CN114856940B - 一种基于vr的风电机组在线智能诊断方法以及系统 - Google Patents
一种基于vr的风电机组在线智能诊断方法以及系统 Download PDFInfo
- Publication number
- CN114856940B CN114856940B CN202210542114.3A CN202210542114A CN114856940B CN 114856940 B CN114856940 B CN 114856940B CN 202210542114 A CN202210542114 A CN 202210542114A CN 114856940 B CN114856940 B CN 114856940B
- Authority
- CN
- China
- Prior art keywords
- data
- diagnosis
- model
- monitoring
- online
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 293
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 241
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 230000000007 visual effect Effects 0.000 claims abstract description 50
- 238000012800 visualization Methods 0.000 claims abstract description 38
- 238000012423 maintenance Methods 0.000 claims abstract description 25
- 230000000737 periodic effect Effects 0.000 claims abstract description 20
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风电机组技术领域,具体公开了一种基于VR的风电机组在线智能诊断方法以及系统。本发明通过构建风电机组的基础VR运行模型;对多个重点监测位置进行在线重点监测;对重点监测数据进行故障诊断分析;进行故障可视化分析;按照智能诊断周期,生成并展示周期智能诊断数据。能够构建风电机组的基础VR运行模型,在风电机组运行过程中进行在线重点监测和故障诊断分析,生成监测诊断VR模型,并进行故障可视化分析,生成诊断展示VR模型,还能够进行周期化的智能诊断和展示,从而能够进行远程的风电机组VR展示,辅助运维工作人员进行风电机组的故障诊断与故障预警,降低了故障诊断的危险系数和人工成本。
Description
技术领域
本发明属于风电机组技术领域,尤其涉及一种基于VR的风电机组在线智能诊断方法以及系统。
背景技术
风力发电机组,简称风电机组,包括风轮、发电机;风轮中含叶片、轮毂、加固件等组成;它有叶片受风力旋转发电、发电机机头转动等功能。风力发电电源由风力发电机组、支撑发电机组的塔架、蓄电池充电控制器、逆变器、卸荷器、并网控制器、蓄电池组等组成。
随着绿色能源特别是风能在世界各地得到了广泛应用,促使风电机组的故障诊断和状态监测事业蓬勃发展,传统风机机组故障诊断需要高处作业、带电作业,在变风速、变负载的条件下长期运行容易发生各种故障,伴随着危险系数高,人员使用的成本也高,风场地理环境较为恶劣等因素影响,给运维工作人员分析故障停机原因带来困难,导致运维工作人员无法准确定位故障类型和精确定位故障点。
发明内容
本发明实施例的目的在于提供一种基于VR的风电机组在线智能诊断方法以及系统,旨在解决背景技术中提出的问题。
为实现上述目的,本发明实施例提供如下技术方案:
一种基于VR的风电机组在线智能诊断方法,所述方法具体包括以下步骤:
进行风电机组在线运行摄像和在线运行监测,获取运行摄像数据和在线运行数据,根据所述运行摄像数据和所述在线运行数据,构建风电机组的基础VR运行模型;
对风电机组的多个重点监测位置进行在线重点监测,生成重点监测数据,并将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型;
对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据,并将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型;
综合所述运行摄像数据和所述在线智能诊断信息进行故障可视化分析,生成故障可视化信息,并将所述故障可视化信息与所述监测诊断VR模型进行可视化结合,生成诊断展示VR模型;
获取运维工作人员设置的智能诊断周期,按照所述智能诊断周期,记录并分析在线运行数据和重点监测数据,生成周期智能诊断数据,并在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据。
作为本发明实施例技术方案进一步的限定,所述进行风电机组在线运行摄像和在线运行监测,获取运行摄像数据和在线运行数据,根据所述运行摄像数据和所述在线运行数据,构建风电机组的基础VR运行模型具体包括以下步骤:
进行风电机组的在线运行摄像,得到运行摄像数据;
进行风电机组的在线运行监测,得到在线运行数据;
综合所述运行摄像数据和所述在线运行数据,进行风电机组三维运行展示,构建基础VR运行模型。
