[发明专利]风电机组振动异常片段的选取方法

说明书

本发明涉及一种风电机组振动异常片段的选取方法，包括：加载振动时间序列，在振动时间序列中找到振动大于阈值的振动超限点；为每个振动超限点截取若干振动子序列，将每个振动子序列通过变点检测生成若干片段，若干振动子序列中最符合以下条件的即为该振动超限点的最终振动子序列；a.所述片段的数量最接近3；b.所述振动子序列中振动超限点所在的片段的统计量大于其他片段；c.所述振动子序列中振动超限点所在的片段位于中间段。本方法可以从各种分辨率的振动时间序列中自动筛选出振动子序列(局部异常数据)，对后续详细分析提供数据基础。

技术领域

本发明风力发电技术领域，具体涉及一种风电机组振动异常片段的选取方法。

背景技术

风电机组在运行过程中可能会因为各种原因出现突发性的振动异常，故需要对设备的振动信号进行分析，提取异常片段，以进一步分析故障原因，实现预防性维护以及降低突发性故障率，使设备安全可靠运行。

目前针对风电机组振动异常的分析方法有：比如基于模态测试和快速傅里叶变换进行频谱分析，通过正常风场和异常风场机组间的振动测试对比分析，结合有限元分析发现设备故障的原因；对时域和频域数据进行分析，时-频进行对比研究，结合倒频谱、包络谱和小波变换的分析方法；采集风机的转速和振动数据，做变换处理后，根据各转速区间内极值加速度的个数、对应振动幅值以及聚集度判断是否出现振动异常等等。而针对时间序列突变点检测的方法有：通过贝叶斯方法对ARMA模型和ARCH模型进行变点检测。通过ROC曲线来衡量变点检测效果；采用回归预测的方法，利用预测值替换异常值，尽可能地降低预测的偏差，提高检测的准确率；针对四个性能退化特征评估准则，分别构建定量化指标，再构建状态变量与时间序列的线性回归方程，然后求解线性回归方程系数，通过F检验提取时间序列转折点；还有STL分解、分类与回归树、ARIMA、指数平滑法、神经网络等等。

由于机组长期处在变工况运行，其振动的情况和机组本身的设计以及外部风资源条件有密切联系。

通常情况下，振动分析前存在一个数据保存过程。风机控制系统会保存故障前后时间段的数据，其中包含了振动数据。对于加装CMS系统振动传感器的风机而言，振动数据也是间隔一个时间段保存对应的高频、中频、低频数据。如果发生故障，系统会自动保存故障前后若干ms的数据段。在实际情况下，无论是开展振动的频谱分析，还是基于振动数据联合分析风机其他指标(如功率，转速，风速，风向等信息)，对于已经采集并保存的振动数据需要找到振动偏大的局部数据。该项工作(找寻局部数据)往往依赖振动分析工程师的个人经验来选取合适的数据段开展分析，尚未有较为合适的自动化、智能化方法直接给出合适的振动子序列(局部异常数据)。尤其是当振动数据连续采集时，如何较为精确寻找到振动超限前后工程师感兴趣的振动数据(振动子序列)，更多是依靠工程师的工程经验。

发明内容

本发明的目的在于提供一种风电机组振动异常片段的选取方法，本方法可以从各种分辨率的振动时间序列中自动筛选出振动子序列(局部异常数据)，对后续详细分析提供数据基础。

为实现上述目的，本发明提供如下技术方案：

一种风电机组振动异常片段的选取方法，其特征在于：

加载振动时间序列，在振动时间序列中找到振动大于阈值的振动超限点；

遍历所有振动超限点，为每个振动超限点截取若干振动子序列，将每个振动子序列通过变点检测生成若干片段，若干振动子序列中最符合以下条件的即为该振动超限点的最终振动子序列；

a.所述片段的数量最接近3；

b.所述振动子序列中振动超限点所在的片段的统计量大于其他片段；

c.所述振动子序列中振动超限点所在的片段位于中间段。

进一步地，所述振动子序列是通过变点检测生成基于均值或方差统计量的片段。