CN115288950A - 风电风机监测方法、装置、系统与计算机可读存储介质 - Google Patents

风电风机监测方法、装置、系统与计算机可读存储介质 Download PDF

Info

Publication number
CN115288950A
CN115288950A CN202210976832.1A CN202210976832A CN115288950A CN 115288950 A CN115288950 A CN 115288950A CN 202210976832 A CN202210976832 A CN 202210976832A CN 115288950 A CN115288950 A CN 115288950A
Authority
CN
China
Prior art keywords
data
monitoring
transmission chain
wind power
blade
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
CN202210976832.1A
Other languages
English (en)
Inventor
李颖杰
胡磊
银磊
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.)
China Power Investment Hubei Xianjuding Wind Power Generation Co ltd
Shenzhen Liangyun Energy Network Technology Co ltd
Original Assignee
Shenzhen Liangyun Energy Network Technology Co ltd
China Power Investment Hubei Jieling Wind Power Generation Co ltd
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 Shenzhen Liangyun Energy Network Technology Co ltd, China Power Investment Hubei Jieling Wind Power Generation Co ltd filed Critical Shenzhen Liangyun Energy Network Technology Co ltd
Priority to CN202210976832.1A priority Critical patent/CN115288950A/zh
Publication of CN115288950A publication Critical patent/CN115288950A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风电风机监测方法、装置、系统与计算机可读存储介质，该方法包括：分类步骤：在检测到启动指令时，通过预先安装的传感器和数据采集器采集目标数据，并对所述目标数据进行分类，得到分类结果；监测步骤：根据所述分类结果，将所述目标数据输入对应的监测模型，并通过所述监测模型结合预先创建的风电风机数字孪生体，得到监测结果；展示步骤：基于所述风电风机数字孪生体，对所述监测结果进行展示。本发明通过预先安装的传感器和数据采集器采集目标数据，将目标数据分类并输入对应的监测模型，通过对应的监测模型和风电风机数字孪生体，得到监测结果，提高了风电风机的异常监测的准确性。