作为本发明实施例技术方案进一步的限定,所述对风电机组的多个重点监测位置进行在线重点监测,生成重点监测数据,并将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型具体包括以下步骤:
对风电机组的齿轮箱、发电机、电力电子装置和叶片进行在线重点监测,生成重点监测数据;
获取监测数据展示框架;
根据所述监测数据展示框架,将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型。
作为本发明实施例技术方案进一步的限定,所述对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据,并将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型具体包括以下步骤:
对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据;
获取诊断数据展示框架;
根据所述诊断数据展示框架,将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型。
作为本发明实施例技术方案进一步的限定,所述综合所述运行摄像数据和所述在线智能诊断信息进行故障可视化分析,生成故障可视化信息,并将所述故障可视化信息与所述监测诊断VR模型进行可视化结合,生成诊断展示VR模型具体包括以下步骤:
综合所述运行摄像数据和所述在线智能诊断信息进行故障可视化分析,生成故障可视化信息;
将所述故障可视化信息,在所述监测诊断VR模型上进行可视化表示,生成诊断可视化VR模型;
根据所述故障可视化信息,在所述诊断可视化VR模型上进行故障可视化放大处理,生成诊断展示VR模型。
作为本发明实施例技术方案进一步的限定,所述获取运维工作人员设置的智能诊断周期,按照所述智能诊断周期,记录并分析在线运行数据和重点监测数据,生成周期智能诊断数据,并在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据具体包括以下步骤:
获取运维工作人员设置的智能诊断周期;
对所述在线运行数据和重点监测数据进行周期化记录分析,生成周期智能诊断数据;
在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据。
一种基于VR的风电机组在线智能诊断系统,所述系统包括基础模型构建单元、在线重点监测单元、在线智能诊断单元、监测诊断展示单元和周期记录诊断单元,其中:
基础模型构建单元,用于进行风电机组在线运行摄像和在线运行监测,获取运行摄像数据和在线运行数据,根据所述运行摄像数据和所述在线运行数据,构建风电机组的基础VR运行模型;
在线重点监测单元,用于对风电机组的多个重点监测位置进行在线重点监测,生成重点监测数据,并将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型;
在线智能诊断单元,用于对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据,并将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型;
监测诊断展示单元,用于综合所述运行摄像数据和所述在线智能诊断信息进行故障可视化分析,生成故障可视化信息,并将所述故障可视化信息与所述监测诊断VR模型进行可视化结合,生成诊断展示VR模型;
周期记录诊断单元,用于获取管理人员设置的智能诊断周期,按照所述智能诊断周期,记录并分析在线运行数据和重点监测数据,生成周期智能诊断数据,并在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据。
作为本发明实施例技术方案进一步的限定,所述基础模型构建单元具体包括:
运行摄像模块,用于进行风电机组的在线运行摄像,得到运行摄像数据;
运行监测模块,用于进行风电机组的在线运行监测,得到在线运行数据;
模型构建模块,用于综合所述运行摄像数据和所述在线运行数据,进行风电机组三维运行展示,构建基础VR运行模型。
作为本发明实施例技术方案进一步的限定,所述在线重点监测单元具体包括:
重点监测模块,用于对风电机组的齿轮箱、发电机、电力电子装置和叶片进行在线重点监测,生成重点监测数据;
框架获取模块,用于获取监测数据展示框架;
数据导入模块,用于根据所述监测数据展示框架,将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型。
作为本发明实施例技术方案进一步的限定,所述监测诊断展示单元具体包括:
故障分析模块,用于综合所述运行摄像数据和所述在线智能诊断信息进行故障可视化分析,生成故障可视化信息;
故障表示模块,用于将所述故障可视化信息,在所述监测诊断VR模型上进行可视化表示,生成诊断可视化VR模型;
故障放大模块,用于根据所述故障可视化信息,在所述诊断可视化VR模型上进行故障可视化放大处理,生成诊断展示VR模型。
与现有技术相比,本发明的有益效果是:
本发明实施例通过构建风电机组的基础VR运行模型;对多个重点监测位置进行在线重点监测;对重点监测数据进行故障诊断分析;进行故障可视化分析;按照智能诊断周期,生成并展示周期智能诊断数据。能够构建风电机组的基础VR运行模型,在风电机组运行过程中进行在线重点监测和故障诊断分析,生成监测诊断VR模型,并进行故障可视化分析,生成诊断展示VR模型,还能够进行周期化的智能诊断和展示,从而能够为运维工作人员进行远程的风电机组VR展示,辅助运维工作人员进行风电机组的故障诊断与故障预警,降低了故障诊断的危险系数和人工成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1示出了本发明实施例提供的方法的流程图。
