基于多变量状态估计的风电机组齿轮箱温度监测方法

风电机组的故障诊断是大型风电场运行中亟待解决的问题。由于风力发电的特殊性,大部分风电场都是在边远地区,风机与风机之间的距离更高,不能像火电或水电等设施,以方便检查,因此如何实现故障诊断的风力发电机组设备的状态是特别重要的。本文利用多变量状态估计(Multivariate State Estimation Technique)方法对齿轮箱的温度进行状态监测,通过对设备正常工作状态下的历史数据进行学习,对系统各个参数之间的关系进行定义,通过相关性分析来建立正常运行状态下多个相关变量间的内在非线性模型。然后,利用滑动窗口的统计方法,计算残差均值,当平均值曲线超出阈值范围时,设备运行异常。

基于无线技术的齿轮箱温度在线监测系统

针对复杂环境下温度在线监测的要求,提出了基于无线技术的监测系统的基本框架,简述了系统的硬件 组成和软件设计,重点讨论了编码和解码流程及分址传输的方法。实践表明该系统运行稳定,为解决齿 轮箱的温度在线监测提供了可行的方案。

基于无线技术的齿轮箱温度在线监测系统

针对复杂环境下温度在线监测的要求,提出了基于无线技术的监测系统的基本框架,简要论述了系统的硬件组成和软件设计,重点讨论了编码和解码流程及分址传输的方法。实践表明该系统运行稳定,为解决齿轮箱的温度在线监测提供了可行的方案。

风电机组齿轮箱温度预测中输入变量的选择及仿真

风电机组齿轮箱温度预测中输入变量的选择直接影响预测的准确性,本文将正交最小二乘法和相关系数法用于齿轮箱输入变量的选取,采用BP神经网络,对比预测了齿轮箱温度.研究结果表明:选取的输入变量用于温度预测的均方误差、均方根误差和平均绝对百分比误差均小于相关系数法,验证了正交最小二乘法在齿轮箱温度预测输入变量选择上的有效性.

基于灰色关联度的变权组合模型的齿轮箱温度故障预测

面向单一预测模型的局限性,基于灰色关联度理论提出变权组合预测模型进行齿轮箱温度预测。首先,对齿轮箱温度相关因素进行降维处理;其次,选择4个单一模型组成变权组合模型以预测齿轮箱温度,变权组合模型通过灰色关联度动态剔除某一模型并动态更新其余模型权值。为降低偶然因素造成的误差,最后采用大滑动窗口法处理齿轮箱温度预测残差并进行故障预测。数据分析和仿真结果表明,变权组合预测模型在齿轮箱温度预测中具有更高的精度。

基于样本优化的风电机组齿轮箱轴承温度预测

风电机组的状态检测对于提高机组运行水平及降低维护成本意义重大。利用非线性状态估计(NSET)方法建立齿轮箱轴承温度模型并用其进行轴承温度预测;针对观测向量选择缺乏理论依据的问题采用灰色关联度分析法验证变量选择的合理性;针对过程记忆矩阵存在数据冗余的问题采用相似度分析法构造简约过程记忆矩阵缩短建模时间。齿轮箱工作状态异常时模型的预测残差分布特性将发生变化,当残差均值或标准差超出设定阈值则给出预警。验证结果表明:基于样本优化的模型可以准确预测轴承温度并有较好的时效性,可以监测齿轮箱的运行状态。

基于温度特征的高铁动车齿轮箱故障预测

本文利用易于获取的齿轮箱温度数据来分析齿轮箱故障,通过分析齿轮箱温度、温度变化趋势、与同测点温差,建立异常检测模型得到温度异常点,再通过分析异常点前十分钟温度趋势和温差趋势,预测潜在故障。

根据PCA-GA-Elman的风机齿轮箱轴承温度预测

针对风电机组齿轮箱轴承温度易受随机因素影响及预测准确性低的问题,以准确预测短期内温度变化为目标,通过对风电机组齿轮箱轴承温度发展趋势的研究,提出一种主成分分析(Principal component analysis,PCA)、遗传算法(Genetic algorithm,GA)及Elman神经网络结合的预测模型。该模型通过主成分分析对高维复杂原始变量进行降维,主成分(PC)作为经GA优化的Elman神经网络的输入。新方法充分考虑轴承温度发展趋势中的随机波动成分,挖掘历史数据变化规律。结果表明:新方法对轴承温度发展中的随机波动趋势拟合效果较好,稳定性、准确性均优于文中其他方法,能够有效实现轴承温度的精确预测。

基于改进随机森林算法的风电机组齿轮箱故障预警方法研究

齿轮箱是风电机组的关键部件,其可靠性直接影响机组的运行状态。将粒子群算法与随机森林算法相结合,建立风电机组齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过合理地选择训练样本,对训练数据进行清洗处理,使改进的随机森林模型覆盖齿轮箱的正常工作空间。当齿轮箱发生故障隐患时,其动态特性偏离正常工作状态,导致改进的随机森林温度模型预测残差的分布特性发生变化。采用滑动窗口方法实时计算残差的统计分布特性,当残差的超限比例超过预先设定的阈值时,发出报警信息。通过实例仿真结果验证了改进的随机森林算法可以有效提高模型精度,减少训练时间。