CN114450483A - 风力涡轮发电机的异常状况的检测 - Google Patents

Abstract

公开了一种检测风力涡轮发电机上的例如叶片或转子的异常状况的方法。还公开了一种用于检测风力涡轮发电机上的例如叶片或转子的异常状况的系统。

Description

风力涡轮发电机的异常状况的检测

技术领域

本发明涉及一种检测风力涡轮发电机上的例如叶片或转子的异常状况的方法。本发明还涉及一种用于检测例如风力涡轮发电机上的叶片或转子的异常状况的系统。

背景技术

风力涡轮发电机的操作受益于有关操作状况的信息。为此，已经开发和实现了大量具有特定目的的辅助诊断。

在示例中，基于气象数据的天气预报以预测天气状况的特定目的被细化。

在另一个示例中，用于观察风力涡轮发电机所面临的天气状况的气象装备(诸如LiDAR或雷达)的安装成本高且复杂。

降水(包括强降水)可以通过雨滴测量器检测或识别；和/或结合由例如雷达/LiDAR装置提供的气象数据建模。

已经做出了一些努力来评估风力涡轮机所经历的操作状况。这些努力包括以下示例。

EP2565444公开了一种时域系统叶片识别方法，用于监视，特别是用于根据测得的振动检测转子叶片特性的改变，记录一个或多个转子叶片的温度。

EP2565444未提及转子叶片在操作期间所经历的状况的识别。

US2014246857公开了一种设置，其中噪声监视将异常响亮的噪声检测为单个事件，例如，当园区中的多个风力涡轮机中同时出现大噪声并且同时被识别出时，该噪声很可能是外部事件，诸如冰雹或闪电。US2014246857进一步建议由人员停止和维修风力涡轮机。

US2003165379公开了一种系统，作为前面提到的雨滴测量器类型，用于确定包括冰雹和雨滴或降水在内的粒子数量及其冲量对叶片的阈值影响。

US2014260634公开了一种针对比较在几个叶片当中收集的感知数据以测量周期性应力载荷的声学和加速度计系统(重力方向)。

US2009039650公开了一种通过组合信号(诸如评估在可以排除结冰的夏季期间获得的信号)来对如结冰、结垢或裂缝之类的事件进行分类的方法。US200903650未提及实际信号和信号模式。

发明内容

目的是降低获得与风力涡轮发电机操作相关的操作状况的复杂性。目标是改进风力涡轮发电机的操作。

目的是增加风力涡轮发电机的寿命。另一个目的是减少在风力涡轮发电机的寿命期间的服务需求。

在示例中，目标是减少风力涡轮机叶片(比如风力涡轮机叶片的前缘)的侵蚀。

描述

目标是通过一种检测风力涡轮发电机上的叶片的异常状况的方法来实现的。该方法包括如下动作：

存在测量来自风力涡轮发电机的感知输入的动作。

存在从感知输入中识别叶片异常状况的签名的动作。

将用示例来理解和说明异常状况。同样，将用示例来理解和指定识别签名的动作。

正常状况可以被理解为“一切都等同”并且在正常状况或可接受的状况下。正常状况也可以是在特定状况下，诸如作为示例识别出的不寻常状况。

异常状况可以被认为是异常。

感知输入包括感知器官或感知单元在接收刺激、定量输入或测量时的反应。

状况可以针对特定叶片、带特定叶片集合的特定转子、具有带特定叶片集合的特定转子的特定风力涡轮机。状况可以是在特定情形下发生的任何此类状况或情况。

因此，系统或风力涡轮机叶片可以在“一切都等同”或相同的状况下操作，直到出现不寻常事件、非正常或异常事件或状况。

检测可以是通过“监听”和感测大雨以及风力涡轮机转子和其它旋转设备上的其它缺陷。

在示例中：正常状况可以是叶片或转子在无雨或无其它降水的天气状况下操作。对应的异常状况可以是在下雨或其它降水的情况下操作。

在示例中：正常状况可以是在下雨或其它降水期间操作。对应的异常状况可以是在大雨或其它强降水期间操作。

在示例中：正常状况可以用完整提供的或根据包括一定级别的层压的规范提供的风力涡轮机叶片操作。对应的异常状况可以是用分层的叶片的操作(相对于一定的层压级别)。

在示例中：正常状况可以是以风力涡轮机叶片操作，叶片内没有松散的物体。对应的异常状况可以是以叶片内部的一个或多个松散物体操作。物体可以是工具、螺栓、叶片的一部分，诸如玻璃纤维。

在示例中：正常状况可以是对叶片没有撞击的操作。对应的异常情况可以是对叶片有撞击的操作。撞击可以是鸟或蝙蝠等与叶片碰撞的事件。

在示例中：正常状况可以是叶片上没有结构损坏的操作。对应的异常状况可以是在叶片上结构损坏的情况下的操作。结构损坏可以是叶片的层压布局之间的相对差异、叶片中结合的结构之间的相对差异、凹痕或不对称。

