CN110631810A - 风力发电机组振动异常的检测方法和设备及风力发电机组 - Google Patents

风力发电机组振动异常的检测方法和设备及风力发电机组 Download PDF

Info

Publication number
CN110631810A
CN110631810A CN201810551522.9A CN201810551522A CN110631810A CN 110631810 A CN110631810 A CN 110631810A CN 201810551522 A CN201810551522 A CN 201810551522A CN 110631810 A CN110631810 A CN 110631810A
Authority
CN
China
Prior art keywords
vibration
probability density
density distribution
frequency
preset
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.)
Granted
Application number
CN201810551522.9A
Other languages
English (en)
Other versions
CN110631810B (zh
Inventor
李新乐
董兆宇
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.)
Jinfeng Technology Co ltd
Original Assignee
Xinjiang Goldwind Science and Technology Co 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 Xinjiang Goldwind Science and Technology Co Ltd filed Critical Xinjiang Goldwind Science and Technology Co Ltd
Priority to CN201810551522.9A priority Critical patent/CN110631810B/zh
Publication of CN110631810A publication Critical patent/CN110631810A/zh
Application granted granted Critical
Publication of CN110631810B publication Critical patent/CN110631810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts

Abstract

提供一种风力发电机组振动异常的检测方法和设备及风力发电机组，所述检测方法包括：获取风力发电机组的预定部件在连续的多个时间段内的振动数据；将获取的所述多个时间段内的振动数据分别转换到频域，获得分别与所述多个时间段内的振动数据对应的多个振动频谱；对所述多个振动频谱进行叠加，获得所述预定部件在预定时间段内的振动频谱概率密度分布；基于获得的振动频谱概率密度分布确定所述预定部件在所述预定时间段内是否存在异常振动，其中，所述预定时间段被均匀地划分为所述多个时间段。采用本发明示例性实施例的风力发电机组振动异常的检测方法和设备及风力发电机组，能够快速定位故障时间，减少运算量。

Description

风力发电机组振动异常的检测方法和设备及风力发电机组
技术领域
本发明总体说来涉及风力发电技术领域，更具体地讲，涉及一种风力发电机组振动异常的检测方法和设备及风力发电机组。
背景技术
通过振动传感器所采集的振动数据对风力发电机组中的主要部件的运行状态进行可靠性和稳定性分析是一种常用运行监控手段。目前，通常是基于主要部件的振动频谱来进行振动故障的检测，现有技术中普遍使用的振动频谱有频谱曲线、频点能量、频谱瀑布图等。
在现有的基于频谱曲线和频点能量进行振动故障检测的方式中，对于由于外部振动干扰所引起的振动(例如，由于雷声、行驶的车辆、飞行的飞机等引起的振动)无法进行有效识别，导致容易将外部振动干扰所引起的偶发振动识别为风力发电机组的主要部件的异常振动，降低了振动异常检测的准确性。
此外，虽然频谱瀑布图能够反映短时间内的频谱变化特性，但对于长时间(如几天、几个月甚至几年)的振动数据，其绘制的频谱瀑布图很长，不便于查看和分析。而且三维频谱瀑布图一般是将计算的特征值以数字方式展示出来，其存在回放时间长，分析准确率和工作效率依赖于分析人员的工作态度和精神状态等问题，过多冗余的数据容易造成分析疲劳，分析过程长也容易造成疏忽。
发明内容
本发明的示例性实施例的目的在于提供一种风力发电机组振动异常的检测方法和设备及风力发电机组，以克服上述至少一个缺陷。
根据本发明示例性实施例的一方面，提供一种风力发电机组振动异常的检测方法，所述检测方法包括：获取风力发电机组的预定部件在连续的多个时间段内的振动数据；将获取的所述多个时间段内的振动数据分别转换到频域，获得分别与所述多个时间段内的振动数据对应的多个振动频谱；对所述多个振动频谱进行叠加，获得所述预定部件在预定时间段内的振动频谱概率密度分布；基于获得的振动频谱概率密度分布确定所述预定部件在所述预定时间段内是否存在异常振动，其中，所述预定时间段被均匀地划分为所述多个时间段。
可选地，基于获得的振动频谱概率密度分布确定所述预定部件在预定时间段内是否存在异常振动的步骤可包括：将获得的振动频谱概率密度分布与所述预定部件在所述预定时间段内的预设振动频谱概率密度分布样本进行匹配；根据匹配结果确定所述预定部件在所述预定时间段内是否存在异常振动。
可选地，所述预设振动频谱概率密度分布样本可为基于所述预定部件在所述预定时间段内正常运行时的振动数据生成的振动频谱概率密度分布；或者所述预设振动频谱概率密度分布样本可为基于所述预定部件在所述预定时间段内故障状态下的振动数据生成的振动频谱概率密度分布。
可选地，根据匹配结果确定所述预定部件在所述预定时间段内是否存在异常振动的步骤可包括：基于获得的振动频谱概率密度分布中与各频率点对应的频率幅度值的概率密度分别与所述预设振动频谱概率密度分布样本中与所述各频率点对应的频率幅度值的概率密度的比较结果，确定所述预定部件在所述预定时间段内是否存在异常振动，或者，可基于获得的振动频谱概率密度分布中与指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和的比较结果，确定所述预定部件在所述预定时间段内是否存在异常振动。
可选地，当获得的振动频谱概率密度分布中与所述各频率点中的任一频率点对应的频率幅度值的概率密度与所述预设振动频谱概率密度分布样本中与所述任一频率点对应的频率幅度值的概率密度之差的绝对值大于第一预设值时，可确定所述预定部件在所述预定时间段内存在异常振动。
可选地，当获得的振动频谱概率密度分布中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和之差的绝对值大于第二预设值时，可确定所述预定部件在所述预定时间段内存在异常振动。
根据本发明示例性实施例的另一方面，提供一种风力发电机组振动异常的检测设备，所述检测设备包括：振动数据获取模块，获取风力发电机组的预定部件在连续的多个时间段内的振动数据；时频转换模块，将获取的所述多个时间段内的振动数据分别转换到频域，获得分别与所述多个时间段内的振动数据对应的多个振动频谱；频谱叠加模块，对所述多个振动频谱进行叠加，获得所述预定部件在预定时间段内的振动频谱概率密度分布；振动异常检测模块，基于获得的振动频谱概率密度分布确定所述预定部件在所述预定时间段内是否存在异常振动，其中，所述预定时间段被均匀地划分为所述多个时间段。
可选地，振动异常检测模块可将获得的振动频谱概率密度分布与所述预定部件在所述预定时间段内的预设振动频谱概率密度分布样本进行匹配，根据匹配结果确定所述预定部件在所述预定时间段内是否存在异常振动。
可选地，所述预设振动频谱概率密度分布样本为基于所述预定部件在所述预定时间段内正常运行时的振动数据生成的振动频谱概率密度分布；或者所述预设振动频谱概率密度分布样本可为基于所述预定部件在所述预定时间段内故障状态下的振动数据生成的振动频谱概率密度分布。
可选地，振动异常检测模块基于获得的振动频谱概率密度分布中与各频率点对应的频率幅度值的概率密度可分别与所述预设振动频谱概率密度分布样本中与所述各频率点对应的频率幅度值的概率密度的比较结果，确定所述预定部件在所述预定时间段内是否存在异常振动，或者，振动异常检测模块可基于获得的振动频谱概率密度分布中与指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和的比较结果，确定可所述预定部件在所述预定时间段内是否存在异常振动。
可选地，当获得的振动频谱概率密度分布中与所述各频率点中的任一频率点对应的频率幅度值的概率密度与所述预设振动频谱概率密度分布样本中与所述任一频率点对应的频率幅度值的概率密度之差的绝对值大于第一预设值时，振动异常检测模块可确定所述预定部件在所述预定时间段内存在异常振动。
可选地，当获得的振动频谱概率密度分布中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和之差的绝对值大于第二预设值时，振动异常检测模块可确定所述预定部件在所述预定时间段内存在异常振动。
根据本发明示例性实施例的再一方面，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现上述的风力发电机组振动异常的检测方法。
根据本发明示例性实施例的再一方面，提供一种计算装置，所述计算装置包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现上述的风力发电机组振动异常的检测方法。
根据本发明示例性实施例的再一方面，提供一种包括上述风力发电机组振动异常的检测设备的风力发电机组。
采用本发明示例性实施例的风力发电机组振动异常的检测方法和设备及风力发电机组，能够快速定位故障时间，减少运算量。
附图说明
通过下面结合示例性地示出实施例的附图进行的详细描述，本发明示例性实施例的上述和其它目的、特点和优点将会变得更加清楚。
图1示出根据本发明示例性实施例的风力发电机组振动异常的检测方法的流程图；
图2示出根据本发明示例性实施例的反映频率点的能量信息的振动频谱的第一示例表；
图3示出根据本发明示例性实施例的反映频率点的能量信息的振动频谱的第二示例表；
图4示出根据本发明示例性实施例的通过叠加图2和图3所示的示例表中的振动频谱之后获得的振动频谱概率密度分布的示例表；
图5示出根据本发明示例性实施例的从图4所示的振动频谱概率密度分布中选取指定区域的示例图；
图6示出根据本发明示例性实施例的风力发电机组振动异常的检测设备的框图。
具体实施方式
现在，将参照附图更充分地描述不同的示例实施例，一些示例性实施例在附图中示出。
图1示出根据本发明示例性实施例的风力发电机组振动异常的检测方法的流程图。
参照图1，在步骤S10中，获取风力发电机组的预定部件在连续的多个时间段内的振动数据。
这里，可通过对预定时间段进行均匀地划分来获得多个时间段，即，可通过对预定时间段的均匀分割来获得多个时间段。优选地，预定时间段为用于分析预定部件是否存在振动异常的振动数据的总时间长度。例如，基于本发明示例性实施例的振动异常的检测方法，用户希望对风力发电机组一年的振动数据进行分析，则预定时间段为一年，多个时间段可为以月为单位的12个时间段。然而，本发明不限于此，所述预定时间段以及所述多个时间段可根据需要任意设置。
在步骤S20中，将获取的所述多个时间段内的振动数据分别转换到频域，获得分别与所述多个时间段内的振动数据对应的多个振动频谱。这里，一个时间段内的振动数据对应一个振动频谱，可利用现有的各种时频转换方法(如，FFT快速傅里叶变换)将时间域的多个时间段的振动数据分别转换到频域，以获得对应的多个振动频谱。连续的振动数据经过时频转换后得到振动频谱，振动频谱中的频率点可以离散的形式存在，进而可以将所有振动频谱的频率点以如图2、图3所示的表格形式进行存储。
在步骤S30中，对获得的多个振动频谱进行叠加，获得风力发电机组的预定部件在预定时间段内的振动频谱概率密度分布。
这里，振动频谱通常反映的是频率点以及与频率点对应的频率幅度值。下面结合图2-图4所示的实施例来介绍对多个振动频谱进行叠加以获得振动频谱概率密度分布的过程。
图2和图3所示的第一示例表和第二示例表为与两个时间段的振动数据分别对应的振动频谱的示例表，这里，每一个频率点对应一个能量信息，当一个频率点处的频率幅度值不小于(即，大于等于)预定幅值时，可认为该频率点处存在能量，此时用“*”表示，当一个频率点处的频率幅度值小于预定幅值时，可认为该频率点处不存在能量，此时用空白表示。通过上述方式可获得如图2和图3所示的能够反映出频率点的能量信息的振动频谱。
在获得图2和图3所示的振动频谱之后，可对两个振动频谱进行叠加，具体叠加过程为：振动频谱的数量为2，即，对应的叠加次数为2；针对每个频率点，如果该频率点处在两个振动频谱中均存在能量，则该频率点处的振动频谱概率密度为2(存在能量的次数)/2(叠加次数)＝1；如果该频率点处仅在一个振动频谱中存在能量，则该频率点处的振动频谱概率密度为1/2＝0.5；如果该频率点处在两个振动频谱中均不存在能量，则该频率点处的振动频谱概率密度为0/2＝0。通过上述针对图2和图3的振动频谱的叠加过程可获得图4所示的振动频谱概率密度分布的示例表。
应理解，上述振动频谱叠加过程仅为示例，本发明不限于对两个振动频谱进行叠加，本领域技术人员可根据实际需要确定叠加次数。
在步骤S40中，基于获得的振动频谱概率密度分布确定风力发电机组的预定部件在预定时间段内是否存在异常振动。
优选地，在步骤S40中，可将获得的振动频谱概率密度分布与预定部件在预定时间段内的预设振动频谱概率密度分布样本进行匹配，根据匹配结果确定预定部件在预定时间段内是否存在异常振动。
在一个示例中，预设振动频谱概率密度分布样本可为基于预定部件在预定时间段内正常运行时的振动数据生成的振动频谱概率密度分布。
在此情况下，可通过以下方式生成预设振动频谱概率密度分布样本：获取风力发电机组的预定部件在正常运行状态下在连续的多个时间段内的振动数据；将获取的正常运行状态下的多个时间段内的振动数据分别转换到频域，获得对应的多个振动频谱；对多个振动频谱进行叠加来获得预设振动频谱概率密度分布样本。
在另一示例中，预设振动频谱概率密度分布样本可为基于预定部件在预定时间段内故障状态下的振动数据生成的振动频谱概率密度分布。
在此情况下，可通过以下方式生成预设振动频谱概率密度分布样本：获取风力发电机组的预定部件在故障状态下在连续的多个时间段内的振动数据；将获取的故障状态下的多个时间段内的振动数据分别转换到频域，获得对应的多个振动频谱；对多个振动频谱进行叠加来获得预设振动频谱概率密度分布样本。
这里，用于生成预设振动频谱概率密度分布样本的振动数据的时间长度(即，每个时间段的时间长度)应与步骤S10中获取的振动数据的时间长度一致。
优选地，风力发电机组的预定部件的预设振动频谱概率密度分布样本可存储在样本库中，样本库中可包括针对不同预定部件的预设振动频谱概率密度分布样本，更具体地，样本库中可包括针对不同预定部件在不同时间段的振动数据生成的预设振动频谱概率密度分布样本。
在此情况下，可根据预定时间段被划分为的每个时间段所对应的时间长度，从样本库中查找风力发电机组的该预定部件与该时间长度对应的预设振动频谱概率密度分布样本，以进行匹配。
在一个示例中，可针对振动频谱概率密度分布中的各频率点进行匹配。在此情况下，根据匹配结果确定所述预定部件在所述预定时间段内是否存在异常振动的步骤可包括：基于获得的振动频谱概率密度分布中与各频率点对应的频率幅度值的概率密度分别与所述预设振动频谱概率密度分布样本中与所述各频率点对应的频率幅度值的概率密度的比较结果，确定所述预定部件在所述预定时间段内是否存在异常振动。
针对预设振动频谱概率密度分布样本由基于预定部件在正常运行状态下的振动数据所生成的情况，确定预定部件在预定时间段内是否存在异常振动的过程可为：当获得的振动频谱概率密度分布中与所述各频率点中的任一频率点对应的频率幅度值的概率密度与所述预设振动频谱概率密度分布样本中与所述任一频率点对应的频率幅度值的概率密度之差的绝对值大于第一预设值时，确定所述预定部件在所述预定时间段内存在异常振动。当上述差的绝对值不大于第一预设值时，确定所述预定部件在所述预定时间段内不存在异常振动。
针对预设振动频谱概率密度分布样本由基于预定部件在故障状态下的振动数据所生成的情况，确定预定部件在预定时间段内是否存在异常振动的过程可为：当获得的振动频谱概率密度分布中与所述各频率点中的任一频率点对应的频率幅度值的概率密度与所述预设振动频谱概率密度分布样本中与所述任一频率点对应的频率幅度值的概率密度之差的绝对值小于第三预设值时，确定预定部件在预定时间段内不存在异常振动。当上述差的绝对值不小于第三预设值时，确定预定部件在预定时间段内存在异常振动。
这里，应理解，预定部件的振动异常可表现为与频率点对应的频率幅度值的大小发生突变和/或与频率点对应的频率幅度值发生偏移。具体说来，基于与频率点对应的频率幅度值的概率密度的匹配，能够判断出与频率点对应的频率幅度值的大小是否发生突变。例如，以上述第一种情况为例，当与某一频率点对应的频率幅度值增加量或减小量超过设定值时，可确定与该频率点对应的频率幅度值发生突变，此时通过振动频谱叠加，该频率点处的振动频谱概率密度也会相应地发生变化，当获取的振动频谱概率密度分布中与该频率点对应的频率幅度值的概率密度与预设振动频谱概率密度分布样本中与该频率点对应的频率幅度值的概率密度之差大于第一预设值时，可确定预定部件存在异常振动。
除此之外，还能够基于与频率点对应的频率幅度值的概率密度的匹配，判断出与频率点对应的频率幅度值是否发生转移。例如，以上述第一种情况为例，在预设振动频谱概率密度分布中10hz频率点处存在能量，且10hz处的概率密度为第一值，15hz频率点处不存在能量，且15hz处的概率密度近似于零，但在获得的振动频谱概率密度分布中10hz频率点处不存在能量，概率密度近似于零，而在15hz处存在能量，且15hz处的概率密度近似为第一值。此时，获得的振动频谱概率密度分布中10hz频率点处和15hz频率点处的频率幅度值的概率密度分布与预设振动频谱概率密度分布样本中10hz频率点处和15hz频率点处的频率幅度值的概率密度的差的绝对值均大于第一预设值，由此可确定与频率点对应的频率幅度值发生明显偏移。
在另一示例中，可针对振动频谱概率密度分布中的指定区域进行匹配。在此情况下，根据匹配结果确定所述预定部件在所述预定时间段内是否存在异常振动的步骤可包括：基于获得的振动频谱概率密度分布中与指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和的比较结果，确定所述预定部件在所述预定时间段内是否存在异常振动。
针对预设振动频谱概率密度分布样本由基于预定部件在正常运行状态下的振动数据所生成的情况，当获得的振动频谱概率密度分布中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和之差的绝对值大于第二预设值时，确定所述预定部件在所述预定时间段内存在异常振动。当上述差的绝对值不大于第二预设值时，确定所述预定部件在所述预定时间段内不存在异常振动。
针对预设振动频谱概率密度分布样本由基于预定部件在故障状态下的振动数据所生成的情况，确定预定部件在预定时间段内是否存在异常振动的过程可为：当获得的振动频谱概率密度分布中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和之差的绝对值小于第四预设值时，确定所述预定部件在所述预定时间段内存在异常振动。当上述差的绝对值不小于第四预设值时，确定所述预定部件在所述预定时间段内不存在异常振动。
应理解，指定区域可为一个或多个区域，当指定区域为多个区域时，针对每个区域，将获得的振动频谱概率密度分布中与该区域对应的振动频谱概率密度总和与所述预设振动频谱概率密度分布样本中与该区域对应的振动频谱概率密度总和进行比较。当多个区域中存在至少一个区域的匹配结果指示预定部件存在异常振动时，可认为该预定部件存在异常振动。作为示例，所述至少一个区域可为一个区域或者预定数量的区域，该预定数量可为多个区域的数量的一半。
以图4所示的振动频谱概率密度分布为例，可在该振动频谱概率密度分布中选择一指定区域，该指定区域内包含多个频率点，以图5所示为例，图5所示的振动频谱概率密度分布中被粗线框包围的区域为选取的指定区域，与该指定区域内包含的所有频率点对应的频率幅度值的概率密度总和即为该指定区域的九宫格中各概率密度相加的结果：0+1+0+0.5+0.5+0.5+0.5+0+0.5＝3.5。假设第二预定值为0.5，当与图5所示的指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与预设振动频谱概率密度分布样本中与指定区域内包含的所有频率点对应的频率幅度值的概率密度总和之差的绝对值超过0.5时，则认为该指定区域中的振动频谱发生了变化，此时可确定预定部件存在振动异常，且可确定预定部件发生振动异常的时刻在预定时间段内。
这里，当预定时间段为一年时，可以以月份为单位将一年划分为12个时间段，在确定出预定部件在该一年中存在振动异常时，为确定出发生振动异常的具体时刻，可改变预定时间段的时间长度，以对发生振动异常的时刻进行定位。例如，为进一步确定风力发电机组的预定部件是在一年的哪一月份发生振动异常，可针对每个月份，将出现振动异常的一年中的一个月份确定为预定时间段，以天为单位将该月份划分为30个时间段(假设一个月份包括30天)，利用上述异常振动的检测方法，通过对与所划分的各天的振动频谱进行叠加，能够确定出预定部件存在异常振动的月份。进一步，可针对每天，将出现振动异常的月份中的一天确定为预定时间段，以小时为单位将一天划分为多个时间段，利用上述异常振动的检测方法，确定出预定部件是在哪一天出现的异常振动。通过重复上述过程，不断缩短预定时间段的时间长度，可最终确定出预定部件发生振动异常的精确时刻。
现有的振动异常数据分析方法对数据的分析效率较低，例如当基于频谱瀑布图分析来进行振动异常分析时，预定部件在预定时间段内的振动数据对应数十甚至上百张频谱瀑布图，一个振动故障可能需要对上述频谱瀑布图进行几十次的回放查找才能被发现。而采用本发明示例性实施例的风力发电机组振动异常的检测方法基于预定部件在预定时间段内的振动频谱概率密度分布(如一张反映振动频谱概率密度分布的示例表)，即可对预定部件进行振动异常分析，有效减少了回放查找次数，提高了数据的分析效率。
图2示出根据本发明示例性实施例的风力发电机组振动异常的检测设备的框图。
如图2所示，根据本发明示例性实施例的风力发电机组振动异常的检测设备包括振动数据获取模块10、时频转换模块20、频谱叠加模块30和振动异常检测模块40。
具体说来，振动数据获取模块10获取风力发电机组的预定部件在连续的多个时间段内的振动数据。这里，所述预定时间段被均匀地划分为所述多个时间段。
这里，振动数据获取模块10可通过对预定时间段进行均匀地划分来获得多个时间段，即，可通过对预定时间段的均匀分割来获得多个时间段。优选地，预定时间段为用于分析预定部件是否存在振动异常的振动数据的总时间长度。
时频转换模块20将获取的所述多个时间段内的振动数据分别转换到频域，获得分别与所述多个时间段内的振动数据对应的多个振动频谱。这里，一个时间段内的振动数据对应一个振动频谱。
频谱叠加模块30对获得的多个振动频谱进行叠加，获得风力发电机组的预定部件在预定时间段内的振动频谱概率密度分布。
这里，振动频谱通常反映的是频率点以及与频率点对应的频率幅度值，通过对振动频谱的叠加能够获得各频率点处的振动频谱概率密度。
振动异常检测模块40基于获得的振动频谱概率密度分布确定风力发电机组的预定部件在预定时间段内是否存在异常振动。
优选地，振动异常检测模块40将获得的振动频谱概率密度分布与预定部件在预定时间段内的预设振动频谱概率密度分布样本进行匹配，根据匹配结果确定预定部件在预定时间段内是否存在异常振动。
在一个示例中，预设振动频谱概率密度分布样本可为基于预定部件在预定时间段内正常运行时的振动数据生成的振动频谱概率密度分布。
在此情况下，预设振动频谱概率密度分布样本可通过以下方式被生成：获取风力发电机组的预定部件在正常运行状态下在连续的多个时间段内的振动数据，将获取的正常运行状态下的多个时间段内的振动数据分别转换到频域，获得对应的多个振动频谱，对多个振动频谱进行叠加来获得预设振动频谱概率密度分布样本。
在另一示例中，预设振动频谱概率密度分布样本可为基于预定部件在预定时间段内故障状态下的振动数据生成的振动频谱概率密度分布。
在此情况下，预设振动频谱概率密度分布样本可通过以下方式被生成：获取风力发电机组的预定部件在故障状态下在连续的多个时间段内的振动数据；将获取的故障状态下的多个时间段内的振动数据分别转换到频域，获得对应的多个振动频谱；对多个振动频谱进行叠加来获得预设振动频谱概率密度分布样本。
这里，用于生成预设振动频谱概率密度分布样本的振动数据的时间长度(即，每个时间段的时间长度)应与振动数据获取模块10获取的振动数据的时间长度(每个时间段的时间长度)一致。
在一个示例中，振动异常检测模块40可针对振动频谱概率密度分布中的各频率点进行匹配。
在此情况下，振动异常检测模块40可基于获得的振动频谱概率密度分布中与各频率点对应的频率幅度值的概率密度分别与所述预设振动频谱概率密度分布样本中与所述各频率点对应的频率幅度值的概率密度的比较结果，确定所述预定部件在所述预定时间段内是否存在异常振动。
针对预设振动频谱概率密度分布样本由基于预定部件在正常运行状态下的振动数据所生成的情况，振动异常检测模块40确定预定部件在预定时间段内是否存在异常振动的过程可为：当获得的振动频谱概率密度分布中与所述各频率点中的任一频率点对应的频率幅度值的概率密度与所述预设振动频谱概率密度分布样本中与所述任一频率点对应的频率幅度值的概率密度之差的绝对值大于第一预设值时，振动异常检测模块40确定所述预定部件在所述预定时间段内存在异常振动。当上述差的绝对值不大于第一预设值时，振动异常检测模块40确定所述预定部件在所述预定时间段内不存在异常振动。
针对预设振动频谱概率密度分布样本由基于预定部件在故障状态下的振动数据所生成的情况，振动异常检测模块40确定预定部件在预定时间段内是否存在异常振动的过程可为：当获得的振动频谱概率密度分布中与所述各频率点中的任一频率点对应的频率幅度值的概率密度与所述预设振动频谱概率密度分布样本中与所述任一频率点对应的频率幅度值的概率密度之差的绝对值小于第三预设值时，振动异常检测模块40确定预定部件在预定时间段内不存在异常振动。当上述差的绝对值不小于第三预设值时，振动异常检测模块40确定预定部件在预定时间段内存在异常振动。
在另一示例中，振动异常检测模块40可针对振动频谱概率密度分布中的指定区域进行匹配。
在此情况下，振动异常检测模块40可基于获得的振动频谱概率密度分布中与指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和的比较结果，确定所述预定部件在所述预定时间段内是否存在异常振动。
针对预设振动频谱概率密度分布样本由基于预定部件在正常运行状态下的振动数据所生成的情况，振动异常检测模块40确定预定部件在预定时间段内是否存在异常振动的过程可为：当获得的振动频谱概率密度分布中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和之差的绝对值大于第二预设值时，振动异常检测模块40确定所述预定部件在所述预定时间段内存在异常振动。当上述差的绝对值不大于第二预设值时，振动异常检测模块40确定所述预定部件在所述预定时间段内不存在异常振动。
针对预设振动频谱概率密度分布样本由基于预定部件在故障状态下的振动数据所生成的情况，振动异常检测模块40确定预定部件在预定时间段内是否存在异常振动的过程可为：当获得的振动频谱概率密度分布中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和之差的绝对值小于第四预设值时，振动异常检测模块40确定预定部件在预定时间段内存在异常振动。当上述差的绝对值不小于第四预设值时，振动异常检测模块40确定预定部件在预定时间段内不存在异常振动。
根据本发明的示例性实施例还提供一种包括上述风力发电机组振动异常的检测设备的风力发电机组。
根据本发明的示例性实施例还提供一种计算装置。该计算装置包括处理器和存储器。存储器用于存储计算机程序。所述计算机程序被处理器执行使得处理器执行如上所述的风力发电机组振动异常的检测方法的计算机程序。
根据本发明的示例性实施例还提供一种存储有计算机程序的计算机可读存储介质。该计算机可读存储介质存储有当被处理器执行时使得处理器执行上述风力发电机组振动异常的检测方法的计算机程序。该计算机可读记录介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读记录介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
采用本发明示例性实施例的风力发电机组振动异常的检测方法和设备及风力发电机组，能够增强对风力发电机组的主要部件的振动异常检测的抗干扰能力，提高对振动异常检测的准确性。
此外，采用本发明示例性实施例的风力发电机组振动异常的检测方法和设备及风力发电机组，通过基于振动频谱概率密度分布来对振动异常进行检测，在振动异常分析过程中增加了一个数据维度，使得数据更丰富。
此外，采用本发明示例性实施例的风力发电机组振动异常的检测方法和设备及风力发电机组，通过对风力发电机组的预定部件在预定时间段内运行的统计量(振动频谱概率密度)监控，能够分析出低能量的异常。
尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。

Claims (15)

1.一种风力发电机组振动异常的检测方法，其特征在于，所述检测方法包括：
获取风力发电机组的预定部件在连续的多个时间段内的振动数据；
将获取的所述多个时间段内的振动数据分别转换到频域，获得分别与所述多个时间段内的振动数据对应的多个振动频谱；
对所述多个振动频谱进行叠加，获得所述预定部件在预定时间段内的振动频谱概率密度分布；
基于获得的振动频谱概率密度分布确定所述预定部件在所述预定时间段内是否存在异常振动，
其中，所述预定时间段被均匀地划分为所述多个时间段。
2.如权利要求1所述的检测方法，其特征在于，基于获得的振动频谱概率密度分布确定所述预定部件在预定时间段内是否存在异常振动的步骤包括：
将获得的振动频谱概率密度分布与所述预定部件在所述预定时间段内的预设振动频谱概率密度分布样本进行匹配；
根据匹配结果确定所述预定部件在所述预定时间段内是否存在异常振动。
3.如权利要求2所述的检测方法，其特征在于，所述预设振动频谱概率密度分布样本为基于所述预定部件在所述预定时间段内正常运行时的振动数据生成的振动频谱概率密度分布；或者
所述预设振动频谱概率密度分布样本为基于所述预定部件在所述预定时间段内故障状态下的振动数据生成的振动频谱概率密度分布。
4.如权利要求2所述的检测方法，其特征在于，根据匹配结果确定所述预定部件在所述预定时间段内是否存在异常振动的步骤包括：
基于获得的振动频谱概率密度分布中与各频率点对应的频率幅度值的概率密度分别与所述预设振动频谱概率密度分布样本中与所述各频率点对应的频率幅度值的概率密度的比较结果，确定所述预定部件在所述预定时间段内是否存在异常振动，
或者，基于获得的振动频谱概率密度分布中与指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和的比较结果，确定所述预定部件在所述预定时间段内是否存在异常振动。
5.如权利要求4所述的检测方法，其特征在于，当获得的振动频谱概率密度分布中与所述各频率点中的任一频率点对应的频率幅度值的概率密度与所述预设振动频谱概率密度分布样本中与所述任一频率点对应的频率幅度值的概率密度之差的绝对值大于第一预设值时，确定所述预定部件在所述预定时间段内存在异常振动。
6.如权利要求4所述的检测方法，其特征在于，当获得的振动频谱概率密度分布中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和之差的绝对值大于第二预设值时，确定所述预定部件在所述预定时间段内存在异常振动。
7.一种风力发电机组振动异常的检测设备，其特征在于，所述检测设备包括：
振动数据获取模块，获取风力发电机组的预定部件在连续的多个时间段内的振动数据；
时频转换模块，将获取的所述多个时间段内的振动数据分别转换到频域，获得分别与所述多个时间段内的振动数据对应的多个振动频谱；
频谱叠加模块，对所述多个振动频谱进行叠加，获得所述预定部件在预定时间段内的振动频谱概率密度分布；
振动异常检测模块，基于获得的振动频谱概率密度分布确定所述预定部件在所述预定时间段内是否存在异常振动，
其中，所述预定时间段被均匀地划分为所述多个时间段。
8.如权利要求7所述的检测设备，其特征在于，振动异常检测模块将获得的振动频谱概率密度分布与所述预定部件在所述预定时间段内的预设振动频谱概率密度分布样本进行匹配，根据匹配结果确定所述预定部件在所述预定时间段内是否存在异常振动。
9.如权利要求8所述的检测设备，其特征在于，所述预设振动频谱概率密度分布样本为基于所述预定部件在所述预定时间段内正常运行时的振动数据生成的振动频谱概率密度分布；或者
所述预设振动频谱概率密度分布样本为基于所述预定部件在所述预定时间段内故障状态下的振动数据生成的振动频谱概率密度分布。
10.如权利要求8所述的检测设备，其特征在于，振动异常检测模块基于获得的振动频谱概率密度分布中与各频率点对应的频率幅度值的概率密度分别与所述预设振动频谱概率密度分布样本中与所述各频率点对应的频率幅度值的概率密度的比较结果，确定所述预定部件在所述预定时间段内是否存在异常振动，
或者，振动异常检测模块基于获得的振动频谱概率密度分布中与指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和的比较结果，确定所述预定部件在所述预定时间段内是否存在异常振动。
11.如权利要求10所述的检测设备，其特征在于，当获得的振动频谱概率密度分布中与所述各频率点中的任一频率点对应的频率幅度值的概率密度与所述预设振动频谱概率密度分布样本中与所述任一频率点对应的频率幅度值的概率密度之差的绝对值大于第一预设值时，振动异常检测模块确定所述预定部件在所述预定时间段内存在异常振动。
12.如权利要求10所述的检测设备，其特征在于，当获得的振动频谱概率密度分布中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和与所述预设振动频谱概率密度分布样本中与所述指定区域内包含的所有频率点对应的频率幅度值的概率密度总和之差的绝对值大于第二预设值时，振动异常检测模块确定所述预定部件在所述预定时间段内存在异常振动。
13.一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现如权利要求1-6中的任意一项所述的风力发电机组振动异常的检测方法。
14.一种计算装置，其特征在于，所述计算装置包括：
处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-6中的任意一项所述的风力发电机组振动异常的检测方法。
15.一种包括如权利要求7-12中的任意一项所述的风力发电机组振动异常的检测设备的风力发电机组。
CN201810551522.9A 2018-05-31 2018-05-31 风力发电机组振动异常的检测方法和设备及风力发电机组 Active CN110631810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810551522.9A CN110631810B (zh) 2018-05-31 2018-05-31 风力发电机组振动异常的检测方法和设备及风力发电机组

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810551522.9A CN110631810B (zh) 2018-05-31 2018-05-31 风力发电机组振动异常的检测方法和设备及风力发电机组

Publications (2)

Publication Number Publication Date
CN110631810A true CN110631810A (zh) 2019-12-31
CN110631810B CN110631810B (zh) 2021-07-27

Family

ID=68966222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810551522.9A Active CN110631810B (zh) 2018-05-31 2018-05-31 风力发电机组振动异常的检测方法和设备及风力发电机组

Country Status (1)

Country Link
CN (1) CN110631810B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633093A (zh) * 2020-12-10 2021-04-09 中国人民解放军32181部队 一种装备状态检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3411841B2 (ja) * 1998-12-04 2003-06-03 リオン株式会社 故障診断方法および故障診断器
CN101000276A (zh) * 2006-12-29 2007-07-18 茂名学院 一种基于无量纲指标免疫检测器的旋转机械故障诊断方法
CN102032942A (zh) * 2009-09-25 2011-04-27 上海宝钢工业检测公司 基于高斯平滑的设备振动信号全频带特征提取和报警方法
CN102620807A (zh) * 2012-03-22 2012-08-01 内蒙古科技大学 风力发电机状态监测系统及方法
CN105241680A (zh) * 2015-08-26 2016-01-13 电子科技大学 一种基于概率密度函数的旋转机械健康状态评估方法
JP2017215684A (ja) * 2016-05-30 2017-12-07 三菱重工業株式会社 押し付け力評価方法
CN107526853A (zh) * 2016-06-22 2017-12-29 北京航空航天大学 基于层叠卷积网络的滚动轴承故障模式识别方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3411841B2 (ja) * 1998-12-04 2003-06-03 リオン株式会社 故障診断方法および故障診断器
CN101000276A (zh) * 2006-12-29 2007-07-18 茂名学院 一种基于无量纲指标免疫检测器的旋转机械故障诊断方法
CN102032942A (zh) * 2009-09-25 2011-04-27 上海宝钢工业检测公司 基于高斯平滑的设备振动信号全频带特征提取和报警方法
CN102620807A (zh) * 2012-03-22 2012-08-01 内蒙古科技大学 风力发电机状态监测系统及方法
CN105241680A (zh) * 2015-08-26 2016-01-13 电子科技大学 一种基于概率密度函数的旋转机械健康状态评估方法
JP2017215684A (ja) * 2016-05-30 2017-12-07 三菱重工業株式会社 押し付け力評価方法
CN107526853A (zh) * 2016-06-22 2017-12-29 北京航空航天大学 基于层叠卷积网络的滚动轴承故障模式识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
万永贵: "设备诊断技术在输煤设备检修管理中的应用", 《机械研究与应用》 *
薛庆文: "利用振动信号诊断汽车轴承故障", 《佳木斯大学学报（自然科学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633093A (zh) * 2020-12-10 2021-04-09 中国人民解放军32181部队 一种装备状态检测方法及系统
CN112633093B (zh) * 2020-12-10 2024-04-16 中国人民解放军32181部队 一种装备状态检测方法及系统

Also Published As

Publication number Publication date
CN110631810B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
JP6467186B2 (ja) データストリームにおける不良データを検出、訂正、および検査するためのシステムおよび方法
Ilonen et al. Diagnosis tool for motor condition monitoring
Lin et al. Reviews of bearing vibration measurement using fast Fourier transform and enhanced fast Fourier transform algorithms
CN109973325B (zh) 识别异常振动的方法和设备
Bhui et al. Application of recurrence quantification analysis to power system dynamic studies
US10365297B2 (en) System and method for generation of a tachometer signal and reduction of jitter
JP5780870B2 (ja) 回転機器の健全性診断装置、方法およびプログラム
US9778281B1 (en) Tachometer signal jitter reduction system and method
US10742535B2 (en) Monitoring a resource consumption of an application
CN110631810B (zh) 风力发电机组振动异常的检测方法和设备及风力发电机组
JP2020107016A (ja) 類似度判定装置および異常検出装置
Alsalaet et al. Bearing fault diagnosis using normalized diagnostic feature-gram and convolutional neural network
CN117606782B (zh) 风力发电机叶片故障检测方法、装置、设备及存储介质
CN116756597B (zh) 基于人工智能的风电机组谐波数据实时监测方法
CN109683057B (zh) 一种电力系统次同步振荡在线扰动源定位方法及系统
US8762080B2 (en) Computer component detection system and method
Ivanov et al. Optimal filtering of synchronized current phasor measurements in a steady state
Buzzoni et al. Development of an indicator for the assessment of damage level in rolling element bearings based on blind deconvolution methods
US20200372385A1 (en) Compensating for out-of-phase seasonality modes in time-series signals to facilitate prognostic-surveillance operations
US11308181B2 (en) Determination method and determination apparatus
Zhu et al. Fault feature extraction of rolling element bearing based on EVMD
Agrawal et al. Induction motor bearing fault classification using WPT, PCA and DSVM
Tavakkoli et al. A ball bearing fault diagnosis method based on wavelet and EMD energy entropy mean
JPH0713617A (ja) 不具合事象の原因推定方法
Sun et al. CLPS-MFL: Using concept lattice of program spectrum for effective multi-fault localization

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region

Patentee after: Jinfeng Technology Co.,Ltd.

Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region

Patentee before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd.