旋转部件剩余寿命的预测方法及其装置及计算机可读存储介质与流程

1.本发明实施例涉及风力发电技术领域，尤其涉及一种旋转部件剩余寿命的预测方法及其装置及计算机可读存储介质。


背景技术：

2.随着煤炭、石油等能源的逐渐枯竭，人类越来越重视可再生能源的利用。风能作为一种清洁的可再生能源越来越受到世界各国的重视。伴随着风电技术的不断发展，风力发电机组在电力系统中的应用日益增加。风力发电机组是将风能转化为电能的大型设备，通常设置于风能资源丰富的地区。为了能够提前发现风力发电机组的潜在故障，保证风力发电机组的正常运行，需要对风力发电机组的状态，尤其是振动状况进行监控。
3.目前，风力发电机组的在线振动状态监控系统(condition monitoring system，称为cms系统)可以对风力发电机组的cms振动数据进行采集。然而，现在利用cms振动数据仅仅只是作为对风力发电机组现有状况的监测。


技术实现要素：

4.本发明实施例的目的在于提供一种旋转部件剩余寿命的预测方法及其装置及计算机可读存储介质，能够较为精确地预测出旋转部件触发报警的剩余寿命。
5.本发明实施例的一个方面提供一种旋转部件剩余寿命的预测方法，其应用于风力发电机组。所述方法包括：获取风力发电机组的旋转部件的cms振动数据；将每采样时间点的多个cms振动数据转化成所述旋转部件每采样时间点的一个指标数据；选取临近触发预警的第一报警阈值预定时段内的指标数据来训练一寿命预测模型，以得到训练后的寿命预测模型；及当某采样时间点的指标数据一达到所述第一报警阈值时，则启动所述旋转部件的剩余寿命算法，根据该采样时间点的指标数据并基于所述训练后的寿命预测模型来预测所述旋转部件触发报警的剩余寿命。
6.本发明实施例的另一个方面还提供一种旋转部件剩余寿命的预测装置。所述装置包括一个或多个处理器，用于实现如上所述的旋转部件剩余寿命的预测方法。
7.本发明实施例的又一个方面还提供一种计算机可读存储介质。所述计算机可读存储介质上存储有程序，所述程序被处理器执行时，实现如上所述的旋转部件剩余寿命的预测方法。
8.本发明一个或多个实施例的旋转部件剩余寿命的预测方法及其装置及计算机可读存储介质能够利用获取到的旋转部件的cms振动数据来较为精确地预测出旋转部件触发报警的剩余寿命。
附图说明
9.图1为本发明一个实施例的旋转部件剩余寿命的预测方法的流程图；
10.图2为本发明一个实施例的采用rms算法转化得到的指标数据的图示；
11.图3为本发明一个实施例的采用holt-winters二次指数平滑法的指数模型得到的模型预测值的图示；
12.图4为本发明一个实施例的旋转部件剩余寿命的预测装置的示意性框图。
具体实施方式
13.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本发明相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置的例子。
14.在本发明实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。除非另作定义，本发明实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“多个”或者“若干”表示两个及两个以上。除非另行指出，“前部”、“后部”、“下部”和/或“上部”等类似词语只是为了便于说明，而并非限于一个位置或者一种空间定向。“包括”或者“包含”等类似词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而且可以包括电性的连接，不管是直接的还是间接的。在本发明说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
15.本发明实施例提供了一种旋转部件剩余寿命的预测方法，旋转部件剩余寿命的预测方法可以应用于风力发电机组。图1揭示了本发明一个实施例的旋转部件剩余寿命的预测方法的流程图。如图1所示，本发明一个实施例的旋转部件剩余寿命的预测方法可以包括步骤s11至步骤s14。
16.在步骤s11中，获取风力发电机组的旋转部件的cms振动数据。
17.可以从与风力发电机组强耦合的振动状态监控系统(cms系统)中获取风力发电机组的旋转部件的cms振动数据。
18.在一些实施例中，风力发电机组的旋转部件例如可以包括但不限于轴承等。因此，在步骤s11中的获取风力发电机组的旋转部件的cms振动数据包括：获取风力发电机组的轴承的cms振动数据。但是，本发明实施例并不局限于此，在其他实施例中，风力发电机组的旋转部件还可以包括齿轮箱等。
19.在一些实施例中，在能获得风力发电机组的主控制器所提供的功率的情况下，本发明实施例的风力发电机组的旋转部件的cms振动数据可以包括分功率段的cms振动数据。其中，步骤s11中的获取风力发电机组的旋转部件的cms振动数据可以包括：获取风力发电机组的旋转部件的原始cms振动数据；获取风力发电机组的主控制器所提供的功率段；及按照采样时间点确定原始cms振动数据所对应的主控制器所提供的功率段，从而将原始cms振
动数据按照主控制器所提供的功率段划分为分功率段的cms振动数据。
20.由于风力发电机组在实际运行的过程中，外界环境的风力可能是实时变化的，因此，风力发电机组的运行状态也可能会是不同的，例如，在中高风速下，风力发电机组是以满发状态进行运转，此时，风力发电机组的振动能量大；而在低风速下，风力发电机组是以不满发状态进行运转，此时，风力发电机组的振动能量小。因此，通过将风力发电机组的旋转部件的cms振动数据对应风力发电机组的主控制器所提供的功率段进行划分，可以对风力发电机组的旋转部件的cms振动数据进行分组，例如可以将功率大的风力发电机组的旋转部件的cms振动数据分为一组，将功率小的风力发电机组的旋转部件的cms振动数据分为一组，从而，能够将风力发电机组的运行数据与风力发电机组的cms硬件二者很好地结合在一起，增加了cms硬件与风力发电机组的强耦合，提高了cms振动数据的准确性。
21.另外，对于cms系统，在功率低的状态下(称为未满发状态)会有很多的信号杂音，因此，在未满发状态下，可能会发生振动能量不够造成cms状态检测不准的情况，进而会影响采集到的cms振动数据的准确性。
22.为此，在一个实施例中，步骤s11中的获取风力发电机组的旋转部件的cms振动数据还可以包括：选取风力发电机组的额定功率70％以上功率段的cms振动数据来作为最终的cms振动数据。
23.在另一个实施例中，在能获得风力发电机组的发电机轴承的实时转速的情况下，则在选取风力发电机组的额定功率70％以上功率段的cms振动数据来作为最终的cms振动数据之前，步骤s11中的获取风力发电机组的旋转部件的cms振动数据还可以包括：获取采集原始cms振动数据时的发电机轴承的实时转速；及将对应轴承的实时转速的原始cms振动数据进行阶次跟踪处理，从而可以用来去除变转速的影响。其中，在阶次跟踪处理完之后，再选取风力发电机组的额定功率70％以上功率段的cms振动数据来作为最终的cms振动数据。
24.因此，以上通过对cms振动数据进行进一步的筛选，从而可以提高获取的cms振动数据的准确性。
25.在另一些实施例中，在无法获得风力发电机组的主控制器所提供的功率但能获得风力发电机组的发电机轴承的平均转速的情况下，本发明实施例的风力发电机组的旋转部件的cms振动数据可以包括分转速的cms振动数据。其中，步骤s11中的获取风力发电机组的旋转部件的cms振动数据可以包括：获取风力发电机组的旋转部件的原始cms振动数据；获取风力发电机组的发电机轴承的平均转速；及按照采样时间点确定原始cms振动数据所对应的轴承的平均转速，从而将原始cms振动数据按照轴承的平均转速划分为分转速的cms振动数据。
26.通常情况下，风力发电机组的发电机轴承的平均转速越大，则风力发电机组的振动越大；而发电机轴承的平均转速越小，则风力发电机组的振动越小。因此，通过将风力发电机组的旋转部件的cms振动数据对应风力发电机组的发电机轴承的平均转速进行划分，可以对风力发电机组的旋转部件的cms振动数据进行分组，例如可以将平均转速大的风力发电机组的旋转部件的cms振动数据分为一组，将平均转速小的风力发电机组的旋转部件的cms振动数据分为一组，从而，可以提高cms振动数据的准确性。
27.另外，对于cms系统，类似地，在转速低的状态下(称为未满发状态)会有很多的信
号杂音，因此，在未满发状态下，可能会发生振动能量不够造成cms状态检测不准的情况，进而会影响采集到的cms振动数据的准确性。
28.为此，在一个实施例中，步骤s11中的获取风力发电机组的旋转部件的cms振动数据还可以包括：选取风力发电机组的发电机轴承额定转速70％以上的cms振动数据来作为最终的cms振动数据。
