一种风电机组主轴协同诊断方法、装置及电子设备与流程

摘要: 本发明涉及风力发电运维监控,具体涉及一种风电机组主轴协同诊断方法、装置及电子设备。背景技术:1、目前,对风电机组主轴的运维监控主要依赖监测数据监测以及基于振动信...
一种风电机组主轴协同诊断方法、装置及电子设备与流程

本发明涉及风力发电运维监控,具体涉及一种风电机组主轴协同诊断方法、装置及电子设备。

背景技术:

1、目前,对风电机组主轴的运维监控主要依赖监测数据监测以及基于振动信号的监测方式。随着风电运维智能化需求的提升,如何实现主轴系统实时、高效且准确的自动状态监控与故障预警,是风力发电运维监控技术领域的重要研究方向。

2、然而,现有方案在实际应用中存在明显的缺陷:第一,仅依赖纯数据驱动的ai诊断模型在主轴极低转速工况下信噪比低,不仅难以提取微弱的早期故障特征,且无法对故障的物理类型给出诊断;第二,基于固定物理公式的机理分析方法在风速波动导致转速频繁变化时,固定频谱分析失效,极易造成误报与漏报;第三,诊断准确性高度依赖工程师的个人经验,无法实现实时、自动化的故障分类与预警。

技术实现思路

1、本发明提供了一种风电机组主轴协同诊断方法、装置及电子设备,以解决无法对故障的物理类型给出诊断、极易造成误报与漏报以及依赖人工经验无法实时自动化诊断的问题。

2、第一方面,本发明提供了一种风电机组主轴协同诊断方法,包括:

3、获取风电机组主轴的监测数据;监测数据至少包括轴承几何参数、温度信号和功率信号;

4、对监测数据进行工况解耦处理,得到角度域振动序列和/或动态热平衡残差;其中,动态热平衡残差根据功率信号及温度信号计算得到;

5、利用预训练的神经网络模型对角度域振动序列和/或动态热平衡残差进行重构,得到异常得分;

6、根据轴承几何参数计算理论故障特征阶次,并利用预构建的专家知识图谱对理论故障特征阶次进行时序逻辑推理,确定故障演化阶段和故障类型;

7、根据异常得分、故障演化阶段以及故障类型,生成主轴协同诊断结果。

8、有益效果:通过获取包括轴承几何参数、温度信号和功率信号在内的监测数据并进行工况解耦处理,一方面利用预训练的神经网络模型对角度域振动序列和/或动态热平衡残差进行重构输出异常得分,另一方面利用预构建的专家知识图谱结合理论故障特征阶次进行时序逻辑推理,实现了数据驱动感知与专家机理推理的深度结合;突破了传统方法仅依赖单一维度指标或黑盒ai模型的局限,不仅能在风速和载荷剧烈波动下自动剔除工况干扰,还能兼顾诊断高敏感度与可解释性,生成包含明确故障物理类型与阶段的主轴协同诊断结果。同时,具备传感器兼容退化能力,即使在无振动传感器的情况下也能退化为基于机理残差的监控,提高了方案的工程适用性。

9、在一种可选的实施方式中,监测数据还包括振动信号及对应的瞬时相位角;

10、得到角度域振动序列,包括:

11、利用瞬时相位角对振动信号进行阶次重采样,得到角度域振动序列。

12、有益效果:通过引入振动信号及对应的瞬时相位角,并利用瞬时相位角对振动信号进行阶次重采样,将非平稳的时域振动信号映射到等角度间隔的角度域中;消除了主轴极低转速且剧烈波动时导致的频谱模糊现象,使得微弱的故障倍频特征在角度域振动序列对应的阶次谱上清晰可见,大幅提升了变工况下早期故障特征的提取精度。

13、在一种可选的实施方式中,利用瞬时相位角对振动信号进行阶次重采样,得到角度域振动序列,包括:

14、根据瞬时相位角计算风电机组主轴的瞬时角速度和瞬时角度;

15、利用香农-奈奎斯特采样定理或者线性插值算法从振动信号中提取间隔预设时刻的振动幅值,得到角度域振动序列。

16、有益效果:通过根据瞬时相位角计算风电机组主轴的瞬时角速度和瞬时角度,并利用香农-奈奎斯特采样定理或线性插值算法进行幅值提取,确保了在低转速及非均匀采样条件下,能够高精度地将离散时间采样点准确插值映射为等角度间隔的离散数据。

17、在一种可选的实施方式中,监测数据还包括转速信号和风速信号,温度信号包括环境温度和主轴承实测温度;

18、得到动态热平衡残差,包括:

19、根据功率信号、转速信号以及温度信号计算总摩擦力矩,并根据总摩擦力矩和转速信号计算理论生热功率,根据风速信号计算动态热阻;

20、根据理论生热功率、环境温度、动态热阻以及前一时刻的理论温升计算当前时刻的理论温升;

21、将主轴承实测温度与当前时刻的理论温升的差值作为动态热平衡残差。

22、有益效果:综合考量功率信号、转速信号及温度信号计算总摩擦力矩与理论生热功率,并利用风速信号计算动态热阻,结合前一时刻理论温升迭代计算当前时刻的理论温升;成功构建了能够实时追踪季节变化、环境温度及高负荷功率波动的动态热模型,将主轴承实测温度与理论温升作差得到的动态热平衡残差剔除了正常工况温升,解决了传统定阈值温度报警在高温或高负荷工况下极易误报与漏报的难题。

23、在一种可选的实施方式中,神经网络模型通过下述方式训练:

24、利用小波包分解算法从角度域振动序列中提取主轴承点蚀对应的特征信号;

25、将特征信号输入待训练的神经网络模型中进行特征提取与重构,得到重构特征信号;

26、根据特征信号和重构特征信号,计算数据重构误差项,并根据预设的主轴受力平衡方程或者预设的润滑膜厚度最小值限制准则构建物理一致性惩罚项;

27、根据数据重构误差项和物理一致性惩罚项构建损失函数,利用损失函数对神经网络模型中自编码器进行训练校验,得到包含嵌入物理约束的自编码器的神经网络模型。

28、有益效果:利用小波包分解算法从角度域振动序列中提取点蚀特定频段特征信号,防止主轴在极低转速、小能量下早期磨损产生的微弱脉冲被背景噪声淹没;同时,在损失函数中引入基于主轴受力平衡方程或润滑膜厚度最小值限制准则的物理一致性惩罚项,使训练得到的神经网络模型在学习数据规律的同时严格约束于机理定律,降低了纯数据驱动模型的虚假重构率,提高了异常得分的准确性与鲁棒性。

29、在一种可选的实施方式中,轴承几何参数包括滚子直径、节圆直径、接触角以及滚子个数;

30、根据轴承几何参数计算理论故障特征阶次,包括:

31、根据滚子直径、节圆直径、接触角以及滚子个数,分别计算外圈损伤特征阶次、内圈损伤特征阶次、滚子自转故障特征阶次以及保持架故障特征阶次;

32、将外圈损伤特征阶次、内圈损伤特征阶次、滚子自转故障特征阶次以及保持架故障特征阶次组合为理论故障特征阶次。

33、有益效果:基于滚子直径、节圆直径、接触角及滚子个数等具体轴承几何参数,定量计算出外圈损伤特征阶次、内圈损伤特征阶次、滚子自转故障特征阶次及保持架故障特征阶次并组合为理论故障特征阶次;为专家知识图谱后续的特征匹配分析提供了严格符合物理结构的理论频率/阶次基准,确保了诊断结果能够精确定位到具体物理部件。

34、在一种可选的实施方式中,专家知识图谱通过下述方式构建:

35、将风电机组主轴的生命周期划分为多个阶段,多个阶段包括正常运行阶段、初期润滑退化阶段、中期摩擦激振阶段、后期几何损伤阶段以及终期温升失控阶段;

36、根据历史失效数据和先验知识确定不同阶段之间的状态转移概率矩阵;

37、根据阶段与状态转移概率矩阵构建动态贝叶斯网络,并利用动态贝叶斯网络构建专家知识图谱。

38、有益效果:将主轴承生命周期划分为正常运行阶段、初期润滑退化阶段、中期摩擦激振阶段、后期几何损伤阶段和终期温升失控阶段五个物理阶段,并基于历史失效数据和先验知识约束构建动态贝叶斯网络;利用状态转移概率矩阵表达主轴承损伤不可逆的演化过程,克服了传统诊断静态、孤立看单一指标的缺陷,实现了对故障演化趋势和当前物理阶段的动态时序概率推理。

39、在一种可选的实施方式中,利用预构建的专家知识图谱对理论故障特征阶次进行时序逻辑推理,确定故障演化阶段和故障类型,包括:

40、利用专家知识图谱对角度域振动序列和动态热平衡残差进行时序逻辑推理,确定故障演化阶段;

41、根据故障演化阶段确定系统健康度,并对角度域振动序列进行阶次频谱分析,得到阶次谱;

42、若动态热平衡残差未持续升高,且阶次谱在理论故障特征阶次的任意倍频处的振幅幅值大于预设幅值阈值,则确定故障类型为外圈损伤;

43、若动态热平衡残差持续升高,且阶次谱在理论故障特征阶次的任意倍频处的振幅幅值小于或等于预设幅值阈值,则确定故障类型为润滑失效;

44、若动态热平衡残差持续升高,且阶次谱在理论故障特征阶次的任意倍频处的振幅幅值大于预设幅值阈值,则确定故障类型为严重磨损伴随热损伤。

45、有益效果:通过时序逻辑推理计算系统健康度,并利用动态热平衡残差与阶次谱在理论故障特征阶次任意倍频处的振幅幅值进行多条件联合门限判定;将单纯结构损伤、纯润滑失效与严重磨损伴随热损伤三种复杂故障类型进行了完全互斥的逻辑划分,消除了交叉误判,赋予了诊断结果明确的物理诊断意义。

46、在一种可选的实施方式中,根据异常得分、故障演化阶段以及故障类型,生成主轴协同诊断结果,包括:

47、利用高斯核窗函数计算阶次谱和理论故障特征阶次的特征匹配度;

48、根据监测数据中的转速信号和系统健康度,利用自适应权重算法确定机理权重系数,根据机理权重系数,对异常得分和特征匹配度进行加权求和,得到诊断置信度;

49、根据诊断置信度、故障演化阶段以及故障类型,生成主轴协同诊断结果。

50、有益效果:利用高斯核窗函数计算实测阶次谱与理论故障特征阶次的特征匹配度,能够容忍由于传感器安装偏差、转速轻微滑动或重载下接触角微幅改变导致的特征谱线漂移;同时,利用转速信号和系统健康度通过自适应权重算法确定机理权重系数,实现了在不同转速和不同劣化程度下对异常得分与特征匹配度的动态分配,保证了生成的诊断置信度客观可靠,可直接指导自动化运维决策。

51、第二方面,本发明提供了一种风电机组主轴协同诊断装置,包括:

52、获取模块,用于获取风电机组主轴的监测数据;监测数据至少包括轴承几何参数、温度信号和功率信号;

53、解耦模块,用于对监测数据进行工况解耦处理,得到角度域振动序列和/或动态热平衡残差;其中,动态热平衡残差根据功率信号及温度信号计算得到;

54、重构模块,用于利用预训练的神经网络模型对角度域振动序列和/或动态热平衡残差进行重构,得到异常得分;

55、确定模块,用于根据轴承几何参数计算理论故障特征阶次,并利用预构建的专家知识图谱对理论故障特征阶次进行时序逻辑推理,确定故障演化阶段和故障类型;

56、生成模块,用于根据异常得分、故障演化阶段以及故障类型,生成主轴协同诊断结果。

57、第三方面,本发明提供了一种电子设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的一种风电机组主轴协同诊断方法。

58、第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的一种风电机组主轴协同诊断方法。

59、第五方面,本发明提供了一种计算机程序产品,包括计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的一种风电机组主轴协同诊断方法。