能源大數(shù)據(jù)之聯(lián)合動力機(jī)組齒輪箱故障預(yù)警
2019-01-10 09:21:05
次
一、項目背景
伴隨著經(jīng)濟(jì)的發(fā)展，全球能源危機(jī)環(huán)境危機(jī)日益凸顯，風(fēng)能以其成本低、清潔、安全、可再生等優(yōu)點(diǎn)越來越受到世界各國的重視，所以近幾年以來風(fēng)力發(fā)電得到快速發(fā)展。然而風(fēng)電機(jī)組常處于惡劣的環(huán)境中極易出現(xiàn)運(yùn)行故障，其中齒輪箱是整個風(fēng)電機(jī)組發(fā)生故障概率最高的部件，據(jù)統(tǒng)計風(fēng)電機(jī)組60%以上的故障都發(fā)生于齒輪箱部位。因此能迅速、準(zhǔn)確地對齒輪箱故障預(yù)警，對降低風(fēng)電場的運(yùn)維成本、提高風(fēng)電場的經(jīng)濟(jì)效益、提高風(fēng)電機(jī)組運(yùn)行的可靠性具有重要意義。
二、問題與挑戰(zhàn)
1、機(jī)組類型不同。從業(yè)務(wù)角度來說，存在三種不同容量的機(jī)組，且設(shè)計和運(yùn)行參數(shù)會有一定的差異，為了發(fā)現(xiàn)不同類型機(jī)組齒輪箱故障的特征，保證故障模型的準(zhǔn)確率，需要對機(jī)組進(jìn)行分類。
2、用于分析的多個變量間會存在較多的信息重復(fù)。機(jī)組運(yùn)行的參數(shù)數(shù)據(jù)很多，若直接用來分析，會導(dǎo)致模型復(fù)雜，同時可能會引起模型較大誤差，因此要初步探索數(shù)據(jù)間的相關(guān)性，剔除重復(fù)因素。
3、時間因素的損失。故障發(fā)生雖說只是一個時間點(diǎn)，但在故障發(fā)生的前一段時間就已經(jīng)有某些特性的改變，因此在進(jìn)行故障預(yù)測時，可將故障發(fā)生前一段時間都標(biāo)記為故障。
三、解決方案
基于聯(lián)合動力機(jī)組的設(shè)計原理，進(jìn)行機(jī)組類型劃分，在此基礎(chǔ)上，針對不同類型的機(jī)組，利用機(jī)器學(xué)習(xí)算法，分析與聯(lián)合動力機(jī)組齒輪箱故障相關(guān)的影響因素，構(gòu)建機(jī)組齒輪箱故障預(yù)警分類模型。
從機(jī)理和業(yè)務(wù)角度對機(jī)組進(jìn)行類型劃分。機(jī)組數(shù)據(jù)一致、傳感器位置一致則劃分為同一種類型。
- 機(jī)組運(yùn)行參數(shù)相關(guān)性分析
在機(jī)組分類的基礎(chǔ)上，分別針對不同的機(jī)組進(jìn)行參數(shù)相關(guān)性分析，實(shí)現(xiàn)數(shù)據(jù)降維。
基于各類型機(jī)組，利用有監(jiān)督的二分類算法對機(jī)組齒輪箱是否發(fā)生故障進(jìn)行分類，從而預(yù)測機(jī)組齒輪箱故障發(fā)生的概率。利用有監(jiān)督的多分類算法對機(jī)組故障類型進(jìn)行分類，從而預(yù)測機(jī)組發(fā)生的故障類別。
四、應(yīng)用價值
- 預(yù)警聯(lián)合動力機(jī)組齒輪箱故障
- 保證聯(lián)合動力機(jī)組可靠運(yùn)行
- 推動風(fēng)力發(fā)電技術(shù)發(fā)展
五、相關(guān)案例
某風(fēng)電公司聯(lián)合動力機(jī)組齒輪箱故障預(yù)警模型開發(fā)項目
首頁
Tempo大數(shù)據(jù)分析平臺
Tempo商業(yè)智能平臺
Tempo人工智能平臺
Tempo數(shù)據(jù)工廠平臺
Tempo指標(biāo)平臺
Tempo數(shù)據(jù)治理平臺
Tempo主數(shù)據(jù)管理平臺
陜公網(wǎng)安備 61019002000171號