29.在另一个实施例中，在能直接获得风力发电机组的发电机轴承的实时转速而非发电机轴承的平均转速的情况下，则获取风力发电机组的发电机轴承的平均转速可以包括：获取采集原始cms振动数据时的发电机轴承的实时转速；将对应轴承的实时转速的原始cms振动数据进行阶次跟踪处理；及在阶次跟踪处理完之后，再计算获得采样时间点的发电机轴承的平均转速。从而，可以用来去除变转速的影响，进一步提高cms振动数据的准确性。
30.在步骤s12中，将每采样时间点的多个cms振动数据转化成旋转部件每采样时间点的一个指标数据。
31.在一些实施例中，步骤s12中的将每采样时间点的多个cms振动数据转化成旋转部件每采样时间点的一个指标数据可以进一步包括步骤s121和步骤s122。
32.在步骤s121中，可以将每采样时间点的多个cms振动数据转化成旋转部件每采样时间点的一个特征数据。
33.在一个实施例中，可以采用rms(root mean square，均方根)算法来对每采样时间点的多个cms振动数据求均方根，从而可以得到每采样时间点的均方根(rms)数据，可以将每采样时间点的均方根(rms)数据作为每采样时间点的特征数据。
34.在步骤s122中，可以将特征数据进行归一化处理以得到指标数据。
35.例如，在特征数据为rms数据的情况下，则可以对rms数据进行归一化处理，即[rms-min(rms)]/[max(rms)-min(rms)]，从而可以得到归一化的指标数据。指标数据在0～1的范围内。
[0036]
由于rms数据比较稳定，因此，采用rms数据来作为特征数据，从而可以有利于获取稳定的指标数据。
[0037]
在步骤s13中，选取临近触发预警的第一报警阈值预定时段内的指标数据来训练一寿命预测模型，以得到训练后的寿命预测模型。
[0038]
在一些实施例中，本发明实施例的寿命预测模型例如可以包括但不限于holt-winters二次指数平滑法的指数模型。
[0039]
holt-winters二次指数平滑法又称holt指数平滑法或是二次指数平滑法，是对一次指数平滑进行改进，同时考虑平滑后水平平滑变化和趋势平滑变化的影响，预测未来指标数据的变化趋势。holt-winters二次指数平滑法可分为线性模型和指数模型。本发明实施例中的寿命预测模型可以选用holt-winters二次指数平滑法的指数模型。holt-winters二次指数平滑法的指数模型中的平滑方程和预测方程如以下所示：
[0040]
l
t
＝αy
t
+(1-α)(l
t-1bt-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0041]bt
＝β(l
t
/l
t-1
)+(1-β)b
t-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0042][0043]
其中，公式(1)和(2)为holt-winters二次指数平滑法的指数模型中的平滑方程，公式(3)为holt-winters二次指数平滑法的指数模型中的预测方程，0≤α≤1为水平平滑参
数，0≤β≤1为趋势平滑参数，y
t
为t时刻的指标数据，l
t
为t时刻的水平平滑值，l
t-1
为t-1时刻的水平平滑值，b
t
为t时刻的趋势平滑值，b
t-1
为t-1时刻的趋势平滑值，h为当期个数。可见，指数模型的预测值y
t+h|t
为最后时刻的水平平滑值与增加h个当期个数的趋势平滑值累乘值相乘。
[0044]
因此，可以选取临近触发预警的第一报警阈值预定时段内的指标数据来训练holt-winters二次指数平滑法的指数模型。具体地，可以将临近触发预警的第一报警阈值预定时段内的指标数据作为输入分别代入holt-winters二次指数平滑法的指数模型中，临近触发预警的第一报警阈值预定时段内的指标数据例如可以选取指标数据到达第一报警阈值前7天的数据来作为holt-winters二次指数平滑法的指数模型的输入来训练该指数模型，从而在训练的过程中输出对应的模型预测值。
[0045]
在一个实施例中，可以通过保证输入的指标数据和输出的对应模型预测值之间的误差平方和(sse)最小来优化指数模型中的水平平滑参数α和趋势平滑参数β以及水平平滑初始值l0和趋势平滑初始值b0，从而可以最终确定指数模型中的各个参数。
[0046]
在步骤s13中确定好指数模型中的各个参数，可以利用训练好的指数模型来用于旋转部件触发报警的剩余寿命。
