CN114061743A - 风力发电机组的振动监测方法、装置、设备及介质 - Google Patents
风力发电机组的振动监测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114061743A CN114061743A CN202010767965.9A CN202010767965A CN114061743A CN 114061743 A CN114061743 A CN 114061743A CN 202010767965 A CN202010767965 A CN 202010767965A CN 114061743 A CN114061743 A CN 114061743A
- Authority
- CN
- China
- Prior art keywords
- vibration
- wind generating
- target
- generating set
- parameter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 139
- 238000001514 detection method Methods 0.000 claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 60
- 238000010977 unit operation Methods 0.000 claims description 32
- 230000001133 acceleration Effects 0.000 claims description 24
- 238000012806 monitoring device Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 20
- 230000002159 abnormal effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000010248 power generation Methods 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/187—Machine fault alarms
Abstract
本发明公开了一种风力发电机组的振动监测方法、装置、设备及介质。其中,该风力发电机组的振动监测方法包括:获取多个风力发电机组中的目标风力发电机组在预设时间段内的检测数据,检测数据包括机组振动数据和机组运行数据;对检测数据进行振动分析,得到目标风力发电机组对应的多个振动评价参数;获取多个预设参数阈值,一个预设参数阈值对应一个振动评价参数;在多个振动评价参数中存在第一目标参数的情况下,向目标风力发电机组发送第一类预警信息,第一目标参数为大于对应的预设参数阈值的振动评价参数。根据本发明实施例,能够实时地对风力发电机组进行振动监测,以实时地对风力发电机组进行控制保护和控制优化。
Description
技术领域
本发明属于风力发电技术领域,尤其涉及一种风力发电机组的振动监测方法、装置、设备及介质。
背景技术
风力发电机组是一个长期处于空气动力学和机械动力学状态下的运动系统,因此带来的机组振动就不可避免并时刻发生。机组振动会对风力发电机组主要部件运行的可靠性及稳定性产生影响,因此,为了使风力发电机组能够安全、稳定、长周期、满负荷运行,需及时了解风力发电机组的振动状态,以对风力发电机组不定周期、不断变化载荷的运行工况及时的把控。
在相关技术中,一般利用离线振动数据对风力发电机组的振动状态进行分析,进而无法利用分析结果实时地对风力发电机组进行控制保护和控制优化。
发明内容
本发明实施例提供一种风力发电机组的振动监测方法、装置、设备及介质,能够实时地对风力发电机组进行振动监测,以实时地对风力发电机组进行控制保护和控制优化。
第一方面,本发明实施例提供了一种风力发电机组的振动监测方法,包括:
获取多个风力发电机组中的目标风力发电机组在预设时间段内的检测数据;其中,检测数据包括机组振动数据和机组运行数据;
对检测数据进行振动分析,得到目标风力发电机组对应的多个振动评价参数;
获取多个预设参数阈值;其中,一个预设参数阈值对应一个振动评价参数;
在多个振动评价参数中存在第一目标参数的情况下,向目标风力发电机组发送第一类预警信息;其中,第一目标参数为大于对应的预设参数阈值的振动评价参数。
第二方面,本发明实施例提供了一种风力发电机组的振动监测装置,包括:
第一获取模块,用于获取多个风力发电机组中的目标风力发电机组在预设时间段内的检测数据;其中,检测数据包括机组振动数据和机组运行数据;
第一分析模块,用于对检测数据进行振动分析,得到目标风力发电机组对应的多个振动评价参数;
第二获取模块,用于获取多个预设参数阈值;其中,一个预设参数阈值对应一个振动评价参数;
第一发送模块,用于在多个振动评价参数中存在第一目标参数的情况下,向目标风力发电机组发送第一类预警信息;其中,第一目标参数为大于对应的预设参数阈值的振动评价参数。
第三方面,本发明实施例提供了一种风力发电机组的振动监测设备,包括:
处理器;
存储器,存储有计算机程序,当计算机程序被处理器执行时,实现如第一方面所述的风力发电机组的振动监测方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面所述的风力发电机组的振动监测方法。
本发明实施例的风力发电机组的振动监测方法、装置、设备及介质,能够在目标风力发电机组的运行过程中,每个预设时间段即获取目标风力发电机组在预设时间段内的检测数据,并且对检测数据进行振动分析,得到目标风力发电机组对应的多个振动评价参数,进而实时地对目标风力发电机组进行振动监测,同时,在监测到多个振动评价参数中存在大于对应的预设参数阈值的第一目标参数的情况下,能够向目标风力发电机组发送第一类预警信息,以实时地对风力发电机组进行控制保护和控制优化。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的风力发电机组的振动监测系统的结构示意图;
图2是本发明另一个实施例提供的风力发电机组的振动监测系统的结构示意图;
图3是本发明一个实施例提供的风力发电机组的振动监测方法的流程示意图;
图4是本发明一个实施例提供的频域分析过程的流程示意图;
图5是本发明一个实施例提供的振动监测控制过程的流程示意图;
图6是本发明一个实施例提供的风力发电机组的振动监测装置的结构示意图;
图7是本发明一个实施例提供的风力发电机组的振动监测设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
风力发电机组是一个长期处于空气动力学和机械动力学状态下的运动系统,因此带来的机组振动就不可避免并时刻发生。机组振动会对风力发电机组主要部件运行的可靠性及稳定性产生影响,因此,为了使风力发电机组能够安全、稳定、长周期、满负荷运行,需及时了解风力发电机组的振动状态,以对风力发电机组不定周期、不断变化载荷的运行工况及时的把控。
在相关技术中,受限于风力发电机组的主控制器可编程逻辑控制器(Programmable Logic Controller,PLC)的中央处理器(Central Processing Unit,CPU)、内存、存储器等运行资源,很难实时对大量的机组振动数据进行高频运算,因此,风力发电机组的主控制器一般与云服务器通信,并在云服务器端通过有经验的专家对机组振动数据进行分析以及对风力发电机组的历史振动趋势进行分析。
出于风电场网络安全的考虑,机组振动数据一般需要通过授权后人工定期收集,云服务器仅可以利用人工收集的离线振动数据对风力发电机组的振动状态进行分析,因此,云服务器的时间分析时间上存在一定的滞后,不但增加了收集数据和数据分析的人工成本,也无法利用分析结果实时地对风力发电机组进行控制保护和控制优化。
