CN109386435B - 风电机故障监控方法、装置和系统 - Google Patents

风电机故障监控方法、装置和系统 Download PDF

Info

Publication number
CN109386435B
CN109386435B CN201710665741.5A CN201710665741A CN109386435B CN 109386435 B CN109386435 B CN 109386435B CN 201710665741 A CN201710665741 A CN 201710665741A CN 109386435 B CN109386435 B CN 109386435B
Authority
CN
China
Prior art keywords
wind turbine
component
parameters
determining
components
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710665741.5A
Other languages
English (en)
Other versions
CN109386435A (zh
Inventor
宋宽
闵万里
吴文崇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201710665741.5A priority Critical patent/CN109386435B/zh
Publication of CN109386435A publication Critical patent/CN109386435A/zh
Application granted granted Critical
Publication of CN109386435B publication Critical patent/CN109386435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/20—Wind motors characterised by the driven apparatus
    • F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/303—Temperature
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Abstract

本发明公开了一种风电机故障监控方法、装置和系统。其中，该方法包括：从作为监控对象的目标风电机接收多个参数，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；基于从目标风电机接收到的多个参数，利用用于多个组件的组件异常检测模型，确定目标风电机中存在工作异常的组件，以及基于确定目标风电机中存在工作异常的组件，确定目标风电机是否发生故障。本发明解决了现有技术中仅通过机组温度确定风电机工作状态的方法易造成风电机工作状态的误判的技术问题。

