风电机组主传动链故障是影响风电机组年运行时间的主要故障类型,提高其诊断精度是确保风电场稳定可靠运行的关键。为提升风电机组主传动链故障诊断精度,在主传动链上增加高频振动监测系统对其振动信号进行精细化分析。由于分别根据高频...风电机组主传动链故障是影响风电机组年运行时间的主要故障类型,提高其诊断精度是确保风电场稳定可靠运行的关键。为提升风电机组主传动链故障诊断精度,在主传动链上增加高频振动监测系统对其振动信号进行精细化分析。由于分别根据高频振动监测信号与风电机组数据采集与监视控制系统(Supervisory Control and Data Acquisition,SCADA)实时监测信号独立进行故障诊断时,难以发现风电机组主传动链的早期故障。为此,提出一种基于3类数据源融合的智能故障诊断方法,通过融合SCADA实时监测系统振动数据、非振动数据和振动监测系统振动数据3类不同时间尺度数据,建立基于自编码网络的典型故障分层诊断模型。实际诊断案例表明,基于3类数据源融合的典型故障分层诊断模型可准确定位风电机组的典型故障。展开更多
文摘风电机组主传动链故障是影响风电机组年运行时间的主要故障类型,提高其诊断精度是确保风电场稳定可靠运行的关键。为提升风电机组主传动链故障诊断精度,在主传动链上增加高频振动监测系统对其振动信号进行精细化分析。由于分别根据高频振动监测信号与风电机组数据采集与监视控制系统(Supervisory Control and Data Acquisition,SCADA)实时监测信号独立进行故障诊断时,难以发现风电机组主传动链的早期故障。为此,提出一种基于3类数据源融合的智能故障诊断方法,通过融合SCADA实时监测系统振动数据、非振动数据和振动监测系统振动数据3类不同时间尺度数据,建立基于自编码网络的典型故障分层诊断模型。实际诊断案例表明,基于3类数据源融合的典型故障分层诊断模型可准确定位风电机组的典型故障。