Description

风电风机监测方法、装置、系统与计算机可读存储介质
技术领域
本发明涉及风电技术技术领域，尤其涉及风电风机监测方法、装置、系统与计算机可读存储介质。
背景技术
随着对环境保护的意识日渐增强，清洁能源的使用也越来越普及，风力发电便是清洁能源中最具代表性的；风力发电是通过通过风电风机将风能转换成叶片的动能，并将叶片的动能转换成电能，由于风电风机在室外工作，很容易受到环境的影响进行出现异常，目前大多数风电风机的监测是通过人工进行的，或者是通过传感器获取风电风机运行时的某一数据特征，进而判断风电风机是否发生异常，风电风机是一个复杂的结构，紧靠人工或单一数据往往不能准确地监测风电风机是否发生异常。
因此，如何提高风电风机的异常监测的准确性，是急需解决的问题。
发明内容
本发明的主要目的在于提出一种风电风机监测方法、装置、系统与计算机可读存储介质，旨在解决如何提高风电风机监测的准确率的问题。
为实现上述目的，本发明提供一种风电风机监测方法，所述风电风机监测方法包括如下步骤：
分类步骤：在检测到启动指令时，通过预先安装的传感器和数据采集器采集目标数据，并对所述目标数据进行分类，得到分类结果；
监测步骤：根据所述分类结果，将所述目标数据输入对应的监测模型，并通过所述监测模型结合预先创建的风电风机数字孪生体，得到监测结果；
展示步骤：基于所述风电风机数字孪生体，对所述监测结果进行展示。
可选地，传感器包括：安装在所述风电风机的传动链中的声音、振动和温度一体式传感器、安装在所述风电风机的叶片根部的声音、振动和温度一体式传感器、安装在所述风电风机的塔筒顶端的晃度传感器和倾角传感器以及安装在所述塔筒底端的倾角传感器，所述分类步骤包括：
传动链和叶片数据采集子步骤：通过所述声音、振动和温度一体式传感器采集所述传动链和所述叶片的声音数据、振动数据和温度数据；
塔筒数据采集子步骤：通过所述晃度传感器采集所述塔筒的晃动数据，并通过所述倾角传感器采集所述塔筒的倾斜数据；
确定目标数据子步骤：通过数据采集器采集所述风电风机的工况数据集合以及环境数据，并结合所述声音数据、所述振动数据、所述温度数据、所述晃动数据和所述倾斜数据，得到目标数据。
可选地，监测模型包括：传动链监测模型、叶片监测模型和塔筒监测模型，所述监测步骤包括：
传动链监测子步骤：根据所述分类结果，将所述环境数据、所述工况数据集合中的传动链工况数据以及所述传动链的声音数据、振动数据和温度数据输入所述传动链监测模型，并通过所述传动链监测模型结合预先创建的风电风机数字孪生体，以得到传动链监测结果；
叶片监测子步骤：将所述环境数据、所述工况数据集合中的叶片工况数据，以及所述叶片的声音数据、振动数据和温度数据输入所述叶片监测模型，并通过所述叶片监测模型结合预先创建的风电风机数字孪生体，以得到叶片监测结果；
塔筒监测子步骤：将所述环境数据、所述工况数据集合以及所述塔筒的所述晃动数据和所述倾斜数据输入所述塔筒监测模型，并通过所述塔筒监测模型结合预先创建的风电风机数字孪生体，以得到塔筒监测结果。
可选地，传动链监测子步骤包括：
传动链监测模型输入孙步骤：将所述环境数据、所述传动链工况数据以及所述传动链的声音数据、振动数据和温度数据输入所述传动链监测模型；
时域特征值计算孙步骤：通过所述传动链监测模型根据所述传动链的振动数据，生成对应的时域波形图，并根据所述时域波形图计算出所述传动链的振动数据对应的时域特征值；
特征值对比孙步骤：通过所述传动链监测模型结合风电风机数字孪生体，根据所述环境数据、所述传动链工况数据，生成所述传动链的模拟时域特征值，并将所述时域特征值与所述模拟时域特征值进行对比；
传动链监测结果得到孙步骤：若所述时域特征值大于所述模拟时域特征值，则通过所述传动链监测模型结合所述风电风机数字孪生体根据所述传动链的声音数据和温度数据，以及所述时域波形图，得到传动链监测结果。
可选地，传动链监测结果得到孙步骤包括：
频段信号集合生产曾孙步骤：通过所述传动链监测模型对所述时域波形图进行小波多分辨分析，生成频段信号集合；
故障特征频率值得到曾孙步骤：对所述频段信号集合中的每个频段信号进行细化谱分析和包络谱分析，得到故障特征频率值；
传动链监测结果确定曾孙步骤：将所述故障特征频率值输入所述风电风机数字孪生体进行模拟，确定所述传动链的故障部位，并根据故障特征频率值、所述传动链的声音数据和温度数据，确定故障严重程度，以得到传动链监测结果。
可选地，叶片监测子步骤包括：
叶片监测模型输入孙步骤：根据时间序列，分别将所述环境数据、所述工况数据集合中的叶片工况数据以及所述叶片的声音数据、振动数据和温度数据进行对齐，并输入所述叶片监测模型；
模拟振动数据生成孙步骤：通过所述叶片监测模型根据对齐后的所述环境数据和所述叶片工况数据，结合风电风机数字孪生体，生成模拟振动数据；
偏差对比孙步骤：通过所述叶片监测模型计算所述叶片的振动数据和所述模拟振动数据的偏差系数，并将所述偏差系数与预设偏差区间进行对比；
时域特征集合提取孙步骤：若所述偏差系数不在所述预设偏差区间内，则提取所述叶片的振动数据的时域特征集合；
叶片监测孙步骤：将所述时域特征集合输入所述风电风机数字孪生体，确定所述叶片的故障部位，并根据所述时域特征集合、所述叶片的声音数据和温度数据，确定故障严重程度，以得到叶片监测结果。
可选地，塔筒监测子步骤包括：
形变数据计算孙步骤：将所述环境数据、所述工况数据集合、所述塔筒的所述晃动数据和所述倾斜数据输入所述塔筒监测模型，通过所述塔筒监测模型计算出所述塔筒的形变数据；
塔筒监测孙步骤：通过所述塔筒监测模型获取所述形变数据的时域特征集合，将所述形变数据的时域特征集合输入所述风电风机数字孪生体，确定所述塔筒的故障部位和故障严重程度，以得到塔筒监测结果。
此外，为实现上述目的，本发明还提供一种风电风机监测装置，所述风电风机监测装置包括：
分类模块，用于在检测到启动指令时，通过预先安装的传感器和数据采集器采集目标数据，并对所述目标数据进行分类，得到分类结果；
输入模块，用于根据所述分类结果，将所述目标数据输入对应的监测模型，并通过所述监测模型结合预先创建的风电风机数字孪生体，得到监测结果；
展示模块，用于基于所述风电风机数字孪生体，对所述监测结果进行展示。
进一步地，所述分类模块还用于：
通过所述声音、振动和温度一体式传感器采集所述传动链和所述叶片的声音数据、振动数据和温度数据；
通过所述晃度传感器采集所述塔筒的晃动数据，并通过所述倾角传感器采集所述塔筒的倾斜数据；
通过数据采集器采集所述风电风机的工况数据集合以及环境数据，并结合所述声音数据、所述振动数据、所述温度数据、所述晃动数据和所述倾斜数据，得到目标数据。
进一步地，所述输入模块还用于：
根据所述分类结果，将所述环境数据、所述工况数据集合中的传动链工况数据以及所述传动链的声音数据、振动数据和温度数据输入所述传动链监测模型，并通过所述传动链监测模型结合预先创建的风电风机数字孪生体，以得到传动链监测结果；
将所述环境数据、所述工况数据集合中的叶片工况数据，以及所述叶片的声音数据、振动数据和温度数据输入所述叶片监测模型，并通过所述叶片监测模型结合预先创建的风电风机数字孪生体，以得到叶片监测结果；
将所述环境数据、所述工况数据集合以及所述塔筒的所述晃动数据和所述倾斜数据输入所述塔筒监测模型，并通过所述塔筒监测模型结合预先创建的风电风机数字孪生体，以得到塔筒监测结果。
进一步地，所述输入模块还包括传动链监测模块，所述传动链监测模块用于：
将所述环境数据、所述传动链工况数据以及所述传动链的声音数据、振动数据和温度数据输入所述传动链监测模型；
通过所述传动链监测模型根据所述传动链的振动数据，生成对应的时域波形图，并根据所述时域波形图计算出所述传动链的振动数据对应的时域特征值；
通过所述传动链监测模型结合风电风机数字孪生体，根据所述环境数据、所述传动链工况数据，生成所述传动链的模拟时域特征值，并将所述时域特征值与所述模拟时域特征值进行对比；
若所述时域特征值大于所述模拟时域特征值，则通过所述传动链监测模型结合所述风电风机数字孪生体根据所述传动链的声音数据和温度数据，以及所述时域波形图，得到传动链监测结果。
进一步地，所述传动链监测模块还用于：
通过所述传动链监测模型对所述时域波形图进行小波多分辨分析，生成频段信号集合；
对所述频段信号集合中的每个频段信号进行细化谱分析和包络谱分析，得到故障特征频率值；
将所述故障特征频率值输入所述风电风机数字孪生体进行模拟，确定所述传动链的故障部位，并根据故障特征频率值、所述传动链的声音数据和温度数据，确定故障严重程度，以得到传动链监测结果。
进一步地，所述输入模块还包括叶片监测模块，所述叶片监测模块用于：
根据时间序列，分别将所述环境数据、所述工况数据集合中的叶片工况数据以及所述叶片的声音数据、振动数据和温度数据进行对齐，并输入所述叶片监测模型；
通过所述叶片监测模型根据对齐后的所述环境数据和所述叶片工况数据，结合风电风机数字孪生体，生成模拟振动数据；
通过所述叶片监测模型计算所述叶片的振动数据和所述模拟振动数据的偏差系数，并将所述偏差系数与预设偏差区间进行对比；
若所述偏差系数不在所述预设偏差区间内，则提取所述叶片的振动数据的时域特征集合；
将所述时域特征集合输入所述风电风机数字孪生体，确定所述叶片的故障部位，并根据所述时域特征集合、所述叶片的声音数据和温度数据，确定故障严重程度，以得到叶片监测结果。
进一步地，所述输入模块还包括塔筒监测模块，所述塔筒监测模块用于：
将所述环境数据、所述工况数据集合、所述塔筒的所述晃动数据和所述倾斜数据输入所述塔筒监测模型，通过所述塔筒监测模型计算出所述塔筒的形变数据；
通过所述塔筒监测模型获取所述形变数据的时域特征集合，将所述形变数据的时域特征集合输入所述风电风机数字孪生体，确定所述塔筒的故障部位和故障严重程度，以得到塔筒监测结果。
此外，为实现上述目的，本发明还提供一种风电风机监测系统，所述风电风机监测系统包括：存储器、处理器及储存在所述存储器上并可在所述处理器上运行的风电风机监测程序，所述风电风机监测程序被所述处理器执行时实现如上所述的风电风机监测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述可读储存介质为计算机计算机可读存储介质，所述可读储存介质上储存有风电风机监测程序，所述风电风机监测程序被处理器执行时实现如上所述的风电风机监测方法的步骤。
本发明提出的风电风机监测方法包括：分类步骤：在检测到启动指令时，通过预先安装的传感器和数据采集器采集目标数据，并对所述目标数据进行分类，得到分类结果；监测步骤：根据所述分类结果，将所述目标数据输入对应的监测模型，并通过所述监测模型结合预先创建的风电风机数字孪生体，得到监测结果；展示步骤：基于所述风电风机数字孪生体，对所述监测结果进行展示。本发明通过预先安装的传感器和数据采集器采集目标数据，将目标数据分类并输入对应的监测模型，通过对应的监测模型和风电风机数字孪生体，得到监测结果，提高了风电风机的异常监测的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明风电风机监测方法第一实施例的流程示意图；
图3为本发明风电风机监测方法第二实施例的流程示意图；
图4为本发明风电风机监测方法第三实施例的流程示意图；
图5为本发明风电风机监测方法第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例设备可以是PC机或服务器设备。
如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的储存装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机储存介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及风电风机监测程序。
其中，操作系统是管理和控制便携储存设备与软件资源的程序，支持网络通信模块、用户接口模块、风电风机监测程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1002；用户接口模块用于管理和控制用户接口1003。
在图1所示的储存设备中，所述储存设备通过处理器1001调用存储器1005中储存的风电风机监测程序，并执行下述风电风机监测方法各个实施例中的操作。
基于上述硬件结构，提出本发明风电风机监测方法实施例。
参照图2，图2为本发明风电风机监测方法第一实施例的流程示意图，所述方法包括：
分类步骤：在检测到启动指令时，通过预先安装的传感器和数据采集器采集目标数据，并对所述目标数据进行分类，得到分类结果；
监测步骤：根据所述分类结果，将所述目标数据输入对应的监测模型，并通过所述监测模型结合预先创建的风电风机数字孪生体，得到监测结果；
展示步骤：基于所述风电风机数字孪生体，对所述监测结果进行展示。
本实施例的风电风机监测方法应用于风电发电机构的监测系统中，用于监测风电风机的运行状态是否存在异常，为了方便描述，以监测系统为例进行说明；监测系统在检测到启动指令时，通过声音、振动和温度一体式传感器采集传动链和叶片的声音数据、振动数据和温度数据；通过晃度传感器采集塔筒的晃动数据，并通过倾角传感器采集塔筒的倾斜数据；通过数据采集器采集风电风机的工况数据集合以及环境数据，并结合声音数据、振动数据、温度数据、晃动数据和倾斜数据，得到目标数据，并对目标数据进行分类，得到分类结果；监测系统根据分类结果，将环境数据、工况数据集合中的传动链工况数据以及传动链的声音数据、振动数据和温度数据输入传动链监测模型，并通过传动链监测模型结合预先创建的风电风机数字孪生体，以得到传动链监测结果；将环境数据、工况数据集合中的叶片工况数据，以及叶片的声音数据、振动数据和温度数据输入叶片监测模型，并通过叶片监测模型结合预先创建的风电风机数字孪生体，以得到叶片监测结果；将环境数据、工况数据集合以及塔筒的晃动数据和倾斜数据输入塔筒监测模型，并通过塔筒监测模型结合预先创建的风电风机数字孪生体，以得到塔筒监测结果。
本实施例的监测系统在检测到启动指令时，通过预先安装的传感器和数据采集器采集目标数据，并对目标数据进行分类，得到分类结果；根据分类结果，将目标数据输入对应的监测模型，并通过监测模型结合预先创建的风电风机数字孪生体，得到监测结果；基于风电风机数字孪生体，对监测结果进行展示。本发明通过预先安装的传感器和数据采集器采集目标数据，将目标数据分类并输入对应的监测模型，通过对应的监测模型和风电风机数字孪生体，得到监测结果，提高了风电风机的异常监测的准确性。
以下对各步骤进行详细说明：
分类步骤：在检测到启动指令时，通过预先安装的传感器和数据采集器采集目标数据，并对所述目标数据进行分类，得到分类结果；
在本实施例中，监测系统在检测到启动指令时，通过预先安装的传感器和数据采集器采集目标数据，可选地，监测系统可根据相关操作人员的指令，实时地或按照一定周期地通过传感器和数据采集器采集目标数据，监测系统在采集到目标数据后，对目标数据进行分类，得到分类结果，可选地，由于监测系统采集的目标数据中包括了传动链、叶片和塔筒对应的目标数据，因此，需要将目标数据按照传动链、叶片和塔筒进行分类，以便后续将不同部件对应的目标数据输入对应的监测模型。
具体地，分类步骤包括：
传动链和叶片数据采集子步骤：通过所述声音、振动和温度一体式传感器采集所述传动链和所述叶片的声音数据、振动数据和温度数据；
在该步骤中，监测系统通过安装在风电风机的传动链中的声音、振动和温度一体传感器，采集传动链的声音数据、振动数据和温度数据，通过安装在风电风机的叶片根部的声音、振动和温度一体式传感器，采集叶片的声音数据、振动数据和温度数据；需要说明的是，传动链中包括主轴、齿轮箱和发电机，因此，在主轴的前后两端各安装一个声音、振动和温度一体传感器，在齿轮箱中安装一个声音、振动和温度一体传感器，在发电机中安装一个声音、振动和温度一体传感器；风电风机的叶片一般有三个，因此，在每个叶片的根部各安装一个声音、振动和温度一体传感器；通过安装声音、振动和温度一体传感器，减少传感器的数量，进而减低传感器对传动链和叶片的影响，并且通过声音、振动和温度一体传感器，能够采集多种类型的数据，使得后续对风电风机的运行状态的分析的准确性更高。
