WO2015151237A1 - 風車の診断装置 - Google Patents

風車の診断装置 Download PDF

Info

Publication number
WO2015151237A1
WO2015151237A1 PCT/JP2014/059704 JP2014059704W WO2015151237A1 WO 2015151237 A1 WO2015151237 A1 WO 2015151237A1 JP 2014059704 W JP2014059704 W JP 2014059704W WO 2015151237 A1 WO2015151237 A1 WO 2015151237A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
measurement value
diagnosis
wind turbine
learning
Prior art date
Application number
PCT/JP2014/059704
Other languages
English (en)
French (fr)
Inventor
崇 佐伯
晋也 湯田
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to PCT/JP2014/059704 priority Critical patent/WO2015151237A1/ja
Publication of WO2015151237A1 publication Critical patent/WO2015151237A1/ja

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
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • 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
    • G05B23/0229—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 knowledge based, e.g. expert systems; genetic algorithms
    • 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
    • F05B2260/80—Diagnostics
    • 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

Definitions

  • the present invention relates to a wind turbine diagnostic device.
  • Patent Document 1 and [Patent Document 2] describe that sensor data is obtained from mechanical equipment such as a wind turbine of a wind power plant, and normal data is selected from the sensor data according to the operation mode. It is disclosed that learning data is created by classification, learning is performed based on the learning data, and abnormality of the machine equipment is predicted based on the sensor data and the learning result.
  • Patent Document 3 classifies measurement data measured by a sensor based on a characteristic value such as wind speed in a wind turbine soundness diagnosis device, and normal data determined to be normal from past measurement data is classified as follows. It is disclosed to diagnose an abnormality of a wind turbine by comparing normal data with measurement data created and updated daily.
  • Patent Document 4 receives operating state data and wind state data transmitted from the windmill, and determines whether the operating state data is within a normal range determined based on the wind state data. However, it is disclosed that when it is not within the normal range, it is determined as abnormal.
  • Patent No. 5081999 JP 2011-70635 A Japanese Patent No. 5101396 Patent No. 5112538
  • sensor data is acquired from mechanical equipment, normal data is classified from the sensor data according to the operation mode, learning data is created, learning is performed based on the learning data, Describes how to predict abnormalities in machine equipment based on data and learning results.
  • normal data is classified according to the operation mode and learning data is created, but because it does not take into account the influence of environmental factors caused by the installation location and individual difference factors caused by the manufacturing process, There is a high possibility that the diagnostic accuracy will vary due to the influence of environmental factors and individual difference factors.
  • Patent Document 2 sensor data is acquired from mechanical equipment, a feature vector is extracted from the sensor data, a learning model is created after checking the feature vector, and learning is performed based on the learning model. Describes a method for extracting a feature vector based on the above and predicting an abnormality of a mechanical facility based on a comparison result with a feature vector of a learning model.
  • a feature vector is extracted from sensor data and a learning model is created after checking the feature vector data.
  • the influence of environmental factors caused by the installation location and individual difference factors caused by the manufacturing process is taken into account. Therefore, there is a high possibility that the diagnostic accuracy will vary due to the influence of environmental factors and individual difference factors.
  • the operating state data and the wind force data transmitted from the windmill are received, and it is determined whether the operating state data is within a normal range determined based on the wind force data.
  • a method for determining an abnormality when not within the normal range is described. However, this method does not use learning as a diagnostic method, and only determines whether each data is in a normal range. Therefore, it is considered that the diagnostic accuracy is low, such as determining that a sensor failure is abnormal. .
  • An object of the present invention is to perform a pre-process for comparing target diagnostic data with data acquired in another operation mode before comparing diagnostic data with normal data, so that environmental differences and individual differences affect diagnostic accuracy. It is an object of the present invention to provide a wind turbine diagnostic device that reduces the influence.
  • a diagnostic apparatus for a windmill having a learning value storage unit that stores a learning value and a diagnosis unit that diagnoses an abnormality of the windmill from the learning value and the first measurement value
  • a class classification unit that determines a class to which the first measurement value belongs
  • a kite difference calculation unit that calculates a difference between the first measurement value and the second measurement value.
  • a windmill abnormality is diagnosed from the calculation result of the difference calculation unit and the learning value belonging to the same class as the first measurement value.
  • the present invention provides the wind turbine diagnosis apparatus, wherein the class classification unit is configured by a plurality of combinations of wind direction, wind speed, temperature, current value, voltage value, torque value, and power generation amount. .
  • the present invention provides the wind turbine diagnosis apparatus, wherein the first measurement value is a measurement value of the wind turbine diagnosis target device, and the second measurement value is obtained after obtaining the first measurement value, The measurement value is obtained by changing the operation state.
