CN113994088A - 用于对风涡轮机的部件进行计算机实现的监测的方法 - Google Patents

用于对风涡轮机的部件进行计算机实现的监测的方法 Download PDF

Info

Publication number
CN113994088A
CN113994088A CN202080041564.3A CN202080041564A CN113994088A CN 113994088 A CN113994088 A CN 113994088A CN 202080041564 A CN202080041564 A CN 202080041564A CN 113994088 A CN113994088 A CN 113994088A
Authority
CN
China
Prior art keywords
component
wind turbine
vibration signal
machine learning
learning model
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.)
Pending
Application number
CN202080041564.3A
Other languages
English (en)
Inventor
N·L·彼得森
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.)
Siemens Gamesa Renewable Energy AS
Original Assignee
Siemens Gamesa Renewable Energy AS
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 Siemens Gamesa Renewable Energy AS filed Critical Siemens Gamesa Renewable Energy AS
Publication of CN113994088A publication Critical patent/CN113994088A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • F03D15/00—Transmission of mechanical power
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • F05B2240/00—Components
    • F05B2240/50—Bearings
    • 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
    • F05B2260/84—Modelling or simulation
    • 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
    • F05B2270/334—Vibration measurements
    • 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
    • F05B2270/70—Type of control algorithm
    • F05B2270/709—Type of control algorithm with neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37351—Detect vibration, ultrasound

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Wind Motors (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种用于对风涡轮机的部件进行计算机实现的监测的方法。本发明涉及一种用于对风涡轮机的部件进行计算机实现的监测的方法，其中所述风涡轮机是第一风涡轮机（1）并且所述部件是第一部件（6，7，8），并且其中所述方法访问已训练机器学习模型（ML），所述已训练机器学习模型（ML）已被训练用于一个或多个第二风涡轮机（1'）的相同类型的一个或多个第二部件（6'，7'，8'）。所述已训练机器学习模型（ML）被配置为通过处理在第二风涡轮机（1'）的操作期间在第二部件（6'，7'，8'）附近测量的、预定域中的振动信号（VS'）来提供指代发生在第二风涡轮机（1'）的第二部件（6'，7'，8'）处的预定故障（FT）的输出（OU）。在步骤i）中，提供在第一风涡轮机（1）的操作期间在第一部件（6，7，8）附近测量的、所述预定域中的振动信号（VS）。在步骤ii）中，基于第一部件（6，7，8）的一个或多个给定运动学参数（KP1）和第二部件（6'，7'，8'）的一个或多个给定运动学参数（KP2），振动信号（VS）被映射到对第二部件（6'，7'，8'）有效的对应振动信号（VS'）。在步骤iii）中，机器学习模型（ML）被应用于对第二部件（6'，7'，8'）有效的振动信号（VS'），导致指代发生在第一部件（6，7，8）处的所述预定故障（FT）的输出（OU）。

Description

用于对风涡轮机的部件进行计算机实现的监测的方法
技术领域
本发明涉及（refer to）一种用于对风涡轮机的部件进行计算机实现的监测的方法和设备。另外，本发明涉及一种对应计算机程序产品和一种对应计算机程序。
背景技术
本发明涉及基于振动分析的、针对风涡轮机内的部件的故障检测的领域。从现有技术已知使用机器学习模型（比如，神经网络），以便检测风涡轮机中的故障。这种机器学习模型接收风涡轮机中的被监测部件的振动信号作为输入，并且提供指示发生在该部件中的特定故障的存在或不存在的输出。
用于检测特定故障的机器学习模型需要通过合适的训练数据而被训练，所述合适的训练数据包括故障数据，即当在风涡轮机内发生特定故障时存在的振动信号。然而，这种故障数据很少见，或者需要基于昂贵的测试台而被产生，在所述测试台处故障（例如，损坏）被引入到将要被监测的部件。此外，为一个涡轮机类型训练的机器学习模型仅在用于监测这个涡轮机类型而非其它涡轮机类型时具有良好的性能。
发明内容
本发明的目的是能够通过使用已为除被监测风涡轮机之外的另一类型的一个或多个风涡轮机训练的机器学习模型来实现对风涡轮机的部件的监测。
这个目的由根据权利要求1所述的方法和根据权利要求8所述的设备实现。在从属权利要求中定义本发明的优选施例。本发明的方法能够实现对风涡轮机的部件的计算机实现的监测。具有被监测部件的风涡轮机被指定为第一风涡轮机，并且被监测部件被指定为第一部件。所述方法访问已经训练的机器学习模型，所述已经训练的机器学习模型已被训练用于一个或多个第二风涡轮机的相同类型的一个或多个第二部件，所述一个或多个第二风涡轮机是除第一风涡轮机之外的另一类型的风涡轮机。即，训练数据是来自所述一个或多个第二部件的操作数据。在优选实施例中，所述一个或多个第二风涡轮机的所述一个或多个第二部件中的每个第二部件具有与第一风涡轮机的第一部件的功能等同的功能。然而，第二部件的功能和第一部件的功能也可以是不同的。这种差异由以下描述的步骤ii）的映射反映。例如，第一部件可指代（refer to）行星齿轮，而第二部件的类型是高速小齿轮（pinion）。
已训练机器学习模型被配置为通过处理在第二风涡轮机的操作期间在第二部件附近测量的、预定域中的振动信号来提供指代发生在第二风涡轮机的第二部件处的预定故障的输出。这个第二部件能够是所述一个或多个第二部件之中的任何第二部件。在以下描述的步骤ii）中，参照这个第二部件。已训练机器学习模型可以是已使用包括振动信号的训练数据通过机器学习而训练的任何已知数据驱动模型。根据情况，机器学习可以是监督学习或无监督学习。在监督学习中，对于训练数据集的振动信号，知道是否存在所述预定故障。对于无监督学习，情况并非如此。
在根据本发明的方法的步骤i）中，提供在第一风涡轮机的操作期间在第一部件附近测量（正在测量或已测量）的所述预定域中的振动信号。测量那些振动信号的过程可以是步骤i）的一部分。然而，也可能的是：振动信号已被预先测量并且存储，从而步骤i）仅包括读取已被先前测量并且存储的振动信号的步骤。在步骤i）中提供的振动信号基于一个或多个振动传感器的输出。然而，振动信号不需要直接指代传感器输出，而是指代从这些输出获得的信号。特别地，可通过变换（例如，傅里叶变换）而从传感器输出获得振动信号。
在根据本发明的方法的步骤ii）中，基于第一部件的一个或多个给定运动学参数和第二部件的一个或多个给定运动学参数，振动信号被映射到对第二部件有效的对应振动信号。
在根据本发明的方法的步骤iii）中，机器学习模型被应用于在步骤ii）中确定的对第二部件有效的振动信号。由于步骤ii）中的映射，这将会导致指代发生在第一部件处的所述预定故障的输出。这个输出可被存储在存储装置中，和/或可被提供在用户界面（例如，显示器）上，以便向用户通知故障的发生。