图2示出了本发明实施例提供的方法中构建基础VR运行模型的流程图。
图3示出了本发明实施例提供的方法中生成运行监测VR模型的流程图。
图4示出了本发明实施例提供的方法中生成监测诊断VR模型的流程图。
图5示出了本发明实施例提供的方法中生成诊断展示VR模型的流程图。
图6示出了本发明实施例提供的方法中周期智能诊断数据展示的流程图。
图7示出了本发明实施例提供的系统的应用架构图。
图8示出了本发明实施例提供的系统中基础模型构建单元的结构框图。
图9示出了本发明实施例提供的系统中在线重点监测单元的结构框图。
图10示出了本发明实施例提供的系统中监测诊断展示单元的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解的是,现有技术中,风机机组故障诊断需要高处作业、带电作业,在变风速、变负载的条件下长期运行容易发生各种故障,伴随着危险系数高,人员使用的成本也高,风场地理环境较为恶劣等因素影响,给运维工作人员分析故障停机原因带来困难,导致运维工作人员无法准确定位故障类型和精确定位故障点。
为解决上述问题,本发明实施例通过构建风电机组的基础VR运行模型;对多个重点监测位置进行在线重点监测;对重点监测数据进行故障诊断分析;进行故障可视化分析;按照智能诊断周期,生成并展示周期智能诊断数据。能够构建风电机组的基础VR运行模型,在风电机组运行过程中进行在线重点监测和故障诊断分析,生成监测诊断VR模型,并进行故障可视化分析,生成诊断展示VR模型,还能够进行周期化的智能诊断和展示,从而能够为运维工作人员进行远程的风电机组VR展示,辅助运维工作人员进行风电机组的故障诊断与故障预警,降低了故障诊断的危险系数和人工成本。
图1示出了本发明实施例提供的方法的流程图。
具体的,一种基于VR的风电机组在线智能诊断方法,所述方法具体包括以下步骤:
步骤S101,进行风电机组在线运行摄像和在线运行监测,获取运行摄像数据和在线运行数据,根据所述运行摄像数据和所述在线运行数据,构建风电机组的基础VR运行模型。
在本发明实施例中,通过对风电机组的运行进行VR全景拍摄,得到风电机组的运行摄像数据,并对风电机组的运行进行在线运行监测,得到风电机组的在线运行数据,按照风电机组的运行摄像数据构建风电机组的VR三维模型,并根据在线运行数据,在VR三维模型上实时展示风电机组的运行状态,生成基础VR运行模型。具体的,基础VR运行模型能够按照一定的比例展示风电机组,并通过实时采集并展现风电机组的运行数据,实时展示风电机组的运行状态,例如:风电机组的朝向、转动速度等。
具体的,图2示出了本发明实施例提供的方法中构建基础VR运行模型的流程图。
其中,在本发明提供的优选实施方式中,所述进行风电机组在线运行摄像和在线运行监测,获取运行摄像数据和在线运行数据,根据所述运行摄像数据和所述在线运行数据,构建风电机组的基础VR运行模型具体包括以下步骤:
步骤S1011,进行风电机组的在线运行摄像,得到运行摄像数据。
步骤S1012,进行风电机组的在线运行监测,得到在线运行数据。
步骤S1013,综合所述运行摄像数据和所述在线运行数据,进行风电机组三维运行展示,构建基础VR运行模型。
进一步的,所述基于VR的风电机组在线智能诊断方法还包括以下步骤:
步骤S102,对风电机组的多个重点监测位置进行在线重点监测,生成重点监测数据,并将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型。
在本发明实施例中,将风电机组的齿轮箱、发电机、电力电子装置和叶片设置为重点监测位置,在齿轮箱、发电机、电力电子装置和叶片等多个重点监测位置进行相应的重点监测,生成重点监测数据,并获取监测数据展示框架,按照监测数据展示框架,将重点监测数据导入基础VR运行模型中进行实时数据展示,生成运行监测VR模型。
可以理解的是,齿轮箱、发电机、电力电子装置和叶片等多个重点监测位置常见的故障类型不同,因此不同重点监测位置的重点监测内容不同,例如:风电机组的齿轮箱中的齿轮容易发生齿面磨损、齿面擦伤、点蚀、断齿等故障,可以通过对齿轮箱进行振动信号采集与分析,利用小波神经网络诊断齿轮箱的故障;风电机组的发电机容易发生轴承故障、短路故障和转子偏心故障等,这些故障能够引发电量或非电量的变化,因此可以采集这些电量和非电量的变化数据,进行发电机故障的分析。
具体的,图3示出了本发明实施例提供的方法中生成运行监测VR模型的流程图。
其中,在本发明提供的优选实施方式中,所述对风电机组的多个重点监测位置进行在线重点监测,生成重点监测数据,并将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型具体包括以下步骤:
步骤S1021,对风电机组的齿轮箱、发电机、电力电子装置和叶片进行在线重点监测,生成重点监测数据。
步骤S1022,获取监测数据展示框架。
步骤S1023,根据所述监测数据展示框架,将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型。
进一步的,所述基于VR的风电机组在线智能诊断方法还包括以下步骤:
步骤S103,对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据,并将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型。
在本发明实施例中,通过对重点监测数据进行故障诊断分析,诊断风电机组中实时存在的故障,生成在线智能诊断数据,并获取诊断数据展示框架,按照诊断数据展示框架,将在线智能诊断数据导入运行监测VR模型中进行实时展示,生成监测诊断VR模型。具体的,监测诊断VR模型中能够按照数据和图标的方式,以诊断数据展示框架对应的展示位置和展示方式进行实时展示。
具体的,图4示出了本发明实施例提供的方法中生成监测诊断VR模型的流程图。
其中,在本发明提供的优选实施方式中,所述对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据,并将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型具体包括以下步骤:
步骤S1031,对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据。
步骤S1032,获取诊断数据展示框架。
步骤S1033,根据所述诊断数据展示框架,将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型。
进一步的,所述基于VR的风电机组在线智能诊断方法还包括以下步骤:
步骤S104,综合所述运行摄像数据和所述在线智能诊断信息进行故障可视化分析,生成故障可视化信息,并将所述故障可视化信息与所述监测诊断VR模型进行可视化结合,生成诊断展示VR模型。
在本发明实施例中,综合运行摄像数据和在线智能诊断信息,对风电机组可能存在的故障进行可视化分析与表示,生成诊断可视化VR模型,进而按照故障可视化信息,在诊断可视化VR模型上进行故障可视化放大处理,生成诊断展示VR模型。
可以理解的是,诊断可视化VR模型中能够按照可能存在的故障,在一定比例缩小的风电机组中展现,诊断展示VR模型中则生成一些故障放大图,并展示故障放大图的位置,在故障放大图中实时可视化展示风电机组的故障。
具体的,图5示出了本发明实施例提供的方法中生成诊断展示VR模型的流程图。
其中,在本发明提供的优选实施方式中,所述综合所述运行摄像数据和所述在线智能诊断信息进行故障可视化分析,生成故障可视化信息,并将所述故障可视化信息与所述监测诊断VR模型进行可视化结合,生成诊断展示VR模型具体包括以下步骤:
步骤S1041,综合所述运行摄像数据和所述在线智能诊断信息进行故障可视化分析,生成故障可视化信息。
步骤S1042,将所述故障可视化信息,在所述监测诊断VR模型上进行可视化表示,生成诊断可视化VR模型。
步骤S1043,根据所述故障可视化信息,在所述诊断可视化VR模型上进行故障可视化放大处理,生成诊断展示VR模型。
进一步的,所述基于VR的风电机组在线智能诊断方法还包括以下步骤:
步骤S105,获取运维工作人员设置的智能诊断周期,按照所述智能诊断周期,记录并分析在线运行数据和重点监测数据,生成周期智能诊断数据,并在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据。
在本发明实施例中,运维工作人员可以进行诊断周期的设置,通过获取运维工作人员设置的智能诊断周期,对在线运行数据和重点监测数据进行周期记录与诊断分析,生成周期智能诊断数据,并在诊断展示VR模型中,将上一个智能诊断周期的周期智能诊断数据进行展示。
可以理解的是,周期智能诊断数据是对一个智能诊断周期的在线运行数据和重点监测数据进行综合智能诊断的结果,能够更加准确的反映风电机组的故障,为运维工作人员提供更加准确的故障分析参考。
具体的,图6示出了本发明实施例提供的方法中周期智能诊断数据展示的流程图。
其中,在本发明提供的优选实施方式中,所述获取运维工作人员设置的智能诊断周期,按照所述智能诊断周期,记录并分析在线运行数据和重点监测数据,生成周期智能诊断数据,并在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据具体包括以下步骤:
步骤S1051,获取运维工作人员设置的智能诊断周期。
步骤S1052,对所述在线运行数据和重点监测数据进行周期化记录分析,生成周期智能诊断数据。
步骤S1053,在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据。
进一步的,图7示出了本发明实施例提供的系统的应用架构图。
其中,在本发明提供的又一个优选实施方式中,一种基于VR的风电机组在线智能诊断系统,包括:
基础模型构建单元101,用于进行风电机组在线运行摄像和在线运行监测,获取运行摄像数据和在线运行数据,根据所述运行摄像数据和所述在线运行数据,构建风电机组的基础VR运行模型。
在本发明实施例中,基础模型构建单元101通过对风电机组的运行进行VR全景拍摄,得到风电机组的运行摄像数据,并对风电机组的运行进行在线运行监测,得到风电机组的在线运行数据,按照风电机组的运行摄像数据构建风电机组的VR三维模型,并根据在线运行数据,在VR三维模型上实时展示风电机组的运行状态,生成基础VR运行模型。具体的,基础VR运行模型能够按照一定的比例展示风电机组,并通过实时采集并展现风电机组的运行数据,实时展示风电机组的运行状态,例如:风电机组的朝向、转动速度等。
具体的,图8示出了本发明实施例提供的系统中基础模型构建单元101的结构框图。
