CN111400959B - 风力发电机组的叶片故障诊断方法及装置 - Google Patents
风力发电机组的叶片故障诊断方法及装置 Download PDFInfo
- Publication number
- CN111400959B CN111400959B CN201811610118.0A CN201811610118A CN111400959B CN 111400959 B CN111400959 B CN 111400959B CN 201811610118 A CN201811610118 A CN 201811610118A CN 111400959 B CN111400959 B CN 111400959B
- Authority
- CN
- China
- Prior art keywords
- blade
- fault
- blade vibration
- vibration
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 39
- 230000001133 acceleration Effects 0.000 claims description 35
- 238000001914 filtration Methods 0.000 claims description 27
- 238000010219 correlation analysis Methods 0.000 claims description 13
- 238000000926 separation method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003449 preventive effect Effects 0.000 abstract description 2
- 238000010408 sweeping Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract 2
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
本公开提供了一种风力发电机组的叶片故障诊断方法及装置。所述方法包括:基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵;基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征;根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。通过本公开的方法和装置可以有效地进行叶片的预防性维修和预测性维修,并且避免出现叶片断裂、扫塔等情况,从而减少了风力发电机组的全生命周期运营成本。
Description
技术领域
本发明涉及风力发电技术领域,更具体地讲,涉及一种用于诊断风力发电机组的叶片是否出现故障的方法及其装置。
背景技术
目前,叶片状态监测技术尚未形成类似轴承监测技术的进行批量实施的技术方案。这主要归因于叶片的监测技术尚未形成统一的技术理论并且缺少经过类似轴承故障诊断那样大批量的工程实践的验证。即使现有的风力发电机组的叶片故障诊断的方法很多,但是能够适用于工程批量实施的方法却很少。
发明内容
本发明的示例性实施例提供了一种风力发电机组的叶片故障诊断方法及其装置,至少解决上述技术问题和上文未提及的其它技术问题,并且提供下述的有益效果。
本发明的一方面在于提供一种风力发电机组的叶片故障诊断方法,所述方法可以包括:基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵;基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征;并且根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。
机组工况数据可以包括转速、扭矩、叶片角度、加速度以及频率,叶片振动数据可以包括叶片挥舞方向数据和叶片摆振方向数据。
获得机组故障特征矩阵的步骤可以包括:通过对机组工况数据进行相关性分析来获得叶片故障时的机组参数特征;并且通过使用机器学习算法对机组参数特征进行训练来获得机组故障特征矩阵。
获得机组故障特征矩阵的步骤可以包括:按照转速对扭矩、加速度、叶片角度以及频率进行分仓处理;根据各个转速下的扭矩和频率来获得三维扭矩故障特征矩阵;根据各个转速下的加速度和频率来获得三维加速度故障特征矩阵;并且根据各个转速下的叶片角度和频率来获得三维叶片角度故障特征矩阵。
获得叶片振动故障特征的步骤可以包括:对叶片振动数据进行滤波处理;并且基于经滤波处理的叶片振动数据来分别获得第一叶片振动故障特征和第二叶片振动故障特征。
获得第一叶片振动故障特征的步骤可以包括:根据经滤波处理的叶片振动数据来计算叶片振动能量,以获得叶片振动有效值;按照时间顺序基于叶片振动有效值中的叶片挥舞方向数据和叶片摆振方向数据来获得第一叶片振动趋势;并且根据第一叶片振动趋势来获得第一叶片振动故障特征。
获得第二叶片振动故障特征的步骤可以包括:通过对经滤波处理的叶片振动数据进行快速傅里叶变换来获得峰值频率以及与峰值频率相应的幅值;按照时间顺序基于峰值频率以及与峰值频率相应的幅值来获得第二叶片振动趋势;并且根据第二叶片振动趋势来获得第二叶片振动故障特征。
对叶片振动数据进行滤波处理的步骤可以包括:对叶片振动数据进行卡尔曼滤波,以滤除叶片振动数据中的转频数据部分;并且对经卡尔曼滤波的叶片振动数据进行带通滤波。
根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断的步骤可以包括设置叶片出现故障时报警阈值。