本发明基于这样的发现：通过考虑不同部件的运动学，不同部件的振动信号能够被映射到彼此。因此，应用于映射的振动信号的机器学习模型将会提供针对被监测涡轮机的振动信号的正确输出。发明人发现：不管映射的类型如何，假如能够发现振动信号的映射，则能够实现良好结果。然而，在第一部件的振动信号和第二部件的振动信号之间使用线性映射的情况下，能够实现特别好的结果。
在特别地优选的实施例中，在步骤i）中提供的振动信号在频域中被确定，即振动信号包括振动的频谱。然而，振动信号还可在公知的倒谱域（cepstrum-domain）或任何其它域中被提供。
在本发明的另一优选实施例中，所述第一部件的所述一个或多个给定运动学参数由与第二部件的所述一个或多个给定运动学参数相同的函数类型但以不同函数参数描述。
在本发明的另一变型中，第一部件的所述一个或多个给定运动学参数是在所述预定故障发生的情况下在第一部件附近测量的振动信号内所包含的所述预定域内的一个或多个特定值。类似地，第二部件的所述一个或多个给定运动学参数是在所述预定故障发生的情况下在第二部件附近测量的振动信号内所包含的所述预定域内的一个或多个特定值。例如，所述一个或多个特定值可指代频域中的特定频率或倒谱域中的对应值。预先已知：特定故障与这种特定值关联。
在另一优选实施例中，被监测的部件是被监测风涡轮机的传动系统的一部分。例如，该部件可指代支撑转子的轴承或指代变速箱或指代提供由风涡轮机产生的电功率的发电机。
在另一优选实施例中，所述预定故障指代齿轮的损坏或者轴承座圈的损坏或者滚珠或滚柱轴承中的滚珠或滚柱的损坏。这些元件可例如被包括在风涡轮机中的传动系统的以上部件之一中。
在本发明的另一优选变型中，机器学习模型基于一个或多个神经网络或主分量分析。然而，也可使用任何其它机器学习模型。
除以上方法之外，本发明还涉及一种用于监测风涡轮机的部件的设备，其中所述设备包括用于执行上述步骤i）的装置、用于执行上述步骤ii）的装置和用于执行上述步骤iii）的装置。用于执行步骤i）的装置可包括用于获取振动信号的测量装置。即，该装置可包括一个或多个振动传感器。然而，在振动信号已被预先存储的情况下，该装置可仅被实现为用于从存储装置读取振动信号的装置。这种类型的装置被用在如以下所定义的计算机程序产品和计算机程序内。
本发明的设备优选地被配置为执行根据本发明的方法的一个或多个优选实施例。
本发明还涉及一种计算机程序产品，所述计算机程序产品具有存储在非暂态机器可读载体上的程序代码，当在计算机上执行所述程序代码时，所述程序代码用于执行本发明的方法或这种方法的一个或多个优选实施例。
另外，本发明涉及一种计算机程序，所述计算机程序具有程序代码，当在计算机上执行所述程序代码时，所述程序代码用于执行根据本发明的方法或这种方法的一个或多个优选实施例。
附图说明
在下面，将针对附图描述本发明的实施例，其中
图1示出由本发明的实施例监测的风涡轮机的示例；
图2示出风涡轮机，基于该风涡轮机，已训练用于监测图1的涡轮机的机器学习模型；
图3是示出根据本发明的实施例的方法的步骤的流程图；和
图4是说明用于执行图3中示出的方法的部件的示图。
具体实施方式
如下面所描述的方法被用于监测风涡轮机中的部件。这种风涡轮机的示例被示出在图1中。风涡轮机利用标号1来指定，并且包括塔架2，在塔架2的顶上布置机舱3。机舱被连接到具有轮毂4的转子，三个旋转叶片5被附连在轮毂4。用于风涡轮机的传动系统被容纳在机舱3内。在图1的实施例中，这个传动系统包括用于支撑转子的轮毂的主轴承6以及用于将由转子的旋转产生的机械功率转换成电功率的发电机8和变速箱7。在机舱3内，提供三个振动传感器9、10和11。振动传感器9被定位为与轴承6相邻，振动传感器10被定位为与变速箱7相邻，并且振动传感器11被定位为与发电机8相邻。本发明不限于使用正好三个振动传感器。即，在其它实施例中，可使用更高或更低数量的振动传感器。
在本文中描述的实施例中，通过处理由与传动系统的部件6至8之一相邻的传感器检测的振动信号来监测该部件。然而，在下面描述的方法可被用于部件6至8中的每个部件，从而机舱内的全部部件被监测。在另一实施例中，检测相应部件的振动的几个振动传感器的信号可被用于监测相应部件。在不损失一般性的情况下，本发明在下面被描述用于基于传感器10的振动信号来监测变速箱7。
作为在本文中描述的方法的先决条件，已经存在预先训练的机器学习模型。已通过来自除涡轮机1之外的另一涡轮机的训练数据来训练这个机器学习模型。这个涡轮机被示出在图2中，并且利用标号1'来指定。该涡轮机与图1中的涡轮机具有相同的部件。然而，涡轮机1'是除涡轮机1之外的另一类型的涡轮机，该涡轮机通过对图2中的涡轮机的元件使用撇号来指示。涡轮机1'可以是与涡轮机1具有相同的构造但来自另一制造商的涡轮机。在修改的实施例中，机器学习模型已基于来自相同类型的几个涡轮机1'的训练数据而被训练。
对于涡轮机1'，上述机器学习模型已基于传感器10'的振动信号而被训练，其中已知所述振动信号是否指代特定故障（以及特别地，特定损坏）存在于变速箱7'内的风涡轮机1'的操作。训练基于大量训练数据集，所述大量训练数据集包括指代伴随有变速箱7'内的特定故障的操作的相当大量振动信号。根据情况，机器学习模型能够被训练用于不同的故障类型。例如，故障类型可指代齿轮的损坏或者轴承的内座圈或外座圈的损坏或者轴承的滚珠或滚柱的损坏。机器学习模型被训练用于这种特定故障类型之一。
在优选实施例中，机器学习模型指代神经网络。然而，可使用其它机器学习模型，例如主分量分析。机器学习模型可通过任何合适的学习方法而被训练。在本文中描述的实施例中，学习方法基于监督学习，其中训练数据包括用于相应训练数据集的、故障是否存在于变速箱中的信息。然而，机器学习模型也可结合基于无监督学习的训练而被使用。
为了使用针对涡轮机1'的已训练机器学习方法，振动传感器10'的振动信号在风涡轮机1'的操作期间被输入到模型中，导致指示特定故障的输出。根据情况，该输出可使得它指示故障是否存在。然而，该输出还可以是针对特定故障的存在的概率。
本发明的构思是：虽然针对另一风涡轮机1'执行了已训练机器学习模型的训练，但能够实现基于该模型的涡轮机1的监测。通过考虑到针对涡轮机1和1'二者的运动学参数的合适的映射来实现这一点。将在下面针对图3和图4描述这一点。
图3示出说明用于监测涡轮机1的变速箱7的本发明的实施例的流程图。在步骤S1中，源于传感器10的振动信号VS被记录。振动信号不需要指代直接传感器输出，而是可以是预处理的信号。在本文中描述的实施例中，振动信号是在已应用傅里叶变换之后的传感器数据，即振动信号是频域内的信号。
在步骤S2中，通过映射到振动信号VS'来转换对涡轮机1的传感器10有效的振动信号VS，振动信号VS'是在变速箱7和7'二者的操作状态相同的情况下原本将会发生在涡轮机1'中的振动信号。即，在振动信号VS指代变速箱7内的故障的情况下，如果振动信号VS'被检测到，则这个故障也将会存在于变速箱7'中。为了执行映射，使用针对风涡轮机1的运动学参数KP1和针对涡轮机1'的运动学参数KP2的知识。运动学参数KP1指代正被监测的部件7和特定故障。类似地，运动学参数KP2指代正被监测的部件7'和特定故障。
在下面，描述从VS到VS'的映射的示例。作为用于涡轮机1和1'二者的运动学参数，使用发生于特定故障的所谓的损坏频率。那些损坏频率是预先已知的，并且能够由下面的公式表示：
Figure 622825DEST_PATH_IMAGE001
频率fc和fm完全由相应部件7和7'的运动学以及轴的旋转速度来描述。在以上公式中，fc代表在齿轮的损坏是特定故障的情况下的齿轮啮合（gearmesh）频率。类似地，fc可指代在指代内座圈或外座圈中的裂缝的特定故障的情况下的这些座圈的频率，或者它可指代在指代滚珠/滚柱轴承内的滚珠或滚柱的特定故障的情况下的滚珠或滚柱旋转频率。频率fc是已知的，但对于部件7和7'而言是不同的。另外，以上公式中的fm代表当特定故障发生时存在的已知边带频率。类似于频率fc，频率fm是已知的，但对于部件7和7'而言是不同的。此外，n、z是整数。
在下面，发生在风涡轮机1的变速箱7中的频率由索引A指定，而发生在风涡轮机1'的变速箱7'中的频率被指定为B。换句话说，索引A指代部件7，并且索引B指代部件7'。
在本文中描述的实施例中，线性映射
Figure 976446DEST_PATH_IMAGE002
被用于将振动信号VS转换成振动信号VS'。即，该映射由函数T （x） = ax + b描述。然而，在能够找到对应映射的情况下，除线性映射之外的其它映射也提供良好结果。
使用以上公式（1），用于变速箱7和7'的运动学参数如下：
Figure 774638DEST_PATH_IMAGE003
基于以上方程，参数a和b应该被确定，以使得
Figure 973538DEST_PATH_IMAGE004
。因此，下面的表达式适用：
Figure 642417DEST_PATH_IMAGE005
为了确定a和b，下面的两个方程（i）和（ii）被求解：
Figure 166939DEST_PATH_IMAGE006
求解方程（ii）将会提供参数a如下：
Figure DEST_PATH_IMAGE007
求解方程（i）将会提供参数b如下：
Figure 921268DEST_PATH_IMAGE008
以上映射取决于n。在频域内获得该映射。然而，还可针对公知的倒谱域以相同方式获得该映射。
基于映射T，振动信号VS在步骤S2中被转换成振动信号VS'，如图3中所示。在下一步骤S3中，振动信号VS'被作为输入数据提供给已训练机器学习模型，所述已训练机器学习模型在图3中被指定为ML。如上所述，机器学习模型提供指示特定故障的输出，其中这个故障在图3中被指定为FT。因此，当将机器学习模型ML应用于振动信号VS'时，产生指代故障FT的输出OU。虽然该机器学习模型已被训练用于另一风涡轮机1'中的不同的变速箱7'，但由于映射，这个输出将会指示在风涡轮机1的变速箱7内是否存在故障。
如前面所描述的本发明基于这样的知识：旋转机器的振动信号的特征在于能够由机器部件的运动学解释的振幅和频率的变化。当异常发生时，这些特性变化。因此，故障或损坏类型具有能够由部件运动学描述的振动模式。因此，对于每个故障类型，使用一个部件和另一部件两者的运动学，来自所述一个部件的振动信号能够被映射到所述另一部件。
图4示出用于执行针对图3描述的方法的设备。所述设备包括提供振动信号VS的装置M1。在本文中描述的实施例中，装置M1包括检测振动的振动传感器10。然而，在修改的实施例中，振动传感器不是所述设备的一部分。在这种情况下，振动信号已被预先获取并且存储，并且装置M1仅访问存储装置以取得振动信号。为了实现这一点，装置M1是在计算机上实现的计算机程序的一部分。这种计算机程序还包括在下面描述的装置M2和M3。
装置M2执行如图3的步骤S2中所示的映射。由这种映射产生的振动信号VS'由装置M3处理，装置M3执行图3的步骤S3。即，机器学习模型ML被实现在装置M3中，并且通过将这个模型应用于振动信号VS'，产生指示特定故障的输出OU。这个输出可被存储在存储装置中，和/或可被提供在用户界面（例如，显示器）上，以便向用户通知故障的发生。
上述实施例具有几个优点。特别地，预先训练的机器学习模型能够被用于监测除已针对其训练机器学习模型的风涡轮机之外的风涡轮机。通过基于针对被监测风涡轮机和用于训练机器学习模型的风涡轮机的已知运动学参数的合适的映射，能够实现这一点。由于使用预先训练的机器学习方法，不需要开发用于新的风涡轮机的故障检测算法。此外，本发明的方法人工地产生新的训练数据，并且允许新的机器学习算法的进一步开发和设计。

