CN101995290A - 风力发电机振动监测的方法和系统 - Google Patents

Abstract

本发明提供了一种风力发电机振动监测的方法和系统，该方法基于大量的历史数据，通过基于粗糙集的数据挖掘方法，建立振动特征值范围规则库，其次，根据该规则库中提取的规则，由风力发电机的实时运行数据预测振动特征值范围，并计算振动特征值的阈值，最后，比较风力发电机运行特征的实时数据和上述振动特征值阈值，做出故障报警判断。该方法和系统考虑了不同的运行数据组合，可大幅降低风力发电机振动监测的误报警率，同时，上述振动特征值范围规则库以显式和可解释的多元规则的方式表示，易于理解，且方便进行自动或人工维护。

Description

风力发电机振动监测的方法和系统

技术领域

本发明涉及一种振动监测方法和系统，尤其是一种用于风力发电机的振动监测方法和系统。

背景技术

风力发电机(WTG)的工况监测和故障诊断通常集中在传动系统上，传动系统包括主轴、主变速箱、发电机等，这些部件要通过相应的轴承进行安装，这些机械转动部件的故障主要由润滑不充分、污染、过载或者固有缺陷引起。从传动系统获得的振动信号对于确定风力发电机的工况变化很有用处，然而，在风力发电机中，传统的振动监测系统误报警太多，主要原因是，与燃气/蒸汽轮机、离心压缩机、风机以及其他回转机器相比，风力发电机的行为模式是极其不稳定的，这就使得现有的风力发电机振动监测系统的可靠性受到质疑。

由于气动力是高度非线性和非平稳的，在不同工作条件下，风力发电机的动态特性有着显著差异。对于处在非稳态环境中的变速箱来说，转速、扭矩和作用于齿轮的力都在不断变化，出现风紊流的时候尤为如此。更复杂的是，即使在受控的稳态发电情况下，转子的转速和扭矩仍然有着明显变化。另外，转子、塔架、控制系统等各部件的动力学特征也存在差异，可能对传动系统产生较大影响，这些问题进一步影响了振动监测的精确度。实际运行时，振动监测数据的统计分析显示出巨大的非平稳特征，当传统的振动监测系统应用于风力发电机时，上述非平稳特征非常可能导致误报警的产生。

运行中的风力发电机的转子的转速和传动系统的负载均为非静态，对于转子转速而言，作用于传动系统的气动力扭矩与叶片尖速比、叶片设计、风速、桨距角、偏航误差以及任何叶片额外阻力有关。而传动系统的负载同样受到多种因素影响，例如定子/转子电流以及风紊流等随机因素。此外，一些特殊工况，例如制动事件，可能在短时间内产生随机性超大扭矩。这样，即使风力发电机在同样的风速和功率下运行，当其他运行数据(例如风偏或发电机定子电流)变化时，它的正常振动值也会发生变化。因此，振动阈值定义如果不考虑各种可能的运行数据组合，仍然会导致振动监测的高误报警率。

振动监测系统的每次误报警都会带来高昂的代价：风力发电机必须停止工作、对其进行彻底检查，甚至需要拆卸，这期间的发电损失和检测花费都是巨大的；另外，如果一个振动监测系统时常误报警，该系统会很快被关闭或忽视。这些因素使得精确监测风力发电机的振动状况非常困难，更不用说准确诊断故障了。

发明内容

本发明旨在提供一种风力发电机振动监测方法和系统，考虑各种可能的运行数据组合，自适应地确定被监测参数的阈值，从而降低误报警率，同时，提高可操作性和可解释性，降低维护难度。

本发明的另一个目的是提供实现本发明风力发电机振动监测方法的振动监测系统，该系统能综合考虑各种因素对风力发电机振动的影响，降低误报警率，降低维护成本。

为实现上述目的，本发明提出了一种风力发电机振动监测方法，该方法包括：

建立振动特征值范围规则库；

获取风力发电机所述各运行参数的实时运行数据；

根据所测得的实时运行数据预测风力发电机振动特征值范围；

根据所预测的振动特征值范围计算相应振动特征阈值；

比较所述相应振动特征值的所述实时运行数据与所述的振动特征值阈值；

当所述相应振动特征值的所述实时运行数据大于所述的振动特征值阈值时，发出报警信号；

所述振动特征值范围规则库依如下方法建立：

获取风力发电机各项运行参数的历史数据和振动特征的正常范围数据，并存储到数据库中；

对存储到数据库中的数据进行离散化；

对经离散化的所述数据进行基于粗糙集的数据挖掘，构成知识系统，风力发电机的参数数量较多，且各项数据一定程度上具有不确定性和不精确性，粗糙集方法可以很好地解决这些问题；

提取风力发电机正常运行的振动特征值范围规则，建立振动特征值范围规则库。

根据本发明的再一种风力发电机振动监测方法，其中，上述各项运行参数的历史数据包括风力发电机的数据采集与监视控制(SCADA)数据、控制变量在已知正常状态下的运行数据。

根据本发明的另一种风力发电机振动监测方法，其中应用粗糙集的数据挖掘方法对风力发电机多项运行参数构成的属性集进行属性约简，确定最小属性集，从而简化知识表示，提高系统的处理效率，并方便用户决策。

本发明还提出了一种采用本发明的风力发电机振动监测方法的系统，该系统包含：

一个包含振动特征值范围规则的振动特征值范围规则库；

一个用于获取运行中的风力发电机的SCADA数据和控制变量的实时数据获取单元；

一个振动特征值范围预测单元，其根据所述的振动特征值范围规则库中的规则与实时运行所获取的数据，预测振动特征范围；

一个振动特征阈值计算单元，其用于根据所预测的振动特征范围，计算风力发电机的振动特征值阈值；

一个振动特征值监测单元，用于监测风力发电机相应振动特征值，并获取该振动特征值的实时数据；

一个用于比较所述振动特征值阈值和所述振动特征实时数据的比较单元；和

一个报警单元，当所述振动特征值实时数据超过所述振动特征值阈值时，发出相应故障报警信号。

在本发明的风力发电振动监测方法和系统中，一方面，由于风力发电机振动特征值阈值基于自动选择的运行数据的相互关系计算得到，可大幅降低在多种正常运行状态下引起的误报警。另一方面，由于本发明基于风力发电机历史数据，通过基于粗糙集的数据挖掘，建立振动特征值范围规则库，这些规则以自动选择的运行数据的紧致集形式表示，而不是采用所有类型的运行数据。通过规则库，考虑不同的运行数据组合，即可在风力发电机的各种正常运行状态下计算得到振动特征值阈值，从而大幅降低误报警率。

另外，在本发明风力发电振动监测方法和系统中，振动特征值范围规则库以显式和可解释的多元规则的方式表示，从试验、标准或其他同类风力发电机维护经验中得到的规则，很容易由维护人员加入已有规则库中。另外，通过自动和周期性的数据库知识发现升级机制，可以持续、自动的从风力发电机的监测经验中“学习”，这样，随着时间推移，振动监测系统的精度将进一步提高，误报警率将进一步下降。

附图说明

以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，

图1是建立本发明的风力发电机正常运行状态规则库的流程图；

图2是本发明的风力发电机振动监测方法的流程图；

图3是本发明的风力发电机振动监测系统的框图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。

图1显示振动特征值范围规则库的建立过程。振动监测之前，在风力发电机的一个特定正常运行期间内执行步骤S10(通常应保证至少六个月或者一年)，获取各种相关数据并储存到一个数据库中，然后进行离散化。这些数据包括风力发电机的正常振动特征值数据、数据采集与监视控制(SCADA)的历史数据、已知正常运行状态以及控制变量等，这些数据是用于数据挖掘的风力发电机运行状态的历史数据。

振动特征值数据可以是时域、频域或者其他域的振动信号统计参数，例如在主变速箱的高速端获得的振动速度时间信号(10-1000Hz)有效值。一般来说，用于数据挖掘的历史数据越多，建立的振动监测系统的误报警可能性就越低。表1显示了一种收集到的历史数据的属性集，当然这个属性集也就是后面将要提到的条件数据的属性集。表2显示用于数据挖掘的振动特征值范围决策属性集，该属性集包括风力发电机正常运行的状态数据。振动特征值范围作为决策属性，可由现有标准(例如德国标准VDI 3834)或者风力发电机的运行经验确定，例如，VDI 3834标准中的每个正常振动速度范围可等分为5个部分，每一部分都可定义为表2中的一个决策属性。

表1  条件属性集

表2  决策属性集

决策属性	振动特征数值(10-1000HZ)	单位	范围
				D1	转子主轴轴承振动速度有效值	mm/s	[0 0.4)
D2	主变速箱低速级振动速度有效值	mm/s	[0 0.7)
				D3	主变速箱中速级振动速度有效值	mm/s	[0 0.7)
D4	主变速箱高速级振动速度有效值	mm/s	[0 0.7)
				D5	发电机驱动端振动速度有效值	mm/s	[0 1.2)
D6	发电机非驱动端振动速度有效值	mm/s	[0 1.2)
				D7	转子主轴轴承振动速度有效值	mm/s	[0.4 0.8)
D8	主变速箱低速级振动速度有效值	mm/s	[0.7 1.4)
				D9	主变速箱中速级振动速度有效值	mm/s	[0.7 1.4)
D10	主变速箱高速级振动速度有效值	mm/s	[0.7 1.4)
				D11	发电机驱动端振动速度有效值	mm/s	[1.2 2.4)
D12	发电机非驱动端振动速度有效值	mm/s	[1.2 2.4)
				D13	转子主轴轴承振动速度有效值	mm/s	[0.8 1.2)
D14	主变速箱低速级振动速度有效值	mm/s	[1.4 2.1)
				D15	主变速箱中速级振动速度有效值	mm/s	[1.4 2.1)
D16	主变速箱高速级振动速度有效值	mm/s	[1.4 2.1)
				D17	发电机驱动端振动速度有效值	mm/s	[2.4 3.6)

D18	发电机非驱动端振动速度有效值	mm/s	[2.4 3.6)
				D19	转子主轴轴承振动速度有效值	mm/s	[1.2 1.6)
D20	主变速箱低速级振动速度有效值	mm/s	[2.1 2.8)
				D21	主变速箱中速级振动速度有效值	mm/s	[2.1 2.8)
D22	主变速箱高速级振动速度有效值	mm/s	[2.1 2.8)
				D23	发电机驱动端振动速度有效值	mm/s	[3.6 4.8)
D24	发电机非驱动端振动速度有效值	mm/s	[3.6 4.8)
				D25	转子主轴轴承振动速度有效值	mm/s	[1.6 2.0)
D26	主变速箱低速级振动速度有效值	mm/s	[2.8 3.5)
				D27	主变速箱中速级振动速度有效值	mm/s	[2.8 3.5)
D28	主变速箱高速级振动速度有效值	mm/s	[2.8 3.5)
				D29	发电机驱动端振动速度有效值	mm/s	[4.8 6.0)
D30	发电机非驱动端振动速度有效值	mm/s	[4.8 6.0)

在步骤S12，在图1的数据挖掘单元中，对步骤S10中收集的数据进行基于粗糙集的数据挖掘，构成知识系统。由风力发电机运行数据和正常运行时测得的振动特征值，定义知识系统如下，该知识系统即决策表，可用于规则提取：

DT＝<U，C∪D，V，f>        (1)

其中，DT即知识系统；

U是N个对象的有限集，例如从风力发电机获得的N次样本数据；

C是条件属性集，例如表1所示的风力发电机的各项运行数据；

D是决策属性集，例如表2所示的振动特征值范围；

V的定义如下：

V＝∪_q∈C∪DV_q             (2)

其中，V_q是属性q的定义域集合，q∈(C∪D)；

f的定义如下：

f：U×(C∪D)→V            (3)

其中，f是全体决策函数，对每一个q∈(C∪D)和x∈U

f(x，q)∈V_q                (4)

风力发电机的运行参数数据类型较多，且各项数据一定程度上具有不精确性和不确定性，粗糙集方法可以很好地解决这一问题。

知识系统中部分属性可能是冗余的，可予以约简，对冗余属性的约简不应损失必要信息。作为粗糙集理论核心内容之一的属性约简，可以给知识系统确定更小的属性集，约简后的属性集包含的知识与原属性集相同或相近。据此，初始属性集A的一个约简集(即RED(A))可定义为：

$E=\mathrm{RED}\left(A\right)\&DoubleLeftRightArrow;(E\&Subset;A,\mathrm{IND}\left(E\right)=\mathrm{IND}\left(A\right))$

其中，E是A约简后的属性集；

IND()表示属性集生成的不可分辨关系。

在知识系统DT中(参见方程(1))，对于初始属性集A可区分的所有对象，如果约简属性集E都可区分，并且E已经不能进一步约简，则称E为最小属性集。由此可见，在进行属性约简后，作为知识系统核心部分的最小属性集，在仍然可区分初始属性集所能区分的所有对象的同时，简化了知识表示，提高了系统的处理效率，从而方便用户决策。

根据表1和表2中的数据，通过数据挖掘可以建立风力发电机振动监测决策表，如表3所示。

表3  决策表

在步骤S14，根据表3，从知识系统提取正常运行状态的风力发电机振动特征值范围规则，参见表4，这些规则为风力发电机的振动监测提供了条件。

表4  振动特征范围规则

如表4所示，条件属性集C离散化后，通过属性约简，即可建立风力发电机振动特征值范围规则库，这些规则以自动选择的条件属性的紧致集方式表示，显然，自动选择的条件属性一般而言是初始属性集的一部分。该规则库挖掘了风力发电机的振动特征值和运行数据之间的重要关系，利用该规则库，并结合风力发电机的实时运行数据，即可预测振动特征值范围。

在风力发电机的振动特征值范围规则库建立后，利用该规则库即可进行振动监测。图2显示本发明的振动监测方法的流程。

如图2所示，在步骤S20中，获取表示风力发电机特性的各种实时数据，这些数据主要包括在图1所示的数据挖掘步骤S12中用到的数据采集与监视控制数据和控制变量；

在步骤S22中，从图1所示的步骤S14已经建立的风力发电机振动特征值范围规则库中，提取相应的振动特征值范围规则，根据该规则，由实时运行数据预测风力发电机振动特征值范围；

在步骤S24中，由所预测的振动特征值范围，计算相应振动特征值的相应阈值，例如，报警阈值可定义为所预测的振动速度有效值上限乘以不同权重因子；

在步骤S25中，对实际运行中的风力发电机的相应振动特征值进行监测，并获取其实时数据；

在步骤S26中，比较步骤S24中计算得出的振动特征值阈值和在步骤S25中测得的振动特征值的实时数据。如果振动特征值实时数据在正常范围之内，则继续执行监测程序；如果振动特征值实时数据超过振动特征值阈值，则在步骤S28中发出相应故障报警。

图3显示了本发明的一种风力发电机的振动监测系统的框图，该振动监测系统包括：

实时数据获取单元30：用于获取运行中的风力发电机的SCADA数据和控制变量等实时数据；

振动特征值范围规则库31：该规则库31即根据本发明如图1所示的振动监测方法建立的风力发电机振动特征值范围规则库，由振动特征值范围规则组成；

振动特征值范围预测单元32：用于预测振动特征值范围；

振动特征值阈值计算单元34：用于计算振动特征值阈值；

振动特征值监测单元35：用于监测风力发电机的相应振动特征值，并获取该振动特征值的实时数据；

比较单元36：用于比较振动特征值阈值和振动特征值实时数据；

报警单元38：当振动特征值的具体数值超过振动特征值阈值时，发出相应故障报警。

如图3所示，该风力发电机的振动监测系统在实时数据获取单元30获取风力发电机的各项实时数据，包括表1中的SCADA数据和控制变量等数据。系统从振动特征值范围规则库31中提取相应的振动特征值范围规则，根据该规则，振动特征值范围预测单元32根据实时运行数据，预测风力发电机振动特征值范围。由所预测的振动特征值范围，振动特征值阈值计算单元34计算出风力发电机的振动特征值阈值。振动特征值监测单元35监测风力发电机的相应振动特征值，并获取该振动特征值的实时数据。在获得风力发电机实时数据的同时，比较单元36比较振动特征值阈值和振动特征值实时数据。如果振动特征值实时数据超过振动特征值阈值，报警单元38就会以一定形式发出相应故障报警。

本发明的风力发电机振动监测方法和系统，基于大量的历史数据，通过数据挖掘方法(例如粗糙集计算)，建立振动特征范围规则库，这些规则以自动选择的运行数据的紧致集形式表示。通过上述规则库，考虑不同的运行数据组合，即可在任何运行状态下计算得到振动特征值的阈值。由于该阈值是基于自动选择的运行数据的相互关系计算得到，可大幅降低系统的误报警。

同时，振动特征范围规则库以显式和可解释的多元规则的方式表示，易于理解，且方便进行自动或人工维护，从试验、标准或其他同类风力发电机维护经验中得到的规则，很容易由维护人员加入已有规则库中。另外，通过自动和周期性的数据库知识发现升级机制，系统可以持续、自动的从风力发电机的监测经验中“学习”，使自身的预测准确性继续提高。这样，随着时间推移，该振动监测系统的精度将进一步提高，误报警率将进一步下降。

以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合，均应属于本发明保护的范围。

Claims (4)

1.一种风力发电机振动监测的方法，其特征在于，包括：

建立振动特征值范围规则库；

获取风力发电机所述各项运行参数的实时运行数据；

根据所测得的实时运行数据预测风力发电机振动特征值范围；

根据所预测的振动特征值范围计算相应振动特征值阈值；

比较所述相应振动特征值的所述实时运行数据与所述的振动特征值阈值；

当所述相应振动特征值的所述实时运行数据大于所述的振动特征值阈值时，发出报警信号；

所述振动特征值范围规则库依如下方法建立：

获取正常运行状态下风力发电机各项运行参数的历史数据和振动特征值的数据，并存储到数据库中；

对存储到数据库中的数据进行离散化；

对经离散化的所述数据进行基于粗糙集的数据挖掘，构成知识系统；

提取风力发电机正常运行状态时的振动特征值范围规则，建立振动特征值范围规则库。

2.如权利要求1所述的风力发电机振动监测的方法，其中，所述各项运行参数的历史数据包括风力发电机在正常运行状态下的数据采集与监视控制(SCADA)数据、控制变量的运行数据。

3.如权利要求1所述的风力发电机振动监测的方法，其中，所述基于粗糙集的数据挖掘方法包括对所述风力发电机各项运行参数构成的属性集进行属性约简，从而确定最小属性集。

4.一种采用权利要求1所述的风力发电机振动监测方法的系统，其特征在于该系统包括：

一个包含振动特征值范围规则的振动特征值范围规则库；

一个用于获取运行中的风力发电机的SCADA数据和控制变量的实时数据获取单元；

一个振动特征值范围预测单元，其根据所述的振动特征值范围规则库中的规则与实时运行所获取的数据，预测振动特征值范围；

一个振动特征阈值计算单元，其用于根据所预测的振动特征值范围，计算风力发电机的振动特征值阈值；

一个振动特征值监测单元，用于监测风力发电机相应振动特征值，并获取该振动特征值的实时数据；

一个用于比较所述振动特征值阈值和所述振动特征值实时数据的比较单元；和

一个报警单元，当所述振动特征值实时数据超过所述振动特征值阈值时，发出相应故障报警信号。

Images