  • the first measurement value is a measurement value of the wind turbine diagnosis target device
  • the second measurement value is a value obtained before acquiring the first measurement value. Further, the measurement value is obtained by changing the operation state.
  • the present invention provides the wind turbine diagnosis apparatus, wherein the learning value storage unit updates the learning value by adding the first measurement value as the learning value when the diagnosis unit determines that the learning value is normal.
  • the present invention is a windmill comprising the above-described diagnostic system.
  • the wind turbine is characterized in that the diagnosis target device is a tower or a blade, the sensor is a strain sensor, and the diagnosis unit diagnoses normal when the first measurement value is normal. It is.
  • FIG. 1 is a block diagram showing an outline of a wind turbine diagnosis apparatus according to an embodiment of the present invention.
  • a wind turbine diagnosis apparatus 100 shown in FIG. 1 receives, for example, a diagnostic wind turbine measurement value S10 that is data from a sensor installed in a wind turbine diagnosis target device, and based on the diagnostic wind turbine measurement value S10, A class value classification unit 110 that classifies classes (for example, wind speed is strong, wind direction is southeast, etc.), and a learning value storage that stores a first learning value S30 that is a learning value of the class classified by the class classification unit 110 The difference between the first measured value S40 to be diagnosed and the second measured value S50 in another state (for example, the same wind direction, wind speed, and no load state) among the unit 120 and the diagnostic windmill measured value S10.
  • a diagnostic wind turbine measurement value S10 that is data from a sensor installed in a wind turbine diagnosis target device
  • a class value classification unit 110 that classifies classes (for example, wind speed is strong, wind direction is southeast, etc.)
  • a learning value storage that stores a first learning value S30 that is a learning value of the class classified by the class classification unit 110
  • the state of the wind turbine diagnosis target device (for example, a state such as normal or abnormal) is determined.
  • the diagnostic windmill measurement value S10 is signal data for controlling the windmill and signal data for sensing the state of the windmill.
  • the signal data for controlling the windmill includes wind direction, wind speed, temperature, current value, voltage value, torque value, power generation amount, and the like.
  • the signal data for sensing the state of the windmill includes, for example, an acoustic sensor, an acceleration sensor, an image sensor, a humidity sensor, a strain sensor, and the like.
  • the class classification unit 110 configures a plurality of classes by combining a plurality of signal data for controlling the wind turbine among the diagnostic wind turbine measurement values S10.
  • the first measured value S40 to be diagnosed is classified into a corresponding class (a label is assigned).
  • FIG. 2 is a table showing an example of the class classification unit 110 of FIG. Basically, since the description has already been repeated, detailed description is omitted. As shown in FIG. 2, the wind speed and the wind speed are combined in the signal data for controlling the windmill, and the wind speed is divided into three stages. And 24 wind directions are combined to create 24 classes and assign a label for each class.
  • the learning value storage unit 120 stores as many first learning values S30 as the number of classes classified by the class classification unit 10. That is, in the example of FIG. 2, 24 first learning values S30 are stored. An appropriate first learning value S30 is output to the diagnosis unit 140 in accordance with the label assigned by the class classification unit 110.
  • the first learning value S30 is learning data that serves as a reference when the diagnosis unit 140 diagnoses the state of the diagnosis target device. It is prepared in advance based on the measurement data of other wind turbines.
  • an acoustic sensor, an acceleration sensor, an image sensor, a temperature sensor, and a strain sensor which are installed to sense the state of the windmill among the diagnostic windmill measurement values S10, are input, and any one of the data Or the first measurement value S40 to be diagnosed, or a combination thereof, and other states (for example, conditions where at least a part of the operation state is the same as a requirement of the measurement condition, for example, the same wind direction, wind speed, and no load state, etc. ) Of the second measurement value S50.
  • the first measured value to be diagnosed is the strain value in the operating state of the north wind 10m
  • the strain value in the unloaded state of the north wind 10m which is the same wind speed and the same wind speed condition, as the second measured value.
  • the strain value of the operating state in which the brake is applied with the same wind direction and the same wind speed and the north wind of 10 m is used.
  • the method of taking the difference is to take the difference between the measurement values, normalize the difference between the first measurement value and the second measurement value, and take the difference, or to calculate the feature value for each of the first measurement value and the second measurement value.
  • a method of converting to, and taking the difference can be considered.
  • the feature amount is a statistical amount such as an average or variance, principal component analysis, clustering, or the like.
  • the differential diagnosis value is output to the diagnosis unit 140.
  • the diagnosis unit 140 inputs an acoustic sensor, an acceleration sensor, an image sensor, a humidity sensor, and a strain sensor, which are installed to sense the state of the windmill among the diagnostic windmill measurement values S10. By comparing the first measurement value S40 that is a combination of the above and the differential diagnosis value output from the differential diagnosis value calculation unit 130, the presence or absence of an abnormality of the windmill is diagnosed.