除了提到的示例之外，这些方法和系统还可以被用于使用转子监视技术来感测和监听其它缺陷。例如，此类其它缺陷可以如下：

-沙尘暴在风力涡轮机叶片中生成高的、异常的声音和/或异常振动，这可以通过算法来检测；

-雷击在风力涡轮机叶片中生成高的、异常的、瞬时的声音峰和/或不寻常的、瞬时的振动峰，并且可以由传感器和算法检测，如所述的；

-在叶片内部移动的松散颗粒，从而在风力涡轮机叶片中生成单调的、不寻常的声音和/或不寻常的振动，并且可以由传感器和算法来检测；

-个体叶片表面上或叶片结构内部的损坏在风力涡轮机叶片中生成异常声音和/或异常振动，并且可以由传感器和算法来检测；

-可以从噪声/振动的瞬时峰检测到鸟和/或蝙蝠撞击风力涡轮机叶片。

-叶片浆距角、弯曲和扭曲之间的差异在风力涡轮机叶片中生成异常声音和/或异常振动，并且可以由传感器算法来检测。

检测异常状况的动作还可以包括风力涡轮发电机的转子的异常状况。检测异常状况的动作一般还可以包括异常状况、旋转机构或机械。

因而，可以实现撞击风力涡轮机叶片上的叶片表面的检测物体。

进一步的效果还可以是减少不平衡旋转，不平衡旋转可以由于例如三个叶片上的不相等冰积聚或三个叶片上的重量差异或由于叶片的浆距、弯曲和/或扭曲引起的三个叶片的空气动力学效率的差异，引起轮毂受压。

另一个效果可以是改进对结构问题和风力涡轮机叶片之间差异的监视。在示例中，检测风力涡轮机叶片内是否有松动的物体移动。在示例中，可以检测由于叶片浆距角的差异、风力涡轮机叶片上的弯曲和扭曲引起的声学差异的监视。

在示例中，当风力涡轮机叶片受到雷击时，它是要监视的物体。

签名被理解为在生成的感知数据中的签名。正常状况可以具有正常签名。异常状况可以具有与正常签名不同的异常签名。因此，异常状况可以通过签名来表征。前面提到的示例可以各自具有他们的签名或标签。

在示例中：大雨或其它强降水状况将具有大雨或强降水签名。签名可以特定于叶片、转子或风力涡轮发电机的特定配置或组合。

在一方面，识别的动作涉及感知输入的频谱分析。在一方面，识别的动作涉及感知输入的统计分析。在一方面，识别的动作涉及感知输入的模式识别。在一方面，识别的动作涉及通过机器学习或人工智能对感知输入执行的分析。即，异常状况可以用来自传感输入的数据的相应表示中的对应签名来识别。在示例中，通过在最初标记的数据上训练的特定于签名的监督算法来学习异常状况。

例如，大雨或强降水可以通过数据的统计分析表示中的签名来识别。

签名可以依赖于特定于状况和/或故障或异常状况的一个或多个特征。这些定量或定性特征可以使用统计工具从不同的输入数据中得出，诸如在给定时间或时间窗口进行预测的模型中聚合，并且给定来自那个时间段的输入数据，状况存在的概率具有给定置信度，并且也许还有一些状况资格的强度。

在一方面，识别的动作还涉及对异常状况进行分类的动作。在示例中，签名还可以对大雨或强降水进行分类，诸如冰雹、雨滴(巨大、大、中、小，等等)或雪的类型。在另一个示例中，该算法可以利用签名对比来确定状况的强度或它的一些定量方面。

加标签可以根据定义或设计作为事实而进行。叶片可以暴露在大雨中，因此提供根据定义具有大雨签名的训练数据。

叶片可以在有外部或额外诊断的状况下操作，外部或额外诊断提供或建立用于加标签的状况。在涡轮机上或者在相当近的距离上的雨水检测器可以被用于根据检测到的雨或其它降水对数据进行分类或加标签。

可替代地，可以使用LiDAR根据检测到的天气状况对数据进行分类或加标签。又一个替代方案可以涉及红外触发的相机设置以识别下雨事件。本领域技术人员将认识到可用的检测技术以及一般新的或改进的检测技术。

当建立算法或签名或训练网络时，可能不再需要外部仪器来提供加标签的数据。然后可以存储和使用签名。在示例中，大雨或其它降水只能通过来自叶片中的传感器的算法和数据来识别。已建立的算法或签名可以应用于其它或几种风力涡轮机配置。

在一方面，识别的动作涉及通过将感知输入的正常签名或预校准签名与感知输入的测得的签名相比较来识别(即，识别或学习)签名。正常签名可以是正常状况期间的签名。预校准的签名可以是通过校准或先验设计获得的签名。

签名可以根据例如叶片类型和尺寸进行“缩放”或校准。可以根据例如操作状况(诸如转速)来“缩放”或校准签名。

在一方面，测量的动作是通过使用布置在风力涡轮发电机的一个或多个叶片中的一个或多个振动传感器来执行的。振动传感器可以指示风力涡轮发电机上的振动。

振动传感器可以是加速度计。可以使用单轴加速度计。可以使用两轴、三轴或多轴加速度计。振动传感器可以是三轴加速度传感器。

在一方面，测量的动作是通过使用声学传感器来执行的。声学传感器可以被单独使用或与振动传感器结合使用。

应用振动传感器和声学传感器可以提供附加的输入和/或改进对数据的加标签。

声学传感器可以是麦克风。声学传感器可以提供声学信息并且被实现为包括振动传感器的轮廓传感器。

作为替代方案，可以使用地震检波器传感器。

振动传感器、声学传感器和/或地震检波器传感器可以单独使用或组合使用。

在示例中，人类的可听频率范围为20Hz–20KHz。

如奈奎斯特(Nyquist)定理所述，采样频率可以作为起始点，至少是要捕获的感兴趣信号的两倍。技术人员将尝试将较低的采样频率应用于减少的数据同时获得足够的信息是一种自然的方法。麦克风的dBSPL范围可以在65-152dB SPL之间。但是，dBSPL范围可以改变或取决于实际应用或者机械或风力涡轮发电机的类型。

本领域技术人员将认识到的，采样率可以根据需求而变化。但是，对于采样率，这取决于感兴趣的信号。起点始可以是感兴趣信号的两倍的采样频率。较低的采样频率也可能就足够了。可以应用一些实验来找到应当基于应用根据期望而选择的采样频率。

输入数据和加标签传感器的参数(诸如它们的灵敏度或采样频率)可以根据感兴趣的信号以及其它潜在系统、鲁棒性或同步需求而变化。将使用各种实验，并且将选择最佳参数来识别各种提到的状况。不同的传感器可以潜在地具有不同的参数，以便捕获不同状况的不同模式。

而且，取决于应用，本领域技术人员将认识到替代dBSPL范围可以影响传感器选择。

在一方面，测量的动作通过使用包括不同类型的感知输入的感知输入来执行。在示例中，一个传感器可以是振动传感器，诸如加速度计类型的传感器。另一个传感器可以是声学传感器。另一个传感器可以是地震检波器。可以应用传感器的组合。

识别出的信号或签名之间的相关性可以进一步阐明或识别签名或分类。

例如，每个撞击叶片的雨滴都充当振动的来源。降雨量在下降的水滴数量及其尺寸上变化。施加在叶片上的动能的量由液滴尺寸和速度决定。雨滴的尺寸与雨的强度成比例，因此雨滴撞击叶片导致的振动应当根据降雨率/撞击物体而增加。本领域技术人员将认识到对转子或机械的转速以及因此对叶片尖端速度的依赖性，并且将依赖性考虑在内。

来自(一个或多个)振动传感器的数据：一个或多个振动传感器位于一个或多个叶片内并且可以被配置为连续地将数据无线传输到收集箱。

因此，分析和处理或预处理的这些部分可以在位于例如叶片中的传感器节点中执行。

数据覆盖从安装时间收集的所有数据，并且其尺寸和频率是可以根据状况签名和/或由相同数据指示的事件触发器来固定或改变的参数。

通过这(一个或多个)振动传感器在一个、两个、三个轴上测量加速度；或一般在多轴设置中测量加速度。

时间戳的最终数据和对应的加速度值可以与其它传感器或涡轮机状态数据聚合，并针对特定的移动时间窗口呈现给算法，该移动时间窗口可以根据要查看的状况而改变。

在一方面，测量的动作基于带时间戳且同步的感知数据。即，一个传感器输入与另一个传感器输入同步。在一方面，可以有一个较高分辨率的感知输入和一个或多个较低分辨率的感知输入。

在一方面，识别的动作结合测量感知输入在本地执行。

振动传感器可以布置在传感器节点中。传感器节点可以配置有通信链路，该通信链路被配置为将数据传送到中央处理器。

传感器节点可以配置有处理器以执行所概述的识别。传感器节点可以配置有用于更新签名的部件。传感器节点可以配置有预处理或者甚至处理感知输入的部件。这允许传感器节点使用尽可能少的功耗进行操作。因此，与让传感器节点将数据(高采样率)传输到放置在别处的处理器相比，为传感器节点处的处理器提供额外的努力可以是有利的。由此减轻与无线传输数据相关的不利功耗影响。

传感器节点还可以设有调整传感器的采样率/频率的部件。可以根据状况和签名动态地调整采样。传感器节点可以以低分辨率以低功耗操作，并且如果预期或以其它方式指示签名，那么传感器节点可以调整采样和处理以增加分辨率，以尝试更果断地确定异常状况的签名是否存在。

在正常数据将被删除并且不会被无线传送以进行进一步处理的意义上，传感器节点还可以在移动窗口的情况下操作。传感器节点中的算法可以识别异常数据，然后在触发事件之前和之后的特定时间潜在地触发采样频率的变化和数据存储，并保留以进行进一步的详细处理。时间窗口可以是预定义的，或者根据实际情况改变。

在一方面，异常状况是大雨的状况，并且识别签名的动作通过人工智能(AI)或机器学习(ML)布置等方式执行，这些布置通过由一个或多个振动传感器提供的感知输入进行训练和馈送。可选地，可以存在来自一个或多个声学传感器的数据馈送。传感器位于风力涡轮发电机的一个或多个叶片中。

可替代地，通过识别数据的频谱内容的改变来执行识别签名的动作。

与其它用于识别大雨或其它强降水的诊断手段相比，以这种方式识别大雨或其它强降水已被证明特别简单。

使用提到的动作和签名允许快速、廉价和持续地识别叶片和转子的状况和状况监视。

实际上，在训练之后，算法需要来自有限的(可能是移动的)时间窗口的输入数据以非常快速地计算多变量状况的预测。

动作消除了直接降雨测量(诸如MET站)的使用，并依赖于几乎无需人工干预的廉价传感器。设置和动作大大降低了成本和复杂性。最后，一旦算法经过训练，移动时间窗口就可以对状况和潜在故障进行连续评估。此外，“移动窗口”允许存储和传送重要的异常带时间戳数据，以便进一步分析和训练算法。“移动窗口”还允许删除传感器节点中已经存在的“正常”时间数据，从而降低传感器节点的功耗。

另一个优点实际上可以是物理鲁棒性，因为系统将安装在叶片内部，因此免受所提到的可能影响外部测量和潜在外部传感器状态的状况的影响。

结冰降低转子叶片的空气动力学效率，从而造成生产损失和噪音排放增加。而且，附加的冰载荷会导致极端载荷和疲劳增加。

将结冰检测为异常状况可以帮助延长涡轮机的使用寿命并给出更准确的能量产生预期。

此外，结冰风测量传感器(诸如风速计)会导致错误行为和安全停机，具有导致生产的不确定性的更高不确定性，我们的系统将能够考虑到这一点并可能校正结冰因素。

最后，从结冰的叶片上抛冰和落冰对路人和维修人员来说是重大的安全风险，这也可以是如所描述的那样改进的异常状况检测。

沙尘暴：随着风力涡轮机叶片表面灰尘的增多，翼面阻力增大，但升力减小，风力涡轮机输出功率减小。而且，水平轴失速调节的风力涡轮机的转子叶片上的灰尘会导致长时间停机而无法生产，原因是灰尘积聚过多和安全要求，电力生产和维护成本降低。积尘的数量和影响取决于转子涡轮机的规格、转子的速度等，这可以根据我们的系统预测进行调节，以最小化粉尘量和对生产的影响。因此可以如本文概述的那样限制或校正风力涡轮发电机的操作。

沙尘暴也会对叶片前缘产生与大雨等相似的影响，因此重要的是能够识别高于某个阈值的级别，在这个级别，叶片尖端速度应当降低或甚至转子完全停止以避免损坏叶片的前缘。

松散物体示例：识别这种事件还可以通过避免由于此类物体持续停留在那里的影响而对叶片、机舱或转子的可能的损坏，从而延长涡轮机的使用寿命。还可以通知物体的尺寸和性质，这改进了现有技术的状态监视。这也提高了维护和通过的安全性，尤其是如果物体可以从涡轮机上分离并易于掉落的话。

蝙蝠和鸟示例：通过识别这种事件的发生，可以确切地量化特定风力涡轮机对野生动物的影响，从而更好地研究这种问题。

可以通过根据所公开的检测到的或识别出的异常状况控制风力涡轮发电机的动作来操作风力涡轮发电机来实现目标。

在示例中，已经发现叶片侵蚀是由大雨或其它强降水引起的。但是，已经发现大雨或其它强降水很少发生——比如说每年大约4-12小时，诸如在一些环境中每年8小时，并且在这些有限的时间段内的大雨或其它强降水有助于侵蚀。在此类时间段期间以校正的方式控制或操作风力涡轮机可以是有利的，尽管发电明显损失。

在一方面，控制的动作涉及在异常情况期间至少将转速降低到某个限度以下、使一个或多个叶片俯仰，或使机舱偏航。

在示例中，在大雨或其它强降水期间，风力涡轮发电机的控制方式可以与其它方式不同。根据叶片构造和侵蚀的发生情况，以及根据大雨或其它强降水的性质，可以存在将转子的转速降低到对应的叶片尖端速度低于一定限度的旋转的动作。在大雨或其它强降水期间，尖端速度可以暂时降低到200km/h以下，或在该数量级。

目标可以通过用于检测风力涡轮发电机上的异常状况的系统来实现。根据所描述的方法，这种系统包括提供指示振动的感知输入的感知部件和适于执行动作的部件。

传感器可以是振动传感器。传感器可以是加速度计。传感器可以是三轴加速度计。传感器可以是声学传感器。可以有一种或多种类型的传感器。

可以有定时器、时钟和用于给数据加时间戳并处理带时间戳的数据的部件。传感器或数据的收集可以同步。

用于执行动作的部件可以是计算机、控制器或执行指令的任何等效部件的处理器。

在实施例中，数据被传送到基本上中央计算设备或处理设备并由其处理。在实施例中，与传感器相邻或与传感器连接的计算机、处理器或控制器本地处理数据。

传感器可以是传感器节点的一部分，该节点包括用于传输数据的部件。

在实施例中，存在一个或多个传感器的套件，该套件被配置为与包括的中央处理器单元无线通信，该中央处理器单元被配置为执行所描述的动作。

在实施例中，存在一个或多个传感器的套件，该套件配置有执行所描述的动作的至少一部分的处理器和可选的中央处理器单元。

所描述的控制器或处理单元被配置为与风力涡轮机控制器传送指令。控制器可以被配置为收集、处理数据和/或提供对数据的远程访问。此外，控制器可以配置有如概述的算法的实施方式。

在一方面，感知部件包括一个或多个振动传感器和/或声学传感器，其被配置为放置在风力涡轮发电机的叶片中并被配置为测量指示异常状况的振动和/或噪声，诸如转子或叶片上的大雨或其它强降水。

在一方面，其中感知部件包括适于执行所述方法的动作的一个或多个部件。

目标可以由用于操作风力涡轮发电机的系统来实现。该系统可以包括用于检测所述异常状况的系统。

可以存在用于根据检测到的异常状况来控制风力涡轮发电机的部件。

可以存在适于执行所公开的方法的动作的部件。

可以在计算机程序产品中收集或编译执行动作的指令，该计算机程序产品包括使所描述的系统执行所描述的方法的动作的指令。可以存在存储有计算机程序的计算机可读介质。

附图说明

本发明的实施例将在附图中进行描述，其中：

图1图示了检测异常状况的方法；

图2图示了识别签名的进一步的方面；

图3图示了操作风力涡轮发电机的方法；

图4图示了风力涡轮发电机和感知布置；

图5图示了叶片上的感知布置；

图6图示了感知布置的进一步的方面；

图7图示了风力涡轮发电机上的感知布置的进一步可选或替代方面，包括传感器节点布置；

图8图示了具有与远程/基于云的处理器交互的感知布置的风力涡轮发电机；

图9图示了传感器节点的配置。

图10图示了对来自声学记录的传感器数据的功率谱密度(PSD)的估计；

图11例示了将鸟击、雷击或其它缺陷检测为异常情况；

图12图示了对来自声学记录的降雨状况传感器数据的不同签名的功率谱密度(PSD)的估计；

图13举例图示了用于检测异常状况的算法或统计设置；以及

图14图示了使用主成分分析来检测异常状况。

具体实施方式

图1图示了检测100如图4至图9中所示的风力涡轮发电机12上的叶片22的异常状况120的方法。方法100包括测量200来自风力涡轮发电机12的感知输入140的动作。

该方法包括从感知输入140识别300异常状况155(比如叶片22所经历的)的签名的动作。

图2图示了识别异常状况120的签名150(即，异常签名155)的其它方面。

测量200的动作可以涉及同步240感知输入的动作。同步240的动作原则上可以作为识别300的一部分来执行。

如将被例示的，识别300的动作可以涉及通过将感知输入140的正常签名152或预校准的签名154与感知输入140的测得的签名150进行比较来识别签名150。

识别签名150的动作可以涉及感知输入140的频谱分析，它可以涉及感知输入140的统计分析，它可以涉及感知输入140的模式识别，它可以对感知输入140使用机器学习(ML)，或者是使用人工智能(AI)。

识别300签名150的动作可以是识别大雨或其它强降水121的状况。识别300签名150的动作可以通过由来自风力涡轮发电机12的一个或多个感知输入140提供的感知输入140馈送的人工智能(AI)或机器学习(ML)来执行。

图3图示了根据概述的方法或动作100通过根据检测到的异常状况120控制600风力涡轮发电机12的动作来操作500风力涡轮发电机12(未示出，但在其它图中例示)的方法。

控制600的动作可以涉及在异常状况120期间至少将转速610降低到某个极限612(未示出)以下，使一个或多个叶片俯仰620，或者使机舱偏航630。

图4图示了风力涡轮发电机12，其包括具有转子叶片的集合20的转子14。转子叶片的集合20在此包括三个转子叶片22A、22B、22C。风力涡轮发电机12可以在正常状况110期间操作并且经历异常状况120。异常状况可以是暂时的。

图5图示了在具有转子14的风力涡轮发电机12上的叶片22A、22B、22C上的感知布置。叶片22A、22B、22C是转子叶片的集合20。每个叶片22A、22B、22C包括叶片传感器的集合40A、40B、40C作为传感器部件41。在当前情况下，叶片传感器的每个集合40A、40B、40C包括叶片传感器42A、42B、42C。叶片传感器可以是振动传感器50(未示出)或声学传感器60(未示出)。

感知布置可以是用于检测异常状况70的系统的一部分。

叶片传感器42被配置为与控制器或计算部件72通信74。通信74可以是有线的或无线的，如此处所示。

图6图示了风力涡轮发电机12上的感知布置的其它方面。可以存在定时器或时钟，其被配置为向来自感知布置41的数据31提供时间戳34，从而提供带时间戳的数据32或同步的数据以供计算单元72处理。

风力涡轮发电机(WTG)12具有转子14和转子叶片的集合20。转子叶片的集合20具有三个转子叶片22A、22B、22C。

每个叶片22A、22B、22C包括叶片传感器的集合40A、40B、40C。在当前情况下，叶片传感器的每个集合40A、40B、40C包括叶片传感器42A、42B、42C。

示出了另外的传感器部件41。在这个实施例中，另外的传感器是旋转传感器(RPM传感器或振动传感器)，诸如测量转速610的高采样速度传感器。系统可以被配置用于同步240的动作，如图2或其变体中所示，并且基于传感器42ABC，并且针对至少一个其它传感器41执行同步。

感知布置可以是用于检测异常状况70的系统的一部分。计算布置72或控制器可以是单个单元或如此处所示的那样分布。

图7图示了风力涡轮发电机12上的感知布置的进一步可选或替代方面。

传感器42可以作为传感器节点45(参见图9)被植入，如由传感器节点45A、45B、45C所示。传感器节点可以具有振动传感器50和声学传感器60。还可以存在附加的传感器部件41。

传感器节点45可以包括基本处理72并且适于执行检测100的动作或该动作的至少一部分。

传感器的集合40可以被理解为具有一个或多个传感器的传感器节点45。这种传感器节点45可以包括配置、收集、存储和处理生成的传感器数据的处理器或部件。传感器节点45可以具有与控制器(未示出)或其它传感器节点通信的通信部件。传感器节点45可以具有同步240的部件(如前所述)，比如传感器50、60。

图8图示了具有与远程/基于云的处理器72交互的感知布置的风力涡轮发电机12，作为用于检测异常状况的系统70的一部分。

旋转设备10包括转子叶片的集合20。转子叶片的集合20由三个转子叶片22A、22B、22C组成。

每个叶片22A、22B、22C包括叶片传感器的集合40A、40B、40C。在当前情况下，叶片传感器的每个集合40A、40B、40C包括叶片传感器42A、42B、42C。

数据集30由计算部件72处理。风力涡轮发电机12可以具有用于生成时间戳34的时钟。在这种情况下，时间戳被进一步同步并从全球时间服务器递送。因此，数据集30可以是带时间戳的数据32。可替代地，每个传感器节点45可以被同步并且时间戳34可以在传感器节点级别被应用。

系统70可以经由云/连接服务与运营商系统、移动设备、客户端服务器和存储装置或数据库交互。可以经由云获得进一步的访问或镜像或监控，以进行长期监视、警报或服务计划。

本文公开的检测100的方法和动作可以在单个处理器72设备中执行或者如此处所说明的那样分布。

图9图示了传感器节点45的配置。存在节点电力46管理布局，其可以包括能量的源、能量的存储装置、电力管理的控制器和用于配置/控制以及可能充电的接口。

传感器节点45被图示为具有处理器或计算部件72。传感器节点45包括生成数据31的感知部件41。图示的是振动传感器50，在这种情况下它具有三线输出并且在示例中可以是三轴加速度计。可选地，存在声学传感器60。可选地，存在另外的(一个或多个)传感器部件41。

计算部件72可以适于执行指令以执行如概述的动作中的一个或多个或所有动作以执行检测100并支持或完全确定异常状况120。

传感器节点45配置有通信部件74并且在此处配置有存储部件76。

图10例示了作为异常状况的大雨期间的检测100和操作。

异常状况的检测100通过以下动作例示。

存在每隔设定的时间或几分钟设置起动过程的初始动作。存在使麦克风处于监听状态的动作。

存在检查是否超过麦克风唤醒阈值的动作。在肯定的情况下进行下一个检查，或者在否定的情况下返回到前一个动作或开始。

存在检查WTG是否在操作中的动作。在肯定的情况下进行下一个检查，或者在否定的情况下返回到前一个动作或开始。

存在检查叶片尖端速度是否>200km/h的动作。在肯定的情况下进行下一个检查，或者在否定的情况下返回到前一个动作或开始。

存在检查是否超过声音阈值的动作。在肯定的情况下进行下一个检查，或者在否定的情况下返回到前一个动作或开始。

存在检查加速度计振动特征150是否存在的动作。在肯定的情况下进行下一个检查，或者在否定的情况下返回到前一个动作或开始。

存在检查是否存在大雨签名150的动作。在肯定的情况下进行下一个检查，或者在否定的情况下返回到前一个动作或开始。

在大雨检测100的情况下，存在将检测发送到WTG控制器的动作。在否定的情况下，返回到前一个动作或开始。

存在如果需要则通过校正动作(诸如叶片浆距角、转子速度降低或其组合)来控制WTG的动作。如果需要，则WTG控制器将改变叶片浆距和/或降低转子速度。

存在结束(完成)检测的动作。

图11例示了异常状况(如鸟击、雷击或其它缺陷)的检测100。

异常状况的检测100通过以下动作例示。

存在每隔设定的时间或几分钟设置起动过程的初始动作。存在使麦克风处于监听状态的动作。

在这种情况下，存在将麦克风(可选的)和振动传感器设置为监听的动作。

存在检查是否超过麦克风唤醒阈值的动作。在肯定的情况下进行下一个检查，或者在否定的情况下返回到前一个动作或开始。

存在检查声音(声学)阈值峰是否是瞬时的动作。在肯定的情况下进行下一个检查，或者在否定的情况下返回到前一个动作或开始。

存在检查加速度计振动峰是否是瞬时的动作。在肯定的情况下检测到异常状况，或者在否定的情况下返回到前一个动作或开始。

在检测到异常状况时，将异常情况分类为例如鸟类碰撞、雷击或其它缺陷。

存在检查要执行哪些校正动作或通信(诸如通知所有者和/或操作者)的动作。

存在结束检测的动作。

图12图示了对来自声学记录的传感器数据的功率谱密度(PSD)的估计，对于不同的降雨强度，加速度数据具有相似的签名。存在“无雨”签名160的情况，还存在正常状况的签名152。存在“小雨”签名162的情况，还存在正常状况的签名152。存在“大雨”签名164的情况，还存在异常状况的签名155。箭头位于主要区分降雨量的频段(即，大约600-1200Hz)。

通过结合实际情况对功率谱密度进行收集和分类，本领域技术人员将能够从定性(即，有雨与无雨)和定量(即，大雨与小雨)两方面对“大雨”进行识别或区分。

图13举例图示了用于检测100异常状况的设置。

存在测量200和识别300异常状况签名155的动作。可以执行设置以使机器学习能够执行识别。

存在从例如振动传感器50和/或声学传感器60收集数据31的动作。数据31可以是带时间戳的数据32。

因此，存在测量200来自传感器的输入的动作。存在比较或生成相关联状况(即，“大雨”状况、“小雨”状况或“无雨”状况)的动作。

此外，存在识别300异常状况155的签名150的动作。

识别300的动作涉及预处理数据和/或使用度量工程的动作。存在将振动和声学特征相关联的动作。此类特征可以是幅度、关联长度以及其它可关联的特征。存在基于先前关联的状况来量化特点的状况的动作。

识别300的动作涉及使用机器学习算法的动作。机器学习将对签名150进行分类(比如聚类)。示例中图示了根据“无雨”状况(三角形)和“下雨”状况(圆形和正方形)进行聚类/分类的示例，其中“大雨”状况(正方形)是异常状况155。

图14举例图示了用于检测100异常状况的签名150。

通过使用主成分分析(PCA)检测以一个风力涡轮机的值为特征的经变换的振动数据到较低的2维空间的投影来建立签名150。

每个点表示同一风力涡轮机在不同日期的固定持续时间的振动数据，此处为1分钟。

颜色(强度)表示以mm/h为单位的降雨强度。该图清楚地示出了雨的不同签名及其强度，其分层为颜色从深色(无雨160)到绿色(小雨162和中雨163)到黄色(大雨164)；如图中放置的箭头所指示的。

在这种特定情况下，仅使用来自风力涡轮机叶片中的加速度计的数据。本领域技术人员(即，包括统计学家)将认识到多种不同的算法或程序包来执行统计分析(此处是经典的主成分分析)或其变体。有趣的观察是，通过使用来自可以容易地安装或已经安装并用于其它目的的加速度计的数据，可清楚地区分降雨状况。

Claims (25)

1.一种检测(100)风力涡轮发电机(12)上的叶片(22)的异常状况(120)的方法，包括以下动作：

-测量(200)来自风力涡轮发电机(12)的感知输入(140)；

-从感知输入(140)识别(300)叶片(22)的异常状况(155)的签名(150)。

2.根据权利要求1所述的方法(100)，其中识别(300)的动作涉及感知输入(140)的频谱分析、感知输入(140)的统计分析、感知输入(140)的模式识别，或通过机器学习/人工智能对感知输入(140)的分析。

3.根据权利要求1或2所述的方法(100)，其中识别(300)的动作涉及通过将感知输入(140)的正常签名(152)或预校准的签名(154)与感知输入(140)的测得的签名(150)进行比较来识别签名(150)。

4.根据权利要求1至3中的任何一项或多项所述的方法(100)，其中识别(300)的动作通过对由外部仪器建立的识别(100)的签名加标签来执行。

5.根据权利要求1至4中的任何一项或多项所述的方法(100)，其中测量(200)的动作通过使用布置在风力涡轮发电机(12)的一个或多个叶片(22)中的一个或多个振动传感器(50)来执行。

6.根据权利要求1至5中的任何一项或多项所述的方法(100)，其中测量(200)的动作通过使用声学传感器(60)来执行。

7.根据权利要求1至6中的任何一项或多项所述的方法(100)，其中测量(200)的动作通过使用根据权利要求5和6所述的感知输入来执行。

8.根据权利要求1至7中的任何一项或多项所述的方法(100)，其中测量(200)的动作基于带时间戳(34)且同步的感知数据(31)。

9.根据权利要求1至8中的任何一项或多项所述的方法(100)，其中结合测量(200)感知输入(140)在本地执行识别(300)的动作。

10.根据权利要求1至9中的任何一项或多项所述的方法(100)，其中通过根据签名(150)和异常状况(155)动态调整采样来执行测量(200)的动作。

11.根据权利要求1至10中的任何一项或多项所述的方法(100)，其中识别(300)的动作是关于天气状况。

12.根据权利要求11所述的方法(100)，其中识别(300)的动作是关于降雨状况。

13.根据权利要求12所述的方法(100)，其中识别(300)签名(150)的动作涉及识别雨的不同签名(150)：无雨(160)、小雨(162)、中雨(163)和大雨(164)。

14.根据权利要求1至13中的任何一项或多项所述的方法(100)，其中识别(300)的动作仅借助于加速度计作为振动传感器来执行。

15.根据权利要求12、13和14所述的方法(100)。

16.根据权利要求1至13中的任何一项或多项所述的方法(100)，其中异常状况(120)是大雨(121)的状况，并且其中通过由位于风力涡轮发电机(12)的一个或多个叶片(22)中的一个或多个振动传感器(50)和/或一个或多个声学传感器(60)提供的感知输入(140)馈送的人工智能(AI)或机器学习(ML)来执行识别(300)签名(150)的动作。

17.一种通过根据如权利要求1至16中的任何一项或多项所述的方法(100)根据检测到的异常状况(100，120)控制(600)风力涡轮发电机(12)的动作来操作(500)风力涡轮发电机(12)的方法。

18.根据权利要求17所述的方法(500)，其中控制(600)的动作涉及在异常状况(120)期间至少将转速(610)降到低于某个限值(612)、俯仰(620)或偏航(630)。

19.根据权利要求18所述的方法(500)，其中在检测到的异常状况期间在较低的发电水平下临时执行控制(600)的动作。

20.根据权利要求19所述的方法(500)，其中检测到的异常状况是大雨状况。

21.根据权利要求20所述的方法(500)，其中暂时降低转速以将尖端速度降到低于200km/h的速度。

22.一种用于检测风力涡轮发电机(12)上的异常状况(70)的系统，该系统包括

-感知部件(41)，其提供指示振动的感知输入(140)；

-适于执行根据权利要求1至16中的任何一项或多项所述的方法(100)的动作的部件。

23.根据权利要求22所述的系统(70)，其中感知部件(41)包括一个或多个振动传感器(50)和/或声学传感器(60)，所述一个或多个振动传感器(50)和/或声学传感器(60)被配置为放置在风力涡轮发电机(12)的叶片(22)中并被配置为测量指示异常状况(120)的振动和/或噪声。

24.根据权利要求22或23所述的系统(70)，其中感知部件(41，45)包括适于执行根据权利要求1至16中的一项或多项所述的方法的动作的一个或多个部件。

25.一种用于操作风力涡轮发电机(90)的系统，包括：

-根据权利要求22至24中的任何一项或多项所述的用于检测异常情况的系统(70)；

-用于根据检测到的异常状况(100，120)控制风力涡轮发电机(12)的部件；

-适于执行根据权利要求1至16中的任何一项或多项所述的方法的动作的部件。

Images