风力发电机组的叶片故障诊断方法及装置制造方法及图纸

本公开提供了一种风力发电机组的叶片故障诊断方法及装置。所述方法包括：基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵；基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征；根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。通过本公开的方法和装置可以有效地进行叶片的预防性维修和预测性维修，并且避免出现叶片断裂、扫塔等情况，从而减少了风力发电机组的全生命周期运营成本。

【技术实现步骤摘要】
风力发电机组的叶片故障诊断方法及装置
本专利技术涉及风力发电
，更具体地讲，涉及一种用于诊断风力发电机组的叶片是否出现故障的方法及其装置。
技术介绍
目前，叶片状态监测技术尚未形成类似轴承监测技术的进行批量实施的技术方案。这主要归因于叶片的监测技术尚未形成统一的技术理论并且缺少经过类似轴承故障诊断那样大批量的工程实践的验证。即使现有的风力发电机组的叶片故障诊断的方法很多，但是能够适用于工程批量实施的方法却很少。
技术实现思路
本专利技术的示例性实施例提供了一种风力发电机组的叶片故障诊断方法及其装置，至少解决上述技术问题和上文未提及的其它技术问题，并且提供下述的有益效果。本专利技术的一方面在于提供一种风力发电机组的叶片故障诊断方法，所述方法可以包括：基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵；基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征；并且根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。机组工况数据可以包括转速、扭矩、叶片角度、加速度以及频率，叶片振动数据可以包括叶片挥舞方向数据和叶片摆振方向数据。获得机组故障特征矩阵的步骤可以包括：通过对机组工况数据进行相关性分析来获得叶片故障时的机组参数特征；并且通过使用机器学习算法对机组参数特征进行训练来获得机组故障特征矩阵。获得机组故障特征矩阵的步骤可以包括：按照转速对扭矩、加速度、叶片角度以及频率进行分仓处理；根据各个转速下的扭矩和频率来获得三维扭矩故障特征矩阵；根据各个转速下的加速度和频率来获得三维加速度故障特征矩阵；并且根据各个转速下的叶片角度和频率来获得三维叶片角度故障特征矩阵。获得叶片振动故障特征的步骤可以包括：对叶片振动数据进行滤波处理；并且基于经滤波处理的叶片振动数据来分别获得第一叶片振动故障特征和第二叶片振动故障特征。获得第一叶片振动故障特征的步骤可以包括：根据经滤波处理的叶片振动数据来计算叶片振动能量，以获得叶片振动有效值；按照时间顺序基于叶片振动有效值中的叶片挥舞方向数据和叶片摆振方向数据来获得第一叶片振动趋势；并且根据第一叶片振动趋势来获得第一叶片振动故障特征。获得第二叶片振动故障特征的步骤可以包括：通过对经滤波处理的叶片振动数据进行快速傅里叶变换来获得峰值频率以及与峰值频率相应的幅值；按照时间顺序基于峰值频率以及与峰值频率相应的幅值来获得第二叶片振动趋势；并且根据第二叶片振动趋势来获得第二叶片振动故障特征。对叶片振动数据进行滤波处理的步骤可以包括：对叶片振动数据进行卡尔曼滤波，以滤除叶片振动数据中的转频数据部分；并且对经卡尔曼滤波的叶片振动数据进行带通滤波。根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断的步骤可以包括设置叶片出现故障时报警阈值。根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断的步骤可以包括：当出现机组故障特征或者出现叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时，发送报警信息；或者，当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时，发送报警信息；或者，当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时，发送报警信息。设置叶片出现故障时的报警阈值的步骤可以包括：当所述风力发电机组与提供机组工况数据的风力发电机组具有相同配置时，使用历史报警阈值；并且当所述风力发电机组是新风力发电机组时，使用所述风力发电机组的机组工况数据和叶片振动数据来计算所述风力发电机组的报警阈值作为叶片出现故障时的报警阈值。本专利技术的另一方面在于提供一种风力发电机组的叶片故障诊断装置，所述装置可以包括：机组数据处理模块，用于基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵；叶片振动数据处理模块，用于基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征；以及叶片故障诊断模块，用于根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。机组数据处理模块可以通过对机组工况数据进行相关性分析来获得叶片故障时的机组参数特征，并且通过使用机器学习算法对机组参数特征进行训练来获得机组故障特征矩阵。机组数据处理模块还可以基于机组参数特征按照转速对扭矩、加速度、叶片角度以及频率进行分仓处理，根据各个转速下的扭矩和频率来获得三维扭矩故障特征矩阵，根据各个转速下的加速度和频率来获得三维加速度故障特征矩阵，并且根据各个转速下的叶片角度和频率来获得三维叶片角度故障特征矩阵。叶片振动数据处理模块可以对叶片振动数据进行滤波处理，并且基于经滤波处理的叶片振动数据来分别获得第一叶片振动故障特征和第二叶片振动故障特征。叶片振动数据处理模块还可以根据经滤波处理的叶片振动数据来计算叶片振动能量，以获得叶片振动有效值，按照时间顺序基于叶片振动有效值中的叶片挥舞方向数据和叶片摆振方向数据来获得第一叶片振动趋势，并且根据第一叶片振动趋势来获得第一叶片振动故障特征。叶片振动数据处理模块还可以通过对经滤波处理的叶片振动数据进行快速傅里叶变换来获得峰值频率以及与峰值频率相应的幅值，按照时间顺序基于峰值频率以及与峰值频率相应的幅值来获得第二叶片振动趋势，并且根据第二叶片振动趋势来获得第二叶片振动故障特征。叶片振动数据处理模块还可以对叶片振动数据进行卡尔曼滤波，以滤除叶片振动数据中的转频数据部分，并且对经卡尔曼滤波的叶片振动数据进行带通滤波。叶片故障诊断模块可以设置叶片出现故障时报警阈值。叶片故障诊断模块还可以进行以下设置：当出现机组故障特征或者出现叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时，发送报警信息；或者，当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时，发送报警信息；或者，当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时，发送报警信息。叶片故障诊断模块还可以进行以下设置：当所述风力发电机组与提供机组工况数据的风力发电机组具有相同配置时，使用历史报警阈值；当所述风力发电机组是新风力发电机组时，使用所述风力发电机组的机组工况数据和叶片振动数据来计算所述风力发电机组的报警阈值作为叶片出现故障时的报警阈值。本专利技术的一方面在于提供一种计算机可读存储介质，存储有程序，所述程序可包括用于执行以上所述的风力发电机组的叶片故障诊断方法的指令。本专利技术的一方面在于提供一种计算机，包括存储有计算机程序的可读介质和处理器，当所述处理器运行所述计算机程序时执行以上所述的风力发电机组的叶片故障诊断方法的指令。基于以上描述的风力发电机组的叶片故障诊断方法及装置，提出了一种基于机器学习模型与信号处理模型相结合的叶片故障诊断技术方案，联合利用叶片振动数据和机组工况数据来找出叶片出现故障时的故障参数特征，基于这些故障参数特征来更加准确地诊断叶片是否发生故障，从而能够有效地、实时地对风力发电机组叶片进行预防性维修和预测性维修，避免出现叶片断裂、扫塔等恶性事件发生，减少风力发电机组的全生命周本文档来自技高网...

【技术保护点】
1.一种风力发电机组的叶片故障诊断方法，其特征在于，所述方法包括：/n基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵；/n基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征；/n根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。/n

【技术特征摘要】
1.一种风力发电机组的叶片故障诊断方法，其特征在于，所述方法包括：
基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵；
基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征；
根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。


2.如权利要求1所述的方法，其特征在于，获得机组故障特征矩阵的步骤包括：
通过对机组工况数据进行相关性分析来获得叶片故障时的机组参数特征；
通过使用机器学习算法对机组参数特征进行训练来获得机组故障特征矩阵。


3.如权利要求1或2所述的方法，其特征在于，机组工况数据包括转速、扭矩、叶片角度、加速度以及频率，
其中，获得机组故障特征矩阵的步骤包括：
按照转速对扭矩、加速度、叶片角度以及频率进行分仓处理；
根据各个转速下的扭矩和频率来获得三维扭矩故障特征矩阵；
根据各个转速下的加速度和频率来获得三维加速度故障特征矩阵；
根据各个转速下的叶片角度和频率来获得三维叶片角度故障特征矩阵。


4.如权利要求1所述的方法，其特征在于，获得叶片振动故障特征的步骤包括：
对叶片振动数据进行滤波处理；
基于经滤波处理的叶片振动数据来分别获得第一叶片振动故障特征和第二叶片振动故障特征。


5.如权利要求4所述的方法，其特征在于，获得第一叶片振动故障特征的步骤包括：
根据经滤波处理的叶片振动数据来计算叶片振动能量，以获得叶片振动有效值；
按照时间顺序基于叶片振动有效值中的叶片挥舞方向数据和叶片摆振方向数据来获得第一叶片振动趋势；
根据第一叶片振动趋势来获得第一叶片振动故障特征。


6.如权利要求4所述的方法，其特征在于，获得第二叶片振动故障特征的步骤包括：
通过对经滤波处理的叶片振动数据进行快速傅里叶变换来获得峰值频率以及与峰值频率相应的幅值；
按照时间顺序基于峰值频率以及与峰值频率相应的幅值来获得第二叶片振动趋势；
根据第二叶片振动趋势来获得第二叶片振动故障特征。


7.如权利要求4所述的方法，其特征在于，对叶片振动数据进行滤波处理的步骤包括：
对叶片振动数据进行卡尔曼滤波，以滤除叶片振动数据中的转频数据部分；
对经卡尔曼滤波的叶片振动数据进行带通滤波。


8.如权利要求1所述的方法，其特征在于，根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断的步骤包括设置叶片出现故障时报警阈值。


9.如权利要求8所述的方法，其特征在于，根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断的步骤包括：
当出现机组故障特征或者出现叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时，发送报警信息；
或者，当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时，发送报警信息；
或者，当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时，发送报警信息。


10.如权利要求8所述的方法，其特征在于，设置叶片出现故障时的报警阈值的步骤包括：
当所述风力发电机组与提供机组工况数据的风力发电机组具有相同配置时，使用历史报警阈值；
当所述风力发电机组是新风力发电机组时，使用所述风力发电机组的机组工况数据和叶片振动数据来计算所述风力发电机组的报警阈值作为叶片出现故障时的报警阈值。


11.一种风力发电机组的叶片故障诊断装置，其特征在于，所述装置包括：
机组数据处理模块，用于基于机组工况数据通过使用机器学习...

【专利技术属性】
技术研发人员：靖峰，彭昶，吉银辉，
申请(专利权)人：北京金风科创风电设备有限公司，
类型：发明
国别省市：北京;11