ES2881184T3 - Sistema y procedimiento para predecir fallos en componentes de turbinas eólicas - Google Patents
Sistema y procedimiento para predecir fallos en componentes de turbinas eólicas Download PDFInfo
- Publication number
- ES2881184T3 ES2881184T3 ES12184170T ES12184170T ES2881184T3 ES 2881184 T3 ES2881184 T3 ES 2881184T3 ES 12184170 T ES12184170 T ES 12184170T ES 12184170 T ES12184170 T ES 12184170T ES 2881184 T3 ES2881184 T3 ES 2881184T3
- Authority
- ES
- Spain
- Prior art keywords
- profile
- component
- failure
- anomaly
- parametric
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/82—Forecasts
- F05B2260/821—Parameter estimation or prediction
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/332—Maximum loads or fatigue criteria
Landscapes
- Engineering & Computer Science (AREA)
- Sustainable Energy (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
Un analizador de datos (206) para su uso en la predicción de un fallo de componente de turbina eólica, comprendiendo dicho analizador de datos: una base de datos (304) que incluye datos de funcionamiento y alertas de anomalías para una pluralidad de turbinas eólicas (100) y un dispositivo de procesamiento (302) acoplado a dicha base de datos; estando el dispositivo de procesamiento configurado para: determinar un perfil paramétrico para un componente de una turbina eólica a partir de los datos de funcionamiento mediante el cálculo de una puntuación Z para la relación entre los datos de funcionamiento y los datos de funcionamiento esperados para el componente a lo largo del tiempo, donde las alertas de anomalía se generan cuando un parámetro de componente queda fuera de un intervalo esperado, y definiendo el perfil paramétrico al menos un evento paramétrico asociado al componente antes del fallo del componente; determinar un perfil de anomalía para el componente de la turbina eólica a partir de las alertas de anomalía, definiendo el perfil de anomalía al menos una anomalía asociada al componente antes del fallo del componente; determinar una probabilidad de fallo para el componente de la turbina eólica en base al perfil paramétrico y el perfil de anomalía; caracterizado por que el dispositivo de procesamiento (302) está configurado además para: identificar alertas de anomalías asociadas al componente; validar la precisión del perfil de anomalía en base a las alertas de anomalía; y seleccionar el perfil de anomalía que supere una precisión umbral para determinar el perfil de anomalía; y validar los datos de funcionamiento usados para determinar el perfil paramétrico descartando un perfil paramétrico si no se logra la precisión deseada o ponderando un perfil paramétrico de acuerdo con su precisión al determinar la probabilidad de fallo.
Description
DESCRIPCIÓN
Sistema y procedimiento para predecir fallos en componentes de turbinas eólicas
[0001] La materia objeto descrita en el presente documento se refiere, en general, a turbinas eólicas y, más en particular, a la predicción de fallos en componentes de turbinas eólicas.
[0002] Se sabe que las turbinas eólicas están ubicadas en varios entornos adecuados para capturar energía eólica. Las turbinas eólicas proporcionan, en general, un rendimiento variable en base a las condiciones ambientales asociadas a las turbinas eólicas durante el funcionamiento, así como a la adecuación de las turbinas eólicas para funcionar correctamente. Las turbinas eólicas a menudo utilizan sensores para supervisar el rendimiento de turbina eólica y los componentes de turbina durante el funcionamiento. Al menos algunos de estos sensores pueden usarse para detectar averías en las turbinas eólicas.
[0003] A menudo, las averías requieren el apagado, la inspección y/o el reinicio de la turbina eólica. La logística de enviar un equipo a la turbina eólica puede resultar onerosa dada la ubicación de la turbina eólica, tal como situada a una altura inalcanzable sin equipo específico y/o situada en el mar. Además, el tiempo de inactividad asociado a la inspección y/o reparación de la turbina eólica inhibe su capacidad para generar energía. En consecuencia, una vez que una turbina eólica falla, puede tardarse varios días y/o semanas en organizar el equipo y/o las piezas adecuadas para que la turbina eólica vuelva a funcionar.
[0004] Se conocen diversos sistemas de supervisión del estado y la salud de las turbinas eólicas, por ejemplo, de los documentos US 2010/0138267 y US 2011/0125419.
[0005] Es un objetivo de la invención proporcionar un analizador de datos para su uso en la predicción de un fallo de un componente de turbina eólica.
[0006] La invención se define en las reivindicaciones adjuntas.
[0007] Se describirán ahora diversos aspectos y modos de realización de la presente invención en relación con los dibujos adjuntos, en los que:
La fig. 1 es una vista en perspectiva de una turbina eólica ejemplar.
La fig. 2 es un diagrama de bloques que ilustra un sistema de parque de turbinas ejemplar.
La fig. 3 es un diagrama de bloques que ilustra un dispositivo informático ejemplar.
La fig. 4 es un gráfico que ilustra la salida de par de torsión de una turbina eólica funcional, tal como la turbina eólica mostrada en la fig. 1, en relación con la salida de par de torsión de una turbina eólica averiada.
La fig. 5 es un diagrama de flujo de un procedimiento ejemplar para su uso en la predicción de un fallo de un componente de turbina eólica.
[0008] Diversos modos de realización descritos en el presente documento facilitan la predicción de un fallo de un componente de turbina eólica.
[0009] La fig. 1 es una vista en perspectiva de una turbina eólica 100 ejemplar, que incluye una góndola 102 que aloja un generador (no mostrado en la fig. 1). La góndola 102 está montada en una torre 104 (sólo se muestra una parte de la torre 104 en la fig. 1); esa torre 104 puede tener cualquier altura adecuada para facilitar el funcionamiento de la turbina eólica 100 descrita en el presente documento. En un modo de realización ejemplar, la turbina eólica 100 también incluye un rotor 106 que tiene tres palas de rotor 108 acopladas a un buje giratorio 110. De forma alternativa, la turbina eólica 100 puede incluir cualquier número de palas de rotor 108 que permitan el funcionamiento de la turbina eólica 100 descrita en el presente documento. En un modo de realización ejemplar, la turbina eólica 100 incluye una multiplicadora (no mostrada) que está acoplada de forma giratoria al rotor 106 y al generador.