塔筒数据采集子步骤：通过所述晃度传感器采集所述塔筒的晃动数据，并通过所述倾角传感器采集所述塔筒的倾斜数据；
在该步骤中，监测系统通过安装在塔筒顶端的晃度传感器采集塔筒的晃动数据，并通过安装在塔筒顶端的倾角传感器以及安装在塔筒底端的倾角传感器，采集塔筒的倾斜数据；
确定目标数据子步骤：通过数据采集器采集所述风电风机的工况数据集合以及环境数据，并结合所述声音数据、所述振动数据、所述温度数据、所述晃动数据和所述倾斜数据，得到目标数据。
在该步骤中，监测系统通过数据采集器采集风电风机的工况数据集合以及环境数据，并结合传动链和叶片的声音数据、振动数据、温度数据、塔筒的晃动数据和倾斜数据，得到目标数据。
监测步骤：根据所述分类结果，将所述目标数据输入对应的监测模型，并通过所述监测模型结合预先创建的风电风机数字孪生体，得到监测结果；
具体地，监测步骤包括：
传动链监测子步骤：根据所述分类结果，将所述环境数据、所述工况数据集合中的传动链工况数据以及所述传动链的声音数据、振动数据和温度数据输入所述传动链监测模型，并通过所述传动链监测模型结合预先创建的风电风机数字孪生体，以得到传动链监测结果；
叶片监测子步骤：将所述环境数据、所述工况数据集合中的叶片工况数据，以及所述叶片的声音数据、振动数据和温度数据输入所述叶片监测模型，并通过所述叶片监测模型结合预先创建的风电风机数字孪生体，以得到叶片监测结果；
塔筒监测子步骤：将所述环境数据、所述工况数据集合以及所述塔筒的所述晃动数据和所述倾斜数据输入所述塔筒监测模型，并通过所述塔筒监测模型结合预先创建的风电风机数字孪生体，以得到塔筒监测结果。
在本实施例中，监测系统对目标数据进行分类，将传动链对应的目标数据和环境数据输入传动链监测模型中，将叶片对应的目标数据和环境数据输入叶片监测模型中，将塔筒对应的目标数据和环境数据输入塔筒监测模型中，并分别通过传动链监测模型、叶片监测模型、塔筒监测模型，结合预先创建的风电风机数字孪生体，得到传动链检测结果、叶片监测结果和塔筒监测结果。需要说明的是，风电风机数字孪生体是通过数字孪生技术创建的风电风机的数字模型，风电风机数字孪生体中包含了风电风机的所有参数和机械结构，能够用于模拟风电风机的工作状态；监测系统通过对应的监测模型结合风电风机数字孪生体对对应的目标数据进行处理，由于风电风机数字孪生体能够根据对应的数据进行模拟，完全能够代替人工对数据进行分析，并且比人工处理数据的准确性更高，因此能够减低人工成本，并且能够提高对风电风机的传动链、叶片和塔筒的异常监测的准确性。
展示步骤：基于所述风电风机数字孪生体，对所述监测结果进行展示。
在本实施例中，监测系统在得到监测结果后，基于风电风机数字孪生体，将监测结果向相关人员进行展示，如：监测系统基于预先创建的风电风机数字孪生体，确定对应的传动链位置、叶片位置和塔筒位置，并将传动链监测结果在传动链位置中进行展示，将叶片监测结果在叶片位置中进行展示，将塔筒监测结果在塔筒位置中进行展示；进一步地，监测系统还可根据监测结果确定风电风机的异常情况，将异常情况对应的异常部位和故障严重程度等通过风电风机数字孪生体进行展示。使得相关人员能够直观清楚地确定风电风机的当前情况，有利于提高确定风电风机是否存在异常的效率，有效避免异常进一步恶化。
本实施例的监测系统在检测到启动指令时，通过声音、振动和温度一体式传感器采集传动链和叶片的声音数据、振动数据和温度数据；通过晃度传感器采集塔筒的晃动数据，并通过倾角传感器采集塔筒的倾斜数据；通过数据采集器采集风电风机的工况数据集合以及环境数据，并结合声音数据、振动数据、温度数据、晃动数据和倾斜数据，得到目标数据，并对目标数据进行分类，得到分类结果；监测系统根据分类结果，将环境数据、工况数据集合中的传动链工况数据以及传动链的声音数据、振动数据和温度数据输入传动链监测模型，并通过传动链监测模型结合预先创建的风电风机数字孪生体，以得到传动链监测结果；将环境数据、工况数据集合中的叶片工况数据，以及叶片的声音数据、振动数据和温度数据输入叶片监测模型，并通过叶片监测模型结合预先创建的风电风机数字孪生体，以得到叶片监测结果；将环境数据、工况数据集合以及塔筒的晃动数据和倾斜数据输入塔筒监测模型，并通过塔筒监测模型结合预先创建的风电风机数字孪生体，以得到塔筒监测结果。通过预先安装的传感器和数据采集器采集目标数据，将目标数据分类并输入对应的监测模型，通过对应的监测模型和风电风机数字孪生体，得到监测结果，提高了风电风机的异常监测的准确性。
参照图3，图3为本发明风电风机监测方法第二实施例的流程示意图，传动链监测子步骤包括：
传动链监测模型输入孙步骤：将所述环境数据、所述传动链工况数据以及所述传动链的声音数据、振动数据和温度数据输入所述传动链监测模型；
时域特征值计算孙步骤：通过所述传动链监测模型根据所述传动链的振动数据，生成对应的时域波形图，并根据所述时域波形图计算出所述传动链的振动数据对应的时域特征值；
在传动链监测模型输入孙步骤和时域特征值计算孙步骤中，监测系统将环境数据，传动链工况数据以及传动链的声音数据、振动数据和温度数据输入传动链监测模型，通过传动链监测模型根据传动链的振动数据，生成对应的时域波形图，并根据时域波形图计算出传动链的振动数据对应的时域特征值；可以理解的是，传动链在工作时由于各个机械结构的转动会产生对应的振动数据，由于各个机械结构的碰撞会产生声音数据，由于各个机械结构之间的摩擦会产生温度数据，而振动数据和传动链的工作状态是否异常的相关程度最大，因此，首先计算振动数据的时域特征值；
可选地，时域特征值包括有量纲指标和无量纲指标，有量纲指标包括：峰峰值、均值、均方根值等，无量纲指标包括：峭度、波形指标、峰值指标、脉冲指标和裕度指标等，监测系统可通过传动链监测模型计算有量纲指标和无量纲指标中的一个或多个指标作为传动链的振动数据的时域特征值。
优选地，监测系统通过传动链监测模型计算有量纲指标中的均方根值和无量纲指标中的峭度和峰值指标作为传动链的振动数据的时域特征值，其中，计算均方根值的公式为：
Figure BDA0003798791550000121
计算峭度的公式为：
Figure BDA0003798791550000131
其中，
Figure BDA0003798791550000132
计算峰值指标的公式为：
Figure BDA0003798791550000133
在上述公式中，N为时域波形图中的样本点个数，xi为每个样本点对应的值。
特征值对比孙步骤：通过所述传动链监测模型结合风电风机数字孪生体，根据所述环境数据、所述传动链工况数据，生成所述传动链的模拟时域特征值，并将所述时域特征值与所述模拟时域特征值进行对比；
在该步骤中，监测系统通过传动链监测模型，将环境数据和传动链工况数据输入风电风机数字孪生体，通过风电风机数字孪生体根据环境数据和传动链工况数据进行模拟，模拟风电风机的传动链在环境数据下根据传动链工况数据进行工作的情况，得到传动链的模拟振动数据，并通过传动链监测模型计算出模拟振动数据对应的均方根值、峭度和峰值指标作为模拟时域特征值，并将时域特征值与模拟时域特征值进行对比；需要说明的是，计算出模拟振动数据对应的均方根值、峭度和峰值指标的过程与上述过程一致，在此便不一一赘述；环境数据包括风速、雷击、气温、雨雪等，通过风电风机的数字孪生体进行模拟，能够确定在当前的环境数据下根据传动链工况数据进行工作时产生的正常的振动数据对应的模拟时域特征值，有利于提高将时域特征值与模拟时域特征值进行对比的准确性。
传动链监测结果得到孙步骤：若所述时域特征值大于所述模拟时域特征值，则通过所述传动链监测模型结合所述风电风机数字孪生体根据所述传动链的声音数据和温度数据，以及所述时域波形图，得到传动链监测结果。