[0047]
在步骤s14中，当某采样时间点的指标数据一达到第一报警阈值时，则启动旋转部件的剩余寿命算法，根据该采样时间点的指标数据并基于训练后的寿命预测模型来预测旋转部件触发报警的剩余寿命。
[0048]
因此，根据上面的公式(1)至(3)可以确定出当期个数h，根据当期个数h和时间步长δt可以最终确定出旋转部件触发报警的剩余寿命。旋转部件的剩余寿命为从指标数据达到触发预警的第一报警阈值的第一个时间点到指标数据达到触发报警的第二报警阈值的第一个时间点之间的时段，其中，第二报警阈值大于第一报警阈值。
[0049]
本发明实施例的旋转部件剩余寿命的预测方法能够利用获取到的旋转部件的cms振动数据来较为精确地预测出旋转部件触发报警的剩余寿命。
[0050]
图2揭示了本发明一个实施例的采用rms算法转化得到的指标数据的图示，图3揭示了本发明一个实施例的采用holt-winters二次指数平滑法的指数模型得到的模型预测值的图示。以风力发电机组驱动段轴承的真实cms振动数据为例，对本发明实施例的holt-winters二次指数平滑法的指数模型进行验证，该风力发电机组报告发电机驱动端轴承存在早中期损伤，轴电流损伤为主，轴承滚道存在搓衣板状条纹，持续缓慢劣化中(外圈故障)，结合参照图2和图3所示，风力发电机组的数据采集时间范围为2019年5月1日至2019年7月1日，共包含两个月数据。采用rms算法将每个采集时间点的多个cms振动数据转化为一个rms数据，并对rms数据进行归一化后得到的指标数据如图2和图3中的带有圆点的曲线所示，采用holt-winters二次指数平滑法的指数模型得到的模型预测值如图3中的带有小三角的曲线所示。从图2和图3可以看出，带有圆点的实际得到的指标数据与带有小三角的通过holt-winters二次指数平滑法的指数模型得到的模型预测值在指标数据达到触发预警的第一报警阈值的第一个时间点、以及在指标数据达到触发报警的第二报警阈值的第一个时间点基本吻合，因此，本发明实施例的采用holt-winters二次指数平滑法的指数模型能够较为精准地预测出旋转部件触发报警的剩余寿命。
[0051]
本发明实施例还提供了一种旋转部件剩余寿命的预测装置200，其应用于风力发
电机组。图4揭示了本发明一个实施例的旋转部件剩余寿命的预测装置200的示意性框图。如图4所示，旋转部件剩余寿命的预测装置200可以包括一个或多个处理器201，用于实现上面任一实施例所述的旋转部件剩余寿命的预测方法。在一些实施例中，旋转部件剩余寿命的预测装置200可以包括计算机可读存储介质202，计算机可读存储介质202可以存储有可被处理器201调用的程序，可以包括非易失性存储介质。在一些实施例中，旋转部件剩余寿命的预测装置200可以包括内存203和接口204。在一些实施例中，本发明实施例的旋转部件剩余寿命的预测装置200还可以根据实际应用包括其他硬件。
[0052]
本发明实施例的旋转部件剩余寿命的预测装置200具有与上面所述的旋转部件剩余寿命的预测方法相类似的有益技术效果，故，在此不再赘述。
[0053]
本发明实施例还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有程序，该程序被处理器执行时，实现上面任一实施例所述的旋转部件剩余寿命的预测方法。
[0054]
本发明实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括但不限于：相变存储器/阻变存储器/磁存储器/铁电存储器(pram/rram/mram/feram)等新型存储器、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0055]
以上对本发明实施例所提供的旋转部件剩余寿命的预测方法及其装置及计算机可读存储介质进行了详细的介绍。本文中应用了具体个例对本发明实施例的旋转部件剩余寿命的预测方法及其装置及计算机可读存储介质进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想，并不用以限制本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明的精神和原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也均应落入本发明所附权利要求书的保护范围内。