CN104198138A - 一种风力发电机组异常振动的预警方法及系统 - Google Patents

Abstract

本发明公开了一种风力发电机组异常振动的预警方法及系统，所述方法包括以下步骤：A.数据采集，采集机组的实时瞬态振动数据；B.数据预处理，对采集数据进行预处理获取计算样本；C.振动特征提取，对所述计算样本进行椭圆拟合并提取拟合出的椭圆的特征值；D.振动状态评估，根据比较所述特征值与设定的报警阈值评估机组的振动状态。本发明的风力发电机组异常振动的预警方法及系统，用于分析机组的振动状态，检测振动特征，建立预警机制，利于及早发现机组隐患，减少机组带病运行的时间，从而为关键部件的修复或更换提供判断依据，降低部件损坏风险，减少机组停机时间和备件消耗成本。

Description

一种风力发电机组异常振动的预警方法及系统

技术领域

本发明涉及风电技术领域，特别是涉及一种风力发电机组异常振动的预警方法及系统。

背景技术

大功率永磁直驱型风力发电机组，主要部件包括永磁直驱发电机、叶片、塔筒、轮毂、变流器。机组的主要机械部件均有各自的振动模态，由于机组使用寿命的变化和运行功率的不同，导致机组出现不同情况的振动特征。振动是机组运行特征的一个重要体现。

目前机组振动保护主要针对大能量大振幅的保护，而实际运行中，机组的关键机械设备(发电机、叶片等)的损坏或异常，使机组“带病”运行，会诱发的机组振动变化，而且在损坏早期，这种振动变化往往幅值不大，很难检测到。最终会导致关键部件的不可逆转的损坏，使机组长时间停机，带来较大的经济损失。

由此可见，创设一种可靠、有效、能够检测到小振幅异常振动尤其是损坏早期的异常振动的风力发电机组异常振动的预警方法及系统,实属当前重要研发课题之一。

发明内容

本发明的一个目的是提供一种可靠、有效的风力发电机组异常振动的预警方法，能够检测到小振幅异常振动尤其是损坏早期的异常振动，利于及早发现机组隐患，提前预警，减少机组带病运行的时间，从而为机组关键部件的修复或更换提供判断依据，降低部件损坏风险，减少机组停机时间和备件消耗成本。

为实现上述目的，本发明采用如下技术方案：

一种风力发电机组异常振动的预警方法，包括以下步骤：A.数据采集，采集机组的实时瞬态振动数据；B.数据预处理，对采集数据进行预处理获取计算样本；C.振动特征提取，对所述计算样本进行椭圆拟合并提取拟合出的椭圆的特征值；D.振动状态评估，根据比较所述特征值与设定的报警阈值评估机组的振动状态。

进一步地，所述振动数据包括沿机组发电机主轴轴向的机舱加速度A_X、沿机组发电机主轴径向的机舱加速度A_Y和机组机舱加速度有效值A_E，且满足 $A_E=\sqrt{A_X^2+A_Y^2}.$

进一步地，所述步骤B数据预处理包括以下步骤：a.对采集的振动数据进行数据清洗，剔除噪声数据；b.对清洗后的数据所在的坐标系进行笛卡尔网格化，计算每一网格及其周围8个网格的样本密度；c.遍历并提取样本密度不为0、而其周围8个网格样本密度至少一个为0的网格作为边缘网格，提取所述边缘网格内的样本作为椭圆拟合计算的样本。

进一步地，所述步骤C中的椭圆拟合采用最小二乘法椭圆拟合。

进一步地，所述步骤C中拟合出的椭圆的特征值包括椭圆的长半轴、短半轴、椭圆中心坐标以及椭圆倾角。

进一步地，所述步骤D振动状态评估包括根据所述椭圆的长半轴、短半轴对机组振动幅值大小的评估以及根据所述椭圆中心坐标和椭圆倾角对机组振动偏心度的评估。

进一步地，所述步骤D中报警阈值通过对故障机组的历史异常振动数据进行统计分析获得。

本发明的另一个目的是提供一种应用上述风力发电机组异常振动的预警方法的风力发电机组异常振动的预警系统，包括：数据采集模块，用于采集机组的实时瞬态振动数据；数据预处理模块，用于对采集数据进行预处理获取计算样本；振动特征提取模块，用于对所述计算样本进行椭圆拟合并提取拟合出的椭圆的特征值；振动状态评估模块，用于根据比较所述特征值与设定的报警阈值评估机组的振动状态。