  • the comparison method takes a difference in the same manner as the differential diagnosis value calculation unit 130, determines that there is an abnormality when the difference is equal to or greater than a predetermined threshold, and outputs an abnormality to the notification unit 150.
  • the first measurement value is stored as normal data in the learning value storage unit 120.
  • the first measurement value S40 is a strain value or acoustic value of the blade
  • the differential diagnosis value that is an output value from the differential diagnosis value calculation unit 130 and the first learning value S30. Is greater than a predetermined threshold value, a method of determining an abnormality or a frequency analysis of the sensor data S10 and the diagnostic learning data S30 and a statistical method such as clustering or principal component analysis are used for the frequency values. A method for judging abnormalities can be considered.
  • the first measurement value S40 is a distortion value or acceleration value of the tower
  • the differential diagnosis value that is an output value from the differential diagnosis value calculation section 130 and the first learning value S30. Is greater than a predetermined threshold value, a method of determining an abnormality or a frequency analysis of the sensor data S10 and the diagnostic learning data S30 and a statistical method such as clustering or principal component analysis are used for the frequency values. A method for judging abnormalities can be considered.
  • FIG. 3 is a flowchart showing an example of a wind turbine diagnosis method. Basically, since it has already been repeated, detailed description is omitted. However, as shown in FIG. 3, when diagnosis is started, the measured value of the diagnostic wind turbine is measured in a class classification step 1 (hereinafter referred to as F1). With S10 as an input, the diagnostic windmill measurement value S10 is classified (a label is obtained), and the process proceeds to step F2.
  • F1 class classification step 1
  • the first learning value S30 stored in advance is output to the step F4 from the label obtained in step F1.
  • step F3 the first diagnosis value S40 and the second diagnosis value S50 of the diagnosis windmill measurement value S10 are input, and the difference diagnosis value is calculated.
  • the differential diagnosis value is output to step F4.
  • the diagnosis step F4 the first learning value S30 and the difference diagnosis value output from the step F3 are input and compared. In the comparison, a statistical feature value is calculated. If the difference between the statistical feature values is larger than a predetermined threshold value, it is determined as abnormal, and the process proceeds to Step F5. On the other hand, when the difference of the statistical feature amount is equal to or smaller than a predetermined threshold value, it is determined as normal, the process proceeds to step 2, the diagnostic windmill measurement value is added to the learning value storing step, and the process is updated and the process ends.
  • the alarm S20 is output and the process ends.
  • FIG. 4 is a schematic configuration diagram of a wind turbine according to an embodiment of the present invention.
  • the windmill 200 includes a tower E10 or a blade E20 that is a diagnosis target device, an acoustic sensor A10 and an acceleration sensor A20 that are sensors provided in the tower E10 or the blade E20, a strain sensor A30, an acoustic sensor A10, a load sensor A20, and a strain. And a diagnostic device 100 that diagnoses the state based on the diagnostic windmill measurement value S10 of the sensor A30.
  • the diagnosis apparatus 100 is the same as that described in the previous embodiments, and detects the presence or absence of an abnormality in the tower or blade.
  • the diagnosis unit 140 of the diagnosis apparatus 100 diagnoses the sound as normal when there is no abnormal sound in the diagnostic windmill measurement value S10 of the acoustic sensor A10, and diagnoses an abnormality when there is an abnormal sound, and outputs an alarm S20.
  • the diagnostic system 100 updates the learning value storage unit 120 using the diagnostic windmill measurement value S10 when the diagnosis is normal as described above.
  • the data acquired by the acoustic sensor A10, the acceleration sensor A20, the strain sensor A30, or all of them is input as the diagnostic windmill measurement value S10 to diagnose the blade or the tower.
  • the acoustic data, vibration data, strain data, or all of them during normal operation are stored in advance in the learning storage unit 20, and the appropriate first learning value S30 and the first diagnostic value S40 and the second diagnostic value S40 inputted from there.
  • the abnormality of the tower and the blade is detected by comparing with the difference diagnosis value calculated from the diagnosis value S50.
  • a method of comparing sound pressure (dB) of the acoustic sensor value, frequency characteristic distribution, acceleration of the vibration sensor value, frequency characteristic distribution, strain value, stress, stress frequency distribution, or all of them can be considered.
  • analysis methods such as frequent pattern extraction and class classification, and machine learning (principal component analysis, clustering, support vector machine) that learns regularity by repeatedly learning normal operation sounds as learning data.
  • the second measurement value described in the above-described embodiment means that after obtaining the first measurement value, use the measurement value obtained by changing the operation state, or before obtaining the first measurement value. In addition, it is possible to use measured values obtained by changing the operating state.
  • SYMBOLS 10 ... Class classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Sustainable Development (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Wind Motors (AREA)

