冷库常年在复杂的工作条件下连续运行，对冷塔的振动信号进行建模和分析可以实现叶片和传动装置等重要部件的实现。冷单元。道，巡视等的状态监视和故障警告本文采用的建模方法是非线性状态估计（NSET）技术，它是根据对冷库单元塔振动特性和影响因素的详细分析而得出的。力涡轮机以及由大数据平台收集的存储单元塔。
　　关数据建立了塔架的振动模式。模型反映了正常冷藏条件下塔的振动。差统计方法可以分析冷库的估计振动的残值和塔架的实际值，这些值可以指示塔架振动的异常状态，从而为早期诊断冷却奠定基础。障，例如冷库破裂。
　　风冷藏仓库振动分析的良好基础和新思路。能新一代的能源具有以下特点：设备数量众多，种类繁多和分散，在生产过程的整个生命周期中都会生成大量数据。数据包含大量信息，例如公司的运营以及设备的运营和维护。“数据”已成为企业生产和运营的重要资源。过对这些数据的利用，对规则进行了分析，并为冷藏单元的警报和故障诊断提供了新思路。年来，在海量数据的基础上，对风能储能单元各部件的运行特性进行了深入的分析和研究，运用自动学习方法和数据挖掘技术对风能存储单元进行了监测。风储能单元和关键部件的现状，是技术发展的新趋势。于风电场的SCADA运行数据，基于定性分析系统的运行趋势，采用NSET方法建立冷库机组的塔架振动模型。能。模型可以反映系统正常运行条件下制冷储藏塔塔架的振动值，并分析测量值与模型输出值之间的残差，从而获得制冷剂塔架的演变。余平均值的趋势。果残留平均曲线超过阈值间隔，则表明蓄冷单元的塔架的振动操作异常。

　　作人员应事先检查并确定维护计划和维护时间，以避免和限制严重的财产损失，降低维护成本，并改善冷能存储单元。营的经济性。监视风冷蓄能器的状态时，塔架振动传感器安装在塔架的内壁，机舱与塔架之间的连接处以及加速度。量来自塔顶的振动。架的振动信号是一个重要参数，它反映了冷藏单元的旋转部件（例如齿轮箱，传动链，车轮）以及塔架的运行状况。过分析风能存储单元的运行数据，塔的振动加速度信号与风速，风向，功率等各种参数密切相关。

　　功，无功功率，电压，电流，涡轮转速，电网频率等该量是用于识别蓄冷单元的塔架的振动加速度信号的激励源。库单元塔架的振动模型基于冷库单元正常运行的SCADA数据，该模型描述了冷库单元塔架模型之间的多参数隐身关系。及正常情况下的激发源。故障发生在冷藏库的叶片或传动链中时，分析冷藏库的模型输出与正常模型输出之间的残差，然后分析冷藏库的运行状态。定异常塔，以发现早期故障的隐患。文采用NSET方法估算塔的振动加速度信号，而神经网络算法通过校正NSET加权参数以获得最佳估算值。后用残差和统计方法估计估计值和实际值。析残留物以获得残留平均值的趋势。NSET是Singer等人提出的多元估计技术。已成功应用于核电传感器的校准，设备监控和电子产品寿命的预测。D是过程存储器阵列，过程存储器阵列的每一列代表设备的正常运行状态，经过合理的选择过程，存储器阵列可以代表设备的整个动态过程。冷藏单元处于正常运行状态时，NSET输入观察向量位于由过程存储阵列D表示的常规工作空间中，该工作空间接近某些观察向量。阵D的历史记录，以及相应NSET模型的估计向量Xest和观察向量。
　　Xob距离更近，Xest具有很高的准确性。设备异常运行时，过程存储器矩阵D中的历史观测向量的组合将无法构造相应的精确估计值，这将导致估计向量Xest之间的较大差异和观察向量Xobs。余的K阈值取决于现场经验。出了一种基于现代神经科学的人工神经网络，并通过模拟大脑的神经网络如何处理和存储信息来进行信息处理。BP神经元网络是一个多层人工神经网络，其拓扑结构包括输入层，屏蔽层和输出层，每一层的神经元都传输到神经元的下一层。号初始化神经网络，确定所有连接权重的初始值，在最大学习次数上定义错误的精度等。机选择样本数据和相应的预期结果。算隐藏层中每个神经元的输入和输出。出层神经元的偏导数是使用实际输出和期望输出使用误差函数计算的。用输出层中隐藏层的连接权重，输出层的偏导数和隐藏层的输出来计算隐藏层中每个神经元的偏导数。接的权重通过输出层中每个神经元的偏导数和隐藏层中每个神经元的输出来校正。过将每个神经元输入到隐藏层中每个神经元的偏导数的输入层中，可以校正连接的权重。算总体误差。定错误是否满足要求，然后停止学习。果错误达到设置的错误值或达到最大学习次数，则算法结束，否则返回下一个学习周期的第三步。
　　个龙源集团风电场产生的第二级数据首先通过连接数据中心中各个风电场的专用线路传输到数据中心的卡夫卡集群。Kafka群集负责保留信息以防止数据丢失。外，kafka集群还负责平衡数据源的负载和高可用性。据处理实时数据流组负责从kafka集群中获取数据，执行解码，数据清理，转换，合并计算和数据处理。
　　出到实时处理集群文件系统。时数据流流程集群查询HBase集群，Oracle关系数据库集群和分布式文件系统，以根据定义的时间段生成实时数据。计分析工具根据分布式存储分析数据执行统计分析。供生产环境数据以探索和分析环境数据的提取。据样本是中国标准的1.5兆瓦冷库，平均频率为10分钟，共有19，000个训练数据和500个测试数据。与塔架振动有关的测量点有关的信息如下：观测矢量为：风速，有功功率，电压，电流，冷库安装无功功率，发电机速度，速度轮的方向，网络的频率，风向。

　　出参数是冷库单元塔架的振动加速度。
　　权向量加权W使用BP神经元网络，48个隐层神经元，4个输出神经元和自适应调整算法进行学习。过程或设备改变运行状态时，存在潜在的危险：由于动态特性的变化，观察到的观测向量与矩阵D的历史观测向量相结合，得到冷库的振动加速度值偏离实际测量值，残渣增加。场操作人员根据剩余经验值的阈值评估冷库故障警告。1是通过状态估计算法获得的冷库单元塔的振动加速度与收集的冷库单元的振动输出的比较非线性冷库在正常运行条件下的冷库。
　　一测量点的较大误差的原因在于，冷藏单元安全链的突然失效具有增加冷藏单元的制动振动的效果。本文中，我们使用非线性状态估计技术作为建模方法，使用非线性状态估计技术，详细分析了风力发电机冷库塔架的振动特性及其影响因素。型数据平台收集的冷塔数据。过对制冷存储单元塔架的振动信号进行建模和分析，可以监视状态并检测制冷存储单元重要元件的故障，例如叶片，传动链和转弯。

　　
　　真结果表明，采用非线性状态估计算法将冷库机组塔架的振动加速度与采集的振动加速度的输出值进行比较。库单元，冷库安装具有较高的预测准确性和早期故障检测能力，因此工作人员可以提前确定维护计划。及维护时间，以避免和限制严重的材料损坏，缩短了维护时间，降低了维护成本，并提高了风能存储单元的运行成本。
　　本文转载自
　　冷库安装 https://www.iceage-china.com