风力发电机远程监控及其健康预测系统的开发
这是一篇关于风力发电机,远程监控,CEEMDAN分解,极限学习机,零部件故障率的论文, 主要内容为随着不可再生能源的逐渐匮乏和环境污染问题的日益加剧,风能等可再生清洁能源受到全球各个国家和地区政府的青睐和大力支持。风力发电机结构较复杂,且长期连续地工作在自然条件较恶劣的陆地和海上,容易发生故障。如果不能及时地发现问题,容易使小故障逐渐发展成重大事故,造成不可挽回的损失。因此,如何利用智能检测手段及时发现风力发电机的潜在故障,并通过实时远程监控系统及时预警是目前风电行业正在研究的重要课题。本文对风力发电机的常见故障进行了分析,从不同的方向提出了两种故障诊断的方法,设计实现了基于B/S模式的风力发电机远程监控及健康预测系统。本文的主要研究内容包括以下几个方面:(1)根据风力发电机的结构特点,对重要部件的故障原因进行了分析。(2)根据风力发电机在不同健康状态下关键部位的振动信号具有规律性,提出了一种基于振动信号处理的故障诊断方法。对关键部位的振动信号,采用CEEMDAN方法分解得到一系列IMF分量,结合豪斯多夫距离和互相关系数选取有用的IMF分量组成一矩阵,对此矩阵进行奇异值分解,选较大的几个奇异值,归一化处理后作为一组状态特征值。采用极限学习机算法对各种状态的特征值进行了分类训练和预测,并使用支持向量机算法对比验证了所提出方法的预测准确性和快速性。(3)考虑到零部件的故障率也会对设备的故障诊断有很重要的作用,提出了一种基于零部件故障率和故障症状的设备故障诊断方法。基于威布尔分布模型建立了零部件故障率求解算法,运用模糊综合评判方法构建了基于故障症的诊断方法,将零部件的故障率引入了故障诊断模型,通过实例验证了提出方法的适用性。(4)应用B/S架构和Apache+MySQL+PHP组合,开发了风力发电机远程监控系统,实现了用户登录、管理,各风电场、各风机运行状态监控,报表绘制等功能,并结合Python语言实现了本文提出的基于振动信号的故障诊断与预测功能。
风力发电机组远程与移动监控软件系统设计与开发
这是一篇关于风力发电机,移动监控,数据采集传输,动态性能分析,故障报警的论文, 主要内容为面对迫在眉睫的能源和环境危机,风能是技术条件最成熟且最具商业化发展前景的绿色清洁能源,同时风力发电技术受到越来越多国家的关注。风力发电机作为风能利用的核心设备,其安全可靠运行直接关系到整个企业的生产效率,但是一般风力发电机组地点偏远,环境恶劣,故障发生率高,且维修困难,为了减少故障的发生,必须采用监控系统,实时了解风力发电机现场的工作情况,及时进行维护。目前,现有的监控系统采用 SCADA(Supervisory Control And Data Acquisition)监控技术,安装在本地,需要现场工作人员固守在监控室进行查看,非常不方便。而且本地监控系统只是实现了对设备运行参数的监控以及故障报警功能,并没有对数据进行动态性能分析。在4G网络快速发展以及手机客户端的逐渐普及之下,手机可以实现越来越多功能,移动监控系统便是最好的例子。移动监控系统是一种精细化监控系统,在实现传统监控系统功能的基础上,还提高了监控系统的移动性和便捷性,可以随时随地的获取企业生产情况,为他们的决策提供辅助功能。本文依托流程工业综合自动化国家重点实验室,对风力发电机存在的问题进行了深入的分析与研究,本文的主要研究内容如下:首先,对风力发电机移动监控系统的整体架构进行了设计。通过现场调研以及对国内外研究现状的了解,总结了现有监控系统存在的问题,并根据风力发电机组移动监控系统的需求分析,提出了系统开发的技术难点,对风力发电机移动监控系统的整体架构进行了设计。其次,对后台数据的采集传输方案进行了设计。由于风场存在地点偏远,网络带宽有限,数据量相对比较大,且许多数据不会频繁发生改变,数据传输过程中会存在带宽占用率高、响应速度慢的问题,因此要采用合理的数据采集传输方案,提高数据传输的实时性与可靠性。本系统利用基于Kafka和增量方式的数据传输方案,通过OPC(OLE for Process Control)协议,利用OPC Client读取数据采集服务器的OPC Server,将数据发送到实验室云平台的Kafka集群中,通过数据处理模块对数据进行了分析与计算,最后对数据进行发布,便于移动端的远程调用。然后,对风力发电机组转速控制的性能监控方法及软件进行了实现。本文以风力发电机转子转速为研究变量,对其动态性能进行分析,包括绝对误差最大值、绝对误差累积和、误差均方差以及控制输入均值等评价指标,通过监测各个指标是否超限来判断是否报警,以达到更好的控制效果。同时对该移动监控客户端进行了实现,包括关键参数实时监测模块、动态性能分析及显示模块、实时曲线模块和报警及消息推送模块的实现。最后,对整个监控系统进行了测试与验证。以实际风电场环境为测试背景,对风力发电机组移动监控系统软件的各个功能模块进行了测试与验证,包括关键参数实时监测模块、动态性能分析及显示模块、实时曲线模块和报警及消息推送模块的测试与验证。通过测试,表明该软件能够很好地实现移动监控的功能。
