CN103512651B - 基于振动突变报警的风电机组状态监测方法及装置 - Google Patents
基于振动突变报警的风电机组状态监测方法及装置 Download PDFInfo
- Publication number
- CN103512651B CN103512651B CN201210216120.6A CN201210216120A CN103512651B CN 103512651 B CN103512651 B CN 103512651B CN 201210216120 A CN201210216120 A CN 201210216120A CN 103512651 B CN103512651 B CN 103512651B
- Authority
- CN
- China
- Prior art keywords
- vibration
- sudden change
- value
- threshold value
- mutation
- 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
Landscapes
- Emergency Alarm Devices (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于振动突变报警的风电机组状态监测方法及装置,其方法包括A、在风力发电机组运行过程中,实时采集风力发电机组的振动信号;B、通过当前采集的振动信号进行分析处理,判断是否存在振动突变事件;C、若判断存在振动突变事件,则立即发出相应的突变报警信号;D、通过重复上述步骤A至C,得到多个突变报警信号,以便对可能发生的故障进行诊断。本发明针对风力发电机组传动链上现有的振动监测报警***只针对振动总值或频段超限发出报警的不足,提供了一种利用基于统计学理论的高斯分布模型的自学习获取突变报警阈值方法,有效捕捉突变故障信号的突变报警***,从而提高了状态监测和振动报警的准确度。
Description
技术领域
本发明涉及风力发电机组状态监测技术,尤其涉及一种基于振动突变报警的风电机组状态监测方法及装置。
技术背景
风能是太阳能的一种转换形式,取之不尽、用之不竭,在将风能转换为电能的过程中,不会产生任何有害气体和废料,不污染环境,因而风能的利用受到世界各国政府的广泛重视。近几年,风力发电产业进入一个高速增长期。
风力发电机组(简称风电机组)是将风能转化为电能的装置,其运行状况是否正常直接影响到风电的产量,风电机组的故障可能导致自身零件的损坏,甚至有可能造成更严重的后果。为了保障风电机组的安全运行,就需要对风电机组的运行状况进行监测,对可能发生的故障进行及时诊断。
现有的风电机组的状态监测与故障诊断技术,是通过对风电机组所发出的振动信号进行定期监测,利用振动频率是否与正常情况有差异,以及通过预先根据相关标准设定报警阈值来判断其运行状态,从而指导检修。根据相关标准设定报警阈值只能显示总值报警或频段报警,不能从多方面详细的反映设备的报警时的运行状况,不能为报警事件后的故障诊断提供更多的有效信息。
发明内容
本发明的目的是提供一种基于振动突变报警的风电机组的状态监测方法,用来提高状态监测和振动报警准确度的。
本发明的另一目的是提供一种实现上述方法的基于振动突变报警的风电机组的状态监测装置
根据本发明的第一方面,提供了一种基于振动突变报警的风电机组状态监测方法,包括以下步骤:
A、在风力发电机组运行过程中,实时采集风力发电机组的振动信号;
B、通过当前采集的振动信号进行分析处理,判断是否存在振动突变事件;
C、若判断存在振动突变事件,则立即发出相应的突变报警信号;
D、通过重复上述步骤A至C,得到多个突变报警信号,以便对可能发生的故障进行诊断。
优选地,通过分析振动信号的变化率,来判断是否存在振动突变事件。
优选地,所述步骤B包括:将所述当前采集的振动信号进行傅里叶变换,得到振动信号特征值;通过振动信号特征值与之前通过自学习得到的突发报警阈值进行比较,判断是否存在振动突变事件。
其中,当振动信号特征值>大于λ×突发报警阈,判断存在振动突发事件,λ为突变因子。
优选地,所述通过自学习得到的突发报警阈值的步骤包括:
将当前采集振动信号时刻之前一段时间内的振动信号分别进行傅里叶变换,得到一组的振动信号特征值;
按照高斯模型计算各个振动信号特征值的均值μ和标准方差σ2;
利用所述均值μ和标准方差σ2得到突发报警阈值。
优选地,所述突发报警阈值Threshold=μ+3σ。
优选地,所述步骤C包括:若某振动信号特征值>λ×Threshold,则判断存在振动突变事件,然后发出相应的突变报警信号,其中所述λ为突变因子。
优选地,步骤D包括:保存每个突变报警信号的报警日志和相应的振动信号特征值数据;根据报警日志对所保存的各个振动信号特征值数据的趋势进行分析,诊断可能发生的故障。
根据本发明的第二方面,提供了一种基于振动突变报警的风电机组状态监测装置,包括:
采集模块,用于在风力发电机组运行过程中实时采集风力发电机组的振动信号;
振动突变事件判断模块,通过对当前采集的振动信号进行分析处理,判断是否存在振动突变事件;
突变报警模块,在判断存在振动突变事件的情况下,发出相应的突变报警信号;
故障诊断模块,通过对所述突变报警模块输出的多个突变报警信号进行分析,对可能发生的故障进行诊断。
优选地,所述振动突变事件判断模块包括:傅里叶变换单元,将当前采集的振动信号进行傅里叶变换,振动信号特征值;比较单元,通过将振动信号特征值与之前通过自学习得到的突发报警阈值进行比较,判断是否存在振动突变事件。
优选地,振动突变事件判断模块还包括突发报警阈值自学习单元,用于:将当前采集振动信号时刻之前一段时间内的振动信号分别进行傅里叶变换,得到一组的振动信号特征值;按照高斯模型计算各个振动信号特征值的均值μ和标准方差σ2,再利用所述均值μ和标准方差σ2得到突发报警阈值。
相对于现有技术,本发明的技术效果是,针对风力发电机组传动链上现有的振动监测报警***只针对振动总值或频段超限发出报警的不足,根据旋转机械设备运行过程中振动信号的特征值突变的产生机理,提供了一种利用基于统计学理论的高斯分布模型的自学习获取突变报警阈值方法,有效捕捉突变故障信号的突变报警***,从而提高了状态监测和振动报警的准确度。
下面结合附图对本发明的方法、装置及原理进行详细说明。
附图说明
图1是本发明的基于振动突变报警的风电机组状态监测装置的原理图;
图2是显示图1中振动突变时间判断模块具体结构的示意图;
图3是本发明的基于振动突变报警的风电机组状态监测方法的示意图;
图4是本发明的突变报警流程图。
具体实施方式
风力发电机在运行过程中,由于种种故障,振动值会发生突变,突变前后一段时间内的振动信号,对分析故障原因十分重要。尽管振动突变前后机组的振动值均没有超过预先设置的振动报警阈值,但是该突变事件发生,暗示了机组的健康状况发生了改变。因此,运用突变报警来描述突变事件,并记录触发报警事件的时刻,存储报警时刻前后的特征值数据,可以更好地掌握机组的运行状况,及时采取相应措施,预防故障的蔓延和进一步恶化。
本发明的突变报警判断的阈值设置与常规报警阈值设置的区别为:
1、常规报警中的阈值,是按照有关国家标准设置的门限值,对于固定的机组,这些阈值是常数,由初始设置好后,一般不会随时间改变而变化。
2、本发明的突变事件中的阈值,是依据前段时间机器稳定运行的状态而自学习获得的,可随着机器的运行状态的变化而改变,同时可根据机组实时运行状态调整突变因子,使得判断报警的阈值具有自适应性。
图1显示了本发明的一种基于振动突变报警的风电机组状态监测装置,包括:采集模块1,用于在风力发电机组运行过程中实时采集风力发电机组的振动信号;振动突变事件判断模块2,通过对当前采集的振动信号进行分析处理,判断是否存在振动突变事件;突变报警模块3,在判断存在振动突变事件的情况下,发出相应的突变报警信号;故障诊断模块4,通过对所述突变报警模块输出的多个突变报警信号进行分析,对可能发生的故障进行诊断。
图2显示了图1中的振动突变事件判断模块的具体结构,该模块包括:傅里叶变换单元21,将当前采集的振动信号进行傅里叶变换,得到振动信号特征值;比较单元22,通过将所述振动信号特征值与之前通过自学习得到的突发报警阈值进行比较,判断是否存在振动突变事件;以及突发报警阈值自学习单元23,用于按照高斯模型计算当前采集振动信号时刻之前一段时间内采集的振动信号分别进行傅里叶变换,得到一组的振动信号特征值的均值μ和标准方差σ2,再利用所述均值μ和标准方差σ2得到突发报警阈值。
本发明的突变报警的关键是要准确捕获突变信号,即准确获知机器振动突变发生的时刻,对于风力发电机组来说,振动信号经过傅里叶变换后,可以得到各个倍频和分频的特征值。这些特征值的突然变化,均反映了设备运行状况的改变,因此,必须找到确切的且可以准确测量到的物理量来描述突变事件。
本发明的突变事件可以描述为:
1、发电机转频及倍频超过该特征值阈值的变化。
2、发电机轴承故障特征频率及其倍频超过该特征值阈值的变化。
3、齿轮箱各级啮合频率及其边频超过该特征值阈值的变化。
4、传动链上各轴承的峰值指标、峭度指标等特征值发生了超过该特征值阈值的变化。
为了排除风力发电机运行过程中由于变浆、偏航等不稳定因素的干扰,在“突变报警”的具体实施中,用各特征频率振动值所占振动总值的百分比变化来表征突变事件所引起的振动变化程度,举例来说,正常运行工况下,发电机驱动端的振动频谱中,发电机转频振动值占振动总值的比例为20%,则可以设定当发电机转频振动值占振动总值的比例超过40%时,可以认为风电机组振动状态已发生变化。
由于机组在一定时间内的振动信号服从高斯分布,因此该突变报警阈值可以根据该突变发生前的一段时间内的振动信号的特征值,利用基于统计学理论的高斯分布模型自学习获得突变报警的阈值。
根据统计学理论,对于振动信号的各个特征值k,可以看作一组随机变量,其分布服从高斯分布,记为N(μ,σ2),其中μ为均值,σ2为标准方差。因此,根据机组运行一段时间后得到的n组特征值,计算得到各个特征值的均值和方差,可以反映振动信号特征值在该段时间范围内的分布情况。