根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断的步骤可以包括:当出现机组故障特征或者出现叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,发送报警信息;或者,当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,发送报警信息;或者,当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时,发送报警信息。
设置叶片出现故障时的报警阈值的步骤可以包括:当所述风力发电机组与提供机组工况数据的风力发电机组具有相同配置时,使用历史报警阈值;并且当所述风力发电机组是新风力发电机组时,使用所述风力发电机组的机组工况数据和叶片振动数据来计算所述风力发电机组的报警阈值作为叶片出现故障时的报警阈值。
本发明的另一方面在于提供一种风力发电机组的叶片故障诊断装置,所述装置可以包括:机组数据处理模块,用于基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵;叶片振动数据处理模块,用于基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征;以及叶片故障诊断模块,用于根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。
机组数据处理模块可以通过对机组工况数据进行相关性分析来获得叶片故障时的机组参数特征,并且通过使用机器学习算法对机组参数特征进行训练来获得机组故障特征矩阵。
机组数据处理模块还可以基于机组参数特征按照转速对扭矩、加速度、叶片角度以及频率进行分仓处理,根据各个转速下的扭矩和频率来获得三维扭矩故障特征矩阵,根据各个转速下的加速度和频率来获得三维加速度故障特征矩阵,并且根据各个转速下的叶片角度和频率来获得三维叶片角度故障特征矩阵。
叶片振动数据处理模块可以对叶片振动数据进行滤波处理,并且基于经滤波处理的叶片振动数据来分别获得第一叶片振动故障特征和第二叶片振动故障特征。
叶片振动数据处理模块还可以根据经滤波处理的叶片振动数据来计算叶片振动能量,以获得叶片振动有效值,按照时间顺序基于叶片振动有效值中的叶片挥舞方向数据和叶片摆振方向数据来获得第一叶片振动趋势,并且根据第一叶片振动趋势来获得第一叶片振动故障特征。
叶片振动数据处理模块还可以通过对经滤波处理的叶片振动数据进行快速傅里叶变换来获得峰值频率以及与峰值频率相应的幅值,按照时间顺序基于峰值频率以及与峰值频率相应的幅值来获得第二叶片振动趋势,并且根据第二叶片振动趋势来获得第二叶片振动故障特征。
叶片振动数据处理模块还可以对叶片振动数据进行卡尔曼滤波,以滤除叶片振动数据中的转频数据部分,并且对经卡尔曼滤波的叶片振动数据进行带通滤波。
叶片故障诊断模块可以设置叶片出现故障时报警阈值。
叶片故障诊断模块还可以进行以下设置:当出现机组故障特征或者出现叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,发送报警信息;或者,当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,发送报警信息;或者,当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时,发送报警信息。
叶片故障诊断模块还可以进行以下设置:当所述风力发电机组与提供机组工况数据的风力发电机组具有相同配置时,使用历史报警阈值;当所述风力发电机组是新风力发电机组时,使用所述风力发电机组的机组工况数据和叶片振动数据来计算所述风力发电机组的报警阈值作为叶片出现故障时的报警阈值。
本发明的一方面在于提供一种计算机可读存储介质,存储有程序,所述程序可包括用于执行以上所述的风力发电机组的叶片故障诊断方法的指令。
本发明的一方面在于提供一种计算机,包括存储有计算机程序的可读介质和处理器,当所述处理器运行所述计算机程序时执行以上所述的风力发电机组的叶片故障诊断方法的指令。
基于以上描述的风力发电机组的叶片故障诊断方法及装置,提出了一种基于机器学习模型与信号处理模型相结合的叶片故障诊断技术方案,联合利用叶片振动数据和机组工况数据来找出叶片出现故障时的故障参数特征,基于这些故障参数特征来更加准确地诊断叶片是否发生故障,从而能够有效地、实时地对风力发电机组叶片进行预防性维修和预测性维修,避免出现叶片断裂、扫塔等恶性事件发生,减少风力发电机组的全生命周期运营成本。
附图说明
下面,将结合附图进行本发明的详细描述,本发明的上述特征和其他目的、特点和优点将会变得更加清楚,其中:
图1是根据本公开的示例性实施例的风力发电机组的叶片故障诊断方法的流程图;
图2是根据本公开的另一示例性实施例的风力发电机组的叶片故障诊断方法的流程图;
图3是根据本公开的示例性实施例的叶片故障时的扭矩信号中的参数特征的示图;
图4是根据本公开的示例性实施例的第一叶片振动趋势的示图;
图5是根据本公开的示例性实施例的第二叶片振动趋势的示图;
图6是根据本公开的示例性实施例的风力发电机组的叶片故障诊断装置的框图。
具体实施方式
现将详细参照本公开的示例性实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指示相同的部件。以下将通过参照附图来说明所述实施例,以便于解释本发明。显然,所描述的实施例仅是本公开一部分实施例,而不是全部的实施例。基于本公开的实施例,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,都属于本申请保护的范围。
在本公开中,包括诸如“第一”、“第二”等序数的术语可以被用于描述各种元素,但是这些元素不应被理解为仅限于这些术语。这些术语仅被用于将一个元素与其他元素区分开来。例如,在不脱离本公开的范围的情况下,第一元素可以被称为第二元素,反之亦然。
在阐述本公开的发明构思之前,对本公开中采用的术语进行相关说明。机器学习(Machine Learning):通过大量的样本数据通过自动化的程序来实现建立数学模型的目的。卡尔曼滤波(Kalman filter):一种时域的滤波方法,可以实现数据无损滤波。相关性分析(Correlation Analysis):指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。这里,使用相关性分析来分析风力发电机组的相关参数以找到叶片故障参数特征。
图1是根据本公开的示例性实施例的风力发电机组的叶片故障诊断方法的流程图。
参见图1,在步骤S101,基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵。机组工况数据可以包括风速、转速、变流器反馈转速、网侧功率、变流器反馈功率、给定参考扭矩、变流器反馈扭矩、叶片、变桨速率、偏航状态、叶轮方位角、机舱加速度以及机组状态字等。可以使用相关性分析方法来分析叶片在出现故障时的机组工况数据之间的关联关系。通过对机组工况数据进行相关性分析来获得叶片故障时的机组参数特征。通过分析大量的机组工况数据可以发现,当叶片故障发生时,风力发电机组的机组信号(例如扭矩信号)中会出现明显机组扭转信息以及一些耦合模态。然后,通过使用机器学习算法对机组参数特征进行训练来获得机组故障特征矩阵。
可以使用机器学习算法对叶片出现故障时的机组工况数据进行训练,从而找出叶片故障时的机组故障特征,并且由找出的机组故障特征来构成机组故障特征矩阵。
在步骤S102,基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征。叶片振动数据可以包括叶片挥舞方向数据和叶片摆振方向数据等。可以采用信号分析策略来分析叶片振动数据,例如,对叶片振动数据进行滤波处理、计算振动信号能量、快速傅里叶变换等分析。通过对叶片振动数据的信号分析可以获得叶片振动的特征以及叶片振动的趋势图,从而区分出叶片正常振动特征和故障振动特征。
在步骤S103,根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。在获得机组故障特征矩阵以及叶片振动故障特征后,可以使用这些故障特征来检测叶片运行时是否发生故障。例如,当叶片运行时出现机组故障特征或者出现叶片振动故障特征并且出现的故障特征值大于或等于特定报警阈值时,可以确定叶片发生故障并向用户发送报警信息。可选地,当叶片运行时同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值大于或等于特定报警阈值时,可以确定叶片发生故障并向用户发送报警信息。可选地,当叶片运行时同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时,可以确定叶片发生故障并向用户发送报警信息。下面将参照图2来详细地说明如何基于机组故障特征和叶片振动故障特征对叶片进行故障诊断。
图2是根据本公开的另一示例性实施例的风力发电机组的叶片故障诊断方法的流程图。
参照图2,在步骤S201,获取风力发电机组的机组工况数据以及叶片振动数据。例如,机组工况数据可以包括风速、转速、变流器反馈转速、网侧功率、变流器反馈功率、给定参考扭矩、变流器反馈扭矩、叶片、变桨速率、偏航状态、叶轮方位角、机舱加速度以及机组状态字等。叶片振动数据可以包括叶片挥舞方向数据和叶片摆振方向数据等。获取的机组工况数据和叶片振动数据用于后续的寻找机组故障特征和叶片振动故障特征的处理中。
在步骤S202,通过对机组工况数据进行相关性分析来获得叶片故障时的机组参数特征。从机组运行时的受力特点分析,利用机组工况数据中的扭矩、加速度、叶片角度等数据特点,结合机组转速来找到机组故障特征。
当风力发电机组的叶片发生故障时,风力发电机组的扭矩信号、机舱加速度信号以及叶片角度信号中会出现明显的故障特征以及一些耦合模态,即在特定的转速和频率段出现明显的异常。可以使用相关性分析方法来分析叶片故障时的扭矩、机舱加速度以及叶片角度等机组工况数据以找出叶片故障时的机组参数特征。
作为示例,当风力发电机组的叶片发生故障时,风力发电机组的扭矩信号中会出现明显的机组扭转信息以及一些耦合模态,例如,图3所示。图3示出了在叶片发生故障时,扭矩信号中的频率、扭矩幅值以及转速之间的关联关系。
在步骤S203,使用机器学习算法对机组参数特征进行训练。在使用相关性分析方法分析叶片发生故障时的机组参数特征后,可以使用多种机器学习算法的一种来训练这些机组参数特征。
在步骤S204,基于机组参数特征按照转速对扭矩、加速度、叶片角度以及频率进行分仓处理,根据分仓处理后的数据来获得机组故障特征矩阵。经过分仓处理后,可以获得各个转速下的扭矩幅值、加速度值、叶片角度以及频率。根据各个转速下的扭矩和频率来获得三维扭矩故障特征矩阵,根据各个转速下的加速度和频率来获得三维加速度故障特征矩阵,根据各个转速下的叶片角度和频率来获得三维叶片角度故障特征矩阵。
例如,参照图3,根据图3示出的扭矩幅值、频率以及转速之间的关联关系,首先可以根据频率以及与各个频率相应的扭矩幅值来分别形成多个二维矩阵。然后,按照风力发电机组的转速对频率和相应的扭矩幅值进行分仓处理来获得各个转速下的数据,对分仓后的数据进行频率、幅值变换来获得各个转速下的三维矩阵,此时,由叶片出现故障时的转速、频率以及相应的扭矩幅值形成的三维矩阵为三维扭矩故障特征矩阵。
此外,当风力发电机组的叶片发生故障时,风力发电机组的加速度信号中也会出现明显的机组加速度信息以及一些耦合模态。可以根据频率以及与各个频率相应的加速度值来分别形成多个二维矩阵。然后,按照风力发电机组的转速对频率和相应的加速度值进行分仓处理来获得各个转速下的数据,对分仓后的数据进行频率、幅值变换来获得各个转速下的三维矩阵,此时,由叶片出现故障时的转速、频率以及相应的加速度值形成的三维矩阵为三维加速度故障特征矩阵。
此外,当风力发电机组的叶片发生故障时,风力发电机组的叶片角度信号中也会出现明显的机组叶片角度信息以及一些耦合模态。可以根据频率以及与各个频率相应的叶片角度来分别形成多个二维矩阵。然后,按照风力发电机组的转速对频率和相应的叶片角度进行分仓处理来获得各个转速下的数据,对分仓后的数据进行频率、幅值变换来获得各个转速下的三维矩阵,此时,由叶片出现故障时的转速、频率以及相应的叶片角度形成的三维矩阵为三维叶片角度故障特征矩阵。
在获得机组故障特征矩阵后,可以根据机组故障特征矩阵中的故障特征来进行叶片故障诊断。
在步骤S205,对叶片振动数据进行滤波处理。根据本公开的实施例,可以根据叶片振动数据通过使用信号分析方法(策略)来获得叶片振动特征,从而区分叶片正常振动特征和叶片故障振动特征,这样,可以根据叶片故障振动特征来进行叶片故障诊断。具体地,可以将叶片振动数据按照时间顺序进行排序来获得叶片振动时间序列,其中,叶片振动时间序列包括叶片挥舞方向数据和叶片摆振方向数据。例如,叶片挥舞方向数据可以是该方向上的叶片加速度值、速度值或者应力值,叶片摆振方向数据可以是该方向上的叶片加速度值、速度值或者应力值,然而,本公开不限于此。
在进行滤波处理时,可以对叶片振动数据进行卡尔曼滤波以滤除叶片振动数据中的转频数据部分,并且对经卡尔曼滤波的叶片振动数据进行带通滤波。
例如,对叶片振动时间序列进行滤波处理,即对叶片振动数据进行滤波处理。首先,对叶片振动时间序列进行卡尔曼滤波,以滤除叶片振动数据中的转频部分。在进行卡尔曼滤波后,对卡尔曼滤波后的叶片振动数据进行带通滤波处理。例如,假设带通滤波范围为tower1st<Bandp≤100Hz,其中,tower1st是指风力发电机组塔架一阶的频率,此频率根据不同的塔架高度而变化,例如,85米高的塔架tower1st=0.26Hz,100米塔架塔架tower1st=0.24Hz。这里,带通滤波范围仅是示例性的,可以根据实际需求来设置带通滤波范围。
在步骤S206,根据经滤波处理的叶片振动数据来计算叶片振动能量以获得叶片振动有效值。在对叶片振动数据进行滤波处理后,可以根据经滤波处理后的叶片振动数据使用等式(1)来计算叶片振动能量:
其中,T0可以根据设计人员经验进行设置,一般不少于3分钟,例如,T0可以取10分钟,v表示经滤波处理后的叶片振动时间序列(即叶片振动数据)。可以根据计算的叶片振动能量来获得叶片的振动有效值分布。
在步骤S207,按照时间顺序基于叶片振动有效值中的叶片挥舞方向数据和叶片摆振方向数据来获得第一叶片振动趋势,从而获得第一叶片振动故障特征。
作为示例,根据叶片的振动有效值来分别计算叶片挥舞方向和叶片摆振方向上的振动比对数据。
例如,可以按照等式(2)来计算叶片挥舞方向上的振动比对数据:
其中,Vrms_Bf1表示第一叶片的经滤波处理后的挥舞方向数据,Vrms_Bf2表示第二叶片的经滤波处理后的挥舞方向数据,Vrms_Bf3表示第三叶片的经滤波处理后的挥舞方向数据。这里,等式(2)以三个叶片作为示例来计算叶片挥舞方向上的振动比对数据,然而,可以根据风力发电机组具有的叶片数量按照等式(2)类似的方式进行计算。
可以按照等式(3)来计算每个叶片之间的摆振方向上的振动比对数据:
其中,Vrms_Be1表示第一叶片的经滤波处理后的摆振方向数据,Vrms_Be2表示第二叶片的经滤波处理后的摆振方向数据,Vrms_Be3表示第三叶片的经滤波处理后的摆振方向数据。这里,等式(3)以三个叶片作为示例来计算叶片摆振方向上的振动比对数据,然而,可以根据风力发电机组具有的叶片数量按照等式(3)类似的方式进行计算。
在经过叶片之间的比对之后,可以按照时间顺序基于计算的振动比对数据来获得第一叶片振动趋势。例如,图4示出风力发电机组的三个叶片在经过挥舞方向数据和摆振方向数据的比对之后获得的叶片振动趋势。根据第一叶片振动趋势可以获得叶片振动故障特征阈值。
在步骤S208,通过对经滤波处理的叶片振动数据进行快速傅里叶变换来获得峰值频率以及与峰值频率相应的幅值。可以通过对经滤波处理的叶片振动数据进行快速傅里叶变换来获得叶片的频率数据。基于获得的频域数据来获得叶片振动数据中的峰值频率以及与峰值频率相应的幅值。
在步骤S209,按照时间顺序基于峰值频率以及与峰值频率相应的幅值来获得第二叶片振动趋势,从而获得第二叶片振动故障特征。按照时间顺序对相应时间的峰值频率以及与峰值频率相应的幅值进行描绘来获得第二叶片振动趋势。例如,图5示出了风力发电机组的三个叶片在频域上的叶片振动趋势。根据第二叶片振动趋势可以获得叶片振动故障特征阈值。
在步骤S210,设置叶片出现故障时报警阈值。具体地,当风力发电机组与提供机组工况数据的风力发电机组具有相同配置时,使用历史报警阈值。当风力发电机组是新风力发电机组时,使用风力发电机组的机组工况数据和叶片振动数据来计算风力发电机组的报警阈值作为叶片出现故障时的报警阈值。
根据本公开的实施例,如果风力发电机组与提供机组工况数据的风力发电机组具有相同配置,则可以使用历史报警阈值。例如,当风力发电机组与提供机组工况数据的风力发电机组具有相同的叶片型号、发电机型号以及塔架高度等,则可以使用提供机组工况数据的风力发电机组(即历史风力发电机组)的历史故障阈值(即报警阈值)。如果风力发电机组是新风力发电机组,则可以按照上述获得机组故障特征以及叶片振动故障特征的方法通过计算程序自动地确定出新风力发电机组的报警阈值。
在步骤S211,基于机组故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。具体地,当出现机组故障特征或者出现叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,发送报警信息。可选地,当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,发送报警信息。可选地,当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时,发送报警信息。
作为示例,当叶片在运行期间,出现机组故障特征或者出现叶片振动故障特征并且故障特征值达到报警阈值时,可以发送报警信息。例如,当在叶片挥舞方向上任意两个叶片的能量差值≥0.1时,可以向用户发送报警消息,或者在摆振方向上任意两个叶片的能量差值≥0.2时,可以向用户发送报警消息。又例如,任意两个叶片在第二叶片振动趋势中的差值≥0.3时,可以向用户发送报警消息以为用户进行后续操作,例如,对风力发电机组进行停机处理。
可选地,当同时出现机组故障特征和叶片振动故障特征并且故障特征值达到报警阈值时,可以发送报警信息。例如,当在叶片挥舞方向上任意两个叶片的能量差值≥0.1并且任意两个叶片在第二叶片振动趋势中的差值≥0.3时,可以向用户发送报警消息以为用户进行后续操作,例如,对风力发电机组进行停机处理。
可选地,当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时,可以发送报警信息。例如,当在叶片挥舞方向上任意两个叶片的能量差值≥0.1并且任意两个叶片在第二叶片振动趋势中的差值≥0.3,并且随着时间叶片之间的差值越来越大时,可以向用户发送报警消息以为用户进行后续操作,例如,对风力发电机组进行停机处理。
图6是根据本公开的示例性实施例的风力发电机组的叶片故障诊断装置的框图。
参照图6,根据本公开的实施例的构建风力发电机组基础模型的装置600可以包括机组数据处理模块601、叶片振动数据处理模块602和叶片故障诊断模块603。根据本公开的装置600中的每个模块可以由一个或多个模块来实现,并且对应模块的名称可根据装置的类型而变化。在各种实施例中,可以省略装置600中的一些模块,或者还可包括另外的模块。此外,根据本公开的各种实施例的模块可以被组合以形成单个实体,并且因此可等效地执行相应模块在组合之前的功能。
机组数据处理模块601可以基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵。例如,机组数据处理模块601可以通过对机组工况数据进行相关性分析来获得叶片故障时的机组参数特征,并且使用机器学习算法训练机组参数特征来获得机组故障特征矩阵。具体地,机组数据处理模块601基于机组参数特征按照转速对扭矩、加速度、叶片角度以及频率进行分仓处理,根据各个转速下的扭矩和频率来获得三维扭矩故障特征矩阵,根据各个转速下的加速度和频率来获得三维加速度故障特征矩阵,并且根据各个转速下的叶片角度和频率来获得三维叶片角度故障特征矩阵。机组数据处理模块601获得机组故障特征的操作与步骤S204相同,这里不再进行赘述。
叶片振动数据处理模块602可以基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征。具体地,叶片振动数据处理模块602对叶片振动数据进行卡尔曼滤波,以滤除叶片振动数据中的转频数据部分,并且对经卡尔曼滤波的叶片振动数据进行带通滤波。
在经过滤波处理后,叶片振动数据处理模块602根据经滤波处理的叶片振动数据利用等式(1)来计算叶片振动能量,以获得叶片振动有效值,按照时间顺序基于叶片振动有效值中的叶片挥舞方向数据和叶片摆振方向数据来获得第一叶片振动趋势,并且根据第一叶片振动趋势来获得第一叶片振动故障特征,获得的第一叶片振动趋势如图4所示。可以根据第一叶片振动趋势来获得叶片振动故障特征阈值。叶片振动数据处理模块602获得第一叶片振动趋势的操作与步骤S207相同,这里不再进行赘述。
此外,叶片振动数据处理模块602可以通过对经滤波处理的叶片振动数据进行快速傅里叶变换来获得峰值频率以及与峰值频率相应的幅值,按照时间顺序基于峰值频率以及与峰值频率相应的幅值来获得第二叶片振动趋势,并且根据第二叶片振动趋势来获得第二叶片振动故障特征。获得的第二叶片振动趋势如图5所示。可以根据第二叶片振动趋势来获得不同于经由第一叶片振动趋势获得的叶片振动故障特征阈值的另外的叶片振动故障特征阈值。叶片振动数据处理模块602获得第二叶片振动趋势的操作与步骤S209相同,这里不再进行赘述。
叶片故障诊断模块603可以根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。具体地,首先,叶片故障诊断模块603对叶片出现故障时报警阈值进行设置。例如,当风力发电机组与提供机组工况数据的风力发电机组具有相同配置时,叶片故障诊断模块603可以使用历史报警阈值。当风力发电机组是新风力发电机组时,叶片故障诊断模块603使用风力发电机组的机组工况数据和叶片振动数据来计算该风力发电机组的报警阈值作为叶片出现故障时的报警阈值。
叶片故障诊断模块603可以设置多种报警方式。例如,当叶片运行时出现机组故障特征或者出现叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,可以向用户发送报警信息;当叶片运行时同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,可以向用户发送报警信息;当叶片运行时同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时,可以向用户发送报警信息。
作为示例,当时对新风力发电机组的叶片进行故障诊断时,由于叶片故障诊断模块603使用该新风力发电机组的机组工况数据和叶片振动数据来找出该机组的报警阈值,因此,在这种情况下,可以使用同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大这种报警方式进行故障诊断,以减少误报停机次数。
根据本发明公开的示例实施例的风力发电机组的叶片故障诊断方法可被实现为计算机可读记录介质上的计算机可读指令,或者可通过传输介质被发送。计算机可读记录介质是可存储此后可由计算机系统读取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(ROM)、随机存取存储器(RAM)、光盘(CD-ROM)、数字多功能盘(DVD)、磁带、软盘、光学数据存储装置,但不限于此。传输介质可包括通过网络或各种类型的通信信道发送的载波。计算机可读记录介质也可分布于连接网络的计算机系统,从而计算机可读指令以分布方式被存储和执行。
本公开的方法和装置通过模块化的设计和架构具有大批量应用的前景,并且生成成本低、实施操作简单。
尽管已经参照其示例性实施例,具体示出和描述了本发明,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 (20)
1.一种风力发电机组的叶片故障诊断方法,其特征在于,所述方法包括:
基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵;
基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征;
根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断;
其中,机组工况数据包括转速、扭矩、叶片角度、加速度以及频率,
其中,获得机组故障特征矩阵的步骤包括:
按照转速对扭矩、加速度、叶片角度以及频率进行分仓处理;
根据各个转速下的扭矩和频率来获得三维扭矩故障特征矩阵;
根据各个转速下的加速度和频率来获得三维加速度故障特征矩阵;
根据各个转速下的叶片角度和频率来获得三维叶片角度故障特征矩阵。
2.如权利要求1所述的方法,其特征在于,获得机组故障特征矩阵的步骤包括:
通过对机组工况数据进行相关性分析来获得叶片故障时的机组参数特征;
通过使用机器学习算法对机组参数特征进行训练来获得机组故障特征矩阵。
3.如权利要求1所述的方法,其特征在于,获得叶片振动故障特征的步骤包括:
对叶片振动数据进行滤波处理;
基于经滤波处理的叶片振动数据来分别获得第一叶片振动故障特征和第二叶片振动故障特征。
4.如权利要求3所述的方法,其特征在于,获得第一叶片振动故障特征的步骤包括:
根据经滤波处理的叶片振动数据来计算叶片振动能量,以获得叶片振动有效值;
按照时间顺序基于叶片振动有效值中的叶片挥舞方向数据和叶片摆振方向数据来获得第一叶片振动趋势;
根据第一叶片振动趋势来获得第一叶片振动故障特征。
5.如权利要求3所述的方法,其特征在于,获得第二叶片振动故障特征的步骤包括:
通过对经滤波处理的叶片振动数据进行快速傅里叶变换来获得峰值频率以及与峰值频率相应的幅值;
按照时间顺序基于峰值频率以及与峰值频率相应的幅值来获得第二叶片振动趋势;
根据第二叶片振动趋势来获得第二叶片振动故障特征。
6.如权利要求3所述的方法,其特征在于,对叶片振动数据进行滤波处理的步骤包括:
对叶片振动数据进行卡尔曼滤波,以滤除叶片振动数据中的转频数据部分;
对经卡尔曼滤波的叶片振动数据进行带通滤波。
7.如权利要求1所述的方法,其特征在于,根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断的步骤包括设置叶片出现故障时报警阈值。
8.如权利要求7所述的方法,其特征在于,根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断的步骤包括:
当出现机组故障特征或者出现叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,发送报警信息;
或者,当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,发送报警信息;
或者,当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时,发送报警信息。
9.如权利要求7所述的方法,其特征在于,设置叶片出现故障时的报警阈值的步骤包括:
当所述风力发电机组与提供机组工况数据的风力发电机组具有相同配置时,使用历史报警阈值;
当所述风力发电机组是新风力发电机组时,使用所述风力发电机组的机组工况数据和叶片振动数据来计算所述风力发电机组的报警阈值作为叶片出现故障时的报警阈值。
10.一种风力发电机组的叶片故障诊断装置,其特征在于,所述装置包括:
机组数据处理模块,用于基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵;
叶片振动数据处理模块,用于基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征;
叶片故障诊断模块,用于根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断;
其中,机组工况数据包括转速、扭矩、叶片角度、加速度以及频率,
其中,机组数据处理模块用于:
基于机组参数特征按照转速对扭矩、加速度、叶片角度以及频率进行分仓处理;
根据各个转速下的扭矩和频率来获得三维扭矩故障特征矩阵;
根据各个转速下的加速度和频率来获得三维加速度故障特征矩阵;
根据各个转速下的叶片角度和频率来获得三维叶片角度故障特征矩阵。
11.如权利要求10所述的装置,其特征在于,机组数据处理模块用于:
通过对机组工况数据进行相关性分析来获得叶片故障时的机组参数特征;
通过使用机器学习算法对机组参数特征进行训练来获得机组故障特征矩阵。
12.如权利要求10所述的装置,其特征在于,叶片振动数据处理模块用于:
对叶片振动数据进行滤波处理;
基于经滤波处理的叶片振动数据来分别获得第一叶片振动故障特征和第二叶片振动故障特征。
13.如权利要求12所述的装置,其特征在于,叶片振动数据处理模块还用于:
根据经滤波处理的叶片振动数据来计算叶片振动能量,以获得叶片振动有效值;
按照时间顺序基于叶片振动有效值中的叶片挥舞方向数据和叶片摆振方向数据来获得第一叶片振动趋势;
根据第一叶片振动趋势来获得第一叶片振动故障特征。
14.如权利要求12所述的装置,其特征在于,叶片振动数据处理模块还用于:
通过对经滤波处理的叶片振动数据进行快速傅里叶变换来获得峰值频率以及与峰值频率相应的幅值;
按照时间顺序基于峰值频率以及与峰值频率相应的幅值来获得第二叶片振动趋势;
根据第二叶片振动趋势来获得第二叶片振动故障特征。
15.如权利要求12所述的装置,其特征在于,叶片振动数据处理模块还用于:
对叶片振动数据进行卡尔曼滤波,以滤除叶片振动数据中的转频数据部分;
对经卡尔曼滤波的叶片振动数据进行带通滤波。
16.如权利要求10所述的装置,其特征在于,叶片故障诊断模块用于设置叶片出现故障时报警阈值。
17.如权利要求16所述的装置,其特征在于,叶片故障诊断模块还用于:
当出现机组故障特征或者出现叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,发送报警信息;
或者,当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时,发送报警信息;
或者,当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时,发送报警信息。
18.如权利要求16所述的装置,其特征在于,叶片故障诊断模块还用于:
当所述风力发电机组与提供机组工况数据的风力发电机组具有相同配置时,使用历史报警阈值;
当所述风力发电机组是新风力发电机组时,使用所述风力发电机组的机组工况数据和叶片振动数据来计算所述风力发电机组的报警阈值作为叶片出现故障时的报警阈值。
19.一种计算机可读存储介质,存储有程序,其特征在于,所述程序包括用于执行如权利要求1-9中的任一项所述方法的指令。
20.一种计算机,包括存储有计算机程序的可读介质和处理器,其特征在于,当所述处理器运行所述计算机程序时执行如权利要求1-9中的任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811610118.0A CN111400959B (zh) | 2018-12-27 | 2018-12-27 | 风力发电机组的叶片故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811610118.0A CN111400959B (zh) | 2018-12-27 | 2018-12-27 | 风力发电机组的叶片故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111400959A CN111400959A (zh) | 2020-07-10 |
CN111400959B true CN111400959B (zh) | 2024-01-30 |
Family
ID=71430128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811610118.0A Active CN111400959B (zh) | 2018-12-27 | 2018-12-27 | 风力发电机组的叶片故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400959B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114060228B (zh) * | 2020-08-03 | 2023-07-25 | 北京金风科创风电设备有限公司 | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156043A (zh) * | 2010-12-31 | 2011-08-17 | 北京四方继保自动化股份有限公司 | 风力发电机组在线状态监测与故障诊断系统 |
CN104595112A (zh) * | 2013-10-30 | 2015-05-06 | 通用电气公司 | 风力涡轮机及评估其上叶片健康状态的方法 |
CN105179179A (zh) * | 2015-07-15 | 2015-12-23 | 北京汉能华科技股份有限公司 | 一种风力发电机组的全状态监测方法和系统 |
CN105510038A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016008987B4 (de) * | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
-
2018
- 2018-12-27 CN CN201811610118.0A patent/CN111400959B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156043A (zh) * | 2010-12-31 | 2011-08-17 | 北京四方继保自动化股份有限公司 | 风力发电机组在线状态监测与故障诊断系统 |
CN104595112A (zh) * | 2013-10-30 | 2015-05-06 | 通用电气公司 | 风力涡轮机及评估其上叶片健康状态的方法 |
CN105179179A (zh) * | 2015-07-15 | 2015-12-23 | 北京汉能华科技股份有限公司 | 一种风力发电机组的全状态监测方法和系统 |
CN105510038A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
Non-Patent Citations (2)
Title |
---|
The structure healthy condition monitoring and fault diagnosis methods in wind turbines:A review;W.Y.Liu 等;ELSEVIER;全文 * |
航空发动机故障融合诊断研究;陈曦 等;航空发动机;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111400959A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7677869B2 (en) | Monitoring and data processing equipment for wind turbines and predictive maintenance system for wind power stations | |
CN105756864B (zh) | 基于双馈风力发电机组定子电流的桨叶不平衡故障诊断方法 | |
EP1531376B1 (en) | Monitoring and data processing equipment for wind turbines and predictive maintenance system for wind power stations | |
EP3631205A1 (en) | Wind turbine fault detection using acoustic, vibration, and electrical signals | |
CN110905732B (zh) | 风电机组风轮不平衡的辨识方法、系统及储存介质 | |
CN104075795A (zh) | 用于监测风力发电机组的叶轮振动状态的方法和系统 | |
CN102165187B (zh) | 用于估计和控制风轮机效率的系统 | |
CN105065212B (zh) | 一种风电场风电机组校验方法及系统 | |
DK201470500A1 (en) | Methods and systems for detecting wind turbine rotor blade damage | |
CN104564542B (zh) | 一种基于大数据技术的故障诊断系统及其诊断方法 | |
CN112834224B (zh) | 一种核电汽轮发电机健康状态评估方法及系统 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN108278184B (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
KR102226971B1 (ko) | 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치 | |
CN111400959B (zh) | 风力发电机组的叶片故障诊断方法及装置 | |
He et al. | Enhanced wind turbine main drivetrain gearbox and bearing monitoring and diagnostics via information fusion of acoustic, electrical, and vibration signatures | |
CN110334562B (zh) | 轴承振动运行状态预测模型训练方法及预测方法、装置 | |
CN106368900A (zh) | 风力发电机组传动链振动抑制方法、装置、系统以及机组 | |
Xing et al. | Detection of magnitude and position of rotor aerodynamic imbalance of wind turbines using Convolutional Neural Network | |
KR101468627B1 (ko) | 풍력발전기 데이터 분류 시스템 | |
CN115829411A (zh) | 一种海上风电机组运行状态评估方法及评估系统 | |
CN113218653B (zh) | 一种基于消除低频扰动的海上风电齿轮箱监测方法及装置 | |
CN113285471B (zh) | 海上风电场次超同步振荡源感知与定位方法、装置及设备 | |
US11168669B2 (en) | Method, apparatus and system for wind converter management | |
Cohal et al. | Fault Detection and Isolation of a Wind Turbine |
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 |