基于RRAM的风机自学习健康监测系统技术方案

本发明专利技术公开了一种基于RRAM的风机自学习健康监测系统，包括依次连接的测量模块U1、信号处理模块U2、神经网络模块U3、风机健康管理中心U4。本发明专利技术能根据风机以往健康运行时的数据情况，实现风机对于自身健康状况的预判，并快速、准确的判断风机部件的健康状况。准确的判断风机部件的健康状况。准确的判断风机部件的健康状况。

【技术实现步骤摘要】
基于RRAM的风机自学习健康监测系统


[0001]本专利技术属于风机监控监测
，涉及一种基于RRAM的风机自学习健康监测系统。

技术介绍

[0002]近年来，随着风电并网规模的扩大，风电机组的可靠性和运行维护指标已成为保障电网安全稳定运行的关键部分。风力发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，从而导致风电机组非计划停机，如果引发大规模脱网还会导致电网频率震荡、电压失稳、大范围停电等严重事故，给电网的安全稳定运行带来严重威胁。因此，风机上通常会在不同的部位安装传感器用来实时监测风机各部件物理量的变化，进而判断风机各部件的健康状况。
[0003]目前，大型风电机组都带有数据采集与监视控制系统(SCADA)，SCADA可以对风电机组进行监视和控制，实现发电运营的数据采集、设备控制、测量、参数调节以及各类信号报警等功能，但是，这些报警信号只能在故障发生后对故障区域进行定位和判断，不能对未来时间段的健康状况做出预测，导致对风机管理出现滞后性。

技术实现思路

[0004]本专利技术的目的是提供一种基于RRAM的风机自学习健康监测系统，该系统能根据风机以往健康运行时的数据情况，实现风机对于自身健康状况的预判，并快速、准确的判断风机部件的健康状况。
[0005]本专利技术所采用的技术方案是，基于RRAM的风机自学习健康监测系统，包括依次连接的测量模块U1、信号处理模块U2、神经网络模块U3、风机健康管理中心U4。
[0006]测量模块U1包括齿轮箱内参数监测模块U11、发电机内参数监测模块U13、机舱内参数监测模块U12、控制柜内参数监测模块U14。
[0007]信号处理模块U2包括信号处理模块U21、信号处理模块U22、信号处理模块U23、信号处理模块U24，信号处理模块U21与齿轮箱内参数监测模块U11连接，信号处理模块U22与机舱内参数监测模块U12连接，发电机内参数监测模块U13与信号处理模块U23连接，控制柜内参数监测模块U14与信号处理模块U24连接。
[0008]信号处理模块U21、信号处理模块U22、信号处理模块U23、信号处理模块U24结构均相同，包括依次连接的滤波单元、信号放大单元和模数转换单元。
[0009]齿轮箱内参数监测模块U11、发电机内参数监测模块U13、机舱内参数监测模块U12、控制柜内参数监测模块U14内均包括若干个传感器。
[0010]神经网络模块U3采用支持向量回归机原理进行机器学习将风机正常运行的数据通过支持向量回归机得出风机正常运行的回归曲线，并将该回归曲线存储在风机健康管理
中心U4。
[0011]本专利技术的有益效果如下：
[0012]1.大型风力发电机用的传感器数量较多，所产生的实时监测数据都被传输到SCADA中，信息量大，且大多信息都时初始数据，需要CPU对其进行计算，此过程消耗大量的能量。
[0013]2.RRAM神经网络可实现风机健康运行数据的自学习，通过训练在神经网络中形成记忆，实时判断风机运行情况。
[0014]3.本专利技术可对风机的运行状况进行实时监测，通过历史数据实现风机故障的预测。
[0015]4.本专利技术可实现对风机整个工况的联合判断，通过多层卷积网络实现风机健康状况的不同数据量对风机健康状况的综合影响。
附图说明
[0016]图1是本专利技术基于RRAM的风机自学习健康监测系统的结构示意图；
[0017]图2是本专利技术基于RRAM的风机自学习健康监测系统中RRAM神经网络的结构示意图；
[0018]图3是本专利技术基于RRAM的风机自学习健康监测系统中神经网络模块的电路原理图。
[0019]图中，201.监测模块，2011.传感器，202.第一RRAM阵列，203.第一神经元，204.第二级权重RRAM阵列，205.第二神经元，206.反馈电路，207.阻值调整电路，208.CMOS神经元。
具体实施方式
[0020]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0021]本专利技术基于RRAM的风机自学习健康监测系统，如图1所示，包括依次连接的测量模块U1、信号处理模块U2、神经网络模块U3、风机健康管理中心U4；
[0022]测量模块U1包括齿轮箱内参数监测模块U11、发电机内参数监测模块U13、机舱内参数监测模块U12、控制柜内参数监测模块U14；
[0023]齿轮箱内参数监测模块U11置于齿轮箱中，其监测的参数主要有用pt100温度传感器监测的油液温度和齿轮温度、用SR04声波传感器监测的声波、用压电式振动传感器监测的振动；
[0024]发电机内参数监测模块U13置于发电机内部，其监测的参数主要有用pt100温度传感器监测的发电机轴承温度、发电机绕组温度和发电机冷却水温度、用磁敏式转速传感器监测的发电机转速；
[0025]机舱内参数监测模块U12置于机舱内，其监测的参数主要有用压电式振动传感器监测的机舱振动、用磁敏式转速传感器监测的低轴速转速和高轴速转速、用超声波技术监测的主轴轴承裂纹；
[0026]控制柜内参数监测模块U14置于控制柜内，其监测的参数主要有用pt100温度传感器监测的电抗器温度、整流器温度、电容器温度、控制器柜温度。
[0027]测量模块U1中的齿轮箱内参数监测模块U11、发电机内参数监测模块U13、机舱内
参数监测模块U12、控制柜内参数监测模块U14通过传感器采集能够反应设备状态的数据，并将所得到的设备状态信号分别传递给对应的信号处理模块信号处理模块U21、信号处理模块U22、信号处理模块U23、信号处理模块U24。
[0028]信号处理模块U2包括信号处理模块U21、信号处理模块U22、信号处理模块U23、信号处理模块U24；
[0029]信号处理模块U21、信号处理模块U22、信号处理模块U23、信号处理模块U24结构均相同；包括滤波单元、信号放大单元和模数转换单元。
[0030]信号处理模块U2将监测到的信号通过滤波单元、信号放大单元和模数转换单元的处理通过以太网汇入神经网络模块U3。神经网络模块U3实时的收集各信号处理模块U2上传的状态信号，通过神经网络的训练，使神经网络模块U3对风机健康运行时的数据形成记忆，经过成百上千次的训练之后即可将该神经网络模块U3引入风机健康监测系统，通过神经网络模块U3实时判断风机运行状况与健康运行状态下的数据偏差，并将信号分析结果传入风机健康管理中心U4，通过风机健康管理中心U4的中央处理器对风机健康状况做出预判。
[0031]齿轮箱内参数监测模块U11、发电机内参数监测模块U13、机舱内参数监测模块U12、控制柜内参数监测模块U14，这四个监测模块中，每个模块中都要监测多个参数，每个参数都需要对应设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于RRAM的风机自学习健康监测系统，其特征在于：包括依次连接的测量模块U1、信号处理模块U2、神经网络模块U3、风机健康管理中心U4。2.根据权利要求1所述的基于RRAM的风机自学习健康监测系统，其特征在于：所述测量模块U1包括齿轮箱内参数监测模块U11、发电机内参数监测模块U13、机舱内参数监测模块U12、控制柜内参数监测模块U14。3.根据权利要求2所述的基于RRAM的风机自学习健康监测系统，其特征在于：所述信号处理模块U2包括信号处理模块U21、信号处理模块U22、信号处理模块U23、信号处理模块U24，信号处理模块U21与齿轮箱内参数监测模块U11连接，信号处理模块U22与机舱内参数监测模块U12连接，发电机内参数监测模块U13与信号处理模块U23连接，控制柜内参数监测模块U14...

【专利技术属性】
技术研发人员：张嘉伟，魏晓飞，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：