[发明专利]风机健康评估的方法、系统、存储器及控制器

说明书

本发明提供一种风机健康评估的方法、系统、存储器及控制器，所述包括：获取风机正常运行时的历史数据并形成风机运行时的工况特征向量；对风机历史运行工况进行划分；识别工况类别，根据工况类别利用状态特征向量构建在线评估风机健康的基准模型；将当前时刻的工况特征向量输入预设训练模型，得到当前时刻风机运行工况分别属于每种工况的工况类别概率并计算当前时刻状态特征向量与每种工况下基准模型的马氏距离；获取工况类别概率与距离每种工况下基准模型的马氏距离的加权平均值并将加权平均值转化为健康指标用以描述当前时刻风机运行状态偏离正常运行时的程度。本发明可提前识别风机故障发生前的劣化过程，准确评估风机运行时健康状态变化。

技术领域

本发明涉及机械设备运行状态健康评估技术领域，特别涉及轴风机运行状态健康评估的技术领域，具体为一种风机健康评估的方法、系统、存储器及控制器。

版权申明

本专利文件披露的内容包含受版权保护的材料。该版权为版权所有人所有。版权所有人不反对任何人复制专利与商标局的官方记录和档案中所存在的该专利文件或者该专利披露。

背景技术

风能是一种清洁无污染，资源无限的新能源，随着现代能源结构的调整，风能的利用越来越受到重视，利用风能进行发电的技术也日益成熟。近十几年，我国风力发电机组装机量较大且呈逐年上升的趋势，多数风机已过质保期，加之风机本身结构复杂，部件之间耦合性高等特点，使得风机运维难度大，成本较高。为降低风机维护的成本及难度，改变传统的定期维修及事后维修的方式为基于状态的维护具有重大意义，基于状态的维护是根据当前时刻风机的运行状态提醒现场工程师注意提早防范和制定维护策略，对风机当前时刻运行健康状态的评估是实现基于状态维护的前提和基础。

目前，对风机运行状态健康评估的方法主要有两种，一种是基于故障模式的影响和危害性分析(Failure Mode，Effects and Criticality Analysis，FMECA)的模糊综合评价方法，该方法主要将机组的运行状态分为“良好”，“合格”，“注意”，“严重”等离散的状态，然后将风电机组SCADA(Supervisory Control And Data Acquisition，监视控制与数据采集系统)所监测运行状态数据采用模糊化的方式分别映射到这四种状态，以此来判断风电机组的运行状态；另一种方法是借助人工智能的方法，如神经网络方法等，同样是将风机运行状态分为离散的状态，然后训练神经网络以此判断采样时刻风机的状态；由此可知，目前的研究虽然能够实现风机的运行状态的评估，但各个状态特征的监测参数仍然采用的固定阈值，不能实时有效的进行整机的健康状态的评价，识别风电机组故障发生前的劣化情况；更进一步，由于机械、风力、环境温度等这些变化复杂的环境也使风电机组运行时经受着重重考验，运行工况随机任意的切换，对于风电机组运行时的健康状态变化也起着重要作用，现有研究多数未考虑到风电机组运行工况变化复杂的问题。

经过对现有技术的公开文献检索发现，文献Sun P,Li J,Wang C,et al.Ageneralized model for wind turbine anomaly identification based on SCADA data[J].Applied Energy,2016,168:550-567.(基于SCADA数据风机异常模式识别的通用模型，期刊：Applied Energy第168卷，550-567.)的作者根据风场SCADA数据采用BP神经网络建立了风机正常行为时的模型参数与自然环境的函数关系，从而发现所建立的神经网络模型的误差服从正态分布，便以此分布的概率密度函数作为健康指标来衡量风机当前时刻的运行状态，文章最后采用了综合模糊评估的方法建立风机状态的评估模型，然而本文作者在进行健康评估时仍然是将风机的运行状态分为离散的可数状态，并未能识别出风机性能劣化的过程。

发明内容