Claims (11)

1.一种用于对风涡轮机的部件进行计算机实现的监测的方法，其中所述风涡轮机是第一风涡轮机（1）并且所述部件是第一部件（6，7，8），并且其中所述方法访问已训练机器学习模型（ML），所述已训练机器学习模型（ML）已被训练用于一个或多个第二风涡轮机（1'）的相同类型的一个或多个第二部件（6'，7'，8'），所述一个或多个第二风涡轮机（1'）是除第一风涡轮机（1）之外的另一类型的风涡轮机，其中所述已训练机器学习模型（ML）被配置为通过处理在第二风涡轮机（1'）的操作期间在第二部件（6'，7'，8'）附近测量的、预定域中的振动信号（VS'）来提供指代发生在第二风涡轮机（1'）的第二部件（6'，7'，8'）处的预定故障（FT）的输出（OU），所述方法包括下述步骤：
i）提供在第一风涡轮机（1）的操作期间在第一部件（6，7，8）附近测量的、所述预定域中的振动信号（VS）；
ii）基于第一部件（6，7，8）的一个或多个给定运动学参数（KP1）和第二部件（6'，7'，8'）的一个或多个给定运动学参数（KP2），将振动信号（VS）映射到对第二部件（6'，7'，8'）有效的对应振动信号（VS'）；
iii）将机器学习模型（ML）应用于对第二部件（6'，7'，8'）有效的振动信号（VS'），导致指代发生在第一部件（6，7，8）处的所述预定故障（FT）的输出（OU）。
2.根据权利要求1所述的方法，其中所述预定域是频域或倒谱域。
3.根据权利要求1或2所述的方法，其中所述第一部件（6，7，8）的所述一个或多个给定运动学参数（KP1）由与第二部件（6'，7'，8'）的所述一个或多个给定运动学参数（KP2）相同的函数类型但以不同函数参数描述。
4.根据前面权利要求之一所述的方法，其中所述第一部件（6，7，8）的所述一个或多个给定运动学参数（KP1）是在所述预定故障（FT）发生的情况下在第一部件（6，7，8）附近测量的振动信号（VS）内所包含的所述预定域内的一个或多个特定值，并且其中第二部件（6'，7'，8'）的所述一个或多个给定运动学参数（KP2）是在所述预定故障（FT）发生的情况下在第二部件（6'，7'，8'）附近测量的振动信号（VS'）内所包含的所述预定域内的一个或多个特定值。
5.根据前面权利要求之一所述的方法，其中被监测的部件是风涡轮机（1）的一部分或传动系统。
6.根据前面权利要求之一所述的方法，其中所述预定故障（FT）指代齿轮的损坏或者轴承座圈的损坏或者滚珠或滚柱轴承中的滚珠或滚柱的损坏。
7.根据前面权利要求之一所述的方法，其中所述机器学习模型（ML）基于一个或多个神经网络或者主分量分析。
8.一种用于监测风涡轮机的部件的设备，其中所述风涡轮机是第一风涡轮机（1）并且所述部件是第一部件（6，7，8），并且其中所述方法访问已训练机器学习模型（ML），所述已训练机器学习模型（ML）已被训练用于一个或多个第二风涡轮机（1'）的相同类型的一个或多个第二部件（6'，7'，8'），所述一个或多个第二风涡轮机（1'）是除第一风涡轮机（1）之外的另一类型的风涡轮机，其中所述已训练机器学习模型（ML）被配置为通过处理在第二风涡轮机（1'）的操作期间在第二部件（6'，7'，8'）附近测量的、预定域中的振动信号（VS'）来提供指代发生在第二风涡轮机（1'）的第二部件（6'，7'，8'）处的预定故障（FT）的输出（OU），其中设备包括：
-用于提供在第一风涡轮机（1）的操作期间在第一部件（6，7，8）附近测量的、所述预定域中的振动信号（VS）的装置（M1）；
-用于基于第一部件（6，7，8）的一个或多个给定运动学参数（KP1）和第二部件（6'，7'，8'）的一个或多个给定运动学参数（KP2）将振动信号（VS）映射到对第二部件（6'，7'，8'）有效的对应振动信号（VS'）的装置（M2）；
-装置（M3），用于将机器学习模型（ML）应用于对第二部件（6'，7'，8'）有效的振动信号（VS'），导致指代发生在第一部件（6，7，8）处的所述预定故障（FT）的输出（OU）。
9.根据权利要求8所述的设备，其中所述设备被配置为执行根据权利要求2至7之一所述的方法。
10.一种计算机程序产品，具有存储在非暂态机器可读载体上的程序代码，当在计算机上执行所述程序代码时，所述程序代码用于执行根据权利要求1至8之一所述的方法。
11.一种计算机程序，具有程序代码，当在计算机上执行所述程序代码时，所述程序代码用于执行根据权利要求1至7之一所述的方法。
CN202080041564.3A 2019-06-06 2020-06-02 用于对风涡轮机的部件进行计算机实现的监测的方法 Pending CN113994088A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19178834.8A EP3748154A1 (en) 2019-06-06 2019-06-06 A method for computer-implemented monitoring of a compo-nent of a wind turbine
EP19178834.8 2019-06-06
PCT/EP2020/065196 WO2020245108A1 (en) 2019-06-06 2020-06-02 A method for computer-implemented monitoring of a component of a wind turbine

