[发明专利]基于大数据分析的风力发电机健康监测系统

说明书

本发明公开了基于大数据分析的风力发电机健康监测系统，该系统包括五个模块，分别是：特征提取模块、故障分类模块、黑色粉末规则库、大数据分析平台和系统接口模块。针对连续特征的问题，将采用基于EMD算法和数据分箱的故障诊断方法，先通过EMD算法分解得到IMF信号，提取其幅域参数持征作为特征向量，并输入到SVM里进行故障分类，并通过前期仿真以及实际数据验证。采用大数据分析，基于开源大数据平台Spark，分别对EMD和统计描述特征算子进行了分布式并行结构的实现。本发明采用互联网方式对风机状态进行平台式的服务，共享了风机告警信息，由系统分析预警，大大提高了故障主动监控的速度，保证各风机设备告警信息实时性和准确性。

技术领域

本发明涉及一种基于大数据分析的风力发电机健康监测系统，属于风力发电软件监测技术领域。

背景技术

风力发电机在运行过程中，长时间受力不均匀会导致其疲劳破坏，同时风沙、潮湿等恶劣环境也极大影响着机组寿命。主轴轴承容易产生磨损、铸蚀等故障，是典型的设备故障诊断问题；发电机磁钢也会脱落，表现为典型的复杂不确定性问题。风力发电机中，轴承、发电机作为传动系统的。重要部件，受到运维人员、专家学者的极大关注。研究风力发电机主轴轴承的故障特征提取过程，对发电机磁钢脱落进行相关性分析，是工业大数据背景下数据挖掘的典型应用，对该问题的研究极大地帮助业务人员对发电机部件机理增加认识，解决了风力发电机运行过程中对该问题监测的盲点。

以轴承为例，统计北方多个风场获知，轴承引起的连锁故障占总故障的30％到45％。一般来说，风电机组的运维支出占到了机组总收入的10％到15％。更换一项5000美元的轴承，所需要的最终费用为25000美元，损失巨大。因此，做好轴承等风力发电机部件的状态监测与故障诊断，对于降低机组故障率，提高风场经济效益具有重要的意义。

风电机组的主轴轴承故障和磁钢脱落是最常见的失效形式，分别代表了具有连续特征和离散特征的两种数据分析的典型问题。

随着物联网技术的发展，制造业在生产过程中积累了大量的异构数据，对于数据存储带来极大挑战。围绕工业大数据，业界开始关注其蕴含的丰富价值，从多角度进行王业大数据的铜察与研究。在此基础上，通过大数据对风力发电机健康进行监测是有平台和理论支持，是具备可行性的。

发明内容

本发明的目的在于利用大数据分析方法的分布式并行特性，对风力发电机健康监测的相关数据进行分析。

针对连续特征的问题，将采用基于EMD算法和数据分箱的故障诊断方法，先通过EMD算法分解得到IMF信号，提取其幅域参数持征作为特征向量，并输入到SVM里进行故障分类，并通过前期仿真以及实际数据验证。

采用大数据分析，基于开源大数据平台Spark，分别对EMD和统计描述特征算子进行了分布式并行结构的实现。

针对离散特征的问题，运用大数据分析的方法从多角度进行了相关性研究分析，为风力发电机的健康监测提供可靠依据。

本发明采用的技术方案为基于大数据分析的风力发电机健康监测系统，该系统包括五个模块，分别是：特征提取模块、故障分类模块、黑色粉末规则库、大数据分析平台和系统接口模块。

具体模块内容如下：

特征提取模块采用基于EMD和数据分箱的故障诊断方法，先通过EMD算法分解得到IMF信号，提取其幅域参数持征作为特征向量；

故障分类模块采用SVM进行故障分离，SVM模型建立。

黑色粉末规则库运用大数据分析的方法从多角度进行相关性分析；推导黑色粉末相关的规则建立规则库，用于黑色粉末现象的预测，为风力发电机健康监测提供可靠依据。

大数据分析平台采用Spark分布式并行框架和Map Reduce编程模型建立；