CN105604807A - 风电机组监测方法及装置 - Google Patents

Abstract

本发明提供了风电机组监测方法及装置，通过对风电机组上已安装的实际传感器进行第一数据采集，将第一数据输入机器学习模型中，获取风电机组的虚拟传感器的第二数据，根据第一数据和第二数据对风电机组进行监测。本实施例中通过机器学习模型能够实现实际传感器与虚拟传感器的映射，可以通过已安装的传感器对风电机组进行全方位的状态监测，提高了监测的准确性和有效性。

Description

风电机组监测方法及装置

技术领域

本发明属于风电技术领域，尤其涉及一种风电机组监测方法及装置。

背景技术

由于风电机组的结构形式复杂、体量巨大，受到风电机组条件和安装费用的限制，一般只能在风电机组有限的位置上布设一定数目的传感器，通过布设的传感器来监测风电机组结构的健康状态。因此，在风电机组上合理布设传感器成为风电机组结构健康状态监测的关键问题。

但是，仅通过安装有传感器的零部件进行风电机组的健康状态进行监测，可能存在一定的风险，然后实际应用中风电机组中一些不易安装传感器的零部件如螺栓也对机组结构的健康状态存在较大的影响。

发明内容

本发明提供一种风电机组监测方法及装置，用于解决仅通过安装有传感器的零部件进行风电机组的状态进行监测，可能存在一定的风险的问题。

为了实现上述目的，本发明提供了一种风电机组监测方法，包括：

对风电机组上已安装的实际传感器进行第一数据采集；

将所述第一数据输入机器学习模型中，获取所述风电机组的虚拟传感器的第二数据；

根据所述第一数据和所述第二数据对所述风电机组进行监测。

为了实现上述目的，本发明提供了一种风电机组监测装置，包括：

采集模块，用于对风电机组上已安装的实际传感器进行第一数据采集；

映射模块，用于将所述第一数据输入机器学习模型中，获取所述风电机组的虚拟传感器的第二数据；

监测模块，用于根据所述第一数据和所述第二数据对所述风电机组进行监测。

本发明的风电机组监测方法及装置，通过对风电机组上已安装的实际传感器进行第一数据采集，将第一数据输入机器学习模型中，获取风电机组的虚拟传感器的第二数据，根据第一数据和第二数据对风电机组进行监测。本发明中通过机器学习模型能够实现实际传感器与虚拟传感器的映射，可以基于已安装的传感器对风电机组进行全方位的状态监测，提高了监测的准确性和有效性。

附图说明

图1为本发明实施例一的风电机组监测方法的流程示意图；

图2为本发明实施例二的风电机组监测方法的流程示意图；

图3为本发明实施例三的风电机组监测方法的流程示意图；

图4为本发明实施例三的风电机组监测方法的应用示意图；

图5为本发明实施例四的风电机组监测装置的结构示意图；

图6为本发明实施例五的风电机组监测装置的结构示意图。

具体实施方式

下面结合附图对本发明实施例提供的风电机组监测方法及装置进行详细描述。

实施例一

如图1所示，其为本发明实施例一的风电机组监测方法的流程示意图，该风电机组监测方法包括以下步骤：

S101、对风电机组上已安装的实际传感器进行第一数据采集。

具体的，首先在风电机组的零部件上安装振动、声音、温度和成像的传感器，利用这些传感器采集零部件的传感数据。将所有传感器所采集到的传感数据通过PLC控制器发送到工控机上，进一步通过工控机基于无线模块将这些传感数据上传至AWS云端，从而在AWS云端对传感数据进行分析处理。本实施例中，通过云平台的接口与实现传感设备进行连接，能够解决多类型传感器多种传输线路的难题。

S102、将第一数据输入机器学习模型中，获取风电机组的虚拟传感器的第二数据。

本实施例中，在AWS云端预先为风电机组构建一个机器学习模块，该机器学习模块用于实现实际传感器与虚拟传感器之间的映射。首先对风电机组上已安装的实际传感器进行数据采集作为第一数据。

将采集到的实际传感器的第一数据输入该机器学习模型中，由于该机器学习模块用于实现实际传感器与虚拟传感器之间的映射，根据该第一数据机器学习模块能够映射出虚拟传感器的第二数据。优选地，机器学习模块可以为BP神经网络。

本实施例中，首先可以通过大数据技术和有限元理论对风电机组上的各零部件之间的关系进行分析，得到风电机组各零部件之间的传递函数。一般风电机组包括划分为塔架、叶片、传动系统、变桨系统、偏航系统和发电机等若干零部件。

在获取到传递函数后，基于该传递函数可以对风电机组布设虚拟传感器。其中，虚拟传感器用于对风电机组中不易安装传感器的零部件进行信号检测。也就是说，通过传递函数可以将一些不能安装传感器的零部件与已安装传感器的零部件进行关联，这样就可以实现通过已安装的传感器对风电机组进行全方位的状态监测。

S103、根据第一数据和第二数据对风电机组进行监测。

为了更好地对风电机组进行监测，本实施例中，基于通过机器学习模块映射出虚拟传感器的第二数据后，可以根据实际传感器的第一数据和虚拟传感器的第二数据对风电机组进行全方位的监测，能够提高对风电机组监测的准确性。

进一步地，本实施例中还可以将第一数据和第二数据进行3D动态展示。本实施例中，预先建立一个3D模型，通过该3D模型可以对实际传感器的第一数据和虚拟传感器的第二数据进行3D动态展示。具体地，将实际传感器的第一数据和虚拟传感器的第二数据进行逆转换，即实现D/A转换，将转换后得到的模拟信号作为3D模型的输入信号，3D模型对输入数据进行响应，将实际传感器和虚拟传感器进行动态展示。例如，在建立3D模型时，该3D模块可以包括输入接口、转换模块和输出接口，可以借助Simulink软件建立实现3D模型的构建。

进一步地，3D模型不仅可以将实际传感器的第一数据和虚拟传感器的第二数据进行动态展示，还可以将传感器和机组模型进行三维实体展示。

在3D动态展示的过程中，风电机组的测试人员可以直观地观察到风电机组的状态，基于3D动态展示的风电机组的状态，测试人员能够对现有传感器做出状态评估。

本实施例提供的风电机组监测方法，通过对风电机组上已安装的实际传感器进行第一数据采集，将第一数据输入机器学习模型中，获取风电机组的虚拟传感器的第二数据，根据第一数据和第二数据对风电机组进行监测。本实施例中通过机器学习模型能够实现实际传感器与虚拟传感器的映射，可以通过已安装的传感器对风电机组进行全方位的状态监测，提高了监测的准确性和有效性。

实施例二

如图2所示，其为本发明实施例二的风电机组监测方法的流程示意图。在上述实施例一的基础之上，在实际传感器与虚拟传感器进行映射之前，还包括以下步骤：

S201、对风电机组的各零部件之间的关系进行分析，获取各零部件之间的传递函数。

为了能够实现实际传感器与虚拟传感器之间的映射，需要对风电机组包括的各零部件之间的关系进行分析，基于各零部件之间的物理本质关系去挖掘各零部件之间的力与运动之间的关系，得到各零部件之间的传递函数。

具体地，基于有限元理论可以将风力发电机组划分为塔架、叶片、传动系统、变桨系统、偏航系统和发电机等若干零部件，然后把每个零部件看成一个柔性体，基于拉格朗日算子建立机组的柔体动力学模型，通过模态叠加法来表示做大范围非线性整体运动柔性体的弹性位移，从而描述柔性体的变形运动，用离散化的有限元柔性模型来模拟连续体的无限自由度。

柔性体上任意节点的瞬时位移可以通过三个矢量之和表示：

r₁＝x₁+s₁+u₁(1)

其中，x₁为体参考系相对于惯性参考系的位移，s₁为变形节点相对于体参考系的位移，u₁为变形后节点相对于变形前节点的位移。

将上述式(1)写成矩阵形式为：

r₁＝x₁+^GA^B(s₁+u₁)(2)

其中，^GA^B为局部参考系到惯性参考系的变换矩阵。

对上述式(2)进行微分即可得到任意节点的瞬时平移速度：

$v=\frac{dr}{dt}=\left(I^G{A}^B\right(s_1+u_1\left)B^G{A}^B\mathrm{\φ}\right)\mathrm{\ξ}---\left(3\right)$

其中，I为任意节点的惯量张量，B为局部体参考系，φ节点平移自由度对应的模态矩阵，ξ任意节点的广义坐标系。

任意节点的瞬时角速度由体的角速度与变形角速度之和表示：

ω^J＝ω^B+ω^P(4)

其中ω^J为任意标记的角加速度，ω^B为体的角加速度，ω^P为因变形产生的角加速度。

通过上述(3)和(4)就可得到柔性体的动能：

$E_K=\frac{1}{2}\∫{\mathrm{\ρv}}^{T}vdv\≈\frac{1}{2}{\mathrm{\Σmv}}^{T}v+{\mathrm{\ω}}^{BT}{\mathrm{I\ω}}^B=\frac{1}{2}{\mathrm{\ξ}}^{T}M\mathrm{\ξ}---\left(5\right)$

其中ρ为体的密度，m为任意节点的质量，M质量矩阵。

柔性体的势能由重力势能和弹性势能组成，即：

$E_p=E_g+\frac{1}{2}{\mathrm{\ξ}}^{T}K\mathrm{\ξ}---\left(6\right)$

其中E_g为重力势能，K为广义刚度矩阵。

运动控制微分方程为：

$M\stackrel{\·\·}{\mathrm{\ξ}}+M\stackrel{\·}{\mathrm{\ξ}}+\frac{1}{2}{\left(\frac{\∂M}{\∂\mathrm{\ξ}}\right)}^T\stackrel{\·}{\mathrm{\ξ}}+K\mathrm{\ξ}+f_g+D\stackrel{\·}{\mathrm{\ξ}}+{\left(\frac{\∂\mathrm{\ψ}}{\∂\mathrm{\ξ}}\right)}^T\mathrm{\λ}=Q---\left(7\right)$

其中ψ为代数约束方程，λ为拉格朗日算子，D为模态阻尼矩阵，Q为广义作用力，该广义作用力可以用于表征风电机组各零部件之间力与运动的关系，也就是获取到了各零部件之间的传递函数。

S202、根据传递函数构建虚拟的机组模型。

在获取到广义作用力后，根据该广义作用力就可以得知风电机组各零部件之间的传递函数，根据该传递函数通过实验手段构建虚拟的机组模型。

S203、获取风电机组与风之间的作用关系。

S204、根据作用关系将风对风电机组的作用转换成传感器可测的信号。

风发电机组是将风能转化为电能的机械装置。首先风电机组利用风力带动机组叶片进行旋转，再通过增速机构将旋转的速度提升，并带动发电机一起旋转，进而将无尽的风能先转化为机械能再将机械能转化为日常可以应用的电能。

其中，风电机组对流过的风可以吸收的能量为：

$E=\frac{1}{2}{\mathrm{\ρSV}}^3---\left(1\right)$

其中E为机组吸收的能量，ρ为空气密度，S为机组叶片的有效扫掠面积，V为垂直于叶片扫掠面的风速，机组的叶片在吸收风能的过程中既受升力又受阻力，其中升力根据以下公式计算：

$F_L=\frac{1}{2}{\mathrm{\ρv}}^2{S}_Y{C}_l---\left(2\right)$

其中F_L为叶片所受的升力，ρ为空气密度，v叶片相对风速，S_Y为叶片的有效面积，C_y为升力系数，同样机组所受的阻力为：

$F_D=\frac{1}{2}{\mathrm{\ρv}}^2{S}_Y{C}_d---\left(3\right)$

其中F_D为叶片所受的升力，ρ为空气密度，v叶片相对风速，C_d为阻力系数，可见风主要通过叶片将风载荷传递给机组，并以扭矩的形式传递到机组的整个传动链路上，其中扭矩与功率的关系如下式所示：

$T=9549\frac{W}{N}---\left(4\right)$

其中T为旋转轴所受的扭矩，W为功率，N转速，扭矩及力在传递过程中遵循如下关系：

$\frac{N_A}{N_B}=\frac{C_B}{C_A}=\frac{L_B}{L_A}=\frac{R_B}{R_A}=\frac{F_{\mathrm{\λ}B}}{F_{\mathrm{\λ}A}}=\frac{T_B}{T_A}---\left(5\right)$

其中N_A和N_B分别为齿轮A和B的转速，C_A和C_B分别为齿轮A和B的齿数，L_A和L_B为齿轮A和B的周长，R_A和R_B分别为齿轮A和B的半径，F_λA和F_λB分别为齿轮A和B的切向力，T_A和T_B分别为齿轮A和B的扭矩。

上述为风电机组外界的力传入风电机组的过程，那么风电机组本身的物理特性可由如下公式获得：

$H=2\mathrm{\π}\sqrt{\frac{K}{M}}---\left(6\right)$

其中H为风电机组的固有频率，K为系统刚度矩阵，M为系统的质量矩阵。

上述(6)式能够反应出物体的本质特性，由这个式子可以计算出物体上具体部件的固有频率，而这个固有频率就是振动传感器要测试的量，测试到这个量可以做振动分析，进而分析出物体所处的状态，根据上面力与运动的关系，就可以得到物体受力产生的振动情况。通过上述分析就能够建立起机组与环境之间的作用关系，将风对机组的作用转化为风电机组上已安装传感器可测的信号。其中，传感器可测的信号可以包括但不限于振动信号、轴的转速信号以及输出功率等。

S205、对机组模型进行测试获取机组模型的测试数据。

具体地，在每个测试时间段内对机组模型中的同一部件给予相同的激励，由于部件上可以安装传感器，激励作用在部件上之后，部件上安装的传感器能够采集到由该激励产生的可测信号。由于各部件之间存在传递关系，施加激励的部件会对其他部件产生影响，这样其他部件上的传感器也可以采集到可测信号。通过不断地对同一部件施加相同的激励，就能够获取到机组模型的测试数据。其中，激励可以为对部件进行敲击等能够产生振动效果的力。在风电应用领域，该相同激励可以通过相同的风速和风向的风产生，该风可以机组产生一定作用，根据上述风对机组的作用关系能够转化将风成传感器可测的信号，进而得到机组模型的测试数据。

此处需要说明，虚拟出的机组模型中包括有风电机组中实际安装的传感器和虚拟的传感器，对不同的部件需要施加的激励是不同，但是需要对同一个部件施加相同的激励，以获取到各零部件传感器的可测信号作为机组模型的测试数据。

S206、提取测试数据的特征参数，得到特征参数样本矩阵。

在每个测试时间段给予不同零部件给予相同的激励，得到各零部件上的传感器的可测信号作为机组模型的测试数据，对测试数据进行对比分析，可以发现各传感器之间的状态关系，提取能够表征该状态关系的特征参数，建立该状态关系的特征参数样本矩阵。

S207、使用特征参数样本矩阵对机器学习模型进行训练直到机器学习模型的均方误差最小。

进一步地，为了建立机器学习模块，将提取的特征参数矩阵作为输入，对BP神经网络进行训练学习，直到该神经网络模型的均方误差最小。当均方误差最小时，说明机器学习模块具有了判断功能，可以构建出实际传感器与虚拟传感器之间的映射函数f，从而实现易安装传感器与不易安装的传感器之间的逻辑转换：

f(H,n₂)＝f(M,T,F,n₁)(7)

其中，H为可安装传感设备部分的固有频率，n₂为实际传感器的编码，M,T,F,n₁分别为虚拟的传感器所受的弯矩、扭矩、力和编码。

在形成了稳定的机器学习模型后，可以对实际传感器进行数据采集，将采集的实际传感器的第一数据输入机器学习模型中就能够映射出虚拟传感器的第二数据。关于实际传感器与虚拟传感器之间的映射过程，可参见上述实施例一中S101～S103中相关内容的记载，此处不再赘述。

本实施例提供的风电机组监测方法，通过获取风电机组的各零部件之间的传递函数构建机组模型，基于机组模型和由风对风电机组的作用转换成的传感器的可测的振动信号，得到特征参数样本矩阵，基于该特征参数样本矩阵得到训练后的机器学习模型，将已安装的实际传感器的第一数据输入机器学习模型中，获取风电机组的虚拟传感器的第二数据，根据第一数据和第二数据对风电机组进行监测。本实施例中通过机器学习模型能够实现实际传感器与虚拟传感器的映射，可以通过已安装的传感器对风电机组进行全方位的状态监测，提高了监测的准确性。

实施例三

如图3所示，其为本发明实施例三的风电机组监测方法的流程示意图。在上述实施例的基础上，在实际传感器与虚拟传感器进行映射之后，还包括以下步骤：

S301、调整风电机组上传感器的布局。

通过数据训练获取到稳定的机器学习模型后，该机器学习模型能够生产实际传感器与虚拟传感器之间的映射函数，进而实现了虚实传感器之间的转换。实际应用中，传感器在风电机组上部署的位置不同，对风电机组的监控也会产生不同的影响。为了达到对风电机组的状态监控最佳的效果，测试人员可以不断地调整风电机组上传感器的布局来对风电机组进行状态监控。

S302、将调整后的传感器布局在机组模型上进行优化测试。

在实现了虚实传感器的转换之后，意味着测试人员可以采用虚实结合的方式对构建的机组模型进行优化测试。其中，调整传感器的过程中，可以通过增加或减少已安装的传感器对布局进行调整。例如，在测试人员试图增加新的传感器时，通过虚实结合的方式对待安装的新传感器进行测试仿真，以帮助测试人员做出合理的决策，测试人员可以根据测试结果可以确定是否安装该新的传感器。

S303、将优化的测试结果与实测结果进行近似度比较。

在基于虚实结合方式对虚拟的机组模型进行测试的过程中，测试人员可以根据测试需求对传感器进行优化搭配，不同的优化搭配可以利用测试数据对其进行训练学习，然后根据实测结果对各种优化方案的测试结果进行近似度比较。

S304、将近似度最高的布局设置为风电机组传感器的最优布局。

不断优化的传感器布局下，可以剔除检测准确度削减的传感器。在优化的测试结果与实测结果近似度最高时，说明当前传感器的布局能够最好地对风电机组的状态进行监控，可以将当前的传感器布局作为风电机组的最优布局。本实施例中可以通过3D模型将当前传感器布局的结果能够动态展示中显示出来。

本实施例提供的风电机组监测方法，在获取到稳定的机器学习模型后，基于虚实结合的方式对风电机组传感器的布局进行优化测试，通过不断调整风电机组上传感器的布局，获取近似度最高的布局设置为风电机组传感器的最优布局，在该最优布局下风电机组的监测效果最佳，准确度和有效性最高。

如图4所示，其为本实施例三的风电机组监测方法的应用示例图。本实施例提供的方法可以由图4所示的智能感知系统来完成，在图4中，该智能感知系统包括：数据应用分析模块、可视化处理模块和虚拟传感库、综合数据库以及图形用户界面(GraphicalUserInterface，简称GUI)。

其中，数据应用分析模块可用于有限元分析、大数据分析和动力学分析。在该智能感知系统中，数据应用分析模块采用有限元分析和动力学分析对风电机组内容各零部件之间的关系进行分析，进而获取到各零部件之间的传递函数。进一步地，通过该大数据分析对数据进行系列学习，得到稳定的机器学习模型。

进一步地，基于动力学分析可以对风电机组与环境之间的关系进行分析，获取到风与风电机组之间的作用关系，进而将能够将风对风电机组的作用转换成传感器可测的振动信号。

进一步地，综合数据库中可以存储风电机组上已安装的传感器的实测数据、已安装的传感器的参数、风电机组的设计参数等信息。虚拟传感库中存储有虚拟传感器的参数以及传感器配置方案等信息。

进一步地，在该智能感知系统中，可视化处理模块可以将测试数据或者传感器的状态通过3D动态显示出来。进一步地，在智能感知系统中设置有一个GUI，通过该GUI可以接收用户的操作指令，GUI下可以设置有传感器状态评估、测试数据分析报告已经传感器优化等选项。用户可以在GUI下选中一个选项指示该智能感知系统进行与该选项相关的处理流程。

实施例四

如图5所示，其为本发明实施例四的风电机组监测装置的结构示意图。该风电机组监测装置包括：采集模块11、映射模块12和监测模块13。

其中，采集模块11，用于对风电机组上已安装的实际传感器进行第一数据采集。

具体的，首先在风电机组的零部件上安装振动、声音、温度和成像的传感器，利用这些传感器采集零部件的传感数据。采集模块11将所有传感器所采集到的传感数据通过PLC控制器发送到工控机上，进一步通过工控机基于无线模块将这些传感数据上传至AWS云端，从而在AWS云端对传感数据进行分析处理。

映射模块12，用于将所述第一数据输入机器学习模型中，获取所述风电机组的虚拟传感器的第二数据。

本实施例中，在AWS云端预先为风电机组构建一个映射模块12，该映射模块12通过该机器学习的方式实现实际传感器与虚拟传感器之间的映射。具体地，将采集到的实际传感器的第一数据输入该映射模块12中，由于该映射模块12用于实现实际传感器与虚拟传感器之间的映射，映射模块12根据该第一数据能够映射出虚拟传感器的第二数据。优选地，映射模块12可以为机器学习模块，该机器学习模块可以为BP神经网络。

本实施例中，首先可以通过大数据技术和有限元理论对风电机组上的各零部件之间的关系进行分析，得到风电机组各零部件之间的传递函数。一般风电机组包括划分为塔架、叶片、传动系统、变桨系统、偏航系统和发电机等若干零部件。在获取到传递函数后，基于该传递函数可以对风电机组布设虚拟传感器。其中，虚拟传感器用于对风电机组中不易安装传感器的零部件进行信号检测。也就是说，通过传递函数可以将一些不能安装传感器的零部件与已安装传感器的零部件进行关联，这样就可以实现通过已安装的传感器对风电机组进行全方位的状态监测。

监测模块13，用于根据所述第一数据和所述第二数据对所述风电机组进行监测。

为了更好地对风电机组进行监测，本实施例中，通过映射模块12映射出虚拟传感器的第二数据后，监测模块13可以根据实际传感器的第一数据和虚拟传感器的第二数据对风电机组进行全方位的监测，能够提高对风电机组监测的准确性。

本实施例提供的风电机组监测装置，通过对风电机组上已安装的实际传感器进行第一数据采集，将第一数据输入机器学习模型中，获取风电机组的虚拟传感器的第二数据，根据第一数据和第二数据对风电机组进行监测。本实施例中通过机器学习模型能够实现实际传感器与虚拟传感器的映射，可以通过已安装的传感器对风电机组进行全方位的状态监测，提高了监测的准确性和有效性。

实施例五

如图6所示，其为本发明实施例五的风电机组监测装置的结构示意图。该风电机组监测装置除了包括上述采集模块11、映射模块12和监测模块13之外，还包括：有限元分析模块14、模型构建模块15、作用关系分析模块16、信号转换模块17、测试模块18、特征提取模块19和训练模块20、3D模块21和布局优化模块22。

有限元分析模块14，用于采集模块11对风电机组上已安装的实际传感器进行第一数据采集之前，对风电机组的各零部件之间的关系进行分析，获取各零部件之间的传递函数。

模型构建模块15，用于根据传递函数构建虚拟的机组模型。

作用关系分析模块16，用于在采集模块11对风电机组上已安装的实际传感器进行第一数据采集之前，获取风电机组与风之间的作用关系；

信号转换模块17，用于根据作用关系将风对风电机组的作用转换成传感器的可测的振动信号。

测试模块18，用于在模型构建模块根据传递函数构建虚拟的机组模型之后，对机组模型进行测试获取机组模型的测试数据；

特征提取模块19，用于提取测试数据的特征参数，得到特征参数样本矩阵；

训练模块20，用于使用特征参数样本矩阵对机器学习模型进行训练直到机器学习模型的均方误差最小。

测试模块18，具体用于在每个测试时间段内对机组模型中的同一部件给予相同的激励，得到机组模型的测试数据；其中，激励用于对部件上的传感产生可测的信号。

特征提取模块19，具体用于对测试数据进行对比分析，获取机组模型中各传感器之间的状态关系，对状态关系的特征参数进行提取得到特征参数样本矩阵。

本实施例中，通过获取风电机组的各零部件之间的传递函数构建机组模型，基于机组模型和由风对风电机组的作用转换成的传感器可测的振动信号，得到特征参数样本矩阵，基于该特征参数样本矩阵得到训练后的机器学习模型，将已安装的实际传感器的第一数据输入机器学习模型中，获取风电机组的虚拟传感器的第二数据，根据第一数据和第二数据对风电机组进行监测。本实施例中通过机器学习模型能够实现实际传感器与虚拟传感器的映射，可以通过已安装的传感器对风电机组进行全方位的状态监测，提高了监测的准确性。

3D模块21，用于在监测模块根据第一数据和第二数据对风电机组进行监测之后，将第一数据和第二数据进行3D动态展示。

进一步地，3D模型不仅可以将实际传感器的第一数据和虚拟传感器的第二数据进行动态展示，还可以将传感器和机组模型进行三维实体展示。

在3D动态展示的过程中，风电机组的测试人员可以直观地观察到风电机组的状态，基于3D动态展示的风电机组的状态，测试人员能够对现有传感器做出状态评估。

布局优化模块22，用于在训练模块使用特征参数样本矩阵对机器学习模型进行训练直到机器学习模型的均方误差最小之后，调整风电机组上传感器的布局，将调整后的传感器布局在机组模型上进行优化测试，将优化的测试结果与实测结果进行近似度比较，将近似度最高的布局设置为风电机组传感器的最优布局。

本实施例中，在获取到稳定的机器学习模型后，基于虚实结合的方式对风电机组传感器的布局进行优化测试，通过不断调整风电机组上传感器的布局，获取近似度最高的布局设置为风电机组传感器的最优布局，在该最优布局下风电机组的监测效果最佳，准确度和有效性最高。

本实施例提供的风电机组监测装置的各功能模块可用于执行图1～图3所示的风电机组监测方法的流程，其具体工作原理不再赘述，详见方法实施例的描述。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (16)

1.一种风电机组监测方法，其特征在于，包括：

对风电机组上已安装的实际传感器进行第一数据采集；

将所述第一数据输入机器学习模型中，获取所述风电机组的虚拟传感器的第二数据；

根据所述第一数据和所述第二数据对所述风电机组进行监测。

2.根据权利要求1所述的风电机组监测方法，其特征在于，所述对风电机组上已安装的实际传感器进行第一数据采集之前，还包括：

对所述风电机组的各零部件之间的关系进行分析，获取各零部件之间的传递函数；

根据所述传递函数构建虚拟的机组模型。

3.根据权利要求2所述的风电机组监测方法，其特征在于，所述对风电机组上已安装的实际传感器进行第一数据采集之前，还包括：

获取所述风电机组与风之间的作用关系；

根据所述作用关系将风对所述风电机组的作用转换成传感器的可测的振动信号。

4.根据权利要求3所述的风电机组监测方法，其特征在于，根据所述传递函数构建虚拟的机组模型之后，还包括：

对所述机组模型进行测试获取所述机组模型的测试数据；

提取所述测试数据的特征参数，得到特征参数样本矩阵；

使用所述特征参数样本矩阵对所述机器学习模型进行训练直到所述机器学习模型的均方误差最小。

5.根据权利要求4所述的风电机组监测方法，其特征在于，所述对所述机组模型进行测试获取所述机组模型的测试数据，包括：

在每个测试时间段内对所述机组模型中同一部件给予相同的激励，得到所述机组模型的所述测试数据；其中，所述激励用于对部件上的传感器产生可测的信号。

6.根据权利要求5所述的风电机组监测方法，其特征在于，所述提取所述测试数据的特征参数，得到特征参数样本矩阵，包括：

对所述测试数据进行对比分析，获取所述机组模型中各传感器之间的状态关系；

对所述状态关系的特征参数进行提取得到所述特征参数样本矩阵。

7.根据权利要求1-6任一项所述的风电机组监测方法，其特征在于，所述根据所述第一数据和所述第二数据对所述风电机组进行监测之后，还包括：

将所述第一数据和所述第二数据进行3D动态展示。

8.根据权利要求4所述的风电机组监测方法，其特征在于，所述使用所述特征参数样本矩阵对所述机器学习模型进行训练直到所述机器学习模型的均方误差最小之后，还包括：

调整风电机组上传感器的布局；

将调整后的传感器布局在所述机组模型上进行优化测试；

将优化的测试结果与实测结果进行近似度比较；

将近似度最高的布局设置为风电机组传感器的最优布局。

9.一种风电机组监测装置，其特征在于，包括：

采集模块，用于对风电机组上已安装的实际传感器进行第一数据采集；

映射模块，用于将所述第一数据输入机器学习模型中，获取所述风电机组的虚拟传感器的第二数据；

监测模块，用于根据所述第一数据和所述第二数据对所述风电机组进行监测。

10.根据权利要求9所述的风电机组监测装置，其特征在于，还包括：

有限元分析模块，用于所述采集模块对风电机组上已安装的实际传感器进行第一数据采集之前，对所述风电机组的各零部件之间的关系进行分析，获取各零部件之间的传递函数；

模型构建模块，用于根据所述传递函数构建虚拟的机组模型。

11.根据权利要求10所述的风电机组监测装置，其特征在于，还包括：

作用关系分析模块，用于在所述采集模块对风电机组上已安装的实际传感器进行第一数据采集之前，获取所述风电机组与风之间的作用关系；

信号转换模块，用于根据所述作用关系将风对所述风电机组的作用转换成传感器的可测的信号。

12.根据权利要求11所述的风电机组监测装置，其特征在于，还包括：

测试模块，用于在所述模型构建模块根据所述传递函数构建虚拟的机组模型之后，对所述机组模型进行测试获取所述机组模型的测试数据；

特征提取模块，用于提取所述测试数据的特征参数，得到特征参数样本矩阵；

训练模块，用于使用所述特征参数样本矩阵对所述机器学习模型进行训练直到所述机器学习模型的均方误差最小。

13.根据权利要求12所述的风电机组监测装置，其特征在于，所述测试模块，具体用于在每个测试时间段内对所述机组模型中的同一部件给予相同的激励，得到所述机组模型的所述测试数据；其中，所述激励用于对部件上的传感器产生可测的信号。

14.根据权利要求13所述的风电机组监测装置，其特征在于，所述特征提取模块，具体用于对所述测试数据进行对比分析，获取所述机组模型中各传感器之间的状态关系，对所述状态关系的特征参数进行提取得到所述特征参数样本矩阵。

15.根据权利要求9-14任一项所述的风电机组监测装置，其特征在于，还包括：

3D模块，用于在监测模块根据所述第一数据和所述第二数据对所述风电机组进行监测之后，将所述第一数据和所述第二数据进行3D动态展示。

16.根据权利要求14所述的风电机组监测装置，其特征在于，还包括：

布局优化模块，用于在所述训练模块使用所述特征参数样本矩阵对所述机器学习模型进行训练直到所述机器学习模型的均方误差最小之后，调整风电机组上传感器的布局，将调整后的传感器布局在所述机组模型上进行优化测试，将优化的测试结果与实测结果进行近似度比较，将近似度最高的布局设置为风电机组传感器的最优布局。