深入浅出掌握风电机组高速轴轴承故障预警方法

故障预警也可以称为先兆检测,是一种非常有价值的手段,如果做得好,可以帮助我们在早期发现问题,及时应对,降低风险和运维成本。

上面的示意图来自参考文献[1],它表达了故障预测的基本思路:

第一步:获取运行的数据,这里是高速轴承的振动测量数据;

第二步:特征提取和选择

参考文献 [1] 提到了应用一种称为 spectral Kurtosis-derived (SK) 的方法,这是一种改进的频域分析方法,它能够更有效地提取频域特征。

从工程的角度看,特征提取是非常重要的一个环节,对于轴承这种经典的部件有很多经典的方法,这里提到的 SK 分析是近期文献提及较多的一种。

第三步:训练一个回归模型

回归模型是根据提取出来的特征数据,随着时间的变化做回归训练,从而得到一个预测模型。文献[1] 提到了一种称为支持向量回归 (SVR) 的模型,它已经被提出了十几年了,非常实用,因为不需要大量的数据作训练就可以得到良好的效果。

所以,并不是什么场景下都要搞什么深度神经网络,大数据,有很多有效而又经典的数学工具可以用。

第四步:预测和评估

用上这个模型去预测设备的未来变化,并和设备实测的数据进行对比,从而根据对比的差距和预测结果进行早期故障征兆的判断。

以上是一个经典的轴承故障预警的方法过程。它的要点在于:

有效的测量数据,要有振动传感器的数据;

特征提取和选择,要有有效的算法和工程化考量;

适用的回归预测模型

它的难点在于:

测量环节是否有效实施:测量点的选择,传感器的选择等;

特征提取;

模型训练和调参;

预测结果如何反馈到决策回路中去发挥作用?

希望对大家有用,本文虽短,但写作花了好几天的时间。欢迎交流,赐教!

参考文献:Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR [1]

- https://doi.org/10.1016/j.apacoust.2017.01.005

这是一篇发表于国际学术期刊「应用声学」上的文章。

版权声明:微信公众号请按平台规则转载。微信平台以外的媒体,未经授权不得转载,已委托「维权骑士」全网维权。当然,读者朋友完全有权利转发本文到自己的朋友圈!

windfd.com - 每小时都有更新的行业资讯网站

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180103G0X45800?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码关注腾讯云开发者

领取腾讯云代金券