[0010] En algunos modos de realización, la turbina eólica 100 incluye un controlador 112 y uno o más sensores 114. Los sensores 114 proporcionan datos de funcionamiento acerca de la turbina 100. En un modo de realización, el/los sensor(es) 114 incluye(n) uno o más de un sensor de velocidad y/o de dirección del viento (por ejemplo, un anemómetro), un sensor de temperatura del aire ambiente, un sensor de temperatura de componente, un sensor de temperatura del controlador, un sensor de densidad del aire, un sensor de presión atmosférica, un sensor de humedad, un sensor de par de torsión del rotor, un sensor de voltaje, un sensor de corriente, un sensor de potencia, un sensor de ángulo de pitch de pala, un sensor de velocidad del rotor y/u otro sensor adecuado para su uso con turbina eólica 100. Los sensores 114 detectan parámetros de funcionamiento a nivel de turbina, tal como la velocidad del rotor, y/o a nivel de componente, tal como el voltaje a través de un dispositivo de conmutación. Un
componente puede incluir cualquier subconjunto de la turbina 100. Por ejemplo, el controlador 112 puede ser un componente, mientras que un dispositivo de conmutación dentro del controlador 112 puede ser un componente.
[0011] Cada sensor 114 está ubicado de acuerdo con su función. Por ejemplo, un anemómetro puede estar situado en una superficie exterior de la góndola 102, de modo que el anemómetro quede expuesto al aire que rodea la turbina eólica 100. Cada sensor 114 genera y transmite una o más señales correspondientes a una condición operativa detectada. Además, cada sensor 114 puede transmitir una señal de forma continua, periódica o sólo una vez, por ejemplo, aunque también se contemplan otras temporizaciones de señal. Los sensores 114 están acoplados al controlador 112, y el controlador 112 recibe datos de funcionamiento de cada uno de los sensores 114. Además, el controlador 112 está configurado para controlar el funcionamiento de la turbina eólica 100 y puede incluir, sin limitación, un freno, un relé, un motor, un solenoide y/o un servomecanismo. Además, el controlador 112 puede configurarse para ajustar una configuración física de la turbina eólica 100, tal como un ángulo o pitch de las palas de rotor 108 y/o una orientación de la góndola 102 o del rotor 106 con respecto a la torre 104.
[0012] La fig. 2 ilustra un sistema de parque de turbinas 200 ejemplar. En el modo de realización ejemplar, el sistema de parque de turbinas 200 incluye múltiples turbinas eólicas 100. El sistema de parque de turbinas 200 incluye una unidad de supervisión de sistema 202 acoplada a cada una de las turbinas eólicas 100. La unidad de supervisión de sistema 202 supervisa y/o controla cada una de las turbinas eólicas 100. Por ejemplo, la unidad de supervisión de sistema 202 puede incluir un sistema de adquisición de datos y de control de supervisión (SCADA). La unidad de supervisión de sistema 202 está acoplada a cada una de las turbinas eólicas 100 a través de una red 204. La red 204 puede incluir, sin limitación, Internet, una red de área local (LAN), una red de área amplia (WAN), una LAN inalámbrica, una red de malla y/o una red privada virtual (VPN).
[0013] El sistema de parque de turbinas 200 incluye un analizador de datos 206. En el modo de realización ejemplar, el analizador de datos 206 está acoplado comunicativamente a la unidad de supervisión de sistema 202. Por ejemplo, el analizador de datos 206 puede conectarse directamente a la unidad de supervisión de sistema 202 a través de un canal de comunicación 208 y/o conectarse a la unidad de supervisión de sistema 202 a través de una red, tal como la red 204. De forma alternativa, el analizador de datos 206 puede estar separado de la unidad de supervisión de sistema 202, de modo que la transferencia de datos requiere transferir físicamente un medio extraíble legible por ordenador, tal como una unidad flash o CD-ROM, entre el analizador de datos 206 y la unidad de supervisión de sistema 202.
[0014] La fig. 3 ilustra un dispositivo informático 300 ejemplar. En el modo de realización ejemplar, cada unidad de supervisión de sistema 202 y el analizador de datos 206 son dispositivos informáticos 300 individuales. En al menos un modo de realización, la unidad de supervisión de sistema 202 y el analizador de datos 206 pueden incorporarse en un dispositivo informático 300. El dispositivo informático 300 incluye un dispositivo de procesamiento 302 y una base de datos 304 acoplada al dispositivo de procesamiento 302. El dispositivo de procesamiento 302 puede incluir cualquier unidad de procesamiento, tal como, sin limitación, una unidad de procesamiento central (CPU), un circuito integrado (IC), un circuito integrado específico de la aplicación (ASIC), un microordenador, un microcontrolador, un dispositivo lógico programable (PLD) y/o cualquier otro circuito programable. Un procesador puede incluir múltiples unidades de procesamiento (por ejemplo, en una configuración de múltiples núcleos).
[0015] La base de datos 304 es cualquier dispositivo que permita almacenar y recuperar información, tal como instrucciones ejecutables para el dispositivo de procesamiento 302 y/u otros datos. Una base de datos puede incluir, sin limitación, uno o más dispositivos de memoria de acceso aleatorio (RAM), dispositivos de memoria de solo lectura (ROM), dispositivos de disco duro, memorias flash, dispositivos ópticos y/u otros medios legibles por ordenador. En la base de datos 304 se almacenan, por ejemplo, instrucciones legibles por ordenador para generar uno o más perfiles y/o probabilidades de fallo. Además, o de forma alternativa, la base de datos 304 puede configurarse para almacenar datos de funcionamiento transmitidos desde una o más de las turbinas 100, alertas de anomalías transmitidas desde una o más de las turbinas 100 y/o cualquier otro dato adecuado para su uso con los procedimientos descritos en el presente documento.
[0016] El dispositivo informático 300 incluye una interfaz de comunicación 310 que permite al dispositivo de procesamiento 302 comunicarse con la red 204 y/u otros dispositivos informáticos 300 en comunicación con la red 204. Además, un medio extraíble legible por ordenador, tal como una unidad flash, CD-ROM, etc., puede comunicarse con el dispositivo de procesamiento 302 directamente o por medio de la interfaz de comunicación 310.
[0017] En algunos modos de realización, el dispositivo informático 300 incluye al menos un dispositivo de presentación 315 para presentar información a un operario 320. El dispositivo de presentación 315 es cualquier componente capaz de transmitir información al operario 320. El dispositivo de presentación 315 puede incluir, sin limitación, un dispositivo de visualización (por ejemplo, una pantalla de cristal líquido (LCD), una pantalla de diodo orgánico emisor de luz (OLED) o una pantalla de "tinta electrónica") y/o un dispositivo de salida de audio (por ejemplo, un altavoz o auriculares). En algunos modos de realización, el dispositivo de presentación 315 está
configurado para presentar al operario 320 información de turbina eólica, tal como la potencia de salida posible y/o real de una o más turbinas eólicas 100 (mostradas en la fig. 1).