该段时间范围内的特征值分布的阈值表示为如下式:
Threshold(k)=μ(k)+3σ(k);
自学习阈值完成后,为了准确判断突变事件,将当前时刻的特征值Value(k)与自学习获得的阈值Threshold(k)比较,如果满足Value(k)>λ×Threshold(k),则触发振动突变报警。其中λ为突变因子,可以衡量振动信号突变程度的大小,并可以根据风电机组实际运行的状况进行调整,如:运行时间,运行条件,环境因素等。一般情况下λ的取值为1.5~6.5。
图3显示了本发明的基于振动突变报警的风电机组状态监测方法,包括以下步骤:
A、在风力发电机组运行过程中,实时采集风力发电机组的振动信号;
B、通过对当前采集的振动信号进行分析处理,判断是否存在振动突变事件;
C、若判断存在振动突变事件,则立即发出相应的突变报警信号;
D、通过重复上述步骤A至C,得到多个突变报警信号,以便对可能发生的故障进行诊断。
如上所述,本发明可以通过分析振动信号的变化率,判断是否存在振动突变事件。
其中,步骤B包括:将当前采集的振动信号进行傅里叶变换,得到当前振动信号特征值;通过将当前振动信号特征值与之前通过自学习得到的突发报警阈值进行比较,判断是否存在振动突变事件。
如上所述,通过自学习得到突发报警阈值的步骤包括:将当前采集振动信号时刻之前一段时间内采集的振动信号分别进行傅里叶变换,得到一组的振动信号特征值;按照高斯模型计算各个振动信号特征值的均值μ和标准方差σ2;利用所述均值μ和标准方差σ2得到突发报警阈值。
此外,本发明的突发报警阈值Threshold=μ+3σ。
另外,上述步骤C包括:若某振动信号特征值>λ×Threshold,则判断存在振动突变事件,然后发出相应的突变报警信号,其中所述λ为突变因子。
此外,上述步骤D包括:保存每个突变报警信号的报警日志和相应的振动信号特征值数据;根据报警日志对所保存的各个振动信号特征值数据的趋势进行分析,诊断可能发生的故障。
图4显示了本发明的一个突变报警流程,其突变报警功能的实现主要分为以下5个部分:
(1)在特征值缓存器中,保存机组运行一段时间内的振动信号的特征值数据,并根据机组运行状态实时更新。
(2)根据特征值数据,按照基于统计学理论的高斯分布模型的自学***稳运行时间范围内机组的运行状况;
(3)根据自学习获得的阈值,判断在一段时间范围内,机组振动的各个特征值是否发生突变,如果发生突变则触发突变报警,并判断突变报警是否有效;
(4)对于此次判断有效的突变报警,则对应保存报警日志和报警数据,以便历史查询和分析各个报警特征值数据趋势,从而方便有效的诊断故障;
(5)当保存突变报警信息成功后,此次突变报警技术,并返回判断下一次突变报警,重新获得下一运行状态的振动特征值数据,并自学习获得新的突变报警阈值,进行下一次突变报警相关操作。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (8)
1.一种基于振动突变报警的风电机组状态监测方法,包括:
A、在风力发电机组运行过程中,实时采集风力发电机组的振动信号;
B、通过对当前采集的振动信号进行分析处理,判断是否存在振动突变事件;
C、在判断存在振动突变事件的情况下,立即发出相应的突变报警信号,并判断突变报警是否有效;
D、通过重复上述步骤A至C,得到多个突变报警信号,并对所述多个突变报警信号进行分析,对可能发生的故障进行诊断;
其中,所述的判断是否存在振动突变事件包括:
将当前采集的振动信号进行傅里叶变换,得到当前振动信号特征值;
通过将当前振动信号特征值与之前通过自学习得到的突变报警阈值进行比较,判断是否存在振动突变事件;
所述的判断突变报警是否有效包括:
为了排除风力发电机运行过程中由于变桨、偏航不稳定因素的干扰,用特征频率振动值所占振动总值的百分比变化来表征突变事件所引起的振动变化程度;
若特征频率振动值所占振动总值的百分比超过规定值时,则判断风电机组振动状态已发生变化。
2.根据权利要求1所述的方法,其特征在于,所述突变事件被描述为:
发电机转频及倍频发生了超过其突变报警阈值的变化;
发电机轴承故障特征频率及其倍频发生了超过其突变报警阈值的变化;
齿轮箱各级啮合频率及其边频发生了超过其突变报警阈值的变化;
传动链上各轴承的峰值指标、峭度指标特征值发生了超过其突变报警阈值的变化。
3.根据权利要求2所述的方法,其特征在于,所述通过自学习得到突变报警阈值的步骤包括:
将当前采集振动信号时刻之前一段时间内采集的振动信号分别进行傅里叶变换,得到一组的振动信号特征值;
按照高斯模型计算各个振动信号特征值的均值μ和标准方差σ2;
利用所述均值μ和标准方差σ2得到突变报警阈值。
4.根据权利要求3所述的方法,其特征在于,所述突变报警阈值Threshold=μ+3σ。
5.根据权利要求4所述的方法,其特征在于,所述的判断是否存在振动突变事件包括:
若某振动信号特征值>λ×Threshold,则判断存在振动突变事件,其中所述λ为突变因子。
6.一种基于振动突变报警的风电机组状态监测装置,包括:
采集模块,用于在风力发电机组运行过程中实时采集风力发电机组的振动信号;
振动突变事件判断模块,用于通过对当前采集的振动信号进行分析处理,判断是否存在振动突变事件;
突变报警模块,在判断存在振动突变事件的情况下,立即发出相应的突变报警信号,并判断突变报警是否有效;
故障诊断模块,通过重复执行上述模块,得到多个突变报警信号,并对多个突变报警信号进行分析,对可能发生的故障进行诊断;
其中,所述振动突变事件判断模块包括:
傅里叶变换单元,将当前采集的振动信号进行傅里叶变换,得到当前振动信号特征值;
比较单元,通过将当前振动信号特征值与之前通过自学习得到的突变报警阈值进行比较,判断是否存在振动突变事件;
所述突变报警模块包括:
突变报警有效判断单元,为了排除风力发电机运行过程中由于变桨、偏航不稳定因素的干扰,用特征频率振动值所占振动总值的百分比变化来表征突变事件所引起的振动变化程度;
若特征频率振动值所占振动总值的百分比超过规定值时,则判断风电机组振动状态已发生变化。
7.根据权利要求6所述的装置,其特征在于,所述突变事件被描述为:
发电机转频及倍频发生了超过其突变报警阈值的变化;
发电机轴承故障特征频率及其倍频发生了超过其突变报警阈值的变化;
齿轮箱各级啮合频率及其边频发生了超过其突变报警阈值的变化;
传动链上各轴承的峰值指标、峭度指标特征值发生了超过其突变报警阈值的变化。
8.根据权利要求7所述的装置,其特征在于,振动突变事件判断模块还包括突变报警阈值自学习单元,用于将当前采集振动信号时刻之前一段时间内采集的振动信号分别进行傅里叶变换,得到一组振动信号特征值;按照高斯模型计算各个振动信号特征值的均值μ和标准方差σ2;并利用所述均值μ和标准方差σ2得到突变报警阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210216120.6A CN103512651B (zh) | 2012-06-26 | 2012-06-26 | 基于振动突变报警的风电机组状态监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210216120.6A CN103512651B (zh) | 2012-06-26 | 2012-06-26 | 基于振动突变报警的风电机组状态监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103512651A CN103512651A (zh) | 2014-01-15 |
CN103512651B true CN103512651B (zh) | 2016-08-24 |
Family
ID=49895735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210216120.6A Active CN103512651B (zh) | 2012-06-26 | 2012-06-26 | 基于振动突变报警的风电机组状态监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103512651B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105041631B (zh) * | 2015-07-21 | 2017-06-06 | 莱芜钢铁集团电子有限公司 | 一种气体压缩机的驱动轴振动信号的检测方法和*** |
CN105865611B (zh) * | 2016-04-08 | 2019-03-12 | 深圳艾瑞斯通技术有限公司 | 一种调整光纤振动检测门限值的方法及装置 |
CN107392401A (zh) * | 2017-09-08 | 2017-11-24 | 上海理工大学 | 重型轧辊装载智能机器人的故障预测方法 |
US11313355B2 (en) * | 2017-12-29 | 2022-04-26 | Vestas Wind Systems A/S | Method and apparatus for monitoring a wind turbine |
CN109765045A (zh) * | 2019-03-07 | 2019-05-17 | 广东省智能制造研究所 | 一种用于旋转类机械远程监测与故障诊断的***及方法 |
CN110569517B (zh) * | 2019-03-14 | 2022-07-22 | 南京南瑞继保电气有限公司 | 一种用于风电机组主控***的报警优化设计方法 |
CN111076808B (zh) * | 2019-12-20 | 2022-03-22 | 中国北方发动机研究所(天津) | 一种柴油机台架试验实时振动监测及预警*** |
CN111504450A (zh) * | 2020-04-28 | 2020-08-07 | 郑州恩普特科技股份有限公司 | 一种设备故障报警方法及装置 |
CN112798097A (zh) * | 2020-12-30 | 2021-05-14 | 重庆斯铂电气自动化设备有限公司 | 一种振动监测*** |
CN113187669B (zh) * | 2021-04-20 | 2022-04-08 | 东方电气风电股份有限公司 | 一种大型风力发电机组塔筒过振动智能抑制方法 |
CN117269664B (zh) * | 2023-08-18 | 2024-05-03 | 国家电网有限公司华东分部 | 风电场线路故障点的定位方法、装置及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4658743B2 (ja) * | 2005-09-05 | 2011-03-23 | 株式会社大林組 | 振動監視システム |
CN101393049B (zh) * | 2008-08-25 | 2010-09-08 | 北京天源科创风电技术有限责任公司 | 风力发电机组振动监测及故障诊断的方法 |
CN101995290B (zh) * | 2009-08-28 | 2013-04-24 | 威能极公司 | 风力发电机振动监测的方法和*** |
CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
-
2012
- 2012-06-26 CN CN201210216120.6A patent/CN103512651B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103512651A (zh) | 2014-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103512651B (zh) | 基于振动突变报警的风电机组状态监测方法及装置 | |
CN106655522B (zh) | 一种适用于电网二次设备运维管理的主站*** | |
CN108709724B (zh) | 风力发电机组螺栓在线状态监测***及方法 | |
Cui et al. | An anomaly detection approach based on machine learning and scada data for condition monitoring of wind turbines | |
CN110469462B (zh) | 一种基于多模板的风电机组智能状态监测*** | |
CN202710100U (zh) | 风力发电机组远程在线健康状态监测与故障诊断*** | |
CN103343728A (zh) | 风力发电机组远程在线多模式健康状态监测与故障诊断*** | |
CN202326011U (zh) | 一种风电机组的状态监测与故障诊断*** | |
CN101555806B (zh) | 发电厂生产实时参数分类报警和识别辅助方法 | |
CN103912448B (zh) | 一种区域风电场机组功率特性监测方法 | |
CN103758696A (zh) | 基于scada温度参数的风电机组安全状况评价方法 | |
CN102620807A (zh) | 风力发电机状态监测***及方法 | |
CN105787584A (zh) | 一种基于云平台的风电机群故障预警方法 | |
CN104019000A (zh) | 风力发电机组的载荷谱测定与前瞻性维护*** | |
CN104200396A (zh) | 一种风力发电机部件故障预警方法 | |
CN110907170B (zh) | 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法 | |
CN103711645A (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
CN103543403A (zh) | 电力***机组一次调频能力检测方法 | |
CN105136435A (zh) | 一种风力发电机组叶片故障诊断的方法和装置 | |
CN109188227A (zh) | 一种双馈型风力发电机绝缘状态评估方法及*** | |
CN108167135A (zh) | 海上风电场风机辅控***、方法以及装置 | |
CN105117591A (zh) | 一种电力设备的运行状态分析方法 | |
CN104821789A (zh) | 一种光伏发电***可靠性的检测方法 | |
CN111594395B (zh) | 一种风电机组塔筒共振识别方法、装置及监测报警*** | |
CN108590985A (zh) | 一种风力发电机组变桨***蓄电池性能自动检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |