CN102022264B - 用于风力涡轮机健康管理的系统和方法 - Google Patents

Abstract

本发明涉及用于风力涡轮机健康管理的系统和方法。提供了一种用于在管理至少一个风力涡轮机(202)的运行寿命时使用的控制器(204)。该控制器通信地联接到风力涡轮机和服务器子系统(216)上。控制器构造成以便接收来自风力涡轮机的运行数据(214)，将该运行数据传输到服务器子系统，将对于对应于风力涡轮机的历史数据(222)的请求传输到服务器子系统，接收来自服务器子系统的响应，该响应包括对应于风力涡轮机的历史数据；以及基于运行数据和历史数据中的至少一个来确定风力涡轮机的故障前时间的估计值。

Description

用于风力涡轮机健康管理的系统和方法

技术领域

本发明的领域大体涉及风力涡轮机，且更具体而言涉及管理风力涡轮机发电机的运行寿命。 

背景技术

风力涡轮机发电机使用风能来发电，且其在发电的可再生源方面正变得日益更加重要。 

风力涡轮机典型地包括监测风力涡轮机的各种运行参数的装置，例如控制器。控制器可调节各种运行参数，例如风力涡轮机所面向的方向和/或转子叶片的桨距角。另外，控制器可确定置于风力涡轮机上的发电机负载，以在风力涡轮机构件的物理约束内高效地发电。施加在风力涡轮机上的这些应力和负载可导致风力涡轮机故障或失灵，这可阻止风力涡轮机发电。这个故障或失灵可导致风力涡轮机的经营者的收入损失，直到修好或更换了风力涡轮机为止。 

一般来说，风力涡轮机监测系统是反作用式的，因为系统针对表示风力涡轮机中的立即要求进行修理或更换的故障或失灵的异常和/或出错触发来监测风力涡轮机的各种运行参数。其它监测系统可针对诸如振动、温度、机械应力和发电输出的运行参数的显著增大或减小来监测风力涡轮机。这些运行参数可表示风力涡轮机在不久的将来的某个未知时间会接近故障或失灵。这种故障或失灵可需要修理或更换，但是也可表示风力涡轮机的运行参数应当调节成使得风力涡轮机能够继续运行。在必须更换风力涡轮机之前修理或更换风力涡轮机可不必要地增加风力涡轮机发电设施的运行成本。可确定风力涡轮机的故障的更加精确的时间估计值的经营者可在更接近风力涡轮机的运 行寿命结束的时候更换风力涡轮机，以便避免这种过早的修理或更换。另外，这种经营者可减小来自于由风力涡轮机的意外故障或失灵造成的发电容量损失的潜在的收入损失。 

发明内容

在一方面，提供了一种用于在管理至少一个风力涡轮机的运行寿命时使用的控制器。该控制器通信地联接到风力涡轮机和服务器子系统上。控制器构造成以便接收来自风力涡轮机的运行数据，将运行数据传输到服务器子系统，以及将对于对应于风力涡轮机的历史数据的请求传输到服务器子系统。该控制器进一步构造成以便接收来自服务器子系统的响应，其中该响应包括对应于风力涡轮机的历史数据，且构造成以便基于运行数据和历史数据来确定风力涡轮机故障前时间的估计值。运行数据可包括由传感器传输的信号，该信号对应于由传感器测量的风力涡轮机的至少一个运行参数的测量值。运行数据可进一步包括对应于由传感器传输的信号的出错状态，该出错状态表示信号值在预定范围外。历史数据可包括对应于风力涡轮机和预定的可互换的风力涡轮机发电机构件中的至少一个的历史运行数据。在一个实施例中，服务器子系统可将接收到的运行数据存储在存储介质上以用作历史数据。控制器可进一步构造成以便基于估计的故障前时间、运行数据和历史数据中的至少一个来确定风力涡轮机的修理、检修、检查和更换中的至少一个的时间。控制器可联接到用于在输出估计的故障前时间、运行数据和历史数据中的至少一个时使用的至少一个输出装置上。在另一方面，提供了一种用于在管理至少一个风力涡轮机的运行寿命时使用的系统。该系统包括通过通信接口通信地联接到风力涡轮机上的控制器。该控制器构造成以便基于对应于风力涡轮机的运行数据和/或历史数据来确定风力涡轮机故障前时间的估计值。该系统进一步包括通信地联接到控制器上的服务器子系统。该服务器子系统构造成以便从控制器接收对应于风力涡轮机的运行数据，从控制器接 收对于对应于风力涡轮机的历史数据的请求，以及将响应传输到控制器。该响应包括对应于风力涡轮机的历史数据。 

在另一方面，提供了一种用于在管理至少一个风力涡轮机的运行寿命时使用的系统。该系统包括通过通信接口通信地联接到风力涡轮机上的控制器。该控制器构造成以便基于对应于风力涡轮机的运行数据和/或历史数据来确定风力涡轮机故障前时间的估计值。该系统进一步包括通信地联接到控制器上的服务器子系统。该服务器子系统构造成以便接收来自控制器的对应于风力涡轮机的运行数据，接收来自控制器的、对于对应于风力涡轮机的历史数据的请求，以及将响应传输到控制器。该响应包括对应于风力涡轮机的历史数据。系统运行数据可包括由传感器传输的信号，该信号对应于由传感器测量的至少一个风力涡轮机的至少一个运行参数的测量值。运行数据可包括对应于由传感器传输的信号的出错状态，该出错状态表示信号值在预定范围外。在一个实施例中，系统的历史数据可包括对应于风力涡轮机和预定的可互换的风力涡轮机发电机构件中的至少一个的历史运行数据。服务器子系统可将接收到的运行数据存储在存储介质上以用作历史数据。系统控制器可进一步基于估计的故障前时间、运行数据和历史数据中的至少一个来确定风力涡轮机的修理、检修、检查和更换中的至少一个的时间。控制器和服务器子系统中的至少一个可联接到用于在输出估计的故障前时间、运行数据和历史数据中的至少一个时使用的至少一个输出装置上。 

