软件故障预测

软件故障预测（精选7篇）

软件故障预测 篇1

1 概述

随着人们对软件系统功能需求的不断增加, 软件系统变得越来越庞大和复杂, 尤其是软件系统的缺陷和漏洞很难避免。软件系统在达到一定规模之后, 随着软件的长时间运行, 软件系统模块存在“老化”的特点, 总是面临各种故障或者失效问题, 或者由于内在的缺陷漏洞从而导致受到不同程度的攻击。总而言之, 现代社会的正常运作越来越依赖于基础设施的软件系统的安全可靠的运行。

软件系统的可信性问题已经成为国际上普遍关注的问题。现代大规模软件系统导致其产生可信问题的原因总结起来有:

(1) 软件规模越来越复杂, 人为配置以及使用不当, 或者软件存在内在缺陷。

(2) 软件的开发和运行环境已经由传统的静态封闭环境发展为开放多变的互联网环境, 而恶意代码的大量存在会破坏软件系统的正常运行。

为了解决系统面临的迫切的可信问题, 国内外众多组织机构已成立全球的计算平台和可信计算联盟组织, 正致力于解决面临的安全和可信问题。

基于上述背景, 本文将基于复杂网络研究的理论基础, 着重研究大规模软件系统中的故障预测与定位问题, 主要包括大规模软件系统的动态与静态分析方法, 基于复杂网络的故障预测与定位方法, 以及结果的可视化界面显示部分。

2 大规模软件系统故障预测模型的理论分析

2.1 基本原理

本文基于复杂网络理论, 将大规模软件系统的动态运行信息和静态信息提取出来, 再将软件的动态运行方法调用序列所映射的调用关系网络进行分析, 并利用可视化界面直观地展示出来, 进而达到故障与异常的检测与定位。

本文提出了一种基于调用动态网络的系统检测机制, 通过本文实现的大规模软件故障预测与定位系统完成了调用关系网络的生成, 并利用本模型对网络进行实时分析和监控。模型基本性质有:

(1) 复杂网络适应性:基于K核分解算法对网络静态结果分析, 能够形象地显示出大规模复杂网络的层次结构信息与核心节点, 更加难得的是此思想可以分析超大规模的网络, 这一点在利用K-core分解全美各航线大规模节点数据上已经得到了充分的体现, 因此说我们提出的模型系统可以用来分析超大规模网络系统, 具有可移植的良好特性;

(2) 不同的时间片段特性:由于我们的模型是利用实时监控的原理可以用来监控网络中每一个时间段内的状态改变, 记入下每一个状态对应调用关系网络, 利用该网络就可以分析所监控软件的未来发展趋势。

2.2 大规模软件系统故障预测方法与理论

2.2.1 动态网络分析方法简介

系统模型的故障预测与定位整体按照以下流程:

(1) 对软件运行过程进行持续的监控;

(2) 将监控得到的数据经过处理后生成相应的系统某一时间段内的方法调用关系图;

(3) 对被监控软件进行基本功能块的划分, 根据划分结果生成相应的特征网络与入口函数;

(4) 对软件的动态运行行为进行持续监控, 生成相应的时间片段∆ti内系统的调用关系网络Gi;

(5) 根据动态网络结构演化公式G’i+1=f (Gi, ∆ti+1) 来预测软件下一时间段内的状态G’i+1;

(6) 根据动态网络结构测量公式d=g (G’i+1, Gi+1) 来对软件∆ti+1内得到的监控状态Gi+1同预测状态G’i+1的差异进行测量;

如果测量公式得到的差异值超过了我们设定的阈值, 则认为被监控软件在∆ti+1在当前功能块发生了异常。

2.2.2 调用关系网络的矩阵表示形式

调用关系网络的数据结构可以有邻接矩阵和加权矩阵两种形式。

邻接矩阵:为了能够准确地检测到矩阵元素的变化, 本文在邻接矩阵的基础上做了一些限定, 定义矩阵中的每一个位置 (a, b) 代表确定的含义, 这样避免出现同构图的邻接矩阵相似的情况。

加权矩阵:增加了加权矩阵的分析, 主要了是为了图形效果的需要, 并加入了随机噪声的影响, 使得两幅图像的对比度更加明显。在加权图中的噪声波动的影响较去重图要强很多, 通过对比分析, 我们可以更加深入地研究调用关系生成网络的故障与异常发生机制。

2.2.3 模型建立

大规模复杂网络对应了软件系统的不断衍变周期, 用户不断对软件提出新的指令, 使得软件系统对此作出反应, 每一次反应都会产生一个新的状态, 软件状态随运行时间的增加也变得更加复杂, 为了对软件状态加以记录, 并加以分析, 我们首先为模型中对应的动态调用网络结构演变过程定义为一个映射函数:

G'i+1=f (Gi, Δti+1)

该函数的意义就是根据软件运行所产生的数据, 把这些数据划分成为一个个最小的时间切片, 测量这个时间切片内对应的特征网络的状态, 由此可见:

G'i+1=f (Gi, Δti+1) =Gk

式中:

Gk——为对应功能模块的特征网络时间切片。

由于我们所用的函数公式都是统一的, 所以不必担心时间切片的一致性, 因此可以推算出下一时刻的动态网络的时间切片, 由此可以使用特征网络Gk作为同一个功能块内的预测动态时间切片G’i+1, 并且由于时间切片Gk是在系统的动态运行监控过程中生成的, 保证了Gk的合理性。前一个值与后一个值只要网络调用不同就会发生变化, 研究这个变化其实就是分析复杂网络的动态特性, 进而达到对软件系统故障与异常的监控与定位。

3 预测模型实现与可视化界面的设计

3.1 大规模软件系统研究框架

大规模软件故障预测与定位系统的研究框架如图1所示:

大规模软件系统研究框架系统一共分为5个子模块:

监控模块:对软件行为进行持续监控, 得到软件运行时的方法执行信息, 以dat文件的格式存储;

数据处理模块:对监控数据进行处理, 通过重构trace来获得软件运行时的方法调用序列, 生成K核分解之后的调用关系网络;

故障注入模块:给被监控系统注入威布尔分布的概率故障;

故障分析模块:按照预测模型动态分析方法进行故障的分析工作;

显示模块:进行调用关系网络与故障分析结果的可视化。

3.2 数据库设计与数据处理模块

3.2.1 数据库表设计

根据之前的数据, 所获得的实验数据格式如图2所示:

其中每个字段的意义如表1所示:

所获得数据按照格式存入指定的目录中, 对数据的进一步处理在下一节中介绍。

3.2.2 数据处理模块介绍

数据处理模块的主要功能为:首先建立并初始化数据库;其次将监控数据按照格式进行解析后并存入数据库中;最后以trace为单位, 通过trace重构获得方法调用序列。

在之前提到的网络动态系统分析中, 首先要获得网络的数据也就是trace信息, 在数据库部分我们已经对trace有了一个大致的认识, 在这里对trace做一个比较细致的介绍, 比如数据格式里的trace Id、eoi、ess等字段, 为了能够得到本文需要的方法调用关系, 首先要进行基于trace信息的数据分析, 重构运行时的trace路径。

下面给出一些本文中用到的术语定义:

方法 (operation) :为了实现特定服务而定义在组件中的一些函数。

执行 (execution) :运行时方法的一次执行过程。

路径 (trace) :每一次请求系统提供服务, 都会执行一系列嵌套的方法, 本文把这一系列的执行过程称之为“路径”。

在监控的过程中, 对于执行服务请求的线程附加一个特有的trace Id, 同时将其加入到同一个trace的所有的数据记录之中。

3.3 故障预测模块

通过把读入的调用关系网络对应矩阵转化为其对应的节点矩阵, 输出其对应的二范数, 然后把每次试验中的所有数据都做此处理, 呈现出总体变化图像, 首先是第一条正常情况下的曲线;再输出第二条异常情况下的曲线, 二者加以对比。

3.4 系统显示模块

分别从动态和静态分析理论来显示和分析对应的调用关系网络, 并显示其数据库对应的trace文本信息。通过观察生成的软件调用关系网络来分析并预测其间发生的异常与故障, 进而实现模型的监控功能。此处将添加两个动态图, 分别为加权图、和去重图。而注入加权的目的主要是为了突出去重图的优良特性。

4 结束语

本文提出了一种基于动态网络分析理论的大规模软件故障预测模型并建立了相应的可视化界面, 此模型可以实现大规模软件故障的预测, 设计故障注入实验对模型进行了验证, 取得了良好的效果, 证明了此模型的有效性。

由于java的矩阵处理能力较MATLAB相比较弱, 所以在本界面模块中采用了混合编程, 但java本身和matlab的接口并不及C或C++和matlab的多, 因此效率有待提高。以后可以根据实际需要, 在C或C++平台上开发程序。

利用2范数做动态分析时, 尽管取得了比较满意的精度, 但在一些特殊trace内部调用关系网络的结构性改变存在着误报的风险, 尽管对异常情况进行实际返回值与返回类型检查可以避免误报, 但是整个检测系统的开销时间将增加, 会导致灵敏性下降。在后续的开发中可以利用其它的矩阵分析理论解决这个问题。

摘要：本文将大规模软件动态运行信息映射为随时间变化的调用关系网络, 通过采用K核分解算法提取此静态网络的层次结构与核心节点信息进行可视化显示;同时基于矩阵二范数方法对动态网络的结构进行频谱分析实现故障定位;对大规模软件的运行状况进行了可更新的监控, 实现了异常的预测, 把实验的结果与理论很好地结合在一起, 验证了预测模型的有效性, 并为本模型的进一步扩展提供了可能。最后实现了该系统的可视化界面。

关键词：大规模软件,复杂网络,故障预测,故障定位,可视化界面

参考文献

[1]刘克, 单志广, 王戟, 等.“可信软件基础研究”重大研究计划综述[J].中国科学基金, 2008, 22 (3) :145-151.

[2]赵广元.MATLAB与控制系统仿真实践[M].北京:北京航空航天大学出版社, 2009.

[3]范立锋, 乔世权, 程文彬, 等.JSP程序设计[M].北京:人民邮电出版社, 2009.

[4]李建刚, 秦兴桥, 郑雨贝, 等.JSP网络编程技术与实践[M].北京:清华大学出版社, 2008.

[5]张新曼.精通JSP[M].北京:人民邮电出版社, 2007.

[6]詹静, 张焕国.可信平台模块自动化测试研究[J].计算机研究与发展, 2009, 46 (11) :1839-1846.

[7]Haohua Zhang, Hai Zhao, Wei Cai, et al.Using the K-core decomposition to analyze the static structure of large-scale software systems[J].Supercomput, 2009, 10 (3) :127-140.

[8]Ignacio Alvarez-Hamelin, Luca Dall’Asta, Alain Barrat, et al.Kcore decomposition:a tool for the visualization of large scale networks[J].ACM Computing Surveys, 2006, 11 (2) :789-796.

软件缺陷预测技术分析 篇2

1 软件缺陷预测技术

软件缺陷预测技术发展于上个世纪七十年代 , 软件预测技术从出现至今 , 一直都是软件工程领域中最重要的内容。这主要是因为 , 它对软件的质量、开发成本、开发周期都有着影响。软件缺陷预测技术的作用对软件中存在的缺陷进行预测 , 在预测过程中需要依据软件的开发方法、复杂度等 , 通过已经发现软件中存在的缺陷对软件中潜在的缺陷进行预测。软件研究人员可以通过软件缺陷预测技术对软件产品的质量进行分析 , 并对软件最终是否可以提供给客户使用做出准确判断。

软件缺陷预测技术主要分为静态和动态两种。因为, 软件缺陷预测技术在理论和实施方法上具有多样性 , 因此两种技术存在很多分歧 , 因此在实际工作中针对不同的软件采取不同的方式。

静态缺陷预测技术利用软件复杂度、软件规模这些可以对软件缺陷的进行度量的元素对软件中潜在 , 但还没有出现的缺陷进行分析。软件研究人员通过静态预测技术对软件产品可能的模式和软件产品质量的进行合理分析 , 并对软件是否可以给用户使用做出准确判断。

动态缺陷预测技术的研究要在缺陷发生的时间基础上。在对该技术上的研究上 , 研究人员必须要根据自己的工作经验 , 对软件应用的整个寿命周期进行研究。采用该技术对利用时间分布统计软件的缺陷情况 , 寻找软件的缺陷情况。使用该技术不仅可以减低在软件上的修复成本 , 并可以减低对软件缺陷的修复时间。

2 软件复杂性度量与缺陷预测之间的关系

软件的质量主要通过软件的可维护性、可理解性进行反映。软件外部属性主要包括软件的可靠性、可理解性、可维护性等。在软件测试过程可以对软件的规模、控制流、数据流等属性进行量化。在软件测试过程中对软件的外部属性进行度量 , 可以获取软件研究人员需要的数据 , 对软件开发进行指导。然而在软件测试过程中对外部属性只有定性定义 , 并没有利用数字对其进行明确定义 , 因此在实际工作中对其进行度量显得十分困难。复杂性度量的目的在于利用软件外部属性度量从而获取外部属性值 , 是在软件测试中进行缺陷测试的主要模型工具。软件复杂性度量、软件质量、软件缺陷预测三者之间关系如图1所示。

从图1可以看出软件模块在发生错误时可以对软件的可靠性进行直接反应 , 但却无法直接获取。将软件复杂性度量的度量值当作为整个软件缺陷预测的输入值 , 获取的整个系统中出现错误的预测值 , 然后利用预测值对整个软件的质量进行反映。

3 软件缺陷预测原理

进行软件缺陷测试的主要目的在于提高软件研究人员对整个系统有一个宏观认识。区分系统中不同模块在发生错误时的倾向 , 从而可以合理分配软件修改和测试过程中使用的资源 , 降低在软件开发过程中的人力和财力上的消耗 , 提高软件开发效率。软件缺陷测试原理如图2所示。

3.1 软件复杂度性度量

在进行软件缺陷测试时 , 应当对软件早期测试数据和早期版本的相关数据进行收集 , 并从中对成功的经验进行提取。软件复杂性度量主要包括两部分 :度量属性和历史数据。在软件缺陷测试过程将软件复杂性度量作为样本数据“属性”, 在软件测试过程中 , 可以将样本中得到数据作为样本中的“数值”。这样在实际工作中就可以将复杂性度量数据进行集中 , 组成样本。在软件测试过程中的“值”的数据类型为布尔型 :有出错倾向和无出错倾向。在对软件缺陷预测技术中应用的“属性”来自软件开发中的属性集。

3.2 建立缺陷预测模型

数据集利用“同属一值”的方式对复杂性度量中的样本和复杂性度量是否存在出错倾向之间的非线性管理 , 简单的说 , 缺陷预测模型本身属于一种模式识别形式。而在实际工作中建立缺陷预测模型就是利用合理的机器算法进行模型结构的搭建 , 并对复杂性度量属性之间相互产生的依赖程度进行确定 , 也就是参数学习和模型学的一个过程。

3.3 利用模型预测结果

在软件缺陷预测模型部分 , 预测部门和训练集从本质上就各不相同的。在实际工作中 , 可以对建设好的预测模型进行利用 , 然后通过模型参数和模型结构对预测结构和复杂性度量的关系进行判断 , 这样在实际软件测试过程中就可以通过软件模块复杂性度量在数据集上的数据 , 然后利用训练好的模型 , 确定该模块是否存在缺陷 , 从而实现软件缺陷预测。

3.4 数据预处理

在对数据进行预处理时要对两个方面的问题加以考虑。1) 对原始数据的采集避免不了会存在噪声数据 , 噪声数据的使用势必会使模型的预测能力下降。2) 不同数据的复杂性度量与量纲之间存在很大差异 , 如果在运用过程中不进行合理的处理 , 会导致在性能和时间上发生一些不可估量的问题。在预处理上首先需要处理噪声数据 , 在对操作数据的处理方式可以采用忽略样本法。数据预处理第二部就是对数据进行归一化 , 消除不同量纲产生的影响。

4 结论

缺陷预测试技术的应用的最终目的对软件中还存有的缺陷进行预测 , 在应用过程中 , 依据软件自身特有的属性。例如 :复杂度、规模、开放过程等等 , 利用已发现的软件存在的缺陷 , 为发现的缺陷或遗留的缺陷进行测试。在软件测试过程中对缺席预测技术进行合理应用, 可以帮助工作人员对软件的质量做出客观判断 , 从而确定软件是否能够正常使用 , 软件在使用过程中可能会出现的失效模式进行判断。

参考文献

[1]杨根兴, 蔡立志, 陈昊鹏.软件质量保证、测试与评价[M].北京:清华大学出版社, 2012:34-36.

[2]黄科.计算机软件质量和软件质量保证[J].电脑知识与技术, 2010, 6 (6) :727-728.

[3]颜炯, 王戟, 陈火旺.基于UML的软件Markov链使用模型构造研究[J].软件学报, 2012, 6 (8) :12-13.

采煤机故障诊断与故障预测研究 篇3

1 采煤机结构及其故障机理

1.1 采煤机结构

采煤机可以说是煤矿企业生存与发展的中心设备, 而其重要功能为完成落煤和装煤工作。下双滚筒采煤机通常是由牵引装置机构、电气装置机构、截割装置机构以及附属装置机构构成。

采煤机机械外观图如下图1所示。电气装置是采煤机的动力源, 其功能在于实现采煤机的传动和牵引两项工作[1]。不仅如此, 这一装置中安装的电动机一般都具有一定的防爆性能, 同时还采用了定子水冷, 从而有效的提高了采煤机的安全性与高效性。牵引装置的作用为维持采煤机始终在工作面工作, 从而在第一时间内把煤炭运输到指定地点。截剂装置则是借助摇臂不同方向的运动刮落处在深层中的煤矿。

1.2 采煤机常见故障机理研究

采煤机的工作条件比较差, 而且它的构成也比较复杂, 因此在工作中非常容易出现多种故障, 大都出现在电气装置、液压装置以及机械装置中[2]。其中, 前者所经常发生的故障包括多个部分, 例如电机、变频器等。

电机部分的故障主要为温度接点断开, 机器不能运行, 对此, 应采用临时短接的方法。液压装置所出现的故障主要包括采煤机不牵引、液压牵引部温度过高以及液压牵引部发出异常声响等。机械装置故障则通常发生在轴承和齿轮上, 其中前者为滚动轴承发出噪音与其温度过高, 这时就要暂停机械的运作。后者出现故障的主要原因为机械运行时间偏长, 润滑性能大幅度降低, 最终造成齿面受到了磨损。

2 采煤机故障诊断与故障预测方法

2.1 温度监测

当机械设备的摩擦零件出现故障之后, 所引发的现象的最突出特点就是温度变高。而借助传感器来监测设备的温度, 可以时时了解机械设备的工作情况。而对采煤机来说, 采用在线温度监测具有非常明显的可行性[3]。例如如果采煤机截割滚筒内轴承出现大范围摩擦后, 滚筒温度会大幅度增加, 而温度监测能够在第一时间内比较准确的寻找到故障部位, 同时还能够长时间对多个部分进行温度监测, 并对所监测到的相关数据信息进行记录。除此之外, 温度监测不仅可以对采煤机的现状进行监测, 同时还可以对采煤机故障进行预测。

2.2 铁谱分析

上述已经讲到, 机械设备出现故障的最重要因素就是磨损, 而通过采集与分析磨屑颗粒便能够了解机械设备的运行情况。铁谱分析的过程主要为:使润滑油流经高梯度强磁场环境, 使油流中的磨屑颗粒在磁场力与重力的作用下, 按大小顺序沉积在基片上[4]。之后再将其制作成透明的谱片, 通过使用显微镜来查看磨屑。最后, 再借助光密度计来获得磨屑数量, 并按照所得的磨屑形状与数量来判断机械设备的磨损部位、磨损情况以及引发磨损的缘由, 以此来实现对机械设备故障的诊断工作。

2.3 专家系统

采煤机故障表现出了一定的繁琐性与隐蔽性, 过去人们所常用的诊断方法很难在短时间内比较准确的对其进行诊断, 误判情况时有发生。专家系统以已有的专家知识为依据来模拟专家的思维, 以此来完成对故障的分析工作[5]。

专家系统的知识库可以分为事实知识和经验知识两大部分组成。其中, 前者是由经过领域专家群体公认的事实共同构成的共用数据体, 而后者则通常为某些判别规则。借助专家系统来诊断与预测采煤机故障, 第一步就是整理现场故障的相关诊断信息, 再以此为基础构建知识库。

2.4 人工神经网络

人工神经网络实际上就是借助物理器件对生物的神经元网络结构和功能进行模拟。人工神经网络有着多种优势, 包括突出的容错能力与自学能力以及高推理能力, 它正是凭借着这些优势而在采煤机故障诊断工作中发挥着重要的作用。采煤机从开始发出故障预兆到故障源的映射过程比较繁琐, 而把人工神经网络引入到采煤机故障诊断工作之后, 人们就能够通过分析所监测到的采煤机故障信号来判断故障产生的原因与具体的故障部位之间的非线性映射关系。

3 总结

采煤机故障诊断与故障预测是采煤机运行中的一大十分重要的问题, 对煤矿行业来说必须要同时采用多种有效的方式来做好这一工作, 从而保证采煤机的正常工作。

摘要：近些年来, 我国社会主义经济市场与科技都有了飞速的发展, 这为我国煤矿行业的的改革与发展奠定了坚实的基础。与此同时, 人们越来越关注煤矿的生产问题。在煤矿生产过程中, 采煤机是其中最为重要的一项设备之一, 而因为其工作条件往往比较差, 因此出现故障的几率比较大。对此, 本文介绍了采煤机的机构及其故障机理, 并对采煤机故障诊断与故障预测进行了研究。

关键词：采煤机,故障,预测

参考文献

[1]付家才, 李浩, 郭勇.神经网络在采煤机故障诊断专家系统中的应用[J].黑龙江科技学院学报, 2007.

[2]胡俊, 张世洪, 汪崇建.采煤机故障诊断技术现状及其发展趋势[J].煤矿机械, 2008.

[3]刘绪金, 李建平, 杜长龙.采煤机模糊神经网络故障诊断专家系统仿真[J].煤矿机械, 2011.

[4]王立环.电牵引采煤机液压系统常见故障分析[J].煤炭技术, 2012.

大型火电机组能效预测软件开发 篇4

1 大型火电机组能效预测软件开发的理论基础

1.1 火电机组能效预测的统一物理模型

火电机组能效预测的统一物理模型是建立在能量守恒和质量守恒的基础上的, 只有物理模型满足这两个守恒, 在此基础之上所建立的数学模型才能也满足这两个守恒。建立统一物理模型的基本思想是:首先将原热力系统通过一定的映射规则, 映射成统一的、标准化拓扑结构, 然后将原热力系统中的汽水参数按一定的规则映射到该拓扑结构上, 这样就形成了火电机组能效预测的统一物理模型[2]。

物理模型中的映射规则包括:锅炉和汽轮机本体的映射规则;回热系统的映射规则和凝汽器的映射规则三个部分。

1.2 火电机组能效预测的数学模型

开发火电机组能效预测软件所用的数学模型是建立在统一物理模型的基础上的, 所用到的基本方程有:循环吸热量方程、汽轮机内功方程、汽水分布方程以及自适应结构变化的汽水分布方程。

在评价汽轮发电机组的热经济性时, 循环热效率是主要的评价指标之一, 其定义为汽轮机内功率和机组循环吸热量之比。本文建立的机组能效分析模型就是以循环热效率的相对变化量作为度量指标, 并在此将循环热效率简称为“能效”[3]。

2 大型火电机组能效预测软件开发

2.1 软件开发平台及设计流程

在Windows操作环境下, 以适用于任意多元组合扰动以及热力系统结构变化的机组能效分析模型为理论基础, 使用Math CAD软件进行大型火电机组能效预测软件的编制。Math CAD是由美国Mathsoft Inc公司开发, 主要功能包括数学计算、符号推演、绘制图形、动画制作、矩阵运算、概率统计和程序编写等。

利用Math CAD软件出色的数值和矩阵运算功能, 通过该软件自带的程序编辑器, 编写火电机组能效预测软件, 该程序可以模拟任意多元组合扰动后, 火电机组能效的变化情况。该软件的基本设计流程如图1所示。

2.2 程序的输入输出

在输入界面中输入扰动参数变化率时, 要根据机组实际的扰动情况以及各个扰动参数的变化情况输入扰动参数的变化率, 扰动参数变化率包括主汽压变化率、主汽温变化率、再热汽温变化率、抽汽压损变化率、加热器端差变化率以及辅助汽水流量变化率。

输出界面直接给出了扰动后机组能效的相对变化量, 也就是循环热效率的相对变化量, 同时也显示了扰动前和扰动后的循环热效率值, 通过输出界面, 用户可以直接读取预测结果。

3 大型火电机能效预测的结果与分析

对600MW机组THA工况下能效随广域性扰动因素, 包括主汽压、主汽温和再热气温, 以及局域性扰动因素, 包括辅助汽水流量、加热器端差和抽气压损的变化进行分析得出以下结论:

(1) 当广域性扰动参数增大, 可以使机组能效增大;反之, 若广域性扰动参数减小, 会降低机组的能效。

(2) 广域性扰动因素对能效的影响程度从高到低排序依次是:主汽温、再热汽温、主汽压。

4 结语

本文以多元组合扰动下的热力系统能效分析模型为理论基础, 使用Math CAD软件设计编制了大型火电机组能效预测软件, 该软件可以预测多元组合扰动下火电机组能效的变化方向及幅度。这为机组的运行、检修和机组改造提供了可靠的技术支持, 也为火电机组热经济性的定量分析计算提供了一种新的工具。

摘要：能效是评价汽轮机组的主要经济指标之一。以多元组合扰动下的热力系统能效分析模型为理论基础, 使用MathCAD软件设计编制了大型火电机组能效预测软件, 该软件可以预测多元组合扰动下火电机组能效的变化方向及幅度。这为机组的运行、检修和机组改造提供了可靠的技术支持, 也为火电机组热经济性的定量分析计算提供了一种新的工具。

关键词：火电机组,能效预测,多元组合扰动,热力系统,MathCAD

参考文献

[1]金毅.我国能源现状和面临的挑战以及低碳能源发展策略[J].中国电子商务, 2012:252.

[2]闫顺林.多元扰动下的热力系统能效分析模型及应用研究[D].北京:华北电力大学, 2011.

软件故障预测 篇5

一、短波广播简介

短波广播是利用短波波段播送的广播。由于穿透力强, 不易干扰, 因而国际广播通常都位于短波波段。具有高度战略价值, 至今仍被专家们普遍认为是大规模全球传送的唯一最有效途径, 且安全、便宜、快捷。短波广播的应用, 起源于第二次世界大战期间, 由美国小罗斯福总统任内创办的美国之音, 在冷战期间促使苏联解体。当短波电台发射时, 既有向天上发射的天波, 也有沿地平面传播的地波。由于地波沿地平面传播时易受地面障碍的影响, 因此强度衰减很快, 通常地波只能传送到离发射台较近的区域。

二、短波通过电离层进行传播

1短波传播可使用的频率范围

短波通过电离层进行传输是指依靠电离层对电波的反射, 但是并不是不全部的短波都能被反射, 不同频率的短波需要不同电子密度分布的电离层进行反射, 我们将某一特定电子密度分布的电离层所能反射的电磁波的最大频率称为最高可用频率, 最高可用频率不是固定不变的, 其会根据收发间距离的减小而变低。我们通常将在同一地点进行收、发作业时, 短波能够被反射回来的最低频率称为电离层临界频率。当短波的收、发间距离一定时, 使用较低的频率发射短波时, 在接收点会收到有一定时延差的高、低角波;这一高低角波时延会随着电磁波频率的升高逐渐减小到零, 高低角波重合;当频率再升高, 则接收点落入跳距以内, 完全收不到发射信号。我们在选用电磁波的频率时应当引起足够的注意, 确定好可用电磁波的最大最小频率范围。电磁波在被电离层反射的过程中并不是无损反射的, 其能量还是具有一定的损耗的, 吸收大小通常与频率平方成反比。当电磁波的频率较低, 则信号电平因吸收增大而降低。

2传输模式

短波的传输可以分为地面波、天波和直接波三种传播方式, 其中通过天波传是指经过地面上空40~800km高度含有大量自由电子、离子的电离层的反射或折射后返回地面的电波传输方式。天波可以使用多种途径完成从发射机到接收机的传输。短波天波是利用电离层能够反射电磁波信号特性进行传播的, 但是电离层并不是之某一固定的层级, 其是分布在距地面50公里到2 000公里这一广泛的距离, 我们根据电离层中所含有的电子浓度不同。将电离层划分为3层, 分别是D层、E层和F层, 其中D层在最底层, F层是最外层。在白天电子较为活跃时又可以将F层细分为F1层和F2层。短波通信主要是通过F2层来起作用的。在整个电离层中我们主要利用E层及F2层的反射完成短波的传递。当短波通信的发射和接收机的位置确定后, 选用不同的层进行反射的最少跳数可以计算出来。当需要建立起一条短波通信时, 需要认真选择通信频率, 在给定距离和方向的路径上, 根据时间、地点的不同在一定的时间里只有一个有限的频带能够使用, 我们通常在使用短波通信时, 需要提前准备好几种频率以便可以在需要时进行切换来供长时间通信时的频带切换, 这些频率都是在考虑了影响天波传播的主要因素太阳黑子后确定下来的。

3短波广播的频率、覆盖范围和天线仰角三者之间的的关系

短波广播的频率、覆盖范围和天线仰角三者之间是相互关联的:

(1) 在我们将天线仰角固定时, 增大电磁波的频率, 短波在电离层进行反射的距离不断升高, 可接受的范围不断的增大, 当达到临界值时, 其覆盖面积达到最大值, 当超过最大频率时, 短波就会超出电离层, 无法进行反射。

(2) 当频率向MUF升高, 电磁波可能会使用F层来进行反射, 在这种情况下需要将天线的仰角抬高从而使短波能够完成一定路径的传播。

(3) 当对短波的传输频率进行固定时, 天线的仰角越低, 短波所能传输的距离就越远, 与之相反的是, 天线发射的仰角越高, 短波传输的路径越短, 反射短波的电离层位置也越高。

4短波信号的衰减

会引起衰减的因素众多, 例如发射天线的信号集中度不够, 信号有很大一部分散射掉了, 从而使很多相位幅度都不同的传输模式。如果在接收的过程中, 有多条信号相互干扰, 将会对接收质量造成很大的影响。当短波传输时处于不同的时间段时, 会由于电离层的不同而造成MUF发生上下波动。

5短波信号的噪声

噪声根据噪声源的不同分为系统内部和系统外部, 内部噪声由于产生的影响不大, 一般都将其忽略, 外部的噪声多来自于自然界 (大气层和银河系) 或者是人类发出的信号造成的干扰, 而雷暴由于会产生很高的电压和导致电离层不稳定从而对短波的影响很大。而来自于太空中的离子风暴对短波的影响也很大, 离子风暴的冲击对电离层的影响对短波传输造成影响。人类发明的电气产品也在不断的向外辐射着电磁信号, 这些信号也和对短波的传输造成影响, 这些噪声往往是垂直极化的, 因此我们可以使用选择水平极化的天线来降低人为噪声对天线传输的影响。

三、太阳风暴对短波传输的影响

大型太阳风暴会产生大量的射线, 这些射线会造成电离层的D层电离增强, D层对短波的吸收加大, 这样就会对电离层的反射造成影响, 严重的甚至可以阻塞整个短波频段。在发生太阳风暴对电离层的影响时一般只在白天对电路造成影响, 持续时间一般从几分钟到几小时不等, 这些时间是可以根据爆发的时间来进行估算的, 衰落的量级与太阳爆发的强度有关, 同时与太阳位置相对于电波穿越D层的位置也有关系。当发生以上这种情况时, 高频受到的影响要远低于低频电磁波。

1极帽吸收

当太阳风暴发生时, 一般会辐射处大量的高能射线, 这种高能射线中的高能质子会被地球自身的磁场偏转导向两极, 在两极会导致电离层的D层发生电离加强, 从而会对短波造成很强的吸收, 在太阳爆发后约10分钟, 极帽吸收就可能发生, 时间长的可持续10天。

2电离层骚扰

太阳的剧烈活动会对地球的磁场造成一定的影响, 因为电离层和地球磁场是相互关联的, 一方受到影响必然会影响到另一方, 这种被称为电离层的骚扰, 当发生电离层骚扰时, 有时会导致电子密度的增加, 从而会导致能够传输相较于平时更高频率的短波, 而有时又会产生相反的影响, 只适合于低频率短波的传输, 这种电离层骚扰将会影响几天, 在不同的维度所收到的影响不一, 通常来说在高纬度地区所受到的骚扰较大, 与太阳风暴引起的现象相反的是, 低频信号较高频信号能够更好的在电离层骚扰时进行传输信号。

3对短波传输有很大影响的几个数据

短波传输发展至今, 人们已经发现并总结出了一些公式, 能够计算出短波传输中的数据, 但是这些公式的应用需要依赖于一些重要的参数, 下面将就这些数据进行列举:

(1) 太阳黑子数

太阳活动引起的电磁信号的辐射将直接影响到电离层的结构, 太阳活动主要是通过使用太阳黑子进行评估和说明的, 太阳黑子数目是指太阳表面可见黑子和黑子组的数目。通过测量来自太阳在10.7cm (2800MHz) 的射线来计算太阳黑子的数目。

(2) 长路径与短路径

短波电路预测一般有两种电路类型:短路径和长路径。

(3) 大圆图与大圆距离

大圆图是以发射点为坐标原点, 正北方为0°, 大圆距离为径长绘制出的极坐标形式的地图, 圆距离就是地图中发射点到达接收点的直线距离。

(4) 天线方向

天线的方向必须对应用正确的方位。

四、短波电路预测

当知道以上数据以后就可以通过软件来计算短波传输路径的预测, 通过软件的计算可以得出点对点电路计算可以对覆盖区域内的接收点提供详细的计算值, 而点对面模式一般可绘出基本电路可靠度、场强和功率等数据的等值曲线图, 可以供用户综合考虑。所算出的数值通常是用于估算在某一月份和时间短波的频率性能和短波所能覆盖的区域, 这个数值是一个估算值, 无法精确到某一天, 但是也有一些软件能够对确定的日期进行精确地预估, 这一软件中通常对影响电离层的数据进行了全盘考虑。

软件预测值是否准确不但取决于软件的算法同时还要依靠

(1) 对于系统模拟发射系统的参数的使用情况;

(2) 电离层和地磁条件的实际状况是否与所估算的值相符;

(3) 使用的天线场型图是否符合实际;

(4) 信噪比是否达标等。如果软件算法合理, 系统模拟发射系统的参数准确、电离层等条件达标的情况下, 计算软件能够很好的完成对于短波传输的计算。

结语

本文通过对短波传输的原理以及影响短波传输的因素进行了介绍, 并指出了通过一些软件可以精确预测短波传输的路径等。

参考文献

[1]樊熙熙, 黄同, 樊延虎.短波SSB数字传输终端管理软件设计[J].延安大学学报.2006.

[2]沈良.超短波抗干扰数据传输系统[J].解放军理工大学通信工程学院.2009.

软件故障预测 篇6

目前,在建筑业领域,决算超预算、预算超概算、概算超估算的“三超”现象比比皆是,给国家、行业和企业的管理带来很大不便,不利于建筑行业的健康发展。目前,我国建筑行业的投资量非常大,以福建为例:2011年福建省367个在建重点项目完成投资2 589亿元,同比增长33.7%,高于全社会固定资产投资预期增速6.7%;完成比例占年计划的112.5%。在建筑业发展迅速的大背景下,福建的9个设区市和平潭综合实验区普遍存在“三超”现象。因此,工程造价的预测和管理就变得越发重要。“三超”现象是我国市场经济运行机制不完善、法律制度不健全的产物,在建筑市场的表现尤为突出。因此,控制工程投资、搞好项目的工程造价管理就成为一个亟需研究和解决的课题。

现行的工程造价基于工程定额的计价模式,由政府部门统一定额和费用,适合于变化不大的计划体制。随着社会主义市场经济体制的建立,建筑市场发生了很大的变化:一方面,投资主体出现了多元化,要求建筑产品真正商品化,根据投资风险,按市场运行规律确定建筑产品的市场价格;另一方面,在建筑行业里,工程造价的管理仍基于政府部门编制的各种定额、费用进行计算,原来的体制没有从根本上突破,这是“三超”现象产生的重要原因。

本文的目的是打破基于定额的价格预测套路,将定额描述信息拆分为一个个关键词,并找出其中对于造价影响较大的关键词,通过关键词概括项目描述,形成项目特征,并根据项目特征的相似性找出相似项目,以预测新项目的造价。 这种方法的优点在于,由于关键字具有一定的建筑含义。例如,山坡切土、泵送、混凝土等。定额变化时,定额描述信息的关键词仍有部分兼容,这样当定额发生变化后,原有的工程信息仍可以作为预测的依据,避免因定额的滞后性和不完备性带来的价格预测不准确。

笔者通过与厦门海迈科技股份有限公司及厦门建设工程造价管理站合作,得到历年近百个工程的造价信息。通过构建较为完整的工程造价数据库,并采用相应算法对工程造价数据进行去噪、填补缺失数据,概念分层、关键词确认等数据预处理工作,形成合格的挖掘数据源,并基于造价信息的挖掘,构建一款基于工程特征自适应抽取的造价预测软件。

2定额描述信息预处理

为提高数据挖掘的性能,需要将造价数据数字化,而工程造价信息多是文本形式,结构化程度不高,不能直接用于数据挖掘。为解决建筑工艺发展与定额项目滞后这对矛盾, 需要抽取出各个定额项目的实际工艺,根据实际工艺比较相似度,据此计算出相似工程,从而根据相似工程的历史造价预测新工程的造价。

此外,定额项目过于繁琐。常见的预测算法都以定额编号为基础,工程是编号的集合。由于定额标准过于繁琐,常出现2个工艺类似且单价相近的却由于编号不同而被认为相互独立的定额项目。例如,表1中编号为010201003028和010201003029的项目。从项目描述分析,它们的相似性很高, 存在较高的关联。然而,由于编号不同,一般会认为二者完全无关,导致维度过多,带来维灾问题。

为此,需要对工程描述信息进行预处理,预处理的过程是对项目描述的离散化,即通过某些关键词表示项目。由于关键词的数量少得多,将工程表示为关键词的集合将降低工程的维度,更为准确地预测工程造价。

在本文中,笔者通过引入中科院计算所开发的中文分词软件ICTCLAS,对项目描述进行分词,再根据关联规则,从中抽取出频繁出现的关联词,作为项目的关键描述词。

3造价预测

造价预测的一大难题在于,物价随着时间的不同而不断变化,如果两个工程的施工时间差别很大,即便两个工程所使用的工艺,以及具体的工作量完全一样,它们的造价也可能有极大差别。因此,难以将相似历史工程的造价直接套用到待建工程上。一个解决方案是将相似历史工程的造价乘以价格指数,但由于不同工作、材料的价格涨幅不同,要给每项工作或材料确定单独的价格指数因过于复杂而不可行, 如果所有的工作或材料都使用相同的价格指数又显得不够精确。而如果想去掉价格指数的影响,就需要排除那些施工时间相对过早的工程。由于建设工程项目的数量相对较少,一个城市每年最多也就上百项,如果剔除这些相对较早的工程, 则相似工程的数量将大为减少,预测造价的准确度也将随之大幅降低。因此,本算法需要顾及价格和数量两方面的影响。

考虑到工程分为单项工程、单位工程和分部分项工程3个级别,在这3个级别中,分部分项工程粒度最小,用它进行预测最为准确,因此在造价预测算法中,我们关注于预测每个分部分项工程的造价,将一个工程各分部分项工程的造价加总则是该工程的总造价。

定义1:(定额项目的离散化描述)令K=(k1,k2,…,ki) 表示各分部分项工程中在各定额项目描述信息中出现的所有关键词,且ki<>kj。定额项目的定量离散化描述为Q= (q1,q2,…,qi),它表示是K中各关键词的定量系数,其中qi= quan/space,quan为定额项目的工程量,而space为工程建筑面积(单位为平米),即qi为定额项目在每平米上的量。定额项目的定价离散化描述为P=(p1,p2,…,pi),它表示是K中各关键词的定价系数,其中pi= price/space, price为该定额项目的总造价,而space为工程建筑面积(单位为平米),即pi为定额项目在每平米上的造价

定义2:( 分部分项工程的离散化描述) 令B= (b1,b2,…,bm) 是该分部分项工程的各定额项目,IK= (ik1,ik2,…iki) 是在B的描述信息中出现的关键词, 工程的定量离散化描述为IQ=(iq1,iq2,…,iqi), 其中而工程的定价离散化描述为IP=(ip1,ip2,…,ipi),其中

定义3:(数据规范化)令数据库中共有n个分部分项工程(E1, E2, …, Ek),分部分项工程Ex的规范向量为NQ=(nq1,nq2,…,nqi),其中nqi=iqi/max(iqi),iqi是当前分项工程中第i个关键词的系数,而max(iqi)是各分项工程中在第i关键词上的最大系数。通过此次规范化,分项工程规范化向量的每个值将被限制在0~1之间,以便比较分项工程间的相似度。

定义4:(分部分项工程相似度)分部分项工程I和J的相似度

其中m是(IKi∪ IKj)的元素个数,IKi、IKj分别是分部分项工程I和J的描述关键词,参见定义2。

本算法同时考虑定价和定量,先跟据定量的相似性找出新项目的分部分项工程n与历史项目分部分项工程的相似度,并从中挑选出相似度超过阀值的分部分项工程集合res (r1,r2,...,ri)进行进一步的价格预测。在集合res中,根据分项工程的定价离散化描述计算各相似关键词的定价系数和(sum_sim)与该分项工程每平米造价的比值,并根据其相似度求这些比值的加权平均(权重是ri与n的相似度), 作为集合res对新项目分部分项工程的预测比ratio。第三步在集合res中找出施工时间最近的项目工程rk,根据rk与n的相似关键词的定价系数和(sum_sim)占rk总关键词定价系数和(sum_all)的比重及rk的每平米造价,求出相关材料和工作的物价水平index(通过相似关键词体现材料和工作的相关性),并将ratio*index就可得出n的预测定价。

4平台实现

本文在前期的频繁关联描述词抽取的基础上,集成数据预处理算法及可视化技术,形成一个通用的可视化数据挖掘软件。 软件由工程信息输入、造价预测及关键词推荐3部分构成。

4.1工程信息输入

本模块用于用户输入待预测分部分项工程的基本信息。 例如,该工程的建筑面积、建筑类别、结构制式和楼层数, 并选定该分部分项工程的类型。以图1为例,待预测分部分项工程的类型是“桩与地基基础工程”,而这一类型的分部分项工程又属于“土建单位工程”,因此用户要通过单位工程类型和分布分项工程类型的两步过滤,筛选出符合条件的分部分项工程类型,然后系统将在“可选关键词”一栏中出现此类型的分部分项工程对应的关键词,用户从中挑选出对待预测工程造价影响较大的关键词作为预测特征。图1中, 用户挑选出“人工挖孔灌注混凝土桩”“人工挖孔桩空孔”“岩层成孔增加费”作为待预测分部分项工程的特征。

4.2造价预测

本模块根据造价预测算法得到预测造价,并显示于界面中。本模块用户界面如图2所示,用户可以查看相似工程的相似度,通过该相似工程得到的预测价格。此外,用户还可以查看该相似工程的具体造价信息。例如,构成相似工程的定额项目,包括项目编号、项目名称、项目特征、计量单位、 该项目的工程量和总造价。

4.3关键词推荐模块

由于建筑工程的工艺、使用材料和具体工作变化比较快, 这些信息主要体现在关键词上,如果无法及时更新关键词, 那么用户将难以发现相似工程的信息。为了保证关键词的及时更新,需要让最终用户也参与到这项工作中。同时,为了减少用户的工作量,系统将该工作隐藏在用户的日常行为中, 让用户通过关键词筛选更新关键词。

为此本模块采用中文分词算法,将清单描述信息分解成一个个词汇,根据词的前后关联概率,判断两词组合成新关键词的概率,并将概率超过阀值的候选关键词作为推荐关键词放入到“可选关键词”列表,并根据该推荐关键词被选中次数判断该关键词是否应成为确定关键词。为了检查分词的准确性,本系统提供了一个管理员界面以显示对某分部分项工程的清单信息进行分词的结果。最常见的词列于最上方, 所谓常见是指涉及该词的清单总金额最大。管理员还可以点击每一行,查看与该词前后关联程度大于阈值的词组及关联频率,对候选关键词的推荐进行手工判断,看看是否需要将该词与前后词组成新的候选关键词推荐给用户,并根据用户的选择率判断候选词推荐的准确程度。

5总结

由于工程造价预测由定额决定,而工程定额标准又由政府统一发布,难以适应技术和价格不断变化的形势。因此, 本文提出根据工程项目的描述词,抽取频繁出现的关键词, 基此自适应构建施工项目特征。并在此基础上,实现一款工程造价预测的软件。

风电机组振动监测与故障预测系统 篇7

作为一种清洁能源,风能的利用逐渐成为国家可持续发展的重要战略组成。受限于风能的分布,风电场大多分布在自然环境相对较恶劣的区域,加之风电机组复杂的机械结构等因素,各个部件极易被损坏[1,2]。如果能够在故障发生的初始阶段检测到异常情况,并及时进行维修,可大大降低严重故障发生的概率,进而减少风电机组运行维护成本,提高风电场运行的经济效益。因此,风电机组状态监测和故障预测系统的研发是非常必要的。

目前,风力发电技术尚处于发展阶段,关于风电机组状态监测和故障预测的研究不够深入。文献[3,4]利用统计分析方法分析大量的风电机组风速、温度等特征量离线运行数据,提取某些有规律的指标参数,与出厂设计标准值进行对比,以达到实现风电机组状态监测的目的。另外,现有对风电机组的故障预测多是基于SCADA监测数据信息开展研究,如文献[5]充分考虑风电机组各部件或子系统之间的相互作用和耦合关系,利用SCADA历史运行数据中的连续量监测数据进行故障预测。这些方法都需要大量的监测数据,运算复杂度较高,监测分析实时性较差。

风电机组状态监测技术主要涵盖振动分析、油液监测、热成像技术和过程参数监视等[6]。由于风电机组振动故障发生概率最高[7],振动信号所包含的信息量最大且实时性较好,因此,该系统采用振动分析法监测风电机组运行状态,并预测各部件的故障趋势。

本文介绍了该系统的主要组成部分,并对各部分功能进行阐述;对系统中包含的时域与频域分析方法进行仿真分析,验证所采用方法的可行性;对研发系统在某风电场捕捉到的异常信号进行分析,验证了研发系统在实际应用中的有效性。

1 振动监测与故障预测系统组成

1.1 基本思想

风电机组振动监测与故障预测系统主要由振动信号采集模块、风电场监控中心及远程监控诊断中心3部分组成。每台风电机安装若干振动信号采集模块,单个振动信号采集模块采集4路振动信号,经由网线或WIFI发送到网络中,光纤交换机将电信号转换为光信号,经由光纤将原始振动信号传输到风电场监控中心;风电场监控中心实时显示测得的振动信号,并存储分析;远程监控诊断中心通过VPN服务器与风电场监控中心建立联系,并调用振动信号数据,对存在异常的风电机组进行故障诊断分析。整个监测系统通过以太网建立连接,其中风电机组振动信号采集系统的网络拓扑结构如图1所示。

1.2 振动信号采集模块

作为风力发电机组振动监测系统中的核心智能单元,振动信号采集模块主要用于振动信号的采集、硬件滤波和信号传输控制等。振动信号采集模块具有4路信号采集通道,每个通道包含有信号调理电路和信号采集电路,并通过内部总线传送采集到的数据。其中,信号调理电路为振动传感器提供硬件滤波,去掉偏置电压,抗混叠,并将振动信号调制成差分信号,便于ADC芯片处理。信号采集电路主要包括ADC信号采样电路和测温电路,ADC芯片选用∑-△型ADC,满足对机械系统振动测量的要求;测温电路对AD、电源、协处理器等部位的温度进行监测,当温度到达极限值时,电路板停止工作,直到温度恢复正常,电路重新工作。电源电路保证整个系统的稳定运行,同时为IPC传感器提供4 mA的恒定电流。协处理器由MCU和DSP组成,负责对数据进行预处理,其中MCU负责采集数据,DSP负责处理数据。PHY代表10/100 M以太网模块及WIFI模块,负责网络数据的传输工作。具体设计构架如图2所示。

1.3 风电场监控中心

根据风电机组振动监测与故障预测系统的需求分析,采用C#号开发本系统,主要包含设备管理、信号监测设置与显示、数据存储与分析和故障预测4个模块。

(1)设备管理。对于不同型号的风电机组,输入相关部件的参数后,系统可以自动计算出对应的特征频率等参数,并将相关信息进行存储。

(2)信号监测设置与显示。登录系统后不仅可以对上位机监测参数等进行设置,还可以分别调节远端振动信号采集模块各个通道的采样频率等。在监测过程中,通过振动信号时域波形图、频谱图、瀑布图等显示测量信号状态,如果出现异常情况,系统发出预警信号,并根据需求打印相应的分析报告。

(3)数据存储与分析,考虑到1个风电场中存在几十或上百台风机,直接存储未经处理的振动信号并不现实。因此,系统采用定期存储与异常存储相结合的模式,在未检测到风电机组异常的情况下实施定期存储,检测到异常时进行实时存储。对于测量数据,实时计算其时域特征参数(峰值、有效值、峰值因数、峭度系数等[8]),并进行包络解调分析、幅值谱分析、倒频谱分析和EMD分解等详细的信号分析[9,10]。

(4)故障预测。系统采用基于数据和模型的方法对风电机组存在的故障进行预测,主要包括自学习、随机子空间和粒子滤波等方法。自学习方法通过分析存储的历史数据,获取风电机固有的振动特征参数,作为故障预测的阈值指标,当实时监测指标值偏离固有指标值一定范围时,发出预警信号。随机子空间方法通过定义参考特征值及均方根误差(Root Mean Square Error,RMSE)对风电机组的健康状况进行评价,根据曲线走势及门槛值便可得知风电机组相关部件的运行状况,大大降低系统对使用人员的要求,方便风电场运行人员对各个机组的监控。

1.4远程监控诊断中心

远程监控中心通过VPN服务器接入风电场监控中心,根据需求可以直接使用风电机组振动监测与故障预测系统,获取风电机组不同部位的实时振动信号数据、分析与诊断结论等。风电场监控中心也可以通过Web服务器定时向远程监控诊断中心发送数据、图形等。—该系统不仅可以方便总公司级的设备管理技术人员及时了解风电场设备运行状况,针对异常风电机组数据进行深入分析,还可以方便各个高校或科研单位获取实际风电机组振动数据,开展深层次的研究。

此外,风电机组是一个复杂的机械系统,准确分析判断一些异常状况,需要通过多种分析手段综合分析。结合以往经验及当前情况,这些工作只能由远程的专家来完成。专家通过远程监控诊断中心可随时获取机组振动数据,分析设备运行状态,定期或异常发生时提交分析报告指导风电机组的维护工作。

2 风电机组振动信号仿真分析

2.1 振动信号分析

振动信号采集模块采集得到的是以时间为序列的振动信号,通过提取信号中包含的特征信息,评估风电机组的运行状态。

系统使用峰值、有效值、峰值因数和峭度系数等时域参数对模拟的齿轮箱振动信号进行分析。分别计算齿轮箱正常运行、断齿故障和齿面磨损故障时,振动信号4个时域指标的结果,如表1所示。

由表1可知,发生故障时4个指标的计算结果都大于正常运行数据计算结果。比较峰值计算结果可以发现,断齿故障信号对应的结果远大于齿面磨损信号,可知断齿所造成的振动冲击非常显著;对于峭度系数,断齿故障信号的计算结果也远大于正常信号和齿面磨损信号的计算结果;而对于有效值和峰值因数,计算结果区分度较小,不易判断是否存在故障,通过表1分析,验证了部分时域参数能区分不同的故障类型,时域分析法可以初步判定风电机组是否存在异常状况。

2.2 故障预测

利用随机子空间方法分析采集到的振动信号,预测风电机组齿轮箱故障。其基本思路是:

(1)建立齿轮箱随机状态空间模型。

(2)利用测量到的稳态振动数据计算线性模型参数矩阵A的特征值,作为齿轮箱线性动态系统的参考特征值[13]。

当齿轮箱稳态运行时,计算得到的实时特征值稳定在系统参考特征值附近;当齿轮箱异常运行时,计算得到的实时特征值会偏离参考特征值,从而识别出齿轮箱的异常状态。为避免对多个特征值进行比较,系统将均方根误差(RMSE)作为总体评价指标,利用统计过程控制原理划定槛值,进而从数值上直观识别出齿轮箱的故障状态。经计算分析,确定出RMSE指标的门槛值为0.028 2。

为验证该方法的有效性,模拟齿轮箱断齿故障,并从故障前一段时间开始计算RMSE的变化趋势。如图3所示,初始阶段R MSE值在门槛值以下波动不大,但随着特征值点的发散,RMSE值越来越大。第679个点以后,曲线上升到0.028 2附近,并出现不同于正常状况的波动;第804个点以后,曲线完全越过门槛值,由此可以初步判定齿轮箱存在故障风险。随后,曲线上升速度骤增,表明齿轮箱运行状态恶化。故在第679个点附近应发出预警信号,提醒运行人员采取措施,实现风电机组的早期故障预警。

3 实测风电机组轴承异常信号分析

在某风电场实际安装了所研发的风电机组振动监测与故障预测系统,并将数据传输到风电场控制中心。在运行过程中,监测到某风电机组低速轴存在周期性的异常冲击信号,随后经过现场实际检查确认了检测信号的准确性。图4为实际传感器安装示意图。

设置振动信号采集模块的采样率为46.5 kHz,取冲击信号相同时间间隔的振动信号进行分析,其时域波形如图5所示。由图5可知,风电机组低速轴正常运行时,振动信号幅值较小且基本是平稳的随机波形。与正常振动信号不同,发生异常后时域波形具有明显的冲击信号。正常振动信号对应的峭度指标值为2.62,发生异常后对应的峭度指标值为18.05,从时域参数方面也能很明显发现异常状况。

图5中,对2段振动信号进行傅里叶变换分析,得到其频谱图如图6所示。由图6可知,发生异常后,振动信号频谱幅值整体变大,并未出现某一频率成分幅值突然变大,不存在轴承缺陷等相关特征频率,因此该异常信号并不是轴承缺陷等故障引起的冲击信号。经过分析相关结构及询问设备厂家,最终确定该异常是由于低速轴上对应的套皮管松动引起的。

取异常振动信号和正常振动信号对应频谱成分作差(如图7红色曲线),以及相同时间间隔正常振动信号频谱成分作差(如图7黑色曲线),也可以发现频谱成分幅值是整体增大的,进一步验证了分析结果的正确性。

4 结语

风电机组在线振动监测与故障预测管理系统通过实时监测风电机组振动信号,分析计算振动特征参数,从而实现了对风电机组主要部件的远程状态评估。该管理系统对于风电场实现风电机组的状态检修,提高机组在线运行时长,缩短排除故障时间,降低风电场运行损失具有重要意义。