基于运行数据分析的风机组故障诊断和故障预警研究

发布时间：2025-07-19 04:48

　　近年来,由于环境污染和能源短缺等问题的出现,世界各国纷纷加大了对风力发电技术的研究力度,风力发电产业也因此得到了飞速发展。随着老旧风机数量的不断增多,风机组故障频率也逐渐增加。风机组故障的频繁发生会严重降低风机组的发电效率,同时会给风电场造成巨大的经济损失。现有的风机运维方式主要分为事后维护和定期维护两种。事后维护方式较为被动,需要耗费大量的时间和人力去定位故障部件和故障类型。定期维护的方式比较僵化,容易出现故障窗口期和维护窗口期不一致的情况,浪费人力物力。因此,如何利用好现有的监控与数据采集(Supervisory Control And Data Acquisition,SC AD A)系统对风机组进行精确的故障诊断和及时的故障预警对于提高风机运维效率和降低风场故障损失具有重要的现实意义。为了对风机组故障进行精确诊断,本文设计了一种基于ReliefF算法和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)算法的风机组故障诊断方法。首先,该方法以风机组不同工作状态下的SCADA系统记录为输入,采用ReliefF算法计算出各个观测特征的权重并从中选择出与...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景与研究的目的和意义
    1.2 研究现状分析
        1.2.1 风机组故障诊断研究现状
        1.2.2 风机组故障预警研究现状
    1.3 论文主要研究内容
    1.4 论文组织结构
第2章 风机知识介绍与相关算法分析
    2.1 风机组结构介绍与故障分析
        2.1.1 风机组结构介绍
        2.1.2 风机组故障分析
    2.2 相关算法原理分析
        2.2.1 ReliefF特征选择算法原理分析
        2.2.2 皮尔逊相关系数原理分析
        2.2.3 XGBoost原理分析
        2.2.4 SVM与AdaBoost介绍
    2.3 本章小结
第3章 风机组故障诊断算法设计与实现
    3.1 风机组故障诊断研究切入点
    3.2 风机组故障诊断算法分析
        3.2.1 算法概述
        3.2.2 ReliefF特征选择
        3.2.3 XGBoost故障多分类模型
    3.3 算法应用与结果分析
        3.3.1 算法应用
        3.3.2 结果分析
    3.4 本章小结
第4章 风机组故障预警算法设计与实现
    4.1 风机组故障预警研究切入点
    4.2 风机组故障预警算法分析
        4.2.1 算法概述
        4.2.2 皮尔逊相关系数确定部件温度相关特征
        4.2.3 基于XGBoost的温度回归预测模型
        4.2.4 滑动窗口阈值与风机故障判定
    4.3 算法应用
        4.3.1 发电机故障预警
        4.3.2 齿轮箱故障预警
    4.4 结果分析
    4.5 本章小结
第5章 结论与展望
    5.1 结论
    5.2 展望
参考文献
致谢
攻读学位期间发表的学术成果
学位论文评阅及答辩情况表



本文编号：4058011