在该步骤中，监测系统将时域特征值与模拟时域特征值进行对比后，若确定时域特征值不大于模拟时域特征值，则确定当前风电风机的传动链不存在异常；若确定时域特征值大于模拟时域特征值，则确定当前风电风机的传动链存在异常，并通过传动链监测模型对时域波形图进行小波多分辨分析、细化谱分析和包络谱分析，进而结合传动链的声音数据和温度数据，确定传动链的故障部位和故障严重程度，以得到传动链监测结果。
具体地，传动链监测结果得到孙步骤包括：
频段信号集合生产曾孙步骤：通过所述传动链监测模型对所述时域波形图进行小波多分辨分析，生成频段信号集合；
在该步骤中，监测系统通过传动链监测模型对时域波形图中的传动链的振动数据进行小波多分辨分析，生成频段信号集合，可以理解的是，频段信号集合中包括低频信号和中频信号；其中，进行小波多分辨分析的计算过程如下：
Figure BDA0003798791550000141
其中，监测系统中提前设定小波基波为Z(t)，小波基波是能量有限的信号空间，a为伸缩变量，b为平移变量，监测系统根据频段的不同对a和b进行调整，通过上述公式计算出小波基波对于不同频段的对应的小波序列Za,b(t)。
Y(a，b)＝∫f(t)Za，b(t)dt
其中，f(t)为传动链的振动数据，监测系统根据上述公式将振动数据和不同频段对应的小波序列记性积分运算，生成频段信号集合，使得传动链的振动数据能够被转换成包含多个频段信号的频段信号集合，有利于在每个频段信号中记录振动数据中的更多细节数据，有助于提高分析的准确性。
故障特征频率值得到曾孙步骤：对所述频段信号集合中的每个频段信号进行信号重构，并对过所述信号重构的每个频段信号进行细化谱分析和包络谱分析，得到故障特经征频率值；
在该步骤中，监测系统在得到振动数据对应的频段信号集合后，对频段信号集合中的每个频段信号进行信号重构，并对经过信号重构的每个频段信号进行细化谱分析和包络谱分析，得到故障特征频率值；如：进行信号重构的公式为：
Figure BDA0003798791550000151
其中，f1(t)为经过信号重构的频段信号，C为重构常数，是提前设定在监测系统的传动链监测模型中的，a为伸缩变量，b为平移变量，监测系统根据频段的不同对a和b进行调整，即可对不同的频段信号进行重构，使得重构后的信号符合后续细化谱分析和包络谱分析的要求，提高处理效率。
监测系统在得到进过重构后的每个频段信号时，对每个频段信号进行细化谱分析和包络谱分析；在进行细化谱分析时，监测系统先分别确定每个频段信号的分析频率区间，根据对应的分析频率区间对每个频段信号所包含的频率进行分析，在进行包络谱分析时，监测系统先提取每个频段信号的包络谱，根据包络谱对每个频段信号所包含的频率进行分析，通过细化谱分析和包络谱分析，得到振动数据的故障特征频率值，故障特征频率值中包括振动数据的倍频值和高阶谐波频率值。
传动链监测结果确定曾孙步骤：将所述故障特征频率值输入所述风电风机数字孪生体进行模拟，确定所述传动链的故障部位，并根据故障特征频率值、所述传动链的声音数据和温度数据，确定故障严重程度，以得到传动链监测结果。
在该步骤中，监测系统在得到故障特征频率值后，将其输入风电风机数字孪生体，风电风机数字孪生体根据故障特征频率值中的倍频值和高阶谐波频率值进行模拟工作，确定传动链的故障部位，如：传动链的支撑部件松动，会出现倍频和高阶谐波叠加的情况，风电风机数字孪生体根据根据输入的故障特征频率值进行模拟后，便能确定传动链的故障部位为支撑部件；
监测系统在确定故障部位后，根据故障特征频率值、传动链的声音数据和温度数据，确定故障严重程度，如：监测系统对故障特征频率值、传动链的声音数据和温度数据进行无量纲化处理，根据经过无量纲化处理的故障特征频率值、传动链的声音数据和温度数据计算出故障严重程度系数，计算故障严重程度系数的公式如下：
Figure BDA0003798791550000161
其中，k为故障严重程度系数，Si为经过无量纲化处理的第i个时间点的声音数据，Wi为经过无量纲化处理的第i个时间点的温度数据，f为经过无量纲化处理的故障特征频率值，a，b和c分别是对应的权重系数，t为声音数据和温度数据的时间点。由于故障严重程度与多种数据有关，通过综合故障特征频率值、传动链的声音数据和温度数据，计算出故障严重程度，提高故障程度的准确性。
监测系统在计算出故障严重程度系数后，将故障严重程度系数与预设故障严重程度系数表进行对比，确定故障的严重程度，进而根据故障部位和故障严重程度，得到传动链监测结果，通过风电风机数字孪生体将故障部位和故障严重程度向相关人员进行展示，当故障严重程度较高时，同时进行告警处理。
本实施例的监测系统将环境数据、传动链工况数据以及传动链的声音数据、振动数据和温度数据输入传动链监测模型；通过所述传动链监测模型根据传动链的振动数据，计算出传动链的振动数据对应的时域特征值；通过传动链监测模型结合风电风机数字孪生体，根据环境数据、传动链工况数据，生成传动链的模拟时域特征值，并将时域特征值与模拟时域特征值进行对比；若时域特征值大于模拟时域特征值，则通过传动链监测模型结合风电风机数字孪生体根据传动链的声音数据和温度数据，以及时域波形图中的故障特征频率值，得到传动链监测结果。通过结合风电风机数字孪生体进行模拟，提高了得到的模拟时域特征值的准确性，进而提高判断传动链是否存在故障的准确性，并且结合声音数据、温度数据和故障特征频率值，确定故障严重程度，提高告警的准确性。
参照图4，图4为本发明风电风机监测方法第三实施例的流程示意图，所述叶片监测子步骤包括：
叶片监测模型输入孙步骤：根据时间序列，分别将所述环境数据、所述工况数据集合中的叶片工况数据以及所述叶片的声音数据、振动数据和温度数据进行对齐，并输入所述叶片监测模型；
模拟振动数据生成孙步骤：通过所述叶片监测模型根据对齐后的所述环境数据和所述叶片工况数据，结合风电风机数字孪生体，生成模拟振动数据；
在叶片监测模型输入孙步骤和模拟振动数据生成孙步骤中，监测系统在获取到环境数据、工况数据集合中的叶片工况数据以及叶片的声音数据、振动数据和温度数据后，根据获取上述数据的时间序列，将环境数据、工况数据集合中的叶片工况数据以及叶片的声音数据、振动数据和温度数据进行对齐，并输入叶片监测模型，通过叶片监测模型将对齐后的环境数据和叶片工况数据输入风电风机数字孪生体，通过风电风机数字孪生体基于生成环境数据和叶片工况数据进行模拟工作，并记录工作时产生的叶片的模拟振动数据；需要说明的是，环境数据包括风速、雷击、气温、雨雪等，通过风电风机的数字孪生体进行模拟，能够基于多方面的数据确定在当前的环境数据下，叶片根据叶片工况数据进行工作时产生的模拟振动数据，该模拟振动数据是叶片不出现异常时的振动数据，有利于提高确定叶片正常的振动数据的准确性，进而有利于后续判断叶片是否存在异常的准确性。
偏差对比孙步骤：通过所述叶片监测模型计算所述叶片的振动数据和所述模拟振动数据的偏差系数，并将所述偏差系数与预设偏差区间进行对比；
在该步骤中，监测系统在得到叶片的模拟振动数据后，通过叶片监测模型计算叶片的振动数据和模拟振动数据的偏差系数，并将偏差系数与预设偏差区间进行对比；其中，预设偏差区间时提前设定在叶片监测模型中的；计算偏差系数的公式为：
Figure BDA0003798791550000171
其中，A为偏差系数，N为采样点个数是根据经验设定在叶片检测模型中的，xn为叶片的振动数据中第n个采样点对应的频率值，x1 n为叶片的模拟振动数据中第n个采样点对应的频率值。监测系统根据预设的采样点个数N，分别在叶片的振动数据和模拟振动数据中采样N个数据，并根据上述公式，计算出叶片的振动数据和模拟振动数据的偏差系数A。分别在叶片的振动数据和模拟振动数据中取N个采样点的数据，不需要获取振动数据和模拟振动数据中所有的数据进行计算，在保证准确率的同时提高运算效率。
时域特征集合提取孙步骤：若所述偏差系数不在所述预设偏差区间内，则提取所述叶片的振动数据的时域特征集合；
在该步骤中，监测系统若确定偏差系数不在预设偏差区间内，则叶片的振动数据进行时频分析，获取叶片的振动数据的时域特征集合；如：监测系统通过公式：
Figure BDA0003798791550000181
对叶片的振动数据进行时频分析，计算出叶片振动数据的时频曲线Cx(t,f)，其中，t为振动数据对应的单位时间，f为振动数据的频率，a为系数，a一般为0.5，j为虚数单位，i为提前设定的时移参数，监测系统在得到时频曲线后，对时频曲线的单位时间信号进行频率能量转换，进而获取振动数据的频率模态和频率峰值作为时域特征集合。
叶片监测孙步骤：将所述时域特征集合输入所述风电风机数字孪生体，确定所述叶片的故障部位，并根据所述时域特征集合、所述叶片的声音数据和温度数据，确定故障严重程度，以得到叶片监测结果。
在该步骤中，监测系统在得到时域特征集合后，将其输入风电风机数字孪生体，风电风机数字孪生体根据时域特征集合中的频率模态和频率峰值进行模拟工作，确定叶片的故障部位；监测系统在确定叶片的故障部位后，根据时域特征集合、叶片的声音数据和温度数据，确定故障严重程度，如：监测系统对时域特征集合、传动链的声音数据和温度数据进行无量纲化处理，根据经过无量纲化处理的时域特征集合、传动链的声音数据和温度数据计算出故障严重程度系数，计算故障严重程度系数的公式如下：
Figure BDA0003798791550000182
其中，k为故障严重程度系数，Si为经过无量纲化处理的第i个时间点的声音数据，Wi为经过无量纲化处理的第i个时间点的温度数据，f为经过无量纲化处理的时域特征集合，a，b和c分别是对应的权重系数，t为声音数据和温度数据的时间点。由于叶片的故障严重程度与多种数据有关，通过综合时域特征集合、传动链的声音数据和温度数据，计算出故障严重程度，提高故障程度的准确性。
监测系统在计算出故障严重程度系数后，将故障严重程度系数与预设故障严重程度系数表进行对比，确定故障的严重程度，进而根据故障部位和故障严重程度，得到叶片监测结果，通过风电风机数字孪生体将故障部位和故障严重程度向相关人员进行展示，当故障严重程度较高时，同时进行告警处理。
本实施例的监测系统通过结合风电风机数字孪生体进行模拟，提高了得到的模拟振动数据的准确性，进而提高判断叶片是否存在故障的准确性，并且结合声音数据、温度数据和时域特征集合，确定叶片的故障严重程度，提高告警的准确性。
参照图5，图5为本发明风电风机监测方法第四实施例的流程示意图，所述塔筒监测子步骤包括：
形变数据计算孙步骤：将所述环境数据、所述工况数据集合、所述塔筒的所述晃动数据和所述倾斜数据输入所述塔筒监测模型，通过所述塔筒监测模型计算出所述塔筒的形变数据；
塔筒监测孙步骤：通过所述塔筒监测模型获取所述形变数据的时域特征集合，将所述形变数据的时域特征集合输入所述风电风机数字孪生体，确定所述塔筒的故障部位和故障严重程度，以得到塔筒监测结果。
在形变数据计算孙步骤和塔筒监测孙步骤中，监测系统将环境数据、工况数据集合、塔筒的晃动数据和倾斜数据输入塔筒监测模型，通过塔筒监测模型根据上述数据计算出塔筒的形变数据；如：塔筒监测模型根据如下公式计算出塔筒的形变数据：
x(t)＝(m+nt)hr+chscosωt
其中，ω为塔筒的振动频率，通过塔筒监测系统根据塔筒的晃动数据和倾斜数据计算得到，c为动态形变系数，s为动态形变指数，m为静态形变系数，n为准静态形变系数，c、s、m和n可通过塔筒监测系统根据环境数据和塔筒的工况数据计算得到，r为常数，h为塔筒高度。监测系统通过塔筒监测模型计算出塔筒的形变数据，进而得到塔筒的形变曲线，通过塔筒监测模型获取所述形变曲线的时域特征集合，将时域特征集合输入风电风机数字孪生体，通过风电风机数字孪生体根据时域特征集合进行模拟，确定塔筒的故障部位和故障严重程度，以得到塔筒监测结果，进而通过风电风机数字孪生体将故障部位和故障严重程度向相关人员进行展示并进行告警。
本实施例的监测系统通过塔筒监测模型结合环境数据、塔筒工况数据集合、塔筒的晃动数据和倾斜数据，计算出塔筒的形变数据，再结合风电风机数字孪生体根据形变数据的时域特征结合进行模拟，提高了判断塔筒是否存在故障的准确性。
本发明还提供一种风电风机监测装置。本发明风电风机监测装置包括：
分类模块，用于在检测到启动指令时，通过预先安装的传感器和数据采集器采集目标数据，并对所述目标数据进行分类，得到分类结果；
输入模块，用于根据所述分类结果，将所述目标数据输入对应的监测模型，并通过所述监测模型结合预先创建的风电风机数字孪生体，得到监测结果；
展示模块，用于基于所述风电风机数字孪生体，对所述监测结果进行展示。
进一步地，所述分类模块还用于：
通过所述声音、振动和温度一体式传感器采集所述传动链和所述叶片的声音数据、振动数据和温度数据；
通过所述晃度传感器采集所述塔筒的晃动数据，并通过所述倾角传感器采集所述塔筒的倾斜数据；
通过数据采集器采集所述风电风机的工况数据集合以及环境数据，并结合所述声音数据、所述振动数据、所述温度数据、所述晃动数据和所述倾斜数据，得到目标数据。
进一步地，所述输入模块还用于：
根据所述分类结果，将所述环境数据、所述工况数据集合中的传动链工况数据以及所述传动链的声音数据、振动数据和温度数据输入所述传动链监测模型，并通过所述传动链监测模型结合预先创建的风电风机数字孪生体，以得到传动链监测结果；
将所述环境数据、所述工况数据集合中的叶片工况数据，以及所述叶片的声音数据、振动数据和温度数据输入所述叶片监测模型，并通过所述叶片监测模型结合预先创建的风电风机数字孪生体，以得到叶片监测结果；
将所述环境数据、所述工况数据集合以及所述塔筒的所述晃动数据和所述倾斜数据输入所述塔筒监测模型，并通过所述塔筒监测模型结合预先创建的风电风机数字孪生体，以得到塔筒监测结果。
进一步地，所述输入模块还包括传动链监测模块，所述传动链监测模块用于：
将所述环境数据、所述传动链工况数据以及所述传动链的声音数据、振动数据和温度数据输入所述传动链监测模型；
通过所述传动链监测模型根据所述传动链的振动数据，生成对应的时域波形图，并根据所述时域波形图计算出所述传动链的振动数据对应的时域特征值；
通过所述传动链监测模型结合风电风机数字孪生体，根据所述环境数据、所述传动链工况数据以及所述传动链的声音数据和温度数据，生成所述传动链的模拟时域特征值；
若所述时域特征值大于所述模拟时域特征值，则根据所述时域波形图生成对应的时域波形图；
通过所述传动链监测模型根据所述时域波形图和所述风电风机数字孪生体，得到传动链监测结果。
进一步地，所述传动链监测模块还用于：
通过所述传动链监测模型对所述时域波形图进行小波多分辨分析，生成频段信号集合；
对所述频段信号集合中的每个频段信号进行信号重构，并对经过所述信号重构的每个频段信号进行细化谱分析和包络谱分析，得到故障特征频率值；
将所述故障特征频率值输入所述风电风机数字孪生体进行模拟，确定所述传动链的故障部位和故障严重程度，以得到传动链监测结果。
进一步地，所述输入模块还包括叶片监测模块，所述叶片监测模块用于：
根据时间序列，分别将所述环境数据、所述工况数据集合中的叶片工况数据以及所述叶片的声音数据、振动数据和温度数据进行对齐，并输入所述叶片监测模型；
通过所述叶片监测模型根据对齐后的所述环境数据、所述叶片工况数据以及所述叶片的声音数据和温度数据，结合风电风机数字孪生体，生成模拟振动数据；
通过所述叶片监测模型计算所述叶片的振动数据和所述模拟振动数据的偏差系数，并将所述偏差系数与预设偏差区间进行对比；
若所述偏差系数不在所述预设偏差区间内，则提取所述叶片的振动数据的时域特征集合，并将所述时域特征集合输入所述风电风机数字孪生体，确定所述叶片的故障部位和故障严重程度，以得到叶片监测结果。
进一步地，所述输入模块还包括塔筒监测模块，所述塔筒监测模块用于：
将所述环境数据、所述工况数据集合、所述塔筒的所述晃动数据和所述倾斜数据输入所述塔筒监测模型，通过所述塔筒监测模型计算出所述塔筒的形变数据；
通过所述塔筒监测模型获取所述形变数据的时域特征集合，将所述形变数据的时域特征集合输入所述风电风机数字孪生体，确定所述塔筒的故障部位和故障严重程度，以得到塔筒监测结果。
本发明还提供一种风电风机监测系统。
风电风机监测系统包括：存储器、处理器及储存在所述存储器上并可在所述处理器上运行的风电风机监测程序，所述风电风机监测程序被所述处理器执行时实现如上所述的风电风机监测方法的步骤。
其中，在所述处理器上运行的风电风机监测程序被执行时所实现的方法可参照本发明风电风机监测方法各个实施例，此处不再赘述。
本发明还提供一种计算机可读存储介质。
该计算机可读存储介质上储存有风电风机监测程序，所述风电风机监测程序被处理器执行时实现如上所述的风电风机监测方法的步骤。
其中，在所述处理器上运行的风电风机监测程序被执行时所实现的方法可参照本发明风电风机监测方法各个实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品储存在如上所述的一个储存介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书与附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种风电风机监测方法，其特征在于，所述风电风机监测方法包括如下步骤：
分类步骤：在检测到启动指令时，通过预先安装的传感器和数据采集器采集目标数据，并对所述目标数据进行分类，得到分类结果；
监测步骤：根据所述分类结果，将所述目标数据输入对应的监测模型，并通过所述监测模型结合预先创建的风电风机数字孪生体，得到监测结果；
展示步骤：基于所述风电风机数字孪生体，对所述监测结果进行展示。
2.如权利要求1所述的风电风机监测方法，其特征在于，所述传感器包括：安装在所述风电风机的传动链中的声音、振动和温度一体式传感器、安装在所述风电风机的叶片根部的声音、振动和温度一体式传感器、安装在所述风电风机的塔筒顶端的晃度传感器和倾角传感器以及安装在所述塔筒底端的倾角传感器，所述分类步骤包括：
传动链和叶片数据采集子步骤：通过所述声音、振动和温度一体式传感器采集所述传动链和所述叶片的声音数据、振动数据和温度数据；
塔筒数据采集子步骤：通过所述晃度传感器采集所述塔筒的晃动数据，并通过所述倾角传感器采集所述塔筒的倾斜数据；
确定目标数据子步骤：通过数据采集器采集所述风电风机的工况数据集合以及环境数据，并结合所述声音数据、所述振动数据、所述温度数据、所述晃动数据和所述倾斜数据，得到目标数据。
3.如权利要求2所述的风电风机监测方法，其特征在于，所述监测模型包括：传动链监测模型、叶片监测模型和塔筒监测模型，所述监测步骤包括：
传动链监测子步骤：根据所述分类结果，将所述环境数据、所述工况数据集合中的传动链工况数据以及所述传动链的声音数据、振动数据和温度数据输入所述传动链监测模型，并通过所述传动链监测模型结合预先创建的风电风机数字孪生体，以得到传动链监测结果；
叶片监测子步骤：将所述环境数据、所述工况数据集合中的叶片工况数据，以及所述叶片的声音数据、振动数据和温度数据输入所述叶片监测模型，并通过所述叶片监测模型结合预先创建的风电风机数字孪生体，以得到叶片监测结果；
塔筒监测子步骤：将所述环境数据、所述工况数据集合以及所述塔筒的所述晃动数据和所述倾斜数据输入所述塔筒监测模型，并通过所述塔筒监测模型结合预先创建的风电风机数字孪生体，以得到塔筒监测结果。
4.如权利要求3中所述的风电风机监测方法，其特征在于，所述传动链监测子步骤包括：
传动链监测模型输入孙步骤：将所述环境数据、所述传动链工况数据以及所述传动链的声音数据、振动数据和温度数据输入所述传动链监测模型；
时域特征值计算孙步骤：通过所述传动链监测模型根据所述传动链的振动数据，生成对应的时域波形图，并根据所述时域波形图计算出所述传动链的振动数据对应的时域特征值；
特征值对比孙步骤：通过所述传动链监测模型结合风电风机数字孪生体，根据所述环境数据、所述传动链工况数据，生成所述传动链的模拟时域特征值，并将所述时域特征值与所述模拟时域特征值进行对比；
传动链监测结果得到孙步骤：若所述时域特征值大于所述模拟时域特征值，则通过所述传动链监测模型结合所述风电风机数字孪生体根据所述传动链的声音数据和温度数据，以及所述时域波形图，得到传动链监测结果。
5.如权利要求4所述的风电风机监测方法，其特征在于，所述传动链监测结果得到孙步骤包括：
频段信号集合生产曾孙步骤：通过所述传动链监测模型对所述时域波形图进行小波多分辨分析，生成频段信号集合；
故障特征频率值得到曾孙步骤：对所述频段信号集合中的每个频段信号进行细化谱分析和包络谱分析，得到故障特征频率值；
传动链监测结果确定曾孙步骤：将所述故障特征频率值输入所述风电风机数字孪生体进行模拟，确定所述传动链的故障部位，并根据故障特征频率值、所述传动链的声音数据和温度数据，确定故障严重程度，以得到传动链监测结果。
6.如权利要求3所述的风电风机监测方法，其特征在于，所述叶片监测子步骤包括：
叶片监测模型输入孙步骤：根据时间序列，分别将所述环境数据、所述工况数据集合中的叶片工况数据以及所述叶片的声音数据、振动数据和温度数据进行对齐，并输入所述叶片监测模型；
模拟振动数据生成孙步骤：通过所述叶片监测模型根据对齐后的所述环境数据和所述叶片工况数据，结合风电风机数字孪生体，生成模拟振动数据；
偏差对比孙步骤：通过所述叶片监测模型计算所述叶片的振动数据和所述模拟振动数据的偏差系数，并将所述偏差系数与预设偏差区间进行对比；
时域特征集合提取孙步骤：若所述偏差系数不在所述预设偏差区间内，则提取所述叶片的振动数据的时域特征集合；
叶片监测孙步骤：将所述时域特征集合输入所述风电风机数字孪生体，确定所述叶片的故障部位，并根据所述时域特征集合、所述叶片的声音数据和温度数据，确定故障严重程度，以得到叶片监测结果。
7.如权利要求3所述的风电风机监测方法，其特征在于，所述塔筒监测子步骤包括：
形变数据计算孙步骤：将所述环境数据、所述工况数据集合、所述塔筒的所述晃动数据和所述倾斜数据输入所述塔筒监测模型，通过所述塔筒监测模型计算出所述塔筒的形变数据；
塔筒监测孙步骤：通过所述塔筒监测模型获取所述形变数据的时域特征集合，将所述形变数据的时域特征集合输入所述风电风机数字孪生体，确定所述塔筒的故障部位和故障严重程度，以得到塔筒监测结果。
8.一种风电风机监测装置，其特征在于，所述风电风机监测装置包括：
分类模块，用于在检测到启动指令时，通过预先安装的传感器和数据采集器采集目标数据，并对所述目标数据进行分类，得到分类结果；
输入模块，用于根据所述分类结果，将所述目标数据输入对应的监测模型，并通过所述监测模型结合预先创建的风电风机数字孪生体，得到监测结果；
展示模块，用于基于所述风电风机数字孪生体，对所述监测结果进行展示。
9.一种风电风机监测系统，其特征在于，所述风电风机监测系统包括：存储器、处理器及储存在所述存储器上并可在所述处理器上运行的风电风机监测程序，所述风电风机监测程序被所述处理器执行时实现如权利要求1至7中任一项所述的风电风机监测方法的步骤。
10.一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储存有风电风机监测程序，所述风电风机监测程序被处理器执行时实现如权利要求1至7中任一项所述的风电风机监测方法的步骤。
CN202210976832.1A 2022-08-15 2022-08-15 风电风机监测方法、装置、系统与计算机可读存储介质 Pending CN115288950A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210976832.1A CN115288950A (zh) 2022-08-15 2022-08-15 风电风机监测方法、装置、系统与计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210976832.1A CN115288950A (zh) 2022-08-15 2022-08-15 风电风机监测方法、装置、系统与计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN115288950A true CN115288950A (zh) 2022-11-04

Family

ID=83829176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210976832.1A Pending CN115288950A (zh) 2022-08-15 2022-08-15 风电风机监测方法、装置、系统与计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN115288950A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115730401A (zh) * 2022-11-18 2023-03-03 中复连众风电科技有限公司 一种风电叶片模具参数化设计系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115730401A (zh) * 2022-11-18 2023-03-03 中复连众风电科技有限公司 一种风电叶片模具参数化设计系统及方法
CN115730401B (zh) * 2022-11-18 2024-05-07 中复连众风电科技有限公司 一种风电叶片模具参数化设计系统及方法

Similar Documents

Publication Publication Date Title
JP7199608B2 (ja) 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体
Teng et al. Multi-fault detection and failure analysis of wind turbine gearbox using complex wavelet transform
CN113298134B (zh) 一种基于bpnn的风机叶片远程非接触健康监测系统和方法
CN101718582B (zh) 风力发电机组音调测试方法
CN112324629A (zh) 一种基于振动和声音的风电叶片早期损伤监测系统及方法
Ovando et al. Emulation of a low power wind turbine with a DC motor in Matlab/Simulink
CN109477460A (zh) 控制风力涡轮机噪声
CN115288950A (zh) 风电风机监测方法、装置、系统与计算机可读存储介质
CN109061302A (zh) 一种基于EEMD和Hilbert变换的并网风力发电机组谐波测量系统
CN102840907A (zh) 早期故障状态下滚动轴承振动信号特征提取和分析方法
CN111256993A (zh) 一种风电机组主轴承故障类型诊断方法及系统
CN111306010B (zh) 风机叶片雷击损伤检测方法及系统
CN111120388B (zh) 一种风机状态联合监测方法及系统
Kelley et al. Using wavelet analysis to assess turbulence/rotor interactions
CN105021276A (zh) 电器故障诊断方法和装置及电器
Huang et al. Determination of suitability between wind turbine generators and sites including power density and capacity factor considerations
CN115954017A (zh) 一种基于hht的发动机小样本声音异常故障识别方法及系统
CN117077064A (zh) 一种风电设备的故障检测方法、装置、设备及存储介质
CN111780866A (zh) 一种柴油机试验底座安装状态固有频率测试方法及装置
CN110332080A (zh) 一种基于共振响应的风机叶片健康实时监测方法
CN108106827B (zh) 一种旋翼台升转速状态下放大器端子松脱识别方法
CN111412114A (zh) 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法
CN212363649U (zh) 一种实现齿轮箱故障诊断方法的系统
CN117494618A (zh) 一种基于实时网络的风电场智能图像监控系统
Liu et al. Tonality evaluation of wind turbine noise by filter-segmentation

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
TA01 Transfer of patent application right

Effective date of registration: 20230807

Address after: 432800 xianjuding wind farm, lvwang Town, Dawu County, Xiaogan City, Hubei Province

Applicant after: China Power Investment Hubei xianjuding Wind Power Generation Co.,Ltd.

Applicant after: SHENZHEN LIANGYUN ENERGY NETWORK TECHNOLOGY Co.,Ltd.

Address before: No. 148, Changzheng Road, Dawu County, Xiaogan City, Hubei Province, 432800

Applicant before: China Power Investment Hubei Jieling Wind Power Generation Co.,Ltd.

Applicant before: SHENZHEN LIANGYUN ENERGY NETWORK TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right