大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用
故障诊断大数据分析提升设备故障诊断与维护效率
故障诊断大数据分析提升设备故障诊断与维护效率近年来，随着大数据技术的不断发展与应用，其在各个领域都发挥着重要作用。
在工业生产领域中，设备故障对生产效率的影响不容忽视。
为了提高设备故障诊断与维护的效率，故障诊断大数据分析逐渐成为一种有力的工具和方法。
本文将探讨大数据分析在设备故障诊断与维护中的应用，以及其对效率提升的影响。
一、大数据分析在设备故障诊断中的应用设备故障诊断一直是生产过程中一个重要的环节。
传统的诊断方法通常基于专家经验和规则，并且对于大规模设备，通常需要耗费大量的时间和人力。
而利用大数据分析技术，可以更快速、准确地诊断设备故障，并且可以迅速发现设备故障的隐藏规律。
1. 故障数据采集与处理大数据分析需要在设备中引入传感器和监测设备，实时采集设备的运行数据和故障信息。
这些数据需要经过预处理和清洗，以确保其准确性和可用性。
同时，对于大规模设备，数据量巨大，需要通过合适的存储和管理方法进行处理和存储。
2. 数据挖掘与特征提取通过挖掘大数据中的隐藏信息和规律，可以提取出设备故障的特征。
这些特征可以包括设备的振动频率、温度波动、声音频谱等等，通过对这些特征的分析，可以发现设备故障的前兆和关联关系，从而实现故障的早期预警和准确诊断。
3. 故障预测与分类通过大数据分析，可以建立起设备的故障预测模型，并对设备进行分类。
通过比对设备的历史数据和大规模设备的数据，可以准确地预测设备未来可能出现的故障，并做出相应的维护和处理。
同时，对于相似类型的故障，可以通过数据分析建立分类模型，以便在遇到这类故障时能够快速定位和解决。
二、大数据分析对设备故障诊断与维护效率的提升利用大数据分析进行设备故障诊断与维护可以带来许多好处，从而提高效率。
1. 提高故障诊断的准确性通过大数据分析，可以对设备的整体运行状态进行全面监测和分析，不仅能够快速诊断设备故障，还能够找出故障发生的原因。
与传统的维修方法相比，大数据分析技术能够更准确地定位故障，避免误判和漏判，并且能够对多个设备同时进行故障诊断。
基于大数据技术的电力系统故障诊断与预测
基于大数据技术的电力系统故障诊断与预测随着电力系统的规模和复杂性不断增长，故障的诊断和预测对于保证电力系统的稳定运行和安全性具有重要意义。
基于大数据技术的电力系统故障诊断与预测可以有效地提高故障检测精度和预测准确性，减少电力系统故障带来的损失。
首先，基于大数据技术的电力系统故障诊断是通过收集、存储和分析大量的电力系统数据来实现的。
这些数据包括电力设备的工作参数、运行状态、环境条件等。
通过大数据分析和挖掘，可以建立电力设备的工作模型，检测异常数据，并及时发出警报。
这种方法可以对电力系统的故障进行快速定位和识别，减少故障处理的时间和成本。
其次，基于大数据技术的电力系统故障预测可以提前发现潜在的故障风险，并采取相应的预防措施。
通过分析历史的电力系统数据，结合机器学习和人工智能算法，可以建立电力设备的故障预测模型。
这样，当电力系统出现异常情况时，系统可以通过实时监测数据与预测模型进行对比，判断故障的发生概率，并提出相应的应对方案。
这种方法可以大大减少故障带来的损失，提高电力系统的可靠性和稳定性。
此外，基于大数据技术的电力系统故障诊断与预测还可以优化电力系统的运行效率。
通过对电力系统数据的分析，可以识别出系统在特定条件下的优化策略。
例如，根据电力需求和节能要求，可以实时调整电力设备的运行参数，以最小化能源消耗和损失。
同时，通过分析电力设备的健康状况和工作条件，可以制定合理的维护计划，延长电力设备的寿命。
综上所述，基于大数据技术的电力系统故障诊断与预测是提高电力系统运行稳定性和安全性的重要手段。
通过收集、存储和分析大量的电力系统数据，可以实现故障的快速定位和识别，提前预测潜在的故障风险，并优化电力系统的运行效率。
这些方法能够降低故障带来的损失，提高电力系统的可靠性和可持续发展能力。
因此，大数据技术在电力系统故障诊断与预测方面具有广阔的应用前景。
风电机组齿轮箱在线振动监测系统开发
1引言随着我国风电设备制造技术的不断发展和装机容量的持续增加，风力发电已经成为支撑我国电力事业发展的重要组成部分。
齿轮箱是风电机组的关键部件之一，由于风力无规律的变向变负荷和强阵风冲击的影响，相对于通用齿轮传动机构，风电机组的齿轮箱负载复杂、传递功率大、变速比高、故障率高[1]。
特别是随着风电机组运行年限不断增长，其故障率不断上升，维护维修困难，这严重影响了风电场的发电效率和效益。
所以，通过安装在线振动监测系统，及时发现齿轮箱的潜在故障，防止损伤扩大，对于保证风电机组的正常运转与开展计划性维修和维护具有重要的现实意义[2]。
本文利用大数据处理技术，在振动数据分析的基础上，开发了一套风电机组齿轮箱运转状态在线监测系统。
该系统可以实现齿轮箱故障诊断，也可以根据历史数据对潜在的故障进行预警，以便风电场工作人员有针对性地开展运维工作[3,4]。
2齿轮箱的结构及常见故障风力发电的过程是风作用到叶片上，驱动风轮旋转，旋转的风轮带动齿轮箱的主轴转动从而将动能输送到齿轮箱。
齿轮箱将输入的大扭矩、低转速动能转化成低扭矩、高转速的动能，通过联轴器传递给发电机[5]。
发电机将输入的动能最终转化为电能，最后经变频处理后输送到电网。
齿轮箱一方面作为动力传动装置，将风轮的动能传递给发电机的转子；另一方面将风轮的低转速提升到发电机能够正常工作所需要的额定高转速。
所以，齿轮箱是风电机组传动链中重要的机械部件。
目前，大型风电机组的齿轮箱普遍采用一级行星和两级平行轴的三级传动方式，以满足传动比要求。
某风电场风电机组齿轮箱的结构示意图如图1所示[6]。
其中，z 表示各齿轮的齿数，用于计算齿轮啮合频率。
由于齿轮箱的长期高负荷、高冲击、高扭矩运转，其故障率相对较高，较为常见的故障包括齿轮故障（断齿、胶合、点蚀）、轴承故障（轴承过热，轴承内圈、外圈、保持架、滚子损伤、配合处间隙过大）、轴不对称、不平衡等。
风电机组齿轮箱常见故障分析如表1所示[7]。
风力发电机组的故障预警与诊断技术
风力发电机组的故障预警与诊断技术随着全球气候变化的加剧和对环境保护的呼吁，风力发电逐渐成为全球清洁能源的主流之一。
风力发电可以减少二氧化碳排放，减少对化石燃料的依赖，是清洁、可再生的能源之一。
但是，风力发电机组的可靠性和稳定性一直是发电厂运行过程中的关键问题之一。
风力发电机组存在着各种故障，如轴承损坏、齿轮损坏、电缆老化等，这些故障会导致风力发电机组的停机维修或延长维修时间，对电网的稳定性和风电场的经济效益造成不良影响。
因此，如何通过故障预警和诊断技术，提高风力发电机组的可靠性和稳定性，具有重要的现实意义。
1.故障预警技术故障预警技术可以及时发现风力发电机组故障，减少深度维修次数和停机时间，保障风力发电机组的可靠性和稳定性。
目前常用的故障预警技术有三种：机械故障预警、振动分析和温度监测。
（1）机械故障预警机械故障预警是通过机械信号诊断风力发电机组机械故障的技术。
机械信号包括包括转矩、转速、电流等，这些信号反映了风力发电机组的运行状态和机械状态。
通过采集和分析机械信号，可以对机械故障的类型、位置和严重程度进行预测和判断，提前预警，避免故障的发生。
（2）振动分析振动分析是通过振动信号检测和分析风力发电机组振动情况，判断故障位置、类型和严重程度的技术。
风力发电机组在运行过程中，由于各种原因可能产生机械振动。
通过振动传感器采集振动信号并对其进行分析，可以判断设备是否存在振动异常，了解故障的严重程度和位置，并进行预警和维修。
（3）温度监测温度监测是通过温度传感器检测风力发电机组各个部件的温度情况，判断故障位置和类型的技术。
温度监测可以及时发现线圈、齿轮箱和轴承等的异常温度，预测设备的热危险，提前预警和维修。
2.故障诊断技术故障诊断技术是对风力发电机组故障类型、位置和原因进行深入分析和判断的技术，在故障的发生和解决过程中起到了至关重要的作用。
目前常用的故障诊断技术有三种：声音识别技术、图像处理技术和人工智能技术。
风力发电机组故障诊断与预测技术研究
风力发电机组故障诊断与预测技术研究1. 引言风力发电作为一种清洁、可再生的能源形式，被广泛应用于全球范围内。
然而，风力发电机组的运行不可避免地会遇到各种故障，给项目的稳定运行和维护带来了挑战。
因此，研究风力发电机组故障诊断与预测技术，对于提高风力发电系统的可靠性和经济性具有重要意义。
2. 风力发电机组故障诊断技术2.1 传统诊断方法传统的风力发电机组故障诊断方法主要依靠人工巡检和实时监测，存在着人力成本高、诊断准确性低等问题。
因此，发展自动化、智能化的故障诊断技术势在必行。
2.2 基于机器学习的故障诊断技术机器学习技术近年来在故障诊断领域取得了巨大的发展。
通过收集大量的风力发电机组工作状态数据，利用机器学习算法可以建立故障分类模型，实现对故障的准确识别和分类。
2.3 基于振动信号的故障诊断技术风力发电机组在正常运行过程中会产生振动信号，在故障发生时振动信号会发生变化。
因此，通过分析风力发电机组振动信号的特征参数，可以实现对故障的早期诊断和预测。
3. 风力发电机组故障预测技术3.1 基于时间序列的故障预测技术时间序列是描述随机现象在时间上的变化规律的一种数学模型。
通过对风力发电机组历史运行数据进行时间序列分析，可以预测未来可能发生的故障情况。
3.2 基于神经网络的故障预测技术神经网络是一种模拟人脑信息处理机制的数学模型，对于非线性的模式识别和预测问题具有良好的效果。
通过构建适应风力发电机组故障预测的神经网络模型，可以实现对故障的准确预测。
3.3 基于数据挖掘的故障预测技术数据挖掘技术可以通过对风力发电机组历史数据的挖掘和分析，寻找隐藏在数据中的规律和关联性。
通过数据挖掘技术可以建立故障预测模型，实现对未来可能发生的故障进行预测。
4. 风力发电机组故障诊断与预测技术的应用案例研究4.1 案例一：XX风场风力发电机组故障诊断与预测利用机器学习算法和风力发电机组振动信号特征参数分析，对XX风场的风力发电机组进行故障诊断与预测，提出了针对性的维护方案，取得了良好的效果。
风电场设备智能监测与故障预警研究
风电场设备智能监测与故障预警研究随着风电行业的快速发展，风电场设备的智能监测和故障预警越来越受到关注。
通过大数据分析和智能监测技术，可以实时监测风电机组的运行状况，及时预警故障，提高风电场的可靠性和经济性。
一、风电场设备智能监测的意义目前，风电场的设备监测主要采用定期巡检和维修方法，这种方法不仅费时费力，而且容易忽略一些小问题，最终导致设备的故障甚至报废。
智能监测技术的引入，能够实时监测设备的运行状况，精确预测设备的寿命和故障点，及时进行维护和更换，提高设备的可靠性和可用性，降低运维成本，增加风电场的发电量和经济效益。
二、风电场设备智能监测的技术原理风电场设备智能监测的核心技术是大数据分析和机器学习。
通过采集风电机组的各项运行数据，例如转速、振动、温度、压力等，将数据传输到云端进行处理和分析，通过建立机器学习模型，进行预测和判断。
智能监测系统还可以通过传感器、摄像头等设备实现对设备外观及周边环境的监测，如果发现异常情况及时报警并处理，避免设备故障。
三、风电场设备故障预警的应用案例某风电场通过引入智能监测系统，成功实现对45台风电机组的实时监测。
系统不仅可以监测风电机组的运行状况，还可以进行实时故障预警。
在一个风电机组出现异常轴承频率的情况下，智能监测系统能够在轴承故障前一个月就进行预警。
经过维修后，该风电机组的故障率明显下降，发电量提高了2.6%，经济效益得到了显著提升。
另外，机器学习算法还可以根据历史运行数据，预测设备的寿命和维修周期，提前做好维修计划，降低维修成本。
四、风电场设备智能监测的未来趋势随着物联网技术的发展，智能监测系统将越来越成熟，监测精度也将越来越高。
同时，智能监测还将向更加自主化和智能化的方向发展，系统将会自主识别故障、自主维修和自主保养，全面提高设备的可靠性和可用性，降低运维成本。
另外，近年来，越来越多的风电场开始采用虚拟现实技术来进行风电场设备的运维培训和监测。
虚拟现实技术可以模拟各种场景，让运维人员更好地认识设备，提高运维效率。
大数据技术在故障诊断中的应用探究
大数据技术在故障诊断中的应用探究近年来，随着工业自动化与信息技术的不断发展，各行各业对于设备故障诊断的要求也越来越高。
而随着大数据技术的应用和普及，人们不断探索如何利用大数据技术来提高设备故障诊断的精度和效率。
一、大数据技术在故障诊断中的优势大数据技术相对于传统的诊断方法，具有以下优势：1. 数据来源全面大数据技术可以从多种数据源收集数据，如传感器、控制器、仪表、智能设备等。
这些不同的数据源可以提供多方面的信息，帮助系统全面分析设备的运行状态。
2. 数据处理快速大数据技术可以很快地对海量数据进行处理和分析，提供实时结果。
这在故障发生时，可以为人们提供及时的故障预警和快速的故障诊断服务。
3. 可以进行更深度的分析大数据技术可以利用数据挖掘、机器学习等工具对数据进行更深度的分析。
这样可以从数据的更深层次上发现故障的根本原因。
二、大数据技术在故障诊断中的应用场景大数据技术在故障诊断中有很多应用场景，如下：1. 设备健康监测通过对设备的多种数据进行监测和分析，可以实时监控设备的状态，及时发现设备存在的问题并预防故障的发生。
例如，在电力系统中，通过对发电机的多种数据进行分析，可以实现发电机的早期故障诊断和健康监测。
2. 故障诊断大数据技术可以通过对故障数据的分析来诊断故障原因。
例如，在工业自动化系统中，可以利用多传感器数据进行故障诊断，判断故障原因并定位故障地点。
实现故障快速解决。
3. 故障预测通过对设备的历史数据进行分析，可以预测设备发生故障的概率，提出预防故障的方案。
例如，在交通运输系统中，可以利用车辆数据历史记录，预测车辆的故障概率，提出保养计划，保障车辆的正常运行。
三、大数据技术在故障诊断中的应用案例1. 工业自动化系统工业自动化系统中往往存在多种设备，传统的故障诊断方法需要对每个设备进行单独分析，工作效率低下。
而大数据技术可以实现对整个系统的故障分析，同时也可以将数据分解成每个设备的数据进行分析，提高故障诊断精度。
风电机组状态监测及大数据分析
风电机组状态监测及大数据分析作者：刘珍城来源：《科技信息·中旬刊》2017年第03期摘要：在能源结构调整与转型背景下，风力发电的发展速度不断加快，属于目前比较主要的发电方式。
通常，风电场的位置比较偏远，运行条件差，较易发生运行故障，影响风电机组运行的安全性与可靠性。
为避免故障的发生，还需要动态的监测风电机组的运行状态，并利用大数据技术，分析数据反映出来的状况，预判潜在故障，及时的预防，避免故障的发生。
本文在分析风电行业应用大数据技术的基础上，基于大数据分析，探讨风电机组状态的监测评估，旨在为实际状态监测工作提供参考。
关键词：风电机组；状态监测；大数据；分析前言：近年来，我国不断的增加风电机组，一定程度上促进了风电行业的发展，但由于风电机组运行期间频繁的发生故障，导致运维成本较高，甚至使风电行业的可持续发展受到限制。
为将风电机组运行时的故障发生率降低，还需要利用大数据技术，全面的监测、分析风电机组的运行状态，预防故障的发生，提高风能利用率，促进风电行业的良好发展。
1风电行业应用大数据技术的作用随着大数据技术的发展，其应用领域逐渐拓宽，并应用到风电行业中。
风电行业中应用大数据技术后，能源电力系统中纳入大数据技术及天气建模技术，促进风力发电可靠性极大的提高。
以往，风电机组运行时，采用的风能预测手段准确性较低，当风能无法贡献其与其功率时，后备电力要选择火电，由此一来，后备电站建设中需要花费较多的资金。
不过，大数据技术与天气建模技术应用后，能够综合考虑多种变量，如风向、降雨量、温度等，使风能资源预测精确度得到提高，而且可明显的提高风电行业的经济效益。
风电场运维管理是风电企业管理工作的重要内容之一，应用大数据技术后，运维人员可集中监控风电机组的运行状态，任何一台风电机组的运行数据与历史信息均能随时获得，之后与专家知识等相关信息相结合，对检修计划做出合理的调整，预测性维修风电机组，避免故障的发生，促进风电场运维流程从根本上改变，实现运维管理工作的标准化与专业化。
大数据处理技术在风电机组故障诊断及预警中的应用
大数据处理技术在风电机组故障诊断及预警中的应用发布时间：2023-02-01T01:52:37.610Z 来源：《科学与技术》2022年第16期8月作者：程成郭加旗霍金龙[导读] 近十年来，我国风电进入快速发展时期，装机容量和并网发电量不断攀升，截至2021年底，风电装机容量突破3亿kW大关。
随着我国风电规模的不断扩大，风电机组越来越先进，其机械构成越来越精密，各零部件之间的耦合也越来越复。
程成郭加旗霍金龙摘要：近十年来，我国风电进入快速发展时期，装机容量和并网发电量不断攀升，截至2021年底，风电装机容量突破3亿kW大关。
随着我国风电规模的不断扩大，风电机组越来越先进，其机械构成越来越精密，各零部件之间的耦合也越来越复。
其一旦发生故障，必将带来巨大的损失与维修成本。
传统的维护维修手段一般分为两种，一种是产生故障之后进行维修，一种是定期的经常性的进行停机检修。
这两种维护方法均存在一定缺陷，前者存在维护滞后与维护不足的问题，一旦发生故障其后果往往是巨大的、难以挽回的；后者则存在维护过剩的缺陷，容易造成人力与物力的无意义浪费。
因此，近年来风力发电机组的故障诊断与状态预测逐渐受到国内外学者的广泛关注。
同时风力发电机组一旦产生故障，其在维修方面的成本管控尤为重要。
本文主要对大数据处理技术在风电机组故障诊断及预警中的应用进行论述，详情如下。
关键词：大数据处理技术；风电机组；故障诊断；预警引言风电项目是国家大力提倡和扶持的新能源项目，通过风能发电来增强新能源的利用,是建设节能高效型社会,促进绿色经济转型和增长，缓解能源矛盾的重要举措。
当前，我国已经将风电项目的发展范围拓展至了更广泛的地区，风电电能也开始在社会生产生活中发挥出重要的作用。
在风电生产传输过程中，设备的稳定性、可靠性会对风电生产质量与效率产生直接的影响。
尤其是风电机组传动系统的故障诊断与排除工作至关重要。
1大数据在风力发电机组成本管控方面的优势大数据时代的到来必将带来风力发电机组全系列运营的深刻变化，除了故障的诊断与状态的预测，大数据同样可以应用于风力发电机组的故障维修成本运营。
风力发电增速齿轮箱的振动信号处理和故障诊断算法
风力发电增速齿轮箱的振动信号处理和故障诊断算法引言随着风力发电行业的迅速发展，风力发电机组在电力产业中扮演着重要角色。
然而，由于工作环境恶劣且处于长期运行状态，风力发电机组的齿轮箱常常会出现故障。
通过对齿轮箱振动信号进行处理和故障诊断算法的开发，可以实现对风力发电机组的实时监测和准确的故障诊断，进一步提高风力发电机组的可靠性和可用性。
一、风力发电机组的齿轮箱振动信号处理风力发电机组的齿轮箱振动信号包含丰富的故障信息，如齿轮损伤、轴承故障等。
处理振动信号的主要目标是提取有用的故障特征信号，并降低其他噪声干扰。
1. 振动信号采集与预处理振动信号的采集是故障诊断的基础。
通过安装合适的振动传感器，可以实时监测风力发电机组的齿轮箱振动信号。
在采集信号之前，需要对信号进行预处理，如滤波去除高频噪声、降采样等，以提高信号的质量和信噪比。
2. 振动信号的时频分析时频分析可以将振动信号从时域转化为频域，提供更多关于故障特征的信息。
常用的时频分析方法包括短时傅里叶变换（STFT）、小波变换等。
通过对振动信号进行时频分析，可以得到故障频率、能量分布等特征。
3. 特征提取与选择从时频分析的结果中提取和选择适合故障诊断的特征。
常见的特征包括频谱特征、统计特征、时域特征等。
特征提取的目的是将原始信号映射到一个低维空间，保留关键信息，并减少噪声和冗余信息的影响。
二、风力发电机组齿轮箱的故障诊断算法基于振动信号处理的齿轮箱故障诊断算法可以实现对风力发电机组的实时监测和故障诊断，及时发现和预测潜在故障。
1. 基于模式识别的故障诊断算法模式识别技术在故障诊断领域有着广泛应用。
通过构建合适的特征向量和分类模型，可以对齿轮箱振动信号进行分类识别，判断是否存在故障。
常用的模式识别算法包括支持向量机（SVM）、人工神经网络（ANN）等。
2. 基于机器学习的故障诊断算法机器学习算法可以通过学习振动信号的模式和规律，实现自动化的故障诊断。
常用的机器学习算法包括决策树、随机森林、深度学习等。
风电机组在线监测与故障诊断系统在风电场运维中的应用效果评估
风电机组在线监测与故障诊断系统在风电场运维中的应用效果评估随着可再生能源的快速发展，风力发电已成为全球范围内主要的清洁能源之一。
然而，风力发电设备在运行过程中常常面临着各种故障和异常情况，给运维工作带来了极大的挑战。
为了最大程度地提高风力发电设备的可靠性和可用性，近年来，风电机组在线监测与故障诊断系统开始在风电场运维中得到广泛应用。
本文将评估该系统在风电场运维中的应用效果。
风电机组在线监测与故障诊断系统是一种基于物联网技术的智能管理系统，通过实时监测和分析风力发电设备的运行状态，能够及时发现设备的异常情况，并对故障进行诊断。
该系统主要由传感器、数据采集器、数据处理平台和故障诊断算法组成。
首先，风电机组在线监测与故障诊断系统能够实现对风力发电设备的实时监测。
传感器可以采集设备的振动、温度、电流、电压等关键参数，并将数据传输给数据采集器。
监测系统通过数据处理平台对这些数据进行实时的分析和处理，能够准确地了解设备的运行状况。
当设备发生故障或异常时，系统能够自动发出警报，通知工作人员进行相应处理。
这种实时监测的能力可以极大地节省人力和时间成本，提高运维效果。
其次，风电机组在线监测与故障诊断系统具备故障诊断的能力。
系统通过与历史数据和故障数据库的比对分析，能够根据设备的异常行为准确地诊断故障类型和原因，并给出修复建议。
这种自动化的故障诊断与分析能够有效地指导运维人员进行维修和维护工作，提高故障处理效率和设备稳定性。
此外，通过系统对故障数据的记录和分析，可以识别和预测设备的寿命和潜在故障，有效地规避设备的损坏和停机。
再次，风电机组在线监测与故障诊断系统通过数据分析提供设备运行情况的综合评估。
该系统能够对设备的运行状况、性能指标进行实时监测和分析，生成相应的报告和统计数据。
基于这些数据，管理人员可以评估设备的可靠性、可用性和维护水平，并根据评估结果优化风电场的运维策略和计划。
这种综合评估的能力可以帮助管理人员更好地了解设备的健康状况和运行情况，提前预防和处理潜在问题，保证设备的持续运行和发电能力。
基于工况细化条件下数据统计分析的风电机组齿轮箱油温故障预警方法
基于工况细化条件下数据统计分析的风电机组齿轮箱油温故障预警方法发布时间：2021-06-23T02:00:17.791Z 来源：《中国电业》（发电）》2021年第5期作者：刘洋[导读] 当前国家对于新能源的开发非常重视，特别是风力发电的发展，由于风力发电多建立在一些环境较为恶劣的地方，因此对其进行维护时比较困难。
本文探讨风机齿轮箱进行阶段性机会的维护，能够平衡维护不足、过度维护的相关问题。
内蒙古龙源蒙东新能源有限公司内蒙古赤峰 024000摘要：力发电是全球最早亦最多利用的新能源发电方式之一。
而在全球大型并网型风电机组中，双馈风力发电机组占整个风力发电机组的比重超过70%。
齿轮箱是双馈发电机组重要的增速结构，其结构紧凑，部件繁多，并且长期处在变转速、变载荷的工作状态，易发生齿轮表面磨损、点蚀等故障，严重时会造成设备失效和损毁。
虽然齿轮箱故障占整机故障的比率不高，但由于维修复杂造成故障停机时间较长，导致风电场的经济损失非常大。
因此，开展风电机组齿轮箱状态监测研究，提前预知齿轮箱的健康度水平，对于迅速定位故障信息、确认检修方式、合理安排机组检修、降低机组故障和电量损失是风电运营商和风电机组制造商都十分关注和亟待解决的问题。
关键词：风电机组；齿轮箱；故障预警；正常行为模型；工况细化引言当前国家对于新能源的开发非常重视，特别是风力发电的发展，由于风力发电多建立在一些环境较为恶劣的地方，因此对其进行维护时比较困难。
本文探讨风机齿轮箱进行阶段性机会的维护，能够平衡维护不足、过度维护的相关问题。
1风电机组齿轮箱油温故障预警方法风电场常见的固定阈值预警方法与风机主控的故障报警逻辑相类似，这种方法不能有效适应风机工况的复杂变化，无法准确识别齿轮箱油温的劣化特征。
对此，运用非线性状态评估（NSET）和多变量状态评估（MSET）算法，构建风机正常运行时的多参数时序记忆矩阵模型，通过监测预测结果残差的异常变化来达到齿轮箱温度异常预警的目的。
风电机组故障预警系统数据处理方法
风电机组故障预警系统数据处理方法风电机组故障预警系统数据处理方法风电机组故障预警系统是一种用于监测和预测风电机组故障的系统，它能够根据机组的数据提前发现潜在故障，并及时采取措施进行维修，从而提高风电机组的可靠性和稳定性。
下面是一个风电机组故障预警系统数据处理的步骤：1. 数据收集：首先，系统需要收集风电机组的运行数据，这些数据包括风速、温度、振动等参数。
这些数据可以通过传感器等设备实时获取，并传输到系统中进行处理。
2. 数据清洗：在数据收集阶段，由于各种原因，数据可能存在错误或异常值。
因此，需要对数据进行清洗，去除无效的数据，并修复或替换异常值，以确保数据的准确性和可靠性。
3. 数据分析：在数据清洗完成后，可以对数据进行分析。
数据分析的目的是发现数据中的模式和趋势，以及与机组故障相关的特征。
常用的数据分析方法包括统计分析、时间序列分析和机器学习等。
4. 特征提取：在数据分析的基础上，可以提取与机组故障相关的特征。
这些特征可以是风速的变化模式、温度的波动程度、振动的频率分布等。
特征提取的目的是将原始数据转化为更具有故障预测能力的特征向量。
5. 模型建立：在特征提取阶段，得到了含有故障特征的数据集。
接下来，可以利用机器学习等方法建立预测模型。
预测模型可以根据机组的特征向量预测机组是否会发生故障，并给出故障发生的概率。
6. 故障预警：当模型建立完成后，可以使用该模型对新的数据进行预测。
根据预测结果，系统可以及时发出故障预警，通知相关人员进行维修和处理，以防止故障进一步发展。
7. 模型优化：随着时间的推移，风电机组的运行状态可能会发生变化，因此预测模型也需要进行优化。
可以根据新的数据对模型进行训练和更新，以提高模型的准确性和稳定性。
总结起来，风电机组故障预警系统的数据处理方法包括数据收集、数据清洗、数据分析、特征提取、模型建立、故障预警和模型优化等步骤。
这些步骤可以帮助系统准确地监测和预测风电机组的故障，从而提高风电机组的可靠性和稳定性。
基于大数据分析的风电机组运行状态评估及故障诊断
基于大数据分析的风电机组运行状态评估及故障诊断摘要：目前风电行业，随着风电机组运行年限增加，大量的风电机组超出质保期，其安全隐患不断增加、造成运维的成本不断升高，使得风电场的经济效益严重下降。
因此，为保证风电机组健康安全运行和降低风场运维成本等方面考虑，研发基于大数据分析的大型风电机组运行状态评估及故障诊断技术已成为风电行业亟待解决的课题。
关键词：风电机组；大数据；状态评估；故障诊断风电机组是集多种电气、控制和机械等子系统为一体的非线性、强耦合机械设备，不同子系统的部件之间的联系和耦合极其紧密，任何某一部件发生故障，如果不及时诊断排除，通过部件之间的层层级联与相互不断耦合的放大作用，将进一步发生严重故障，从而导致风电机组故障停机，给电力设备的安全稳定运行带来严重威胁。
而且机组一旦发生故障，由于事前对机组的健康信息掌握不充分，受天气状况和地理位置影响，造成故障事后维修工作难度大、停机时间长、维修成本高等经济损失加重。
因此，通过基于风电机组的 SCADA 系统监测数据、振动系统监测数据、生产运行和管理数据等大数据应用分析，判断其健康状况，诊断潜藏性故障，对降低运行维护成本，提高机组的运行效率和可靠性，已成为我国风电行业亟待解决的关键问题。
1风电机组的主要故障类型1.1齿轮箱故障齿轮箱是风电系统中故障率最高的部件，且造成停机时间较长，包含齿轮、滚动轴承和轴等部件，其常见的故障主要为齿轮和滚动轴承的故障。
近年来，新投产风电机组普遍都配备了振动监测系统。
当齿轮或滚动轴承存在局部缺陷时，其振动信号中含有丰富的信息。
通过有效提取信号的特征，一般可以较为准确地诊断出缺陷种类及所处的部位。
1.2发电机故障目前风电系统采用的发电机型主要有双馈异步电发机、笼型异步发电机和永磁同步电发机。
由于承载发电机的机舱处于几十米的高空，发电机长期运行于交变工况和恶劣的电磁环境中，极易发生故障。
常见的故障有轴承故障、短路故障、转子偏心故障等。
多元数据融合技术在风电机组故障诊断中应用研究
多元数据融合技术在风电机组故障诊断中应用研究摘要：近年来随着风电机组向着大单机容量和适于恶劣环境的方向发展，潜在具有耦合特性的故障发生的概率也就随之增大。
多元数据融合技术应用在风电机组故障诊断中可显著提高机组故障诊断的准确性。
本文首先概述了基于多元数据融合的风电机组故障诊断的研究情况，然后介绍了多元数据融合技术的提出及关键问题，接着针对多元数据融合模型的不同层次，介绍了风电机组故障诊断的多元数据融合技术的研究现状，最后探讨了基于多元数据融合的风电机组故障诊断的可行性方案。
关键词：风电机组；多元数据融合；故障诊断；研究现状1 引言面对全球能源短缺、环境污染形势日趋严峻、节能减排要求日益提高的背景下，风能作为一种新兴的清洁能源，正逐渐为人们所重视和广泛接受。
然而由于风电机组运维和管理水平的不足和滞后性使得风电机组事故频频，无形中提高了风电机组的运营成本。
另外随着机型向着大单机容量和适于恶劣环境的方向发展，由于机组运维不当造成巨大经济损失的案例更加突出。
随着科技的不断进步，设备结构变得日益复杂，组成部件间的关联性与耦合性不断增强，设备运行数据中涵盖的信息不断增多，应用传统的单一类型监测技术，无法全面提取运行数据中的全部内容。
所以，多数据类型的传感器监测技术在现代设备中的应用越来越广泛[1]。
多元数据融合技术通过对被监测设备各类型的数据进行同步采样，通过对每个数据进行进一步的解析，寻找到各类数据特征之间的对应关系，全面解析设备运行状态的成因。
完成对设备运行状态的监测、分析、评估、预测等工作[2]，保证风电机组设备的经济性、安全性和可靠性等方面具有深远意义。
2 基于数据融合的风电机组故障诊断研究的提出与关键问题2.1 多元数据融合技术基本原理数据融合方法主要基于对设备运行特点全面透彻的分析，尽可能的寻找与设备工作相关的所有信息，最大程度的通过各类型传感器，收集实际运行数据，在层次分明，逻辑清晰的推理机制下，通过人机交互或智能解析的方法，实现对被监测设备运行状况全面、客观的描述与解释[4]。
大功率海上风电机组发电机齿轮箱集成关键技术及应用
大功率海上风电机组发电机齿轮箱集成关键技术及应用随着全球环境问题的日益突出，清洁能源的发展日益受到重视。
风能作为一种环保、可再生的能源资源，在能源领域具有巨大潜力。
海上风电作为风能的重要开发领域，具有更大的风能获取空间和更稳定的风速特点，因此备受关注。
在海上风电机组中，发电机齿轮箱作为核心部件之一，其性能对整个风电机组的运行稳定性和可靠性至关重要。
本文将重点探讨大功率海上风电机组发电机齿轮箱集成的关键技术和应用。
一、大功率海上风电机组发电机齿轮箱集成技术的意义和挑战大功率海上风电机组发电机齿轮箱的集成技术是针对当前海上风电发展面临的一系列技术挑战而提出的，主要包括以下几个方面：1. 提高整机功率密度和轴承寿命：随着风电机组的单机容量不断增加，传动系统的功率密度和轴承寿命等性能指标要求也相应提高。
集成化设计可以实现更紧凑、更轻量的结构，提高功率密度和延长轴承寿命。
2. 降低成本和提高可维护性：发电机齿轮箱作为海上风电机组的重要部件之一，维护和更换成本较高。
通过集成化设计，可以降低制造成本，降低维护成本，并提高可维护性。
3. 提高系统运行可靠性：海上风电机组的运行环境复杂，受海洋环境的影响较大。
齿轮箱作为一个重要的传动部件，其可靠性对整个风电系统的稳定运行至关重要。
集成化设计可以提高系统运行可靠性，降低故障率。
二、大功率海上风电机组发电机齿轮箱集成技术的关键技术1. 高强度、高精度齿轮设计：齿轮是发电机齿轮箱的关键部件，直接影响传动系统的性能。
采用高强度、高精度的齿轮设计，可以实现更小体积、更高功率密度的齿轮箱，提高传动效率和可靠性。
2. 高性能轴承技术：齿轮箱的轴承是保证传动系统正常运行的关键部件，其性能直接影响了整个齿轮箱的可靠性。
采用高性能轴承技术，可以提高轴承的承载能力和寿命，降低维护成本和提高系统可靠性。
3. 高效密封技术：海上风电机组作为一个特殊的使用环境，其齿轮箱需要具备良好的防水、防腐蚀性能。
运行机理与数据双驱动的风电齿轮箱系统故障预警
第３４卷第１２期中国机械工程V o l ．３４㊀N o ．１２２０２３年６月C H I N A M E C HA N I C A LE N G I N E E R I N Gp p．１４７６Ｇ１４８５运行机理与数据双驱动的风电齿轮箱系统故障预警蒙㊀康１㊀滕㊀伟１㊀彭迪康１㊀向㊀玲２㊀柳亦兵１１．华北电力大学电站能量传递转化与系统教育部重点实验室,北京,１０２２０６２．华北电力大学河北省电力机械装备健康维护与失效预防重点实验室,保定,０７１００３摘要:传统基于机器学习的风电齿轮箱故障预警模型往往仅从数据着手分析数据与故障的映射关系,在参数和模型结构选择上缺少物理依据,导致模型的可解释性和泛化能力不强.从风电齿轮箱的结构和实际运行控制方式出发,分析了运行机理与对应的数据采集与监视控制系统数据的关系,定性地给出了齿轮箱典型故障发生时运行数据的变化趋势,然后根据数据分布变化规律选择参数和模型,建立了一系列基于单分类支持向量机的风电齿轮箱系统故障预警模型.实验结果显示各模型能够准确定位风电齿轮箱系统故障,具有清晰的物理意义.关键词:风力发电机;故障分析;故障诊断;故障检测;运行机理分析中图分类号:T K ８３D O I :１０．３９６９/j ．i s s n ．１００４ １３２X．２０２３．１２．０１０开放科学(资源服务)标识码(O S I D ):O p e r a t i n g M e c h a n i s ma n dD a t aD r i v e nA p pr o a c h f o rF a u l tA l a r mo f W i n dT u r b i n eG e a r b o xS ys t e m s M E N G K a n g １㊀T E N G W e i １㊀P E N G D i k a n g １㊀X I A N GL i n g ２㊀L I U Y i b i n g１１．K e y L a b o r a t o r y o f P o w e r S t a t i o nE n e r g y T r a n s f e rC o n v e r s i o na n dS ys t e m (N o r t hC h i n aE l e c t r i c P o w e rU n i v e r s i t y ),M i n i s t r y o fE d u c a t i o n ,B e i j i n g,１０２２０６２．H e b e iK e y L a b o r a t o r y o fE l e c t r i cM a c h i n e r y He a l t h M a i n t e n a n c e&F a i l u r eP r e v e n t i o n ,N o r t h C h i n aE l e c t r i cP o w e rU n i v e r s i t y ,B a o d i n g,H e b e i ,０７１００３A b s t r a c t :T r a d i t i o n a lm a c h i n e l e a r n i n g m e t h o d sw e r eu s e d i n f a u l t e a r l y w a r n i n g o fw i n d t u r b i n e g e a r b o x e s ,t h e m o d e l s w e r eu s u a l l y d e s i g n e do n l y b y s t u d y i n g t h er e l a t i o n s h i p b e t w e e nd a t aa n d f a u l t s ,a n d t h e s e l e c t i o no f p a r a m e t e r sa n d m o d e l s t r u c t u r ew e r e l a c ko f p h y s i c a l b a s i s ,r e s u l t i n g i n p o o r i n t e r p r e t a b i l i t y a n dw e a k g e n e r a l i z a t i o n c a p a b i l i t i e s o f t h em o d e l s ．T h e s t r u c t u r e a n d a c t u a l o pe r Ｇa t i o nc o n t r o lm o d e of t h ew i n d t u r b i n eg e a r b o xw e r e s t u d i e d ,th e r e l a ti o n s h i p b e t w e e n t h eo pe r a t i o n m e c h a n i s ma n dt h ed a t ao fc o r r e s p o n d i n g s u p e r v i s o r y c o n t r o l a n dd a t aa c q u i s i t i o ns y s t e m w a sa n a Ｇl y z e d ,a n d t h e o p e r a t i o n d a t a c h a n g e t r e n dw a s g i v e n q u a l i t a t i v e l yf o l l o w e d b y d e t e r i o r a t i o n o f t h e t y pＧi c a l g e a r b o x f a u l t s ．F i n a l l y ,a s e r i e s o f o n e Ｇc l a s s s u p po r t v e c t o rm a c h i n e (O C S VM )b a s e dm o d e l sw e r e c o n s t r u c t e d a c c o r d i n g t o c h a n g e l a wo f t h ed a t ad i s t r i b u t i o nt or e a l i z e t h ee a r l y f a u l tw a r n i n g o f t h e w i n d t u r b i n e s g e a r b o x s y s t e m s ．E x p e r i m e n t s a l r e s u l t s s h o wt h a t a l l o f t h e p r o p o s e dm o d e l sm a yl o c a t e t h e f a u l t p o s i t i o n s o f t h ew i n d t u r b i n e g e a r b o x s y s t e m s ,w h i c hh a s c l e a r p h y s i c a l s i gn i f i c a n c e ．K e y wo r d s :w i n d t u r b i n e ;f a i l u r e a n a l y s i s ;f a u l t d i a g n o s i s ;f a u l t d e t e c t i o n ;o p e r a t i n g m e c h a n i s m a n a l ys i s 收稿日期:２０２２０８０６基金项目:国家自然科学基金(５１７７５１８６)０㊀引言双碳 的战略目标促使具有清洁㊁可再生特点的风力发电再次迎来了飞跃式发展,风电机组的单机设计容量和总装机容量也逐年攀升[１].然而,由于风电设备运行环境恶劣,地处海洋或偏远地区的高空,机组中各部件的故障率较高,从而严重影响了发电效率.齿轮箱是双馈型风力发电机中三大系统(叶片㊁齿轮㊁发电机)之一,它的主要功能是将来自叶轮的低速旋转机械能提升到适合发电的高转速机械能并输送给发电机,从而达到减少发电机的极对数,降低发电机体积和变流器功率的目的.据研究,双馈型风力发电机的变流器功率可以仅为机组功率的三分之一,远小于直驱型风电机中所需的全功率变流器功率,但同时由于设计㊁材料㊁制造㊁装配㊁运行过程中存在挑战,增速齿轮箱是风电机组中故障发生造成停机时间以及维修成本最高的部件之一[２],因此,对风电齿轮箱开展状态评估与预测预警是保证风电机组稳定可靠运行的有效途径.６７４１ Copyright ©博看网. All Rights Reserved.以机器学习和深度学习为代表的故障预警方法在风电齿轮箱中应用广泛.王佳松等[３]利用极限梯度提升树X G B o o s t 算法构建了齿轮箱的温度预测模型,特征选择时通过各特征与目标参数的皮尔逊相关系数来决定,实验结果显示X G ＧB o o s t 算法的预测精度优于梯度提升决策树(G B ＧD T )㊁随机森林(R F )㊁K 最近邻(K N N )和人工神经网络的预测精度.符杨等[４]用径向基函数(R B F )网络来进行曲线拟合,以解决普通反向传播神经网络容易陷入局部最优的问题,在数据处理上首先用皮尔逊相关系数筛选参数,之后用m a x Ｇm i n 标准化生成灰度图片再输入网络,提出用循环生成对抗网络来丰富样本标签,在样本不足的齿轮箱故障案例中成功检测出故障.S U等[５]对齿轮箱状态进行建模时,在数据特征提取阶段加入了自注意力机制,之后利用门循环单元提取信号的时间信息,在实际故障检测和状态预测上取得了较好的结果.X I A N G 等[６]在处理数据采集与监视控制(s u p e r v i s o r y co n t r o l a n dd a t a a c qu i s i t i o n ,S C A D A )系统数据时使用卷积网络提取特征,为解决长时间的双向信息提取问题又引入了双向门循环单元网络,并在风电齿轮箱故障案例中得到了验证.P A N G 等[７]在使用卷积网络提取参数特征时受到谷歌V １模型[８]的启发,使用多尺度的卷积核配合前馈网络进行特征提取,将采集到的S C A D A 信息按时间堆叠,用多尺度卷积核的特征提取器提取特征之间的信息,之后利用长短时记忆(L S T M )网络进一步整合时间信息.风电齿轮箱在追求高功率密度的同时,其结构变得较为复杂,且实际运行工况多变,安装在外表面的振动传感器采集到的信号容易受其工况以及其他邻近部件的影响,常见的基于S C A D A 数据的故障诊断方法中,特征选择阶段依赖于特征选择算法,如降维[９Ｇ１１]㊁模型嵌入[５Ｇ７,１２Ｇ１３]㊁模型选择[１４Ｇ１５]等方法自动筛选所需特征,此类智能算法虽然在执行中节省了人为选择特征的成本,但也降低了模型与诊断结果的可解释性,加大了调参和模型泛化的难度,因此本文提出了一种基于齿轮箱系统运行机理和运行数据双驱动的故障诊断方法.首先从齿轮箱系统的结构出发,分析物质流和能量流的流动规律,结合齿轮箱冷却润滑过程,分析齿轮箱系统中各个关键部件的运行状态以及与之对应的参数变化规律,再利用运行数据建立基于运行机理的数据驱动模型,运用单分类支持向量机进行建模,从数据分布的角度弱化运行工况影响.实际风电机组故障案例分析验证了本文方法的有效性,并且参数可视化结果也证明了模型的可解释性.１㊀风电齿轮箱结构及故障机理１．１㊀基本结构齿轮箱在运转时需要传递巨大扭矩,齿轮和轴承工作在重载条件下,因此冷却和润滑是维持齿轮箱持续稳定运行的关键.某型号齿轮箱冷却润滑系统如图１所示,润滑油从齿轮箱油池被油泵加压后经过过滤器过滤,之后经过温控阀,当油液温度比较低时,油液不经过冷却器冷却而直接图１㊀齿轮箱冷却润滑系统结构示意图F i g ．１㊀S c h e m a t i c d i a g r a mo f g e a r b o x c o o l i n g l u b r i c a t i o n s ys t e m７７４１ 运行机理与数据双驱动的风电齿轮箱系统故障预警蒙㊀康㊀滕㊀伟㊀彭迪康等Copyright ©博看网. All Rights Reserved.流到分配器,然后到达各个润滑点.当油液温度逐渐升高达到一定温度后,有部分油液流经外部冷却器进行冷却后,再回到分配器去往各个润滑点,润滑油最终回到油池,完成一次循环.在这个循环中包含着物质流和能量流的流动,即杂质和磨损碎屑随着润滑油一并流动并在过滤器中被过滤掉,齿轮啮合和轴承摩擦产生的热量被润滑油吸收并在冷却器中被排出到环境中.１．２㊀故障机理由于润滑油在循环过程中有着较明确的物质流和能量流路径,可以认为一旦齿轮箱及其冷却润滑系统出现故障,将打破这种物质和能量流动平衡,从而在油路循环路径各个关键部件传感器测点上发生一定变化.齿轮箱常见的故障类型有齿轮机械故障㊁轴承损坏㊁过滤器堵塞㊁温控阀失灵㊁油泵损坏等.齿轮机械故障如轮齿断裂㊁齿面点蚀㊁齿面变形等,一般是负载频繁变化㊁齿形误差㊁安装误差㊁润滑不足等原因造成的,当轮齿出现以上问题时,齿面接触状态发生变化,随着机组的持续运行轮齿间相互碰撞摩擦会产生大量的热且伴随着碎屑剥落,导致后续金属碎屑逐渐在过滤器堆积引起过滤器滤芯堵塞,润滑油流量变小,从而使油泵出口压力升高,齿轮箱进口油压却降低,另外齿面碰摩产生的大量热难以随润滑油有效排出,造成齿轮箱油池温度升高,附带齿轮箱高速轴轴承的温度也有所升高.如果此时冷却器正常工作,则齿轮箱进口油温有所上升或在小范围内波动.齿轮箱各级轴轴承的故障类型有内圈故障㊁外圈故障㊁滚动体故障和保持架故障,无论哪种故障,除了轴承的振动响应发生改变外,最显著的故障表征为轴承发热量增加.风电齿轮箱中高速轴的转速最大,最容易发生故障.以高速轴轴承对为例,当高速轴某个轴承发生故障时,该轴承的发热量增加,而另一轴承运行状态没有太大变化,发热量正常,与齿轮故障中的碰摩发热相比,轴承滚动的摩擦因数远小于齿面啮合的摩擦因数,因此故障导致的发热量没有齿轮机械故障多,对油路循环中后续部件的影响较小.齿轮箱过滤器堵塞的直接原因是润滑油中杂质或机械故障产生的碎屑堵住了滤芯网眼,从而导致油路流量下降,滤芯前后压力差增大,各润滑点油量不足,齿轮和轴承工作产生的热量也就不能有效排出,导致齿轮箱油池温度和高速轴轴承温度有所上升.温控阀的功能是控制油路的流动路径,当油液温度较低时润滑油不经过冷却直接去到各个润滑点,当温度逐渐升高到一定值时,温控阀开始工作,有部分油液流经冷却器后再在分配器与未冷却部分汇合,然后去到各个润滑点.随着油液温度的升高,分配到冷却器的油液流量越来越大,当所有油液都流经冷却器再回到分配器时,冷却器全功率工作.因此,当温控阀失灵时,油液无法被分配到冷却器进行冷却,热量累积无法排出,油路循环中各处油液保持较高温度,然而给润滑油降温的冷却水温度却比较低.油泵相关故障包括油泵电机损坏㊁油泵联轴器损坏㊁油泵电机控制器损坏等,油泵的功能是给润滑油提供压力和流速,当油泵不工作时润滑油停止循环,齿轮箱长时间运行在缺少润滑油的状态下将严重损坏各个运动部件,加速齿轮和轴承磨损,引起其他更严重的故障.油泵停止工作时,润滑油油路各部分压力下降,齿轮箱内油池温度以及各轴承温度逐渐上升,齿轮箱冷却水温度主要受坏境温度影响.以上分析了齿轮箱及其冷却润滑系统中的典型故障以及发生机理,结合S C A D A系统的测点位置进一步分析可以得出不同故障类型的故障表征.表１总结了这五种典型故障发生时各个测量参数的变化情况.表１㊀齿轮箱及其冷却润滑系统典型故障导致的参数变化情况T a b．１㊀P a r a m e t e r c h a n g e s c a u s e db y t y p i c a l f a u l t so f g e a r b o x s y s t e m故障类型油池温度高速轴轴承温度油泵出口油压力冷却水温度进口油温度进口油压力齿轮机械故障ʏ(ɿ)ʏ(ɿ)ңʏʏң高速轴轴承故障ʏʏ(两端差异大)(ɿ)ңңңң滤芯堵塞故障ʏʏʏ(ɿ)ңңˌ(ɿ)温控阀故障ʏ(ɿ)ʏңң(ɿ)ʏ(ɿ)ң油泵故障ʏʏˌ(ɿ)ңʏˌ(ɿ)㊀注:表中箭头表示当对应故障发生时参数的变化趋势, ʏ 表示测量值会上升, ˌ 表示测量值会下降, ң 表示测量值按原先规律变化,无上升或下降趋势;齿轮箱高速轴轴承温度包含两个参数,分别为齿轮高速轴驱动端轴承温度和齿轮高速轴非驱动端轴承温度.８７４１中国机械工程第３４卷第１２期２０２３年６月下半月Copyright©博看网. All Rights Reserved.分析结果显示,随着故障程度的加深,润滑油路循环中某一位置的参数会随之发生变化,例如齿轮的机械故障:故障发生前期,齿轮箱油池温度㊁齿轮箱高速轴轴承温度㊁齿轮箱冷却水温度以及齿轮箱进口油温会上升,但齿轮箱油泵出口油压力和齿轮箱进口油压力不会有明显变化;故障发生中后期,机械故障导致的金属碎屑逐渐增多并逐渐堵塞过滤器滤芯,这时油路上各个参数表现出滤芯堵塞的形式,即齿轮箱油池温度㊁齿轮箱高速轴轴承温度及齿轮箱出口油压力会上升,齿轮箱进口油压力下降,而齿轮箱冷却水温度和齿轮箱进口油温度基本没有变化.基于这种故障演变规律,为了更敏锐地诊断出对应部件的健康状态,本研究仅关注部件发生初期故障时油路循环中变化最明显的参数,以此作为监测对象.表１中箭头符号后的 ɿ 表示该故障类型中变化最明显的参数,这些对应参数将作为后续诊断模型的输入特征.２㊀模型原理与算法框架２．１㊀模型选择及原理风电机组的运行环境复杂多变,风速风向时刻在变化,此外环境温度也随昼夜和季节的变化而变化,进而给S C A D A数据引入了复杂的工况信息,加大了故障预警的难度.为了减少运行工况的影响,避免复杂的模型结构和调参压力,本文使用单分类器作为故障诊断模型,按照１．２节中的分析,故障的发生发展在数据上的表现为故障数据沿着某个方向开始变化,故障样本点逐渐偏离正常样本点簇.直观地说,即将所有正常状态下数据集作为一种类型即正常数据,使用正常数据训练计算出正常数据的边界,该边界为样本点的正常阈值,当某一个状态点不在已知正常数据集里时即可认为是异常点,且离正常数据的边界越远认为异常程度越高.支持向量机(s u p p o r t v e c t o rm a c h i n e,S VM)是一种理论基础强㊁效果稳定的机器学习方法,具有泛化能力强㊁训练速度快㊁抗噪性能好㊁全局最优等优点.单分类支持向量机(o n e c l a s s s u p p o r t v e c t o rm a c h i n e,O CＧS VM)[１６]以S VM为基础,是一种无监督的异常检测算法,算法思路是:在特征空间中寻找到一个决策超平面,使绝大部分目标样本位于该超平面远离原点的一侧,当测试的样本位于决策超平面远离原点的一侧时被判定为正常样本,否则被判定为异常样本[１７].对于给定的训练数据集X＝{x１,x２, ,x n}ɪR mˑn(X为包含n个m维特征的数据样本), O CＧS VM算法的目标是在特征空间中寻找一个分类超平面,尽量将用于训练的正常样本集与原点分开,且使该超平面与原点之间的距离最大.问题可用以下二次规划描述:m i n１２ w ２s．t．(w x i)ȡρ㊀㊀i＝１,２, ,n}(１)式中,x i为样本特征;i为样本索引;w为参数;ρ为与原点的距离.过于严格的限制条件会使决策边界形状复杂,容易导致过拟合,因此在决策边界附近可以允许一定的误分类点存在,引入松弛变量ξi来控制误分类点对目标函数的影响,用ν来控制训练过程中异常点占总样本数量的上限,ν取值范围为(０,１].进一步地,为了扩展O CＧS VM模型的性能,可以采用核方法来解决线性不可分问题,即当标签为正常的样本跨越原点时,无法通过简单的一次超平面将样本点与原点分隔开,此时将样本通过非线性变换φ映射到某个高维的特征空间xңφ(x),使样本在高维特征空间里与原点线性可分.引入软间隔和核方法后的O CＧS VM算法二次规划可表示为m i n１２ w ２＋１νnðn i＝１ξi－ρs．t．(w φ(x i))ȡρ－ξi㊀㊀ξiȡ０}(２)核函数是一系列设计好的函数,能够用原始数据计算高维空间中点的乘积而无须将数据进行实际高维映射.对式(２)构建拉格朗日方程后得到其优化问题的对偶形式,此时的优化问题可描述为m i n１２ðn i,j＝１αiαj k(x i,x j)s．t．ðiαi＝１㊀㊀０ɤαiɤ１νnüþýïïïï(３)本文使用的核函数为高斯核函数,表达式为k(x i,x j)＝e x p(－ x i－x j ２/c)(４)O CＧS VM算法具有成熟的理论基础,计算结果稳定.在当前任务中,需要调整的超参数只有两个,即误差限ν和核函数中的参数c,本文案例中ν取０．０３,c取输入特征数的倒数.２．２㊀算法流程由故障机理分析获得了风电齿轮箱各重要子部件的故障表征和相应故障发生时其主要参数的变化趋势和方向,基于这种先验知识选择单分类支持向量机作为故障诊断模型,原因在于其诊断９７４１运行机理与数据双驱动的风电齿轮箱系统故障预警 蒙㊀康㊀滕㊀伟㊀彭迪康等Copyright©博看网. All Rights Reserved.方法可以直观感受到数据分布的变化,可解释性和鲁棒性强.图２展示了齿轮箱及其冷却润滑系统故障诊断流程,分为训练和测试两个阶段.图２㊀故障检测算法流程图F i g ．２㊀A l go r i t h mf l o wc h a r t o f t h e f a u l t d e t e c t i o n ２．２．１㊀训练阶段在训练阶段,针对特定风电齿轮箱子系统的诊断模型,首先获取该子系统健康运行时期的S C A D A 数据,删除掉诸如功率小于等于０㊁风速小于等于０等非工作状态数据.在初步删除机组不工作时期数据后,基于风速划分的四分位法进一步清洗各个风速段中显著偏离的数据[１８],即统计每个小风速段(本文取每０．５m /s 为一个风速段)中功率的第一分位点和第三分位点,当功率值比第一分位点小１．５倍分位距或比第三分位点大１．５倍分位距时删除该数据点.清洗好的数据按表１筛选特定诊断模型的故障表征参数,将其代入单分类支持向量机进行训练,训练得到正常数据的决策边界.实际采集的压力数据通常在０~２０b a r(２M P a )之间,温度在０~７０ħ之间,两者数量级在同一水平,因此不考虑对数据进行归一化.２．２．２㊀测试阶段在测试阶段,测试数据首先经过与训练阶段一致的清洗过程,与训练阶段不同之处在于进行四分位法清洗时每个风速段的第一分位数㊁第三分位数和分位距来自训练阶段健康数据的统计结果.将清洗好的数据代入模型,计算每个样本点x i 与决策边界的欧氏距离作为状态指标θi .为预防随机突变异常值的影响,测试样本的状态指标按时间顺序进行指数加权移动平均平滑,平滑公式如下[１９]:y i ＝(１－λ)y i －１＋λθi (５)其中,y i 为第i 个值的平滑结果;λ为平滑系数,一般取０．２,λ越小表示y i 受θi 的影响越小,平滑效果越好.为增强模型鲁棒性,当样本点远离决策边界一定距离后才认为该样本点是异常点,统计训练阶段正常数据的状态指标,用下式划定状态指标阈值T [１９]:T (i )＝y －＋３σ[１－(１－λ)２i]λ/(２－λ)(６)y －＝１n ðni ＝１y i (７)σ＝(１n ðni ＝１(yi －y －))１/２(８)式中,y －为健康数据状态指标均值;σ为正常样本状态指０８４１ 中国机械工程第３４卷第１２期２０２３年６月下半月Copyright ©博看网. All Rights Reserved.标标准差.当测试样本的状态指标超过阈值时被标记为异常状态点.式(６)其实是统计分析中的３σ法则,其中σ[１－(１－λ)２i]λ/(２－λ)为指数加权移动平均值的标准差,可见T 为动态阈值,与样本长度有关,本文取T (n )为固定阈值,n 为正常样本数量.将平滑后的状态指标与状态指标阈值进行对比,如果超出阈值则标记为异常状态点.然后将每１０m i n 一个点的标准S C A D A 数据状态指标用取均值的方式聚合,每小时聚合成一个点,在机组正常工作情况下每天可以获得２４个聚合的状态指标.最后在进行预警决策时,对当前时刻点按时间顺序向前回溯２４个聚合的状态指标,如果２４个状态指标中有连续１２个以上的点被标记为异常点,则认为诊断的部件发生了故障并发出警报.３㊀故障案例３．１㊀齿轮箱机械剥落故障案例数据来自某海上风电场５MW 双馈型风电机组的S C A D A 数据,数据时间跨度为２０１８年４月至２０１９年１２月,每１０m i n 记录一条数据.根据风场维修工单记录,在５２号机组２０１８年１０月１２日进行振动测试时,发现齿轮箱高速轴振动值超出G L 设计标准[２０],对齿轮箱高速轴修形后,振动值减小,并于１０月１３日更换了齿轮箱高速轴.此前２０１８年９月１７日更换主齿轮箱油泵过滤器滤芯时,从更换下的滤芯上发现不明异物,检查滤芯本身无明显损坏,齿轮箱未见异常.由于齿轮箱内为密闭空间,滤芯上的异物仅可能来自齿轮箱系统本身,以上两条记录时间间隔不到一个月,因此推断齿轮箱高速轴异常振动使相关部件发生碰摩,碰摩掉落的碎屑导致滤芯堵塞,即存在机械剥落.在整理该机组维修记录时发现,２０１９年１月１日至２０１９年９月１日之间未出现与齿轮箱相关的故障,因此取这段数据作为训练数据,依照本文所提的诊断流程,绘制出全部数据的状态指标值如图３所示.从图中可以看到,在２０１８年１０月１２日之前该机组齿轮箱的状态指标远超出阈值４．５８,而在更换高速轴后状态指标断崖式回落,此后指标值一直维持在阈值以下.为验证２０１８年９月１７日的滤芯堵塞是由高速轴异常振动引起的,选取相同的数据区间作为正常数据对该机组的滤芯进行建模,诊断结果如图４所示.可以看到２０１８年９月１７日更换滤芯图３㊀齿轮箱机械剥离故障诊断结果F i g ．３㊀D e t e c t i o n r e s u l t c h a r t ofm e c h a n i c a l s p a l l i n go f g e a r b o x f a u l t图４㊀齿轮箱过滤器堵塞故障诊断结果F i g ．４㊀D e t e c t i o n r e s u l t c h a r t o f f i l t e r ja m s f a u l t o f ge a r b o xf a u l t 后其状态指标在短暂回落之后急剧上升,直到１０月１３日更换齿轮箱高速轴后状态指标回归正常并保持在阈值内.图３和图４状态指标同步变化证明了以上推测,也验证了１．２节中齿轮箱机械剥落故障演变规律的正确性.３．２㊀齿轮箱高速轴轴承故障根据表１,齿轮箱高速轴轴承的故障诊断模型可以用高速轴轴承驱动端和非驱动端温度的相对大小来进行诊断,本案例的数据来源为某风场２．５MW 双馈型风电机组实际运行数据,数据跨度为２０１８年４月至２０２１年４月.本故障案例的维修记录为:２０１８年１０月１３日,８号机组齿轮箱高速轴后轴承在线振动检测超标,通知厂家到场检查,确认为高速轴后轴承损坏,需更换轴承.取２０２０年１月１日至２０２１年４月１５日期间的数据作为训练数据,训练并测试模型,结果如图５所示.以模型诊断状态异常与否为标签,绘制出高１８４１ 运行机理与数据双驱动的风电齿轮箱系统故障预警 蒙㊀康㊀滕㊀伟㊀彭迪康等Copyright ©博看网. All Rights Reserved.图５㊀齿轮箱高速轴轴承故障诊断结果F i g ．５㊀D e t e c t i o n r e s u l t c h a r t o f g e a r b o xh i g h Ｇs pe e d s h af t b e a r i n gs f a u l t 速轴轴承驱动端和非驱动端的散点图(图６),可以发现异常点与正常点在分布上区别明显,整体上后轴承(非驱动端)的温度高于前轴承(驱动端)的温度,所以判定为后轴承出现了故障.图６㊀高速轴轴承故障中正常数与异常数据对比散点图F i g ．６㊀C o m p a r i s o n s c a t t e r f i gu r e o f n o r m a l d a t a a n d a b n o r m a l d a t a o f g e a r b o xb e a r i n g fa u l t ３．３㊀齿轮箱滤芯堵塞故障另一个滤芯堵塞相关故障案例的数据与３．２节案例数据来源于同一风电场,记录显示,４６号机组长期报出齿轮箱压差高警报,压差报警频繁,更换压差发讯器后恢复正常.图７显示了压差发讯器前后状态指标的变化情况,由图８可以看到,当过滤器堵塞或与过滤器相关器件发生故障时,在相同油泵出口压力下,齿轮箱进口油压偏小,故障数据向右下偏移.本节案例与３．１节案例的机组类型不同㊁数据来源不同,但在模型不做任何调整的情况下成功应用并检测出了故障,说明了本文方法具有较强泛化能力.３．４㊀齿轮箱温控阀故障齿轮箱温控阀故障案例与３．２节案例数据来源于同一风电场,３０号机组在２０１９年３月１０日图７㊀齿轮箱滤芯堵塞故障诊断结果F i g．７㊀D e t e c t i o n r e s u l t c h a r t o f g e a r b o x f i l t e r f a u lt 图８㊀齿轮箱滤芯堵塞故障正常异常数据对比图F i g ．８㊀C o m p a r i s o n s c a t t e r f i gu r e o f n o r m a l d a t a a n d a b n o r m a l d a t a o f ge a r b o xf i l t e r f a u l t 发现齿轮箱轴承超温故障,维修人员判断温控阀损坏,进行更换温控阀后观察数据正常,机组恢复正常运行.当温控阀发生故障时齿轮箱内油液不能随温度变化而自动分配进行散热,如图９所示,异常数据的油池温度和齿轮箱进口油温偏高,基本在６０ħ以上,而本该发挥散热作用的冷却水温度却图９㊀温控阀故障中正常数据和异常数据对比散点图F i g ．９㊀C o m p a r i s o n s c a t t e r f i g u r e o f n o r m a l d a t a a n d a b n o r m a l d a t a o f t e m pe r a t u r e c o n t r o l v a l v ef a u l t２８４１ 中国机械工程第３４卷第１２期２０２３年６月下半月Copyright ©博看网. All Rights Reserved.。
大数据分析师在故障诊断与领域的应用案例分析
大数据分析师在故障诊断与领域的应用案例分析随着信息化时代的到来，大数据分析在各个领域中的应用也日益广泛。
在故障诊断领域，大数据分析师的角色变得尤为重要。
本文将通过分析几个实际案例，探讨大数据分析师在故障诊断领域的应用。
案例一：电力设备故障诊断在电力行业中，设备故障可能导致电力供应中断，给用户和企业带来巨大损失。
传统的故障诊断方法通常是通过手动巡检、设备记录等方式来判断设备是否存在故障。
然而，这种方法耗时耗力，并且容易忽略或误判一些微小的故障信号。
大数据分析师的角色在于通过对大规模的电力设备数据进行收集和分析，建立故障预测模型。
他们可以通过数据挖掘技术和机器学习算法，对设备运行数据进行监测与分析，识别出潜在故障的特征，并及时预警。
同时，他们还可以将历史的故障数据与实时采集的数据进行比对，进一步优化故障诊断算法，提高故障诊断的准确性和效率。
案例二：交通运输系统的故障排除交通运输系统是现代城市中不可或缺的一部分，任何意外的故障都可能导致交通瘫痪和安全隐患。
传统的交通故障排除通常通过人工巡检和摄像头监控来发现问题。
然而，这种方法受限于人力和感知能力，容易出现漏检或误判的情况。
大数据分析师在交通运输系统中的应用，在于通过对交通传感器数据的实时监测和分析，实现对交通状况的精准预测和异常排查。
他们可以利用大数据处理技术和模式识别算法，准确分析交通信号数据、车辆定位数据等，实时监测出交通拥堵、交通事故等故障情况，并及时采取相应的措施进行疏导和排除故障点。
案例三：制造业设备故障诊断制造业中的设备故障可能导致生产线停机和产品质量问题。
传统的设备维护和故障诊断方法通常是定期保养和人工巡检，这种方法效率低下，且无法预测设备故障。
大数据分析师的角色在于通过对设备传感器数据和生产数据的收集与分析，实现对制造设备故障的智能预测和监测。
他们可以利用大数据分析平台和机器学习算法，建立设备故障预测模型，并根据实时数据对设备进行实时监测。
基于数据驱动的风力发电机组故障诊断与预测研究
基于数据驱动的风力发电机组故障诊断与预测研究近年来，风力发电已经成为全球可再生能源发展的重要领域之一。
然而，由于大规模风力发电机组在长期运行过程中可能会遇到各种故障，及时准确地进行故障诊断和预测对于确保风力发电机组可靠运行和降低维护成本至关重要。
基于数据驱动的方法为风力发电机组的故障诊断和预测提供了可行的解决方案，它通过利用大量的运行数据进行模型建立和分析，能够实现准确判断和提前发现故障风险。
首先，数据采集是实现基于数据驱动的风力发电机组故障诊断和预测的重要步骤之一。
随着风力发电技术的发展，现代化的风力发电机组配备了多种传感器，如温度传感器、风速传感器、振动传感器等，这些传感器可以实时采集风力发电机组运行过程中的各种数据。
另外，还可以通过远程监控系统获取实时监测数据。
采集到的数据经过清洗和处理后，可以作为后续故障诊断和预测的基础。
其次，建立适合的故障诊断和预测模型是基于数据驱动的风力发电机组故障诊断和预测的关键一步。
通常，针对不同的故障类型，可以采用不同的建模方法，如支持向量机（SVM）、人工神经网络（ANN）、逻辑回归、随机森林等。
这些模型可以通过对历史数据的训练和学习，自动提取和学习特征，并建立起故障与数据之间的关系模型。
在模型建立过程中，还需要考虑特征选择和优化算法的选择，以提高模型的准确性和稳定性。
接下来，进行故障诊断和预测是基于数据驱动的风力发电机组故障诊断和预测研究的核心任务。
通过对历史数据进行分析和模型验证，可以实现对风力发电机组当前状态的诊断和预测。
在故障诊断方面，通过对数据的特征提取和模型匹配，可以判断当前是否存在故障，并确定故障的类型和位置。
在故障预测方面，通过对数据的趋势分析和模型预测，可以提前发现潜在的故障隐患，并采取相应的维护措施，避免故障造成的损失。
最后，基于数据驱动的风力发电机组故障诊断和预测还需进行模型评估和优化。
模型评估可以通过对历史数据的回溯测试和故障案例的验证，评估模型的准确性和可靠性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用
摘要风能有着很多的优点，在改善我国能源结构方面有着非常大的作用。
本文包括五部分，第一部分进行概述，第二部分论述风电机组故障诊断和预警模型设计，第三部分论述基于大数据技术的齿轮箱故障诊断和预警方法实现，第四部分论述实验结果研究，第五部分进行总结。
关键词风电机组；故障诊断；故障预警
以主流大数据技术的风电机组故障诊断和预警模型为基础，利用storm实时处理状态监测流信息，提取故障诊断以及预警特点。
1 概论
随着大规模风电机组的投入运行，因为风电场选址的特殊性和负荷的不稳定性，很多机组都出现了故障，使得风电场的安全性受到了影响，所以对风电机组进行状态监测以及故诊断是相当关键的。
不同厂家生产的风电机组会使采集的数据类型等出现差异。
怎样通过风电机组状态监测大数据进行快速、有效的故障诊断和预警是新的课题。
大数据技术在电力体系监测领域还处于起步阶段，本文给出基于大数据技术的风电机组故障诊断和预警的模型结构，这个模型有着下面几个特点：第一，全体，收集和研究风电机组运行数据而不是样本数据。
第二，混杂：由于是全样本，不可避免地要处理不同风电机组、不同种类的异构数据。
第三，注重相关关系和效率，在故障诊断和预警环节中，使用数据挖掘方法找出故障，并在科学精确性的条件下利用并行计算技术实现快速的预警[1]。
2 风电机组故障诊断和预警模型设计
2.1 模型框架
基于大数据存储和处理的需要，本文基于X86集群，运用分布式技术，提出了融合各种相关异构状态检测数据的风电机组故障诊断和预警模型，模型架构见图1，主要由数据采集整合、数据存儲等模块组成。
数据来源有数据采集和监控系统、地理信息系统、项目管理信息系统，以及各种特殊传感器等业务系统的生产运行管理数据，除此之外，还有针对本文具体应用的各种故障知识库。
这些数据来源不一，模态各异，形成了海量异构电力大数据。
2.2 齿轮箱故障诊断和预警运行流程
作为风机传动系统的关键组成部分，齿轮箱是风电机组中故障率较高的部
件，齿轮箱故障主要有齿轮故障和轴承故障两类，常见的有齿面磨损、齿轮崩齿等，齿轮箱的振动信号中各时频域的特征参量对不同的故障各有侧重表达，本文主要选择下面参数作为故障振动特征参量：峰值指标、峭度指标等。
齿轮箱故障诊断和预警运行流程见图2。
3 基于大数据技术的齿轮箱故障诊断和预警方法实现
齿轮箱在线故障诊断和预警的关键是准确、有效的贝叶斯故障分类诊断模型和下一时刻特征值预测模型，这就要求贝叶斯分类模型中的故障类概率和特征概率矩阵，以及神经网络预测模型中的权值和阈值矩阵实时更新。
而朴素贝叶斯故障分类诊断模型和神经网络预测模型是通过对海量历史状态监测数据训练得到的，并且检测数据会随着时间不短积累，因此，运用大数据技术，在有限的时间内从电力状态检测大数据中训练得到诊断模型和预测模型是齿轮箱在线故障诊断和预警的内在要求，首先使用storm技术对状态检测流数据进行快速预处理，然后使用spark技术对状态监测流数据进行快速预处理，然后使用spark技术对随着时间累积的海量历史数据进行快速分析，得到所需的模型。
4 实验结果研究
为了模拟风电场大数据下故障诊断和预警相关情况，对本文所述方法进行了仿真实验，在实验室中搭建了风电机组故障诊断和预警模型试验平台，实验环境由九台联想台式机组成，实际运行的时候可以按照实际情况增减节点数，形成故障大数据处理平台。
实验用数据集为某风电场的前置机和风机服务器获得的实际运行数据，统一整合为XML格式，分别验证本文算法的准确性和时间性能。
本文分别验证所提出的RDD-NB算法和RDD-BP算法的逻辑有效性。
从收集到的故障样本中选择了一定数量的齿轮箱故障记录和正常运行数据记录来测试贝叶斯分类模型的故障准确率，本文实验选用的所要诊断的齿轮箱主要故障类型分为以下故障状态：齿面磨损、齿轮崩齿、轴承崩齿、轴承内圈划伤等。
本次实验所选用的齿轮箱故障诊断的训练集和测试集按三比二随机划分，实验分别在单机环境和并行化环境下测试，多次实验各取平均值进行比较，因为所能收集到的故障样本有限，分母小，个别故障类别准确率会略有偏差，在故障样本充足的情况下诊断正确率会进一步提升，总的来说，串行执行的故障诊断正确率和并行化的执行结果基本一致，即朴素贝叶斯分类算法并行化后没有削弱其故障诊断能力。
5 结束语
针对电力大数据环境下风电机组状态监测中数据实时处理分析的需求，本文设计实现了基于当前主流大数据技术的风电机组故障诊断和预警模型，利用storm实时处理状态监测流数据，提取故障诊断和预警特征。
参考文献
[1] 宋亚奇，周国亮，朱永利.智能电网大数据处理技术现状与挑战[J].电网技术，2013，（04）：927-935.。