Description

风电机故障监控方法、装置和系统
技术领域
本发明涉及故障预警领域，具体而言，涉及一种风电机故障监控方法、装置和系统。
背景技术
风力发电机，即风电机是一种将风能转换为机械功，机械功带动转子旋转，最终输出交流电的电力设备。在风电机安装运行后，风电机的机械部件会逐渐磨损，此外，风电机的运行条件也可能会造成风电机的机械部件出现不可控的劣化。另外，如果风电机在运行时风电机的某个机械部件出现了损坏，往往会产生连锁结构损伤，即导致其他部件发生损坏，并且风电机的修复费用比较高，故障修复的时间比较长。
目前，风电机大多安装在偏远地区，并且无人值守，为解决上述问题，风电机的监控人员主要是通过温度传感器和震动传感器来监测风电机的机械部件的磨损状况。在温度监测方面，主要是基于机械磨损所产生额外的发热量而导致温度异常升高的原理来对风电机的工作状态进行检测，具体是在风电机的机组温度达到或超过预设的温度阈值的情况下，控制系统自动发送警报，监控人员根据警报可对风电机进行停机处理。
然而，风电机的机组温度在不同地区(例如，内蒙古和海南)、不同季节(例如，冬季和夏季)、风电机的不同工况(例如，风电机的叶片轴的转速为每分钟1500转和1750转)下是完全不同的，并且在一天中的不同时段(例如，风电机开机1小时内和开机7小时后)也是完全不同的。即风电机的组件温度过高不一定是由于风电机的机械部件发生异常所引起的，也可能是由于不同地区、不同季节以及风电机的不同工况所引起的。因此，仅通过风电机的机组温度来确定风电机的工作状态容易引起对风电机的工作状态的误判。
针对上述现有技术中仅通过机组温度确定风电机的工作状态的方法容易造成风电机工作状态的误判的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种风电机故障监控方法、装置和系统，以至少解决现有技术中仅通过机组温度确定风电机工作状态的方法易造成风电机工作状态的误判的技术问题。
根据本发明实施例的一个方面，提供了一种风电机故障监控方法，包括：从作为监控对象的目标风电机接收多个参数，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；基于从目标风电机接收的多个参数，利用用于多个组件的组件异常检测模型，确定目标风电机中存在工作异常的组件；以及基于确定目标风电机中存在工作异常的组件，确定目标风电机是否发生故障。
根据本发明实施例的另一方面，还提供了一种确定风电机的组件的温度信息的方法，包括：从至少一个风电机接收多个参数，多个参数至少包括至少一个风电机各自的外部环境温度、至少一个风电机各自的工况参数以及至少一个风电机各自所包含的多个组件的组件温度；以及基于多个参数，确定组件温度估计模型，组件温度估计模型用于估计作为监控对象的目标风电机的多个组件的组件温度。
根据本发明实施例的另一方面，还提供了一种风电机故障监控装置，包括：接收模块，用于从作为监控对象的目标风电机接收多个参数，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；第一确定模块，用于基于从目标风电机接收的多个参数，利用用于多个组件的组件异常检测模型，确定目标风电机中存在工作异常的组件；以及第二确定模块，用于基于确定目标风电机中存在工作异常的组件，确定目标风电机是否发生故障。
根据本发明实施例的另一方面，还提供了一种确定风电机的组件的温度信息的装置，包括：接收子模块，用于从至少一个风电机接收多个参数，多个参数至少包括至少一个风电机各自的外部环境温度、至少一个风电机各自的工况参数以及至少一个风电机各自所包含的多个组件的组件温度；以及确定子模块，用于基于多个参数，确定组件温度估计模型，组件温度估计模型用于估计作为监控对象的目标风电机的多个组件的组件温度。
根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行风电机故障监控方法。
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行风电机故障监控方法。
根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行确定风电机的组件的温度信息的方法。
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行确定风电机的组件的温度信息的方法。
根据本发明实施例的另一方面，还提供了一种风电机故障监控系统，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：从作为监控对象的目标风电机接收多个参数，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；基于从目标风电机接收的多个参数，利用用于多个组件的组件异常检测模型，确定目标风电机中存在工作异常的组件；以及基于确定目标风电机中存在工作异常的组件，确定目标风电机是否发生故障。
根据本发明实施例的另一方面，还提供了一种确定风电机的组件的温度信息的系统，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：从至少一个风电机接收多个参数，多个参数至少包括至少一个风电机各自的外部环境温度、至少一个风电机各自的工况参数以及至少一个风电机各自所包含的多个组件的组件温度；以及基于多个参数，确定组件温度估计模型，组件温度估计模型用于估计作为监控对象的目标风电机的多个组件的组件温度。
根据本发明实施例的另一个方面，还提供了一种设备故障监控方法，包括：从作为监控对象的设备接收多个参数，所述多个参数至少包括：设备的外部环境温度、设备的工况参数以及设备的多个组件的组件温度；基于从所述设备接收的所述多个参数，利用用于所述多个组件的组件异常检测模型，确定所述设备中存在工作异常的组件；以及基于确定所述设备中存在工作异常的组件，确定所述设备是否发生故障。
在本发明实施例中，通过以上方式，本申请的技术方案基于从众多风电机获得的大量数据，利用大数据处理的方式，确定用于估计组件温度的组件温度估计模型，并且借助于该组件温度估计模型来确定目标风电机的工作组件发生异常。从而排除了由于外部环境温度、工况(而不是工作异常)等原因，导致风电机的组件温度升高的情况，最真实地反映风电机发生工作异常的时间。采用风电机的多个参数确定风电机工作状态的方式，通过从作为监控对象的目标风电机接收多个参数，基于目标风电机的接收的多个参数，利用用于多个组件的异常检测模型，确定目标风电机中存在工作异常的组件，最后，基于确定目标风电机中存在工作异常的组件，确定目标风电机工作异常，其中，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度，达到了准确判定风电机组工作状态的目的，从而实现了对风电机的故障进行准确预警，减少因风电机故障造成的损失的技术效果，进而解决了现有技术中仅通过机组温度确定风电机工作状态的方法易造成风电机工作状态的误判的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的风电机故障预警系统的结构示意图；
图2是根据本发明实施例的一种确定风电机工作状态的方法流程图；
图3是根据本发明实施例的一种可选的参数格式的示意图；
图4是根据本发明实施例的一种可选的风电机的结构示意图；
图5是根据本发明实施例的一种可选的参数格式的示意图；
图6是根据本发明实施例的一种可选的确定风电机工作状态的方法流程图；
图7是根据本发明实施例的一种可选的监控装置的结构示意图；
图8是根据本发明实施例的一种可选的确定风电机工作状态的方法流程图；
图9是根据本发明实施例的一种可选的更新组件温度估计模型的方法流程图；
图10是根据本发明实施例的一种可选的拆分后的风电机参数的格式的示意图；
图11是根据本发明实施例的一种可选的训练回归模型的方法流程图；
图12是根据本发明实施例的一种可选的建立回归模型的示意图；
图13是根据本发明实施例的一种确定组件为异常组件的方法流程图；
图14是根据本发明实施例的一种风电机故障监控方法的风电机故障监控装置；
图15是根据本发明实施例的一种确定风电机的组件的温度信息的方法流程图；
图16是根据本发明实施例的一种确定风电机的组件的温度信息的装置结构示意图；以及
图17是根据本发明实施例的一种计算机终端的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，还提供了一种风电机故障监控方法实施例，需要说明的是，本实施例可以应用在风电机故障监测方面，通过本申请所提出的方案，根据风电机的多个参数来确定风电机的工作状态，并根据风电机的工作状态来对风电机工作异常的时间进行预警，进而可以减少对风电机工作状态的误判，达到了准确判断风电机工作状态的技术效果。
目前，在风电机的某个组件发生故障后，与发生故障的组件相关的其他组件也可能会发生故障，由此，风电机的维修人员需要花费大量的人力物力去维修发生故障的风电机。如果在风电机的组件发生故障之前，提前对风电机即将发生故障的组件进行维护，可以有效避免因风电机的某个组件发生故障引起的其他连锁部件发生故障而导致的资源浪费的问题。
在现有技术中，一般是通过温度传感器检测风电机的组件温度来对风电机的故障进行预警。然而，风电机的机组温度在不同地区、不同季节、一天中的不同时段以及风电机的不同工况下是不相同的，因此，仅通过风电机的机组温度来确定风电机的工作状态是不准确的，容易造成对风电机工作状态的误判。
为解决上述问题，申请人经研究提出了一种风电机故障监控方法，该方法通过将风电机的外部环境温度、风电机的工况参数以及风电所包含的多个组件的组件温度联合建模，采用机器学习算法来确定发生工作异常的组件的数量是否超过预设阈值，并确定发生工作异常的组件的数量超过预设阈值的时间，该时间即为风电机发生工作异常的预警时间。
通过上述方案，本申请可以达到准确判定风电机的工作组件发生异常的时间。
在上述应用场景下，作为一种可选的实施例，图1示出了根据本申请上述方案的一种风电机故障预警系统，如图1所示，该系统包括风电机和监控装置300，其中，风电机与监控装置之间通过网络进行通信。在图1中，仅示出了两个风电机，风电机100和风电机200。
需要说明的是，在本申请中，风电机的数量不限于两个，可以为任意数量的同型号的风电机。由图1可知，风电机100和风电机200均包括多个组件(如111、112、11k、211、212、21k)、组件温度传感器(如图1中的121、122、12k、221、222、22k)、工况参数传感器(如图1中的130和230)、外部环境传感器(如图1中的140和240)以及发送器(如图1中的150和250)，而监控装置300包括接收模块310和确定模块320。此外，风电机100和风电机200的组件还可以包括叶片轴、轴承、传动系统中各个部件、定子、转子等关键部件。
此外，还需要说明的是，图1中所示的各个组件温度传感器用于实时测量各个组件的温度，工况参数传感器用于实时测量风电机的工况参数，外部环境温度传感器用于测量风电机的外部环境温度，发送器用于定时收集风电机中的各个传感器的检测值，并将检测值作为风电机的参数通过网络发送至远程的监控装置。其中，在图1中，每个风电机仅示出了一个工况参数传感器，在本申请中，图1中的工况参数传感器可以表示一组工况传感器，用于测量风电机的一组工况参数，例如，风电机的叶片转速(转/分)、风速、风电机的输出功率等。
在一种可选的实施例中，图2示出了根据本申请实施例的一种风电机故障监控方法的流程图，如图2所示，该方法具体包括如下步骤：
步骤S202，从作为监控对象的目标风电机接收多个参数，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度。
需要说明的是，风电机通过发送器向监控装置发送多个参数，即监控装置可接收到风电机发送的多个参数。其中，风电机可以采用如图3所示的参数格式来发送参数。其中，在图3中，ID表示用于识别不同风电机的标识，不同风电机发送的参数，其对应的ID是不相同的，例如，风电机100的ID为0001，而风电机200的ID为0002，对于风电机数量大于2的情况下，可以以此类推，从而达到对不同的风电机进行区分的目的。“日期”代表发送器发送该参数的日期，其中，日期的格式可以为但不限于YYYY-MM-DD。“时间”代表发送器发送该参数的时间，其中，时间的格式可以为但不限于hh:mm：ss。Ti代表由风电机内各个组件温度传感器所检测的各个组件温度，由于在图1中的各个风电机均包括k个组件，因此参数格式中包括k个组件温度Ti1至Tik。参数θ1至θn表示由风电机内的工况参数传感器所检测的各个工况参数，在图3中设置了n个工况参数。参数Te代表由风电机的外部环境温度传感器所检测的各个风电机的外部环境温度。通过上述格式，风电机的发送器可定时将风电机的参数发送至图1所示的监控装置100中。
在一种可选的实施例中，图4示出了一种可选的风电机的结构示意图，其中，在图4所示的风电机的叶片、轴承、叶片轴、齿轮箱、发电机、叶片轴轴承(图4中未示出)等8个关键组件(其余两个组件在图4中未示出)设置传感器来测量组件温度。此时，需要测量的工况参数包括：风轮机转速St、输出功率P、风速SW，其中，由发送器发送的参数格式可以为图5所示的参数格式。监控装置300中的接收模块310可接收到各个风电机的发送器所发送的参数，并将接收到的风机参数传输至确定模块320，由确定模块320对参数进行处理。
此外，还需要说明的是，风电机的工况参数至少包括风电机叶片轴的转速以及风电机的输出功率，风电机的组件至少包括风电机的定子、转子、叶片轴以及传动部件。
步骤S204，基于从目标风电机接收的多个参数，利用用于多个组件的组件异常检测模型，确定目标风电机中存在工作异常的组件。
具体的，在接收到来自接收模块310的参数之后，确定模块320将得到的多个组件温度、外部环境温度以及组件的工作参数作为组件异常检测模型的输入，组件异常检测模块根据上述得到的多个参数来确定目标风电机中的组件是否发生了异常
步骤S206，基于确定所述目标风电机中存在工作异常的组件，确定所述目标风电机是否发生故障。
在一种可选的实施例中，在确定目标风电机中的工作异常的组件之后，确定模块320根据接收到的参数进一步确定风电机发生异常的时间，并根据风电机发生异常的时间来确定目标风电机是否工作异常。具体可以采用如图6所示的一种确定风电机工作状态的方法来确定风电机工作异常的时间，即采用机器学习算法来搭建确定模型，并根据确定模型来计算残差，并提取出每个组件的残差中正值最大的部分所对应的时间段，该时间段即为风电机发生异常的时间，从而风电机的监控人员可通过监控装置300来确定是否对风电机进行维修。
需要说明的是，上述残差为实测的组件温度与利用确定模型估计的组件温度之间的差值。
此外，还需要说明的是，上述目标风电机工作异常的时间是指目标风电机可能发生故障的时间。
基于上述步骤S202至步骤S206所限定的方案，可以获知，通过从作为监控对象的目标风电机接收多个参数，基于目标风电机的接收的多个参数，利用用于多个组件的异常检测模型，确定目标风电机中存在工作异常的组件，最后，基于确定目标风电机中存在工作异常的组件，确定目标风电机工作异常，其中，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度。
容易注意到的是，本申请中的参数至少包括至少一个风电机各自的外部环境温度、至少一个风电机各自的工况参数以及至少一个风电机各自所包含的多个组件的组件温度，即本申请是根据上述三个参数来对风电机的故障进行预警，而不仅仅是根据组件温度来确定风电机的工作状态，从而消除了由于不同地区、不同季节、不同工况等原因引起的温度过高而导致对风电机异常的误判的现象。
因此，通过上述实施例所提供的方案可以达到准确判定风电机组工作状态的目的，从而实现了对风电机的故障进行准确预警，减少因风电机故障造成的损失的技术效果，进而解决了现有技术中仅通过机组温度确定风电机工作状态的方法易造成风电机工作状态的误判的技术问题。
在一种可选的实施例中，图7示出了一种可选的监控装置的结构示意图，如图7所示，监控装置300包括：数据预处理单元301、残差计算单元302、异常时间确定单元303和存储器/数据库304。其中，数据预处理单元301用于根据每个组件的组件温度将接收到的风电机参数拆分成分别与每个组件关联的参数格式，残差计算单元302将接收到的参数存储到存储器/数据库单元304中，异常时间确定单元303用于接收来自残差计算单元302的各个组件在各个时间的残差值后，每隔预定周期来确定一次异常时间。
需要说明的是，确定目标风电机工作异常的操作具体包括如下步骤：
步骤S802，确定工作异常的组件的数量大于或等于第一阈值；以及
步骤S804，在工作异常的组件的数量大于或等于第一阈值的情况下，确定目标风电机发生故障。
需要说明的是，上述第一阈值可以为但不限于50％。
具体的，图8示出了一种可选的确定风电机工作状态的方法流程图，在图8中，异常时间单元303在接收到来自残差计算单元302的各个组件在各个时间的残差值后，每隔预定周期(例如，10000秒)便执行如下操作：
步骤S8002，基于作为监控对象的目标风电机，根据各个组件在各个时间的残差值中的正值部分以及预定阈值(即第一阈值)确定各个组件工作异常的时间，即提取出每个组件残差中正值最大的部分(例如，95分位数、99分位数或99.5分位数)所对应的时间段。其中，由于残差值的负值对应的是风电机刚启动时运行缓慢升温的阶段，因此，在本申请中，对残差值的负值不予考虑。
步骤S8004，针对作为监控对象的目标风电机，统计工作异常的组件的数量大于预定阈值的时间，并确定该时间为目标风电机的工作异常时间。
在另一种可选的实施例中，位于监控装置300中的残差计算单元302可对组件温度估计模型中的参数进行更新，如图9所示，具体方法包括如下步骤：
步骤S902，从至少一个风电机接收多个参数；
步骤S904，，利用从至少一个风电机接收的多个参数，针对多个组件中的每个组件，建立用于估计估计温度的组件温度估计模型；
步骤S906，在从至少一个风电机接收到新参数的情况下，利用新参数对组件温度估计模型进行更新，其中，估计估计温度的操作是利用组件温度估计模型实现的。
具体的，数据预处理单元301在接收到风电机参数后，根据每个组件的组件温度将风电机参数拆分成与每个组件关联的参数，其中，拆分后的风电机参数的格式如图10所示。在图10中，组件ID表示不同组件的标识，在组件的个数为k的情况下，组件ID可以为1至k的自然数，并且对于不同风电机的相同组件可以使用相同的组件ID，即跨风电机识别相同的组件。例如，数据预处理单元301于2017年7月13日10点50分00秒从风电机100接收到的如表1所示的格式的参数：
表1
Figure BDA0001371016690000091
数据处理单元301按照以下格式将参数拆分为如表2所示的各组数据。
表2
Figure BDA0001371016690000092
通过风电机ID和组件ID唯一地查看关于目标风电机的特定组件的参数数据，也可以仅通过组件ID来查看不同风电机的相同组件的大量参数数据。残差计算单元接收到的上述参数数据存储到存储器/数据库单元304中，并从存储器/数据库单元304中获取到关于风电机的大量数据，并根据风电机的数据生成针对各个组件的组件温度的回归模型，即组件温度估计模型，进而对该回归模型进行训练。如果残差计算单元302在接收到了新参数，此时，基于新参数，残差计算单元302对回归模型进行更新。
在一种可选的实施例中，如图11所示的一种可选的训练回归模型的方法流程图，针对至少一个风电机各自所包含的多个组件中的第二组件，执行以下操作：
步骤S1102，建立组件温度估计模型的操作包括：基于从至少一个风电机接收的多个参数，随机建立作为该组件的组件温度估计模型的多个树；
步骤S1104，更新组件温度估计模型的操作包括：在接收到新参数的情况下，利用新参数对多个树进行训练。
具体的，以图1中的组件1的组件温度为例来说明针对各个组件的组件温度的回归模型的生成及训练过程。
首先，残差计算单元302从存储器/数据库单元304提取在一段时间内(例如，至少一年内每隔5秒钟发送的数据)与组件1相关的参数数据，其中，上述参数数据可以是来自不同风电机的与组件1相关的参数数据，从而得到表3中的N条数据：
表3
Figure BDA0001371016690000101
其次，残差计算单元302利用组件1的组件温度、工况参数以及外部温度Te建立针对组件1的组件温度的回归模型：
Ti′＝F(St,P,SW,Te)
在上式中，Ti′为组件温度的估计值，F()为用于利用工况参数，St、P、SW和风电机的外部环境温度Te来估计组件温度的回归模型。其中工况参数St、P、SW和风电机的外部环境温度Te为自变量，组件温度的估计值Ti′为因变量。并且所采集的N个参数数据也构成了N个训练样本，其中所测量的工况参数St、P、SW和风电机的外部环境温度Te为自变量，并且组件温度Ti可作为因变量。
通常，可以用以下回归模型来估计组件的组件温度Ti′：
Ti′＝α+β*X
其中，X＝(Te,St,P,SW)，α和β为回归系数。
在另一种可选的实施例中，为减少计算量，可采用如下方法来建立回归模型，具体如图12所示的建立回归模型的示意图。
步骤S1202，通过从N个训练样本中进行有放回的重复抽样得到有m个子训练样本(X1,X2,……,Xm)构成的子训练样本集。需要说明的是，由于m个子训练样本是通过有放回的重复抽样得到的，因此m个子训练样本可能是部分相同的。
步骤S1204，通过如下步骤利用m个子训练样本分别生成m个决策树：
步骤S1204a，针对m个子训练样本中的第i个子训练样本Xi，利用计算工具生成随机向量yi。其中yi独立于前面的随机向量，并且yi决定了与第i个子训练样本对应的第i棵决策树的生成过程；
步骤S1204b，利用第i个子训练样本Xi与随机向量yi生成第i棵决策树模型h(x,yi)，其中x为子训练样本中的自变量，即工况参数St、P、SW和该风电机的外部环境温度Te。
步骤S1204c，继续执行步骤S1204a和步骤S1204b，直至生成与m个子训练样本对应的m棵决策树。
步骤S1206，根据生成的m棵决策树构建回归模型：
Figure BDA0001371016690000111
步骤S1208，利用N个训练样本中未被选择用于生成决策树的训练样本，对各个决策树以及回归模型进行验证和优化。
步骤S1210，定期利用从各个风电机新收集的参数对上述回归模型进行更新和优化。
通过上述步骤S1202至步骤S1210可以构建关于组件1的组件温度的回归模型。采用上述相同的方法，可以对其他的组件建立组件温度的回归模型。
需要说明的是，在完成回归模型构建以及更新之后，残差计算单元302便可计算各个组件的残差值。其中，残差值是实测的组件温度与利用回归模型估计的组件温度之间的差值。组件内的实测温度升高来源于三个原因：外界环境的热量、由于风力驱动叶片旋转导致的正常工作热量以及由于机械件磨损、堵塞导致的不正常发热量。在历史数据回归建模之后，回归的残差的局部密集分布即对应着由于机械件磨损、堵塞导致的不正常发热量，也就是即将发生故障的预兆。
此外，还需要说明的是，根据各个组件的回归模型以及在预定时间段内的各个时间测量的工况参数以及外部环境温度，即可计算出各个组件在预定时间段内的各个时间处的估计组件温度。另外，根据各个组件在各个时间处实际测量的温度以及对应的估计组件温度，即可计算各个组件在各个时间的残差值。最后，残差计算单元302在计算出各个组件在各个时间的残差之后，将其发送至异常时间确定单元303，由异常时间确定单元303确定目标风电机的工作异常时间。
在另一种可选的实施例中，如图13所示的一种可选的确定组件为异常组件的方法流程图，在图13中，异常时间确定单元303针对多个组件中的每个组件，利用异常检测模型，执行以下操作：
步骤S1302，基于目标风电机的外部环境温度和工况参数，估计该组件的估计温度；
步骤S1304，基于该组件的组件温度与估计温度计算该组件的残差；
步骤S1306，在确定残差大于第二阈值的情况下，确定该组件为工作异常的组件。
在步骤S1308，统计组件工作异常的时间，并且将工作异常的组件的数量大于第一阈值的时间确定为风电机工作异常的时间。
需要说明的是，上述确定模型可以为用于估计目标风电机的多个组件的组件温度的组件温度估计模型，上述第一阈值可以为但不限于50％。
需要说明的是，上述第一组件为目标风电机的多个组件中的组件，上述第二阈值为多个残差中的正值的95分位数。此外，上述异常时间确定单元303的操作也适用于模型Ti′＝α+β*X。
通过以上方式，本申请的技术方案基于从众多风电机获得的大量数据，利用大数据处理的方式，确定用于估计组件温度的组件温度估计模型，并且借助于该组件温度估计模型来确定目标风电机的工作组件发生异常。从而排除了由于外部环境温度、工况(而不是工作异常)等原因，导致风电机的组件温度升高的情况，最真实地反映风电机发生工作异常的时间。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。此外在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。例如，此外，上述实施例的各个模块的组合形式也可以进行调整，例如所述的监控装置300用于确定组件为工作异常的组件的操作也可以通过一个软件实现。也可以将根据残差确定组件为工作异常的流程与组件温度估计模型一起可以看作是用于确定组件发生异常的一个完整的组件异常检测模型。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的确定风电机工作状态的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例，还提供了一种用于实施上述实施例1的风电机故障监控方法的风电机故障监控装置，如图14所示，该装置包括：接收模块1401、第一确定模块1403以及第二确定模块1405。
其中，接收模块1401，用于从作为监控对象的目标风电机接收多个参数，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；第一确定模块1403，用于基于从目标风电机接收的多个参数，利用用于多个组件的组件异常检测模型，确定目标风电机中存在工作异常的组件；以及第二确定模块1405，用于基于确定目标风电机中存在工作异常的组件，确定目标风电机是否发生故障。
此处需要说明的是，上述接收模块1401、第一确定模块1403以及第二确定模块1405对应于实施例1中的步骤S202至步骤S206，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的监控装置300中。
在一种可选的实施例中，第二确定模块包括：第三确定模块以及第四确定模块。其中，第三确定模块，用于确定工作异常的组件的数量大于或等于第一阈值；以及第四确定模块，用于在工作异常的组件的数量大于或等于第一阈值的情况下，确定目标风电机发生故障。
在一种可选的实施例中，第一确定模块包括：估计模块、计算模块以及第五确定模块。其中，估计模块，用于基于目标风电机的外部环境温度和工况参数，估计该组件的估计温度；计算模块，用于基于该组件的组件温度与估计温度计算该组件的残差；以及第五确定模块，用于在确定残差大于第二阈值的情况下，确定该组件为工作异常的组件。
在一种可选的实施例中，风电机故障监控装置还包括：第一接收模块、第一建立模块以及第一更新模块。其中，第一接收模块，用于从至少一个风电机接收多个参数；第一建立模块，用于利用从至少一个风电机接收的多个参数，针对多个组件中的每个组件，建立用于估计估计温度的组件温度估计模型；以及第一更新模块，用于在从至少一个风电机接收到新参数的情况下，利用新参数对组件温度估计模型进行更新，其中，估计估计温度的操作是利用组件温度估计模型实现的。
在一种可选的实施例中，风电机故障监控装置还包括：第二建立模块以及第二更新模块。其中，第二建立模块，用于建立组件温度估计模型的操作包括：基于从至少一个风电机接收的多个参数，随机建立作为该组件的组件温度估计模型的多个树；以及第二更新模块，用于更新组件温度估计模型的操作包括：在接收到新参数的情况下，利用新参数对多个树进行训练。
在一种可选的实施例中，第一阈值为50％。
在一种可选的实施例中，第二阈值为多个残差中的正值的95分位数。
在一种可选的实施例中，风电机的工况参数至少包括风轮机的转速、风速以及所述风电机的输出功率。
在一种可选的实施例中，风电机的组件至少包括风电机的叶片、叶片轴、齿轮箱、发电机、叶片轴轴承。
实施例3
根据本发明实施例，还提供了一种确定风电机的组件的温度信息的方法，如图15所示的一种确定风电机的组件的温度信息的方法流程图，该方法具体包括如下步骤：
步骤S1502，从至少一个风电机接收多个参数，多个参数至少包括至少一个风电机各自的外部环境温度、至少一个风电机各自的工况参数以及至少一个风电机各自所包含的多个组件的组件温度；
步骤S1504，基于多个参数，确定组件温度估计模型，组件温度估计模型用于估计作为监控对象的目标风电机的多个组件的组件温度。
需要说明的是，风电机的工况参数至少包括风轮机的转速、风速以及所述风电机的输出功率，风电机的组件至少包括风电机的叶片、叶片轴、齿轮箱、发电机、叶片轴轴承。
具体的，至少一个风电机的发送器可采集风电机中各个传感器所检测到的检测值，并将检测值作为风电机的风机参数通过网络发送至监控装置，监控装置中的接收模块接收到风电机的风机参数，并将接收到的风机参数传输至监控装置的确定模块，确定模块根据至少一个风电机各自的外部环境温度、至少一个风电机各自的工况参数以及至少一个风电机各自所包含的多个组件的组件温度建立组件温度估计模型，其中，组件温度估计模型可以为：
Ti′＝α+β*X
其中，X＝(Te,St,P,SW)，α和β为回归系数，St为风轮机转速，P为输出功率，SW为风速，Te为环境温度。
基于上述步骤S1502至步骤S1504所限定的方案，可以获知，通过从至少一个风电机接收多个参数，基于多个参数，确定组件温度估计模型，组件温度估计模型用于估计作为监控对象的目标风电机的多个组件的组件温度，其中，多个参数至少包括至少一个风电机各自的外部环境温度、至少一个风电机各自的工况参数以及至少一个风电机各自所包含的多个组件的组件温度。
容易注意到的是，本申请中的参数至少包括至少一个风电机各自的外部环境温度、至少一个风电机各自的工况参数以及至少一个风电机各自所包含的多个组件的组件温度，即本申请是根据上述三个参数来对风电机的故障进行预警，而不仅仅是根据组件温度来确定风电机的工作状态，从而消除了由于不同地区、不同季节、不同工况等原因引起的温度过高而导致对风电机异常的误判的现象。
在一种可选的实施例中，确定组件温度估计模型的操作具体包括如下步骤：
步骤S1506，基于从至少一个风电机接收的多个参数，建立组件温度估计模型；
步骤S1508，在从至少一个风电机接收到新参数的情况下，利用新参数对组件温度估计模型进行更新。
需要说明的是，在建立好组件温度估计模型之后，组件温度估计模型并不是不可更改的，如果风电机的维护人员需要添加风电机的风机参数来使得对风电机的故障进行更加准确的预警，此时，需要对组件温度估计模型进行更新。即组件温度估计模型具有一定的灵活性，由于维护人员可对组件温度估计模型进行更新，从而可以使得监控装置根据更新后的组件温度估计模型得到更加准确地风电机工作异常的时间。
此外，还需要说明的是，风电机的维护人员可通过增加、删除或更改组件温度估计模型的风机参数来达到对组件温度估计模型进行更新的目的。其中，当风电机的维护人员发现某个参数对组件温度的影响比较小时，风电机的维护人员可将组件温度估计模型中的该参数删除掉，从而可以避免在通过组件温度估计模型得到组件温度的过程中过多的浪费系统资源的问题，进而提高了监控装置的处理速度以及处理效率。
在另一种可选的实施例中，确定风电机的组件的温度信息的方法还包括如下步骤：
针对至少一个风电机各自所包含的多个组件中的一个组件，执行以下操作：
步骤S1510，基于从至少一个风电机接收的多个参数，随机建立作为用于一个组件的组件温度估计模型的多个树；
步骤S1512，在从至少一个风电机接收到新参数的情况下，利用新参数对多个树进行训练。
具体的，监控装置根据采集到的多个参数(例如N个参数)确定N个训练样本，并通过从N个训练样本中进行有放回的重复抽样，得到由m个子训练样本构成的子训练样本集。然后利用相应的计算工具根据m个子训练样本中的第i个子训练样本生成随机向量，并根据第i个子训练样本与随机向量生成第i个树模型。最后根据得到的多个树模型即可构建组件温度估计模型。
需要说明的是，当风电机的维护人员根据接收到的新参数对组件温度估计模型进行更新时，可通过上述方法对树模型进行训练，进而达到对组件温度估计模型的更新。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的确定风电机的组件的温度信息的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例4
根据本发明实施例，还提供了一种用于实施上述实施例3的确定风电机的组件的温度信息的方法的确定风电机的组件的温度信息的装置，如图16所示，该装置包括：接收子模块1601以及确定子模块1603。
其中，接收子模块1601，用于从至少一个风电机接收多个参数，多个参数至少包括至少一个风电机各自的外部环境温度、至少一个风电机各自的工况参数以及至少一个风电机各自所包含的多个组件的组件温度；确定子模块1603，用于基于多个参数，确定组件温度估计模型，组件温度估计模型用于估计作为监控对象的目标风电机的多个组件的组件温度。
此处需要说明的是，上述接收子模块1601以及确定子模块1603对应于实施例3中的步骤S1502至步骤S1504，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例三所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例三提供的计算机终端160中。
在一种可选的实施例中，确定子模块包括：第三建立模块以及更新子模块。其中，第三建立模块，用于基于从至少一个风电机接收的多个参数，建立组件温度估计模型；更新子模块，用于在从至少一个风电机接收到新参数的情况下，利用新参数对组件温度估计模型进行更新。
此处需要说明的是，上述第三建立模块以及更新子模块对应于实施例3中的步骤S1506至步骤S1508，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例三所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例三提供的计算机终端160中。
在一种可选的实施例中，确定风电机的组件的温度信息的装置还包括：第四建立模块以及训练子模块。其中，第四建立模块，用于基于从至少一个风电机接收的多个参数，随机建立作为用于一个组件的组件温度估计模型的多个树；以及训练子模块，用于在从至少一个风电机接收到新参数的情况下，利用新参数对多个树进行训练。
此处需要说明的是，上述第四建立模块以及训练子模块对应于实施例3中的步骤S1510至步骤S1512，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例三所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例三提供的计算机终端160中。
实施例5
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
图17示出了一种计算机终端的硬件结构框图。如图17所示，计算机终端A可以包括一个或多个(图中采用1172a、1172b，……，1172n来示出)处理器1172(处理器1172可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1174、以及用于通信功能的传输装置1176。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图17所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端A还可包括比图17中所示更多或者更少的组件，或者具有与图17所示不同的配置。
应当注意到的是上述一个或多个处理器1172和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端A中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
处理器1172可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：从作为监控对象的目标风电机接收多个参数，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；基于从目标风电机接收的多个参数，利用用于多个组件的组件异常检测模型，确定目标风电机中存在工作异常的组件；以及基于确定目标风电机中存在工作异常的组件，确定目标风电机是否发生故障。
存储器1174可用于存储应用软件的软件程序以及模块，如本申请实施例中的确定风电机工作状态的方法对应的程序指令/数据存储装置，处理器1172通过运行存储在存储器1174内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的风电机故障监控方法。存储器1174可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1174可进一步包括相对于处理器1172远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置1176用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端A的通信供应商提供的无线网络。在一个实例中，传输装置1176包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置1176可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端A的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图17所示的计算机终端A可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图17仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机终端A中的部件的类型。
在本实施例中，上述计算机终端A可以执行应用程序的风电机故障监控方法中以下步骤的程序代码：从作为监控对象的目标风电机接收多个参数，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；基于从目标风电机接收的多个参数，利用用于多个组件的组件异常检测模型，确定目标风电机中存在工作异常的组件；以及基于确定目标风电机中存在工作异常的组件，确定目标风电机是否发生故障。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：确定工作异常的组件的数量大于或等于第一阈值；以及在工作异常的组件的数量大于或等于第一阈值的情况下，确定目标风电机发生故障。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：基于目标风电机的外部环境温度和工况参数，估计该组件的估计温度；基于该组件的组件温度与估计温度计算该组件的残差；以及在确定残差大于第二阈值的情况下，确定该组件为工作异常的组件。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：从至少一个风电机接收多个参数；利用从至少一个风电机接收的多个参数，针对多个组件中的每个组件，建立用于估计估计温度的组件温度估计模型；以及在从至少一个风电机接收到新参数的情况下，利用新参数对组件温度估计模型进行更新，其中，估计估计温度的操作是利用组件温度估计模型实现的。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：建立组件温度估计模型的操作包括：基于从至少一个风电机接收的多个参数，随机建立作为该组件的组件温度估计模型的多个树；以及更新组件温度估计模型的操作包括：在接收到新参数的情况下，利用新参数对多个树进行训练。
本领域普通技术人员可以理解，图17所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图17其并不对上述电子装置的结构造成限定。例如，计算机终端A还可包括比图17中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图17所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
实施例6
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的确定风电机工作状态的方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：从作为监控对象的目标风电机接收多个参数，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；基于从目标风电机接收的多个参数，利用用于多个组件的组件异常检测模型，确定目标风电机中存在工作异常的组件；以及基于确定目标风电机中存在工作异常的组件，确定目标风电机是否发生故障。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：确定工作异常的组件的数量大于或等于第一阈值；以及在工作异常的组件的数量大于或等于第一阈值的情况下，确定目标风电机发生故障。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于目标风电机的外部环境温度和工况参数，估计该组件的估计温度；基于该组件的组件温度与估计温度计算该组件的残差；以及在确定残差大于第二阈值的情况下，确定该组件为工作异常的组件。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：从至少一个风电机接收多个参数；利用从至少一个风电机接收的多个参数，针对多个组件中的每个组件，建立用于估计估计温度的组件温度估计模型；以及在从至少一个风电机接收到新参数的情况下，利用新参数对组件温度估计模型进行更新，其中，估计估计温度的操作是利用组件温度估计模型实现的。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：建立组件温度估计模型的操作包括：基于从至少一个风电机接收的多个参数，随机建立作为该组件的组件温度估计模型的多个树；以及更新组件温度估计模型的操作包括：在接收到新参数的情况下，利用新参数对多个树进行训练。
实施例7
本发明的实施例还提供了一种风电机故障监控系统，该系统包括处理器和存储器。
其中，存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：
步骤S1，从作为监控对象的目标风电机接收多个参数，多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；
步骤S3，基于从目标风电机接收的多个参数，利用用于多个组件的组件异常检测模型，确定目标风电机中存在工作异常的组件；
步骤S5，基于确定目标风电机中存在工作异常的组件，确定目标风电机是否发生故障。
实施例8
本发明的实施例还提供了一种确定风电机的组件的温度信息的系统，该系统包括处理器和存储器。
其中，存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：
步骤S11，从至少一个风电机接收多个参数，多个参数至少包括至少一个风电机各自的外部环境温度、至少一个风电机各自的工况参数以及至少一个风电机各自所包含的多个组件的组件温度；以及
步骤S13，基于多个参数，确定组件温度估计模型，组件温度估计模型用于估计作为监控对象的目标风电机的多个组件的组件温度。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (17)

1.一种风电机故障监控方法，其特征在于，包括：
从作为监控对象的目标风电机接收多个参数，所述多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；
基于从所述目标风电机接收的所述多个参数，利用用于所述多个组件的组件异常检测模型，确定所述目标风电机中存在工作异常的组件；以及
基于确定所述目标风电机中存在工作异常的组件，确定所述目标风电机是否发生故障；
其中，确定所述目标风电机是否发生故障的操作包括：
确定工作异常的所述组件的数量大于或等于第一阈值；以及
在工作异常的所述组件的数量大于或等于第一阈值的情况下，确定所述目标风电机发生故障；
其中，根据各个组件在各个时间的残差值中的正值部分以及所述第一阈值确定所述各个组件工作异常的时间；统计工作异常的组件的数量大于所述第一阈值的时间，并确定所述时间为所述目标风电机的工作异常时间。
2.根据权利要求1所述的方法，其特征在于，确定所述目标风电机中存在工作异常的组件的操作包括：
针对所述多个组件中的每个组件，利用所述异常检测模型，执行以下操作：
基于所述目标风电机的所述外部环境温度和所述工况参数，估计该组件的估计温度；
基于该组件的组件温度与估计温度计算该组件的残差；以及
在确定所述残差大于第二阈值的情况下，确定该组件为工作异常的组件。
3.根据权利要求2所述的方法，其特征在于，所述方法进一步包括：
从至少一个风电机接收所述多个参数；
利用从所述至少一个风电机接收的所述多个参数，针对所述多个组件中的每个组件，建立用于估计所述估计温度的组件温度估计模型；以及
在从所述至少一个风电机接收到新参数的情况下，利用所述新参数对所述组件温度估计模型进行更新，其中，
估计所述估计温度的操作是利用所述组件温度估计模型实现的。
4.根据权利要求3所述的方法，其特征在于，对于所述多个组件中的每个组件：
建立所述组件温度估计模型的操作包括：基于从所述至少一个风电机接收的所述多个参数，随机建立作为该组件的组件温度估计模型的多个树；以及
更新所述组件温度估计模型的操作包括：在接收到所述新参数的情况下，利用所述新参数对所述多个树进行训练。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述第一阈值为50％。
6.根据权利要求3所述的方法，其特征在于，所述第二阈值为所述多个组件的残差中的正值的95分位数。
7.根据权利要求1所述的方法，其特征在于，所述风电机的工况参数至少包括风轮机的转速、风速以及所述风电机的输出功率。
8.根据权利要求1所述的方法，其特征在于，所述风电机的组件包括：所述风电机的叶片、叶片轴、齿轮箱、发电机、叶片轴轴承中至少一种。
9.一种确定风电机的组件的温度信息的方法，其特征在于，包括：
从至少一个风电机接收多个参数，所述多个参数至少包括所述至少一个风电机各自的外部环境温度、所述至少一个风电机各自的工况参数以及所述至少一个风电机各自所包含的多个组件的组件温度；以及
基于所述多个参数，确定组件温度估计模型，所述组件温度估计模型用于估计作为监控对象的目标风电机的多个组件的组件温度；
其中，建立所述组件温度估计模型的操作包括：基于从所述至少一个风电机接收的所述多个参数，随机建立作为该组件的组件温度估计模型的多个树；以及更新所述组件温度估计模型的操作包括：在接收到新参数的情况下，利用所述新参数对所述多个树进行训练；
确定所述组件温度估计模型的操作包括：基于从所述至少一个风电机接收的所述多个参数，建立所述组件温度估计模型；以及在从所述至少一个风电机接收到新参数的情况下，利用所述新参数对所述组件温度估计模型进行更新。
10.一种风电机故障监控装置，其特征在于，包括：
接收模块，用于从作为监控对象的目标风电机接收多个参数，所述多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；
第一确定模块，用于基于从所述目标风电机接收的所述多个参数，利用用于所述多个组件的组件异常检测模型，确定所述目标风电机中存在工作异常的组件；以及
第二确定模块，用于基于确定所述目标风电机中存在工作异常的组件，确定所述目标风电机是否发生故障；
其中，确定所述目标风电机是否发生故障的操作包括：确定工作异常的所述组件的数量大于或等于第一阈值；以及在工作异常的所述组件的数量大于或等于第一阈值的情况下，确定所述目标风电机发生故障；其中，根据各个组件在各个时间的残差值中的正值部分以及所述第一阈值确定所述各个组件工作异常的时间；统计工作异常的组件的数量大于所述第一阈值的时间，并确定所述时间为所述目标风电机的工作异常时间。
11.一种确定风电机的组件的温度信息的装置，其特征在于，包括：
接收子模块，用于从至少一个风电机接收多个参数，所述多个参数至少包括所述至少一个风电机各自的外部环境温度、所述至少一个风电机各自的工况参数以及所述至少一个风电机各自所包含的多个组件的组件温度；以及
确定子模块，用于基于所述多个参数，确定组件温度估计模型，所述组件温度估计模型用于估计作为监控对象的目标风电机的多个组件的组件温度；其中，建立所述组件温度估计模型的操作包括：基于从所述至少一个风电机接收的所述多个参数，随机建立作为该组件的组件温度估计模型的多个树；以及更新所述组件温度估计模型的操作包括：在接收到新参数的情况下，利用所述新参数对所述多个树进行训练；
确定所述组件温度估计模型的操作包括：基于从所述至少一个风电机接收的所述多个参数，建立所述组件温度估计模型；以及在从所述至少一个风电机接收到新参数的情况下，利用所述新参数对所述组件温度估计模型进行更新。
12.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的风电机故障监控方法。
13.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求9所述的确定风电机的组件的温度信息的方法。
14.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至8中任意一项所述的风电机故障监控方法。
15.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求9所述的确定风电机的组件的温度信息的方法。
16.一种风电机故障监控系统，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
从作为监控对象的目标风电机接收多个参数，所述多个参数至少包括：风电机的外部环境温度、风电机的工况参数以及风电机的多个组件的组件温度；
基于从所述目标风电机接收的所述多个参数，利用用于所述多个组件的组件异常检测模型，确定所述目标风电机中存在工作异常的组件；以及
基于确定所述目标风电机中存在工作异常的组件，确定所述目标风电机是否发生故障；
其中，确定所述目标风电机是否发生故障的操作包括：确定工作异常的所述组件的数量大于或等于第一阈值；以及在工作异常的所述组件的数量大于或等于第一阈值的情况下，确定所述目标风电机发生故障；其中，根据各个组件在各个时间的残差值中的正值部分以及所述第一阈值确定所述各个组件工作异常的时间；统计工作异常的组件的数量大于所述第一阈值的时间，并确定所述时间为所述目标风电机的工作异常时间。
17.一种确定风电机的组件的温度信息的系统，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
从至少一个风电机接收多个参数，所述多个参数至少包括所述至少一个风电机各自的外部环境温度、所述至少一个风电机各自的工况参数以及所述至少一个风电机各自所包含的多个组件的组件温度；以及
基于所述多个参数，确定组件温度估计模型，所述组件温度估计模型用于估计作为监控对象的目标风电机的多个组件的组件温度；
其中，建立所述组件温度估计模型的操作包括：基于从所述至少一个风电机接收的所述多个参数，随机建立作为该组件的组件温度估计模型的多个树；以及更新所述组件温度估计模型的操作包括：在接收到新参数的情况下，利用所述新参数对所述多个树进行训练；
确定所述组件温度估计模型的操作包括：基于从所述至少一个风电机接收的所述多个参数，建立所述组件温度估计模型；以及在从所述至少一个风电机接收到新参数的情况下，利用所述新参数对所述组件温度估计模型进行更新。
CN201710665741.5A 2017-08-04 2017-08-04 风电机故障监控方法、装置和系统 Active CN109386435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710665741.5A CN109386435B (zh) 2017-08-04 2017-08-04 风电机故障监控方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710665741.5A CN109386435B (zh) 2017-08-04 2017-08-04 风电机故障监控方法、装置和系统

Publications (2)

Publication Number Publication Date
CN109386435A CN109386435A (zh) 2019-02-26
CN109386435B true CN109386435B (zh) 2021-01-01

Family

ID=65413597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710665741.5A Active CN109386435B (zh) 2017-08-04 2017-08-04 风电机故障监控方法、装置和系统

Country Status (1)

Country Link
CN (1) CN109386435B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991666B (zh) * 2019-11-25 2023-09-15 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
CN111637009B (zh) * 2020-05-29 2021-11-23 东方电气风电有限公司 一种双馈风力发电机组转速测算数据容错控制方法和装置
CN111878320B (zh) * 2020-07-15 2021-07-30 上海电气风电集团股份有限公司 风力发电机组的监控方法、系统及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101713997A (zh) * 2008-10-01 2010-05-26 西门子公司 风力涡轮机的状态监测方法和系统
CN102434388A (zh) * 2011-11-17 2012-05-02 高丙团 风力发电机组健康状态在线监测装置及其监测方法
CN202814565U (zh) * 2012-08-27 2013-03-20 华锐风电科技(集团)股份有限公司 风机齿轮箱温度监控装置
CN103016264A (zh) * 2011-09-20 2013-04-03 通用电气公司 预测风机部件故障的数据分析仪
DE102015008978A1 (de) * 2014-07-14 2016-01-14 Brit Hacke Vorrichtung zur Zustandsüberwachung
CN106407589A (zh) * 2016-09-29 2017-02-15 北京岳能科技股份有限公司 一种风机状态评估与预测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069476B (zh) * 2015-08-10 2018-12-11 国网宁夏电力公司 基于两阶段集成学习的风电异常数据识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101713997A (zh) * 2008-10-01 2010-05-26 西门子公司 风力涡轮机的状态监测方法和系统
CN103016264A (zh) * 2011-09-20 2013-04-03 通用电气公司 预测风机部件故障的数据分析仪
CN102434388A (zh) * 2011-11-17 2012-05-02 高丙团 风力发电机组健康状态在线监测装置及其监测方法
CN202814565U (zh) * 2012-08-27 2013-03-20 华锐风电科技(集团)股份有限公司 风机齿轮箱温度监控装置
DE102015008978A1 (de) * 2014-07-14 2016-01-14 Brit Hacke Vorrichtung zur Zustandsüberwachung
CN106407589A (zh) * 2016-09-29 2017-02-15 北京岳能科技股份有限公司 一种风机状态评估与预测方法及系统

Also Published As

Publication number Publication date
CN109386435A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
EP2983048B1 (en) Wind power plant management system and method thereof
JP6220353B2 (ja) 遠心式圧縮機に関するリアルタイムで性能低下を通知するための方法およびシステム
CN109386435B (zh) 风电机故障监控方法、装置和系统
US10180997B2 (en) Apparatus for simulating wind power farm
WO2021107866A1 (en) Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium
CN110069051A (zh) 家电故障处理方法和装置
KR20160073945A (ko) 풍력플랜트 관리 시스템 및 그 방법
CN113049142A (zh) 温度传感器的告警方法、装置、设备及存储介质
GB2485446A (en) Motor monitoring and control
EP3404502B1 (en) Condition-based maintenance of device
KR20210021485A (ko) 전기 구동 시스템에서의 센서 결함 모니터링 및 식별 방법
CN105466488A (zh) 一种可视化智能在线监测系统
CN110546657B (zh) 用于评估组件的生命周期的方法和设备
EP3303835B1 (en) Method for windmill farm monitoring
Kuseyri Condition monitoring of wind turbines: Challenges and opportunities
CN110738400A (zh) 系统健康评估方法、装置、电子设备和存储介质
CN113039360A (zh) 监测风力涡轮机的运行

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant