文摘
与机器学习技术,风力涡轮机组件可以提前发现和诊断,因此变性是可以预防的。自动和自主学习是用来预测、检测和诊断机电故障在风力涡轮机。基于机器学习算法的实现适应不同的风力涡轮机组件和缺点,本研究评估不同的方法监测、监督和故障诊断。
1。介绍
由于全球变暖,能源需求和消费的显著增加,过渡到获得电力来自可再生能源正在加速。研究人员和工程师们已经开发出了新的维护风力发电厂的具体技术作为风力发电生产近年来增长了25%左右。可靠性、安全性、效率和盈利能力的风力涡轮机可以提高先进的监控和故障诊断的方法。
在风力发电机的维护1),主要故障的方法有光谱分析和故障树,但所有的额外的技术进步,这需要连接,聪明,和数据生成,我们看到一个转换维护对人工智能(AI)和机器学习。
越来越多的行业在这一点上,可用数据影响等关键领域的关键决策调度(2),维修管理(3),和质量改进4]。
最近的事态发展在硬件、基于云的解决方案和新一代机器学习算法有放大的影响在这些领域(5]。有许多的风力涡轮机组件一起工作,和振动的主要原因之一是系统的失败。
振动通常表明机械或电相关的缺点,以及齿轮或轴承的缺陷。
滚动轴承的元素,很容易穿,因为他们的表面位置不断对负载变化,导致行为对应的速度旋转。
此外,几何缺陷或粗糙度引起振动。正常操作条件导致不仅震动还缺点喜欢室内外调心,组件失败,笼失败,不平衡,和失调。
几项研究已经在结构进行振动和旋转的机器。绝大多数的研究,研究,和结果迄今为止在该领域是基于传统的方法,即频率光谱分析,作为一种检测轴承故障由于机械振动。从研究风力发电机上执行6),似乎传统诊断技术传统上被用来检测发电机和结构的缺陷。人工智能(提供的研究和结果7机器学习),在这种情况下,表明这种方法工作和继续工作完美,但它有一定的局限性和缺点。
这个行业正在实施这种新方法。异常的机械部件的机器,可以预见,自动检测,分类符合这一系列的维护方法。关于[8),机器学习可能导致减少响应时间和一个几乎完全消除错误的可能性。
此外,根据(9)、数据管理和分析促进反馈学习,使海外实现灵活。人工智能方法保护你免受任何类型的失败,你想要监视通过分析和预防。为了实现这些方法在实际系统上没有导致代价高昂的错误,它们必须充分验证。因此方便验证故障诊断技术通过使用原型或测试的长椅。为了发展新技术,开展研究,等等,这些原型使用为了理解这些系统是如何工作的。
一个或多个风力涡轮机下降会导致相当大的损失的钱,有两个原因:首先,对更换的成本,第二,不能产生能量,而风力发电机停止,这可能发生在高峰季节能源生产。在风力发电场,修理和维护成本非常高,特别是在近海地区,故障检测和诊断技术是必要的,因为它是尽快停止机器的关键。此外,为了降低成本相关的停机时间和有缺陷的产品,它是管理维护活动效率变得越来越重要。
与现有系统相比,我们有一个原型能够检测、监督和预测故障通过算法的应用旨在使用机器学习方法和防止潜在的问题。在本文中,我们提出一个特征学习方法检测不同的轴承故障自动使用振动分析。
在本文中,我们目前的应用智能算法应用于原型的风力涡轮机的监督和诊断错误。回顾文献在下一节中给出。随后,探讨了数据采集过程和数据集。然后使用的分类器的结果评价和比较。最后,研究提出了一些相关的结论。
2。工作方法
有不同的方法来诊断和监测在风力发电机由于轴承的振动故障,获得多个特征的影响结果;因此,特征提取的一般方法轴承不一定与另一个轴承的故障特征提取,在相同或不同的方法。这项研究说明了如何使用机器学习技术可以允许更大的精度和预测可能的破损或异常通过特征提取振动测量。
2.1。机器学习
错误检测的风力涡轮机,机器学习主要集中于两个任务,第一个是异常的检测和第二个被错误的分类。利用这种技术,可以检测故障及时或预测,允许纠正措施在很短的时间,大大提高系统的可靠性和安全性(表1)。
在机器学习的世界里,有两种方法:监督和非监督。最常见的机器学习用例,到目前为止,监督机器学习(10]。与监督学习算法的输出是已知的,而非监督学习,它不是。进入,在出去的路上,你只需要弄清楚这个过程。在大多数情况下,算法是“教”的训练数据集。无监督学习,另一方面,是一个更复杂的过程,因为它只依赖于输入数据和所有计算机系统使用的二进制逻辑。
适用于任何类型的学习,数据必须先分类(11]。
不同的分类算法可以应用到这个问题,一个对象的功能,确定通过有限数量的类别或者从输入收到的信息对象类。
因此,分类器在两个阶段:(我)为了达到最佳性能,必须训练,这意味着接受大量的样本数据及其正确的分类,以调整其参数(2)当它提供的算法已经被训练,根据接收到的输入数据输出
2.2。支持向量机
支持向量机是基于统计学习理论的机器学习算法。这种方法适用于分类和回归,如故障诊断,当我们使用小样本。结果表明,线性分类器可以单独的两个简单的类。这两种样品是由三角形和正方形图表示1。两个类可以分离超平面 。在这两个类,飞机和(虚线所示)是平行的并通过最接近的样品 。利润计算之间的距离和 。在支持向量机中,线性边界被放置在两个不同的类和 。利润最大化所以泛化误差是最小的。支持向量通常用来衡量利润,包括最近的指向。
一个二次函数在线性不等式约束下最小化减少它凸优化12]。假设我们有一个训练集的样本(( ,( )), 来和代表样品的总数。为了找到分离平面最少的泛化误差的线性分离平面,我们需要确定如何将输入样本分为两类。可以将样品分为两类:三角形和正方形。一个三角形类都有一个 标签。一个正方形类都有一个 标签。对于不可分的数据,不考虑(或松弛变量 )。使用下面的优化问题,可以获得的超平面 从给定的数据: 在哪里是一个常数代表错误的惩罚。引入拉格朗日乘数法对上述优化问题导致以下结果:
使用序列最小优化算法(SMO),对偶问题,支持向量机的结果推导可以有效地解决。SMO分解一般QP问题转化为QP子问题。
2.3。 - - - - - -最近邻(资讯)
学习算法基于这些原则可以帮助用户确定数据集内的几个实例的经验类似的特征(13]。学习发生在同一时间,测试数据测试,以便从学习与训练数据而不是创建一个模型,该模型是自动创建的。懒惰的学习是这种算法的另一个名称。
其操作非常简单,对于一个给定的训练群分类的实例 ,在哪里标记的是向量的特征实例和是标签 。使用给定的距离度量,然而算法找到了最近的训练样本实例 。 这些代表了领域实例。因此,它可以计算出测试样本的标签从决策规则: 在哪里指标函数。
根据图2,通过分析非保密实例最亲密的邻居,我们可以提取它的标签。
三个基本概念构成资讯算法:测量有多少实例,分类决策规则,有多少测量实例。
3所示。系统描述
在这一节中描述的工业环境系统将操作和它包含每个组件列表。它还描述了传感器的分布。文档还讨论了数据采集卡的特点,衡量信号及其连接。
3.1。原型
如图3、小型风力发电机模型是非常有用的,为故障诊断提供有价值的数据的组件。例如,它提供的信息看恶化和磨损零件,也决定的影响(14]。为此设计的,该系统可以将部分交换没有任何困难,而不需要等待发生恶化,使测试诊断技术无需等待恶化。
3.2。分布在原型
我们测量的振动发电机,齿轮和轴承。在发电机的情况下,建议振动传感器位于输入机器的轴承,为了研究快速联轴器的振动。考虑到倍增器,根据技术用于状态监测和机器的设计,每个阶段都应该有自己的传感器,它将允许每个设备之间的信号传播的分析,以及每一部分失败如何影响机内的振动。
原型的另一个有趣的特性是它的慢轴轴承,这是理想的测量。此外,此元素可以改变为另一个完全相同的轴承,从而恶化的条件下研究使用为了研究信号的特点,在正常操作和组件本身的退化。
以下10个加速度计(图的分布4)因此决定,基于以上考虑。
3.3。数据采集卡
振动是由加速度计测量。他们跟2-pin mil - c - 5015 NI连接器适合通用加速计。采集卡pci - 4472 b (15),优化了振动测量,提供高精度的频域测量通过其八通道动态信号采集(DSA)。对加速度计和麦克风,IEPE-based信号调节集成到输入通道。同时输入信号从直流到45 kHz数码数字化在8个输入通道。对于低频交流振动测量,pci - 4472 b功能仅为0.5赫兹的截止频率。软件可以从倪是专为声音和振动测量和分析。它提供了音频测量、倍频程分析、频率分析、转换分析和订单跟踪。探索之前,采集系统依赖于两个pci - 4472 b模块因为原型共有8输入和十个加速度计。
3.4。与数据采集系统连接
国家仪器最近开发出一种PCI-type卡专门设计用于测量振动的加速度计。这张卡片可以安装类似于其他任何PCI设备。这张卡包含8输入加速度计和叫做NI pci - 4472 b。在图所示的连接5。
在图5,您可以看到3个加速度计安装在较低的卡片,而其余7安装在上卡。乘数有三个加速度计,一个轴承和两个在第一阶段(E1H和E1V),必须执行的收购比其余的要缓慢得多。
4所示。结果
我们之间做个比较传统方法和人工智能在这一节中。传统上,使用光谱分析测量振动运动。图6说明了应用经典谱分析的结果。仿真已成功执行。在图6中,您可以看到10个加速度计的输出在风力涡轮机的原型。此原型可以在5个不同的旋转速度,0至1500 rpm。在这种情况下,一个温和的速度300 rpm已经使用。平均每个传感器进行了分析,获得了5000个样本,1 kHz的采样频率是用于图形表示。
科技进步是将古典振动分析方法转变为更加自动化和精确的方法。可以跟踪风力发电机故障,预防,诊断为自动学习系统。正确的自动预测很大程度上依赖于训练算法,已经反馈,能够自主工作后通过数据分析和分类算法已经收到反馈。本节概述了基本方面的教学和训练算法,以确保可靠的结果。我们有训练算法总共八倍,我们认为足够的反馈预测。在培训期间,2分析模拟、破损(图7)和一种不平衡。
最后比较两个国家之间进行的两种分类方法,第一 - - - - - -最近邻(资讯)(图8)和支持向量机(SVM)(图9)。我们将它分成4个阶段来获取它。第一步,通过获得的数据采集卡pci - 4472 b,为后续处理和过滤。分析的稳定,必须将信号转换为非随机的东西。当机器学习算法应用到这些类型的信号,适当的调节和高效处理提取模式至关重要。这种方法功能正确,另一个关键方面是信号的时间变化很难过程和学习。算法的功能正确,信号调节和过滤的第一阶段是至关重要的。在这个第一点,信号处理算法应该这样读不变的特征。
介绍了断层和条件(我)不平衡(2)轴承断裂失效
确定每个失败的故障阈值或规定条件或条件,提取的特征必须完成。让我们更详细地检查每一个阶段。为了计算算术平均,每个获得样品的总结在一起(每个表示失败的条件)和除以总数量的样本进行了研究。然后在尺寸减少了数据集进行主成分分析。这种方法减少了变量的数量,以尽可能准确地代表旧的新变量的最小数量。我们的状态是那么理解,以及它是什么做的,帮助我们做出未来的决定。标准差每个规定的失败条件获得通过前两个阶段的结果。中给出的数据演示变化或分散。每个州的标准差相对较低,这意味着大多数的点是接近的意思是,这意味着它应该正常工作。
这两个分类器使用这些三个阶段。在接下来的阶段,两种方法的两种算法发挥作用以分类数据。这发生在数据已经正确地条件。
整个过程后,算法几个训练轮,从而使未来的证券自营。该算法经过几个培训准备工作;它只需要新的数据。特殊的这些新数据帮助分析和分类预测过程控制。
这是每个国家的崩溃。第一次的失败是由于不平衡,这两个分类器跟随或多或少相同的模式,但在这种情况下,支持向量机算法,结果是有点过时了关于他们的反馈,由于限制用于这种情况。最后,失败是发现由于轴承座圈的破损;两种算法不再以同样的方式表现。资讯的数据分析了分组比支持向量机;这是由于不同的方法分类和分析数据,因为他们不遵循一定的模式。
此外,两种算法有良好的准确性和相似的实际和预测输出提出失败条件。可以看出两个分类器的结果相似,差别并不是很大。
例如,让我们专注于不平衡变量。在96%的情况下,这个变量是正确分类,而在4%的情况下,这是不正确的分类。具体地说,超过90%的真阳性发现,只有不到10%的假阳性。支持向量机(SVM)产生了95%的成功率,而资讯达到94%。因此,资讯和支持向量机学习算法被认为有很多相似之处与我们的风力涡轮机原型,让我们准确预测何时涡轮机将会失败。
5。结论
机器学习是提高风力涡轮机故障检测的可访问性和可靠性,监视和诊断。数据采集和分类的成功和正常运行是至关重要的人工智能。由于振动的分析和使用人工智能技术,本文研究几种方法在风力发电机轴承故障的诊断和预防。从理论和实践的角度来看,我们已经总结了轴承故障诊断的基于资讯和支持向量机模型。这两个模型特性高处理速度、健壮性和很高的精度优势特别是对这种研究。等传统方法,光谱分析,被他们的优势以及流离失所的易于分类和预测。这种方法已被证明是非常成功的在预测失败条件规定,允许它适用于其他机械部件的原型,目的是预防或预测可能的风力涡轮机故障。一个原型实现模拟典型的风力涡轮机故障更换破损的部件与其他缺陷或磨损的。故障诊断的新方法可以评估和监督,发展,与这些研究和验证的可能性。因此非常有用的使用原型设计的风力涡轮机为了测试诊断算法,在大功率风力发电机安装前的阶段,以降低成本和时间,并进行必要的验证、调整和修正,从而增加其准确性和可靠性。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。