同时,随着风电场规模的不断扩大,风电场中的风力发电机组可以产生大量的机组振动数据。云服务器受限于传输和存储成本,难以海量存储风力发电机组的主控制器的每隔20ms的高采样数据,如果采用定期采集或降低采样频率等方式,对于机组振动评估来说,则可能会遗失一部分振动关键信息。有经验的专家虽然可以从遗失一部分振动关键信息的机组振动数据变化中判断出风力发电机组一定的振动状态变化与故障隐患,但也有因为遗失一部分振动关键信息导致机组振动数据不全,无法发现风力发电机组的故障隐患的情况,使得风力发电机组的振动监测的可靠性较低。
为了解决上述的问题,本发明实施例提供了一种风力发电机组的振动监测系统,可以实时地对风力发电机组进行振动监测,并且实时地对风力发电机组进行控制保护和控制优化,以为提高风力发电机组的稳定性和发电量、提高数据运用水平、以及提升经济效益提供新的途径。
图1示出了本发明一个实施例提供的风力发电机组的振动监测系统的结构示意图。
如图1所示,该风力发电机组的振动监测系统包括至少一个风力发电机组的主控制器110、风电场控制器(Wind Farm Controller,WFC)120和数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)130。
其中,WFC 120可以包括数据库121、决策器(Decision Module,DM)122和人机接口(Human Machine Interface,HMI)123。
每个主控制器110分别通过预先设置的网络协议与WFC 120通信,以将其所获取的对应的风力发电机组的机组振动数据和机组运行数据发送至WFC 120的数据库121进行存储。
WFC 120的DM 122可以首先从数据库121所存储的数据中,获取风电场内的任意风力发电机组在预设时间段内的机组振动数据和机组运行数据。然后,DM 122可以对机组振动数据和机组运行数据进行振动分析,得到该风力发电机组对应的多个振动评价参数。接着,DM 122可以从数据库121中获取每个振动评价参数对应的预设参数阈值,并且将每个振动评价参数分别与对应的预设参数阈值进行比较,得到比较结果。最后,若比较结果为该风力发电机组对应的多个振动评价参数中存在大于对应的预设参数阈值的振动评价参数,则可以确定该风力发电机组发生振动异常,并向该风力发电机组的主控制器110发送第一类预警信息。
同时,管理人员可以在WFC 120的运行过程中,通过WFC 120的HMI 123对WFC 120的振动监测过程进行监控,管理人员也可以通过HMI 123对WFC 120的各个参数、阈值等进行人工修改。
另外,WFC 120还可以与SCADA 130通信,并将风力发电机组的机组振动数据和机组运行数据、振动分析结果和预警信息发送至SCADA 130进行存储。每个风力发电机组还可以分别与SCADA 130通信,并将其机组运行数据和运行日志发送至SCADA 130进行存储。
由此,图1所示的系统,可以通过WFC 120实现对风电场内的每个风力发电机组的实时振动监控,并且在确定风力发电机组发生振动异常时,实时地向该风力发电机组的主控制器110发送预警信息,以使风力发电机组的主控制器110可以实时地对该风力发电机组进行控制保护。
图2示出了本发明另一个实施例提供的风力发电机组的振动监测系统的结构示意图。
如图2所示,该风力发电机组的振动监测系统包括至少一个风力发电机组的主控制器110、WFC 120、SCADA 130和云服务器140。
其中,主控制器110、WFC 120和SCADA 130与图1所示实施例中相似的功能在此不做赘述。
WFC 120的数据库121还可以接收并存储云服务器140发送的该风电场以外的其他风电场中的与该风电场内的风力发电机组配置相同的风力发电机组的振动特征数据。WFC120的DM 122还可以从数据库121中获取正在监测的风力发电机组对应的振动特征数据,并且利用正在监测的风力发电机组的机组振动数据和机组运行数据以及所获取的振动特征数据,进行运输决策,以确定该风力发电机组的振动参数预测值,并将振动参数预测值作为振动评价参数。然后,DM 122还可以从数据库121中获取每个振动评价参数对应的预设参数阈值,并且将每个振动评价参数分别与对应的预设参数阈值进行比较,得到比较结果。最后,若比较结果为该风力发电机组对应的多个振动评价参数中存在大于对应的预设参数阈值的振动评价参数,则可以确定该风力发电机组发生振动异常,并向该风力发电机组的主控制器110发送第一类预警信息。
另外,WFC 120还可以将风力发电机组的机组振动数据和机组运行数据、振动分析结果和预警信息发送至云服务器140进行存储。SCADA 130还可以与云服务器140通信,以进行数据交互。
由此,图2所示的系统,可以通过WFC 120与云服务器140协作的方式,对风力发电机组进行振动诊断、预警和控制。不但能够实时地判断当前的风力发电机组的振动情况,还可以可靠地预测风力发电机组在未来的振动趋势,进而能够更好地预防风力发电机组发生震动故障。
针对图1和图2所示的系统,本发明实施例提供了一种风力发电机组的振动监测方法、装置、设备及介质。下面首先对本发明实施例所提供的风力发电机组的振动监测方法进行介绍。
图3示出了本发明一个实施例提供的风力发电机组的振动监测方法的流程示意图。
在本发明一些实施例中,图3所示的方法可以由图1和图2中所示的WFC 120的DM122执行。
如图3所示,该风力发电机组的振动监测方法可以包括如下步骤。
S310、获取多个风力发电机组中的目标风力发电机组在预设时间段内的检测数据。
其中,检测数据包括机组振动数据和机组运行数据。
在一些实施例中,机组振动数据可以包括机舱前后X方向振动加速度和机舱左右Y方向振动加速度。
可选地,机组振动数据还可以进一步包括叶片X方向振动加速度和叶片Y方向振动加速度。
在另一些实施例中,机组运行数据可以包括第一发电机转速、第二发电机转速和叶轮转速,其中,第一发电机转速可以根据发电机电压确定,第二发电机转速可以根据发电机电流确定。具体地,第一发电机转速可以根据发电机电压与转速的对应关系确定,第二发电机转速可以根据发电机电流与转速的对应关系确定。
可选地,机组运行数据还可以进一步包括机组运行状态、机组对风偏差、机组功率和机组桨距角。
可选地,机组运行数据还可以进一步包括液压油缸信号。
在本发明一些实施例中,多个风力发电机组可以为风电场内的可绑定风力发电机组,目标风力发电机组可以为任意的可绑定风力发电机组。其中,可绑定风力发电机组为风电场内的与DM正常通信且处于正常运行状态的风力发电机组。
可选地,在S310之前,该风力发电机组的振动监测方法还可以包括:首先,获取风电场内的可绑定风力发电机组数量和每个可绑定风力发电机组的机组标识,然后,根据可绑定风力发电机组数量和机组标识,建立可绑定风力发电机组索引信息,最后,按照可绑定风力发电机组索引信息的排列顺序,依次将每个可绑定风力发电机组作为目标风力发电机组。
因此,DM可以避免为风电场内的由于通讯丢失、机组例行维护等因素可能不适合进行振动诊断的风力发电机组进行检测数据的分析和处理,减少DM的数据处理量,提高DM的数据处理效率。在本发明一些实施例中,预设时间段可以根据需要进行设置,例如,预设时间段可以为1小时、12小时、1天或者1星期,在此不做限制。
S320、对检测数据进行振动分析,得到目标风力发电机组对应的多个振动评价参数。
具体地,DM可以对所获取的检测数据进行振动分析诊断,例如,对不同机组运行状态(如待机状态、维护状态、启机过程状态、停机过程状态、发电状态等)下的振动进行时域分析和频域分析,再例如,对不同机组运行状态下的振动进行相关性分析,进而得到目标风力发电机组对应的多个振动评价参数。
其中,对检测数据进行振动分析将在下文详细说明。
在本发明一些实施例中,在S310之后、S320之前,该风力发电机组的振动监测方法还可以包括:对检测数据进行筛选、分组和清洗。
具体地,可以筛选预设时间段内的机组运行状态,然后根据不同的机组运行状态,对预设时间段内的检测数据进行分组,并清洗不合适的检测数据,例如,在机组运行状态为待机状态下,清洗掉时间过短、有较多时序缺失或值异常的检测数据。
