CN116517781A - 主轴轴承的状态监测方法、介质、系统以及风力发电机组 - Google Patents

Abstract

本公开提供一种主轴轴承的状态监测方法、介质、系统以及风力发电机组。该状态监测方法包括：通过声发射检测设备获得主轴轴承的原始样本数据；通过集成的分析算法自动对原始样本数据进行分析，以确定原始样本数据中的异常数据；将异常数据的位置、参数名称、性质中的至少一个存入特征数据以生成第一标记信息并且生成指示主轴轴承的状态的事件。根据本公开的实施例的主轴轴承的状态监测方法可对风力发电机组的主轴轴承声发射波形数据进行动分析的方法，可实现对风力发电机的主轴轴承状态的连续声发射检测，及时发现主轴轴承缺陷的发生。

Description

主轴轴承的状态监测方法、介质、系统以及风力发电机组

技术领域

本公开总体说来涉及风电领域，更具体地讲，涉及一种风力发电机组的主轴轴承的状态监测方法、状态监测系统、计算机可读存储介质和风力发电机组。

背景技术

风力发电机的主轴轴承是低速重载轴承，随着风力发电机组的单机容量的增加，研发和运维管理技术对风力发电机组的主轴轴承的早期故障预警提出了较高的要求。

获取风力发电机组的主轴轴承早期故障数据，掌握故障发生、发展规律，实现主轴轴承故障早期预测与预警，能够为设备制造公司的设备研发、技术进步、设备可靠性提供数据支撑和技术方法，也能为风力发电机组的运维管理的科学性提供技术支持。

当前一般采用振动法对主轴轴承进行在线故障状态监测与分析。然而振动法对于低速重载轴承的故障状态监测有其固有的不足：轴承内部早期缺陷在低速下产生的冲击不足以引起被测设备产生足够探测得到的振动信号，且由于转速低、故障特征频率极其接近、振动分析算法不易准确分辩故障特征；当振动法能够探测、分析主轴轴承故障时，轴承损坏程度可能已经超出预防性维修所需的计划时间。

声发射技术对轴承故障的早期发现有比较好的检测能力，其检测原理、信号获取方法、显著信号特征等优势使其在低速重载轴承早期故障的探测和发现上显示出明显优势。

然而，因低速重载轴承运用少、研究应用的广泛性不足，声发射技术很少应用于主轴轴承状态现场监测。

发明内容

本公开的目的之一在于提供一种能够对风力发电机组的主轴轴承的故障进行监测并且能够执行自动分析的状态监测方法和状态监测系统。

本公开的目的之一在于提供一种能够对原始样本数据进行自动标记的状态监测方法和状态监测系统。

根据本公开的第一方面，提供一种风力发电机组的主轴轴承的状态监测方法。该状态监测方法可包括：通过声发射检测设备获得主轴轴承的原始样本数据；通过集成的分析算法对原始样本数据进行分析，以确定原始样本数据中的异常数据；将异常数据的位置、参数名称、性质中的至少一个存入特征数据，以生成第一标记信息，并且生成用于指示主轴轴承的状态的事件。

根据本公开的第二方面，提供一种计算机可读存储介质。计算机可读存储介质可存储有指令或程序，当指令或程序由处理器执行时实现根据如上所述的状态监测方法。

根据本公开的第三方面，提供一种风力发电机组的主轴轴承的状态监测系统。该状态监测系统包括：数据服务模块，获得主轴轴承的原始样本数据；数据分析模块，通过集成的分析算法自动对原始样本数据进行分析，以确定原始样本数据中的异常数据；数据诊断模块，将异常数据的位置、参数名称、性质中的至少一个存入特征数据以生成第一标记信息并且生成指示主轴轴承的故障状态的事件。

根据本公开的第四方面，提供一种风力发电机组。该风力发电机组包括如上所述的计算机可读存储介质或如上所述的状态监测系统。

根据本公开的实施例的状态监测方法和状态监测系统可兼顾声发射数据和变桨轴承之间的关联。

根据本公开的实施例的状态监测方法和状态监测系统可提供Web模式对不同需求人员应用的支持。

将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本公开总体构思的实施而得知。

附图说明

通过下面结合附图对示例性实施例进行的详细描述，本公开的上述和其他方面、特点及其他优点将会变得清楚和更加容易理解，在附图中：

图1是示出根据本公开的实施例的主轴轴承的状态监测系统的框图；

图2是示出根据本公开的实施例的主轴轴承的状态监测系统的拓扑图；

图3是示出根据本公开的第一实施例的主轴轴承的状态监测方法的流程图；

图4是示出根据本公开的实施例的自动分析过程的流程图；

图5是示出根据本公开的第二实施例的主轴轴承的状态监测方法的流程图。

具体实施方式

以下，参照附图来详细说明本公开的优选实施例。应清楚的是，在下面对实施例的说明和附图中，以相同的附图标记指示相同或相似的组件，并省略重复的说明。

声发射技术应用于主轴轴承的故障监测的研究集中于利用单台声发射检测设备对特定风机设备的现场检验上，并且现场检验全部采用在风机设备上临时安装采集设备、在线采集、离线下载数据、离线分析的全人工方法进行，不能实现对风力发电机主轴轴承状态的连续的声发射检测，不能及时发现主轴轴承缺陷的发生，也不能有效积累主轴轴承的声发射数据、不能有效掌握、分析主轴轴承故障的发生发展规律，使得声发射这一技术的优势不能全面发挥出来。

根据本公开的实施例的风力发电机组的主轴轴承的状态监测方法和状态监测系统可将实现对风力发电机组的主轴轴承状态的连续的声发射检测，可对声发射数据进行存储、有效数据标记、数据管理和调用，并且可整合各种分析算法。

根据本公开的实施例的风力发电机组的主轴轴承的状态监测方法和状态监测系统可建立声发射传感器、变桨轴承、监测数据、诊断结果以及事件的关联；可通过集成的分析算法自动对监测数据进行分析；可通过预定方式发布相关事件。

图1是示出根据本公开的实施例的主轴轴承的状态监测系统的框图，图2是示出根据本公开的实施例的主轴轴承的状态监测系统的拓扑图。

根据本公开的实施例的状态监测系统可包括数据服务模块110、数据分析模块120和数据诊断模块130。

数据服务模块110可包括设置在机舱上的声发射检测设备，用于获得主轴轴承的原始样本数据。声发射检测设备的具体设置位置可以根据实际应用需要而定，设置在机舱仅仅是一种示例，并不用于对本申请的限制。

作为示例，参照图2，数据服务模块110也可以是声发射数据服务器30的一部分，也可以是其他类型的声发射数据处理或存储装置，声发射数据服务器30可从声发射检测设备获得相关监测数据。

上述的声发射检测设备可包括声发射传感器和声发射数据采集设备等，声发射数据采集设备可定期、定时长采集风力发电机组的主轴轴承上的声发射传感器上的电压信号，对电压信号进行滤波、放大后形成原始样本数据，一段时长的原始样本数据构成原始样本数据文件。

可通过声发射数据采集设备连续地采集安装在主轴轴承上的声发射传感器的电压信号，并对电压信号进行预处理以获得原始样本数据。

原始样本数据可在存入存储介质(如硬盘、云端存储等)之后，然后被导入到声发射数据服务器30，也可以将原始样本数据直接存入声发射数据服务器30内的样本数据库，并且可生成相应的导入记录，例如，可以在声发射传感器的数据文件检索表内生成相应的记录。

参照图2，声发射传感器10和声发射数据采集设备20可设置在主轴轴承上，数据存储介质40可以独立于声发射数据采集设备20。作为示例，数据存储介质40也可以是声发射数据采集设备20或声发射数据服务器30的一部分。

参照图2，风力发电机组的主轴轴承的声发射数据可由包括若干声发射传感器10和声发射数据采集设备20的声发射检测设备采集，并且可保存至声发射数据服务器30内，声发射数据采集设备20采集的数据可被保存到数据存储介质40，包括数据服务模块110的声发射数据服务器30可从声发射数据采集设备接收数据或者从数据存储介质40接收数据。

当对主轴轴承的原始样本数据进行分析时，需要对从主轴轴承上的声发射数据采集设备传来的全波型信号进行分析，这个数据量很大。

根据本公开的实施例，可以对采集的全波形信号先用集成的算法执行一轮分析，对异常的波形信号或异常数据进行标记，用于进一步分析、保存；对于无异常的波形信号或数据，在保存一定时间后可视存储器的容量作保存或舍弃处理。