Publications (1)

Publication Number Publication Date
CN113994088A true CN113994088A (zh) 2022-01-28

Family

ID=66999550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080041564.3A Pending CN113994088A (zh) 2019-06-06 2020-06-02 用于对风涡轮机的部件进行计算机实现的监测的方法

Country Status (5)

Country Link
US (1) US20220228569A1 (zh)
EP (2) EP3748154A1 (zh)
CN (1) CN113994088A (zh)
DK (1) DK3953580T3 (zh)
WO (1) WO2020245108A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910570B (zh) * 2023-09-13 2023-12-15 华能新能源股份有限公司山西分公司 一种基于大数据的风电机组故障监测预警方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105510038B (zh) * 2015-12-31 2018-07-27 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

Also Published As

Publication number Publication date
US20220228569A1 (en) 2022-07-21
EP3953580A1 (en) 2022-02-16
EP3953580B1 (en) 2023-10-25
EP3748154A1 (en) 2020-12-09
DK3953580T3 (da) 2023-11-20
WO2020245108A1 (en) 2020-12-10

Similar Documents

Publication Publication Date Title
US11441940B2 (en) Condition monitoring apparatus, condition monitoring system, and condition monitoring method
CN103857995B (zh) 用于变速箱的状态监控的方法和系统
Zappalá et al. Side‐band algorithm for automatic wind turbine gearbox fault detection and diagnosis
Yoon et al. On the use of a single piezoelectric strain sensor for wind turbine planetary gearbox fault diagnosis
US10495693B2 (en) Wind turbine fault detection using acoustic, vibration, and electrical signals
US10725439B2 (en) Apparatus and method for monitoring a device having a movable part
US10337958B2 (en) Bearing device vibration analysis method, bearing device vibration analyzer, and rolling bearing condition monitoring system
WO2015015987A1 (ja) 軸受装置の振動解析方法、軸受装置の振動解析装置、および転がり軸受の状態監視装置
KR102120756B1 (ko) 실시간 진동 분석을 이용한 회전기계의 자동진단방법
MX2014014577A (es) Metodos y aparatos para el diagnostico de defectos en un sistema mecanico.
CN103140672A (zh) 在风力发电厂中执行状况监测的方法
US10895873B2 (en) Machine health monitoring of rotating machinery
Elforjani et al. Analysis of extremely modulated faulty wind turbine data using spectral kurtosis and signal intensity estimator
CN105579702A (zh) 监视系统和监视方法
Senanayaka et al. Multiple fault diagnosis of electric powertrains under variable speeds using convolutional neural networks
CN113916535B (zh) 基于时频和cnn的轴承诊断方法、系统、设备及介质
KR20210010123A (ko) 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치
CN113994088A (zh) 用于对风涡轮机的部件进行计算机实现的监测的方法
Koukoura et al. Wind turbine intelligent gear fault identification
CN112177865A (zh) 一种用于解决风机故障检测中标记噪音和标记不足的方法
Cao et al. Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator
JP6192414B2 (ja) 転がり軸受の状態監視装置
CN116499742A (zh) 一种基于集成学习的旋转机械故障监测方法
JP6869156B2 (ja) 状態監視装置および状態監視方法
KR101752298B1 (ko) 회전익 진동 기반 건전성 감시 장치 및 이를 이용하는 감시 방법

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