由此,可以对清洗后的检测数据进行振动分析,得到目标风力发电机组对应的多个振动评价参数。
S330、获取多个预设参数阈值。
其中,一个预设参数阈值对应一个振动评价参数,即预设参数阈值与振动评价参数为一一对应的关系。
在本发明实施例中,多个预设参数阈值可以为预先设置的固定值,也可以为根据目标风力发电机组所属的风电场的多个风力发电机组的历史检测数据确定的动态值,还可以为根据多个风电场的多个风力发电机组的历史检测数据确定的动态值,其中,多个风电场包括目标风力发电机组所属的风电场和该风电场以外的其它风电场。
在本发明一些实施例中,振动评价参数可以包括时域幅值、频域幅值和振动参数预测值中的至少一种,振动参数预测值例如可以为时域幅值预测值。相应地,预设参数阈值可以包括时域幅值对应的时域幅值阈值、频域幅值对应的频域幅值阈值和振动参数预测值阈值中的至少一种。
需要说明的是,为了提高振动监测的准确性,由于不同的机组运行状态下的检测数据差异可能较大,因此,在本发明一些实施例中,不同的机组运行状态下的相同振动评价参数可以对应不同的预设参数阈值。即在本发明一些实施例中,一个预设参数阈值可以对应一个机组运行状态下的一个振动评价参数。
S340、在多个振动评价参数中存在第一目标参数的情况下,向目标风力发电机组发送第一类预警信息;其中,第一目标参数为大于对应的预设参数阈值的振动评价参数。
在本发明实施例中,可以分别将每个振动评价参数和对应的预设参数阈值进行比较,以判断振动评价参数中是否存在大于对应的预设参数阈值的第一目标参数。如果存在,则说明目标风力发电机组发生振动异常,应产生第一类预警信息,并且向目标风力发电机组的主控制器发送该第一类预警信号,以使目标风力发电机组可以根据第一类预警信息进行机组保护控制;如果不存在,则说明目标风力发电机组未发生振动异常,无需产生第一类预警信息。
其中,第一类预警信息可以用于指示目标风力发电机组在单机振动诊断过程中被诊断为发生振动异常。
在本发明一些实施例中,在S340之后,该风力发电机组的振动监测方法还可以包括:将第一类预警信息存储于WFC的数据库中,以对预警信息进行记录;在WFC的HMI界面中显示第一类预警信息,以使管理人员可以对振动监测过程进行监控;以及将第一类预警信息推送到SCADA进行存储,以对预警信息进行记录。
在本发明另一些实施例中,在WFC与云服务器通信的情况下,在S340之后,该风力发电机组的振动监测方法还可以包括:将目标风力发电机组的检测数据和第一类预警信息推送到云服务器进行存储,以对目标风力发电机组的检测数据和预警信息进行记录,进而可以将其应用于其它风力发电机组的振动监测。
综上,在本发明实施例中,WFC的DM能够在目标风力发电机组的运行过程中,每个预设时间段即获取目标风力发电机组在预设时间段内的检测数据,并且对检测数据进行振动分析,得到目标风力发电机组对应的多个振动评价参数,进而实时地对目标风力发电机组进行振动监测,同时,在监测到多个振动评价参数中存在大于对应的预设参数阈值的第一目标参数的情况下,能够向目标风力发电机组发送第一类预警信息,以实时地对风力发电机组进行控制保护和控制优化。
在本发明一些实施例中,S320可以具体包括下列中至少一项:
对机组振动数据进行时域分析,得到目标风力发电机组的时域幅值,并将时域幅值作为振动评价参数;
根据机组运行数据对机组振动数据进行频域分析,得到目标风力发电机组的频域幅值,并将频域幅值作为振动评价参数;
机组振动数据进行相关性分析,得到目标风力发电机组的广义特征值主成分,并将广义特征值主成分作为振动评价参数。
在这些实施例中,可选地,机组振动数据可以包括机舱前后X方向振动加速度和机舱左右Y方向振动加速度,机组运行数据可以包括第一发电机转速、第二发电机转速和叶轮转速,
在这些实施例中,可选地,时域幅值可以包括X方向时域幅值和Y方向时域幅值,频域幅值可以包括X方向频域幅值和Y方向频域幅值。相应地,预设参数阈值可以包括X方向时域幅值对应的X方向时域幅值阈值、Y方向时域幅值对应的Y方向时域幅值阈值、X方向频域幅值对应的X方向频域幅值阈值和Y方向频域幅值对应的Y方向频域幅值阈值。
由于在S320之前,DM已经对检测数据进行筛选、分组和清洗,因此,DM可以根据清洗后的有效分组数据,确定接下来需要分析的机组运行状态,并且分析目标风力发电机组不同的机组运行状态下的振动评价参数。
下面,将对上述的各个振动分析方法进行说明。
在一些实施例中,DM可以对机组振动数据进行时域分析,得到目标风力发电机组的时域幅值,该时域幅值可以为时域幅值最大值,即DM可以获取X方向时域幅值最大值和Y方向时域幅值最大值,并且将X方向时域幅值最大值和Y方向时域幅值最大值分别作为振动评价参数。
在另一些实施例中,DM可以对有效分组数据进行统计分类,得到振动状态特征,然后,通过机器学习算法对振动状态特征做特征分解,得到广义特征值,进而确定广义特征值中的广义特征值主成分。
在又一些实施例中,DM还可以对有效分组数据进行频域分析,下面,将参考图4进行详细说明。
图4示出了本发明一个实施例提供的频域分析过程的流程示意图。
S401、对检测数据分别进行频谱分析。
考虑到机舱振动信号一般来源于加速度计,机组模态频率在一些状态下运行时会有模态频率信息湮没现象,因此,除机舱X方向振动加速度和机舱Y方向振动加速度等机舱振动信号以外,还可以引入测量原理不同但同样包含机组模态频率信息的其它机组信号作辅助频率辨识合成,例如,第一发电机转速、第二发电机转速和叶轮转速。
由此,可以分别对机舱X方向振动加速度、机舱Y方向振动加速度、第一发电机转速、第二发电机转速和叶轮转速分别进行频谱分析。
在本发明一些实施例中,叶轮转速可以由机械式传感器、接近开关或编码器获取。
S402、将上述的分析结果分别与机组主要仿真模态频率作比较,以辨识出机舱振动信号中体现的现场特征明显的实际模态频率,并获取该实际模态频率下的X方向频域幅值最大值和Y方向频域幅值最大值,进而将该实际模态频率下的X方向频域幅值最大值和Y方向频域幅值最大值分别作为该实际模态频率下的振动评价参数。其中,模态频率可以包括:塔架一阶频率、塔架二阶频率,叶片面内一阶频率、叶片面内二阶频率、叶片面内三阶频率、机组转频1P、机组转频3P、机组转频6P,发电机基波频率、发电机基波二倍频、发电机定子频率和发电机转子振型频率等。
需要说明的是,为了提高振动监测的准确性,由于不同的模态频率下的检测数据差异可能较大,因此,在本发明一些实施例中,不同的实际模态频率可以对应不同的预设参数阈值。
在本发明实施例中,可选地,机组振动数据还可以进一步包括叶片X方向振动加速度和叶片Y方向振动加速度,机组运行数据还可以进一步包括液压油缸信号。
因此,在对检测数据分别进行频谱分析时,还可以对叶片X方向振动加速度、叶片Y方向振动加速度和液压油缸信号进行频谱分析,以增加参考模态。
在本发明一些实施例中,可以直接确定目标风力发电机组的振动来源类型,并根据振动来源类型生成第一类预警信息,以使目标风力发电机组的主控制器可以根据第一类预警信息自主确定机组保护控制策略。
在本发明另一些实施例中,为了可以使风力发电机组的主控制器更好地对风力发电机组进行控制保护,还可以使第一类预警信息携带用于主控制器进行机组保护控制的控制信息。可选地,在S340之前,该风力发电机组的振动监测方法还可以包括:
根据第一目标参数,确定目标风力发电机组的振动来源类型;
根据振动来源类型,生成目标控制信息;
根据目标控制信息,生成第一类预警信息。
在本发明一些实施例中,以第一目标参数为频域幅值为例,在第一目标参数为频域幅值的情况下,由于DM已经确定了机舱振动信号中体现的现场特征明显的实际模态频率,即可以将该实际模态频率对应的振动来源类型作为目标风力发电机组的振动来源类型。例如,实际模态频率为塔架一阶频率或塔架二阶频率,则振动来源类型可以为塔架。再例如,实际模态频率为叶片面内一阶频率、叶片面内二阶频率或叶片面内三阶频率,则振动来源类型可以为叶片。又例如,实际模态频率为机组转频1P、机组转频3P或机组转频6P,则振动来源类型可以为转频。又例如,实际模态频率为发电机基波频率、发电机基波二倍频、发电机定子频率或发电机转子振型频率,则振动来源类型可以为发电机。
在本发明一些实施例中,DM可以根据振动来源类型,确定目标风力发电机组的振动具体来源,并利用振动具体来源,确定目标风力发电机组所属的振动类型。具体地,根据不同的振动具体来源可以将目标风力发电机组的振动类型划分为四类:输入类、设计类、控制类和子系统类。例如,若振动来源类型为发电机,DM所确定的振动具体来源为风况风向和结冰引起的发电机失速,则振动类型可以为输入类。再例如,若振动来源类型为塔架或者叶片,DM所确定的振动具体来源为塔架一阶频率、塔架二阶频率、叶片面内一阶、叶片面内二阶或叶片面内三阶,则振动类型可以为设计类。又例如,若振动来源类型为转频或者发电机,DM所确定的振动具体来源为逻辑错误、参数错误或功能块开启错误等导致的转频或者发电机运行错误,则振动类型可以为控制类。又例如,若振动来源类型为塔架或者叶片,DM所确定的振动具体来源为塔架或者叶片受损、开裂或者不平衡,则振动类型可以为子系统类。
在本发明一些实施例中,DM可以根据目标风力发电机组所属的振动类型,确定具体的机组保护策略,并生成该振动类型对应的目标控制信息,以抑制或消除目标风力发电机组的相关异常振动。例如振动类型为输入类,DM可以生成限功率、限转速、限桨距角、停机指令等目标控制信息。再例如振动类型为控制类,DM可以根据生成携带有预设的控制参数的目标控制信息,其中,预设的控制参数可以包括比例积分PI参数、切入转速、额定转速和滤波器参数,预设的控制参数也可以是用于关闭引起异常振动的控制功能、调整引起异常振动的跳转速区间和触发的参数等。
在本发明又一些实施例中,为了可以使风力发电机组的主控制器更好地对风力发电机组进行控制保护,还可以根据不同的振动预警等级生成响应的控制信息。可选地,在S340之前,该风力发电机组的振动监测方法还可以包括:
根据第一目标参数,确定目标风力发电机组的振动来源类型和振动预警等级;
根据振动来源类型和振动预警等级,生成目标控制信息;
根据目标控制信息,生成第一类预警信息。
在本发明一些实施例中,DM可以根据第一目标参数超出对应的预设参数阈值的程度,确定目标风力发电机组的振动预警等级,第一目标参数超出对应的预设参数阈值的程度越高,则目标风力发电机组的振动预警等级越高,不同的振动预警等级与不同的振动来源类型对应的控制策略结合,生成不同的目标控制信息。
以振动类型为输入类为例,振动预警等级由低到高,可以分别生成限功率、限转速、限桨距角和停机指令的目标控制信息。例如,若振动预警等级为一级,则可以根据功率限值生成目标控制信息。再例如,若振动预警等级为二级,则可以根据转速限值生成目标控制信息。又例如,若振动预警等级为三级,则可以根据桨距角限值生成目标控制信息。又例如,若振动预警等级为四级,则可以根据停机指令生成目标控制信息。
在本发明另一些实施例中,DM还可以根据目标控制信息和振动预警等级,生成第一类预警信息,以使第一类预警信息携带目标控制信息和振动预警等级,在此不做限制。
在本发明另一种实施方式中,若确定目标风力发电机组在单机振动诊断过程中未被诊断为发生振动异常,但仍可以进一步确定目标风力发电机组在风电场内是否相对于其他风力发电机组发生振动异常,以提高风电场的发电可靠性。因此,在S330之后,该风力发电机组的振动监测方法还可以包括:
在多个振动评价参数中不存在第一目标参数的情况下,确定多个风力发电机组对应的多个振动评价参数上限;其中,一个振动评价参数上限对应一个振动评价参数;
在多个振动评价参数中存在第二目标参数的情况下,向目标风力发电机组发送第二类预警信息;其中,第二目标参数为大于对应的振动评价参数上限的振动评价参数。
具体地,若DM确定多个振动评价参数中不存在第一目标参数,则可以确定目标风力发电机组在单机振动诊断过程中未被诊断为发生振动异常,进而,DM可以确定每个振动评价参数相对于多个风力发电机组的振动评价参数上限。然后,DM分别将每个振动评价参数和对应的振动评价参数上限进行比较,以判断振动评价参数中是否存在大于对应的振动评价参数上限的第二目标参数。如果存在,则说明目标风力发电机组相对于其他风力发电机组发生振动异常,应产生第二类预警信息,并且向目标风力发电机组的主控制器发送该第二类预警信号,以使目标风力发电机组可以根据第二类预警信息进行机组保护控制;如果不存在,则说明目标风力发电机组相对于其他风力发电机组未发生振动异常,无需产生第二类预警信息。
在本发明一些实施例中,不同的机组运行状态下的相同振动评价参数可以对应不同的振动评价参数上限。即在本发明一些实施例中,一个振动评价参数上限可以对应一个机组运行状态下的一个振动评价参数。
在本发明另一些实施例中,不同的实际模态频率可以对应不同的振动评价参数上限。
在本发明一些实施例中,多个风力发电机组对应的多个振动评价参数上限可以分别为预先设置的固定值。
在本发明另一些实施例中,多个风力发电机组对应的多个振动评价参数上限还可以为根据风电场内的多个风力发电机组的振动评价参数确定的动态值,例如根据风电场内的可绑定风力发电机组的振动的时域幅值和频域幅值确定的时域幅值的上限值以及频域幅值的上限值的动态值。
在一些实施例中,振动评价参数限值可以根据四分位数法确定。因此,四分位数法可以计算多个风力发电机组对应的多个振动评价参数中的最大估计值(即上限值),这样大于最大估计值范围的振动评价参数就可能是异常值。
以计算振动的时域幅值中的X方向时域幅值的上限值为例,首先对采集到的X方向时域幅值去零漂后,使X方向时域幅值围绕0上下波动,然后,对每个X方向时域幅值取绝对值,再计算下四分位数(后25%)Q1和上四分位数(前25%)Q3,并设X方向时域幅值的上限值U_upper=Q3+k(Q3-Q1),由此,可以计算得到X方向时域幅值的上限值U_upper。
其中,k为调节参数,不同的k值可以对应不同的振动异常等级,若k=1时,振动评价参数中存在大于对应的振动评价参数上限的第二目标参数,则说明目标风力发电机组相对于其他风力发电机组发生轻度振动异常;若k=1.5时,振动评价参数中存在大于对应的振动评价参数上限的第二目标参数,则说明目标风力发电机组相对于其他风力发电机组发生中度振动异常;若k=3时,振动评价参数中存在大于对应的振动评价参数上限的第二目标参数,则说明目标风力发电机组相对于其他风力发电机组发生极度振动异常。
在另一些实施例中,振动评价参数限值还可以根据预先训练好的参数上限预测模型和参数下限预测模型确定,该参数上限预测模型可以由神经网络训练得到。
在本发明一些实施例中,DM可以根据振动异常等级生成第二类预警信息,并且向目标风力发电机组发送第二类预警信息,以使目标风力发电机组可以根据第二类预警信息进行机组保护控制。
在本发明另一些实施例中,DM可以还可以根据振动异常等级和优化控制参数生成第二类预警信息,并且向目标风力发电机组发送第二类预警信息,以使目标风力发电机组可以根据优化控制参数调整机组运行参数。
其中,DM可以获取风电场内振动评价参数最小值对应的风力发电机组的机组运行参数,并将该振动评价参数最小值对应的风力发电机组的机组运行参数作为优化控制参数。
在本发明一些实施例中,DM还可以将第二类预警信息存储于WFC的数据库中,以对预警信息进行记录;在WFC的HMI界面中显示第二类预警信息,以使管理人员可以对振动监测过程进行监控;以及将第二类预警信息推送到SCADA进行存储,以对预警信息进行记录。
在本发明另一些实施例中,在WFC与云服务器通信的情况下,DM还可以将目标风力发电机组的检测数据和第二类预警信息推送到云服务器进行存储,以对目标风力发电机组的检测数据和预警信息进行记录,进而可以将其应用于其它风力发电机组的振动监测。
综上,在本发明实施例中,可以在风电场级层面上自动进行风力发电机组振动的诊断、预警、控制保护和控制参数优化,进而提高风电场的发电可靠性。
在本发明另一种实施方式中,为了可以更准确地对风力发电机组进行振动监控,还可以结合云端的历史振动数据进行振动趋势分析,例如时域振动趋势分析和频域振动趋势分析,进而能够预测未来特定风参下的时域振动变化情况和频域模态变化情况,得到目标风力发电机组的振动参数预测值作为振动评价参数。
在这些实施例中,可选地,检测数据还可以包括运行环境数据。进一步地,运行环境数据可以包括风速、空气密度和湍流。在这些实施例中,可选地,机组振动数据可以包括机舱X方向振动加速度和机舱Y方向振动加速度。在这些实施例中,可选地,机组运行数据可以包括机组运行状态、机组对风偏差、机组功率、机组桨距角、第一发电机转速、第二发电机转速和叶轮转速。
在这些实施例中,可选地,振动参数预测值可以包括X方向时域幅值预测值、Y方向时域幅值预测值、X方向频域幅值预测值和Y方向频域幅值预测值。
在本发明一些实施例中,检测数据还可以包括运行环境数据;
在这些实施例中,在S320之前,该风力发电机组的振动监测方法还可以包括:
获取云服务器发送的目标振动特征数据;其中,目标振动特征数据可以为与目标风力发电机组配置相同的风力发电机组的振动特征数据;
根据所述检测数据,生成目标风力发电机组的振动特征数据。
在一些实施例中,目标振动特征数据可以包括风力发电机组在多个历史的预设时间段内的振动特征数据,每个历史的预设时间段内的振动特征数据为在该预设时间段内的振动评价参数最大值对应的风力发电机组的振动特征数据。振动特征数据可以包括振动评价参数最大值以及该振动评价参数最大值对应的风速值、对风偏差值、功率值、桨距角值、空气密度值、湍流值、第一发电机转速、第二发电机转速和叶轮转速等特征值。
在一些实施例中,DM可以对机组振动数据、机组运行数据和运行环境数据进行特征提取,得到目标风力发电机组的振动特征数据。具体地,DM已经对检测数据进行筛选、分组和清洗,DM可以对有效分组数据进行统计分类,得到振动评价参数最大值以及该振动评价参数最大值对应的风速值、对风偏差值、功率值、桨距角值、空气密度值、湍流值、第一发电机转速、第二发电机转速和叶轮转速等特征值,构成目标风力发电机组的振动特征数据,目标风力发电机组的振动特征数据为与目标风力发电机组的振动强相关的特征体现。
在一些实施例中,DM可以在监测时长达到预设时长的情况下,获取云服务器发送的目标振动特征数据,其中,预设时长可以包括多个预设时间段,由此,可以降低DM的数据处理量。
在这些实施例中,S320还可以包括:
根据目标振动特征数据,对振动特征数据进行振动趋势分析,得到目标风力发电机组的振动参数预测值;
将振动参数预测值作为振动评价参数。
DM可以首先根据目标振动特征数据训练预设的神经网络,得到参数预测模型,然后,获取风力发电机组的当前预设时间段的振动特征数据和多个历史的预设时间段的振动特征数据,并将所获取的振动特征数据输入参数预测模型以进行振动趋势分析,得到目标风力发电机组的振动参数预测值,并将振动参数预测值作为振动评价参数。
其中,当前预设时间段和多个历史的预设时间段均为预设时长内的时间段。
在这些实施例中,可选地,在S320之后,该风力发电机组的振动监测方法还可以包括:
将目标风力发电机组的振动特征数据发送至云服务器。
具体地,DM在授权后可以通过网络或文件等形式将目标风力发电机组的振动特征数据推送到云服务器,以使云服务器将其应用于其它风力发电机组的振动监测。
在本发明实施例中,由于DM将目标风力发电机组的振动特征数据推送到云服务器进行存储,相比目标风力发电机组的检测数据的数据量要少很多,因此,能够在向云服务器提供直接有效的目标风力发电机组的振动信息的同时,降低了云服务器数据传输和存储负荷。
在本发明另一些实施例中,检测数据还可以包括运行环境数据;
相应地,S320还可以包括:
根据检测数据,生成目标风力发电机组的振动特征数据;
将振动特征数据发送至云服务器,以使云服务器根据目标振动特征数据,对振动特征数据进行振动趋势分析,得到目标风力发电机组的振动参数预测值;其中,目标振动特征数据为与目标风力发电机组配置相同的风力发电机组的振动特征数据;
接收云服务器反馈的振动参数预测值;
将振动参数预测值作为振动评价参数。
其中,生成目标风力发电机组的振动特征数据的具体方法已在上文介绍,在此不做赘述。云服务器对振动特征数据进行振动趋势分析的具体方法与DM对振动特征数据进行振动趋势分析的具体方法相似,在此不做赘述。
在本发明一些实施例中,DM可以实时地将每个预设时间段的振动特征数据发送至云服务器,云服务器可以在监测时长达到预设时长的情况下,对预设时长内所获取的振动特征数据进行振动趋势分析。由于云服务器内的振动特征数据的基数较大,因此,可以提高振动参数预测值的准确性。
在本发明实施例中,可以减少DM的数据处理量,以节约DM的资源。
下面将以一个具体示例,对本发明实施例提供的风力发电机组的振动监测方法的整体流程进行说明。
图5示出了本发明一个实施例提供的振动监测控制过程的流程示意图。
如图5所示,该振动监测控制过程可以包括如下步骤。
S501、获取风电场内的可绑定风力发电机组数量和每个可绑定风力发电机组的机组标识,并根据可绑定风力发电机组数量和机组标识,建立可绑定风力发电机组索引信息。
S502、获取云服务器发送的与目标风力发电机组配置相同的风力发电机组的振动特征数据。在云服务器无法连接的情况下,也可以直接获取WFC的数据库中存储的风电场内的各个与目标风力发电机组配置相同的风力发电机组的振动特征数据,以在无法获取云服务器内的振动特征数据的情况下,利用WFC的数据库内的振动特征数据进行振动趋势分析,得到目标风力发电机组的振动参数预测值。
S503、按照可绑定风力发电机组索引信息的排列顺序,依次将每个可绑定风力发电机组作为目标风力发电机组,并获取目标风力发电机组在预设时间段内的检测数据。
S504、对检测数据进行筛选、分组和清洗等数据预处理。
S505、对数据预处理后的检测数据进行振动分析,得到目标风力发电机组对应的多个振动评价参数。
S506、判断多个振动评价参数中是否存在大于对应的预设参数阈值的第一目标参数,以判断目标风力发电机组是否发生振动异常,如果是,则执行S507,如果不是,则执行S509。
S507、生成第一类预警信息。
S508、向目标风力发电机组发送第一类预警信息,然后执行S509。
S509、判断是否遍历完成全部可绑定风力发电机组,如果是,则执行S510,如果不是,则执行S503。
S510、每个可绑定风力发电机组对应的多个振动评价参数中均不存在第一目标参数的情况下,确定多个风力发电机组对应的多个振动评价参数上限。
S511、判断是否有可绑定风力发电机组对应的多个振动评价参数中存在大于对应的振动评价参数上限的第二目标参数,以判断是否存在风力发电机组相对于风电场发生振动异常,如果是,则执行S512,如果不是,则结束。
S512、生成第二类预警信息。
S513、向相对于风电场发生振动异常的风力发电机组发送第二类预警信息。
综上所述,在本发明实施例中,可以通过风电场端运算资源丰富、可以高效连接云服务器和风力发电机组的主控制器的优势,高效的对风电场中的各个风力发电机组的振动状态进行实时且全面的监测,以更好的提前发现风力发电机组的振动相关问题,不但可以进行振动的时域和频域分析,还可以借助于相关性分析快速定位振动根因。同时,还可以结合云服务器中的数据对风力发电机组进行针对趋势分析,可以提前发现风力发电机组的一些共性的振动问题。另外,还可以实时推送预警信息到风力发电机组的主控制器,以及时抑制或消除风力发电机组的振动。进一步地,本发明实施例可以通过上述策略的组合应用,提高风力发电机组的稳定性、发电量、安全性和可利用率,从而有效提升客户体验和风力发电机组的产品竞争力。
图6示出了本发明一个实施例提供的风力发电机组的振动监测装置的结构示意图。在本发明一些实施例中,图6所示的装置可以为图1和图2中所示的WFC 120的DM 122。
如图6所示,该风力发电机组的振动监测装置600可以包括第一获取模块610、第一分析模块620、第二获取模块630和第一发送模块640。
第一获取模块610用于获取多个风力发电机组中的目标风力发电机组在预设时间段内的检测数据;其中,检测数据包括机组振动数据和机组运行数据。
第一分析模块620用于对检测数据进行振动分析,得到目标风力发电机组对应的多个振动评价参数。
第二获取模块630用于获取多个预设参数阈值;其中,一个预设参数阈值对应一个振动评价参数。
第一发送模块640用于在多个振动评价参数中存在第一目标参数的情况下,向目标风力发电机组发送第一类预警信息;其中,第一目标参数为大于对应的预设参数阈值的振动评价参数。
在本发明实施例中,WFC的DM能够在目标风力发电机组的运行过程中,每个预设时间段即获取目标风力发电机组在预设时间段内的检测数据,并且对检测数据进行振动分析,得到目标风力发电机组对应的多个振动评价参数,进而实时地对目标风力发电机组进行振动监测,同时,在监测到多个振动评价参数中存在大于对应的预设参数阈值的第一目标参数的情况下,能够向目标风力发电机组发送第一类预警信息,以实时地对风力发电机组进行控制保护和控制优化。
在本发明一些实施例中,第一分析模块620可以具体用于:
对机组振动数据进行时域分析,得到目标风力发电机组的时域幅值,并将时域幅值作为振动评价参数;和/或,
根据机组运行数据对机组振动数据进行频域分析,得到目标风力发电机组的频域幅值,并将频域幅值作为振动评价参数;和/或,
对机组振动数据进行相关性分析,得到目标风力发电机组的广义特征值主成分,并将广义特征值主成分作为振动评价参数。
在本发明一些实施例中,机组振动数据可以包括机舱前后X方向振动加速度和机舱左右Y方向振动加速度,机组运行数据可以包括第一发电机转速、第二发电机转速和叶轮转速,其中,第一发电机转速根据发电机电压确定,第二发电机转速根据发电机电流确定;
其中,时域幅值可以包括X方向时域幅值和Y方向时域幅值,频域幅值可以包括X方向频域幅值和Y方向频域幅值。
在本发明一些实施例中,检测数据还可以包括运行环境数据;
其中,该风力发电机组的振动监测装置600还可以包括第三获取模块和第一生成模块。
第三获取模块用于获取云服务器发送的目标振动特征数据;其中,目标振动特征数据为与目标风力发电机组配置相同的风力发电机组的振动特征数据。
第一生成模块用于根据检测数据,生成目标风力发电机组的振动特征数据。
相应地,第一分析模块620还可以用于:
根据目标振动特征数据,对振动特征数据进行振动趋势分析,得到目标风力发电机组的振动参数预测值;以及,将振动参数预测值作为振动评价参数。
在本发明一些实施例中,检测数据还可以包括运行环境数据;
其中,第一分析模块620还可以用于:
根据检测数据,生成目标风力发电机组的振动特征数据;
将振动特征数据发送至云服务器,以使云服务器根据目标振动特征数据,对振动特征数据进行振动趋势分析,得到目标风力发电机组的振动参数预测值;其中,目标振动特征数据为与目标风力发电机组配置相同的风力发电机组的振动特征数据;
接收云服务器反馈的振动参数预测值;
将振动参数预测值作为振动评价参数。
在本发明一些实施例中,运行环境数据可以包括风速、空气密度和湍流,机组振动数据可以包括机舱X方向振动加速度和机舱Y方向振动加速度,机组运行数据可以包括机组运行状态、机组对风偏差、机组功率、机组桨距角、第一发电机转速、第二发电机转速和叶轮转速,其中,第一发电机转速根据发电机电压确定,第二发电机转速根据发电机电流确定;
其中,振动参数预测值可以包括X方向时域幅值预测值、Y方向时域幅值预测值、X方向频域幅值预测值和Y方向频域幅值预测值。
在本发明一些实施例中,该风力发电机组的振动监测装置600还可以包括第二发送模块,该第二发送模块用于将振动特征数据发送至云服务器。
在本发明一些实施例中,该风力发电机组的振动监测装置600还可以包括第一确定模块、第二生成模块和第三生成模块。
第一确定模块用于根据第一目标参数,确定目标风力发电机组的振动来源类型。
第二生成模块用于根据振动来源类型,生成目标控制信息。
第三生成模块用于根据目标控制信息,生成第一类预警信息。
在本发明一些实施例中,该风力发电机组的振动监测装置600还可以包括第二确定模块和第三发送模块。
第二确定模块用于在多个振动评价参数中不存在第一目标参数的情况下,确定多个风力发电机组对应的多个振动评价参数上限;其中,一个振动评价参数上限对应一个振动评价参数;
第三发送模块用于在多个振动评价参数中存在第二目标参数的情况下,向目标风力发电机组发送第二类预警信息;其中,第二目标参数为大于对应的振动评价参数上限的振动评价参数。
图6所示的风力发电机组的振动监测装置600可以执行本发明实施例所述的方法实施例中的各个步骤,并且实现本发明实施例所述的方法实施例中的各个过程和效果,在此不做赘述。
图7示出了本发明实施例提供的风力发电机组的振动监测设备的硬件结构示意图。
在风力发电机组的振动监测设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地,上述处理器701可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器702可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器702可在综合网关容灾设备的内部或外部。在特定实施例中,存储器702是非易失性固态存储器。在特定实施例中,存储器702包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令,以实现上述实施例中的任意一种风力发电机组的振动监测方法。
在一个示例中,风力发电机组的振动监测设备还可包括通信接口703和总线710。其中,如图7所示,处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者,将风力发电机组的振动监测设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线710可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
需要说明的是,该风力发电机组的振动监测设备可以执行本发明实施例中的风力发电机组的振动监测方法,从而实现结合图3至图6描述的风力发电机组的振动监测方法和装置。
另外,结合上述实施例中的风力发电机组的振动监测方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种风力发电机组的振动监测方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (12)
1.一种风力发电机组的振动监测方法,其特征在于,所述方法包括:
获取多个风力发电机组中的目标风力发电机组在预设时间段内的检测数据;其中,所述检测数据包括机组振动数据和机组运行数据;
对所述检测数据进行振动分析,得到所述目标风力发电机组对应的多个振动评价参数;
获取多个预设参数阈值;其中,一个所述预设参数阈值对应一个所述振动评价参数;
在多个所述振动评价参数中存在第一目标参数的情况下,向所述目标风力发电机组发送第一类预警信息;其中,所述第一目标参数为大于对应的预设参数阈值的振动评价参数。
2.根据权利要求1所述的方法,其特征在于,所述对所述检测数据进行振动分析,得到所述目标风力发电机组对应的多个振动评价参数,包括下列中至少一项:
对所述机组振动数据进行时域分析,得到所述目标风力发电机组的时域幅值,并将所述时域幅值作为所述振动评价参数;
根据所述机组运行数据对所述机组振动数据进行频域分析,得到所述目标风力发电机组的频域幅值,并将所述频域幅值作为所述振动评价参数;
对所述机组振动数据进行相关性分析,得到所述目标风力发电机组的广义特征值主成分,并将所述广义特征值主成分作为所述振动评价参数。
3.根据权利要求2所述的方法,其特征在于,所述机组振动数据包括机舱X方向振动加速度和机舱Y方向振动加速度,所述机组运行数据包括第一发电机转速、第二发电机转速和叶轮转速,其中,所述第一发电机转速根据发电机电压确定,所述第二发电机转速根据发电机电流确定;
