CN102636350A - 涡轮机故障分析 - Google Patents

Abstract

本发明公开了涡轮机故障分析。在此描述了用于涡轮机故障分析的装置、方法及系统。一种计算装置实现的用于涡轮机故障分析的方法包含经由计算装置收集与风涡轮机性能相关联的第一数据集；分析该第一数据集以确定该第一数据集是否能够指示故障状况；并且检查与风涡轮机性能相关联的第二数据集以确定是否存在故障状况。

Description

涡轮机故障分析

政府权利

本公开的主题通过政府支持美国能源部在用于风力场的基于程序状况维护下颁发的政府合同号DE-EE0001368下来获得。因此，美国政府对于本文公开的主题有一定权利。

技术领域

本发明涉及用于涡轮机故障分析的装置、方法及系统。

背景技术

在美国能源部发行的标题为《2030年20％的风能》的报告中指出的两个挑战是风涡轮机性能的改善与运行和维护费用的减少。例如，在投入运行风涡轮发电机的资本成本后，拥有者的一个大成本是维护。

在一些实施方式中，维护和运行成本的减少可以显著地减少成本回收期并可以提供投资的动力，并且潜在地为该清洁能源的广泛接受做准备。风涡轮机通常在严峻的、遥远的环境中运行并且能够需要频繁的定期维护。

另外地，不定期维护的成本(例如，由于未检测到的故障引起)可以在维护支持中高和/或在生产期丢失。响应于这些潜在成本，承保人，例如在欧盟，已经开始要求昂贵的定期大修以解决潜在的可靠性问题。基于状况而不是基于时间的维护在一些实施中，通过减少不必要的定期维护实现高可靠性与低维护成本。

附图说明

图1说明了风涡轮机操作区域数据的例子，其可以在本公开的一个或者多个实施例中使用。

图2说明了高速轴扭矩与高速轴速的比率连同功率级数据的变型的例子，其可以在本公开的一个或者多个实施例中使用。

图3说明了高速轴速度与低速轴速的比率连同功率级数据的变型，其可以在本公开的一个或者多个实施例中使用。

图4说明了使用训练数据集从自动关联神经网络中获得的Q-stat与T²值的例子，其可以在本公开的一个或者多个实施例中使用。

图5说明了来自另一基线情况的结果的例子并且这样数据可以在本公开的一个或者多个实施例中使用。

图6说明了来自当变速箱故障发生日收集的数据的结果并且这样数据可以在本公开的一个或者多个实施例中使用。

图7和图8说明了来自在故障之前收集的数据的结果并且这样数据可以在本公开的一个或者多个实施例中使用。

图9说明了来自自组织特征映射的训练的结果并且这样数据可以在本公开的一个或者多个实施例中使用。

图10说明了基于故障数据的报警触发状况并且这样数据可以在本公开的一个或者多个实施例中使用。

图11说明了在可获得的数据中来自最接近故障日的数据的结果并且这样数据可以在本公开的一个或者多个实施例中使用。

图12说明了在若干个不同指示器的警报触发器间的比较并且这样数据可以在本公开的一个或者多个实施例中使用。

图13说明了可以在本公开的一个或者多个实施例中使用的计算系统。

具体实施方式

本公开包含用于涡轮机故障分析的方法、装置和系统。例如，本公开的实施例可以提供轴承和变速箱机械故障的准确预测。

在一个示例实施例中，计算装置实现的用于涡轮机故障分析方法包含经由计算装置收集与风涡轮机性能相关联的第一数据集；分析该第一数据集以确定该第一数据集是否能够指示故障状况；并且检查与风涡轮机性能相关联的第二数据集以确定是否存在故障状况。

在各种实施例中，该方法可以进一步包含提供通知给用户以基于确定故障状况存在而采取行动。实施例也可以包含确定故障状况的类型，其存在于多个可能的故障状况。

在一些实施例中，提供通知可以包含关于基于确定的故障状况类型采取的动作类型的信息。如上讨论的经由计算装置收集与风涡轮机性能相关联的第一数据集可以包含从如下的至少一个收集监控和数据采集(SCADA)类型数据：一组风涡轮机传感器、与风涡轮机相关联的计算装置，和存储器中的文件。

分析该第一数据集以确定该第一数据集是否能够指示故障状况包含：分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项。在一些实施例中，分析该第一数据集以确定该第一数据集是否能够指示故障状况包含：分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项以及用于在故障状况下操作的风涡轮机的一个或者多个数据项。

分析该第一数据集以确定该第一数据集是否能够指示故障状况能够例如通过使用聚类算法方法比如自组织特征映射(SOFM)方法分析第一数据集来完成。在一些实施例中，分析该第一数据集以确定该第一数据集是否能够指示故障状况包含，使用主要组件分析方法分析该第一数据集。

本公开的实施例的一大优点是涡轮机操作和维护成本可以通过持续对涡轮机健康的监控而减少，导致提高可靠性。更加具体地，在风涡轮机中的组件故障(例如，导致最高故障的那些)可以在早期被检测出以致于它们可以被解决，例如，在更多成本损坏发生之前。

虽然当前的实施例不限于检测变速箱和/或发电机部件问题，然而目前，与变速箱和/或发电机部件关联的操作故障似乎是明显的并且似乎占用最大的停机时间和/或修理费用，所以提供了关于这些问题的下面一些讨论。

例如，在一个方法实施例中，使用监控和数据采集(SCADA)数据预期变速箱故障。本公开的实施例包含解释SCADA数据以检测变速箱故障并处理以利用SCADA数据。一般地，风涡轮机SCADA数据被用于操作的性能监控和控制应用。

本文讨论的方法包含，例如，其中根据风涡轮机操作区域分割SCADA数据。在这些实施例中，该操作区域可以，例如通过控制规则定义，因为在每个区域上控制方案是不同的。

在这些实施例中，用于检测故障的特征从同样的操作区域获得。在不同的实施例中，如果在不同的操作域上的特征被观察，由于区域改变而不是故障，可以显示相同或相似的特征模式。

以这种方式，区域A中指示故障的模式也可以在区域B中生成，即使那里没有故障。不同类型的故障均如此，而不仅是变速箱故障。该特征可以，例如，在每个区域上被单独地观察并在从数据提取信息时可以被区别。

本文讨论的另一方法提供：对于变速箱故障，与来自整个数据集的变速箱操作相关的测量可以被初始地标识(例如，功率，高速轴(HSS)扭矩，速度，低速轴(LSS)扭矩，速度，油温，和/或油压)。在不同实施例中，每个单独的测量可以被单独地检查，并且它们可以与基线和故障状况比较以确定不同。

在一些实施例中，可以检查单独测量的一些组合。例如，单独测量的比率(例如，HSS扭矩和HSS速度的比率，HSS速度和LSS速度的比率，和/或关于周围温度的正常化油温)可以被检查。

这些测量的值(例如，经由来自风涡轮机或相关仪器的传感器数据获得的)可以相对彼此被检查，而不是单独地值被检查。例如，HSS扭矩相对于功率，HSS扭矩或者HSS速度相对功率的比率，和/或其它等，可以被彼此相对检查。

从这个过程中，用于变速箱故障的最大指示模式可以被标识。例如，可以从HSS扭矩或者HSS速度相对功率电子设备功率(PE功率)的比率，HSS速度或者LSS速度相对功率的比率，正常化油温相对功率，和/或油压相对功率来观察模式。

用于单独的风涡轮机的异常检测可以利用所收集的数据集来开发。分析可通过但不限于，使用主要组件分析(PCA)与非线性方法来完成。例如，SOFM(自组织特征映射)是非线性方法，通过该方法在有未知特征的数据集中可以使用非监督学习，用于将它们分类为带有相似特征的组。在传感器组内的传感器中查找异常的算法集可以被使用利用SCADA数据检测异常。

故障检测和/或预测的自动化能够，例如使用PCA和/或SOFM完成。PCA能够，例如被使用以检测异常并且SOFM能够，例如可以被用以隔离故障。来自故障检测和隔离系统生成的警报能够，例如，由多个(例如，三个指示器)指示器组成，例如基于来自PCA的Qstat，T2stat，和/或来自SOFM的聚类数量。在现有技术中，处理参数不是常规地用于故障检测和/或预测，而是仅在原始形式中使用以用于防止单独信号中的大的偏差。

下面提供的是本公开的实施例一个示例性配置。这个例子不应该视为对本公开的实施例的范畴的限制。

关于CART数据的描述

控制高级研究性涡轮机2(CART2)是修改的西屋电气额定功率600KW的WWG-0600机器。它位于在科罗拉多博得尔市国家风能技术中心(NWTC)并安装以测试用于功率和负载调节的新控制方案。在其原始配置中，WWG-0600使用同步发电机、流体耦合和液压总距(collective pitch)驱动。

然而，CART2装备有感应发电机、刚性耦合与单独电动机械距驱动器。转子在塔的逆风向运行并且包含两个叶片和摇晃毂(teetering hub)。

作为研究性涡轮机，它装备有比正常安装在风力场涡轮机上更多的传感器，包含压力换能器、扭矩换能器、应变仪、温度计、位置编码器、加速器、风速计、风向标，与功率、电流和电压表。这些传感器的每个的输出以100Hz的控制速率被记录。总共88个测量被存储在10个微型块中，包含：螺旋角、轴扭矩、油温和压力、偏航位置、风速和方向、环境温度、振动、塔负荷、发电机功率/电流/电压，和其它控制信号。参数例子包含：

‘摇晃制动压力’

‘螺距系统数字输出’

‘叶片1模拟输出1’

‘摇晃角度’

‘叶片1模拟输出2’

‘叶片1间距’

‘叶片2模拟输出1’

‘叶片2间距’

‘叶片2模拟输出2’

‘LSS扭矩’

‘叶片1边缘弯曲度’

‘叶片1皮瓣弯曲度’

‘叶片2边缘弯曲度’

‘叶片2皮瓣弯曲度’

‘齿轮箱油温’

‘HSS位置’

‘偏航位置’

‘HSS扭矩’

‘LSS位置’

‘偏航制动压力’

‘短舱数字输出’

‘X加速计端口’

‘Y加速计端口’

‘Z加速计端口’

‘X加速计右舷’

‘Y加速计右舷’

‘Z加速计右舷’

‘短舱风速’

‘短舱风向’

‘齿轮箱油压’

‘短舱环境温度’

‘IMU-滚动’

‘IMU-间距’

‘IMU-偏航’

‘IMU-X’

‘IMU-Y’

‘IMU-Z’

‘发电机电力’

‘PE数字输出’

‘发电机电流’

‘发电机频率’

‘发电机电压’

‘PE功率’

‘PE千伏安’

‘PE功率因子’

‘塔弯曲E/W’

‘塔弯曲N/S’

‘塔弯曲E/W泊松’

‘塔弯曲N/S泊松’

‘风速58.2m’

‘风向58.2m’

‘温度58.2m’

‘风速36.6m’

‘风向36.6m’

‘风速15.0m’

‘风向15.0m’

‘风速3.0m’

‘温度3.0m’

‘音速U 36.6m’

‘音速V 36.6m’

‘音速W 36.6m’

‘气压’

‘GPS年’

‘GPS月’

‘GPS日’

‘GPS小时’

‘GPS分钟’

‘GPS秒’

‘GPS毫秒十分位’

‘HSS RPM’

‘LSS RPM’

‘空气密度’

‘HSS功率’

‘LSS功率’

‘LSS RPM变动率’

‘HSS RPM变动率’

‘集合间距1’

‘集合间距2’

‘叶片1间距率’

‘叶片2间距率’

‘扭矩需求’

‘扭矩命令’

‘数字输出1’

‘数字输出2’

‘正常停止比特1’

‘紧急停止比特1’

‘警告比特1’

‘警告比特2’

关于基于SOFM方法的描述

神经网络聚类技术

聚类算法是将n个观察集合划分为g个组的方法以使得相同组的成员比不同组的成员更为相似。如果这成功，这些组称作聚类。

依照类标签的可用性，学习在观察中的模式有两种类型的方法。当观察的类标签可用时，使用监督式学习，否则非监督式学习是合适的。在非监督式学习中，没有可用的目标输出。所以，自由参数，比如神经网络中的权重和偏差，可以仅响应于网络输入被修改。在一些实施例中，该输入模式被分类为多个类。自组织特征映射(SOFM)

自组织特征映射(SOFM)是聚类算法的特定类型，形成位于常规通常1或者2维网格的神经元。SOFM可以检测其输入中的规律性和相关性并且适配对其相应输入的它们的未来响应，其通过根据它们如何在输入空间中被分组学习分类输入向量。

换言之，在响应于类似输入向量的神经元层中，SOFM以神经元物理上相互靠近彼此的方式学习识别相似输入向量组。在经典的k平均方法中，观察可以被映射至其代表最接近于该观察的聚类。

这就是在SOFM中发生的，但是另外地在SOFM中的训练算法试图映射一些结构至该代表。在SOFM中，可以选择大量的聚类，并且安排在常规网格上。其思想是代表在空间上被相关，以致于在网格上邻近点处的代表比那些广泛隔开的代表更为相似。

在SOFM中，该聚类代表(其是SOFM的层中的神经元)初始地根据指示映射的结构的拓扑函数随机被分配在一些合适的分布中。无论何时显示观察x，就找到最接近的代表m_j，其被标识为获胜者。然后对于在网格上邻近于j的所有代表i；

m_i(t+1)＝m_i(t)+αh_ij[x(t)-m_i(t)]  对于所有邻居i

其中t表示时间，α是学习率，h_ij是获胜者神经元j周围的邻近核心。该学习率α被允许随着时间改变。

邻近函数确定该神经元彼此连接有多牢固。邻近函数的示例是在获胜者神经元的整个邻近上是恒定的。另一时变类型的函数是高斯邻近函数

其中r_j与r_i是分别在映射网格上的获胜者神经元j和其邻近神经元i的位置，并且σ(t)是在时间t上的邻近半径。

邻近函数和神经元数量确定结果映射的颗粒度。具有高值的邻近函数的区域越大，映射越严格。

映射越大、其可以变得越灵活。该相互作用确定SOFM的准确度和概括能力。

应用描述

在这个工作中，CART2数据根据风涡轮机操作区域被分割。该操作区域被控制规则定义，因为控制方案在每个区域上是不同的。

图1说明风涡轮机操作区域数据的例子，其可以在本公开的一个或者多个实施例中使用。正如图1所示，区域1，5m/s风速左边部分包含当涡轮机未操作时和它启动时的时间。在5至14m/s的风速之间的部分所示的区域2是可操作模式，其中可以期望的是从风力中尽可能多捕获功率。

区域3操作发生在上述额定风速之上(即，产生最大峰值功率以上的风速)。涡轮机必须限制所捕获的风功率的部分以使得不超出电力和机械设计负载。

在本公开的实施例中，用于检测故障的特征可以从相同操作区域获得。可以期望的是从任何特征(signature)解耦真正的故障特征，该任何特征不是由故障造成但是与当故障存在时的那些相似。

操作状况中的不同，操作状况的改变，和环境状况中的不同是典型例子，其结果是特征与真实故障造成的那些相似。因此，在这个工作中，CART2数据连同操作区域被分割，并且观察故障特征的焦点集中在区域2中。

一般来说，依赖于故障模式的类型，将选择感兴趣的区域。例如，如果期望目标故障模式在涡轮机启动周期期间显示最易辨识的故障特征，那末观察将需要集中在区域1上。

或者，如果在最大功率操作期间最早的时候期望目标故障模式显示特征，则感兴趣的区域将是区域3用于初期故障检测的目的。在这个工作中，目标故障模式可以是齿轮箱故障，其需要从更宽的速度变化范围观察，由于其代表更宽的操作范围，因此我们感兴趣的区域是区域2。

另一数据处理部分能够包含采样率的修改。在这样一个示例性实施例中，收集原始CART2数据，例如，在100Hz(每秒100个采样)的采样率，因为CART2使用的主目的是控制方案的测试。

在不考虑用于数据采集所需的成本的情况下，优选的是不仅从控制的视角而且从故障检测和/或诊断的立场来具有这样的高频速度数据。

这是例如由于该高频数据包含更丰富的信息或者不能从较低频数据(例如，更多数据点)获得的信息。在一些实施中，高频数据将允许系统解决由于数据质量限制而不被检测出的故障。

在一些实施例中，原始数据集(例如，高频数据)被下采样至1Hz(每秒1次采样)。可有如下优点，例如；(1)故障特征仍然从较低采样数据中被很高观察，和(2)如早期所述，在一些实施例中可以使用用于基于状况维护(CBM)目的的SCADA数据，并且SCADA数据的采样频率会更低，典型地为1分钟1次采样。

