基于大数据和人工智能的风电机组传动链故障诊断研究

发布时间：2020-06-25 03:32

【摘要】：据国家能源局最新统计,截止2018年底全国风电累计并网容量约1.84亿千瓦。预期到2020年末,风电累计并网装机容量将达到2.1亿千瓦以上。随着风电、光伏发电无补贴平价上网的推行,这一政策性的调整迫使整个风电行业必须从自身健康运行出发来增加企业效益。风电机组传动链是能量转换必不可少的环节,主要包括轴承和齿轮箱,其作为整机关键部位对风机健康运行有着至关重要的意义。根据现有故障数据统计风电机组传动链的故障造成的停机时间最长约占80%,主要是齿轮箱和轴承故障。因此,开展对风电机组关键部位的早期故障预警和故障诊断对整个行业的发展具有实际应用价值。首先,统计风电机组产生的数据类型及大小,梳理风电机组的生产运行数据、生产管理数据、现场监控视频等结构化及非结构化的数据。利用开源的Hadoop中的HDFS作为底层分布式文件系统,以HBse为数据库、Hive为数据仓库,ZooKeeper提供协调调度,建立风电机组大数据存储与管理系统。其次,针对传统阈值报警在报警时故障早已发生,造成的损坏已不可逆且存在错报和误报,提出构建基于大数据的故障预警系统。通过对大数据存储系统抓取的大量历史监测数据进行分析,在前期对样本数据进行正态分布的验证,进一步进行Beta分布的拟合,然后通过对预估的概率密度函数的参数寻优求得其形状参数,最后利用自学习阈值的智能算法来确定专家知识库,从而完成对基于大数据的故障预警系统的构建。在整个过程中综合考虑转速、风速、输出功率等因素相关性,实现对风机运行状态的实时监测。最后,针对传统时频分析和浅层神经网络对故障信号分解和故障特征提取能力有限且非线性表达能力差的问题,提出利用深度学习较强非线性表征能力且能自动提取故障特征的特性,构建卷积神经网络的特征提取模型。同时将模糊理论应用于多分类器来设计一个模糊多分类器来实现对特征状态精细化的识别,使用实验模拟的故障数据来训练整个模型进而得到模型参数,最终实现对故障类型和故障程度的精确诊断。
【学位授予单位】：山西大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM614;TP18;TP311.13
【图文】：

风电机组,传动链,主要对象,主要组成部分

图 1.2 风机主要组成部分风电机组传动链的故障诊断研究的主要对象是齿轮箱和轴承，作为传动系组成部分，其工作状态关乎整个机组的健康运行。目前针对传动链故障的主要是通过对振动信号进行频谱分析如快速傅里叶变化（FFT）、小波变换变换、包络谱分析等[3-9]。其主要存在问题是振动信号成分复杂，导致提取包含额外的信息，由此提出基于经验模态分解的频率解调方法，将其作为箱故障诊断的一种方法[10]。李红等人提出将相关系数和峭度相结合的 EE倒频谱分析相结合用于轴承故障诊断中[11]。随着神经网络的兴起，相关研智能化方向发展，张细政等人将遗传算法与 BP 神经网络进行结合，提高络对齿轮箱故障预测的精度[12]，李巍华等人通过利用萤火虫算法来改善神练速度和性能，提高了轴承故障的识别率[13]。针对当前研究主要存在问题是振动信号非线性、非平稳的特点导致传统分乏有效处理能力导致诊断精确度偏低[14-15]。其次故障特征需要人工提取导

风场,山西,来源,大型风

图 2.3 风场大数据来源如图 2.4 所示为自主研发的振动采集仪，目前已安装在山西众多风场，它实现了多通道、全状态的振动信息采集，且传感器精度高（以振动加速度）、采样周期短。图 2.5 为针对其开发的大型风电场智能化运行维护系统，集状态监测、故障诊断、数据报表等功能，实现对风电机组的远程状态监测与诊断。

【相似文献】