能源大數(shù)據(jù)之聯(lián)合動力機組齒輪箱故障預警
2019-01-10 09:21:05
次
一、項目背景
伴隨著經(jīng)濟的發(fā)展，全球能源危機環(huán)境危機日益凸顯，風能以其成本低、清潔、安全、可再生等優(yōu)點越來越受到世界各國的重視，所以近幾年以來風力發(fā)電得到快速發(fā)展。然而風電機組常處于惡劣的環(huán)境中極易出現(xiàn)運行故障，其中齒輪箱是整個風電機組發(fā)生故障概率最高的部件，據(jù)統(tǒng)計風電機組60%以上的故障都發(fā)生于齒輪箱部位。因此能迅速、準確地對齒輪箱故障預警，對降低風電場的運維成本、提高風電場的經(jīng)濟效益、提高風電機組運行的可靠性具有重要意義。
二、問題與挑戰(zhàn)
1、機組類型不同。從業(yè)務角度來說，存在三種不同容量的機組，且設計和運行參數(shù)會有一定的差異，為了發(fā)現(xiàn)不同類型機組齒輪箱故障的特征，保證故障模型的準確率，需要對機組進行分類。
2、用于分析的多個變量間會存在較多的信息重復。機組運行的參數(shù)數(shù)據(jù)很多，若直接用來分析，會導致模型復雜，同時可能會引起模型較大誤差，因此要初步探索數(shù)據(jù)間的相關性，剔除重復因素。
3、時間因素的損失。故障發(fā)生雖說只是一個時間點，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，因此在進行故障預測時，可將故障發(fā)生前一段時間都標記為故障。
三、解決方案
基于聯(lián)合動力機組的設計原理，進行機組類型劃分，在此基礎上，針對不同類型的機組，利用機器學習算法，分析與聯(lián)合動力機組齒輪箱故障相關的影響因素，構建機組齒輪箱故障預警分類模型。
從機理和業(yè)務角度對機組進行類型劃分。機組數(shù)據(jù)一致、傳感器位置一致則劃分為同一種類型。
在機組分類的基礎上，分別針對不同的機組進行參數(shù)相關性分析，實現(xiàn)數(shù)據(jù)降維。
基于各類型機組，利用有監(jiān)督的二分類算法對機組齒輪箱是否發(fā)生故障進行分類，從而預測機組齒輪箱故障發(fā)生的概率。利用有監(jiān)督的多分類算法對機組故障類型進行分類，從而預測機組發(fā)生的故障類別。
四、應用價值
- 預警聯(lián)合動力機組齒輪箱故障
- 保證聯(lián)合動力機組可靠運行
- 推動風力發(fā)電技術發(fā)展
五、相關案例
某風電公司聯(lián)合動力機組齒輪箱故障預警模型開發(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
