公开/公告号CN112765878A
专利类型发明专利
公开/公告日2021-05-07
原文格式PDF
申请/专利权人 龙源(北京)风电工程技术有限公司;
申请/专利号CN202110030463.2
申请日2021-01-11
分类号G06F30/27(20200101);G06N20/00(20190101);F03D17/00(20160101);G06F111/08(20200101);G06F113/06(20200101);G06F119/06(20200101);G06F119/08(20200101);
代理机构11303 北京方韬法业专利代理事务所(普通合伙);
代理人党小林
地址 100034 北京市西城区阜成门北大街6-9国际投资大厦C座11层
入库时间 2023-06-19 10:54:12
技术领域
本发明涉及风力发电技术领域,特别是涉及一种风电机组发电机轴承异常智能诊断方法及装置。
背景技术
随着风机发电设备日积月累的使用,风力发电机组的故障多发、某些零件失去原有的精度或性能,设备不能正常运行、技术性能降低,使风机中断生产或效率降低而影响生产。
发电机轴承有驱动端和非驱动端两侧,发电机轴承磨损、轴承位移、润滑不良等问题会导致发电机两端的温度升高,因此通过建立发电机轴承温度预警模型,通过运行状态发现能够发现发电机轴承的异常状态。
现有的风电机组的故障检测方法主要通过增加更多的检测传感器硬件,通过对传感器采集到的振动数据人工进行分析评估风机运行状况,一般需要专业人员定期对风机进行评估。
发明内容
本发明要解决的技术问题是提供一种风电机组发电机轴承异常智能诊断方法及装置,能够自动、及时、快速的对风机状态进行分析。
为解决上述技术问题,本发明提供了一种风电机组发电机轴承异常智能诊断方法,所述方法包括:获取模型训练所需的训练数据;利用训练数据训练随机森林模型;利用训练得到的随机森林模型,对发电机轴承异常进行预测。
在一些实施方式中,训练数据包括:SCADA系统数据、故障检修记录。
在一些实施方式中,SCADA系统数据包括:SCADA系统10min数据。
在一些实施方式中,故障检修记录包括:停机时间、停机原因。
在一些实施方式中,利用训练数据训练随机森林模型,包括:由训练数据中选取特征数据;利用选取的特征数据,建立随机森林模型。
在一些实施方式中,特征数据包括:发电机非驱动端轴承温度、发电机驱动端轴承温度、发电机有功功率、发电机转速、桨距角、风速、机舱温度、舱外温度。
在一些实施方式中,利用选取的特征数据,建立随机森林模型,包括:对原始数据集进行可放回随机抽样成K组子数据集;从样本的N个特征随机抽样m个特征;对每个子数据集构建最优学习模型;对于新的输入数据,根据K个最优学习模型,得到最终结果。
在一些实施方式中,还包括:在利用训练数据训练随机森林模型之后,对训练得到的随机森林模型的预测准确率进行评估。
在一些实施方式中,评估根据以下参数而执行:均方误差、均方根误差、平均绝对误差。
此外,本发明还提供了一种风电机组发电机轴承异常智能诊断装置,所述装置包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据前文所述的风电机组发电机轴承异常智能诊断方法。
采用这样的设计后,本发明至少具有以下优点:
本发明创新性地将数据输入到随机森林模型中得到发电机轴承温度预测值,利用随机森林模型获得发电机轴承温度的准确预测,进而进行故障的准确诊断。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是模型建立过程的示意图;
图2是原始值、预测值、残差的实测图;
图3是风电机组发电机轴承异常智能诊断装置的原理示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
风电机组发电机轴承温度异常智能诊断方法主要分为三个步骤:数据准备、模型建立、模型评估。
1.数据准备
发电机轴承模型需要的数据包括两类:一是SCADA系统10min数据,包含风机的运行数据、机组信息等;二是故障检修记录,包含停机时间、停机原因等信息。
2.模型建立
2.1特征选择
特征变量数目应较少且与发电机轴承温度高度相关,选择能够充分预测发电机轴承温度的变量作为特征变量,特征变量选择如下表所示。
2.2模型建立
随机森林是一种灵活且易于使用的机器学习算法,可以在大多数情况下得到很好的结果。随机森林的工作原理是生成多个模型,各自独立地学习和作出预测,这些预测最后整合起来,取长补短,避免局限性。随机森林模型的步骤:
(1)对原始数据集进行可放回随机抽样成K组子数据集;
(2)从样本的N个特征随机抽样m个特征;
(3)对每个子数据集构建最优学习模型;
(4)对于新的输入数据,根据K个最优学习模型,得到最终结果。
2.3模型评估
我们选择以下误差作为评价随机森林预测准确率的指标。
(1)MSE(均方误差)是指参数估计值与参数真值之差平方的期望值,MSE可以评价数据的变化程度,MSE的值越小,说明预测模型具有更好的精确度。
(2)RMSE(均方根误差)是均方误差的算术平方根。
(3)MAE(平均绝对误差)能更好地反映预测值误差地实际情况。
式中:y
图3示出了风电机组发电机轴承异常智能诊断装置的结构。参见图3,例如,所述风电机组发电机轴承异常智能诊断装置300可以用于充当风电机组系统中轴承异常的智能诊断主机。如本文所述,风电机组发电机轴承异常智能诊断装置300可以用于在风电机组系统中实现对发电机轴承异常的智能诊断功能。风电机组发电机轴承异常智能诊断装置300可以在单个节点中实现,或者风电机组发电机轴承异常智能诊断装置300的功能可以在网络中的多个节点中实现。本领域的技术人员应意识到,术语风电机组发电机轴承异常智能诊断装置包括广泛意义上的设备,图3中示出的风电机组发电机轴承异常智能诊断装置300仅是其中一个示例。包括风电机组发电机轴承异常智能诊断装置300是为了表述清楚,并不旨在将本发明的应用限制为特定的风电机组发电机轴承异常智能诊断装置实施例或某一类风电机组发电机轴承异常智能诊断装置实施例。本发明所述的至少部分特征/方法可以在网络装置或组件,例如,风电机组发电机轴承异常智能诊断装置300中实现。例如,本发明中的特征/方法可以采用硬件、固件和/或在硬件上安装运行的软件实现。风电机组发电机轴承异常智能诊断装置300可以是任何通过网络处理,存储和/或转发数据帧的设备,例如,服务器,客户端,数据源等。如图3所示,风电机组发电机轴承异常智能诊断装置300可以包括收发器(Tx/Rx)310,其可以是发射器,接收器,或其组合。Tx/Rx 310可以耦合到多个端口350(例如上行接口和/或下行接口),用于从其他节点发送和/或接收帧。处理器330可耦合至Tx/Rx 310,以处理帧和/或确定向哪些节点发送帧。处理器330可以包括一个或多个多核处理器和/或存储器设备332,其可以用作数据存储器,缓冲区等。处理器330可以被实现为通用处理器,或者可以是一个或多个专用集成电路(application specific integratedcircuit,简称ASIC)和/或数字信号处理器(digital signal processor,简称DSP)的一部分。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
机译: 滚动轴承异常诊断装置,风力发电机及滚动轴承异常诊断方法
机译: 滚动轴承异常诊断装置,风力发电机及滚动轴承异常诊断方法
机译: 滚动轴承异常诊断装置,风力发电机及滚动轴承异常诊断方法