为了建立用于预测风涡轮机的状况的数据基线，数据可以从测试涡轮机中获得。例如，如果报告有来自CART2数据中与齿轮箱相关的故障，能够获得在故障时测量的数据并且可以在故障时间前后收集广泛数据集。

与齿轮箱操作有关的测量可以从整个数据集中提取。例如，这个信息可以包含功率、在高速轴(HSS)和/或低速轴(LSS)上的扭矩，在高速轴(HSS)和/或低速轴(LSS)上的速度，油温，和/或油压。

在一些实施例中，每个单独的测量可以被单独分析以得知与基线状况和/或故障状况相比它们是如何不同。另外，在一些实施例中，单独测量的组合，例如，单独测量比率可以被分析以观察故障的任何指示。

还可以分析彼此相互变化，而不是一个项目的变化，例如HSS扭矩相对功率的变化或者HSS扭矩与HSS速度的比率相对功率的变化。从这个过程，能够识别用于齿轮箱故障的最多指示模式，并且它们能够从HSS扭矩或者HSS速度相对PE功率的比率、HSS速度或者LSS速度相对功率的比率，正常的油温相对功率观察，如图2和图3所示。在两个图中，圈代表故障数据而x代表正常基线数据。以这种方式，表示故障的数据能够被识别。在一些实施例中，这个过程可以被用于改进基线和/或故障检测数据。

图2说明了HSS扭矩与HSS速度的比率连同功率级数据的变型的例子，其可以在本公开的一个或者多个实施例中使用。该图示出故障与基线数据之间的区别，特别是在用于在其上收集数据的特殊装置的相对较低功率级(＜400kW)上。

这样的数据收集与分析能够帮助识别最有助于识别故障的数据集的区域。这能够是有益的，例如聚焦在这些数据区域中的数据分析工作和/或用于选择为数据分析提取的数据，或者从较大的数据集中选择要丢弃的数据。

图3说明HSS速度与LSS速度的比率连同功率级数据的变型，其可以在本公开的一个或者多个实施例中使用。在这个类型的实施例中，仍然能够观察故障与基线间的区别，虽然该指示不像图2所示利用的数据一样强(例如，来自故障数据的速度比率的变化跨越每个功率级更大并重叠基线数据的变化)。这样的数据收集和分析可以再次对识别数据集的区域有帮助，其在识别故障是最有利的。

在一些实施例中，基于这些观察，可以使用PCA和SOFM完成故障的检测和隔离。例如，PCA可以被用于检测数据集中的异常并且SOFM可以被用于隔离故障。

在一些实施例中，可以基于一个或者多个指示器生成警报。合适的指示器例子包含，但是不限于来自PCA基于Q-stat和/或T²stat的指示器，和/或来自SOFM基于一个或者多个数据聚类的指示器。

在一些实施例中，可以利用训练阶段，其中基于一些初始数据分析校准系统。在一些这样实施例中，在训练阶段期间，可以准备一个或者多个训练集。

例如，一个数据集能够，例如由功率、HSS扭矩、HSS速度所组成，而另一集由功率、HSS扭矩、HSS速度和LSS速度组成。该第一集能够，例如试图捕获从图2观察出的故障指示，并且第二集能够，例如试图捕获从图2和图3中观察得到的两个故障指示。

在一些实施例中，一个或者多个数据集能够用于训练自动关联神经网络(AANN)。可准备该数据以保证在早先定义的区域2中其代表宽度可能操作范围。

在一个例子中，该训练(例如，测试数据)集包含从装置的操作中收集的数据，其中数据在许多时间段期间收集(例如：在2年时间段内的十月、一月、十二月、十一月、二月、三月、四月和六月)。在一些这样的实施例中，用于AANN的训练数据集仅由基线数据组成。以这种方式，可以定义和/或重定义装置分析系统的基线。

在一些实施例中，能够使用多个数据集管理训练以确定哪个集可以生成最好的故障检测结果。例如，基于两个不同的数据集(例如，由功率、HSS扭矩和HSS速度组成的一个集，以及由功率、HSS扭矩、HSS速度和LSS速度组成的另一个集)训练系统，可以发现使用第一集训练的AANN比第二集生成更好的性能，其结果有较少的故障警报和更成功的检测。在这样一个实施例中，如果希望，然后训练能够集中在使用一个数据集上。

在一些实施例中，该测试能够提供做出关于一个数据集成功相对于另一数据集的测试和推理的推论。例如，上面的第一数据集相对第二数据集的成功能够归因于来自图3所示的故障数据的速度比率的较宽扩展并且可以使得故障和正常数据较少分离。

在一些实施例中，也能训练SOFM。例如，在利用上述第一和第二数据集训练时，利用第一数据集训练系统的较好性能也可以在SOFM训练中被观察。

用于SOFM训练的数据集可以与用于AANN训练的那些数据集相同或者相似。例如，在一些实施例中，SOFM的训练集与AANN的训练集间的差异可以是SOFM训练集包含故障数据。因此，该SOFM训练数据集是加入故障数据的AANN训练集的扩增。

结果

图4说明使用训练数据集从AANN获得的Q-stat和T²值的例子，其可以在本公开的一个或者多个实施例中使用。在采样上升高于上述限度时，水平线代表指示异常的门限限度。训练数据代表基线。

图5说明了来自另一基线情况的结果的例子并且这样数据可以在本公开的一个或者多个实施例中使用。这个数据可以在训练阶段自始自终不可见。这个基线数据集覆盖所有时段并且来自该数据集的结果可以用于测量故障警报率。在上升高于门限时没有采样，因此，基于这个数据没有故障警报生成。

图6说明了来自当变速箱故障发生日收集的数据的结果并且这样数据可以在本公开的一个或者多个实施例中使用。在这个示例的数据集中，观察Q-stat和T²的大值。Q-stat或T²值中哪一个超出门限的采样指示它们不代表应该用于开发对应正常状况的AANN的数据。这个数据也可以用于形成用于检测故障状况的门限和/或在其它应用中设置警报门限。

图7和图8说明了来自在故障之前收集的数据的结果并且这样数据可以在本公开的一个或者多个实施例中使用。图7是故障前40天获得的数据而图8是故障前17天获得的数据。

在这个例子中，数据还不指示故障。警报一致性分析随着时间更接近于故障时间，或者关于如何早期检测故障能够通过在故障发生时分析在大约某天时间段中收集的数据实现。基于从发生或在经受这样分析的装置或可能提供类似结果的其他装置上的这样事件收集的数据能够标识和/或提炼用于特定类型的这个时间期间。

在一个例子中，在某些情况下可以从系统外的资源提供信息。例如，如果检查日志(log book)，则关于故障的信息可以被识别，其能够用于进一步系统的准确分析。

例如，日志可以指示在故障之前的14天运行控制器时听见沉闷噪声(clunking noise)。这可以被分析为其是否指示故障的开始。

图9说明了来自SOFM的训练的结果并且这样的数据可以在本公开的一个或者多个实施例中使用。如上所述，SOFM的训练集可以不仅包含基线数据，还包含故障数据。

数据的第一部分，上至在3500周围的采样，是基线数据并且它们用x作标记。数据的第二部分，对应于3500后的采样，是故障数据并且它们用o作标记。

Y轴代表数据的聚类数。在这样一个实施例中，具有许多聚类(例如，28个聚类)的聚类系统能够在训练后获得，并且Y轴示出从1至28的聚类数。如图所示，没有对应于聚类数17、18和21的基线采样，因为只有故障数据间的采样对应于这些聚类。

这表明聚类数17、18和21仅基于故障数据而形成，因此它们代表故障状况。而其它聚类对应于基线数据，因此它们代表正常状况。基于这个信息，能够实现将聚类数映射至状况并且结果在图10中示出。

图10说明了基于故障数据的警报触发器状况并且这样的数据可以在本公开的一个或者多个实施例中使用。图10中所示的采样与图9中使用o标记的数据的第二部分相同。

关于故障隔离，SOFM能够，例如，用于隔离目的，因为代表不同故障的不同聚类被形成。在所示出的例子中，虽然SOFM能够隔离故障，但仅用一个故障模式来训练，因为只有一个可用的故障历史。然而，随着标识了更多不同的故障模式，且它们可以从参数的相同集合中可观察，在一些实施例中，SOFM也可以表明那些故障的隔离能力。

图11说明了来自在可用数据中最接近于故障日的数据的结果并且这些数据能够在本公开的一个或者多个实施例中使用。如之前所示，还没有指示故障。

图12说明了在若干不同指示器的警报触发器间的比较并且这样的数据可以在本公开的一个或者多个实施例中使用。在所说明的实施例中，提供三个指示器，(例如，来自基于Q-stat和T²的AANN的两个指示器以及来自基于多个聚类的SOFM的一个指示器)。在这个例子中，可以看到它们之中(例如，在T²触发其它两个触发器时)警报是一致的。在这些实施例中，相比较于T²，早前检测可能来自Q-stat与SOFM。

图13说明了计算系统，其可以在本公开的一个或者多个实施例中使用。计算装置1320可以是，例如，桌面计算装置、膝上计算装置，或者便携式手持计算装置，例如，便携式手持移动电话、媒体播放器、或扫描仪。然而，本公开的实施例并不限于特定类型的计算装置。在一些实施例中，计算装置1320可以是风涡轮机控制器和/或监控系统的一部分。

如图13所示，计算装置1320包含用户接口1322。用户接口1322可以是图形用户接口(GUI)，其可以提供(例如，显示和/或呈现)和/或接收信息(例如，数据和/或图像)至和/或来自计算装置1320的用户(例如，操作者)。

例如，用户接口1322能够包含屏幕，其能够将信息、提供至计算装置1320的用户和/或接收由用户输入至屏幕上的显示器的信息。然而，本公开的实施例并不限于特定类型的用户接口。

在一些实施例中，数据(例如，其被输入至PCA和SOFM)例如以自动方式通过电缆被提供至计算装置1320。可以经由计算装置1320至风涡轮机之间的连接直接地提供数据或者间接地从风涡轮机数据所位于的数据库提供数据。

这可以以例如在线和/或离线的方式来实现。例如，对于在线操作，计算装置1320可具有用于数据收集的触发器状况，并且在操作满足触发器状况时，然后执行PCA和/或SOFM并且显示结果。例如，对于离线操作，数据可以周期性地下载并且随后相应处理(执行PCA和/或SOFM并且在显示感兴趣的操作期间收集数据的结果，例如区域2)。

如图13所示，计算装置1320包含处理器1324和耦合至处理器1324的存储器1326。存储器1326可以是易失性或者非易失性存储器。存储器1326也可为可移除的(例如，便携式)存储器，或者不可移除的(例如，内部的)存储器。例如，存储器1326可以是随机存取存储器(RAM)(例如，动态随机存取存储器(DRAM)和/或相变随机访问存储器(PCRAM)、只读存储器(ROM)(例如，电可擦除可编程只读存储器(EEPROM))和/或只读光盘存储器(CD-ROM))、闪存、激光盘、数字通用光盘(DVD)或其它光盘存储器，和/或磁介质，比如盒式磁带、磁带、或者其它存储器类型中的磁盘。

进一步，虽然存储器1326被图解为位于计算装置1320中，但本公开的实施例并不限于此。例如，存储器1326还可位于另一计算资源的内部(例如，通过因特网或者另一有线或无线连接使得能够下载计算机可读指令)。

存储器1326也可存储可执行指令，例如计算机可读指令(例如，软件)，用于根据本公开的一个或者多个实施例从风涡轮机或从数据库或者风涡轮机数据的其它存储器中获取风涡轮机数据。处理器1324可以执行存储在存储器1326中的可执行指令以根据本公开的一个或者多个实施例获取风涡轮机数据。

在一些实施例中，计算机可读的非暂时(non-transitory)介质可以用来存储用于涡轮机故障分析的指令。这些指令能够被计算装置的处理器执行以使得计算装置完成多种任务。

例如，在一些实施例中，指令可被执行以经由计算装置收集与风涡轮机性能相关联的第一数据集。可以分析该第一数据集以确定该第一数据集是否能够基于满足门限值的数据值指示故障状况。检查与风涡轮机性能相关联的第二数据集以基于第二数据集和该门限值的比较确定是否存在故障状况。

在不同实施例中，指令可以包含计算机可执行的指令以分析第一数据集以确定关于一个或者多个性能特征的基线状况。在一些实施例中，该指令包含计算机可执行的指令以确定何时存在关于一个或者多个性能特征的故障状况。

一个或者多个性能特征可包含例如功率、高速轴扭矩、低速轴扭矩、高速轴速度、低速轴速度、油温中至少之一，和/或在其它可利用的风涡轮机性能特征中可以使用油压。

在一些实施例中，这些参数可有利于识别不同故障类型或者可能在预测某一类型的故障中特别有利。例如，在执行多元分析时(例如，从一些比率与功率的对比中观察)，该结果可以表明齿轮箱故障并且在预期齿轮箱故障检测和隔离中特别有用。

在一些实施例中，指令包括计算机可执行的指令以分析第一数据集，以确定该第一数据集是否能够基于满足关于一个或者多个性能特征的门限值的数据来指示故障状况。正如上述实施例，一个或者多个性能特征包含功率、高速轴扭矩、低速轴扭矩、高速轴速度、低速轴速度、油温中至少之一，和/或在其它可利用的风涡轮机性能特征中可以使用油压。

一些实施例提供了用于涡轮机故障分析的计算装置。在不同实施例中计算装置能够例如包含：处理器和存储器，其中存储器存储指令，可由处理器执行以使该计算装置执行多个函数。

例如，一些计算装置的实施例能够收集与风涡轮机性能相关联的第一数据集。能够使用自组织特征映射方法和主要组件分析方法的至少之一来分析第一数据集以确定第一数据集是否能够指示故障状况。可检查与风涡轮机性能相关联的第二数据集以确定是否存在故障状况。

在一些实施例中，使用自组织特征映射方法对数据的分析例如用于检测第一数据集中的异常。使用主要组件分析方法对第一数据集的分析例如用于基于异常检测来定位故障。计算装置能够包含指令以训练计算装置，以使用自组织特征映射方法和主要组件分析方法的至少之一来分析数据，从而确定数据是否能够通过自关联神经网络指示故障状况。

尽管这里说明并描述了特定的实施例，但本领域普通技术人员将会预期，实现相同技术被计算的任意装置能够被替代所示出的特定实施例。本公开旨在覆盖本公开各种实施例的任何及所有的适配或改变。

应当理解，上述描述以说明性的方式，而不是限制性的方式给出。上述实施例的组合，以及在此没有具体描述的其它实施例将对阅读上述描述的本领域技术人员而言是显而易见的。

本公开的各种实施例的范围包含其中使用上述结构和方法的任何其它应用。因此，应该参考所附的权利要求以及给予这些权利要求的全部等同范围来确定本公开的各种实施例的范围。

在上述详细描述中，在附图中说明的示例性实施例中将各种特征组合在一起以用于使得本公开简化的目的。本公开的方法不应被解释反映以下意图，即本公开的实施例需要比每个权利要求中明确陈述的特征更多的特征。

相反地，如下面权利要求所反映的，创造性主题在于少于所公开的单个实施例的全部特征。因此，下述权利要求合并在详细描述中，每个权利要求自身作为单独的实施例。

Claims (10)

1.一种计算装置(1320)实现的用于涡轮机故障分析的方法，包含：

经由计算装置(1320)收集与风涡轮机性能相关联的第一数据集；

分析该第一数据集以确定该第一数据集是否能够指示故障状况；并且

检查与风涡轮机性能相关联的第二数据集以确定是否存在故障状况。

2.权利要求1所述的方法，其中该方法进一步包含为用户提供通知以基于确定存在故障状况而采取行动。

3.权利要求2所述的方法，其中该方法进一步包含确定故障状况的类型，其存在于多个可能的故障状况。

4.权利要求3所述的方法，其中提供所述通知包含关于基于确定的故障状况类型采取的动作类型的信息。

5.权利要求1所述的方法，其中经由计算装置(1320)收集与风涡轮机性能相关联的第一数据集包含从如下的至少一个收集监控和数据采集类型数据：一组风涡轮机传感器、与风涡轮机相关联的计算装置，和存储器(1326)中的文件。

6.权利要求1所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含：分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项。

7.权利要求1所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含：分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项以及用于在故障状况下操作的风涡轮机的一个或者多个数据项。

8.权利要求1所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含使用聚类算法方法分析该第一数据集。

9.权利要求8所述的方法，其中使用聚类算法方法分析第一数据集包含使用自组织特征映射方法分析该第一数据集。

10.权利要求1所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含，使用主要组件分析方法分析该第一数据集。

Images