03 |
Family
ID=69111600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910953212.4A Active CN110688617B (zh) | 2019-10-09 | 2019-10-09 | 风机振动异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688617B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275416B (zh) * | 2020-01-15 | 2024-02-27 | 中国人民解放军国防科技大学 | 数字货币异常交易检测方法、装置、电子设备及介质 |
CN111047121B (zh) * | 2020-03-17 | 2020-06-09 | 浙江上风高科专风实业有限公司 | 一种风机故障预测方法及*** |
CN112360702B (zh) * | 2020-11-16 | 2022-11-25 | 华能昌邑风力发电有限公司 | 一种振动数据的集中监测方法及装置 |
CN113719425B (zh) * | 2021-05-14 | 2022-11-22 | 北京智慧空间科技有限责任公司 | 一种风机叶片故障预测方法、***及存储介质 |
CN113281003B (zh) * | 2021-06-18 | 2022-05-03 | 浙江华东测绘与工程安全技术有限公司 | 固定式海工结构实时损伤监测和荷载水平监测方法 |
CN113982850B (zh) * | 2021-09-10 | 2023-11-10 | 大唐国信滨海海上风力发电有限公司 | 融合高低频信号的风机综合健康分析方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN110259646A (zh) * | 2019-05-06 | 2019-09-20 | 明阳智慧能源集团股份公司 | 一种基于历史数据的风力发电机组部件状态预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6698715B2 (ja) * | 2018-01-23 | 2020-05-27 | 三菱重工業株式会社 | 設備状態監視装置および設備状態監視方法 |
-
2019
- 2019-10-09 CN CN201910953212.4A patent/CN110688617B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN110259646A (zh) * | 2019-05-06 | 2019-09-20 | 明阳智慧能源集团股份公司 | 一种基于历史数据的风力发电机组部件状态预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110688617A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
Li et al. | Deep learning-based remaining useful life estimation of bearings using multi-scale feature extraction | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN114036974A (zh) | 一种基于健康监测数据的桥梁冲刷动力识别方法 | |
CN116306798A (zh) | 一种超短时风速预测方法及*** | |
CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
CN111191838A (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
CN115859791A (zh) | 一种航空发动机剩余寿命预估方法和装置 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、***、装置及电子设备 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN114048879A (zh) | 故障检测方法、装置、***、计算机设备及可读存储介质 | |
Boukra | Identifying new prognostic features for remaining useful life prediction using particle filtering and neuro-fuzzy system predictor | |
CN114576102A (zh) | 风电机组轴承状态的预测方法、装置、设备及存储介质 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN113123955A (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
Liu et al. | Prognostics for rotating machinery using variational mode decomposition and long short-term memory network | |
Hoffmann et al. | Embedding anomaly detection autoencoders for wind turbines | |
KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
CN117409816B (zh) | 一种基于声音信号的设备故障检测方法及*** | |
CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及*** | |
CN113627088B (zh) | 基于基因编程和数据融合的机器性能退化评估方法及*** | |
CN112819083B (zh) | 液压泵故障预测方法、装置、电子设备及存储介质 |
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 |