其中,在本发明提供的优选实施方式中,所述基础模型构建单元101具体包括:
运行摄像模块1011,用于进行风电机组的在线运行摄像,得到运行摄像数据。
运行监测模块1012,用于进行风电机组的在线运行监测,得到在线运行数据。
模型构建模块1013,用于综合所述运行摄像数据和所述在线运行数据,进行风电机组三维运行展示,构建基础VR运行模型。
进一步的,所述基于VR的风电机组在线智能诊断系统还包括:
在线重点监测单元102,用于对风电机组的多个重点监测位置进行在线重点监测,生成重点监测数据,并将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型。
在本发明实施例中,将风电机组的齿轮箱、发电机、电力电子装置和叶片设置为重点监测位置,在线重点监测单元102在齿轮箱、发电机、电力电子装置和叶片等多个重点监测位置进行相应的重点监测,生成重点监测数据,并获取监测数据展示框架,按照监测数据展示框架,将重点监测数据导入基础VR运行模型中进行实时数据展示,生成运行监测VR模型。
具体的,图9示出了本发明实施例提供的系统中在线重点监测单元102的结构框图。
其中,在本发明提供的优选实施方式中,所述在线重点监测单元102具体包括:
重点监测模块1021,用于对风电机组的齿轮箱、发电机、电力电子装置和叶片进行在线重点监测,生成重点监测数据。
框架获取模块1022,用于获取监测数据展示框架。
数据导入模块1023,用于根据所述监测数据展示框架,将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型。
进一步的,所述基于VR的风电机组在线智能诊断系统还包括:
在线智能诊断单元103,用于对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据,并将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型。
在本发明实施例中,在线智能诊断单元103通过对重点监测数据进行故障诊断分析,诊断风电机组中实时存在的故障,生成在线智能诊断数据,并获取诊断数据展示框架,按照诊断数据展示框架,将在线智能诊断数据导入运行监测VR模型中进行实时展示,生成监测诊断VR模型。具体的,监测诊断VR模型中能够按照数据和图标的方式,以诊断数据展示框架对应的展示位置和展示方式进行实时展示。
监测诊断展示单元104,用于综合所述运行摄像数据和所述在线智能诊断信息进行故障可视化分析,生成故障可视化信息,并将所述故障可视化信息与所述监测诊断VR模型进行可视化结合,生成诊断展示VR模型。
在本发明实施例中,监测诊断展示单元104综合运行摄像数据和在线智能诊断信息,对风电机组可能存在的故障进行可视化分析与表示,生成诊断可视化VR模型,进而按照故障可视化信息,在诊断可视化VR模型上进行故障可视化放大处理,生成诊断展示VR模型。
具体的,图10示出了本发明实施例提供的系统中监测诊断展示单元104的结构框图。
其中,在本发明提供的优选实施方式中,所述监测诊断展示单元104具体包括:
故障分析模块1041,用于综合所述运行摄像数据和所述在线智能诊断信息进行故障可视化分析,生成故障可视化信息。
故障表示模块1042,用于将所述故障可视化信息,在所述监测诊断VR模型上进行可视化表示,生成诊断可视化VR模型。
故障放大模块1043,用于根据所述故障可视化信息,在所述诊断可视化VR模型上进行故障可视化放大处理,生成诊断展示VR模型。
进一步的,所述基于VR的风电机组在线智能诊断系统还包括:
周期记录诊断单元105,用于获取管理人员设置的智能诊断周期,按照所述智能诊断周期,记录并分析在线运行数据和重点监测数据,生成周期智能诊断数据,并在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据。
在本发明实施例中,运维工作人员可以进行诊断周期的设置,周期记录诊断单元105通过获取运维工作人员设置的智能诊断周期,对在线运行数据和重点监测数据进行周期记录与诊断分析,生成周期智能诊断数据,并在诊断展示VR模型中,将上一个智能诊断周期的周期智能诊断数据进行展示。
综上所述,本发明实施例能够构建风电机组的基础VR运行模型,在风电机组运行过程中进行在线重点监测和故障诊断分析,生成监测诊断VR模型,并进行故障可视化分析,生成诊断展示VR模型,还能够进行周期化的智能诊断和展示,从而能够为运维工作人员进行远程的风电机组VR展示,辅助运维工作人员进行风电机组的故障诊断与故障预警,降低了故障诊断的危险系数和人工成本。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于VR的风电机组在线智能诊断方法,其特征在于,所述方法具体包括以下步骤:
进行风电机组在线运行摄像和在线运行监测,获取运行摄像数据和在线运行数据,根据所述运行摄像数据和所述在线运行数据,构建风电机组的基础VR运行模型;
对风电机组的多个重点监测位置进行在线重点监测,生成重点监测数据,并将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型;
对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据,并将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型;
综合所述运行摄像数据和所述在线智能诊断数据进行故障可视化分析,生成故障可视化信息,并将所述故障可视化信息与所述监测诊断VR模型进行可视化结合,生成诊断展示VR模型;
获取运维工作人员设置的智能诊断周期,按照所述智能诊断周期,记录并分析在线运行数据和重点监测数据,生成周期智能诊断数据,并在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据。
2.根据权利要求1所述的基于VR的风电机组在线智能诊断方法,其特征在于,所述进行风电机组在线运行摄像和在线运行监测,获取运行摄像数据和在线运行数据,根据所述运行摄像数据和所述在线运行数据,构建风电机组的基础VR运行模型具体包括以下步骤:
进行风电机组的在线运行摄像,得到运行摄像数据;
进行风电机组的在线运行监测,得到在线运行数据;
综合所述运行摄像数据和所述在线运行数据,进行风电机组三维运行展示,构建基础VR运行模型。
3.根据权利要求1所述的基于VR的风电机组在线智能诊断方法,其特征在于,所述对风电机组的多个重点监测位置进行在线重点监测,生成重点监测数据,并将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型具体包括以下步骤:
对风电机组的齿轮箱、发电机、电力电子装置和叶片进行在线重点监测,生成重点监测数据;
获取监测数据展示框架;
根据所述监测数据展示框架,将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型。
4.根据权利要求1所述的基于VR的风电机组在线智能诊断方法,其特征在于,所述对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据,并将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型具体包括以下步骤:
对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据;
获取诊断数据展示框架;
根据所述诊断数据展示框架,将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型。
5.根据权利要求1所述的基于VR的风电机组在线智能诊断方法,其特征在于,所述综合所述运行摄像数据和所述在线智能诊断数据进行故障可视化分析,生成故障可视化信息,并将所述故障可视化信息与所述监测诊断VR模型进行可视化结合,生成诊断展示VR模型具体包括以下步骤:
综合所述运行摄像数据和所述在线智能诊断数据进行故障可视化分析,生成故障可视化信息;
将所述故障可视化信息,在所述监测诊断VR模型上进行可视化表示,生成诊断可视化VR模型;
根据所述故障可视化信息,在所述诊断可视化VR模型上进行故障可视化放大处理,生成诊断展示VR模型。
6.根据权利要求1所述的基于VR的风电机组在线智能诊断方法,其特征在于,所述获取运维工作人员设置的智能诊断周期,按照所述智能诊断周期,记录并分析在线运行数据和重点监测数据,生成周期智能诊断数据,并在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据具体包括以下步骤:
获取运维工作人员设置的智能诊断周期;
对所述在线运行数据和重点监测数据进行周期化记录分析,生成周期智能诊断数据;
在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据。
7.一种基于VR的风电机组在线智能诊断系统,其特征在于,所述系统包括基础模型构建单元、在线重点监测单元、在线智能诊断单元、监测诊断展示单元和周期记录诊断单元,其中:
基础模型构建单元,用于进行风电机组在线运行摄像和在线运行监测,获取运行摄像数据和在线运行数据,根据所述运行摄像数据和所述在线运行数据,构建风电机组的基础VR运行模型;
在线重点监测单元,用于对风电机组的多个重点监测位置进行在线重点监测,生成重点监测数据,并将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型;
在线智能诊断单元,用于对所述重点监测数据进行故障诊断分析,生成在线智能诊断数据,并将所述在线智能诊断数据导入所述运行监测VR模型,生成监测诊断VR模型;
监测诊断展示单元,用于综合所述运行摄像数据和所述在线智能诊断数据进行故障可视化分析,生成故障可视化信息,并将所述故障可视化信息与所述监测诊断VR模型进行可视化结合,生成诊断展示VR模型;
周期记录诊断单元,用于获取管理人员设置的智能诊断周期,按照所述智能诊断周期,记录并分析在线运行数据和重点监测数据,生成周期智能诊断数据,并在所述诊断展示VR模型中,展示上一个智能诊断周期的周期智能诊断数据。
8.根据权利要求7所述的基于VR的风电机组在线智能诊断系统,其特征在于,所述基础模型构建单元具体包括:
运行摄像模块,用于进行风电机组的在线运行摄像,得到运行摄像数据;
运行监测模块,用于进行风电机组的在线运行监测,得到在线运行数据;
模型构建模块,用于综合所述运行摄像数据和所述在线运行数据,进行风电机组三维运行展示,构建基础VR运行模型。
9.根据权利要求7所述的基于VR的风电机组在线智能诊断系统,其特征在于,所述在线重点监测单元具体包括:
重点监测模块,用于对风电机组的齿轮箱、发电机、电力电子装置和叶片进行在线重点监测,生成重点监测数据;
框架获取模块,用于获取监测数据展示框架;
数据导入模块,用于根据所述监测数据展示框架,将所述重点监测数据导入所述基础VR运行模型,生成运行监测VR模型。
10.根据权利要求7所述的基于VR的风电机组在线智能诊断系统,其特征在于,所述监测诊断展示单元具体包括:
故障分析模块,用于综合所述运行摄像数据和所述在线智能诊断数据进行故障可视化分析,生成故障可视化信息;
故障表示模块,用于将所述故障可视化信息,在所述监测诊断VR模型上进行可视化表示,生成诊断可视化VR模型;
故障放大模块,用于根据所述故障可视化信息,在所述诊断可视化VR模型上进行故障可视化放大处理,生成诊断展示VR模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210542114.3A CN114856940B (zh) | 2022-05-18 | 2022-05-18 | 一种基于vr的风电机组在线智能诊断方法以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210542114.3A CN114856940B (zh) | 2022-05-18 | 2022-05-18 | 一种基于vr的风电机组在线智能诊断方法以及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114856940A CN114856940A (zh) | 2022-08-05 |
CN114856940B true CN114856940B (zh) | 2023-02-28 |
Family
ID=82638425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210542114.3A Active CN114856940B (zh) | 2022-05-18 | 2022-05-18 | 一种基于vr的风电机组在线智能诊断方法以及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114856940B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116860897B (zh) * | 2023-08-21 | 2023-12-29 | 安徽三禾一信息科技有限公司 | 一种可视化装备智能运维方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007052980A1 (de) * | 2007-11-07 | 2009-05-14 | Nordex Energy Gmbh | Verfahren und Vorrichtung zur Darstellung des Betriebsverhaltens einer Windenergieanlage |
CN110110439A (zh) * | 2019-05-08 | 2019-08-09 | 固安华电天仁控制设备有限公司 | 一种基于三维模型的风电场scada系统 |
CN110701002A (zh) * | 2019-10-18 | 2020-01-17 | 东方电气风电有限公司 | 一种大型风力发电机组虚拟传感实现系统 |
CN110968637A (zh) * | 2019-10-21 | 2020-04-07 | 武汉神库小匠科技有限公司 | 风电场数据3d可视化展示的方法、装置、设备及介质 |
KR102213386B1 (ko) * | 2019-12-26 | 2021-02-05 | 창원대학교 산학협력단 | 해상풍력단지 가상현실 디지털 트윈 시스템 및 방법 |
CN113236491A (zh) * | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
CN113836762A (zh) * | 2021-08-25 | 2021-12-24 | 中国大唐集团新能源科学技术研究院有限公司 | 一种风力机及风电场数字镜像模拟展示系统 |
CN114254414A (zh) * | 2021-12-30 | 2022-03-29 | 大连蓝雪智能科技有限公司 | 面向数字孪生的旋转机组虚拟现实方法、装置、电子设备 |
-
2022
- 2022-05-18 CN CN202210542114.3A patent/CN114856940B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007052980A1 (de) * | 2007-11-07 | 2009-05-14 | Nordex Energy Gmbh | Verfahren und Vorrichtung zur Darstellung des Betriebsverhaltens einer Windenergieanlage |
CN110110439A (zh) * | 2019-05-08 | 2019-08-09 | 固安华电天仁控制设备有限公司 | 一种基于三维模型的风电场scada系统 |
CN110701002A (zh) * | 2019-10-18 | 2020-01-17 | 东方电气风电有限公司 | 一种大型风力发电机组虚拟传感实现系统 |
CN110968637A (zh) * | 2019-10-21 | 2020-04-07 | 武汉神库小匠科技有限公司 | 风电场数据3d可视化展示的方法、装置、设备及介质 |