其中,所述时域幅值包括X方向时域幅值和Y方向时域幅值,所述频域幅值包括X方向频域幅值和Y方向频域幅值。
4.根据权利要求1所述的方法,其特征在于,所述检测数据还包括运行环境数据;
其中,所述对所述检测数据进行振动分析,得到所述目标风力发电机组对应的多个振动评价参数之前,所述方法还包括:
获取云服务器发送的目标振动特征数据;其中,所述目标振动特征数据为与所述目标风力发电机组配置相同的风力发电机组的振动特征数据;
根据所述检测数据,生成所述目标风力发电机组的振动特征数据;
所述对所述检测数据进行振动分析,得到所述目标风力发电机组对应的多个振动评价参数,包括:
根据所述目标振动特征数据,对所述振动特征数据进行振动趋势分析,得到所述目标风力发电机组的振动参数预测值;
将所述振动参数预测值作为所述振动评价参数。
5.根据权利要求1所述的方法,其特征在于,所述检测数据还包括运行环境数据;
其中,所述对所述检测数据进行振动分析,得到所述目标风力发电机组对应的多个振动评价参数,包括:
根据所述检测数据,生成所述目标风力发电机组的振动特征数据;
将所述振动特征数据发送至云服务器,以使所述云服务器根据目标振动特征数据,对所述振动特征数据进行振动趋势分析,得到所述目标风力发电机组的振动参数预测值;其中,所述目标振动特征数据为与所述目标风力发电机组配置相同的风力发电机组的振动特征数据;
接收所述云服务器反馈的所述振动参数预测值;
将所述振动参数预测值作为所述振动评价参数。
6.根据权利要求4或5所述的方法,其特征在于,所述运行环境数据包括风速、空气密度和湍流,所述机组振动数据包括机舱X方向振动加速度和机舱Y方向振动加速度,所述机组运行数据包括机组运行状态、机组对风偏差、机组功率、机组桨距角、第一发电机转速、第二发电机转速和叶轮转速,其中,所述第一发电机转速根据发电机电压确定,所述第二发电机转速根据发电机电流确定;
其中,所述振动参数预测值包括X方向时域幅值预测值、Y方向时域幅值预测值、X方向频域幅值预测值和Y方向频域幅值预测值。
7.根据权利要求4所述的方法,其特征在于,所述对所述检测数据进行振动分析,得到所述目标风力发电机组对应的多个振动评价参数之后,所述方法还包括:
将所述振动特征数据发送至所述云服务器。
8.根据权利要求1所述的方法,其特征在于,所述向所述目标风力发电机组发送第一类预警信息之前,所述方法还包括:
根据所述第一目标参数,确定所述目标风力发电机组的振动来源类型;
根据所述振动来源类型,生成目标控制信息;
根据所述目标控制信息,生成所述第一类预警信息。
9.根据权利要求1所述的方法,其特征在于,所述获取多个预设参数阈值之后,所述方法还包括:
在多个所述振动评价参数中不存在所述第一目标参数的情况下,确定多个所述风力发电机组对应的多个振动评价参数上限;其中,一个所述振动评价参数上限对应一个所述振动评价参数;
在多个所述振动评价参数中存在第二目标参数的情况下,向所述目标风力发电机组发送第二类预警信息;其中,所述第二目标参数为大于对应的振动评价参数上限的振动评价参数。
10.一种风力发电机组的振动监测装置,其特征在于,所述装置包括:
第一获取模块,用于获取多个风力发电机组中的目标风力发电机组在预设时间段内的检测数据;其中,所述检测数据包括机组振动数据和机组运行数据;
第一分析模块,用于对所述检测数据进行振动分析,得到所述目标风力发电机组对应的多个振动评价参数;
第二获取模块,用于获取多个预设参数阈值;其中,一个所述预设参数阈值对应一个所述振动评价参数;
第一发送模块,用于在多个所述振动评价参数中存在第一目标参数的情况下,向所述目标风力发电机组发送第一类预警信息;其中,所述第一目标参数为大于对应的预设参数阈值的振动评价参数。
11.一种风力发电机组的振动监测设备,其特征在于,所述设备包括:
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1-9中的任意一项所述的风力发电机组的振动监测方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-9任意一项所述的风力发电机组的振动监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767965.9A CN114061743A (zh) | 2020-08-03 | 2020-08-03 | 风力发电机组的振动监测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767965.9A CN114061743A (zh) | 2020-08-03 | 2020-08-03 | 风力发电机组的振动监测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114061743A true CN114061743A (zh) | 2022-02-18 |
Family
ID=80231577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010767965.9A Pending CN114061743A (zh) | 2020-08-03 | 2020-08-03 | 风力发电机组的振动监测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114061743A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114894299A (zh) * | 2022-06-24 | 2022-08-12 | 珠海格力电器股份有限公司 | 基于编码器的振动监测系统及方法 |
CN116123042A (zh) * | 2023-03-08 | 2023-05-16 | 大唐凉山新能源有限公司 | 一种风力发电机组的智能监测预警方法及系统 |
CN116296365A (zh) * | 2023-03-21 | 2023-06-23 | 华能酒泉风电有限责任公司 | 一种风力发电机组齿轮箱磨损自动预警方法及系统 |
WO2024021545A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京金风科创风电设备有限公司 | 一种风力发电机的控制方法和相关装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103850274A (zh) * | 2014-03-12 | 2014-06-11 | 北京金风科创风电设备有限公司 | 风力发电机组的基础的质量检测方法及装置 |
CN104075795A (zh) * | 2014-06-18 | 2014-10-01 | 北京金风科创风电设备有限公司 | 用于监测风力发电机组的叶轮振动状态的方法和系统 |
CN104111154A (zh) * | 2014-06-23 | 2014-10-22 | 北京金风科创风电设备有限公司 | 风力发电机组的振动趋势分析方法和振动趋势分析系统 |
CN106677996A (zh) * | 2016-12-29 | 2017-05-17 | 科诺伟业风能设备(北京)有限公司 | 一种风力发电机组塔筒振动异常检测方法 |
CN107387333A (zh) * | 2017-09-08 | 2017-11-24 | 北京金风科创风电设备有限公司 | 风力发电机组塔架部件的疲劳损伤的确定方法和设备 |
CN107524572A (zh) * | 2016-06-22 | 2017-12-29 | 南京理工大学 | 一种风力发电机组在线状态监测和故障诊断方法 |
CN107633368A (zh) * | 2017-09-27 | 2018-01-26 | 北京金风科创风电设备有限公司 | 风力发电机组出力性能评估方法及装置 |
CN108204834A (zh) * | 2016-12-19 | 2018-06-26 | 北京金风科创风电设备有限公司 | 风力发电机组的状态监测方法及装置 |
JP2019027324A (ja) * | 2017-07-27 | 2019-02-21 | 日本精工株式会社 | 風力発電機の異常検知システム及び異常検知方法 |
-
2020
- 2020-08-03 CN CN202010767965.9A patent/CN114061743A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103850274A (zh) * | 2014-03-12 | 2014-06-11 | 北京金风科创风电设备有限公司 | 风力发电机组的基础的质量检测方法及装置 |
CN104075795A (zh) * | 2014-06-18 | 2014-10-01 | 北京金风科创风电设备有限公司 | 用于监测风力发电机组的叶轮振动状态的方法和系统 |
CN104111154A (zh) * | 2014-06-23 | 2014-10-22 | 北京金风科创风电设备有限公司 | 风力发电机组的振动趋势分析方法和振动趋势分析系统 |
CN107524572A (zh) * | 2016-06-22 | 2017-12-29 | 南京理工大学 | 一种风力发电机组在线状态监测和故障诊断方法 |
CN108204834A (zh) * | 2016-12-19 | 2018-06-26 | 北京金风科创风电设备有限公司 | 风力发电机组的状态监测方法及装置 |
CN106677996A (zh) * | 2016-12-29 | 2017-05-17 | 科诺伟业风能设备(北京)有限公司 | 一种风力发电机组塔筒振动异常检测方法 |
JP2019027324A (ja) * | 2017-07-27 | 2019-02-21 | 日本精工株式会社 | 風力発電機の異常検知システム及び異常検知方法 |
CN107387333A (zh) * | 2017-09-08 | 2017-11-24 | 北京金风科创风电设备有限公司 | 风力发电机组塔架部件的疲劳损伤的确定方法和设备 |
CN107633368A (zh) * | 2017-09-27 | 2018-01-26 | 北京金风科创风电设备有限公司 | 风力发电机组出力性能评估方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘萍萍: "风力发电机组的柔性减振控制", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 4, pages 12 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114894299A (zh) * | 2022-06-24 | 2022-08-12 | 珠海格力电器股份有限公司 | 基于编码器的振动监测系统及方法 |
WO2024021545A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京金风科创风电设备有限公司 | 一种风力发电机的控制方法和相关装置 |
CN116123042A (zh) * | 2023-03-08 | 2023-05-16 | 大唐凉山新能源有限公司 | 一种风力发电机组的智能监测预警方法及系统 |
CN116296365A (zh) * | 2023-03-21 | 2023-06-23 | 华能酒泉风电有限责任公司 | 一种风力发电机组齿轮箱磨损自动预警方法及系统 |
CN116296365B (zh) * | 2023-03-21 | 2023-10-03 | 华能酒泉风电有限责任公司 | 一种风力发电机组齿轮箱磨损自动预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
EP3221579B1 (en) | Wind turbine condition monitoring method and system | |
CA2891326C (en) | Early detection of wind turbine degradation using acoustical monitoring | |
CA2710902A1 (en) | Integrated condition based maintenance system for wind turbines | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN113286944B (zh) | 一种用于监测叶根紧固件的健康状态的方法及系统 | |
US9188021B2 (en) | Steam turbine blade vibration monitor backpressure limiting system and method | |
CN111997831B (zh) | 风电机组的载荷控制方法和装置 | |
CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
CN112459971A (zh) | 风力发电机组塔筒的异常振动检测方法 | |
CN110709789A (zh) | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN114645824A (zh) | 用于风力发电机组的叶片失速识别方法和装置 | |
CN113435228A (zh) | 一种基于振动信号建模的电动机轴承寿命预测与分析方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN111400959B (zh) | 风力发电机组的叶片故障诊断方法及装置 | |
CN109209781A (zh) | 风力发电机组的故障定位方法及装置 | |
Tingting et al. | Early warning method for power station auxiliary failure considering large-scale operating conditions | |
CN114060228A (zh) | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 | |
CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、电子设备 | |
CN113898528B (zh) | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 | |
CN114647223A (zh) | 整机行为诊断方法、装置、控制器、风电场、系统及介质 | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No.107 Shanghai Road, Urumqi Economic and Technological Development Zone, Urumqi City, Xinjiang Uygur Autonomous Region Applicant after: Jinfeng Technology Co.,Ltd. Address before: No.107 Shanghai Road, Urumqi Economic and Technological Development Zone, Urumqi City, Xinjiang Uygur Autonomous Region Applicant before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd. |