附图说明

在又一方面，提供了一种用于使用控制器来管理至少一个风力涡轮机的运行寿命的方法。该控制器通信地联接到风力涡轮机上。该方法包括在控制器处接收来自风力涡轮机的运行数据，将运行数据传输到服务器子系统，以及将对于对应于风力涡轮机的历史数据的请求传输到服务器子系统。该方法进一步包括在控制器处接收来自服务器子系统的响应。该响应包括对应于风力涡轮机的历史数据，以及基于运行数据和/或历史数据来确定风力涡轮机故障前时间的估计值。运行数据可包括由传感器传输的信号，该信号对应于由传感器测量的风力涡轮机的至少一个运行参数的测量值。另外，运行数据可包括对应于由传感器传输的信号的出错状态，该出错状态表示信号值在预定范围外。该方法可使用由对应于风力涡轮机和预定的可互换的风力涡轮机发电机构件中的至少一个的历史运行数据组成的运行数据。将运行数据传输到服务器子系统可进一步包括将运行数据存储在存储子系统上以用作历史数据。该方法可进一步包括基于估计的故障前时间、运行数据和历史数据中的至少一个来确定修理、检修、检查和更换中的至少一个的时间。图1是示出了示例性风力涡轮机发电机100的示意图。图2是示出了一种用于在管理风力涡轮机发电机的运行寿命时使用的示例性系统的方框图。 

图3是示出了用来计算用于在确定风力涡轮机发电机的运行寿命时使用的、基于物理性质的维护因数的示例性子系统的方框图。 

图4是示出了用来计算用于在确定风力涡轮机发电机的运行寿命时使用的、基于经验的维护因数的示例性子系统的方框图。 

图5是示出了用来计算用于在确定风力涡轮机发电机的运行寿命时使用的、基于事件的故障可能性的示例性子系统的方框图。 

图6是示出了用于通过结合前面的图中描述的维护因数和故障可能性来确定风力涡轮机的运行寿命的示例性子系统的方框图。 

图7是用于管理风力涡轮机发电机的运行寿命的一种示例性方法的流程图。 

部件列表 

100风力涡轮机发电机 

102转子 

104转子叶片 

106轮毂 

108    发电机 

109    机舱 

110    支承塔架 

112    轴线 

200    系统 

202    风力涡轮机 

204    控制器 

206    处理器 

208    存储区 

210    控制器通信接口 

212    传感器 

213    信号 

214    运行数据 

216    服务器子系统 

218    处理器 

220    服务器通信接口 

222    历史数据 

224    存储介质 

226    降低的发电机负载 

228    发电机 

230    输出装置 

300    子系统 

302    维护因数(MF) 

304    模拟器 

306    现场状态 

308    设计数据 

310    模型化的输入参数 

312    历史现场数据 

314    故障威布尔分布 

324    故障威布尔分布 

400    子系统 

402    维护因数 

402    维护因数系数 

404    测得数据 

406    使用指数 

408    容量因数 

410    油液碎屑特征 

412    最终特征 

414    数据 

500    子系统 

502    故障可能性 

504    第一出错警告 

506    出错发生率(FOR) 

508    型式规则 

510    历史现场数据 

600    子系统 

602    维护因数 

604    经验维护因数 

606    维护因数 

608    数据融合技术 

610    结果 

700    方法 

702    接收运行数据 

704    将运行数据传输到服务器子系统 

706    传输对于历史数据的请求 

708    接收包括历史数据的响应 

710    确定故障前时间的估计值 

具体实施方式

图1是示出了示例性风力涡轮机发电机100的示意图。在该示例性实施例中，风力涡轮机发电机100是水平轴风力涡轮机发电机。在一个备选实施例中，风力涡轮机发电机100可为竖直轴风力涡轮机发电机。风力涡轮机发电机100包括转子102，转子102包括联接到可旋转的轮毂106上的多个转子叶片104。轮毂106联接到发电机108上，发电机108包围在机舱109内。在该示例性实施例中，转子102包括三个转子叶片104。在一个备选实施例中，转子102包括对在本领域中熟练的且由本文提供来执行本文描述的功能的教导所指导的技术人员来说已知的任何适当数量的转子叶片104。在该示例性实施例中，机舱109联接到支承塔架110上，该支承塔架110在运行期间支承风力涡轮机发电机100。如本文所用，术语“风力涡轮机”和“风力涡轮机发电机”是以可互换的方式使用的。 

在该示例性实施例中，风力对转子叶片104起作用，导致转子102绕着风力涡轮机发电机100的发电机108的轴线112旋转，以及产生电功率。在该示例性实施例中，由风力在转子叶片104、轮毂106、发电机部分108、机舱109和支承塔架110上产生的应力由传感器212(在图2中示意性地显示)测量，且所得到的测量值传输到控制器204(在图2中示意性地显示)。在一个实施例中，控制器204可调节风力涡轮机发电机100的运行参数，例如转子叶片104的桨距角，其减小或增大风在转子叶片104上引起的压力，而且类似地减小或增大轮毂106施加到风力涡轮机发电机100的发电机108上的扭矩。在一个备选实施例中，控制器204可调节联接到风力涡轮机发电机100上的发电负载226(在图2中示意性地显示)，从而减小操作风力涡轮机发电机100的发电机108所需的扭矩。在该示例性实施例中，控制器204可调节转子102所面朝的方向。在某些实施例中，传感器212测量多 个运行参数，包括但不限于构件温度、发电机功率输出和/或扭矩。 

图2是示出了用于在管理风力涡轮机发电机202的运行寿命时使用的示例性系统200的方框图。在该示例性实施例中，系统200包括控制器204，控制器204包括处理器206、存储区208，以及将控制器204联接到风力涡轮机发电机202上的控制器通信接口210。在该示例性实施例中，传感器212测量风力涡轮机202的一个或多个运行参数，且将对应于测量值的一个或多个信号213传输到控制器204。在这种实施例中，运行数据214可包括表示由传感器21 2得到的测量值在预定范围外的出错状态。在该示例性实施例中，风力涡轮机202包括各自用来测量风力涡轮机202的相应的构件的各种运行参数(例如机械应力和温度)的多个传感器212。另外，在该示例性实施例中，控制器204通过控制器通信接口210和服务器通信接口220通信地联接到服务器子系统216上，控制器通信接口210和服务器通信接口220用于在存储和取回存储在位于服务器子系统216中的存储介质224上的运行数据214和/或历史数据222时使用。在一个备选实施例中，存储介质224与服务器子系统216分开和分离，且通过服务器通信接口220通信地联接到服务器子系统216上。在该示例性实施例中，服务器子系统216接收对应于风力涡轮机202的、来自控制器204的运行数据214。另外，在该示例性实施例中，服务器子系统216接收来自控制器204的、对于对应于风力涡轮机202的历史数据222的请求，处理器218确定响应，而服务器子系统216将该响应(包括对应于风力涡轮机202的历史数据222)传输到控制器204。在一个实施例中，服务器子系统216将接收到的运行数据214存储在存储介质224上。在另一个实施例中，当响应对于历史数据222的后来的请求时，服务器子系统216包括存储的运行数据214以及历史数据222。 

在该示例性实施例中，控制器204接收来自传感器212的运行数据214和来自服务器子系统216的历史数据222(两者均对应于风力涡轮机202)，且控制器204确定风力涡轮机202故障前时间的估计值。 在该示例性实施例中，历史数据222包括在历史上已经导致了风力涡轮机202的构件的相关联的出错和故障的风力涡轮机202的运行参数的型式。在这种实施例中，历史数据222还可包括来自预定的可互换的风力涡轮机发电机构件(例如发电容量不定的可互换的替换发电机228和大小不定的可互换的替换转子叶片104)的历史数据。这种可互换的构件可展现与风力涡轮机202类似的出错和/或故障型式，而且将这些型式结合到历史数据222中可提高控制器204确定风力涡轮机202故障前时间的估计值的精确性。另外，在该示例性实施例中，控制器204基于至少一个基于物理性质的维护因数来计算第一故障可能性(在图3中显示)。在这种实施例中，控制器204还可基于至少一个经验维护因数来计算第二故障可能性(在图4中显示)，以及基于至少一个基于事件的维护因数来计算第三故障可能性(在图5中显示)。在这种示例性实施例中，控制器204基于Dempster-Schafer证据理论、贝叶斯数据融合和/或模糊逻辑而使用数据融合公式来结合第一故障可能性、第二故障可能性和/或第三故障可能性中的两个或更多个，以确定风力涡轮机202的估计的故障前时间。第一故障可能性、第二故障可能性和第三故障可能性中的各个提供某个水平的精确性，可通过结合单独的故障可能性中的两个或更多个来提高该精确性。与仅对表示需要紧急修理和/或更换的风力涡轮机202的当前出错或故障的、来自传感器212的警告作出反应相反，确定风力涡轮机202的故障前时间使得风力涡轮机202的经营者能够计划风力涡轮机202或风力涡轮机202的构件的修理和/或更换。一般来说，与未预定的修理或更换相比，可更加迅速地完成预定的修理或更换，从而产生风力涡轮机202的更短的停机时间，导致风力涡轮机202花更多时间产生电功率，以便由风力涡轮机202的经营者使用或出售。 

另外，在一个实施例中，在确定了风力涡轮机202的故障前时间正在接近之后，系统200可降低联接到风力涡轮机202的发电机228上的发电机负载226，以减小风力涡轮机202的构件上的整体应力和 负载，以及延长相应的风力涡轮机202的运行寿命。在一个备选实施例中，系统200使联接到风力涡轮机202上的发电机负载226提高一定负载量，该负载量大到足以抵销联接到不同的风力涡轮机202上的降低的发电机负载226。在又一个实施例中，系统200使联接到多个风力涡轮机202上的各个发电机负载226各自提高降低的发电机负载226的一部分，借此全部提高的总和就大到足以抵销联接到接近其故障前时间的不同的风力涡轮机202上的降低的发电机负载226。另外，在一个实施例中，包括控制器204和服务器子系统216的系统200联接到用于在输出故障前时间确定(量)、运行数据214和历史数据222时使用的至少一个输出装置230上。在某些实施例中，这种输出装置230可包括用来按人类可读的形式显示输出的显示模块(未显示)，以及/或者用来使输出与其它装置或系统相互作用的接口模块(未显示)。 

图3是示出了用于计算至少一个基于物理性质的维护因数302以便由控制器(例如图2所示的控制器204)用来确定风力涡轮机(例如图1所示的风力涡轮机100或图2所示的风力涡轮机202)的运行寿命的示例性子系统300的方框图。在一个示例性实施例中，风力涡轮机性能模拟器304使用风场的至少一个实际现场状态306和至少一种类型的涡轮机构造设计数据308来模拟风力涡轮机202的性能。模拟器304可包括已知的风力涡轮机模拟系统和模型，且可基于已知为FLEX5的模拟系统和/或模型或者由风力涡轮机生产商使用已知为ADAMS的系统所开发的风力涡轮机模型。在一个实施例中，模拟器304使用测得的和/或模型化的输入参数310，该输入参数310可包括构件负载、雨流矩阵、光谱疲劳损伤，以及Miners疲劳损伤或它们的任何组合。在另一个实施例中，测得的和/或模型化的输入参数310包括对被模拟的风力涡轮机202而言专有的参数，如由风力涡轮机202的生产商或设计者所提供的参数。在该示例性实施例中，模拟器304进一步使用包括关于一个或多个故障模式的特定的威布尔斜率的历史现场数据312，以确定关于风力涡轮机202的各个构件、各个关键设计特征和 各个偏离设计(off-design)条件的至少一个故障威布尔分布314。在该示例性实施例中，历史现场数据312可包括在过去的保证修理期间获得的现场故障数据、对被模拟的风力涡轮机202而言专有的现场服务和有关数据库，以及关于故障的和工作的风力涡轮机202单元两者的运行数据。在一个实施例中，故障威布尔分布314斜率由风力涡轮机202的生产商提供。在另一个实施例中，风力涡轮机202的经营者能够基于由经营者运行的风力涡轮机202的运行长度和数量来产生故障威布尔分布314斜率。 