KR102213386B1 (ko) * | 2019-12-26 | 2021-02-05 | 창원대학교 산학협력단 | 해상풍력단지 가상현실 디지털 트윈 시스템 및 방법 |
CN113236491A (zh) * | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
CN113836762A (zh) * | 2021-08-25 | 2021-12-24 | 中国大唐集团新能源科学技术研究院有限公司 | 一种风力机及风电场数字镜像模拟展示系统 |
CN114254414A (zh) * | 2021-12-30 | 2022-03-29 | 大连蓝雪智能科技有限公司 | 面向数字孪生的旋转机组虚拟现实方法、装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114856940A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Crabtree et al. | Survey of commercially available condition monitoring systems for wind turbines | |
CN108027908B (zh) | 模拟方法和系统 | |
CN112784373B (zh) | 一种风电机组齿轮箱的故障预警方法 | |
CN105205569B (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
CN108331718A (zh) | 风电机组偏航系统在线监测机构及故障诊断系统和方法 | |
Chen et al. | Survey of commercially available SCADA data analysis tools for wind turbine health monitoring | |
CN114856940B (zh) | 一种基于vr的风电机组在线智能诊断方法以及系统 | |
CN108732494A (zh) | 一种风力发电机异常诊断处理系统 | |
US20220099532A1 (en) | Systems and methods for operating a power generating asset | |
CN112613066B (zh) | 一种基于大规模风电场的互联网信息管理系统 | |
Rashid et al. | Fault prediction of wind turbine gearbox based on SCADA data and machine learning | |
CN109583075A (zh) | 基于温度参数预测的永磁直驱风力机服役质量评价方法 | |
KR102226971B1 (ko) | 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치 | |
CN103364723A (zh) | 基于电压电流平衡性的风力发电机运行状态分析方法 | |
Yongjie et al. | Research on early fault diagnostic method of wind turbines | |
CN204085911U (zh) | 风力发电机组的故障诊断系统 | |
CN208431106U (zh) | 风电机组偏航系统在线监测机构 | |
CN116085212A (zh) | 一种新能源风电机组的运行状态实时监测方法及系统 | |
CN114048950A (zh) | 一种风电机组健康度评估方法及系统 | |
CN114564804A (zh) | 风电机组的叶片断裂预警方法和装置 | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
CN116757681B (zh) | 一种风电机组发电效率实时监控诊断方法及系统 | |
Anderson et al. | On the sensitivity of wind turbine failure rate estimates to failure definitions | |
Yu | Modelling Offshore Wind Farm Operation and Maintenance: The Benefits of Condition Monitoring | |
Zappalá et al. | Reliability and condition monitoring |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A VR based online intelligent diagnosis method and system for wind turbines Granted publication date: 20230228 Pledgee: Industrial Bank Co.,Ltd. Shanghai Minhang sub branch Pledgor: KUAIBEI NEW ENERGY TECHNOLOGY (SHANGHAI) Co.,Ltd.|SHANGHAI TN INDUSTRIAL CO.,LTD. Registration number: Y2024310000262 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |