[发明专利]风电机组健康管理及故障预警方法

说明书

本发明涉及一种风电机组健康管理及故障预警方法，包括：风机整机的健康特征提取；风机特定故障的特征提取；风机整体健康状态监测；故障模式诊断；风机故障趋势预测：针对不同故障类型，采用贝叶斯网络、多元回归分析法或神经网络，对风机的故障发展趋势进行预测，在故障早期及时安排维修，以避免故障严重导致停机。本发明基于数据挖掘、机器学习等手段，自动识别风机的运行模式，实时诊断其健康状况和工作性能。同时，从历史数据中确定风机故障模式，及时发现和识别关键部件的缺陷和隐患，为风场高效地安排维修资源提供依据，进而实现风电设备健康管理与可靠性维护，延长部件的使用寿命。

技术领域

本发明属于风力发电技术领域，尤其涉及一种风电机组健康管理及故障预警方法。

背景技术

近年，风电行业发展速度明显放缓，且面临“风火同价”的现状，如何提高风电运营水平，如何降低运营维护成本成为整个行业面临的首要问题。风机大部件的可靠性对于机组性能和安全具有重大影响，特别是叶片、主轴、发电机、齿轮箱、变频器等，其故障率较高，停机时间长，故障恢复成本也相对高昂，给风场造成较大经济损失。如齿轮箱故障的维修费用接近100万元，超过风机年发电收益的60％以上。严重影响风机的发电效率和整个风电场的盈利能力。因此，亟需一种风电机组健康管理及故障预警方案。

发明内容

本发明的目的是提供一种风电机组健康管理及故障预警方法，以解决上述技术问题。

本发明提供了一种风电机组健康管理及故障预警方法，包括：

风机整机的健康特征提取：

基于SCADA运行参数中的功率、风速、主轴转速及变桨角度参数提取风机整机的健康特征，用于表征风机的健康状态；

风机特定故障的特征提取：

基于SCADA运行参数中的发电机轴承温度、转矩转速、液压油温、偏航位置等参数及CMS传感器信号中的振动、转速、声发射信号提取风机特定故障的特征，用于故障诊断；

风机整体健康状态监测：

采用粒子群优化算法对与风机整体健康状态相对应的功率、风速、主轴转速和变桨角度参数的状态值进行数据融合，找到最优的融合策略，最终融合为用于描述风机每天的健康状态的健康值，包括正常运行、由于早期故障低效运行和由于故障停机；

故障模式诊断：

判断与风机重要部件的潜在故障相关的SCADA参数是否相对正常运行时发生偏移，通过发生的偏移量判断风机重要部件的健康状态，从而进行特定故障的预警和诊断；

风机故障趋势预测：

针对不同故障类型，采用贝叶斯网络、多元回归分析法或神经网络，对风机的故障发展趋势进行预测，在故障早期及时安排维修，以避免故障严重导致停机。

进一步地，所述风机整机的健康特征提取包括提取功率-风速分布特征，提取主轴转速-风速分布特征，以及提取变桨角度-风速分布特征。

进一步地，所述风机特定故障的特征提取包括从传感器信号中提取时域、频域、时频域特征，所述时频域特征提取采用短时傅立叶分析及Wigner-Ville谱分析方法。

进一步地，所述故障模式诊断包括：

采用皮尔逊相关系数测量特征之间的相似度，然后使用聚类分析方法找到与故障对应的特征向量，再使用多元回归分析法、神经网络或贝叶斯网络将机组正常运行下的特征向量拟合为健康值；

将实时得到的拟合值与健康值进行比较，当实时得到的拟合值与健康值的差值大于阈值，判断该部件存在潜在的故障风险，并发出预警。