在该示例性实施例中，控制器204(在图2中显示)使用以下(公式)来计算至少一个基于物理性质的维护因数(MF)302： 

$\mathrm{MF}=K\·\exp [a_0+\underset{i=1}{\overset{i=7}{\mathrm{\Σ}}}{a}_i{X}_i+\underset{i=1,j=1}{\overset{i=7,j=7}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{X}_i{X}_j]$ 公式(1) 

其中，i和j是用来进行计算的、从1到一定量的实际现场状态306的范围，a₀、a_i和a_ij是维护因数系数，X_i和X_j是测得的实际现场状态306，而K是贝叶斯校准因数。此外，在该示例性实施例中，使用已知的蒙特卡罗(Monte Carlo)抽样算法来计算贝叶斯校准因数。在一个备选实施例中，可基于计算出的基于物理性质的维护因数(MF)302、由风力涡轮机202的生产商提供的故障威布尔分布324以及从风力涡轮机202中测得的测得现场状态306来估计贝叶斯校准因数。在该示例性实施例中，使用以下(公式)、使用MF302的计算出的值来计算基于物理性质的故障可能性F₁(t)： 

$F_1\left(t\right)=1-\exp [-{\left(\frac{\mathrm{MF}\·t}{{\mathrm{\η}}_{\mathrm{design}}}\right)}^{\mathrm{\β}}]$ 公式(2) 

其中，β(贝它)是根据物理性质&现场数据获得的寿命指数，而η_design(艾塔)是基于物理性质的寿命项。在该示例性实施例中，根据由风力涡轮机202的生产商开发的详细的可靠性方框图来计算寿命指数参数β(贝它)和基于物理性质的寿命项η_design(艾塔)。在一个实施例中， 为了确定寿命指数参数β(贝它)和基于物理性质的寿命项η_design(艾塔)，确定风力涡轮机202的多个特征所消耗的理论寿命，然后针对各个特征估计标准寿命威布尔分布或加速寿命威布尔分布，其中，然后在蒙特卡罗模拟和/或闭式计算中使用确定的消耗的理论寿命来估计基于物理性质的系统可靠性模型，以及确定密切符合系统可靠性模型的等价寿命分布。在这种实施例中，所得到的系统可靠性模型至少包括用于在公式(2)中使用的寿命指数参数β(贝它)和基于物理性质的寿命项η_design(艾塔)。 

在该示例性实施例中，现场状态306可包括由风力涡轮机202的至少一个传感器212(在图2中显示)测得的平均风速、风威布尔形状因数、紊流强度、风切变、空气密度、轮毂高度和转子直径中的至少一个。另外，在这种实施例中，涡轮机构造设计数据308包括来自齿轮箱、主轴承、主轴、变桨轴承和偏转轴承中的至少一个的设计数据。在该示例性实施例中，数据308和基于物理性质的寿命项η_design(艾塔)可由风力涡轮机的生产商提供，或者由本领域普通技术人员借助于其它方式来获得。 

图4是示出了用于计算至少一个基于经验的维护因数402以便由控制器(例如图2所示的控制器204)用来确定风力涡轮机(例如图1所示的风力涡轮机100或图2所示的风力涡轮机202)的运行寿命的示例性子系统400的方框图。在一个示例性实施例中，来自至少一个风力涡轮机传感器212(在图2中显示)的测得数据404由控制器204用来计算至少一个使用指数406、容量因数408和至少一个油液碎屑特征410。此外，在该示例性实施例中，使用压缩算法根据运行参数来确定至少一个使用指数406，且该至少一个使用指数406包括表示测得的运行参数的运行寿命信息。 

在该示例性实施例中，使用这样的算法来计算使用指数406：该算法将大量运行数据214和历史数据222减少到更小的一组数值或包 含关于所消耗的寿命和使用风力涡轮机204的构件时所处的速率的信息的使用指数406。此外，在该示例性实施例中，典型地针对历史数据222和/或从各个传感器212接收的运行参数来提取各个使用指数406，且各个使用指数406具有数学属性，该数学属性使得来自历史数据222和/或从一个传感器212中接收到的运行数据214的使用指数406能够与来自历史数据222和/或从其它传感器212中接收的运行数据214的使用指数406结合起来用于数学表达式中。 

在该示例性实施例中，为了确定使用指数406，分析了大量历史数据222和/或从一个或多个传感器212中获得的运行数据214，以确保值在可行的范围内，而且使用已知的统计分配技术来代替任何范围之外的值。此外，在该示例性实施例中，在产生的历史数据222和/或运行数据214上执行一系列的已知统计操作，且确定各种统计特征、质量因数以及与导致损害的主周期和辅周期有关的汇总，且使其适于本文描述的特定的数学函数和/或多元分布。另外，在该示例性实施例中，以对与风力涡轮机204的构件的使用和实际损伤的更大倾向性在统计学上相关的历史数据222和/或运行数据214的部分提供更大权重的方式来确定这种统计特征。此外，在该示例性实施例中，在本文描述的特定的数学函数和/或多元分布上执行一系列的数学运算，以确定可取决于接收到的运行数据214而随时间不断变化(但是通常随时间过去而累积增大)的使用指数406。 

在一个实施例中，控制器204基于至少一个使用指数406、容量因数408、至少一个油液碎屑特征410和历史数据222(在图2中显示)(其包括来自风力涡轮机204的故障和未故障的构件的数据414)中的一个或多个来确定至少一个最终特征412。在一个实施例中，当确定至少一个最终特征412时，控制器204使得该确定基于至少一个已知的统计测量值，例如与故障、检测的可能性和错误的警告率的关联性。此外，在该示例性实施例中，历史数据222包括在历史上已经引起了风力涡轮机202的构件的相关联的出错和故障的风力涡轮机202的运 行参数的型式。在一个实施例中，历史数据222还可包括来自预定的可互换的风力涡轮机发电机构件(例如发电容量不定的可互换的替换发电机和大小不定的可互换的替换转子叶片)的历史数据222。这种可互换的构件可展现与风力涡轮机202类似的出错和/或故障型式，而且将这些型式结合到历史数据222中可提高控制器405确定风力涡轮机202的故障前时间的估计值的精确性。 

在一个实施例中，控制器204使测得数据404相对于历史数据222相互关联，以确定这种测得数据404是否已经表示了风力涡轮机202的一个或多个相应的构件的未来的出错或故障。在另一个实施例中，控制器204使来自多个传感器212的测得数据404相对于来自多个传感器212的历史数据222相互关联，以确定风力涡轮机202的运行寿命。这种多个相互关联可提高这些确定的精确性。 

在该示例性实施例中，控制器204然后就使用以下(公式)来计算至少一个基于经验的维护因数402： 

$\mathrm{MF}=K\·\exp [b_0+\underset{i=1}{\overset{i=n}{\mathrm{\Σ}}}{b}_i{X}_i+\underset{i=1,j=1}{\overset{i=n,j=n}{\mathrm{\Σ}}}{b}_{\mathrm{ij}}{X}_i{X}_j]$ 公式(3) 

其中，i和j是用来进行计算的、从1到一定量的测得的风力涡轮机传感器数据404的范围，b₀、b_i和b_ij是维护因数系数402，X_i和X_j是测得的风力涡轮机传感器数据404，而K是贝叶斯校准因数。在一个实施例中，使用已知的蒙特卡罗抽样算法来计算贝叶斯校准因数K。在另一个实施例中，可通过已知方法使用之前的模型参数的分布和以往的现场故障和/或加速寿命测试数据来估计贝叶斯校准因数。在该示例性实施例中，使用以下(公式)、使用MF402的计算出的值来计算基于经验的故障可能性F₂(t)： 

$F_2\left(t\right)=1-\exp [-{\left(\frac{\mathrm{MF}\·t}{{\mathrm{\η}}_{\mathrm{field}}}\right)}^{\mathrm{\β}}]$ 公式(4) 

其中，β(贝它)是根据经验&现场数据获得的寿命指数，而η_design(艾塔)是基于经验的寿命项。在一个实施例中，通过使用已知的最大可能性 技术使用现场数据来计算寿命指数β(贝它)和基于经验的寿命项η_design(艾塔)。在另一个实施例中，可使用已知的梯度寻优算法和/或进化/遗传算法来估计寿命指数β(贝它)和基于经验的寿命项η_design(艾塔)。 

在该示例性实施例中，测得数据404可包括来自测量风速X₁、风标准偏差X₂、发电机扭矩X₃、齿轮箱轴承温度X₄、主轴承温度X₅、发电机轴承温度X₆、轴速X₇、工作小时X₈、所产生的总兆瓦-时量X₉和油液碎屑数X₁₀的传感器212(在图2中显示)的数据。在一个实施例中，可根据测得数据404尤其是根据工作小时X₈和所产生的总兆瓦-时X₉来确定容量因数408。在该示例性实施例中，使用以下(公式)来计算容量因数408： 

公式(5) 

其中，年发电量是风力涡轮机202在一年中产生的能量(以兆瓦-时为单位)，额定功率是风力涡轮机202的额定功率，而常数8760是期望风力涡轮机202每年工作的小时数。在该示例性实施例中，额定功率为1.5兆瓦。在一个备选实施例中，额定功率为对应于风力涡轮机202且对在本领域中熟练的并由本文的教导所指导的技术人员来说已知的额定功率。另外，在该示例性实施例中，可根据测得数据404来确定一个或多个油液碎屑特征410。更具体而言，可根据特定的风力涡轮机的油液碎屑数X₁₀来确定特定的风力涡轮机的油液碎屑颗粒数OD₁和油液碎屑变化率OD₂，可根据来自同一风场中的所有单元的油液碎屑数X₁₀来确定在时间OD₄上、在对等组上所计算的赫特灵T平方统计量(Hotelling T-square statistic)，可根据X₁₀、X₃、X₄、X₅和X₆来确定对各个风力涡轮机单元在其工作时间上所计算的赫特灵T平方统计量。在该示例性实施例中，使用以下(公式)来计算油液碎屑颗粒数OD₁和油液碎屑变化率OD₂： 

OD₁(t)＝X₁₀(t) 

${\mathrm{OD}}_2\left(t\right)=\frac{{\mathrm{dOD}}_1\left(t\right)}{\mathrm{dt}}=\frac{{\mathrm{OD}}_1\left(t\right)-{\mathrm{OD}}_2\left(t\right)}{\mathrm{\Δt}}$ 公式(6) 

在该示例性实施例中，计算OD₃和OD₄需要计算在一段时间上针对各个风力涡轮机202计算出的以及经过相似的操作时期针对同一风场中的多个风力涡轮机202所计算的OD₁和OD₂的赫特灵T平方统计量。在该示例性实施例中，为了计算OD₃，使用了在一段时间上采样的同一风力涡轮机的多个参数(OD₁、X₃、X₄、X₅、X₆、X₇和其它X的或它们的主要分量)的时间序列，如以下形式所示： 

$X=\left[\begin{array}{cccccc}{\mathrm{OD}}_1\left(t1\right)& X_3\left(t1\right)& X_4\left(t1\right)& X_5\left(t1\right)& X_6\left(t1\right)& X_7\left(t1\right)\\ O{D}_1\left(t2\right)& X_3\left(t2\right)& X_4\left(t2\right)& X_5\left(t2\right)& X_6\left(t2\right)& X_7\left(t2\right)\\ {\mathrm{OD}}_1\left(t3\right)& X_3\left(t3\right)& X_4\left(t3\right)& X_5\left(t3\right)& X_6\left(t3\right)& X_7\left(t3\right)\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ {\mathrm{OD}}_1\left(\mathrm{tn}\right)& X_3\left(\mathrm{tn}\right)& X_4\left(\mathrm{tn}\right)& X_5\left(\mathrm{tn}\right)& X_6\left(\mathrm{tn}\right)& X_7\left(\mathrm{tn}\right)\end{array}\right]$ 公式(7) 

(对于“健康”时间段，即其中未检测到异常且通常发生在风力涡轮机202的运行的早期阶段的时间段)。在该示例性实施例中，为了确定这个“健康”数据集，使用公式(8)的平均向量 和使用公式(9)的协方差矩阵C以如下方式计算： 

$\stackrel{\‾}{X}=\left[\begin{array}{cccccc}\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{OD}\left(t_i\right)& \frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_3\left(t_i\right)& \frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_4\left(t_i\right)& \frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_5\left(t_i\right)& \frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_6\left(t_i\right)& \frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_7\left(t_i\right)\end{array}\right]$

公式(8) 

$C=\left[\begin{array}{cccccc}\mathrm{Var}\left({\mathrm{OD}}_1\right)& \mathrm{Cov}({\mathrm{OD}}_1,X3)& \mathrm{Cov}({\mathrm{OD}}_1,X_4)& \mathrm{Cov}({\mathrm{OD}}_1,X5)& \mathrm{Cov}({\mathrm{OD}}_1,X_6)& \mathrm{Cov}(O{D}_1,X_7)\\ \mathrm{Cov}({\mathrm{OD}}_1,X_3)& \mathrm{Var}\left(X_3\right)& \mathrm{Cov}(X_3,X_4)& \mathrm{Cov}(X_3,X_5)& \mathrm{Cov}(X_3,X_6)& \mathrm{Cov}(X_3,X_7)\\ \mathrm{Cov}({\mathrm{OD}}_1,X_4)& \mathrm{Cov}(X_3,X_4)& \mathrm{Var}\left(X_4\right)& \mathrm{Cov}(X_4,X_5)& \mathrm{Cov}(X_4,X_6)& \mathrm{Cov}(X_4,X_7)\\ \mathrm{Cov}({\mathrm{OD}}_1,X_5)& \mathrm{Cov}(X_3,X_5)& \mathrm{Cov}(X_4,X_5)& \mathrm{Var}\left(X_5\right)& \mathrm{Cov}(X_5,X_6)& \mathrm{Cov}(X_5,X_7)\\ \mathrm{Cov}({\mathrm{OD}}_1,X_6)& \mathrm{Cov}(X_3,X_6)& \mathrm{Cov}(X_4,X_6)& \mathrm{Cov}(X_5,X_6)& \mathrm{Var}\left(X_6\right)& \mathrm{Cov}(X_6,X_7)\\ \mathrm{Cov}({\mathrm{OD}}_1,X_7)& \mathrm{COv}(X_3,X7)& \mathrm{Cov}(X_4,X_7)& \mathrm{Cov}(X_5,X_7)& \mathrm{Cov}(X_6,X_7)& \mathrm{Var}\left(X_7\right)\end{array}\right]$

公式(9) 

其中，例如，Var(X₃)是X₃的方差，而Cov(X₃，X₄)是经标准统计技术计算出来的X₃和X₄的协方差。此外，在该示例性实施例中，计算赫特灵T平方检验统计量，以用于在测量值集(OD₁，X₃，X₄，X₅，X₆，X₇) 的未来观察中使用，其中，使用以下公式来计算赫特灵T平方检验统计量： 

$T^2={(X_{n+1}-\stackrel{\‾}{X})}^{\′}\·C^{-1}\·(X_{n+1}-\stackrel{\‾}{X})$ 公式(10) 

而且建立了T²值的上警告阈值水平和下警告阈值水平。另外，在该示例性实施例中，只要获得了新测量值向量，就计算T²的更新值，T²的剧烈变化用来警告状态的变化，这可能是潜在的异常。 

以上实施例描述了用来使单元的行为与其本身比较的多元检测器。在一个备选实施例中，针对风场中的“k”涡轮机来计算油液碎屑特征OD₁，而且那个测量值时间序列呈以下形式： 

公式(11) 

其中，使用之前描述的同样的统计方法来计算平均向量 “k”涡轮机的方差-协方差矩阵C和相关联的赫特灵T平方统计量T²。应当注意，用于计算赫特灵T平方值的以上实施例使用标准统计技术，该标准统计技术也可作为用于与油液碎屑数据一起使用的异常检测器来应用。 

图5是示出了用于计算基于事件的故障可能性502以便由控制器(例如图2所示的控制器)用来确定风力涡轮机(例如图1所示的风力涡轮机100或图2所示的风力涡轮机202)的运行寿命的示例性子系统500的方框图。在一个示例性实施例中，至少一个风力涡轮机第一出错警告504由控制器204用来计算各个风力涡轮机202的至少一个出错发生率(FOR)506。在该示例性实施例中，风力涡轮机第一出错警告504由各个风力涡轮机202的生产商提供，且对各个风力涡轮机202而言是专有的。在一个实施例中，可针对各个风力涡轮机202通过非齐次泊松过程模型来计算FOR计算结果。在各种实施例中，各个风力涡轮机202的这种泊松过程模型可包括通过辨识对故障模型而言专有 的警告以及确定警告-时间的累积数来根据从控制器204中接收到的警告数据所估计的模型。在这种实施例中，使用已知的过程来使非齐次泊松过程(NHPP)和威布尔强度函数与接收的警告数据相配。 

此外，在一个实施例中，使用已知的关联规则挖掘(ARM)算法来辨识关键的出错发生型式规则508，该关联规则挖掘算法提取规则以及在该规则中提供对警告的各个型式而言专有的支持度和置信度的数字分值。在该示例性实施例中，基于一个或多个第一出错警告504和FOR计算结果的组合来辨识这种型式规则508。在一个实施例中，基于故障和未故障的单元上的这种辨识出的型式规则508和历史现场数据510中的一个或多个来确定故障可能性502。在该示例性实施例中，历史现场数据510可包括在历史上已经引起了风力涡轮机202的构件的相关联的出错和故障的第一出错警告的型式。在一个实施例中，历史数据510还可包括来自预定的可互换的风力涡轮机发电机构件(例如发电容量不定的可互换的替换发电机和大小不定的可互换的替换转子叶片)的历史数据510。这种可互换的构件可展现与风力涡轮机202类似的出错和/或故障型式，而且将这些型式结合到历史数据510中可提高控制器204确定风力涡轮机202的故障前时间的估计值的精确性。在一个实施例中，控制器204使第一出错警告504相对于历史数据510相互关联，以确定这种第一出错警告504是否已经表示了风力涡轮机202的一个或多个相应的构件的未来的出错或故障。在一个实施例中，第一出错警告504由风力涡轮机202的生产商限定和提供。在一个备选实施例中，第一出错警告504由不同于风力涡轮机的生产商的人限定和提供。在又一个实施例中，第一出错警告504是已知的标准警告504列表。 

图6是示出了用于基于根据基于物理性质的维护因数602计算出的故障可能性F₁(t)、根据经验维护因数604计算出的故障可能性F₂(t)以及根据基于事件的维护因数606计算出的故障可能性F₃(t)中的一个或多个来确定风力涡轮机(例如图1所示的风力涡轮机100或图2所示 的风力涡轮机202)的运行寿命的示例性子系统600的方框图。在该示例性实施例中，一个或多个已知的数据融合技术608用来计算风力涡轮机的运行寿命。在各种实施例中，一个或多个数据融合技术608包括：(a)故障可能性的加权平均值，其中可基于与各个故障可能性预测相关联的不确定性来计算权重；(b)用于使用模糊逻辑隶属函数(membership function)来融合可能性的方法；(c)使用Dempster-Schafer理论来融合可能性；以及(d)贝叶斯融合。在该示例性实施例中，风力涡轮机的运行寿命的确定的结果610包括出错类型或状态、严重程度、故障可能性、置信度、错误警告可能性、剩余的寿命(以小时为单位)和一个或多个报告中的一个或多个的确定。 

图7是用于使用通信地联接到风力涡轮机202上的控制器(例如图2所示的控制器204)来管理风力涡轮机(例如图1所示的风力涡轮机1 00或图2所示的风力涡轮机202)的运行寿命的示例性方法700的流程图。在该示例性实施例中，方法700包括在控制器处接收702来自风力涡轮机的运行数据214。运行数据214可包括由传感器212(在图2中显示)传输的信号，其中，信号对应于风力涡轮机202的运行参数(例如温度、应力、振动和/或电输出)的测量值。在一个实施例中，运行数据214可包括对应于表示在预定范围外的值的信号的出错状态。在该示例性实施例中，方法700进一步包括将运行数据214传输704到服务器子系统，例如图2所示的服务器子系统216，以及将对于历史数据(例如图2所示的历史数据222)的请求传输706到服务器子系统216，其中，历史数据222对应于风力涡轮机202。在一个实施例中，历史数据222包括对应于风力涡轮机202的历史运行数据和/或来自预定的可互换的风力涡轮机发电机构件(例如发电容量不定的可互换的替换发电机和大小不定的可互换的替换转子叶片)的历史数据222。这种可互换的构件可展现与风力涡轮机202类似的出错和/或故障型式，而且将这些型式结合到历史数据222中可提高控制器204确定风力涡轮机202的故障前时间的估计值的精确性。另外，在一个实施例中， 服务器子系统216存储接收到的运行数据214。在另一个实施例中，响应于后来的请求，存储的运行数据214可用作历史数据222。 

另外，方法700包括在控制器处接收708来自服务器子系统的响应，其中，该响应包括对应于风力涡轮机202的历史数据222。在某些实施例中，包括在这种响应中的历史数据222可包括之前描述的类型的历史数据222中的任意类型。另外，方法700包括确定710风力涡轮机202故障前时间的估计值。在该示例性实施例中，控制器204使用运行数据214和/或历史数据222基于风力涡轮机202的确定710的故障前时间的估计值来确定修理、检修、检查或更换风力涡轮机202或风力涡轮机202的构件的时间。 

以上详细描述了用于管理风力涡轮机的运行寿命的风力涡轮机健康管理系统和方法的示例性实施例。如本文所描述的那样，该系统可用来管理用来驱动机械负载(与发电相对)的风力涡轮机，并且因此该系统不限于仅利用本文描述的方法和系统来实践。相反，可结合许多风力涡轮机应用来实施和使用示例性实施例。 

在前述说明书中，将显而易见的是可在不偏离本发明的较宽泛的精神和范围的情况下，对本发明进行各种修改和改变。因此，说明书和附图应以说明性的而非限制性的意义来看待。 

本书面描述使用实例来公开本发明，包括最佳模式，且还使本领域技术人员能够实践本发明，包括制造和使用任何装置或系统，以及执行任何结合的方法。本发明的可授予专利的范围由权利要求书限定，且可包括本领域技术人员想到的其它实例。如果这种其它实例具有不异于权利要求书的字面语言的结构元素，或者如果这种其它实例包括与权利要求书的字面语言无实质性差异的等效结构元素，则这种其它实例意图处于权利要求书的范围之内。 

Claims (20)

1.一种用于管理至少一个风力涡轮机的运行寿命的控制器，所述控制器通信地联接到所述风力涡轮机和服务器子系统上，所述控制器构造成以便：

从所述风力涡轮机接收运行数据；

将所述运行数据传输到所述服务器子系统；

将对于对应于所述风力涡轮机的历史数据的请求传输到所述服务器子系统；

从所述服务器子系统接收响应，所述响应包括对应于所述风力涡轮机的历史数据；以及

基于所述运行数据和所述历史数据来确定所述风力涡轮机的故障前时间的估计值。

2.根据权利要求1所述的控制器，其特征在于，所述运行数据包括由传感器传输的信号，所述信号对应于由所述传感器测量的所述风力涡轮机的至少一个运行参数的测量值。

3.根据权利要求2所述的控制器，其特征在于，所述运行数据进一步包括对应于由所述传感器传输的所述信号的出错状态，所述出错状态表示信号值在预定范围外。

4.根据权利要求1所述的控制器，其特征在于，所述历史数据包括对应于所述风力涡轮机和预定的可互换的风力涡轮机发电机构件中的至少一个的历史运行数据。

5.根据权利要求4所述的控制器，其特征在于，所述服务器子系统将接收到的运行数据存储在存储介质上以用作历史数据。

6.根据权利要求1所述的控制器，其特征在于，所述控制器进一步构造成以便基于估计的故障前时间、所述运行数据和所述历史数据中的至少一个来确定所述风力涡轮机的修理、检修、检查和更换中的至少一个的时间。

7.根据权利要求1所述的控制器，其特征在于，所述控制器联接到用于在输出所述估计的故障前时间、所述运行数据和所述历史数据中的至少一个时使用的至少一个输出装置上。

8.一种用于管理至少一个风力涡轮机的运行寿命的系统，所述系统包括：

通过通信接口通信地联接到所述至少一个风力涡轮机上的控制器，所述控制器构造成以便基于对应于所述至少一个风力涡轮机的运行数据和历史数据来确定所述至少一个风力涡轮机的故障前时间的估计值；以及

通信地联接到所述控制器上的服务器子系统，其中，所述服务器子系统构造成以便:

从所述控制器接收对应于所述至少一个风力涡轮机的所述运行数据；

从所述控制器接收对于对应于所述至少一个风力涡轮机的所述历史数据的请求；以及

将响应传输到所述控制器，所述响应包括对应于所述至少一个风力涡轮机的历史数据。

9.根据权利要求8所述的系统，其特征在于，所述运行数据包括由传感器传输的信号，所述信号对应于由所述传感器测量的所述至少一个风力涡轮机的至少一个运行参数的测量值。

10.根据权利要求9所述的系统，其特征在于，所述运行数据包括对应于由所述传感器传输的所述信号的出错状态，所述出错状态表示信号值在预定范围外。

11.根据权利要求8所述的系统，其特征在于，所述历史数据包括历史运行数据，其对应于至少一个历史数据中的至少一个，所述历史数据包括对应于所述风力涡轮机和预定的可互换的风力涡轮机发电机构件中的至少一个的历史运行数据。

12.根据权利要求11所述的系统，其特征在于，所述服务器子系统将接收到的运行数据存储在存储介质上以用作历史数据。

13.根据权利要求8所述的系统，其特征在于，所述控制器进一步基于所述估计的故障前时间、所述运行数据和所述历史数据中的至少一个来确定所述风力涡轮机的修理、检修、检查和更换中的至少一个的时间。

14.根据权利要求8所述的系统，其特征在于，所述控制器和所述服务器子系统中的至少一个联接到用于在输出所述估计的故障前时间、所述运行数据和所述历史数据中的至少一个时使用的至少一个输出装置上。

15.一种使用控制器来管理至少一个风力涡轮机的运行寿命的方法，其中所述控制器通信地联接到所述风力涡轮机上，所述方法包括：

在所述控制器处接收来自风力涡轮机的运行数据；

由所述控制器将所述运行数据传输到服务器子系统；

由所述控制器将对于对应于所述风力涡轮机的历史数据的请求传输到所述服务器子系统；

在所述控制器处接收来自所述服务器子系统的响应，所述响应包括对应于所述风力涡轮机的历史数据；以及

基于所述运行数据和所述历史数据由所述控制器来确定所述风力涡轮机的故障前时间的估计值。

16.根据权利要求15所述的方法，其特征在于，所述运行数据包括由传感器传输的信号，所述信号对应于由所述传感器测量的所述风力涡轮机的至少一个运行参数的测量值。

17.根据权利要求16所述的方法，其特征在于，所述运行数据包括对应于由所述传感器传输的信号的出错状态，所述出错状态表示信号值在预定范围外。

18.根据权利要求15所述的方法，其特征在于，所述历史数据包括对应于所述风力涡轮机和预定的可互换的风力涡轮机发电机构件中的至少一个的历史运行数据。

19.根据权利要求15所述的方法，其特征在于，将所述运行数据传输到所述服务器子系统进一步包括将所述运行数据存储在存储子系统上以用作历史数据。

20.根据权利要求15所述的方法，其特征在于，所述方法进一步包括基于所述估计的故障前时间、所述运行数据和所述历史数据中的至少一个来确定修理、检修、检查和更换中的至少一个的时间。