基于FSMPT模型和神经网络的机电产品LCA评价系统研究
这是一篇关于智能LCA,FSMPT模型,生命周期评价,数据补全,风力发电机的论文, 主要内容为机电产品的制造阶段和使用阶段所产生的环境影响已经造成了严重的生态破坏。因此解决环境污染问题是当前我国机械制造可持续发展领域里的重大难题之一。而生命周期评价(LCA)软件是解决这些难题的重要软件工具。但是目前的现有的软件存在很多问题,比如操作复杂、数据完整性要求高、缺少相关的绿色设计模型等。因此针对这些问题,本文以开发一款针对机电产品设计方案的简单、易用、智能的LCA计算平台,主要工作如下:(1)研究了基于功能-结构-材料-工艺-运输(FSMPT)模型的机电产品设计方案建模方法,可以实现机电产品材料、工艺、使用、回收、运输等产品生命周期过程的设计信息的集成表达。以FSMPT模型为基础,构建了生命周期环境映射矩阵,实现了产品设计方案与产品生命周期阶段之间的关联映射。此外,还提出了基于产品结构树和生命周期评价理论(LCA)的环境影响计算过程和方法,实现了机电产品的绿色设计方案的信息集成化、数字化以及快速环境影响评价与计算。(2)研究了基于BP神经网络的物料清单数据智能补全模型。分析机电产品的BOM表,提取出11项相关的绿色设计信息,以系统中已有的清单数据作为补全数据的依据,通过神经网络计算出来与缺失数据的零件最相似的零部件信息,用此零件信息补全缺失的数据。并以电风扇物料清单为例证明了该模型的准确性。(3)开发了一款用于改进设计方案以及快速学习LCA的问答系统。收集了LCA理论、LCA平台系统操作、LCA结果分析以及闲聊等方面的问答语料,基于中文文本分词、语义依存关系树和信息熵提出了一种问题文本匹配算法,该算法可以将用户的问题文本和数据库中的问答语料中的问题进行匹配计算筛选出最为接近的问题,从而给出用户想要的答案。(4)开发了一款基于WEB的机电产品生命周期评价(LCA)计算平台。基于Spring Boot、Boot Strap框架完成了LCA计算平台的开发与搭建,用户仅需上传BOM、设置计算条件两步即可完成一台机电产品设计方案的LCA评价,系统自动补全缺失数据并提供列表、图表、关系图谱等多种结果展示形式。(5)基于本文所开发的系统,对CWT4500-D165风力发电机进行了实例分析,经分析得到CWT4500-D165风力发电机环境影响最大的部分是地基的修建,其次是叶片的制造,并经过向问答机器人的提问,得到了这两部分的优化方案可用于改进产品的绿色设计。
基于SCADA数据特征深度融合的风力发电机组故障检测方法
这是一篇关于风力发电机,SCADA数据,故障预测,多传感器信息，时空融合,TreNet网络,时空级联模型,自注意力机制的论文, 主要内容为随着风电行业的不断发展,风力发电机组的容量不断提高,降低维护成本已经成为亟待解决的问题。风力发电机组的状态监测与故障诊断技术已经成为解决这些问题的关键技术手段。论文基于风力发电机组的数据采集与监视控制(supervisory control and data acquisition,,SCADA)系统的实测数据,针对目前风力发电机组故障预测准确率低和传统故障预测方法的缺陷,结合卷积神经网络(Convolutional Neural Network,CNN)、长短期记忆网络(Long-term and short-term memory networks,LSTM)、自注意力机制(Self-attentive Mechanism,SM)等相关技术挖掘隐藏于SCADA数据中风力发电机的深层次故障信息,实现风力发电机的故障检测,主要完成工作如下:(1)针对风力发电机SCADA数据参数复杂,由于气候等因素数据存在因局部变化导致的故障预测不准确问题,提出改进Tre Net模型的风力发电机故障预测方法。该方法基于Inception结构对Tre Net模型进行改进,通过不同卷积核大小卷积神经网络实现多尺度空间特征,捕捉故障特征局部变化信息;长短期记忆网络进行故障特征的全局依赖性提取;通过特征融合层实现故障特征局部信息与全局依赖性的特征融合。通过现场数据验证,该方法实现了风力发电机组齿轮箱故障的早期识别。(2)针对SCADA数据采样模式带来数据粗粒特征,同时受风速、风向随机变化影响监测信息存在波动性和不确定性,导致故障预测精度低、误报等问题。结合自注意力机制、空洞卷积神经网络(ACNN)与双向长短期记忆网络(Bi LSTM),提出基于自注意力机制的时空级联深度融合的风力发电机预测方法。该方法通过空洞卷积进行不同部件之间的空间特征提取;双向长短期记忆网络实现空间特征中时间依赖性的提取与时空特征融合;通过多层自注意力机制层对故障特征进行权重调整。经过现场数据验证,该方法有效消除了误报,实现了风力发电机故障的准确预测。
基于SCADA数据特征深度融合的风力发电机组故障检测方法
这是一篇关于风力发电机,SCADA数据,故障预测,多传感器信息，时空融合,TreNet网络,时空级联模型,自注意力机制的论文, 主要内容为随着风电行业的不断发展,风力发电机组的容量不断提高,降低维护成本已经成为亟待解决的问题。风力发电机组的状态监测与故障诊断技术已经成为解决这些问题的关键技术手段。论文基于风力发电机组的数据采集与监视控制(supervisory control and data acquisition,,SCADA)系统的实测数据,针对目前风力发电机组故障预测准确率低和传统故障预测方法的缺陷,结合卷积神经网络(Convolutional Neural Network,CNN)、长短期记忆网络(Long-term and short-term memory networks,LSTM)、自注意力机制(Self-attentive Mechanism,SM)等相关技术挖掘隐藏于SCADA数据中风力发电机的深层次故障信息,实现风力发电机的故障检测,主要完成工作如下:(1)针对风力发电机SCADA数据参数复杂,由于气候等因素数据存在因局部变化导致的故障预测不准确问题,提出改进Tre Net模型的风力发电机故障预测方法。该方法基于Inception结构对Tre Net模型进行改进,通过不同卷积核大小卷积神经网络实现多尺度空间特征,捕捉故障特征局部变化信息;长短期记忆网络进行故障特征的全局依赖性提取;通过特征融合层实现故障特征局部信息与全局依赖性的特征融合。通过现场数据验证,该方法实现了风力发电机组齿轮箱故障的早期识别。(2)针对SCADA数据采样模式带来数据粗粒特征,同时受风速、风向随机变化影响监测信息存在波动性和不确定性,导致故障预测精度低、误报等问题。结合自注意力机制、空洞卷积神经网络(ACNN)与双向长短期记忆网络(Bi LSTM),提出基于自注意力机制的时空级联深度融合的风力发电机预测方法。该方法通过空洞卷积进行不同部件之间的空间特征提取;双向长短期记忆网络实现空间特征中时间依赖性的提取与时空特征融合;通过多层自注意力机制层对故障特征进行权重调整。经过现场数据验证,该方法有效消除了误报,实现了风力发电机故障的准确预测。
基于机器学习的风力发电机轴承的故障诊断研究
这是一篇关于风力发电机,滚动轴承,故障诊断,机器学习的论文, 主要内容为为了改变能源结构,节约资源改善我们的环境问题,风能的开发成为了重要的资源开采方式之一。然而随着风力发电机设备的工作年份增长和恶劣的工况环境,风力发电机故障频频发生,严重制约风场经济效益的增长。轴承是风力发电机系统的重要组成单元,对于轴承的故障诊断有着重要的意义。随着大数据的蓬勃发展,风力发电机轴承的故障诊断进入了新的发展阶段。本课题通过分析风力发电机轴承的故障特征,提出基于机器学习的故障诊断方法。本课题主要研究内容如下:(1)通过分析深度学习中传统的智能故障诊断方法的缺点,在研究深度可分离卷积结构、Inception结构以及注意力机制上面利用结构精简的方式提出一种多尺度特征优化轻量级的智能故障诊断方法LMFO-Net。首先将一维振动信号经过S变换转换成时频图,然后送入LMFO-Net进行训练,最后利用测试集对模型进行了验证,验证了该方法在极小内存下能够取得较高准确率的效果。(2)在小样本和变工况的条件下,利用模型压缩的思路一种基于跨模态联合学习结合知识蒸馏的轻量级智能故障诊断框架CMJL。其中对动态卷积和知识蒸馏进行了探索,通过混合注意力机制进行优化,最后在渥太华大学的变工况轴承的数据集上进行实验。对比实验结果表明,经过教师引导学习的KD-CMJL具有良好的泛化能力和鲁棒性,在高噪声的诊断上具有良好的诊断效果,能够实现端到端的滚动轴承故障诊断。(3)为了快速实现部署,利用MATLAB中的GUI开了一种智能故障诊断软件。该软件同时集成了传统的信号处理方法和机器学习方法,并且该软件可以直接打包为App进行使用。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码港湾 ，原文地址：https://bishedaima.com/lunwen/54611.html