Abstract

　本発明は、診断データを正常データと比較する前に、対象の診断データを別の運転モードで取得したデータと比較する前処理をおこなうことで、環境差、個体差が診断精度に及ぼす影響を低減する風車の診断装置を提供する。　本発明では、学習値を記憶する学習値記憶部と、前記学習値と第一の測定値から風車の異常を診断する診断部とを有する風車の診断装置において、前記第一の測定値が属するクラスを判定するクラス分類部と、前記第一の測定値と第二の測定値との差分を計算する差分計算部を有し、前記診断部は、前記差分計算部の計算結果と、前記第一の測定値と同じクラスに属する前記学習値から風車の異常を診断 することを特徴とする。

Description

風車の診断装置
　本発明は、風車の診断装置に関する。
　本技術分野の背景技術として、〔特許文献１〕、〔特許文献２〕には、風力発電所の風車などの機械設備からセンサデータを取得し、センサデータの中から正常データを運転モードに応じて分類して学習データを作成し、学習データに基づいて学習し、センサデータと学習結果により機械設備の異常を予知することが開示されている。
　また、〔特許文献３〕には、風車の健全性診断装置において、センサで測定した測定データを風速などの特性値に基づいてクラス分けし、過去の測定データから正常と判定された正常データを日々更新して作成し、クラス分けした測定データと正常データを比較して風車の異常を診断することが開示されている。
　加えて、〔特許文献４〕には、風車から送信される稼働状態データと風力状態データを受信し、稼働状態データが風力状態データに基づいて決定される正常範囲内にあるか否かを判定し、正常範囲内にない場合は異常と判定することが開示されている。
特許第５０８１９９９号 特開２０１１－７０６３５号公報 特許第５１０１３９６号 特許第５１１２５３８号
　風車のような多数のセンサで制御されている機械設備の異常診断では学習データと診断データを比較することで異常を検出する方法が一般的である。しかしながら、風車のセンサデータは運転モードや設置場所に起因する環境因子や製造プロセスに起因する個体差因子の影響が大きく、単純な学習データと診断データの比較よる方法では異常の検出が難しい。
　ここで、〔特許文献１〕では、機械設備からセンサデータを取得し、センサデータの中から正常データを運転モードに応じて分類して学習データを作成し、学習データに基づいて学習し、センサデータと学習結果により機械設備の異常を予知する方法が記載されている。しかしながら、この方法では正常データを運転モードに応じて分類し、学習データを作成しているが、設置場所に起因する環境因子や製造プロセスに起因する個体差因子の影響を加味していないため、環境因子や個体差因子の影響によって、診断精度にばらつきが出る可能性が高い。
　また、〔特許文献２〕では、機械設備からセンサデータを取得し、センサデータから特徴ベクトルを抽出し、特徴ベクトルをデータチェックした後に学習モデルを作成し、学習モデルに基づいて学習し、センサデータに基づき特徴ベクトルを抽出し、学習モデルの特徴ベクトルとの比較結果により機械設備の異常を予知する方法が記載されている。しかしながら、この方法ではセンサデータから特徴ベクトルを抽出し、特徴ベクトルをデータチェックした後に学習モデルを作成しているが、設置場所に起因する環境因子や製造プロセスに起因する個体差因子の影響を加味していないため、環境因子や個体差因子の影響によって、診断精度にばらつきが出る可能性が高い。
　次に、〔特許文献３〕では、風車の健全性診断装置において、センサで測定した測定データを風速などの特性値に基づいてクラス分けし、過去の測定データから正常と判定された正常データを日々更新して作成し、クラス分けした測定データと正常データを比較して風車の異常を診断する方法が記載されている。しかしながら、この方法では過去の測定データを前提としており、設置初期など、各クラスの学習データが充分に揃うまでは診断することができない。加えて、設置場所に起因する環境因子や製造プロセスに起因する個体差因子の影響を加味していないため、環境因子や個体差因子の影響によって、診断精度にばらつきが出る可能性が高い。
　最後に、〔特許文献４〕では、風車から送信される稼働状態データと風力状態データを受信し、稼働状態データが風力状態データに基づいて決定される正常範囲内にあるか否かを判定し、正常範囲内にない場合は異常と判定する方法が記載されている。しかしながら、この方法では診断方法に学習を用いず、各データが正常範囲であるか、どうかだけで判断しているため、センサの故障を異常と判断してしまう等、診断精度が低いと考えられる。
　本発明の目的は、診断データを正常データと比較する前に、対象の診断データを別の運転モードで取得したデータと比較する前処理をおこなうことで、環境差、個体差が診断精度に及ぼす影響を低減する風車の診断装置を提供することである。
　上記課題を解決するために、本発明では、例えば、　学習値を記憶する学習値記憶部と、前記学習値と第一の測定値から風車の異常を診断する診断部とを有する 風車の診断装置において、前記第一の測定値が属するクラスを判定する クラス分類部と、前記第一の測定値と第二の測定値との差分を計算する 差分計算部を有し、前記診断部は、前記差分計算部の計算結果と、前記 第一の測定値と同じクラスに属する前記学習値から風車の異常を診断 することを特徴とする。
　更に、本発明は、風車の診断装置において、前記クラス分類部は、風向、風速、温度、電流値、電圧値、トルク値や発電量のうち、複数の組合せで構成されることを特徴とする。
　更に、本発明は、風車の診断装置において、前記第一の測定値とは前記風車の診断対象機器の測定値であり、前記第二の測定値とは、第一の測定値を取得後、運転状態を変えて取得した測定値であることを特徴とする。
　更に、本発明は、風車の診断装置において、前記第一の測定値とは前記風車の診断対象機器の測定値であり、前記第二の測定値とは、第一の測定値を取得する前に、運転状態を変えて取得した測定値であることを特徴とする。
　更に、本発明は、風車の診断装置において、学習値記憶部は、前記診断部で正常と判断された場合に、第一の測定値を学習値として加え、前記学習値を更新することを特徴とする。
　更に、本発明は、前述の記載の診断システムを備えることを特徴とする風車である。
　更に、本発明のは、診断対象機器はタワーまたはブレードであり、センサはひずみセンサであり、　前記診断部は前記第一の測定値に異常がないときに正常と診断することを特徴とする風車である。
　本発明によれば、診断データを正常データと比較する前に、対象の診断データを別の運転モードで取得したデータと比較する前処理をおこなうことで、環境差、個体差が診断精度に及ぼす影響を低減する風車の診断装置を提供することを実現する。
本発明の一実施例である風車の診断装置の概要を示すブロック図である。 図１のクラス分類部１０の一例を示すテーブルである。 風車の診断方法の一例を示すフローチャートである。 本発明の一実施例である風車の概略構成図である。
　本発明の実施例を、図面を参照しながら説明する。尚、各図および各実施例において、同一又は類似の構成要素には同じ符号を付し、説明を省略する。
　図１は、本発明の一実施例である風車の診断装置の概要を示すブロック図である。
　図１に示す風車の診断装置１００は、例えば風車の診断対象機器に設置されたセンサからのデータである診断風車測定値Ｓ１０を入力とし、診断風車測定値Ｓ１０に基づいて診断風車測定値Ｓ１０のクラス(例えば、風速は強、風向は南東など)を分類するクラス分類部１１０と、クラス分類部１１０で分類されたクラスの学習値である第一の学習値Ｓ３０を記憶している学習値記憶部１２０と、診断風車測定値Ｓ１０のうち、診断したい第一の測定値Ｓ４０と他の状態(例えば、同じ風向、風速、かつ無負荷の状態など)である第二の測定値Ｓ５０の差分を計算する差分診断値計算部１３０と、差分診断値計算部１３０から出力された差分診断値と第一の学習値Ｓ３０に基づいて風車の診断対象機器の状態（例えば正常、異常などの状態）を診断する診断部１４０と、診断部１４０で異常と診断されたときにアラームＳ２０を生成する通知部１５０を有し、異常を示すアラームＳ２０を出力する。
　診断風車測定値Ｓ１０は、風車を制御するための信号データと風車の状態をセンシングするための信号データである。風車を制御するための信号データには、風向、風速、温度、電流値、電圧値、トルク値や発電量などが含まれる。風車の状態をセンシングするための信号データには、例えば、音響センサ、加速度センサ、画像センサ、湿度センサ、ひずみセンサなどが含まれる。
　クラス分類部１１０では、診断風車測定値Ｓ１０のうち風車を制御するための信号データを複数組み合わせて、複数のクラスを構成する。診断したい第一の測定値Ｓ４０を該当するクラスに分類する(ラベルを割り当てる)。
　図２は、図１のクラス分類部１１０の一例を示すテーブルである。基本的には既に説明したことの繰り返しとなるので、詳細な説明は省略するが、図２に示すように、風車を制御するための信号データのうち、風向と風速を組み合わせて、風速３段階と風向８段階の組合せで２４クラスを作り、クラス毎にラベルを割り当てる。
　学習値記憶部１２０では、クラス分類部１０で分類されるクラスの数だけ、第一の学習値Ｓ３０を記憶している。つまり、図２の例では２４個の第一の学習値Ｓ３０を記憶している。クラス分類部１１０で割り当てられたラベルに従い、適当な第一の学習値Ｓ３０を診断部１４０へ出力する。
　第一の学習値Ｓ３０は、診断部１４０で診断対象機器の状態を診断する際に基準となる学習データである。他の風車の測定データをもとに予め用意されている。
　差分診断値計算部１３０では、診断風車測定値Ｓ１０のうち風車の状態をセンシングするために設置された、音響センサ、加速度センサ、画像センサ、温度センサ、ひずみセンサを入力し、各データのいずれか、またはそれらの組合せからなる診断したい第一の測定値Ｓ４０と他の状態(例えば測定条件の要件として少なくとも運転状態の一部が同じ条件、例として、同じ風向、風速、かつ無負荷の状態など)である第二の測定値Ｓ５０の差分を計算する。一例として診断したい第一の測定値が北風１０ｍの稼働状態のひずみ値であるとすると、第二の測定値として、同じ風方で同じ風速の条件である同北風１０ｍの無負荷状態のひずみ値、または同じ風方で同じ風速の条件である同北風１０ｍでブレーキをかけた稼働状態のひずみ値を用いる。差分をとる方法は、測定値の差分をとる、第一の測定値、第二の測定値の各々で正規化し差分をとる、または第一の測定値、第二の測定値の各々で特徴量に変換し、差分をとる方法が考えられる。ここで特徴量は平均や分散などの統計量や主成分分析やクラスタリングなどである。差分診断値を診断部1４０へ出力する。
　診断部１４０では、診断風車測定値Ｓ１０のうち風車の状態をセンシングするために設置された、音響センサ、加速度センサ、画像センサ、湿度センサ、ひずみセンサを入力し、各データのいずれか、またはそれらの組合せからなる第一の測定値Ｓ４０と、差分診断値計算部１３０から出力された差分診断値とを比較することによって、風車の異常の有無を診断する。
　比較方法は差分診断値計算部１３０と同様に差分をとり、差分が予め決められた閾値以上となった場合に異常があると判定し、通知部１５０へ異常ありを出力する。異常なし、すなわち正常と判定された場合は、第一の測定値を正常データとして学習値記憶部１２０で記憶する。
　例えば、ブレード部の異常診断であれば、第一の測定値Ｓ４０はブレードのひずみ値や音響値であり、差分診断値計算部１３０からの出力値である差分診断値と第一の学習値Ｓ３０との差が、予め決められた閾値よりも大きい場合、異常と判定する方法や、センサデータＳ１０と診断用学習データＳ３０を周波数解析し、周波数値をクラスタリングや主成分分析といった統計的手法を用いて異常判定する手法が考えられる。
　また、タワー部の異常診断であれば、第一の測定値Ｓ４０はタワーのひずみ値や加速度値であり、差分診断値計算部１３０からの出力値である差分診断値と第一の学習値Ｓ３０との差が、予め決められた閾値よりも大きい場合、異常と判定する方法や、センサデータＳ１０と診断用学習データＳ３０を周波数解析し、周波数値をクラスタリングや主成分分析といった統計的手法を用いて異常判定する手法が考えられる。
　図３は、風車の診断方法の一例を示すフローチャートである。基本的には既に説明したことの繰り返しとなるので、詳細な説明は省略するが、図３に示すように、診断を開始すると、クラス分類ステップ１(以下、Ｆ１と称する)で診断風車測定値Ｓ１０を入力として、診断風車測定値Ｓ１０の分類を行い(ラベルを求める)、ステップＦ２へ進む。
　学習値記憶ステップＦ２では、ステップＦ１で求めたラベルから、予め記憶しておいた第一の学習値Ｓ３０をステップＦ４へ出力する。
　差分診断値計算ステップＦ３では、診断風車測定値Ｓ１０のうち、第一の診断値Ｓ４０と第二の診断値Ｓ５０を入力とし、差分診断値を計算する。差分診断値をステップF４へ出力する。
　診断ステップＦ４は第一の学習値Ｓ３０とステップＦ３から出力された差分診断値を入力とし、比較をおこなう。比較では統計的特徴量を算出し、統計的特徴量の差分が予め決められた閾値より大きい場合は異常と判定し、ステップＦ５へ進む。一方、統計的特徴量の差分が予め決められた閾値以下の場合は正常と判定し、ステップ２へ進み、学習値記憶ステップに診断風車測定値を加え、更新して終了する。
　通知ステップＦ５ではアラームＳ２０を出力し終了となる。
　図４は、本発明の一実施例である風車の概略構成図である。
　風車２００は、診断対象機器であるタワーＥ１０またはブレードＥ２０と、タワーＥ１０またはブレードＥ２０に設けられたセンサである音響センサＡ１０及び加速度センサＡ２０、ひずみセンサＡ３０と、音響センサＡ１０、荷重センサＡ２０、ひずみセンサＡ３０の診断風車測定値Ｓ１０により状態の診断を行う診断装置１００とを有する。診断装置１００は、これまでの実施例で説明したものと同様であり、タワーやブレードにおける異常の有無を検知する。
　例えば、診断装置１００の診断部１４０は、音響センサＡ１０の診断風車測定値Ｓ１０に異常音がないときに正常と診断し、異常音がある場合に異常と診断し、アラームＳ２０を出力する。また、診断システム１００は、これまで説明した通り正常と診断したときの診断風車測定値Ｓ１０を用いて学習値記憶部１２０の更新を行う。
　他の方法としては、音響センサＡ１０、加速度センサＡ２０、ひずみセンサＡ３０あるいはその全てで取得したデータを診断風車測定値Ｓ１０として入力し、ブレードまたはタワーを診断する。正常動作時の音響データ、振動データ、ひずみデータあるいはその全てを予め学習記憶部２０に記憶しておき、そこから適当な第一の学習値Ｓ３０と入力された第一の診断値Ｓ４０と第二の診断値Ｓ５０から計算した差分診断値と比較することで、タワーおよびブレードの異常を検知する。比較方法は音響センサ値の音圧（ｄＢ）、周波数特性の分布、振動センサ値の加速度、周波数特性の分布、ひずみ値、応力、応力頻度分布、あるいはその全てを比較する方法が考えられる。また、頻出パターン抽出やクラス分類など多数の解析手法や正常動作音を学習データとして、繰り返し学習させることで規則性を学習させる機械学習（主成分分析、クラスタリング、サポートベクトルマシン）などが考えられる。
　尚、前述の実施例で説明した第二の測定値とは、第一の測定値を取得後、運転状態を変えて取得した測定値を用いること、または、第一の測定値を取得する前に、運転状態を変えて取得した測定値を用いることが可能である。
　以上、本発明の実施例を説明してきたが、これまでの各実施例で説明した構成はあくまで一例であり、本発明は、技術思想を逸脱しない範囲内で適宜変更が可能である。また、それぞれの実施例で説明した構成は、互いに矛盾しない限り、組み合わせて用いても良い。
１０…クラス分類部、２０…学習値記憶部、３０…差分診断値計算部、４０…診断部、１００…診断装置、２００…風車、Ａ１０…音響センサ、Ａ２０…加速度センサ、Ａ３０…ひずみセンサ、Ｅ１０…タワー、Ｅ２０…ブレード、Ｆ１…クラス分類ステップ、Ｆ２…学習値記憶ステップ、Ｆ３…差分診断値計算ステップ、Ｆ４…診断ステップ、Ｓ１０…診断風車測定値、Ｓ２０…アラーム、Ｓ３０…第一の学習値、Ｓ４０…第一の診断値、Ｓ５０…第二の診断値。

Claims (7)

  1. 　学習値を記憶する学習値記憶部と、前記学習値と第一の測定値から風車の異常を診断する診断部とを有する風車の診断装置において、前記第一の測定値が属するクラスを判定するクラス分類部と、前記第一の測定値と第二の測定値との差分を計算する差分計算部を有し、前記診断部は、前記差分計算部の計算結果と、前記第一の測定値と同じクラスに属する前記学習値から風車の異常を診断することを特徴とする風車の診断装置。
  2. 　請求項１において、
    　前記クラス分類部は、風向、風速、温度、電流値、電圧値、トルク値や発電量のうち、複数の組合せで構成されることを特徴とする風車の診断システム。
  3. 　請求項１において、
    　前記第一の測定値とは前記風車の診断対象機器の測定値であり、前記第二の測定値とは、第一の測定値を取得後、運転状態を変えて取得した測定値であることを特徴とする風車の診断システム。
  4. 　請求項１において、
    　前記第一の測定値とは前記風車の診断対象機器の測定値であり、前記第二の測定値とは、第一の測定値を取得する前に、運転状態を変えて取得した測定値であることを特徴とする風車の診断システム。
  5. 　請求項１において、
    　学習値記憶部は、前記診断部で正常と判断された場合に、第一の測定値を学習値として加え、前記学習値を更新することを特徴とする風車の診断システム。
  6. 　請求項１から５の何れかに記載の診断システムを備えることを特徴とする風車。
  7. 　請求項６において、
    　診断対象機器はタワーまたはブレードであり、
    　センサはひずみセンサであり、
    　前記診断部は前記第一の測定値に異常がないときに正常と診断することを特徴とする風車。
PCT/JP2014/059704 2014-04-02 2014-04-02 風車の診断装置 WO2015151237A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2014/059704 WO2015151237A1 (ja) 2014-04-02 2014-04-02 風車の診断装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2014/059704 WO2015151237A1 (ja) 2014-04-02 2014-04-02 風車の診断装置

Publications (1)

Publication Number Publication Date
WO2015151237A1 true WO2015151237A1 (ja) 2015-10-08

Family

ID=54239604

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2014/059704 WO2015151237A1 (ja) 2014-04-02 2014-04-02 風車の診断装置

Country Status (1)

Country Link
WO (1) WO2015151237A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012022362A (ja) * 2010-07-12 2012-02-02 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラム、および、特性予測プログラムを記録した記録媒体
JP5101396B2 (ja) * 2008-05-29 2012-12-19 三菱重工業株式会社 健全性診断方法及びプログラム並びに風車の健全性診断装置
JP2013222423A (ja) * 2012-04-19 2013-10-28 Hitachi Power Solutions Co Ltd 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5101396B2 (ja) * 2008-05-29 2012-12-19 三菱重工業株式会社 健全性診断方法及びプログラム並びに風車の健全性診断装置
JP2012022362A (ja) * 2010-07-12 2012-02-02 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラム、および、特性予測プログラムを記録した記録媒体
JP2013222423A (ja) * 2012-04-19 2013-10-28 Hitachi Power Solutions Co Ltd 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム

Similar Documents

Publication Publication Date Title
CN107272586B (zh) 机械学习装置、机械学习方法、故障预知装置及系统
US20100114502A1 (en) System and method for article monitoring
EP2487553B1 (en) Turbine fault analysis
WO2018142986A1 (ja) 状態監視システムおよび風力発電装置
JP2009243428A (ja) 風車の監視装置及び方法並びにプログラム
US10895873B2 (en) Machine health monitoring of rotating machinery
EP2801880A2 (en) Equipment monitoring system
US20190203699A1 (en) Method and device for monitoring a status of at least one wind turbine and computer program product
US20190332936A1 (en) Additional learning method for deterioration diagnosis system
JP4417318B2 (ja) 設備診断装置
KR20190081933A (ko) 제조 설비의 이상 감지 및 진단 방법
WO2019141593A1 (en) Apparatus for monitoring an actuator system, method for providing an apparatus for monitoring an actuator system and method for monitoring an actuator system
JP2017207435A (ja) 異常診断方法
US20160181967A1 (en) Apparatus and methods for monitoring subsea electrical systems using adaptive models
CN116685967A (zh) 用于识别机械装置或机械部件中的异常的方法及装置
JP7330754B2 (ja) 異常診断装置及び方法
KR102198190B1 (ko) 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법
CN111610038A (zh) 一种故障诊断系统、方法、装置、设备及其存储介质
WO2015151237A1 (ja) 風車の診断装置
TW202004010A (zh) 風力發電系統
EP4212722A1 (en) Abnormality determination method for wind power generation device. abnormality determination system for wind power generation device, and abnormality determination program for wind power generation device
JP2010203929A (ja) 機械設備における異常診断システム
CN113994088A (zh) 用于对风涡轮机的部件进行计算机实现的监测的方法
WO2018103916A1 (en) Determining a structural condition of a rotor blade of a wind turbine
WO2020054725A1 (ja) 診断装置及び診断方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14888296

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14888296

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP