TWI417746B - 裝置的效能預測及故障檢測之方法 - Google Patents

裝置的效能預測及故障檢測之方法 Download PDF

Info

Publication number
TWI417746B
TWI417746B TW099142047A TW99142047A TWI417746B TW I417746 B TWI417746 B TW I417746B TW 099142047 A TW099142047 A TW 099142047A TW 99142047 A TW99142047 A TW 99142047A TW I417746 B TWI417746 B TW I417746B
Authority
TW
Taiwan
Prior art keywords
performance
prediction model
prediction
real
input data
Prior art date
Application number
TW099142047A
Other languages
English (en)
Other versions
TW201224786A (en
Inventor
Chun Chieh Wang
Yu Liang Chung
Original Assignee
Ind Tech Res Inst
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ind Tech Res Inst filed Critical Ind Tech Res Inst
Priority to TW099142047A priority Critical patent/TWI417746B/zh
Priority to CN201010593593.9A priority patent/CN102486833B/zh
Priority to US13/043,700 priority patent/US8639454B2/en
Publication of TW201224786A publication Critical patent/TW201224786A/zh
Application granted granted Critical
Publication of TWI417746B publication Critical patent/TWI417746B/zh

Links

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)
  • Control Of Eletrric Generators (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

裝置的效能預測及故障檢測之方法
本發明係一種裝置的效能預測及故障檢測之方法，其係建立一預測模型，以預測一裝置或其一零組件之效能，並可得知裝置或零組件於運轉過程中是否有異常的狀態發生。
隨著環保意識的高漲，近年綠色能源，如太陽能、水力能、風力能、海洋能、地熱能、氫能或生質能，逐漸被各國或各企業所重視，其中發展最為迅速的為風力能，故風力能有可能成為未來最重要的替代能源。
現有的風力能之產生方式，其係透過風力發電機的運轉所產生的，但於氣候風場不穩定的情況下，造成風力發電機發電量與風速或風量不成比例，更有甚者導致重要零件的異常毀損，如齒輪箱或發電機，故風力發電機的效能或壽命趨勢預測技術亦顯其重要性。
常見的效能或壽命趨勢預測方式有下列兩種，一為計算風力發電機關鍵零組件之學理壽命分析，二為透過現場維護人員或專家經驗作為機械設備健康狀態預測判斷。
如上所述之第一種，其係透過零組件材料及壽命理論計算，以預測關鍵零組件之壽命，然而，以學理方式建立關鍵零組件，如承軸或齒輪，最大壽命預測，其係利用材料抗疲勞的程度，以作為壽命計算，但以理論技術之方式，需要定義眾多的基本參數，如材料特性、運轉模式或工作 環境，而任一基本參數都會影響基本壽命預測的精確度，另外，於真實環境下的環境參數，其係可能呈現非線性分佈狀態，故難以估算。
如上所述之第二種，由於現場機械設備隨工作條件不同之情況下，維護人員依照機械設備工作條件狀態及歷史經驗作為判斷依據，但維護人員的經驗值的高低往往嚴重影響精確度。
綜合上述，常見的兩種效能或壽命趨勢預測方式，其一需要眾多的基本參數，但基本參數卻無法對應真實環境，另一係透過維護人員的經驗值判斷，不僅精確度參差不齊，而且充滿著不正確與非標準的判斷模式，故常見的兩種方式各自具有其缺點，因此，現有的效能或壽命趨勢預測方式仍有尚待改善的空間。
有鑑於上述之缺點，本發明之目的在於提供一種裝置的效能預測及故障檢測之方法，其係以一裝置或其一零組件之真實輸出資料與真實輸入資料，以建立一預測模型，再以真實輸出資料與預測輸出量之誤差修正預測模型，修正後的預測模型可提供效能預測及故障檢測的根據。
為了達到上述之目的，本發明之技術手段在於提供一種裝置的效能預測及故障檢測之方法，其係應用於一風力發電機，該裝置的效能預測及故障檢測之方法的步驟包括有：
一、收集訊號資訊：收集真實輸入資料與真實輸出資 料，其可由一裝置或其一零組件所取得。
二、建立基準評價值。
三、刪除過多資訊：若該真實輸入資料量過大時，可進行資料降維。
四、建立預測模型：設立參數，以建立預測模型，該參數為初值誤差、學習速率與收斂誤差，並使用類神經網路、自回歸模型或羅吉斯回歸方法之其中一者以建立該預測模型。
五、訓練預測模型：以該真實輸入資料與該真實輸出資料輸入該預測模型中，以訓練該預測模型。
六、設定收歛時間：設定一收斂時間，其為該預測模型運行時間。
七、輸出結果：將該真實輸出量輸入該預測模型中，以計算出一評價值趨勢，將該評價值趨勢與該基準評價值相比較，以得出效能預測與故障檢測之結果；以及進一步選擇性具有修正完成條件之方法，其係計算真實輸出量與預測輸出量之誤差值，若該誤差值小於一設定誤差值，則進行該輸出結果之動作，若該誤差值大於該設定誤差值，則修正該預測模型，並回到該步驟五。
如上所述之步驟一，真實輸入資料的格式為一固定時間內取一平均值作為物理意義之表示；真實輸入資料所取的訊號為連續訊號時，可將連續訊號進行統計參數計算，統計參數為平均值、標準差或變異數之其中一者，其係用以表示連續訊號之意義。
如上所述之步驟二，其係以性能曲線與歷史曲線之關 係計算出基準評價值。
如上所述之步驟三，參數為初值誤差、學習速率與收斂誤差，並使用類神經網路、自回歸模型或羅吉斯回歸方法之其中一者以建立預測模型。
綜合上述，本發明之裝置的效能預測及故障檢測之方法，其可達到以下之功效與優點：
1、舉例而言，若裝置為風力發電機，以其零組件為齒輪箱、承軸或發電機之一者時，透過預測模型的建立，並比較真實輸出資料與預測結果，而可預測其裝置或零件之效能，並得知裝置或零組件是否有異常之狀態。
2、本發明係可僅針對單一零組件或整個裝置之輸出資料進行檢測，故外在不確定因素的影響可降至最低，以提高預測之準確度。
3、本發明除了可預測效能外，亦可進行損壞檢測，即檢測單一零組件或裝置之真實輸出比較預測結果，就可得知零組件或裝置於運轉過程中是否有異常的狀態發生。
以下係藉由特定的具體實施例說明本發明之實施方式，所屬技術領域中具有通常知識者可由本說明書所揭示之內容輕易地瞭解本發明之其他優點與功效。
請參閱圖一所示，本發明係一種裝置的效能預測及故障檢測之方法，其步驟包括有：
一、收集訊號資訊10：收集一裝置的真實輸入資料與真實輸出資料，真實輸入資料與真實輸出資料可量測該裝 置之其一所選擇之零組件或該裝置之其中一者而得，舉例而言，若裝置為一風力發電機，真實輸入資料可為轉速、風速、風向或角度之其中一者，真實輸出資料可為發電量，此外，真實輸入資料的格式可分為兩種，第一種為固定時間內取一平均值作為物理意義之表示，第二種為真實輸入資料所取的訊號為連續訊號時，可將該連續訊號進行統計參數計算，統計參數為平均值、標準差或變異數之其中一者，其係用以表示連續訊號之意義。
此外，如上所述之零組件，若以風力發電機而言，可為齒輪箱、承軸或發電機之其中一者，舉例而言，若為齒輪箱，真實輸入資料為轉速，真實輸出資料為噪音，透過轉速變化預測噪音大小，以作為效能預測及故障檢測之結果，該結果得出之方式請見後詳述。
二、建立基準評價值11：以性能曲線與歷史曲線之關係計算出基準評價值，若以上述之風力發電機而言，依其性能曲線與歷史曲線，其發電效率的基準評價值係介於0-1之間。
三、刪除過多資訊12：若步驟一之真實輸入資料量過大時，可進行資料降維，以縮短建模時間，該資料降維的方式為主要分量分析(以下簡稱PCA)或線性識別分析(Linear Discriminant Analysis，以下簡稱LDA)之其中一者。
四、建立預測模型13：設定參數，參數為初值誤差、學習速率與收斂誤差，並使用類神經網路、自回歸模型或羅吉斯回歸方法之其中一者，以前述之參數建立一預測模 型。
五、訓練預測模型14：以步驟一之真實輸入資料與真實輸出資料輸入步驟四所建立之預測模型中，以訓練預測模型，並同時修正預測模型。
六、設定收歛時間或修正完成條件15：設定一收斂時間，即預測模型運行時間，或者計算真實輸出量與預測輸出量之誤差值，若該誤差值小於一設定誤差值，則進行下一步驟，若該誤差值大於設定誤差值，則修正預測模型，並回到步驟五。
舉例而言，若以上述之風力發電機為例，該誤差值係為實際風力發電機之發電量與預測輸出發電量之誤差值。
七、輸出結果16：將真實輸出量輸入預測模型中，以計算出一評價值趨勢，將該評價值趨勢與步驟二之基準評價值相比較，以得出效能預測與故障檢測之結果。
綜合上述，本發明係建立一預測模型，並計算出一評價值趨勢，該評價值趨勢係為一預測結果，該預測結果相較於零組件或裝置之基準評價值或真實輸出資料相較後，即可預測零組件或裝置的效能，並可得知零組件或裝置於運轉過程中是否有無異常狀態發生。
惟以上所述之具體實施例，僅係用於例釋本發明之特點及功效，而非用於限定本發明之可實施範疇，於未脫離本發明上揭之精神與技術範疇下，任何運用本發明所揭示內容而完成之等效改變及修飾，均仍應為下述之申請專利範圍所涵蓋。
10~16‧‧‧步驟
圖一為本發明之裝置的效能預測及故障檢測之方法之流程圖。
10~16‧‧‧步驟

Claims (7)

  1. 一種裝置的效能預測及故障檢測之方法，其係應用於一風力發電機，該裝置的效能預測及故障檢測之方法的步驟包括有：一、收集訊號資訊：收集真實輸入資料與真實輸出資料，其可由一裝置或其一零組件所取得；二、建立基準評價值；三、刪除過多資訊：若該真實輸入資料量過大時，可進行資料降維；四、建立預測模型：設立參數，以建立預測模型，該參數為初值誤差、學習速率與收斂誤差，並使用類神經網路、自回歸模型或羅吉斯回歸方法之其中一者以建立該預測模型；五、訓練預測模型：以該真實輸入資料與該真實輸出資料輸入該預測模型中，以訓練該預測模型；六、設定收歛時間：設定一收斂時間，其為該預測模型運行時間；七、輸出結果：將該真實輸出量輸入該預測模型中，以計算出一評價值趨勢，將該評價值趨勢與該基準評價值相比較，以得出效能預測與故障檢測之結果；以及進一步選擇性具有修正完成條件之方法，其係計算真實輸出量與預測輸出量之誤差值，若該誤差值小於一設定誤差值，則進行該輸出結果之動作，若該誤差值大於該設定誤差值，則修正該預測模型，並回到該步驟五。
  2. 如申請專利範圍第1項所述之裝置的效能預測及故障檢 測之方法，其中該步驟一之真實輸入資料的格式為一固定時間內取一平均值作為物理意義之表示。
  3. 如申請專利範圍第1項所述之裝置的效能預測及故障檢測之方法，其中該步驟一之真實輸入資料所取的訊號為連續訊號時，可將該連續訊號進行統計參數計算，該統計參數為平均值、標準差或變異數之其中一者，其係用以表示該連續訊號之意義。
  4. 如申請專利範圍第2或3項所述之裝置的效能預測及故障檢測之方法，其中該步驟二係以性能曲線與歷史曲線之關係計算出該基準評價值。
  5. 如申請專利範圍第4項所述之裝置的效能預測及故障檢測之方法，其中該刪除過多資訊之步驟所述之資料降維的方式為主要分量分析或線性識別分析之其中一者。
  6. 如申請專利範圍第4項所述之裝置的效能預測及故障檢測之方法，其中該裝置為風力發電機。
  7. 如申請專利範圍第6項所述之裝置的效能預測及故障檢測之方法，其中該零組件為齒輪箱、承軸或發電機之一者。
TW099142047A 2010-12-03 2010-12-03 裝置的效能預測及故障檢測之方法 TWI417746B (zh)

Priority Applications (3)

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
CN201010593593.9A CN102486833B (zh) 2010-12-03 2010-12-17 装置的效能预测及故障检测的方法
US13/043,700 US8639454B2 (en) 2010-12-03 2011-03-09 Method of efficacy anticipation and failure examination for an apparatus

Applications Claiming Priority (1)

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

Publications (2)

Publication Number Publication Date
TW201224786A TW201224786A (en) 2012-06-16
TWI417746B true TWI417746B (zh) 2013-12-01

Family

ID=46152324

Family Applications (1)

Application Number Title Priority Date Filing Date
TW099142047A TWI417746B (zh) 2010-12-03 2010-12-03 裝置的效能預測及故障檢測之方法

Country Status (3)

Country Link
US (1) US8639454B2 (zh)
CN (1) CN102486833B (zh)
TW (1) TWI417746B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI647575B (zh) * 2015-04-02 2019-01-11 日商日立製作所股份有限公司 Fatigue deterioration diagnosis method of windmill and windmill, operation control method of windmill

Families Citing this family (13)

* Cited by examiner, † Cited by third party
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***
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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200402114A (en) * 2002-06-28 2004-02-01 Tokyo Electron Ltd Method and system for predicting process performance using material processing tool and sensor data
US20090281735A1 (en) * 2008-05-07 2009-11-12 Simmonds Precision Products, Inc. Method, apparatus and computer program product for determining a future time of a component

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
DK2110551T4 (da) 2008-04-15 2019-05-13 Siemens Ag Fremgangsmåde og indretning til prognose-baseret vindmøllestyring
WO2009153866A1 (ja) 2008-06-18 2009-12-23 三菱重工業株式会社 風車の動特性監視装置及びその方法
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***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200402114A (en) * 2002-06-28 2004-02-01 Tokyo Electron Ltd Method and system for predicting process performance using material processing tool and sensor data
US20090281735A1 (en) * 2008-05-07 2009-11-12 Simmonds Precision Products, Inc. Method, apparatus and computer program product for determining a future time of a component

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI647575B (zh) * 2015-04-02 2019-01-11 日商日立製作所股份有限公司 Fatigue deterioration diagnosis method of windmill and windmill, operation control method of windmill

Also Published As

Publication number Publication date
TW201224786A (en) 2012-06-16
CN102486833A (zh) 2012-06-06
US20120144237A1 (en) 2012-06-07
CN102486833B (zh) 2015-01-21
US8639454B2 (en) 2014-01-28

Similar Documents

Publication Publication Date Title
TWI417746B (zh) 裝置的效能預測及故障檢測之方法
CN108375476B (zh) 一种水电机组健康评估方法
CN105205569B (zh) 风机齿轮箱状态在线评估模型建立方法及在线评估方法
Butler et al. A feasibility study into prognostics for the main bearing of a wind turbine
CN104915747A (zh) 一种发电机组的发电性能评估方法及设备
CN103925155B (zh) 一种风电机组输出功率异常的自适应检测方法
KR102403593B1 (ko) 부유식 해상풍력 터빈용 디지털 트윈 시스템 장치
CN105894391B (zh) 基于scada运行数据提取的风电机组转矩控制性能评估方法
Li et al. Safety assessment of hydro-generating units using experiments and grey-entropy correlation analysis
Elasha et al. A hybrid prognostic methodology for tidal turbine gearboxes
CN105956785A (zh) 一种风力发电机组运行状态评判方法
Moan et al. Recent advances in integrated response analysis of floating wind turbines in a reliability perspective
CN114033617B (zh) 一种控制参量自适应调整的可控风力发电方法及***
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
Brandão et al. Forecast of faults in a wind turbine gearbox
Entezami et al. Wind turbine condition monitoring system
Gao et al. Real-time monitoring, fault prediction and health management for offshore wind turbine systems
Zhang et al. Probability warning for wind turbine gearbox incipient faults based on SCADA data
Nejad Modelling and analysis of drivetrains in offshore wind turbines
Zhang Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data
Griffith et al. Prognostic control to enhance offshore wind turbine operations and maintenance strategies
Lin et al. Progress on the Development of a Holistic Coupled Model of Dynamics for Offshore Wind Farms: Phase I—Aero-Hydro-Servo-Elastic Model, With Drive Train Model, for a Single Wind Turbine
Wang et al. Power curve based online condition monitoring for wind turbines
Zhao et al. Early fault prediction of wind turbine drive train system
Xin et al. Wind turbine modeling research based on the combination of SCADA and vibration signals