英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
风机状态监测基于数据采集与监控系统数据，采用正常行为模型。第2部分：应用实例
摘要：本文是一个二元级数的第二部分。第一部分为风力发电机组监控与数据采集（SCADA）数据挖掘异常方法的提出。这种新颖性涉及自适应神经模糊干扰系统（ANFIS）模型在这一背景下的应用，以及所提出的程序在各种不同的监控与数据采集信号中的应用。通过模型的性能验证了所建立的ANFIS模型在异常检测中的适用性。结合模糊干扰系统（FIS），提出了预测误差的概念，为监测元件的状态提供了信息。
第二部分给出了应用实例，说明了该方法的有效性。工作基于18个现代型变桨距调节风的连续测量风力机监控与数据采集系统数据。2兆瓦级的涡轮机，为期35个月。这些数据中的几个实际故障和问题是运用状态监测系统（CMS）进行了分析评价，并给出了评价结果。如图所示监控与数据采集系统的数据为风力发电机组的操作人员提供了重要的信息。使用全信号重建（FSRC）自适应神经模糊干扰系统（ANFIS）正常行为模型（NBM）结合模糊逻辑（FL），开发了一个用于该信息数据挖掘的设置。高可以达到自动化程度。结果表明，某型水轮机故障时建立了FL规则。通过所提出的CMS系统，可应用于其它水轮机的类似故障的自动诊断。进一步本文的重点在于规则的优化和采用过程，允许专家实现在故障分析中获得的知识。这里诊断的故障类型有：（1）液压油泄漏；（2）冷却系统过滤器堵塞；（3）变矩器风扇故障；（4）风速计偏移；（5）涡轮控制器故障。此外，图形用户界面（GUI）开发用于访问、分析和显示数据和结果。
- 介绍
随着风力涡轮机的尺寸和远程位置的使用，风力涡轮机的状态监测变得越来越重要。如今，涡轮的技术可用性非常高。关键的。尤其是海上意外的断层，尤其是大型断层组件，可能会由于缺少适用起重船或其他专用船舶。然而，也泵或风机等辅助设备的小问题和故障由于涡轮机受限，可能导致昂贵的涡轮机停机时间。可达性。从操作员的角度来看，这是值得的加大对涡轮机状况的监控力度，以便减少非计划停机时间，从而降低运营成本。
通常情况下，可用的状态监测系统（CMSS）需要对要监测的系统有高层次的知识。然而，这种知识很难获取，而且往往不存在。由于多个动态子系统之间的相互作用复杂，因此可以很好地建立监测系统状态和预测故障的物理模型。此外，现有的CMS主要集中在振动分析上。振动分析是目前最常用的机器状态监测方法。然而，由于振动传感器的成本很高，因此没有安装在所有的涡轮机和部件上，这导致大量的风力涡轮机根本没有进行状态监测，或者振动传感器只安装在主要部件上。
与振动数据相比，有大量可用的操作（SCADA）数据，可用于指示涡轮机状态。杨和江也强调了这一点，他们还指出，这些数据是开发风力涡轮机CMS最便宜的资源。在本系列文章的第一部分[1]中，提出了一种利用自适应神经模糊干扰系统（ANFIS）建立基于普通SCADA数据的正常行为模型（NBM）的CMS。利用模糊逻辑（FL）规则对不同模型的预测误差模式进行了进一步的分析，以提取有关组件条件的信息。第二部分现在将完全集中于说明拟议CMS性能的应用实例。关于选择ANFIS模型和FL的推理的更多信息，请参见第一部分。
本文的研究是为开发一种使用风力涡轮机的CMS而进行的两年调查的结果。可供风机操作员使用的SCADA数据。可用数据来自18台运行中的2兆瓦级陆上涡轮机，2009年4月至2012年3月收集了连续运行数据。
本文第二节简要介绍了为访问和可视化大量数据而开发的图形用户界面（GUI）。此外，还对数据量进行了一般性评价，并给出了结果可视化。在第3节中，流程图说明了信息流和模糊规则优化过程。第4节给出了强调该方法工作原理和有效性的实例。结果将在第5节中讨论。第6节侧重于未来的方面，第7节给出了结论。
- 常规注释、图形用户界面和可视化
风力发电机组操作员可获得的大量监控与数据采集数据要求对数据进行系统化和标准化处理。出于状态监测目的，并非所有提供的监控与数据采集系统数据都有意义。因此，第一个困难来自于所提议的CMS选择合适的信号进行处理。10分钟内可用的数据标签数量很容易超过1000个。这包括数字值、小时计数器、计算值、设定值和统计值（平均值、最小值、最大值和标准偏差）每10分钟。原因如下：
- 本研究的重点在于10分钟的平均值。由于涡轮机制造商提供的数据标签数量众多，因此本研究为每台涡轮机开发了45个模型，涵盖了各种各样的信号。因此，共开发、训练了810（45times;18）个模型，并对其预测误差进行了监测。为了进行系统处理，开发了一个图形用户界面（GUI），如图1所示，简化了数据访问、可视化和分析。GUI中不同功能的功能包括：
（A）风力发电厂选择：允许选择不同的未来的风力发电场（目前已实施）
（B）涡轮机选择
（C）模块选择（对比第一部分图1）：
bull;培训模块：培训ANFIS模型或新数据处理。
bull;异常检测模块：预测错误中的异常检测到。
bull;模糊专家模块：评估现有规则并存储图形可视化结果。
（D）重传面板：当信号行为因服务而改变时或更换/修理部件，重新培训模型可能是必需的，可以在此面板中控制。
（E）高级设置：培训和预处理设置可以编辑以确保适当的模型性能
bull;建模前要消除的最大信号滞后
bull;用于分析的最小涡轮功率输出
bull;过滤瞬态情况，例如在涡轮机启动后数据日数和涡轮机运行日数不同的培训状态
bull;给出警报限值的概率值
bull;异常检测模块应等待的天数遗忘前反复出现的异常
bull;平均值数量（此处144个值等于1）选择日
- 信号选择
（G）正常行为模型（NBM）输入信息：给出用于构建特殊型号
（H）培训状态信息：培训状态（一到四）根据“高级设置”面板中定义的步骤
（I）一天平均预测误差可视化：可视化所选信号的预测误差
（J）一天平均模型输入预测误差可视化：帮助专家找出预测误差的根源偏离正常值（仅当NBM用于特定输入存在）
（K）用于分析的不同图形设置：
bull;异常错误，以快速了解预测所选信号的错误
bull;二维预测误差，以可视化预测误差大小
bull;相对误差，即预测误差除以本期实际计量原始数据
bull;风机功率曲线
bull;异常误差输入显示预测误差的演变随着时间的推移，模型输入和输出
利用图形用户界面的异常误差图功能（见图1中的K区），可以可视化每个风机开发和监控的所有模型的模型误差，以获得当前模型偏差的概述。为此，预测误差通过确定的异常极限进行归一化。在图2中，为风电机组04可视化了一个标准化平均百分比预测误差随时间变化的二维瀑布图，以强调在获得有关当前模型偏差的一次性概述时，该图的强度。
在该图中，颜色表示预测误差幅度。白色区域表示没有可用预测的时段，例如，由于缺少数据或非操作时段。风力涡轮机如图3所示。
- 信息流
为了得出部件状态声明，FL规则必须由熟悉涡轮机行为、典型故障及其根本原因的专家执行。有两种规则
bull;一般规则
bull;具体规则
一般规则用于突出显示当前异常，以防不适用特定规则。此规则类型不提供有关特定条件或潜在根本原因的信息，但突出显示数据中的异常。另一方面，具体规则提供了这一级别的信息[1]。图4强调了总体信息流和诊断优化回路。
预测误差、原始数据、服务协议、现场检查和个人经验有助于专家分析根本原因。一旦确定了根本原因，就可以更新通用规则，或者实现一个特定的规则，该规则捕获故障模式并导致正确的诊断。此外，可以通过实验来调整定义异常的阈值，从而更好地指示实际的组件状态，即使系统更敏感或更不敏感。以这种方式，随着时间的推移，专家系统将变得更加多样化，涉及不同的诊断和更精确的状态分类。关于模糊专家系统的更多信息见第一部分。
接下来，我们将给出一些例子，这些例子更详细地展示了规则实现过程，接下来是一些例子，展示了系统性能和一般规则应用。
- 案例
本节中给出的例子是由提议的CMS分析的实际测量故障。请注意，在CMS开发期间，没有进行任何监控，即此处给出的示例基于重新分析。
4.1例1：液压油泄漏
在第一个例子中，开发的CMS突出了液压油温度异常。除此之外，还强调了如何在CMS中实现异常根源信息，以便于对未来故障的分析。图5显示了液压油温度标准化平均百分比预测误差的二维瀑布图，以及随着时间推移NBM的相关输入。图是通过选择2009-06-15和2009-08-14之间的时间段和异常错误输入图形设置生成的。
可见，从2009-07-16开始，在液压油温度预测误差中出现了振幅上升的异常。同时，相关输入行为正常，这表明液压油温度数据存在真正的异常。
图6显示了预测误差，图7显示了异常发生时液压油温度随时间变化的原始时间序列，指出了故障发生时预测误差的振幅高度。
预测误差趋势明显。最高预测误差峰值约为15°C。虽然原始时间序列也显示出一种趋势，但其可见性取决于涡轮机的运行模式。
模糊专家应用模块对归一化预测误差的异常模式进行了分析，CMS在2009-07-16年度通过以下一般规则强调液压油温度高：如果（异常错误（5 mfs）液压油温度=高/非常高）
amp;amp;（异常错误（3 mfs）高压变压器ph.1温度=正常）amp;amp;（异常错误（3 mfs）顶部控制器温度=正常）amp;amp;（异常错误（3 mfs）发电机电流ph.1==OK）和（异常错误（3mfs）机舱温度==正常），然后（诊断==液压油温度。高）（条件=黄色/红色）（罐根本原因==不明确）
这些最初的一般规则没有提供关于潜在根本原因的信息。条件语句“黄色”和“红色”基于第一部分[1]中给出的一般异常定义。现在可以调查故障，并根据诊断出的根本原因建立规则。在这种特殊情况下，根本原因是旋转接头泄漏，导致机油泵永久运行，从而使机油加热。服务报告中的条目用于建立包含专家知识的特定规则，如下所示
如果（异常错误（5 mfs）液压油温度=高/非常高）amp;amp;（异常错误（3 mfs）高压变压器ph.1温度=正常）amp;amp;（异常错误（3 mfs）顶部控制器温度=正常）amp;amp;（异常错误（3 mfs）发电机电流ph.1==OK）和（异常错误（3mfs）机舱温度==正常），然后（诊断==液压油温度。高）（条件=黄色/红色）（罐根本原因==泵运行永久性，可能泄漏）
液压系统的术语高“黄”和非常高“红”在主阈值中定义了机油温度预测误差。表中分别有5 C和14 C，以反映获得的组件条件知识。维修于2009年8月6日进行。重新分析故障给出了表1中的结果。
成功实施了专家知识，CMS现在能够识别和诊断舰队其他涡轮机上的类似问题。值得注意的是，可以设置通用规则故障发生前的基本工程知识关于故障情况下的系统行为。当每个涡轮机针对NBMS单独处理，实施规则适用于所有相同类型的涡轮机，如图所示。在下面的例子中
4.2。示例2：齿轮箱机油温度升高A
第二个示例显示，由于冷却系统的滤清器脏污，齿轮箱机油温度升高。同样，二维瀑布
该图用于强调目前的异常模式（见图8）。
可见，齿轮箱机油温度在2010-10-15轮期间偏离了正常行为，而所有输入均正常。在2010-11-31输入机舱温度保持正常状态并指示正偏差，即较高的机舱温度。这种影响是由变速箱增加引起的。温度，因为变速箱和发电机是机舱内的主要热源。因此变速箱会更高温度导致机舱温度升高。预测图9和相应的原始时间序列显示了齿轮箱机油温度的误差大小和异常极限。在图10中
预测误差的波动模式是典型的与正常性能的偏差取决于涡轮机功率输出，即当当涡轮机运行时，需要冷却系统（满负荷）和低负荷。功率输出低。在某种程度上，这使得根据功率正确地分类为黄色和红色输出。然而，这是可以克服的，如果只有最坏的条件直到部件状况恢复正（绿色）。
原始数据确实表明温度升高，但是8月中旬以后，增长水平似乎保持不变。齿轮箱机油温度的升高通过2010-10-15通过通用规则的CMS：
如果（异常错误（5 mfs）齿轮箱机油温度温度==高/非常高）amp;amp;（异常误差（3 mfs）发电机转速==正常）amp;amp;（异常误差（3 mfs）机舱温度==正常）amp;amp;（异常错误（3 mfs）功率输出==正常），然后（诊断==齿轮箱机油温度。高）（条件=黄色/红色）（罐根原因==不明确）
条件类别“黄色”的分类需要根据异常的标准定义放置。条件评估总结见表2。
2010年12月11日，变速箱状况变为“灰色”（不可能进行诊断），因为规则库中的规则没有反映当前情况模式。这是因为一般规则要求机舱温度正常。然而，在2010-12-11，机舱温度模型也显示出很高的预测误差，即阻止通用规则激发。这个温度升高是因为变速箱温度和机舱的物理联系温度。注意，在齿轮箱机油温度升高期间，不能自动诊断机舱温度。地点（用灰点表示）
服务协议显示六个月的服务是在2011-01-12和维护手册上执行，表明过滤器已更换，导致预测错误。知道了这一点，通用规则可以改变关于潜在根本原因和常规规则设置。如果（异常错误（5 mfs）齿轮箱机油温度温度==高/很高）amp;amp;（异常误差（3 mfs）发生器速度==正常）amp;amp;（异常错误（3 mfs）机
全文共12329字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[453235]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