[0018] En algunos modos de realización, el dispositivo informático 300 incluye un dispositivo de entrada 325 para recibir datos de entrada del operario 320. El dispositivo de entrada 325 puede incluir, por ejemplo, un teclado, un dispositivo señalador, un ratón, un panel sensible al tacto (por ejemplo, un panel táctil o una pantalla táctil) y/u otros dispositivos de entrada adecuados para recibir uno o más datos de entrada del operario 320. Un solo componente, tal como una pantalla táctil, puede funcionar como dispositivo de salida del dispositivo de presentación 315 y como dispositivo de entrada 325.
[0019] En el modo de realización ejemplar, la base de datos 304 incluye datos de funcionamiento y alertas de anomalías. Los datos de funcionamiento y/o alertas de anomalías pueden ser generados por una o más de las turbinas eólicas 100. Más específicamente, los datos de funcionamiento incluyen cualquier parámetro detectado y/o medido por los sensores 114, como se describe anteriormente. Los parámetros pueden incluir, sin limitación, voltaje de fase, corriente de fase, potencia, velocidad del viento, par de torsión, temperaturas, etc. En el modo de realización ejemplar, los datos de funcionamiento se transmiten desde cada una de las turbinas eólicas 100 a la unidad de supervisión de sistema 202, por medio de la red 204, y se almacenan en la base de datos 304. Los datos de funcionamiento pueden transmitirse desde las turbinas eólicas 100 en varios intervalos y/o en tiempo real. Específicamente, por ejemplo, los datos de funcionamiento pueden recibirse desde uno o más de los sensores 114 y transmitirse desde el controlador 112 a la unidad de supervisión de sistema 202 en intervalos de, sin limitación, 10 minutos aproximadamente, 5 minutos aproximadamente, 1 minuto aproximadamente, 30 segundos aproximadamente o 10 segundos aproximadamente y/u otros intervalos adecuados dependiendo, por ejemplo, del tipo de red 204 y/o del número de turbinas 100 acopladas a la unidad de supervisión de sistema 202.
[0020] Además de los datos de funcionamiento, pueden generarse y transmitirse alertas de anomalías desde una o más de las turbinas eólicas 100 a la unidad de supervisión de sistema 202. En general, una alerta de anomalía se genera cuando un parámetro de la turbina 100 está fuera de un intervalo esperado y/o incumple un valor esperado mínimo/máximo. Las alertas de anomalías se pueden almacenar en la base de datos 304 y pueden incluir, sin limitación, una desviación de par de torsión, un voltaje de falla en la línea, una corriente de falla, una frecuencia de falla en la línea, una corriente de generador asimétrica, una advertencia de sobrecalentamiento de cabina, una caída de voltaje en la red, error de retroalimentación de disyuntor u otras anomalías en el funcionamiento de la turbina eólica 100. Los datos de funcionamiento y/o las alertas de anomalías almacenados en la base de datos 304 pueden transmitirse al analizador de datos 206 de varias formas adecuadas, tales como a través de la red 204, otra red y/o un medio legible por ordenador, etc.
[0021] Durante el funcionamiento, el dispositivo de procesamiento 302 determina un perfil paramétrico para un componente de la turbina eólica 100 a partir de los datos de funcionamiento de una pluralidad de turbinas eólicas almacenados en la base de datos 304. El perfil paramétrico define uno o más eventos paramétricos asociados al componente antes del fallo del componente. De este modo, el dispositivo de procesamiento 302 utiliza datos de funcionamiento relacionados con parámetros de componentes de turbinas eólicas, tales como, sin limitación, una temperatura asociada al componente, un voltaje y/o corriente asociados al componente, etc., para identificar un evento paramétrico que precede a fallos históricos del componente de la turbina eólica 100 para predecir un fallo del componente de la turbina eólica 100.
[0022] En algunos modos de realización, cuando el dispositivo de procesamiento 302 determina el perfil paramétrico, el dispositivo de procesamiento 302 selecciona un componente asociado a un fallo particular de la turbina eólica 100. Más específicamente, varios fallos de turbina eólica pueden reducirse a fallos de componente discretos, tales como fallos de componentes electrónicos, a través de un análisis de "espina de pescado" de los componentes, fallos y/o parámetros. En un ejemplo, un circuito rectificador defectuoso dentro del controlador 112 puede provocar un fallo de la turbina eólica 100 (es decir, parada y/o reducción de la producción de energía, etc.). En otro ejemplo, un condensador agrietado dentro del controlador 112 puede provocar un fallo de la turbina eólica 100. A menudo, el componente defectuoso proporciona indicadores de fallo antes del fallo real. Más específicamente, los datos de funcionamiento de la turbina 100 pueden desviarse de un valor o intervalo esperado antes del fallo de uno o más componentes de turbina 100. Los sistemas descritos en el presente documento, en algunos modos de realización, seleccionan el componente asociado a la desviación para determinar el perfil paramétrico.
[0023] En el modo de realización ejemplar, la selección de un componente puede seleccionarse en base a las tasas de fallo para el componente particular. Por ejemplo, si un fallo de un transistor bipolar de puerta aislada (IGBT) representa el 4 % de los fallos de la turbina y el 4 % es alto en relación con otros fallos conocidos, el IGBT puede seleccionarse mediante el dispositivo de procesamiento 302 y/o el operario 320 del analizador de datos 206 como componente de interés. Además, los datos de funcionamiento y/o el conocimiento del dominio relacionados con las turbinas eólicas 100 pueden identificar una parte relevante de los datos de funcionamiento asociados al IGBT, tal como voltaje de funcionamiento, tipos de conmutación, flujo de corriente y/o velocidad de conmutación, etc. Es evidente que otro u otros componentes de turbina 100 pueden incluir diferentes parámetros de interés utilizables para determinar un perfil paramétrico.
[0024] Una vez que el dispositivo de procesamiento 302 y/o el operario 320 han seleccionado el componente y los datos de funcionamiento, el dispositivo de procesamiento 302 analiza los datos de funcionamiento para identificar el perfil paramétrico. Específicamente, el dispositivo de procesamiento 302 emplea varias herramientas estadísticas para identificar un perfil paramétrico. Los datos de funcionamiento incluyen el par de torsión real para la turbina 100 y un par de torsión esperado para la turbina 100. El dispositivo de procesamiento 302 calcula una puntuación z para la relación entre el par de torsión real y el par de torsión esperado a lo largo del tiempo. La fig.
4 ilustra un gráfico 400 de la puntuación z 402 para la turbina 100 en funcionamiento normal. La fig. 4 ilustra además una puntuación z 404 para la turbina 100 durante un fallo. Como se muestra, la puntuación z 402 se desvía aproximadamente 1,51, lo que indica una diferencia mínima entre el par de torsión real y el par de torsión de consigna. Por el contrario, la puntuación z 404 define una desviación creciente que va hasta aproximadamente 18,57, lo que indica la desviación entre el par de torsión real y el par de torsión esperado justo antes de un fallo de la turbina 100 en el punto 406. Como debería ser evidente, se pueden emplear varias herramientas estadísticas diferentes para comparar varios tipos de datos de funcionamiento con valores/intervalos esperados y/u otros datos de funcionamiento. Los tipos de parámetros seleccionados pueden iterarse para aumentar la precisión y la eficiencia de un perfil paramétrico. Por ejemplo, el dispositivo de procesamiento 302 puede comparar el par de torsión real con la velocidad del viento, la potencia de salida con la velocidad del viento, diferentes corrientes de fase, la temperatura interna con la temperatura ambiente, voltajes de fase u otra combinación de parámetros adecuados para predecir fallos en componentes.
[0025] En varios modos de realización, el conocimiento del dominio puede usarse para ayudar a identificar un perfil paramétrico. Más específicamente, el conocimiento del dominio puede usarse para proporcionar valores esperados y/o valores de consigna para analizar los datos de funcionamiento. El conocimiento del dominio puede incluir, sin limitación, conocimiento experto de un funcionamiento teórico de la turbina eólica 100, generación de electricidad trifásica, respuesta de la turbina a condiciones ambientales específicas, etc. En el ejemplo anterior, el conocimiento del dominio puede usarse para determinar el par de torsión esperado para la turbina eólica 100 en las condiciones apropiadas para medir el par de torsión real de la turbina 100 en esas condiciones.
[0026] Los datos de funcionamiento se pueden analizar en relación con un valor de consigna para determinar el perfil paramétrico. En el modo de realización ejemplar, el dispositivo de procesamiento 302 puede analizar los datos de funcionamiento en relación con el valor de consigna para detectar si el componente y/o la turbina eólica 100 se están desviando de la consigna. Específicamente, si los datos de funcionamiento exceden/no alcanzan el valor de consigna antes de un fallo de la turbina 100, el exceso/defecto del valor de consigna puede determinarse como al menos una parte de un perfil paramétrico. En un ejemplo de este tipo, un evento paramétrico del perfil paramétrico puede incluir exceder/no alcanzar el valor de consigna.
[0027] Debe apreciarse que se pueden realizar varias operaciones diferentes para determinar un perfil paramétrico que incluye al menos un evento paramétrico. En varios modos de realización, el dispositivo de procesamiento 302 compara una parte de los datos de funcionamiento con otra parte de los datos de funcionamiento para determinar un perfil paramétrico. Específicamente, por ejemplo, el dispositivo de procesamiento 302 puede determinar un perfil paramétrico basado en una comparación y/o análisis del par de torsión frente a la velocidad del viento, la potencia frente a la velocidad del viento, las diferencias de corriente de fase, la temperatura de refrigerante frente a la temperatura ambiente, variaciones de voltaje de fase, etc.
[0028] Además, en el modo de realización ejemplar, los datos de funcionamiento pueden analizarse en base al estado de la turbina 100. Más específicamente, los datos de funcionamiento pueden incluir una designación de estado para la turbina 100, tal como un modo de no funcionamiento, un modo de arranque, un modo de producción de energía, un modo de apagado, etc. Los datos de funcionamiento pueden analizarse de manera diferente dependiendo de un estado particular de turbina 100. En un ejemplo, se puede ignorar una desviación de par de torsión durante un modo de arranque, mientras que se puede analizar una desviación de par de torsión durante un modo de producción de energía para determinar el perfil paramétrico. Por consiguiente, en varios modos de realización, el dispositivo de procesamiento 302 puede realizar uno o más procesos descritos en el presente documento basándose en un estado de turbina de la turbina 100. Específicamente, en otro ejemplo, el dispositivo de procesamiento 302 puede determinar un estado de turbina anterior y/o un estado de turbina actual para analizar la potencia de salida de la turbina 100 en relación con la velocidad del viento asociada a la turbina 100.
[0029] Además, el dispositivo de procesamiento 302 valida los datos históricos de perfil paramétrico asociados a una pluralidad de turbinas, tales como datos de funcionamiento usados para determinar el perfil paramétrico. El dispositivo de procesamiento 302 descarta un perfil paramétrico si no se logra la precisión deseada. Si un perfil paramétrico predice fallos en turbinas que no fallan a una tasa de aproximadamente el 15 %, el perfil paramétrico se descarta. De forma alternativa, el dispositivo de procesamiento 302 pondera el perfil paramétrico de acuerdo con su precisión al determinar la probabilidad de fallo. La validación del perfil paramétrico se emplea para inhibir falsos positivos. Si bien la reparación de las turbinas 100 puede ser engorrosa, las reparaciones innecesarias de las turbinas 100 utilizan innecesariamente los recursos de reparación y/o mantenimiento disponibles.
[0030] En el modo de realización ejemplar, el dispositivo de procesamiento 302 determina un perfil de anomalía
para el componente de la turbina eólica 100 a partir de las alertas de anomalía generadas por una pluralidad de turbinas eólicas 100. El perfil de anomalía define al menos una anomalía asociada al componente antes del fallo del componente.
[0031] En varios modos de realización, el dispositivo de procesamiento 302 determina el perfil de anomalía filtrando las alertas de anomalías de las turbinas eólicas 100 para identificar anomalías asociadas al componente de turbina 100. En el modo de realización ejemplar, el dispositivo de procesamiento 302 y/o el operario 320 utilizan el conocimiento del dominio para asociar una o más alertas de anomalías a un componente de turbina 100. El conocimiento del dominio puede incluir la información operativa acerca del componente (por ejemplo, un convertidor de potencia, un circuito rectificador, un dispositivo de conmutación, etc.), registros de mantenimiento, informes de anomalías, etc. Las alertas de anomalías pueden asociarse dentro de múltiples componentes y utilizarse para determinar un perfil de anomalía para cada uno de los componentes de turbina 100.
[0032] Además, o de forma alternativa, el dispositivo de procesamiento 302 puede correlacionar las anomalías de filtro para determinar el perfil de anomalía. Más específicamente, el dispositivo 302 puede usar, por ejemplo, extracción de reglas asociativas para determinar el perfil de anomalía a partir de las alertas de anomalía. Debe apreciarse que se encuentran disponibles varias herramientas de análisis para determinar un perfil de anomalía a partir de las alertas de anomalía disponibles que se determina que están asociadas a un componente particular de turbina 100.
[0033] Específicamente, en un ejemplo, dos turbinas 100 generan alertas de anomalías. La primera turbina 100 transmite las siguientes anomalías: un retraso de reinicio el día 1, un retraso de reinicio el día 14, una falla colectiva de CCU en el lado de generador el día 14 y una desviación de par de torsión el día 15, antes del fallo de turbina el día 17. La segunda turbina 100 transmite las siguientes anomalías: una parada el día 1, una falla colectiva de CCU en el lado de generador el día 23, una desviación de par de torsión el día 23 y una corriente de falla de CCU de línea el día 23, antes del fallo de turbina el día 29. Debido a que cada una de las dos turbinas averiadas emite alertas de anomalías comunes antes del fallo, el dispositivo de procesamiento 302 puede determinar un perfil de anomalía que incluya las dos anomalías. En particular, en este ejemplo, el perfil de anomalía puede incluir una desviación de par de torsión y una falla colectiva de CCU en el lado de generador. En otro ejemplo, una alerta de anomalía puede persistir durante un intervalo de tiempo. Más específicamente, una alerta de frecuencia de falla de línea puede persistir durante dos días, sin que se resuelva mediante el reinicio de la turbina. En un ejemplo de este tipo, el dispositivo de procesamiento 302 puede determinar un perfil de anomalía que incluye una alerta de frecuencia de falla de línea de persistencia. Debe apreciarse que el número y/o tipo de anomalías incluidas en un perfil de anomalía puede ser diferente en otros modos de realización.
[0034] En el modo de realización ejemplar, el dispositivo de procesamiento 302 puede validar además el perfil de anomalía frente a las alertas de anomalía para determinar una puntuación de validación. La puntuación de validación puede indicar la precisión del perfil de anomalía, es decir, el número de falsos positivos. El perfil de anomalía puede descartarse si la puntuación de validación supera un valor predeterminado. De forma alternativa, el dispositivo de procesamiento 302 puede utilizar la puntuación de validación para ponderar el perfil de anomalía de acuerdo con su precisión al determinar la probabilidad de fallo.
[0035] Cuando el dispositivo de procesamiento 302 ha determinado el perfil paramétrico y los perfiles de anomalía, el dispositivo de procesamiento 302 está configurado para determinar una probabilidad de fallo para el componente de turbina eólica 100 en base al perfil paramétrico y el perfil de anomalía. La probabilidad de fallo puede incluir la probabilidad de fallo y/o el momento previsto de un fallo. De esta manera, se proporciona una probabilidad de fallo para un componente de turbina eólica 100 cuando se producen los eventos paramétricos y/o las anomalías, de modo que un operario de la turbina eólica 100 puede planificar previamente el fallo de la turbina eólica 100 para minimizar y/o eliminar el tiempo de inactividad de la turbina eólica 100 debido a un fallo asociado al componente.
[0036] Se pueden incorporar una o más probabilidades de fallo en la unidad de supervisión de sistema 202. Específicamente, por ejemplo, las probabilidades de fallo se pueden codificar y/o convertir en una o más consultas SQL. Las consultas SQL pueden ser invocadas por un componente SCADA o estar incorporadas en un componente SCADA de la unidad de supervisión de sistema 202. Las consultas SQL se pueden ejecutar de forma continua, periódica y/o cuando el operario lo solicite para determinar si se han producido uno o más eventos paramétricos y/o anomalías en los que se basa la probabilidad de fallo.
[0037] Más específicamente, cuando la unidad de supervisión de sistema 202 reconoce la aparición de uno o más eventos paramétricos y anomalías indicativos del perfil paramétrico y los perfiles de anomalía, la unidad de supervisión de sistema 202 puede asignar la probabilidad de fallo a la turbina eólica 100. Dependiendo de la gravedad de la probabilidad de fallo, un operario de la unidad de supervisión de sistema 202 puede iniciar un procedimiento para procurar el mantenimiento de la turbina 100. Como se indicó anteriormente, el operario puede minimizar y/o eliminar el tiempo de inactividad de la turbina eólica 100 debido a un fallo asociado al componente. De esta manera, el analizador de datos 206 proporciona una fiabilidad, disponibilidad y facilidad de mantenimiento mejoradas de las turbinas eólicas 100 y, en consecuencia, del sistema de parque de turbinas 200. Más en particular,
los sistemas y procedimientos descritos en el presente documento pueden permitir a un operario del sistema de parque de turbinas 200 planificar interrupciones, actividades de mantenimiento, inventarios de repuestos y personal antes de los fallos de una turbina eólica, al tiempo que reducen el tiempo de inactividad asociado a las turbinas eólicas averiadas.
[0038] La fig. 5 ilustra un procedimiento 500 ejemplar para asignar una probabilidad de fallo a una turbina. El procedimiento 500 puede realizarse mediante cualquier dispositivo informático adecuado, incluido, por ejemplo, el analizador de datos 206 de la fig. 2. Además, debe apreciarse que el dispositivo informático 300 divulgado en el presente documento no se limita al procedimiento 500, sino que puede usarse para realizar otros procedimientos de acuerdo con la presente divulgación.
[0039] El procedimiento 500 incluye determinar 502 un perfil paramétrico para un componente de una turbina eólica a partir de datos de funcionamiento de una pluralidad de turbinas eólicas, determinar 504 un perfil de anomalía para el componente de la turbina eólica a partir de alertas de anomalía de una pluralidad de turbinas eólicas, y determinar 506 una probabilidad de fallo para el componente de la turbina eólica en base al perfil paramétrico y al perfil de anomalía. El perfil paramétrico define al menos un evento paramétrico asociado al componente antes del fallo del componente, y el perfil de anomalía define al menos una anomalía asociada al componente antes del fallo del componente.
[0040] En el modo de realización ejemplar, determinar 502 el perfil paramétrico incluye analizar al menos un parámetro del componente con respecto a uno de un valor esperado y una consigna. En un ejemplo, analizar al menos un parámetro puede incluir analizar el al menos un parámetro en base a un estado de turbina. Además, en algunos modos de realización, determinar 502 el perfil paramétrico puede incluir analizar al menos un parámetro del componente en relación con un segundo parámetro asociado a la turbina eólica.
[0041] En diversos modos de realización, determinar 506 la probabilidad de fallo incluye determinar la puntuación de fallo en base al conocimiento del dominio. Más específicamente, el conocimiento del dominio se puede emplear para determinar el perfil paramétrico, determinar el perfil de anomalía y/o combinar el perfil paramétrico y el perfil de anomalía para determinar la probabilidad de fallo. El conocimiento del dominio puede incluir, sin limitación, registros de mantenimiento, operaciones teóricas de la turbina eólica 100, etc.
[0042] Además, el procedimiento 500 puede incluir asignar la probabilidad de fallo a una turbina eólica en base a la aparición del al menos un evento paramétrico y la al menos una anomalía.
[0043] En varios modos de realización, determinar 504 el perfil de anomalía incluye identificar alertas de anomalía asociadas al componente. Además, determinar 504 el perfil de anomalía puede incluir validar el perfil de anomalía frente a las alertas de anomalía para determinar una puntuación de validación. Más aún, determinar 506 la probabilidad de fallo puede incluir ponderar el perfil de anomalía en base a, al menos, la puntuación de validación.
[0044] Uno o más de los modos de realización descritos anteriormente pueden proporcionar predicciones precisas de fallos de turbinas eólicas en base a datos de funcionamiento históricos y alertas de anomalías de una pluralidad de turbinas eólicas. Más específicamente, los sistemas y procedimientos descritos en el presente documento pueden permitir a un operario de un sistema de parque de turbinas planificar interrupciones, actividades de mantenimiento, inventarios de repuestos y personal antes de los fallos de una turbina eólica, al tiempo que reducen el tiempo de inactividad asociado a las turbinas eólicas averiadas. Además, los sistemas y procedimientos descritos en el presente documento pueden proporcionar una gestión mejorada de contratos y de ofertas de servicio.
[0045] Los modos de realización proporcionados en el presente documento facilitan la generación de una o más probabilidades de fallo utilizables para predecir un fallo de turbina antes del fallo. Modos de realización ejemplares de dispositivos informáticos y de sistemas de turbina se han descrito anteriormente en detalle. Los sistemas y procedimientos no se limitan a los modos de realización específicos descritos en el presente documento, sino que cada componente se puede utilizar de forma independiente y separada de otros componentes descritos en el presente documento.
[0046] Los procedimientos y sistemas descritos en el presente documento pueden implementarse usando programación informática o técnicas de ingeniería que incluyen software informático, firmware, hardware o cualquier combinación o subconjunto de los mismos, donde un efecto técnico ejemplar puede incluir al menos uno de: (a) determinar un perfil paramétrico para un componente de una turbina eólica a partir de datos de funcionamiento de una pluralidad de turbinas eólicas, (b) determinar un perfil de anomalía para el componente de la turbina eólica a partir de alertas de anomalía generadas por una pluralidad de turbinas eólicas, y (c) determinar una probabilidad de fallo para el componente de la turbina eólica en base al perfil paramétrico y al perfil de anomalía.
[0047] En esta descripción escrita se usan ejemplos para divulgar la invención, que incluyen el modo preferente, y asimismo para permitir que cualquier experto en la técnica lleve a la práctica la invención, lo cual incluye fabricar y usar cualquier dispositivo o sistema y realizar cualquier procedimiento incorporado.
Claims (8)
1. Un analizador de datos (206) para su uso en la predicción de un fallo de componente de turbina eólica, comprendiendo dicho analizador de datos:
una base de datos (304) que incluye datos de funcionamiento y alertas de anomalías para una pluralidad de turbinas eólicas (100) y
un dispositivo de procesamiento (302) acoplado a dicha base de datos; estando el dispositivo de procesamiento configurado para:
determinar un perfil paramétrico para un componente de una turbina eólica a partir de los datos de funcionamiento mediante el cálculo de una puntuación Z para la relación entre los datos de funcionamiento y los datos de funcionamiento esperados para el componente a lo largo del tiempo, donde las alertas de anomalía se generan cuando un parámetro de componente queda fuera de un intervalo esperado, y definiendo el perfil paramétrico al menos un evento paramétrico asociado al componente antes del fallo del componente;
determinar un perfil de anomalía para el componente de la turbina eólica a partir de las alertas de anomalía, definiendo el perfil de anomalía al menos una anomalía asociada al componente antes del fallo del componente; determinar una probabilidad de fallo para el componente de la turbina eólica en base al perfil paramétrico y el perfil de anomalía;
caracterizado por que el dispositivo de procesamiento (302) está configurado además para: identificar alertas de anomalías asociadas al componente; validar la precisión del perfil de anomalía en base a las alertas de anomalía;
y seleccionar el perfil de anomalía que supere una precisión umbral para determinar el perfil de anomalía; y
validar los datos de funcionamiento usados para determinar el perfil paramétrico descartando un perfil paramétrico si no se logra la precisión deseada o ponderando un perfil paramétrico de acuerdo con su precisión al determinar la probabilidad de fallo.
2. El analizador de datos (206) de la reivindicación 1, que comprende además una interfaz de comunicación (310) para acoplarse a al menos uno de entre una red (204) y una unidad de supervisión de sistema (202) para recibir dichos datos de funcionamiento y dichas alertas de anomalías.
3. El analizador de datos (206) de cualquier reivindicación anterior, en el que el dispositivo de procesamiento (302) está configurado para asignar la probabilidad de fallo a una turbina eólica (100) basándose en la aparición del al menos un evento paramétrico y la al menos una anomalía.
4. El analizador de datos (206) de cualquier reivindicación anterior, en el que el al menos un evento paramétrico comprende una correlación entre una velocidad del viento y una salida de par de torsión de una turbina eólica (100).
5. El analizador de datos (206) de cualquier reivindicación precedente, en el que dicho dispositivo de procesamiento (302) está configurado para analizar al menos un parámetro del componente en relación con uno de entre un valor esperado y una consigna para determinar el perfil paramétrico.
6. El analizador de datos (206) de la reivindicación 5, en el que dicho dispositivo de procesamiento (302) está configurado para analizar el al menos un parámetro basándose en un estado de turbina.
7. El analizador de datos (206) de la reivindicación 5 o 6, en el que el al menos un parámetro incluye al menos uno de entre voltaje, corriente, potencia, velocidad del viento, par de torsión y temperatura asociados a la turbina eólica.
8. El analizador de datos (206) de cualquier reivindicación precedente, en el que dicho dispositivo de procesamiento (302) está configurado para determinar la probabilidad de fallo basándose en el conocimiento del dominio.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/237,073 US8326577B2 (en) | 2011-09-20 | 2011-09-20 | System and method for predicting wind turbine component failures |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2881184T3 true ES2881184T3 (es) | 2021-11-29 |
Family
ID=46163049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES12184170T Active ES2881184T3 (es) | 2011-09-20 | 2012-09-13 | Sistema y procedimiento para predecir fallos en componentes de turbinas eólicas |
Country Status (5)
Country | Link |
---|---|
US (1) | US8326577B2 (es) |
EP (1) | EP2573390B1 (es) |
CN (1) | CN103016264B (es) |
DK (1) | DK2573390T3 (es) |
ES (1) | ES2881184T3 (es) |
Families Citing this family (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10254270B2 (en) | 2006-11-16 | 2019-04-09 | General Electric Company | Sensing system and method |
DE102007060958A1 (de) * | 2007-12-14 | 2009-06-25 | Repower Systems Ag | Steuereinrichtung für Windenergieanlagen mit Netzausfallerkennung |
US8334610B2 (en) * | 2009-02-13 | 2012-12-18 | Robert Migliori | Gearless pitch control mechanism for starting, stopping and regulating the power output of wind turbines without the use of a brake |
US8988236B2 (en) | 2010-05-27 | 2015-03-24 | University Of Southern California | System and method for failure prediction for rod pump artificial lift systems |
US8988237B2 (en) | 2010-05-27 | 2015-03-24 | University Of Southern California | System and method for failure prediction for artificial lift systems |
GB201110003D0 (en) * | 2011-06-14 | 2011-07-27 | Romax Technology Ltd | Identifying wind turbines for maintenance |
US9280517B2 (en) * | 2011-06-23 | 2016-03-08 | University Of Southern California | System and method for failure detection for artificial lift systems |
US9157308B2 (en) * | 2011-12-29 | 2015-10-13 | Chevron U.S.A. Inc. | System and method for prioritizing artificial lift system failure alerts |
JP2013170566A (ja) * | 2012-02-23 | 2013-09-02 | Mitsubishi Heavy Ind Ltd | 風力発電装置の監視方法及びシステム |
US8872363B2 (en) * | 2012-05-11 | 2014-10-28 | Bader Abdullah ALMALKI | Vehicle movement activated electrical power generator, and method for providing electrical power for roadside applications |
US9239894B2 (en) * | 2012-07-23 | 2016-01-19 | General Electric Company | Systems and methods for predicting failures in power systems equipment |
ES2613305T3 (es) * | 2013-01-25 | 2017-05-23 | Vestas Wind Systems A/S | Control de turbinas eólicas |
EP2804064B1 (en) * | 2013-05-17 | 2020-07-01 | ABB S.p.A. | A computerised system and method for generating a life expectancy analysis report related to a low or medium voltage switching device |
US11055450B2 (en) * | 2013-06-10 | 2021-07-06 | Abb Power Grids Switzerland Ag | Industrial asset health model update |
US10534361B2 (en) * | 2013-06-10 | 2020-01-14 | Abb Schweiz Ag | Industrial asset health model update |
CN103324854A (zh) * | 2013-06-26 | 2013-09-25 | 广东电网公司电力科学研究院 | 海上风电场集电系统可靠性评估方法与系统 |
US10169051B2 (en) | 2013-12-05 | 2019-01-01 | Blue Yonder GmbH | Data processing device, processor core array and method for characterizing behavior of equipment under observation |
EP2881820A1 (en) * | 2013-12-05 | 2015-06-10 | Blue Yonder GmbH | Data processing device and method for characterizing behavior of equipment under observation |
EP2881821A1 (en) * | 2013-12-05 | 2015-06-10 | Blue Yonder GmbH | Processor core array for characterizing behavior properties of equipment, and method |
US9823311B2 (en) * | 2014-07-31 | 2017-11-21 | Schneider Electric USA, Inc. | System to identify potential electrical network faults combining vibration and power quality analysis |
KR20160017681A (ko) * | 2014-07-31 | 2016-02-17 | 두산중공업 주식회사 | 풍력플랜트 관리 시스템 및 그 방법 |
WO2016099558A1 (en) * | 2014-12-19 | 2016-06-23 | Hewlett Packard Enterprise Development Lp | Automative system management |
US11107169B2 (en) * | 2015-11-18 | 2021-08-31 | General Electric Company | Systems and methods for controlling and monitoring power assets |
JP2019113883A (ja) * | 2016-03-25 | 2019-07-11 | 株式会社日立製作所 | 稼働補助装置及び風力発電システム |
KR101768810B1 (ko) * | 2016-06-02 | 2017-08-30 | 두산중공업 주식회사 | 풍력단지 통합 제어 모니터링 시스템 |
JP6736987B2 (ja) * | 2016-06-03 | 2020-08-05 | 日本精工株式会社 | 風力発電装置の回転部品の状態監視装置 |
CN108226775B (zh) * | 2016-12-13 | 2020-06-30 | 北京金风科创风电设备有限公司 | 风力发电机的故障自检测方法及装置 |
US10969933B1 (en) * | 2017-02-07 | 2021-04-06 | The Mathworks, Inc. | Graphical representation of ordered model items based on solver information |
CN106951997B (zh) * | 2017-03-24 | 2020-11-10 | 新疆金风科技股份有限公司 | 预测风机的故障的方法和设备 |
US20200118012A1 (en) * | 2017-04-18 | 2020-04-16 | Hewlett-Packard Development Company, L.P. | Monitoring the Thermal Health of an Electronic Device |
US11549491B2 (en) | 2017-06-14 | 2023-01-10 | Kk Wind Solutions A/S | Independent monitoring system for a wind turbine |
CN109139388B (zh) * | 2017-06-15 | 2020-11-10 | 北京国电思达科技有限公司 | 一种风力发电机智能辅助监控系统 |
CN109386435B (zh) * | 2017-08-04 | 2021-01-01 | 阿里巴巴集团控股有限公司 | 风电机故障监控方法、装置和系统 |
US11663496B2 (en) * | 2018-01-30 | 2023-05-30 | Utopus Insights, Inc. | System and method for predicting failure of components using temporal scoping of sensor data |
MX2020010288A (es) * | 2018-03-28 | 2021-01-20 | L&T Tech Services Limited | Sistema y procedimiento para supervisar la salud y predecir fallos de una máquina electromecánica. |
US11080438B2 (en) * | 2018-05-30 | 2021-08-03 | International Business Machines Corporation | Building-information management system with directional wind propagation and diffusion |
ES2920139T3 (es) | 2018-08-20 | 2022-08-01 | Vestas Wind Sys As | Control de un aerogenerador |
CN109358286A (zh) * | 2018-11-05 | 2019-02-19 | 长沙源婕科技有限公司 | 一种发电机风机故障自动检测方法 |
EP3660482A1 (en) * | 2018-11-30 | 2020-06-03 | Siemens Aktiengesellschaft | System, apparatus and method of determining remaining life of a bearing |
US10867250B2 (en) | 2018-12-27 | 2020-12-15 | Utopus Insights, Inc. | System and method for fault detection of components using information fusion technique |
US10984154B2 (en) * | 2018-12-27 | 2021-04-20 | Utopus Insights, Inc. | System and method for evaluating models for predictive failure of renewable energy assets |
US11261846B2 (en) | 2019-11-01 | 2022-03-01 | General Electric Company | System and method for designing and operating a wind turbine power system based on statistical analysis of operational and/or grid data thereof |
CN110991666B (zh) * | 2019-11-25 | 2023-09-15 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
DE102020111142A1 (de) * | 2020-04-23 | 2021-10-28 | fos4X GmbH | Verfahren zum Überwachen einer Windenergieanlage, System zum Überwachen einer Windenergieanlage, Windenergieanlagen und Computerprogrammprodukt |
US11761427B2 (en) * | 2021-06-29 | 2023-09-19 | Aspentech Corporation | Method and system for building prescriptive analytics to prevent wind turbine failures |
CN116307259B (zh) * | 2023-05-10 | 2023-10-31 | 天宇正清科技有限公司 | 一种矿山设备的维修性预测方法、装置、设备和介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10137272A1 (de) * | 2001-07-31 | 2003-02-27 | Aloys Wobben | Frühwarnsystem für Windenergieanlagen |
ATE352057T1 (de) * | 2003-11-14 | 2007-02-15 | Gamesa Eolica S A Soc Uniperso | Überwachungs- und datenverarbeitungseinheit für windräder und system für eine vorbeugende wartung für windräderanlagen |
EP1963670B1 (en) | 2005-12-23 | 2018-07-04 | Vestas Wind Systems A/S | Monitoring fluid levels in wind turbine component systems. |
WO2008036921A2 (en) | 2006-09-21 | 2008-03-27 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
US8136124B2 (en) * | 2007-01-18 | 2012-03-13 | Oracle America, Inc. | Method and apparatus for synthesizing hardware counters from performance sampling |
DE102007020423A1 (de) * | 2007-04-27 | 2008-10-30 | Daubner & Stommel GbR Bau-Werk-Planung (vertretungsberechtigter Gesellschafter: Matthias Stommel, 27777 Ganderkesee) | Verfahren zum Betreiben einer Windenergieanlage und Windenergieanlage |
US7977821B2 (en) | 2007-05-10 | 2011-07-12 | Honeywell International Inc. | High power density switch module with improved thermal management and packaging |
US7895018B2 (en) * | 2007-08-10 | 2011-02-22 | General Electric Company | Event monitoring via combination of signals |
US7627454B2 (en) * | 2007-10-16 | 2009-12-01 | General Electric Company | Method and system for predicting turbomachinery failure events employing genetic algorithm |
EP2229611A1 (en) * | 2007-11-26 | 2010-09-22 | Vestas Wind Systems A/S | Method and system for registering events in wind turbines of a wind power system |
US7895016B2 (en) * | 2009-08-31 | 2011-02-22 | General Electric Company | System and method for wind turbine health management |
WO2011060424A1 (en) * | 2009-11-16 | 2011-05-19 | Nrg Systems, Inc. | Data acquisition system for condition-based maintenance |
-
2011
- 2011-09-20 US US13/237,073 patent/US8326577B2/en active Active
-
2012
- 2012-09-13 EP EP12184170.4A patent/EP2573390B1/en active Active
- 2012-09-13 DK DK12184170.4T patent/DK2573390T3/da active
- 2012-09-13 ES ES12184170T patent/ES2881184T3/es active Active
- 2012-09-20 CN CN201210352566.1A patent/CN103016264B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103016264B (zh) | 2017-05-17 |
US8326577B2 (en) | 2012-12-04 |
EP2573390A3 (en) | 2013-09-25 |
EP2573390A2 (en) | 2013-03-27 |
EP2573390B1 (en) | 2021-04-21 |
CN103016264A (zh) | 2013-04-03 |
DK2573390T3 (da) | 2021-07-12 |
US20120143565A1 (en) | 2012-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2881184T3 (es) | Sistema y procedimiento para predecir fallos en componentes de turbinas eólicas | |
ES2562253T3 (es) | Un procedimiento y un sistema para controlar el funcionamiento de una turbina eólica | |
DK2469082T3 (en) | System and method for detecting anomalies in wind turbines | |
US10883475B2 (en) | Method for monitoring and assessing power performance changes of a wind turbine | |
ES2535316T3 (es) | Sistema y procedimiento de gestión de turbinas eólicas y diagnostico mejorado | |
ES2844277T3 (es) | Sistema y procedimiento para gestionar turbinas eólicas | |
EP2514969B1 (en) | Monitoring wind turbine performance | |
ES2577530T3 (es) | Procedimiento y sistema para controlar el funcionamiento de una turbina eólica | |
ES2578019T3 (es) | Sistema y procedimiento de gestión del estado de una turbina eólica | |
WO2009016020A1 (en) | Wind turbine monitoring system | |
ES2286307T5 (es) | Procedimiento para supervisar un sensor. | |
US10257959B2 (en) | Method and apparatus for monitoring electromechanical device performance and reliability | |
EP3826102A1 (en) | Model based monitoring of battery system | |
KR20160017681A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
KR20160073945A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
US9188021B2 (en) | Steam turbine blade vibration monitor backpressure limiting system and method | |
CN113049142A (zh) | 温度传感器的告警方法、装置、设备及存储介质 | |
EP3796016A1 (en) | System and method for detecting battery faults in a pitch system of a wind turbine | |
JP2016009352A (ja) | プラントの異常予兆診断装置及び方法 | |
US9228568B2 (en) | Methods for scheduling the replacement of wind turbine batteries and related systems | |
US11339763B2 (en) | Method for windmill farm monitoring | |
TWI647575B (zh) | Fatigue deterioration diagnosis method of windmill and windmill, operation control method of windmill | |
CN103076568B (zh) | 基于温度特性的风机运行工况监测方法 | |
JP2017101596A (ja) | 風力発電装置の診断車両及びそれを備えた診断システム | |
CN118815668A (zh) | 一种基于振动感知与模式识别的风机健康诊断系统及其方法 |