根据本公开的实施例的“标记”过程不会对原始样本数据进行任何修改。

数据分析模块120可通过集成的分析算法自动对原始样本数据进行分析，以确定原始样本数据中的异常数据。数据分析模块120可通过web服务器实现，也可通过如上所述的声发射数据服务器实现。也就是说，数据分析模块120可以是声发射数据服务器30的一部分，也可以是web服务器60的一部分，或者数据分析模块120的一部分位于声发射数据服务器30上，数据分析模块120的另一部分位于web服务器60上。

作为示例，集成的分析算法可在声发射数据服务器30上运行，也可以在web服务器60上运行，集成的分析算法可包括声发射波形分析、时域分析、频域分析中的至少一种。集成的分析算法还可包括其他有效的分析算法，可形成风力发电机的主轴轴承监测的算法库。

也就是说，声发射数据服务器30和/或web服务器60可扩展多种算法。这些算法一起构成了“算法集”，从而可以对不同的参数进行分析，随主轴轴承的不同(如直驱机组轴承、双馈机组轴承和设置的不同，如直驱双轴承、直驱单轴承)，用于判断故障的参数和参数组合以及阈值设置方法可能不同，“算法集”或算法平台的建立利于分析算法的扩展和迭代。

声波发射波形分析可包括：声发射撞击计数、有效值电压(RMS)、平均信号电平(ASL)和能量计数等。

时域分析可包括针对检测数据进行均方根值、波形指标、脉冲指标和峰值因子等的分析。

频域分析可包括针对检测数据进行FFT频谱分析、功率谱分析和包络谱分析等等。

例如，数据分析模块120可通过上述算法获得分析值，并且可将分析值与设定的阈值进行对比，如果超过阈值，则可以确定原始原本数据中存在异常数据。也就是说，数据分析模块120可将相应的分析值分别与对应设置的阈值进行比较，并且根据比较结果确定原始样本数据是否包括异常数据。

数据分析模块120可以基于样原始样本数据形成原始波形流，将原始波形流分割为预定长度的分段波形图，对分段波形图执行声发射波形分析、时域分析、频域分析中的至少一种，以确定相应的分析值。

数据分析模块120可将原始波形流分割为小段的分段波形图，有利于对数据进行快速处理，便于识别异常数据的位置等。

作为示例，数据分析模块120可将声发射撞击计数的分析值与设置的阈值进行比较，如果该分析值超过设置的阈值，则可以确定原始样本数据中存在异常数据，可以在后续对该异常数据进行进一步分析和判断，从而最终确定主轴轴承是否存在故障，也可以据此判断故障的类型。

作为示例，数据分析模块120可对样本数据进行频域分析从而获得特征频率，并将该特征频率与故障频率进行对比，从而确定样本数据中是否存在该类型的故障。

即，数据分析模块120可通过不同的分析算法获得不同的分析值，并且可将不同的分析值分别与对应设置的阈值进行比较，如果某分析值超过对应设置的阈值，则可以确定原始样本数据存在异常数据，并且可以判断主轴轴承是否存在故障以及具体的故障类型。也就是说，集成的不同的分析算法可对应不同类型的故障，当通过某个或某些分析算法确定的分析值超过设置的阈值时，可确定该原始样本数据存在反映特定类型的故障的异常数据，或者可确定原始样本数据存在反映特定类型的故障的异常数据的可能性较高。

数据诊断模块130可将异常数据的位置、参数名称、性质中的至少一个存入特征数据以生成第一标记信息并且生成指示主轴轴承的故障状态的事件。

参照图2，数据诊断模块130可以通过web服务器60实现，也可通过如上所述的声发射数据服务器30实现。也就是说，数据分析模块120可以是声发射数据服务器30的一部分，也可以是web服务器60的一部分。

数据诊断模块130可将异常数据的位置(异常数据的开始时间和截止时间)、参数名称(例如，均方根值、峰值因子)、异常数据的性质中的至少一个存入特征数据，从而形成第一标记信息，并且还可以进一步生成指示主轴轴承的状态的事件。

这里，异常数据的位置是指异常数据的开始时间和截止时间，参数名称是指特定分析算法的分析参数，例如，均方根值、峰值因子、特征频率，性质可以指特定分析参数的性质，例如，特征频率与故障频率相同。

作为示例，在通过频域分析获得特征频率并且进行相应的对比，确定原始样本数据中存在异常数据之后，数据诊断模块130可将异常数据的开始时间和截止时间(即，异常数据的位置)、特征频率、特征频率与故障频率的关系中的至少一个存入特征数据，形成“标记”，该标记可有利于后续处理中快速确定异常数据的位置、故障诊断的初步判断结果等等。

参照图2，声发射数据服务器30、web服务器60、多个用户端90、局域网服务器100可以设置在风场，其他移动端70、远程专家80等可通过浏览器使用TCP/IP协议经由网络与Web服务器60通讯，从而获取声发射数据服务器30或者web服务器60中的样本数据库内的数据或者获取由其处理后的结果数据。

数据诊断模块130可生成指示主轴轴承的状态的事件，生成的事件可通过预定方式进行发布，例如，可通过短信、微信、电子邮件等方式中的至少一种进行发布。

虽然没有示出，但根据本公开的实施例的状态监测系统还可包括事件发布模块，事件发布模块可通过短信、微信和电子邮件等方式发布相关事件。

诸如远程专家80、其他移动端70、用户端90等的对象可接收到事件发布模块发布的事件，分析人员或其他具有权限的人员(例如，远程专家80)或其他执行主体可以拟调用某一事件做人工查验、人工分析或通过其他工具进行进一步分析，例如，可通过事件处理引导页面进入样本数据图形化分析页面做人工分析。

作为示例，可通过事件和/或第一标记信息查找异常数据并对异常数据进行分析，以进一步确定主轴轴承的状态，并更新和/或修改第一标记信息以获得第二标记信息，或者对原始样本数据进行进一步分析，以确定主轴轴承的状态，并更新和/或修改第一标记信息以获得第二标记信息。

也就是说，在通过集成的分析算法执行自动分析的初步诊断之后，可通过人工等方式进一步进行分析，进一步分析时，可对分析算法采用的参数进行人为的重新设定，对分析的结果可在特征数据文件内做“标记”、注释等，也可修改、补充自动分析产生的标记信息。

另外，数据分析模块120还可将声发射检测设备、风力发电机组、风力发电机组所属的风场信息、主轴轴承、原始样本数据、第一标记信息以及所述事件相互关联。

作为示例，包括数据分析模块120的声发射数据服务器30可将声发射检测设备和特征数据相互关联，并且可在经过预定时间后，保存特征数据和异常数据，并且舍弃原始样本数据中除异常数据之外的其他数据。

作为示例，声发射数据服务器30可建立“传感器集合”，该集合内建立了声发射传感器、风力发电机组、风场、主轴轴承的关联关系。例如，声发射数据服务器30可将新产生的样本数据与“传感器集合”做“样本集合关联”，产生“原始样本记录”，存入“样本数据库”，如此，便可建立每一条数据与声发射传感器、风力发电机组、风场之间的关联关系。

另外，声发射数据服务器30或web服务器60还可将声发射检测设备、风力发电机组、风力发电机组所属的风场信息、主轴轴承、原始样本数据、第一标记信息以及事件均相互关联，因此，特征数据以及形成的特征数据文件最终与声发射传感器建立关联，实现故障监测与设备的对应。

数据服务模块110、数据分析模块120、数据诊断模块130均可以是声发射数据服务器30的一部分，然而，本公开不限于此，数据服务模块110、数据分析模块120、数据诊断模块130可以是具有数据存储和处理功能的其他类型的硬件组件和/或软件组件。下面对根据本公开的实施例的主轴轴承的状态监测方法进行描述。

图3是示出根据本公开的实施例的主轴轴承的状态监测方法的流程图，图4是示出根据本公开的实施例的自动分析过程的流程图。

根据本公开的实施例的主轴轴承的状态监测方法可包括步骤S310、S320和S330。

在步骤S310中，通过声发射检测设备获得主轴轴承的原始样本数据。

如上所述，声发射检测设备可包括声发射传感器和声发射数据采集设备，声发射数据采集设备可采集风力发电机组的主轴轴承上的声发射传感器上的电压信号，然后对电压信号进行滤波、放大后形成原始样本数据，一段时长的原始数据构成原始样本数据文件。

可通过声发射数据采集设备连续地采集安装在主轴轴承上的声发射传感器的电压信号，并对电压信号进行预处理以获得原始样本数据。

根据本公开的实施例的主轴轴承的状态监测方法可以及时发现主轴轴承缺陷的发生，可有效积累主轴轴承的声发射数据，有效掌握、分析主轴轴承故障的发展规律。

通过声发射检测设备获得主轴轴承的原始样本数据的步骤可包括：通过声发射数据采集设备连续地采集安装在主轴轴承上的声发射传感器的电压信号，并对电压信号进行预处理以获得原始样本数据。

在步骤S320中，通过集成的分析算法自动对原始样本数据进行分析，以确定原始样本数据中的异常数据。

集成的分析算法可包括声发射波形分析、时域分析、频域分析中的至少一个，并且还可包括其他的能够反映主轴轴承的故障的存在与否以及故障类型的分析算法，例如，时频域分析算法。具体的声发射波形分析、时域分析、频域分析的算法可如上所述，这里不再赘述。

参照图4，通过集成的分析算法自动对原始样本数据进行分析的步骤可包括步骤S410、步骤S420和步骤S430。

在步骤S410中，基于样原始样本数据形成原始波形流。

在步骤S420中，将原始波形流分割为预定长度的分段波形图。

将原始波形流分割为小段的分段波形图有利于对原始样本数据进行快速处理，有利于快速识别原始样本数据中的异常数据的位置，有利于对原始样本数据进行快速的保存和舍弃。

在步骤S430中，对分段波形图执行声发射波形分析、时域分析、频域分析中的至少一种，以确定相应的分析值。

另外，确定原始样本数据中的异常数据的步骤可包括：将相应的分析值分别与对应设置的阈值进行比较，并且根据比较结果确定原始样本数据是否包括异常数据。

通过上述分析算法可获得分析值，并且可将分析值与设定的阈值进行对比，如果超过阈值，则可以确定原始原本数据中存在异常数据。也就是说，可将相应的分析值分别与对应设置的阈值进行比较，并且根据比较结果确定原始样本数据是否包括异常数据。

作为示例，可将声发射撞击计数的分析值与设置的阈值进行比较，如果该分析值超过设置的阈值，则可以确定原始样本数据中存在异常数据，可以在后续对该异常数据进行进一步分析和判断，从而最终确定主轴轴承是否存在故障，也可以据此判断故障的类型。

作为示例，可对样本数据进行小波分析(例如，小波去噪)，并且将波形变换得到的峰值与特定阈值进行对比，从而确定原始样本数据中是否存在该类型的故障。

也就是说，集成的不同的分析算法可对应不同类型的故障，当通过某个或某些分析算法确定的分析值超过设置的阈值时，可确定该原始样本数据存在反映特定类型的故障的异常数据，或者可确定原始样本数据存在反映特定类型的故障的异常数据的可能性较高。

在步骤S330中，将异常数据的位置、参数名称、性质中的至少一个存入特征数据以生成第一标记信息并且生成指示主轴轴承的状态的事件。诸如第一标记信息或第二标记信息的标记信息可包括异常数据的位置、参数名称、性质中的至少一个。

这里，异常数据的位置可以指异常数据在分段样本数据中的时间区间，参数名称是指分析算法所分析的具体参数，性质是指该具体参数所具有的性质或特征。

以集成的分析算法为FFT算法为例，参数名称可以指经由FFT变换得到的特征频率，性质可以指特征频率与故障频率接近或相等。

根据本公开的实施例的主轴轴承的状态监测方法还可包括将声发射检测设备、风力发电机组、风力发电机组所属的风场信息、主轴轴承、原始样本数据、第一标记信息以及事件相互关联。

作为示例，可建立“传感器集合”，该集合内建立了声发射传感器、风力发电机组、风场、主轴轴承的关联关系。可将新产生的样本数据与“传感器集合”做“样本集合关联”，产生“原始样本记录”，存入“样本数据库”。

根据本公开的实施例的主轴轴承的状态监测方法还可包括将声发射检测设备和特征数据相互关联；以及在经过预定时间后，保存特征数据和异常数据，并且舍弃原始样本数据中除异常数据之外的数据。

也就是说，对无异常的波形信号或原始样本数据可在保存一定时间后视存储器的容量作保存或舍弃处理。

如上所述，指示主轴轴承的状态的事件可通过预定方式发布。

作为示例，预定方式可包括短信、微信和电子邮件中的至少一种。

图5是示出根据本公开的第二实施例的主轴轴承的状态监测方法的流程图。

参照图5，根据本公开的第二实施例的主轴轴承的状态监测方法除了步骤S310、步骤S320和步骤S330之外，还可包括步骤S510。

在步骤S510中，可通过事件和/或第一标记信息查找异常数据并对异常数据进行分析，以进一步确定所述主轴轴承的状态，并更新和/或修改所述第一标记信息以获得第二标记信息。

作为示例，也可以在步骤S510中对原始样本数据进行进一步分析，以确定主轴轴承的状态，并更新和/或修改所述第一标记信息以获得第二标记信息。

因此，根据本公开的实施例，可在通过集成的分析算法执行自动分析的初步诊断之后，可通过人工等方式进行进一步分析，进一步分析时，可对分析算法采用的参数进行人为的重新设定，对分析的结果可在特征数据文件内做“标记”、注释等，也可修改、补充自动分析产生的标记信息，从而形成新的标记信息。

在设计相关分析算法时，对于不同的参数设置不同的阈值会有不同的分析值或分析结果，例如，对于声发射撞击计数据会因设置计数门槛电压值的不同会有不同的计数结果。

当通过人工的重新或进一步分析时，可人为设定这些参数，然后重新计算，重新计算只会输出结果，人工决定是否对数据做标记，但不对样本数据库的样本数据或原始样本数据做任何处理。

应该理解，根据本公开的示例性实施例的状态监测系统中的各个单元或模块可被实现硬件组件和/或软件组件。本领域技术人员可根据限定的各个单元所执行的处理，可以例如使用现场可编程门阵列(FPGA)、专用集成电路(ASIC)、软件算法等来实现各个单元。

根据本公开的各个实施例，装置(例如模块或它们的功能)或方法可以通过存储在计算机可读存储介质中的程序或指令来实现。在该指令被处理器执行的情况下，处理器可以执行对应于该指令的功能或执行对应于该指令的方法。模块的至少一部分可以由处理器实现(例如，执行)。编程模块的至少一部分可以包括用于执行至少一个功能的模块、程序、例程、指令集和过程。在一个示例中，指令或软件包括由一个或更多个处理器或计算机直接执行的机器代码(诸如，由编译器产生的机器代码)。在另一示例中，指令或软件包括由一个或更多个处理器或计算机使用解释器执行的更高级代码。可基于附图中示出的框图和流程图以及说明书中的相应描述使用任何编程语言来编写指令或软件。

本公开的模块或编程模块可以包括在省略一些部件或添加其它部件的情况下前述部件中的至少一个。所述模块、编程模块或者其它部件的操作可以顺序执行、并行执行、循环执行或试探执行。此外，一些操作可以以不同的顺序执行、可被省略或用其他操作进行扩展。

上述步骤的各个操作可被编写为软件程序或指令，因此，根据本公开的示例性实施例的裂纹监测方法可经由软件实现，本公开的实施例的计算机可读存储介质可存储有计算机程序，当所述计算机程序被处理器执行时实现如上述示例性实施例所述的主轴轴承的状态监测方法。

计算机可读存储介质的示例可包括诸如软盘和磁带的磁介质、光介质(包括光盘(CD)ROM和DVD ROM)、诸如软式光盘的磁光介质、设计用于存储和执行程序命令的诸如ROM、RAM的硬件装置以及闪速存储器。所述程序命令包括由计算机使用解释器可执行的语言代码以及由编译器产生的机器语言代码。上述的硬件装置可以通过用于执行本公开的各个实施例的操作的一个或更多个软件模块来实现。

根据本公开的实施例的状态监测方法和状态监测系统能够对风力发电机组的主轴轴承的故障进行监测并且能够执行自动分析。

根据本公开的实施例的状态监测方法和状态监测系统能够对原始样本数据进行自动标记。

根据本公开的实施例的状态监测方法和状态监测系统可兼顾声发射数据和变桨轴承之间的关联。

根据本公开的实施例的状态监测方法和状态监测系统可提供Web模式对不同需求人员应用的支持。

虽然已表示和描述了本公开的一些示例性实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下，可以对这些实施例进行修改，例如，可以将不同实施例的技术特征进行组合。通过组合不同实施例中的技术特征得到的实施例，应视为本公开的一部分。

Claims (13)

1.一种风力发电机组的主轴轴承的状态监测方法，其特征在于，包括：

通过声发射检测设备获得所述主轴轴承的原始样本数据；

通过集成的分析算法对所述原始样本数据进行分析，以确定所述原始样本数据中的异常数据；

将所述异常数据的位置、参数名称、性质中的至少一个存入特征数据，以生成第一标记信息，并且生成用于指示所述主轴轴承的状态的事件。

2.根据权利要求1所述的风力发电机组的主轴轴承的状态监测方法，其特征在于，通过预定方式发布用于指示所述主轴轴承的状态的所述事件。

3.根据权利要求2所述的风力发电机组的主轴轴承的状态监测方法，其特征在于，所述预定方式包括短信、微信和电子邮件中的至少一种。

4.根据权利要求3所述的风力发电机组的主轴轴承的状态监测方法，其特征在于，所述状态监测方法还包括：

通过所述事件和/或所述第一标记信息查找所述异常数据，并对所述异常数据进行分析，以进一步确定所述主轴轴承的状态，并更新和/或修改所述第一标记信息以获得第二标记信息；或者

对所述原始样本数据进行进一步分析，以确定所述主轴轴承的状态，并更新和/或修改所述第一标记信息以获得第二标记信息。

5.根据权利要求1所述的风力发电机组的主轴轴承的状态监测方法，其特征在于，所述状态监测方法还包括：

将所述声发射检测设备、所述风力发电机组、所述风力发电机组所属的风场信息、所述主轴轴承、所述原始样本数据、所述第一标记信息以及所述事件相互关联。

6.根据权利要求5所述的风力发电机组的主轴轴承的状态监测方法，其特征在于，所述状态监测方法还包括：

将所述声发射检测设备和所述特征数据相互关联；以及

在经过预定时间后，保存所述特征数据和所述异常数据，并且舍弃所述原始样本数据中除所述异常数据之外的数据。

7.根据权利要求1所述的风力发电机组的主轴轴承的状态监测方法，其特征在于，通过集成的分析算法自动对所述原始样本数据进行分析的步骤包括：

基于所述样原始样本数据形成原始波形流；

将所述原始波形流分割为预定长度的分段波形图；

对所述分段波形图执行声发射波形分析、时域分析、频域分析中的至少一种，以确定相应的分析值。

8.根据权利要求7所述的风力发电机组的主轴轴承的状态监测方法，其特征在于，确定所述原始样本数据中的异常数据的步骤包括：

将相应的分析值分别与对应设置的阈值进行比较，并且根据比较结果确定所述原始样本数据是否包括异常数据。

9.根据权利要求8所述的风力发电机组的主轴轴承的状态监测方法，其特征在于，

所述时域分析包括均方根值分析、波形指标分析、脉冲指标分析、峰值因子分析中的至少一种；

所述频域分析包括FFT频谱分析、功率谱分析、包络谱分析中的至少一种。

10.根据权利要求1至9中的任一项所述的风力发电机组的主轴轴承的状态监测方法，其特征在于，通过声发射检测设备获得所述轴轴承的原始样本数据的步骤包括：

通过声发射数据采集设备连续地采集安装在所述主轴轴承上的声发射传感器的电压信号，并对所述电压信号进行预处理以获得所述原始样本数据。

11.一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存储有指令或程序，当所述指令或程序由处理器执行时实现根据权利要求1至10中任一项所述的状态监测方法。

12.一种风力发电机组的主轴轴承的状态监测系统，其特征在于，包括：

数据服务模块，获得所述主轴轴承的原始样本数据；

数据分析模块，通过集成的分析算法自动对所述原始样本数据进行分析，以确定所述原始样本数据中的异常数据；

数据诊断模块，将所述异常数据的位置、参数名称、性质中的至少一个存入特征数据以生成第一标记信息并且生成指示所述主轴轴承的故障状态的事件。

13.一种风力发电机组，包括根据权利要求11所述的计算机可读存储介质或根据权利要求12所述的状态监测系统。