进一步地，还包括阈值设定模块。

进一步地，还包括报警模块。

由于采用上述技术方案，本发明至少具有以下优点：

本发明的风力发电机组异常振动的预警方法及系统，用于分析机组的振动状态，检测振动特征，寻找异常振动数据，能够检测到小振幅异常振动尤其是损坏早期的异常振动，有利于及早发现机组隐患，减少机组带病运行的时间，通过建立预警机制可为关键部件的修复或更换提供判断依据，降低部件彻底损坏的风险，减少机组停机时间和备件消耗成本。

附图说明

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

图1是本发明的风力发电机组异常振动的预警方法的流程图。

图2是拟合出的椭圆的二维平面示意图。

具体实施方式

请参阅图1所述，本发明的风力发电机组异常振动的预警方法主要包括数据采集、数据预处理、振动特征提取、振动状态评估等步骤。

1.数据采集

对机组的实时瞬态振动数据进行采集处理。振动数据包括机组沿发电机主轴的轴向方向的机舱加速度A_X、沿发电机主轴径向方向的机舱加速度A_Y和整个机组机舱加速度有效值A_E，且满足

2.数据预处理

1)首先进行数据清洗，剔除噪声数据，噪声数据包括数据序列中的错误数据、不完整或不一致数据等；

2)其次对坐标系根据一定尺度进行笛卡尔网格化，并对每一网格设置唯一编号，统计计算各个网格内样本数量，代表该网格样本密度，计算每一网格及其周围8个网格的样本密度；

3)最后提取边缘网格。遍历所有该网格样本密度不为0、且其周围8个网格样本密度中至少有一个为0的网格，并提取该网格作为边缘网格。提取边缘网格内样本作为拟合样本。

3.振动特征提取

建立机组振动数据在X-Y振动平面上的散点分布，然后采用椭圆拟合方法计算出机组的振动边界，提取机组的振动特征。

椭圆拟合方法优选采用较常用的最小二乘法椭圆拟合，最小二乘法是在随机误差为正态分布时，由最大似然法推出的一种最优估计技术，它可以使测量误差的平方和最小，因此也被视为从一组测量值中求出一组未知量的最可信赖的方法之一。用最小二乘法确定被测要素的原理是：假定有一理想要素使得被测要素的各点到该理想要素的距离的平方和为最小，那么该理想要素的特征参数即为所要求的被测要素的特征参数。用最小二乘法确定的被测要素具有“唯一性”。本发明中用最小二乘法进行椭圆拟合并提取机组的振动特征基于如下步骤：

1)对计算样本集进行椭圆拟合，通过基于最小二乘法的椭圆拟合方法，来确定振动空间以及相关特征。

假设椭圆的一般形式为Ax²+Bxy+Cy²+Dx+Ey+F＝0，其中为避免系数的倍数导致多个表述，可以假设A+C＝1进行约束。对计算样本进行最小二乘处理得到，求目标函数 $f(A,B,C,D,E,F)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({{\mathrm{Ax}}_i}^2+{\mathrm{Bx}}_i{y}_i+{{\mathrm{Cy}}_i}^2+{\mathrm{Dx}}_i+{\mathrm{Ey}}_i+F)}^2$ 的最小值来确定各个系数。依极值求解法，当f(A,B,C,D,E,F)值最小时，有由此结合约束条件求解线性方程组，求得A,B,C,D,E,F的值，从而确定拟合的椭圆。

2)提取各个计算样本集拟合后的椭圆特征值：包括边界椭圆的长半轴、短半轴、椭圆中心的坐标以及椭圆倾角。

请配合参阅图2所示，设边界椭圆的隐性方程为:

Ax²+Bxy+Cy²+Dx+Ey+F＝0，其中A,B,C,D,E,F是椭圆参数；

写为椭圆标准方程为：

其中x_c、y_c为椭圆中心坐标，a，b分别为椭圆的长半轴和短半轴。

上述两方程的参数关系为：

$x_c=\frac{\mathrm{BE}-2\mathrm{CD}}{4\mathrm{AC}-B^2}$

$y_c=\frac{\mathrm{BD}-2\mathrm{AE}}{4\mathrm{AC}-B^2}$

$a=\sqrt{\frac{-2F}{A+C-\sqrt{B^2+{\left(\frac{A-C}{F}\right)}^2}}}$

$b=\sqrt{\frac{-2F}{A+C+\sqrt{B^2+{\left(\frac{A-C}{F}\right)}^2}}}$

$\mathrm{\θ}=\frac{1}{2}\arctan \frac{B}{A-C}$

4.报警阈值的选取

选取发生过轴承、叶片、发电机等质量损坏机组的历史振动数据，作为阈值选取样本。根据同样的上述步骤1-3，获取历史振动数据的边界椭圆的长、短半轴、椭圆的中心和椭圆倾角作为振动特征，并对所有样本的振动特征进行统计分析，获取确定异常振动的振动特征的判定阈值，判定阈值涉及椭圆长半轴A_H和短半轴B_H以及椭圆中心范围C_H(x_Lower—x_Upper,y_Lower—y_Upper)和椭圆倾角范围θ_H(θ_Lower—θ_Upper)。

5.振动状态评估

根据得到的边界椭圆的长半轴a、短半轴b、椭圆中心C(x_c,y_c)和椭圆倾角θ，分别与上述判定阈值相对比，实现对全场机组的振动状态评估，包括振动幅值大小的评估和振动偏心度的评估。其中，振动幅值的大小根据边界椭圆的长、短半轴来评估，振动偏心度根据椭圆中心位置和椭圆倾角来评估。

当椭圆中心C(x_c,y_c)在椭圆中心阈值C_H内，且椭圆倾角θ在椭圆倾角阈值θ_H内，且比例和比例近似相等，则满足设定的阈值条件；反之则将计算结果a，b、C(x_c,y_c)、θ输出并报警提示，从而实现对机组振动状态的监测和预警。

由于采用了以上技术方案，本发明的风力发电机组异常振动的预警方法及系统，可用于分析机组的振动状态，检测振动特征，寻找异常振动数据，建立预警机制，有利于及早发现机组隐患，减少机组带病运行的时间，为关键部件的修复或更换提供判断依据，降低部件彻底损坏的风险，减少机组停机时间和备件消耗成本。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。

Claims (10)

1.一种风力发电机组异常振动的预警方法，其特征在于，包括以下步骤：

A.数据采集，采集机组的实时瞬态振动数据；

B.数据预处理，对采集数据进行预处理获取计算样本；

C.振动特征提取，对所述计算样本进行椭圆拟合并提取拟合出的椭圆的特征值；

D.振动状态评估，根据比较所述特征值与设定的报警阈值评估机组的振动状态。

2.根据权利要求1所述的风力发电机组异常振动的预警方法，其特征在于，所述振动数据包括沿机组发电机主轴轴向的机舱加速度A_X、沿机组发电机主轴径向的机舱加速度A_Y和机组机舱加速度有效值A_E，且满足 $A_E=\sqrt{A_X^2+A_Y^2}.$

3.根据权利要求1所述的风力发电机组异常振动的预警方法，其特征在于，所述步骤B数据预处理包括以下步骤：

a.对采集的振动数据进行数据清洗，剔除噪声数据；

b.对清洗后的数据所在的坐标系进行笛卡尔网格化，计算每一网格及其周围8个网格的样本密度；

c.遍历并提取样本密度不为0、而其周围8个网格样本密度至少一个为0的网格作为边缘网格，提取所述边缘网格内的样本作为椭圆拟合计算的样本。

4.根据权利要求1所述的风力发电机组异常振动的预警方法，其特征在于，所述步骤C中的椭圆拟合采用最小二乘法椭圆拟合。

5.根据权利要求1所述的风力发电机组异常振动的预警方法，其特征在于，所述步骤C中拟合出的椭圆的特征值包括椭圆的长半轴、短半轴、椭圆中心坐标以及椭圆倾角。

6.根据权利要求5所述的风力发电机组异常振动的预警方法，其特征在于，所述步骤D振动状态评估包括根据所述椭圆的长半轴、短半轴对机组振动幅值大小的评估以及根据所述椭圆中心坐标和椭圆倾角对机组振动偏心度的评估。

7.根据权利要求1所述的风力发电机组异常振动的预警方法，其特征在于，所述步骤D中报警阈值通过对故障机组的历史异常振动数据进行统计分析获得。

8.一种应用权利要求1-7中任一项所述的风力发电机组异常振动的预警方法的风力发电机组异常振动的预警系统，其特征在于，包括：

数据采集模块，用于采集机组的实时瞬态振动数据；

数据预处理模块，用于对采集数据进行预处理获取计算样本；

振动特征提取模块，用于对所述计算样本进行椭圆拟合并提取拟合出的椭圆的特征值；

振动状态评估模块，用于根据比较所述特征值与设定的报警阈值评估机组的振动状态。

9.根据权利要求8所述的风力发电机组异常振动的预警系统，其特征在于，还包括阈值设定模块。

10.根据权利要求8所述的风力发电机组异常振动的预警系统，其特征在于，还包括报警模块。