CN110852484B - 一种风力发电机组故障预警***与方法 - Google Patents
一种风力发电机组故障预警***与方法 Download PDFInfo
- Publication number
- CN110852484B CN110852484B CN201910979917.3A CN201910979917A CN110852484B CN 110852484 B CN110852484 B CN 110852484B CN 201910979917 A CN201910979917 A CN 201910979917A CN 110852484 B CN110852484 B CN 110852484B
- Authority
- CN
- China
- Prior art keywords
- early warning
- module
- fault
- data
- 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 31
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 27
- 230000000977 initiatory effect Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 7
- 239000004519 grease Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005461 lubrication Methods 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910002059 quaternary alloy Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种风力发电机组故障预警***与方法，克服现有技术无法根据不同场景进行部署和评估模块价值的问题，包括存储并整理信息的数据仓库模块，计算故障特征值的预警模型模块，利用故障特征值，根据预设的规则触发预警代码的预警规则模块，根据预警代码识库生成完整的预警信息的故障诊断模块，处理并反馈故障的前端展示模块，评价预警功能的优劣的预警功能评估。本发明适用于不同的风力发电机组机型、运行环境和采集数据情况下的集团大数据***和风电场边缘***开发建设，并评估每个模块在整体功能中的价值。
Description
技术领域
本发明涉及风力发电领域，尤其是涉及一种风力发电机组故障预警***。
背景技术
近年来，风电累计装机容量以20％的速率持续增长，由于发展初期设计制造水平不足、运行条件恶劣、运行年限增长等原因造成大规模在役风力发电机组进入故障高发期，风电场安全事故不断，运维成本居高不下。随着云计算、大数据、互联网+等新一代信息技术的不断发展，给风电场运维带来了新的管理模式，即主动运维模式，主动监控风力发电机组的健康状态，提前制定维护计划，防止重大安全事故发生，可有效提升风力发电机组可靠性，降低风电场运维成本，在现有的技术中不能针对不同类型的风电机组，不同的运行场景进行部署故障模型模块，且没有模块效果评估模块作为评估每个模块在整体功能中的价值。
例如，一种在中国专利文献上公开的“一种风电机组故障预警***”，其公告号CN107038453A，包括实时监视模块、预警模型模块、预警结果反馈模块、知识库模块，实时监视模块实时读取风机的参数，并把参数传递给预警模块进行分析；达到预警标准，触发报警机制，将信息传递给预警结果反馈模块，工作人员将反馈结果记入知识库模块；知识库模块不断的累积预警结果反馈模块中的结果，当预警结果的准确率低于60％时，将知识库模块中的结果反馈给预警模型模块。但针对不同类型的风电机组，不同的运行场景，该发明需要重新部署一整套故障模型模块，且没有模块效果评估模块，评估每个模块在整体功能中的价值。
发明内容
本发明是为了克服现有技术无法根据不同场景进行部署和评估模块价值的问题，提供一种风力发电机组故障预警***与方法，可适用于不同的风力发电机组机型、运行环境和采集数据情况下的集团大数据***和风电场边缘***开发建设，并评估每个模块在整体功能中的价值。
为了实现上述目的，本发明采用以下技术方案：
一种风力发电机组故障预警***，包括：
数据仓库模块，存储风电场及风电机组的基本信息、配置信息以及运行数据等，并对以上数据进行清洗、整理；
预警模型模块，利用数据仓库中的数据，根据风电场及风电机组的信息计算故障特征值；
预警规则模块，利用故障特征值根据预设的规则触发预警代码；
故障诊断模块，关联预警信息知识库，生成完整的预警信息，包括故障位置、故障原因、处理意见；
前端展示模块，发起预警单到外部的生产管理***，处理并反馈故障及处理信息，通过应用程序上对预警单进行操作，若预警单发起到外部的生产管理***，处理并反馈故障及处理信息存储回数据仓库模块；
预警功能评估，通过反馈的预警单，评价预警功能的优劣；
其中，数据仓库模块、预警模型模块、预警规则模块、故障诊断模块与前端展示模块依次连接并均与预警功能评估相连接。本方案中预警模型模块，通过统计分析、机器学习、深度挖掘等算法，提取故障特征值，所述故障特征值为反应故障发生或故障严重程度的指标。预警规则模块，通过逻辑关系，建立故障特征值和故障的关系，所述故障用预警代码表示。故障诊断模块，基于故障知识库，通过关联对照，建立预警代码和故障位置、故障严重程度、故障原因、处理意见等信息的关系，生成准预警单，所述准预警单为未正式发起的预警信息，包含机组基本信息、预警代码、故障位置、故障严重程度、故障原因、处理意见。前端展示模块中通过核实准预警单内容，判断是否发起预警单到风电场现场。预警功能评估模块，通过提取上述各环节的绩效指标，如预警单准确率、准预警单发起率等，用来考核评价各个模块。
作为优选，所述风力发电机组故障预警***还包括数据转换模块，所述数据仓库模块，包括结构化数据和非结构化数据，所述结构化数据以数据库形式存储，所述非结构化数据以文件形式存储，非结构化数据通过数据转换模块转换为结构化数据。
作为优选，所述预警模型模块包括模型数据输入模块、预警模型程序模块、模型数据输出模块、故障预警***应用模块和预警模型管理模块，模型数据输入模块、预警模型程序模块、模型数据输出模块和故障预警***应用模块依次相连，预警模型程序模块和故障预警***应用模块均与预警模型管理模块相连接。通过模型数据输入模块从数据仓库获取计算所需数据，数据服务可采用大数据平台提供的数据服务，将统计分析、机器学习、深度挖掘等算法模块化为预警模型程序模块，由模型管理模块调用预警模型程序模块，定期计算故障特征值，将其通过模型数据输出模块传输到故障预警应用模块中去。
一种风力发电机组故障预警***的方法，包括以下步骤：
S1：根据风电场及风电机组的信息计算故障特征值；
S2：利用故障特征值根据预设的规则触发预警代码；
S3：关联预警信息知识库，生成完整的预警信息；
S4：发起预警单到外部的生产管理***，处理并反馈故障及处理信息；
S5：通过反馈的预警单监管整个故障预警流程，评价各个模块的优劣。
作为优选，所述S1具体过程包括以下步骤：
S101：数据仓库模块存储风电场及风电机组的基本信息、配置信息及运行数据，对数据进行清洗、整理，所述数据包括结构化数据和非结构化数据，结构化数据直接用于模型快速计算，非结构化数据通过数据转换模块转换为结构化数据；
S102：模型数据输入模块从数据仓库模块获取计算所需结构化数据；
S103：将统计分析、机器学习、深度挖掘算法模块化为预警模型程序模块；
S104：模型管理模块调用预警模型程序模块，定期计算故障特征值，将其通过模型数据输出模块，传输到故障预警应用模块。
作为优选，所述S104中计算故障特征值的公式为：
式中xrms为故障特征值的有效值，xi为残差值，残差值为实测值与预测值的差值，预测值通过蚁群算法、机器学习算法或深度学习算法获得，故障特征值的有效值将通过模型数据输出模块输到故障预警应用模块中去。
作为优选，所述S2具体过程包括以下步骤：
S201：预警规则模块中预先设置好阈值A和阈值B，
S202：通过逻辑关系，将故障特征值与对应的故障联系，故障用预警代码表示；
所述逻辑关系为：满足条件1或满足条件2，则报出预警代码，齿轮箱高速轴后轴承温度残差值大于阈值A，或齿轮箱高速轴带宽滤波振动值大于阈值B，则报出预警代码。
作为优选，所述S3具体过程包括以下步骤：
S301：故障诊断模块中设置有预警信息知识库，预警信息知识库包括风力发电机组各个零部件分类及每个子部件的故障模式、故障原因及处理意见；
S302：基于预警信息知识库，通过关联对照，将每个预警代码和对应的故障位置、故障严重程度、故障原因、处理意见信息相关联；
S303：故障诊断模块生成准预警单。
作为优选，所述S4具体包括以下内容：
S401：前端展示模块以列表形式或弹窗形式展示预警单，可展示预警单详细内容；
S402：判断是否发起预警单到风电场现场，预警单所涉及的风力发电机组监控参数及预警模型计算的故障特征值生成反馈预警单反馈给数据仓库模块。
作为优选，所述S5具体包括以下内容：
S501：预警功能评估模块中设置优、良、中、差四个等级，区间80％-100％对应等级优，区间60％-80％对应等级良，区间40％-60％对应等级中，区间0％-40％对应等级差，提取上述各环节的绩效指标，预警单完成率、预警单准确率和预警单发起率用来表示处理问题的绩效；
S502：预警单准确率用来考核前端展示模块的绩效，准预警单发起率用来考核预警模块规则的绩效；
S503：通过读取预警单完成率、预警单准确率和预警单发起率所在的区间判断预警单完成率、预警单准确率和预警单发起率的等级。
因此，本发明具有如下有益效果：
根据风力发电机组故障预警特点，将故障预警功能切分成若干个环节，边界清晰，互相之间无耦合，方便***部署和优化；
适用于不同风力发电机组机型、运行环境和采集数据情况下的集团大数据***和风电场边缘***开发建设，有效实现风电场主动维护策略；
具有评估功能，通过提取上述各环节的绩效指标，如预警单准确率、准预警单发起率，能够评估每个模块在整体功能中的价值。
附图说明
图1是本发明的流程示意图。
图2是本发明实施例的结构框图。
图3是本发明实施例中预警模型模块的结构框图。
图中：1、数据仓库模块 2、预警模型模块 3、预警规则模块 4、故障诊断模块 5、前端展示模块 6、预警功能评估模块 7、预警模型程序模块 8、预警模型管理模块 9、模型数据输入模块 10、模型数据输出模块 11、故障预警***应用模块 12、数据转换模块。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例：
本实施例一种风力发电机组故障预警***，如图1-3所示，包括：
数据仓库模块1，与预警功能评估模块6和预警模型模块2连接，存储风电场及风电机组的基本信息、配置信息以及运行数据等，并对以上数据进行清洗、整理。数据仓库模块1中存储的的数据包括结构化数据和非结构化数据，采用Hadoop大数据平台、阿里云大数据平台和其他工业大数据平台；结构化数据为数据库形式存储，包括Hadoop中的Hbase分布式列存数据库、阿里云中的Maxcomputer离线数据库等，结构化数据直接用于模型快速计算；非结构化数据为文件形式存储，包括Hadoop中的HDFS分布式文件***、阿里云中的OSS文件***，非结构化数据通过数据转换模块12转换为结构化数据，数据转换模块12为将非结构化数据转换为结构化数据的应用服务。
预警模型模块2，与预警功能评估模块6连接，利用数据仓库模块1中的数据，计算故障特征值。所述预警模型模块2包括预警模型程序模块7、预警模型管理模块8、模型数据输入模块9、模型数据输出模块10和故障预警***应用模块11，模型数据输入模块9、预警模型程序模块7、模型数据输出模块10和故障预警***应用模块11依次相连，预警模型程序模块7和故障预警***应用模块11均与预警模型管理模块8相连接；通过模型数据输入模块9从数据仓库获取计算所需数据，数据服务可采用大数据平台提供的数据服务，包括Hadoop的MapReduce、阿里云提供的PyODPS；将统计分析、机器学习、深度挖掘等算法模块化为预警模型程序模块7，由模型管理模块8调用预警模型程序模块7，定期计算故障特征值，将其通过模型数据输出模块10，如kafka或webservice等通讯手段传输到故障预警应用模块11。
预警规则模块3，与预警功能评估6连接，利用故障特征值，根据预设的规则触发预警代码。通过逻辑关系，建立故障特征值和故障的关系，所述故障用预警代码表示，逻辑关系为：满足条件1且(或)满足条件2，则报出预警代码XX，如：取当前时间往前2小时的数据，齿轮箱高速轴后轴承温度残差值超过2°的比例大于50％，且齿轮箱高速轴带宽滤波振动值超过2m/s2的比例大于10％，则报出预警代码31025，表示齿轮箱高速轴轴承异常磨损故障。
故障诊断模块4，与预警功能评估6连接，根据预警代码关联预警信息知识库，生成完整的预警信息，包括故障位置、故障原因、处理意见。基于故障知识库，通过关联对照，建立预警代码和故障位置、故障严重程度、故障原因、处理意见信息的关系，生成准预警单，故障知识库包括风力发电机组各个零部件分类及每个子部件的故障模式、故障原因及处理意见，包括风力发电机组一级***传动***，二级***齿轮箱、三级***齿轮箱高速轴及轴承、四级***齿轮箱高速轴后轴承，故障模式为轴承点蚀，故障原因为齿轮箱润滑不良，处理意见为检查齿轮箱润滑油位及油脂情况，油脂异常需更换齿轮箱油。
前端展示模块5，与预警功能评估6连接，通过应用程序上对预警单进行操作，若预警单发起到外部的生产管理***，处理并反馈故障及处理信息存储回数据仓库1。通过核实准预警单内容，判断是否发起预警单到风电场现场，为提高判断的准确性，需开发相应的数据分析模块辅助分析，用以工程师查看预警所涉及的风力发电机组监控参数及预警模型计算的故障特征值。
预警功能评估模块6，通过提取上述各环节的绩效指标，用来考核评价各个子模块，如预警单完成率用来考核现场工程师的处理问题的绩效，预警单准确率用来考核前端展示模块的绩效，准预警单发起率用来考核预警规则的绩效。
本发明实施例相应的提供了一种风力发电机组故障预警方法，应用于如上述所述的风力发电机组故障预警***，所述方法包括：
S1：根据风电场及风电机组的信息计算故障特征值；
S2：利用故障特征值根据预设的规则触发预警代码；
S3：关联预警信息知识库，生成完整的预警信息；
S4：发起预警单到外部的生产管理***，处理并反馈故障及处理信息；
S5：通过反馈的预警单监管整个故障预警流程，评价各个模块的优劣。
本方案中由数据仓库模块1存储风电场及风电机组的基本信息、配置信息以及运行数据等，利用原数数据，由预警模型模块2计算故障特征值，再由预警规则模块3根据预设的规则触发预警代码，故障诊断模块4根据预警代码关联预警信息知识库，生成完整的预警信息，包括故障位置、故障原因、处理意见，最后经过前端展示模块5，发起预警单到外部的生产管理***，处理并反馈故障及处理信息，预警功能评估模块6监管整个故障预警流程，用以考核各个模块的优劣。
作为优选，所述S1具体过程包括以下步骤：
S101：数据仓库模块1存储风电场及风电机组的基本信息、配置信息及运行数据，对数据进行清洗、整理，所述数据包括结构化数据和非结构化数据，结构化数据直接用于模型快速计算，非结构化数据通过数据转换模块12转换为结构化数据；
S102：模型数据输入模块9从数据仓库模块1获取计算所需结构化数据；
S103：将统计分析、机器学习、深度挖掘算法模块化为预警模型程序模块7；
S104：模型管理模块8调用预警模型程序模块7，定期计算故障特征值，将其通过模型数据输出模块10，传输到故障预警应用模块11。
作为优选，所述S104中计算故障特征值的公式为：
式中xrms为故障特征值的有效值，xi为残差值，残差值为实测值与预测值的差值，预测值通过蚁群算法、机器学习算法或深度学习算法获得，故障特征值的有效值将通过模型数据输出模块10输到故障预警应用模块11中去。
本方案中通过模型数据输入服务9从数据仓库获取计算所需数据，数据服务可采用大数据平台提供的数据服务，包括Hadoop的MapReduce、阿里云提供的PyODPS；将统计分析、机器学习、深度挖掘等算法模块化为预警模型程序模块7，由模型管理模块8调用预警模型程序模块7，定期计算故障特征值，将其通过模型数据输出服务10，如kafka或webservice等通讯手段传输到故障预警应用模块11。
作为优选，所述S2具体过程包括以下步骤：
S201：预警规则模块3中预先设置好阈值A和阈值B，
S202：通过逻辑关系，将故障特征值与对应的故障联系，故障用预警代码表示；
所述阈值A为50％，所述阈值B为10％；
所述逻辑关系为：满足条件1或满足条件2，则报出预警代码，如：取当前时间往前2小时的数据，齿轮箱高速轴后轴承温度残差值超过2°的比例大于50％，且齿轮箱高速轴带宽滤波振动值超过2m/s2的比例大于10％，则报出预警代码31025，表示齿轮箱高速轴轴承异常磨损故障。
作为优选，所述S3具体过程包括以下步骤：
S301：故障诊断模块4中设置有预警信息知识库，预警信息知识库包括风力发电机组各个零部件分类及每个子部件的故障模式、故障原因及处理意见；
S302：基于预警信息知识库，通过关联对照，将每个预警代码和对应的故障位置、故障严重程度、故障原因、处理意见信息相关联；
S303：故障诊断模块4生成准预警单。
所述预警信息知识库包括风力发电机组各个零部件分类及每个子部件的故障模式、故障原因及处理意见，如风力发电机组一级***传动***，二级***齿轮箱、三级***齿轮箱高速轴及轴承、四级***齿轮箱高速轴后轴承，故障模式为轴承点蚀，故障原因为齿轮箱润滑不良，处理意见为检查齿轮箱润滑油位及油脂情况，如油脂异常需更换齿轮箱油。
作为优选，所述S4具体包括以下内容：
S401：前端展示模块5以列表形式或弹窗形式展示预警单，可展示预警单详细内容；
S402：判断是否发起预警单到风电场现场，预警单所涉及的风力发电机组监控参数及预警模型计算的故障特征值生成反馈预警单反馈给数据仓库模块1。
作为优选，所述S5具体包括以下内容：
S501：预警功能评估模块6中设置优、良、中、差四个等级，区间80％-100％对应等级优，区间60％-80％对应等级良，区间40％-60％对应等级中，区间0％-40％对应等级差，提取上述各环节的绩效指标，预警单完成率、预警单准确率和预警单发起率用来表示处理问题的绩效；
S502：预警单准确率用来考核前端展示模块5的绩效，准预警单发起率用来考核预警模块3规则的绩效；
S503：通过读取预警单完成率、预警单准确率和预警单发起率所在的区间判断预警单完成率、预警单准确率和预警单发起率的等级。
本发明提供了一种风力发电机组故障预警***与方法，根据风力发电机组故障预警特点，将故障预警功能切分成若干个环节，边界清晰，互相之间无耦合，方便***部署和优化；适用于不同风力发电机组机型、运行环境和采集数据情况下的集团大数据***和风电场边缘***开发建设，有效实现风电场主动维护策略；具有评估功能，通过提取上述各环节的绩效指标，如预警单准确率、准预警单发起率，能够评估每个模块在整体功能中的价值。
Claims (8)
1.一种风力发电机组故障预警***，其特征是，包括：
数据仓库模块（1），存储风电场及风电机组的基本信息、配置信息以及运行数据等，并对以上数据进行清洗、整理；
预警模型模块（2），利用数据仓库模块（1）中的数据，根据风电场及风电机组的信息计算故障特征值；
预警规则模块（3），利用故障特征值根据预设的规则触发预警代码；
故障诊断模块（4），关联预警信息知识库，生成完整的预警信息，包括故障位置、故障原因、处理意见；
前端展示模块（5），发起预警单到外部的生产管理***，处理并反馈故障及处理信息，通过应用程序上对预警单进行操作，若预警单发起到外部的生产管理***，处理并反馈故障及处理信息存储回数据仓库模块（1）；
预警功能评估模块（6），通过反馈的预警单，评价预警功能的优劣；
其中，数据仓库模块（1）、预警模型模块（2）、预警规则模块（3）、故障诊断模块（4）与前端展示模块（5）依次连接并均与预警功能评估模块（6）相连接；
所述***采用一种风力发电机组故障预警方法，包括以下步骤：
S1：根据风电场及风电机组的信息计算故障特征值；
S2：利用故障特征值根据预设的规则触发预警代码；
S3：关联预警信息知识库，生成完整的预警信息；
S4：发起预警单到外部的生产管理***，处理并反馈故障及处理信息；
S5：通过反馈的预警单监管整个故障预警流程，评价各个模块的优劣；
所述S5具体包括以下内容：
S501：预警功能评估模块（6）中设置优、良、中、差四个等级，区间80%-100%对应等级优，区间60%-80%对应等级良，区间40%-60%对应等级中，区间0%-40%对应等级差，提取各环节的绩效指标，预警单完成率、预警单准确率和预警单发起率用来考核处理问题的绩效；
S502：预警单准确率用来表示前端展示模块（5）的绩效，准预警单发起率用来考核预警规则模块（3）的绩效；
S503：通过读取预警单完成率、预警单准确率和预警单发起率所在的区间判断预警单完成率、预警单准确率和预警单发起率的等级。
2.根据权利要求1所述的一种风力发电机组故障预警***，其特征是，所述风力发电机组故障预警***还包括数据转换模块（12），所述数据仓库模块（1），包括结构化数据和非结构化数据，所述结构化数据以数据库形式存储，所述非结构化数据以文件形式存储，非结构化数据通过数据转换模块（12）转换为结构化数据。
3.根据权利要求1所述的一种风力发电机组故障预警***，其特征是，所述预警模型模块（2）包括模型数据输入模块（9）、预警模型程序模块（7）、模型数据输出模块（10）、故障预警***应用模块（11）和预警模型管理模块（8），模型数据输入模块（9）、预警模型程序模块（7）、模型数据输出模块（10）和故障预警***应用模块（11）依次相连，预警模型程序模块（7）和故障预警***应用模块（11）均与预警模型管理模块（8）相连接。
4.根据权利要求1所述的一种风力发电机组故障预警***，其特征是，所述S1具体过程包括以下步骤：
S101：数据仓库模块（1）存储风电场及风电机组的基本信息、配置信息及运行数据，对数据进行清洗、整理，所述数据包括结构化数据和非结构化数据，结构化数据直接用于模型快速计算，非结构化数据通过数据转换模块（12）转换为结构化数据；
S102：模型数据输入模块（9）从数据仓库模块（1）获取计算所需结构化数据；
S103：将统计分析、机器学习、深度挖掘算法模块化为预警模型程序模块（7）；
S104：预警模型管理模块（8）调用预警模型程序模块（7），定期计算故障特征值，将其通过模型数据输出模块（10），传输到故障预警***应用模块（11）。
5.根据权利要求4所述的一种风力发电机组故障预警***，其特征是，所述S104中计算故障特征值的公式为：
式中
为故障特征值的有效值，
为残差值，残差值为实测值与预测值的差值，预测值通过蚁群算法、机器学习算法或深度学习算法获得，故障特征值的有效值将通过模型数据输出模块（10）输到故障预警***应用模块（11）中去。
6.根据权利要求1所述的一种风力发电机组故障预警***，其特征是，所述S2具体过程包括以下步骤：
S201：预警规则模块（3）中预先设置好阈值A和阈值B，
S202：通过逻辑关系，将故障特征值与对应的故障联系，故障用预警代码表示；
所述逻辑关系为：满足条件1或满足条件2，则报出预警代码，齿轮箱高速轴后轴承温度残差值大于阈值A，或齿轮箱高速轴带宽滤波振动值大于阈值B，则报出预警代码。
7.根据权利要求1所述的一种风力发电机组故障预警***，其特征是，所述S3具体过程包括以下步骤：
S301：故障诊断模块（4）中设置有预警信息知识库，预警信息知识库包括风力发电机组各个零部件分类及每个子部件的故障模式、故障原因及处理意见；
S302：基于预警信息知识库，通过关联对照，将每个预警代码和对应的故障位置、故障严重程度、故障原因、处理意见信息相关联；
S303：故障诊断模块（4）生成准预警单。
8.根据权利要求1所述的一种风力发电机组故障预警***，其特征是，所述S4具体包括以下内容：
S401：前端展示模块（5）以列表形式或弹窗形式展示预警单，可展示预警单详细内容；
S402：判断是否发起预警单到风电场现场，预警单所涉及的风力发电机组监控参数及预警模型计算的故障特征值生成反馈预警单反馈给数据仓库模块（1）。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910979917.3A CN110852484B (zh) | 2019-10-15 | 2019-10-15 | 一种风力发电机组故障预警***与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910979917.3A CN110852484B (zh) | 2019-10-15 | 2019-10-15 | 一种风力发电机组故障预警***与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110852484A CN110852484A (zh) | 2020-02-28 |
| CN110852484B true CN110852484B (zh) | 2023-03-10 |
Family
ID=69596418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910979917.3A Active CN110852484B (zh) | 2019-10-15 | 2019-10-15 | 一种风力发电机组故障预警***与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110852484B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111397930A (zh) * | 2020-03-17 | 2020-07-10 | 成都智造天下科技有限公司 | 一种施工设备故障检测和风险智能预警***和方法 |
| CN111526203B (zh) * | 2020-04-29 | 2022-11-01 | 华润电力技术研究院有限公司 | 一种风机故障预警***和方法 |
| CN111721527B (zh) * | 2020-05-18 | 2022-04-08 | 浙江工业大学 | 基于cms***大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法 |
| CN115596620B (zh) * | 2022-12-15 | 2023-03-07 | 深圳鹏锐信息技术股份有限公司 | 基于人工智能的风力发电机组故障智能分析方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033359A (zh) * | 2012-12-19 | 2013-04-10 | 西安交通大学 | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 |
| CN103903408A (zh) * | 2014-04-04 | 2014-07-02 | 内蒙古大唐国际新能源有限公司 | 设备故障侦查预警方法和*** |
| CN107038453A (zh) * | 2017-03-06 | 2017-08-11 | 辽宁大唐国际新能源有限公司 | 一种风电机组的故障预警***及判断方法 |
| CN108732494A (zh) * | 2017-04-21 | 2018-11-02 | 上海电气集团股份有限公司 | 一种风力发电机异常诊断处理*** |
| CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警*** |
| CN110322018A (zh) * | 2019-06-19 | 2019-10-11 | 上海电力学院 | 一种基于模糊推理的电厂风机故障预警*** |
-
2019
- 2019-10-15 CN CN201910979917.3A patent/CN110852484B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033359A (zh) * | 2012-12-19 | 2013-04-10 | 西安交通大学 | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 |
| CN103903408A (zh) * | 2014-04-04 | 2014-07-02 | 内蒙古大唐国际新能源有限公司 | 设备故障侦查预警方法和*** |
| CN107038453A (zh) * | 2017-03-06 | 2017-08-11 | 辽宁大唐国际新能源有限公司 | 一种风电机组的故障预警***及判断方法 |
| CN108732494A (zh) * | 2017-04-21 | 2018-11-02 | 上海电气集团股份有限公司 | 一种风力发电机异常诊断处理*** |
| CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警*** |
| CN110322018A (zh) * | 2019-06-19 | 2019-10-11 | 上海电力学院 | 一种基于模糊推理的电厂风机故障预警*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110852484A (zh) | 2020-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852484B (zh) | 一种风力发电机组故障预警***与方法 | |
| Li et al. | A real-time inspection and opportunistic maintenance strategies for floating offshore wind turbines | |
| Zaher et al. | A multi-agent fault detection system for wind turbine defect recognition and diagnosis | |
| CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
| CN109543210A (zh) | 一种基于机器学***台的风电机组故障预测*** | |
| CN110991666A (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
| Catelani et al. | Risk assessment of a wind turbine: A new FMECA-based tool with RPN threshold estimation | |
| CN111651505B (zh) | 一种基于数据驱动的设备运行态势分析预警方法及*** | |
| CN103512651B (zh) | 基于振动突变报警的风电机组状态监测方法及装置 | |
| CN202326011U (zh) | 一种风电机组的状态监测与故障诊断*** | |
| CN117689214B (zh) | 一种柔性直流牵引供电***能量路由器动态安全评估方法 | |
| CN108564313A (zh) | 基于故障树的风电机组状态监测与健康评估的方法及装置 | |
| CN112390127B (zh) | 基于健康度模型的自动扶梯预防性维修策略生成方法 | |
| CN108072524A (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
| CN112001569A (zh) | 一种基于多电压等级故障下的电网运行风险分析方法 | |
| Sun et al. | Failure analysis of floating offshore wind turbines with correlated failures | |
| CN116677570A (zh) | 基于海上风电机组机舱温度监测的故障预警方法及*** | |
| CN114184956B (zh) | 一种基于大数据管理的服役风力发电机组故障预测方法 | |
| CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
| CN115728057A (zh) | 一种风力发电机组齿轮箱振动监测与故障诊断方法 | |
| Sun et al. | Failure analysis of floating offshore wind turbines considering working condition correlations | |
| CN103994199A (zh) | 基于状态监测的齿轮箱维护时间确定方法 | |
| CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| CN114861973B (zh) | 一种计及多源因素的风力发电***风险评估方法 |
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 |