基于随机森林的海上风电机组发电机轴承异常状态监测方法

发电机轴承是海上风电机组中重要的零部件,其状态直接影响了海上风电机组的运行状态和发电量。文章通过结合机理分析和数据驱动提出了基于随机森林的海上风电机组发电机轴承异常状态监测方法,该方法先通过机理分析选取变量、清洗数据和标定样本状态,然后通过数据驱动的方法对海上风电机组发电机轴承的状态进行预测。通过现场实际的海上风电机组SCADA数据对该模型进行验证,所述方法能够有效预测海上风电机组发电机轴承的状态,并且能有效避免对异常状态的误报和漏报。     

基于改进GRU的海上风电机组齿轮箱故障诊断

为提高风电机组中齿轮箱故障诊断的准确性,提出一种在门控循环单元（GRU）神经网络中引入注意力机制进行风电机组齿轮箱油温预测的方法,充分挖掘数据参量中的关联关系,以提高模型预测的准确性。针对模型预测的残差,采用一种基于粒子群算法的自适应阈值方案进一步实现对风电机组齿轮箱油温异常的诊断,引入自适应阈值能提高模型诊断的灵敏度。针对江苏某海上风电场实际运行的SCADA数据进行仿真分析和验证,结果证明采用该方法能较早地判断出风电机组齿轮箱的异常状态。     

海上风电机组齿轮箱进口油温异常预测

由于海上风电机组齿轮箱要长期承受无规律的变向变载荷的风力作用以及强阵风的冲击,为保证风电机组可靠运行,对齿轮箱进口油温进行异常预测。结合风电机组SCADA运行数据提出了一种基于SVM-RFECV算法和BP神经网络的风电机组齿轮箱进口油温异常预测方法。首先完成数据的预处理,然后利用SVM-RFECV算法计算不同变量的重要度,并选择平均交叉验证均方误差的最小变量组成最优特征,最后利用选取的最优特征数据建立的BP神经网络的预测模型,实现对风电机组齿轮箱进口油温异常预警。通过海上某风电场现场实际SCADA数据对模型进行验证,结果表明提出的方法能有效实现对风电机组齿轮箱进口油温异常预测。     

基于重构特征和宽度学习的海上风电机组齿轮箱高速轴故障预警

预测性维护是降低海上风电机组的运维管理成本,提高风机运行的可靠性,增加风电场整体经济效益的有效手段。文章针对齿轮箱高速轴轴承超温故障,提出了一种基于重构特征和宽度学习的海上风电机组齿轮箱高速轴故障预警算法。以齿轮箱高速轴前端轴承为例,通过对海上某风场的机组进行试验测试,验证算法能有效预测风机的在正常情况下的齿轮箱高速轴前端温度的变化轨迹。通过对重构温度的残差分析,试验的正确率和故障准确率达到了92.59%和80%。研究表明：该算法的测试准确性较好,可发现齿轮箱高速轴的早期阶段的损伤,满足实际的预警需求。     

海上风电机组齿轮箱轴承预警研究与应用

为实现海上风电机组齿轮箱轴承温度预警,文章研究了齿轮箱轴温在不同工况下的变化情况,使用齿轮箱在不同工况下正常运行状态的数据来构建健康运行的状态空间,将实际运行数据与健康状态空间进行比较,差异较大的机组给出报警。目前该方法已在多个风电场实现推广应用,经现场验证,该方法可为提升风电场运维人员的检修效率、管理水平及经济效益提供助力。     

基于场级协同的风电机组安全控制技术

文章提出了一种基于场级协同的风电机组安全控制技术,该技术主要基于风电场场级控制平台,该平台支持通过多种通信接口对风电机组主控和传感器数据进行采集,实现各设备之间信息互联互通,并凭借其强大的数据分析和科学计算能力,实现各种智能控制算法的实时运行。风电场部署场级控制平台后,可通过智能算法识别机组是否存在风险,对风险机组进行机舱航向校准,并计算该机组所处位置的绝对风向及前后排位置分布情况,风电场前排机组遭遇极端外部条件时,后排机组提前动作,降低极端外部条件给机组带来的风险,提升风电机组运行稳定性,降低风电场整体载荷水平,从而控制风电机组故障率。海上风电运维环境恶劣、条件复杂,带来了极高的运维成本,通过该技术降低故障率可减少海上风电运维成本。     

海上风电机组风速仪异常智能诊断算法及应用

风速仪作为海上风电机组唯一测风装置，是机组启、停控制重要输入，因此风速仪的工作状态对海上机组整体控制尤为重要。部分海上机组安装机械式风速仪，该风速仪为旋转传感器，机组测量叶轮转速一般用光电传感器，一般而言光电传感器运行可靠性要比旋转类传感器可靠性高，文章通过挖掘叶轮转速和风速之间的函数关系，建立通过叶轮转速识别风速仪是否异常的预警算法。     

基于CNN-LSTM的风力发电机组轴承异常检测

为保障风力发电机组的可靠运行,基于数据的机组异常状态检测尤为重要。文章提出一种基于级联深度学习模型的风力发电机组主轴承异常状态检测方法,首先利用风力发电机组机理知识和数据间的相关性选择与主轴承密切相关的参数,然后建立基于卷积神经网络（CNN）和长短记忆网络（LSTM）的观测参数与目标参数的逻辑关系,并且通过均方根误差评估模型预测温度与实际采集温度的差异。最后通过海上某风电场SCADA数据进行算例验证。结果表明：CNN-LSTM模型不仅能够更早得发现主轴承异常状态,还能够发现LSTM发现不了的主轴承异常特征。     

海上风电机组转速振荡状态识别技术

文章介绍了风电机组转速振荡状态,持续在转速振荡状态下运行,可能会导致机组触发故障停机,严重的甚至导致机组零部件损伤,威胁到风电机组的运行安全性;为提高尤其是海上风电机组的安全可靠性,提出一种在风电机组PLC可实现的转速振荡状态识别技术。先通过对应方法寻找局部极值点,分别线性插值出转速包络线,求取转速包络差值平均值,该过程稳定可靠、易实现;通过二次包络求取风场机组发电机转速的实际包络差值,再根据一定时间段内包络差值超过包络差值条件的次数,从而来判定当前状态是否处于转速振荡状态,并通过在风场机组测试的方式,验证了风电机组转速振荡状态识别技术功能的有效性,并开始应用于海上风电。     

大型海上风电机组整机涡激仿真

随着海上风电机组朝着大型化发展,塔筒高度和叶片长度都显著增加,并且海洋风比陆地风的湍流度更小,这些因素使得大型海上风电机组在吊装或停机状态下频繁出现涡激振动现象。涡激振动增大了风电机组发生强度失效以及疲劳寿命降低的风险。为研究大型海上风电机组整机涡激振动的机理,文章采用仿真方法对某大型海上机组实际发生的涡激振动现象进行复现和分析：首先对风电机组进行流场分析,然后提取流场分析得到的时序载荷,施加到风电机组有限元模型上,进行瞬态分析,从而实现流固耦合仿真。仿真结果表明：风电机组的涡激振动是一种流固耦合现象,主要原因是,在特定风况条件下,气流在塔筒和叶片的壁面处形成周期性脱落的漩涡,对壁面产生周期性的反向载荷。当载荷频率与机组振动的固有频率接近时,使机组发生共振。文章通过仿真方法揭示了大型海上风电机组发生涡激振动的机理,对提出风电机组涡激振动防治策略具有参考意义。     

海上风电机组载荷测试及仿真一致性验证

随着海上风电机组向大型化趋势发展,风电机组降本及优化设计成为整机厂家尤为关注的话题。从测试和仿真的角度出发,对某海上风电机组不同风速下的叶根、塔顶、塔底载荷进行了测试和仿真,对统计值和疲劳载荷进行了对比分析,结果表明其测试与仿真结果具备良好的一致性,误差在10%以内,满足工程需要。载荷对比的一致性充分验证了该风电机组设计模型的正确性,不仅可为机组降本提供思路,也可为今后海上机组设计提供技术指导。     

海上风电电气设备运行环境分级评价方法及应用研究

通过研究海上风电电气设备运行环境分级评价方法,了解海上风电电气设备实际服役环境条件,指导海上风电电气设备设计、选材和运维,保障其长效安全运行的同时,实现制造和运维的降本增效。在线或离线采集温湿度、盐雾、腐蚀性气体、腐蚀速率、振动等电气设备运行环境因素,积累大量现场运行环境数据,并结合环境模拟试验和大数据分析技术,研究电气设备服役环境分级方法。通过对有别于陆上风电的影响海上风电电气设备运行的关键环境因素分级评价,指导海上风电电气设备的精准设计、精准选材和精准运维,有效避免因锈蚀、凝露、异常发热等海上特殊环境因素带来的设备运行风险,实现海上风电生产和运维的降本增效。     

中国海装大型风电机组项目获科技部立项

正近日,由中国船舶重工集团海装风电股份有限公司(简称"中国海装")承担的国家重点研发计划"大型海上风电机组及关键部件优化设计及批量化制造、安装调试与运行关键技术"获得了国家科技部立项,该科研项目将提升海上风电机组的可靠性,提高关键零部件的国产化率,满足我国海上规模开发对大型机组的应用需求。该项目总投入1.8亿元,研究周期为4年。     

航标运行状态模式识别和数值预测

针对航标运行状态模式识别依赖经验阈值的现状,为检验经验阈值是否具有普适性,提出基于概率的阈值模式识别效率度量算法。实验结果表明:该算法能准确度量阈值的模式识别效率;经检验,经验阈值不具备普适性。因而,提出基于概率的模式识别模型。实验结果表明:以概率作为阈值具有普适性,该模型能准确识别频繁模式和异常模式,且性能更好。为实现数值预测,提出基于概率密度的加权平均算法。实验结果表明:该算法的预测精度较高。本文为航标运行状态模式识别和数值预测提出了新的解决方案。     

轴承振动信号自适应诊断建模方法

通过时频分析提取滚动轴承运行状态的振动信号特征参数,经标准化处理后,选择T-SNE降维技术,获得训练样本,研究基于随机森林的故障诊断模型,识别滚动轴承运行状态。经试验验证,该方法诊断准确率达到96%,将该方法应用于滑动轴承,准确率也达到94.6%。T-SNE降维技术可以自动选择适用于不同类型轴承的特征参数;随机森林作为一种机器学习方法,能根据数据的内在规律自动建立适用于不同类型轴承的故障诊断模型。研究表明,T-SNE与随机森林相结合应用于轴承故障诊断具有较好的准确率和通用性。     

基于联邦LSTM的突遇新频率船舶升沉运动预测策略

由于浮式起重船在海上进行风电设备安装和运维作业期间,离岸距离远且作业时间长,波浪变化多样且不确定,极易产生新频率的船舶运动,使得无法进行精确预测,从而导致海上作业无法安全进行甚至造成设备损坏,因此文章提出基于联邦学习的多变量多步长短期记忆网络（LSTM）预测方法。针对无线数据采集时间间隔不一致,将其和船舶升沉运动数据共同作为双层LSTM预测模型的输入变量并进行多步预测。同时针对突遇新频率船舶运动的情况,采用联邦学习方法联合多家海上风电安装运维企业的船舶升沉运动数据,共同训练适用于复杂海况下的船舶升沉运动LSTM预测模型。使用Stewart六自由度波浪补偿平台模拟浮式起重船的升沉运动,试验结果表明,在遇到新频率船舶运动时,该方法能有效提高船舶升沉运动的预测效果,模型预测精度（RMSE值）至少可达到0.095。     

海上风机叶根螺栓瞬态应力分析与可靠性优化

大兆瓦海上风电机组叶根螺栓螺纹副预紧载荷分布非均匀行为是诱发螺栓在高预紧状态下预紧力早期衰退的最主要原因之一。结合海上风机叶根螺栓的预紧工艺,文章从螺纹副载荷非均匀分布行为入手,提出了一种基于螺纹副载荷分布计算的螺纹参数匹配与连接工艺优化方法。首先,构建了参数驱动的螺纹副精细化有限元瞬态动力学模型,并对螺纹牙型角、螺距等特征进行了参数化建模,计算了采用拉伸法工艺预紧叶根螺栓过程中标准螺纹副受载历程与载荷分布状态;然后,搭建了基于拉伸法工艺预紧螺栓的试验系统,以螺栓预紧力瞬时衰减值为判据验证了螺纹副载荷分布行为有限元计算模型的有效性与精度。最后,以某型10 MW级风电机组用M36高强度螺栓为工程应用对象,基于叶根螺栓拉伸法预紧工艺下螺纹副载荷分布对其螺纹特征进行了参数化适配设计。结果表明：采用本文提出的方法,有效控制了拉伸法预紧螺栓过程中的预紧力损失,降低了螺牙的最大结构应力的同时改善了螺纹副的应力分布,有利于提高风电机组的运行可靠性。     

基于多尺度随机动态模型的惯性器件数据融合估计

结合离散小波变换、动态系统理论及随机过程理论,建立了以尺度为变量的多尺度随机动态模型,并给出状态基于多尺度随机动态模型的多尺度递归数据融合算法,实现了在状态基于全局观测信息的优化估计值。该算法可以在无状态模型情况下进行数据融合,适用于难以获得或获得的状态模型不精确的情况。将此方法用于陀螺信号处理中,通过不同尺度下陀螺观测值的融合,陀螺信号的精度有明显的提高。仿真和实验均证明该算法是一种有效的数据融合算法。     

基于随机森林和支持向量机的船舶柴油机故障诊断

针对船舶低速二冲程柴油机故障的分析问题,提出基于随机森林和支持向量机的船舶柴油机故障诊断方法。对船舶低速二冲程柴油机MAN BW 6S50MC-C建立故障仿真模型并验证其有效性;在此基础上,通过故障仿真模型生成故障样本。运用基于随机森林的VarSelRF特征选择算法对故障数据进行降维,提出运用支持向量机对降维后的故障数据进行分类的方法。通过仿真试验验证并分析该方法的有效性。     

海上风电项目机组安装质量控制要素

风电机组安装是海上风电项目开展的重要环节,其安装质量对后期运营起着十分重要的保障作用。受限于当前海上风电产业链的影响,风电机组由不同的制造厂商完成生产后再运输至现场进行安装,因此,风电机组的整体安装质量取决于机组进场安装前的验收准备工作与机组安装过程这两个阶段的质量控制。本文通过分析海上风电项目的特点,总结出风电机组安装环节的质量控制要素,为提高海上风电机组安装质量提供了重要参考。