CN108780025A - 状态监视***和风力发电装置 - Google Patents
状态监视***和风力发电装置 Download PDFInfo
- Publication number
- CN108780025A CN108780025A CN201780018017.1A CN201780018017A CN108780025A CN 108780025 A CN108780025 A CN 108780025A CN 201780018017 A CN201780018017 A CN 201780018017A CN 108780025 A CN108780025 A CN 108780025A
- Authority
- CN
- China
- Prior art keywords
- value
- vibrational waveform
- waveform data
- unit
- assessed value
- 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.)
- Granted
Links
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
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/70—Bearing or lubricating arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- F05B2240/00—Components
- F05B2240/50—Bearings
-
- 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
-
- 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
- F05B2270/334—Vibration measurements
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种状态监视***,包括:振动传感器(70),用于测量风力发电装置中的轴承的振动波形;以及数据处理器(80),用于诊断轴承的异常。在数据处理器(80)中,评估值计算单元(140)在时间上连续地计算评估值,该评估值表征在特定时间内从振动传感器(70)输出的振动波形数据的有效值。诊断单元(150)基于评估值的时间变化的推移来诊断轴承的异常。评估值计算单元(140)计算特定时间内的振动波形数据的有效值的最小值来作为评估值。
Description
技术领域
本发明涉及对设备中机械部件的状态进行监视的状态监视***,更具体地涉及监视风力发电装置中的机械部件的状态的状态监视***。
背景技术
在风力发电装置中,使连接到接收风力的叶片的主轴旋转,并且在变速箱提高主轴的转速之后,使发电机的转子旋转以产生电力。主轴、变速箱和发电机的转轴分别受到滚动轴承的支承而能旋转。已知一种状态监视***(CMS)来诊断这种轴承的异常。在这种状态监视***中,使用固定在轴承上的振动传感器测量到的振动波形数据来诊断轴承是否发生损坏。
例如,在日本专利特开No.2000-99484(专利文献1)中公开了一种典型的诊断***,对作为诊断对象的计算器的劣化进行诊断。专利文献1中描述的诊断***被配置为将从用于获取关于计算器的信息的信息获取单元接收到的信息存储到存储电路中,并读取存储在存储电路中的信息以生成趋势图。在专利文献1中,基于所生成的趋势图确定移动平均值,并且如果移动平均值等于或小于预设阈值,则计算器被诊断为正常,而如果移动平均值等于或大于阈值,则计算器被诊断为异常。
在例如日本专利特开平7-159469(专利文献2)中公开了一种对包括计算单元的一般装置中的内部设备的状态进行监视的状态监视***,当基于从测量目标设备的内部状态的电路输出的信号检测到目标设备的异常时,响应于检测信号,针对测量元件电路和记录单元产生开始测量和记录的触发。
日本专利特开2009-20090(专利文献3)公开了一种异常诊断装置,其诊断用于机械设备的旋转部件和滑动部件的异常。该异常诊断装置分析从旋转部件产生的信号的频率,以确定测量数据的频率分量,并从测量数据的频率分量中提取与旋转部件的异常引起的振动的异常频率对应的频率分量。然后将提取的频率分量与阈值进行比较,以诊断旋转部件存在/不存在异常。在专利文献3中,针对每一个异常频率的基波频率和谐波频率单独设定阈值,以便提高异常有无的诊断准确度,并使其不易受周边噪声的影响。
现有技术文献
专利文献
专利文献1:日本专利特开2000-99484
专利文献2:日本专利特开平7-159469
专利文献3:日本专利特开2009-20090
发明内容
本发明所要解决的技术问题
在应用于风力发电装置的状态监测***中,当主轴和变速箱以及发电机的转轴的转速低(例如,100rpm或更低)时,每个轴承的振动幅度小于转速高时的振动幅度。因此,随着转速降低,叠加在从振动传感器输出的振动波形数据上的噪声的影响增大。结果,当主轴和变速箱及发电机的转轴的转速低时,错误地诊断轴承异常的可能性变高。
此外,当根据上述专利文献1中公开的技术,通过确定从振动传感器输出的振动波形数据的移动平均值来诊断轴承的异常时,为了适当地消除噪声的影响,需要增加在移动平均值中所使用的振动波形数据的数据数,却使得轴承振动幅度的变化变平缓。结果,特别是在轴承振动幅度小的低转速下,当发生异常时难以捕捉轴承振动的变化,可能导致轴承异常的准确诊断失败。
在风力发电装置中,根据例如指示风如何吹动的风况的环境,运行条件时刻变化。根据运行条件的变化,如振动、主轴的转速、发电量和风速的运行状态也时刻变化。例如,在风力强的时候,施加在风力发电装置中的机械部件上的负载大于风力弱的时候,因此振动更大。风向也会改变机械部件的负荷,从而改变振动。
结果,在应用于风力发电装置的状态监视***中,由振动传感器测量到的振动波形数据根据风力发电装置的运行条件的变化而时刻变化。为了基于振动波形数据准确地诊断机械部件的异常,需要区分振动变化是由运行条件的变化引起的还是由机械部件的损坏引起的。为此,如何设定与振动波形数据进行比较的阈值以诊断有无异常变得非常重要。
在上述专利文献3中公开的状态监视***中,当噪声叠加在从测量目标设备的内部状态的电路输出的信号上时,目标设备可能被检测为异常而产生触发。在这种情况下,由于噪声的影响频繁地产生触发,所以在每次产生触发时都要开始测量和记录目标设备的内部状态。从而,在记录单元中累积大量数据,目标设备正常时的数据和目标设备异常时的数据混杂在一起。这可能导致基于记录单元中累积的数据的准确异常诊断失败。
为了解决上述问题,作出了本发明。本发明的第一目的是提供一种实现准确的异常诊断的状态监视***和风力发电装置。
本发明的第二目的是提供一种在状态监视***和包括该状态监视***的风力发电装置中,设定用于诊断风力发电装置中机械部件有无异常的阈值的技术。
解决技术问题的技术方案
根据本发明的一个方面的状态监视***对装置中的机械部件的状态进行监视。状态监视***包括用于测量机械部件的振动波形的振动传感器和用于诊断机械部件的异常的处理器。处理器包括评估值计算单元和诊断单元。评估值计算单元在时间上连续地计算评估值,该评估值表征在特定时间内从振动传感器输出的振动波形数据的有效值。诊断单元基于评估值的时间变化的推移来诊断机械部件的异常。评估值计算单元被配置为计算特定时间内的振动波形数据的有效值的最小值,来作为评估值。
根据本发明的一个方面的状态监视***包括用于测量机械部件的振动波形的振动传感器和用于诊断机械部件的异常的处理器。处理器包括诊断单元和设定单元。诊断单元被配置为将从振动传感器输出的振动波形数据的有效值与阈值进行比较,来诊断机械部件的异常。设定单元设定阈值。设定单元包括:第一计算单元,该第一计算单元计算从振动传感器输出的n个(其中n是等于或大于2的整数)振动波形数据的有效值的移动平均值;第二计算单元,该第二计算单元计算n个振动波形数据的有效值的标准偏差;以及第三计算单元,该第三计算单元基于由第一计算单元计算得到的移动平均值和由第二计算单元计算得到的标准偏差来计算阈值。
根据本发明的一个方面的状态监视***包括用于测量机械部件的振动波形的振动传感器和用于诊断机械部件的异常的处理器。处理器包括评估值计算单元和诊断单元。评估值计算单元在时间上连续地计算评估值,该评估值表征在特定时间内从振动传感器输出的振动波形数据。诊断单元被配置为使用由评估值计算单元计算得到的评估值的时间变化趋势的变化作为触发,来开始测量振动波形数据,从而使用振动波形数据来诊断机械部件的异常。
发明效果
根据本发明,即使机械部件的振动小,也可以使用适当地消除了噪声影响的评估值来诊断机械部件的异常,从而提供准确的异常诊断。
根据本发明,可以适当地设定用于诊断风力发电装置中机械部件有无异常的阈值,从而提供准确的异常诊断。
根据本发明,可以可靠且适当地获得在装置中的机械部件发生异常时的振动波形数据,从而提供准确的异常诊断。
附图说明
图1是示意性示出包括根据第一实施例的状态监视***的风力发电装置的配置的图。
图2是功能性示出图1所示的数据处理器的配置的功能框图。
图3是示出存储在存储单元的轴承的振动波形数据的有效值的时间变化的图。
图4是示出在特定时段内的振动波形数据的有效值的移动平均值的时间变化的图。
图5是示出由评估值计算单元计算得到的在特定时间内的振动波形数据的评估值的最小值的时间变化的图。
图6是示出根据第一实施例的状态监视***中用于诊断轴承异常的控制处理的流程图。
图7是示出根据第二实施例的状态监视***中用于诊断轴承异常的控制处理的流程图。
图8是示出根据第三实施例的状态监视***中用于诊断轴承异常的控制处理的流程图。
图9是示出根据第四实施例的状态监视***中的数据处理器的功能配置的功能框图。
图10是示出图9中所示的阈值设定单元的动作的图。
图11是示出由阈值设定单元设定的阈值的示例的图。
图12是示出根据第四实施例的状态监视***中的阈值设定处理的流程图。
图13是示出根据实施例的状态监视***中用于诊断轴承60异常的控制处理的流程图。
图14是示出根据第五实施例的状态监视***中的数据处理器的功能配置的功能框图。
图15是示出图14中所示的振动波形数据存储单元和评估值计算单元的动作的图。
图16是示出图14中所示的评估值趋势存储单元的动作的图。
图17是表示图14所示的测量触发产生单元和振动波形数据输出单元的动作的图。
图18是示出根据第五实施例的状态监视***中存储轴承的振动波形数据的控制处理的流程图。
图19是示出根据第五实施例的状态监视***中用于产生轴承的振动波形数据的测量触发的控制处理的流程图。
图20是示出根据第六实施例的状态监视***中用于产生轴承的振动波形数据的测量触发的控制处理的流程图。
图21是示出根据第七实施例的状态监视***中用于产生轴承的振动波形数据的测量触发的控制处理的流程图。
图22是示出根据第八实施例的状态监视***中的数据处理器的功能配置的功能框图。
图23是表示在特定时间内轴承的振动波形数据与分段之间的关系的概念图。
图24是示出特征量向量的图。
图25是示出OC-SVM的基本概念的图。
具体实施方式
下面将参考附图详细说明本发明的各个实施例。在附图中,相同或相应的部件由相同附图标记表示,并且其描述不再予以重复。
[第一实施例]
图1是示意性示出包括根据本发明第一实施例的状态监视***的风力发电装置的配置的图。参照图1,风力发电装置10包括主轴20、叶片30、变速箱40、发电机50、主轴轴承(下面简称为“轴承”)60、振动传感器70和数据处理器80。变速箱40、发电机50、轴承60、振动传感器70和数据处理器80安装在机舱(nacelle)90内,而机舱90由塔100支承。
主轴20延伸到机舱90内并连接至变速箱40的输入轴,并受到轴承60的支承而能够旋转。主轴20将接收风力的叶片30所产生的转矩传递至变速箱40的输入轴。叶片30设置在主轴20的端部,将风力转化成转矩,并且将该转矩传递到主轴20。
轴承60固定在机舱90内并支承主轴20使其能够转动。轴承60由滚子轴承构成,例如由球面滚子轴承、圆锥滚子轴承、圆柱滚子轴承、或滚珠轴承构成。这些轴承可以是单排或双排。
振动传感器70固定在轴承60上。振动传感器70测量轴承60的振动波形,并将测量得到的振动波形数据输出到数据处理器80。振动传感器70例如由具有压电元件的加速度传感器构成。
变速箱40设置在主轴20和发电机50之间以增加主轴20的转速并将其输出至发电机50。作为示例,变速箱40由包括行星齿轮、中间轴、高速轴等的齿轮加速机构构成。尽管未示出,但是在变速箱40中还设置有支承多个轴使其能够旋转的多个轴承。
发电机50与变速箱40的输出轴连接,利用从变速箱40接收到的转矩进行发电。发电机50例如由感应发电机构成。在发电机50内还设置有支承转子使其可旋转的轴承。
数据处理器80设置在机舱90中,并从振动传感器70接收轴承60的振动波形数据。数据处理器80在预设程序的指令下,使用轴承60的振动波形数据来诊断轴承60的异常。
图2是功能性示出图1所示的数据处理器80的配置的功能框图。参照图2,数据处理器80包括低通滤波器(以下称为“LPF”)110、有效值计算单元120、存储单元130、评估值计算单元140、诊断单元150、以及阈值设定单元160。
LPF 110从振动传感器70接收轴承60的振动波形数据。LPF 110使接收到的振动波形数据中的低于预定频率(例如,400Hz)的信号分量通过,并截止高频分量。
有效值计算单元120从LPF 110接收轴承60的振动波形数据。有效值计算单元120计算轴承60的振动波形数据的有效值(也称为“RMS(均方根)值”),并将计算出的振动波形数据的有效值输出到存储单元130。
存储单元130时刻存储由有效值计算单元120计算得到的轴承60的振动波形数据的有效值。存储单元130配置为例如是可写非易失性存储器。
存储单元130被配置为至少存储特定时间内的轴承60的振动波形数据的有效值。存储单元130被配置为例如以预定的时间间隔从有效值计算单元120接收轴承60的振动波形数据,擦除特定时间内的振动波形数据的有效值中最旧的振动波形数据的有效值,并添加新输入的振动波形数据的有效值。
也就是说,存储单元130以预定的时间间隔更新在特定时间内的轴承60的振动波形数据的有效值。如稍后将描述的,读取存储在存储单元130中的特定时间内的轴承60的振动波形数据的有效值,并且使用读取的有效值来诊断轴承60的异常。
评估值计算单元140从存储单元130读取在特定时间内的轴承60的振动波形数据的有效值,然后计算对读取的特定时间内的振动波形数据的有效值进行表征的评估值。评估值计算单元140被配置为在时间上连续地计算评估值。也就是说,评估值计算单元140以预定时间间隔更新评估值。稍后将描述评估值计算单元140中的评估值计算的细节。
阈值设定单元160设定诊断单元150诊断轴承60有无异常所用的阈值。阈值设定单元160将设定的阈值输出到诊断单元150。稍后将描述阈值设定单元160中的阈值设定的细节。
诊断单元150从评估值计算单元140接收评估值,并从阈值设定单元160接收阈值。诊断单元150将评估值与阈值进行比较以诊断轴承60的异常。具体地,当评估值大于阈值时,诊断单元150诊断轴承60异常。另一方面,当评估值等于或小于阈值时,诊断单元150诊断轴承60正常。
下面参照图3至图5,描述评估值计算单元140中的评估值的计算。
图3是示出存储在存储单元130的轴承60的振动波形数据的有效值的时间变化的图。图3示出了在主轴20的转速低(例如,100rpm或更低)的情况下轴承60的振动波形数据的有效值的时间变化的示例。
在图3中,假设在某一时刻t将异常轴承60更换为新轴承。也就是说,时刻t之前的时段表示在轴承60中发生异常的异常发生时段,并且时刻t之后的时段表示轴承60正常的正常时段。
如图3所示,异常发生时段中的振动波形数据的有效值和正常时段中的振动波形数据的有效值都变化很大。当主轴20的转速低时,轴承60的振动小。因此,从振动传感器70输出的振动波形数据受噪声的影响很大从而变化很大。
这里,试图基于图3所示的振动波形数据的有效值的时间变化来设定用于诊断轴承60有无异常的阈值。
如图3所示,如果阈值被设定为低于异常发生时段中的振动波形数据的全部有效值,则正常时段中的振动波形数据的大部分有效值超过阈值。结果,尽管轴承60处于正常状态,但轴承60被错误地诊断为异常。
然后,在本实施例中,计算表征特定时间内的振动波形数据的有效值的评估值,并且使用计算的评估值诊断轴承60的异常。可以通过对特定时间内的振动波形数据的有效值进行统计处理来计算评估值。例如,移动平均处理可以用作统计处理。
图4是示出特定时段的振动波形数据的有效值的移动平均值的时间变化的图。图4示出了经移动平均处理的图3中的振动波形数据的有效值的时间变化。在移动平均处理中,假设特定时间是对应于24个有效值的时间,计算24个有效值的简单移动平均值。
当将图4所示的移动平均值的时间变化与图3所示的振动波形数据的有效值的时间变化进行比较时,移动平均值的变化幅度小于有效值,这表示噪音的影响降低。
这里,试图以与图3中相同的方式,基于图4所示的移动平均值的时间变化来设置用于诊断轴承60有无异常的阈值。
如图4所示,如果将阈值设定为低于异常发生时段中的全部移动平均值,则正常时段中的一部分移动平均值超过阈值。结果,尽管轴承60处于正常状态,但轴承60被错误地诊断为异常,这与图3中的方式相同。
这里,为了进一步减小移动平均值的变化幅度,考虑将特定时段的长度设为长于与移动平均处理中的24个有效值相对应的长度。然而,尽管增加特定时间的长度可以减小噪声的影响,但是轴承60的振动幅度的变化变得平缓。结果,当发生异常时难以掌握轴承60的振动变化,可能导致轴承60的准确异常诊断失败。
因此,评估值计算单元140计算特定时间内的振动波形数据的最小值,作为表征特定时间内的振动波形数据的有效值的评估值。
图5是示出由评估值计算单元140计算得到的特定时间内的振动波形数据的评估值的最小值的时间变化的图。在图5中,对于图3所示的振动波形数据的有效值的时间变化,在时间上连续地计算特定时段内的有效值的最小值。在图5中,将特定时间设为等于图4中计算移动平均值的特定时间的长度(即,对应于24个有效值的长度)。
当将图5中所示的最小值的时间变化与图4中所示的移动平均值的时间变化进行比较时,最小值的变化幅度小于移动平均值。这种趋势在正常时段内特别显著,这表明噪声的影响进一步降低。
在轴承60的振动波形数据的有效值中,噪声的大小叠加在轴承60的原始振动幅度上。这表明在特定时间内振动波形数据的有效值中,该特定时间内振动波形数据的有效值的最小值受噪声的影响最小。因此,即使当轴承60的振动较小时,将该最小值设定为评估值也可以有效地降低噪声对轴承60的振动波形数据的有效值的影响。结果,可以更准确地诊断异常。
返回图2,阈值设定单元160基于由评估值计算单元140计算的特定时间内的振动波形数据的有效值的最小值的时间变化来设定阈值。在图5的示例中,阈值可以被设定为小于异常发生时段中最小值的时间变化的推移并且大于正常时段中最小值的时间变化的推移的值。这表明通过将特定时间内的振动波形数据的有效值的最小值与阈值进行比较,可以诊断轴承60有无异常。
具体地,当获取如图5所示的异常发生时段和正常时段各自的最小值的时间变化时,阈值设定单元160从异常发生时段的最小值的时间变化中提取预定数量的最小值,并计算所提取的预定数量的最小值的平均值。阈值设定单元160还从正常时段的最小值的时间变化中提取预定数量的最小值,然后计算提取的预定数量的最小值的平均值。阈值设定单元160计算正常时段中的平均值与异常发生时段中的平均值之间的比率,并将系数设定为小于计算出的比率的值。然后,通过将设定的系数乘以正常时段中的平均值来计算阈值。
图6是示出根据第一实施例的状态监视***中用于诊断轴承60异常的控制处理的流程图。数据处理器80以预定的时间间隔重复执行图6所示的控制处理。
参照图6,在步骤S01,数据处理器80从振动传感器70接收轴承60的振动波形数据。在步骤S02,数据处理器80确定在风力发电装置10中是否建立了预定的运行状态。预定的运行状态是风力发电装置10额定运行时的运行状态,并且包括在额定运行期间的主轴20和变速箱40及发电机50的转轴的旋转速度、发电量、发电机50的转轴的转矩、风向和风速。
如果在风力发电装置10中没有建立预定的运行状态(S02的判定为否),则跳过后续处理S03~S09。另一方面,如果在风力发电装置10中建立了预定的运行状态(S02的判定为是),则LPF 110对轴承60的振动波形数据执行滤波处理。
然后,在步骤S04,当从LPF 110接收经过滤波处理的轴承60的振动波形数据时,有效值计算单元120计算轴承60的振动波形数据的有效值。在步骤S05,存储单元130存储由有效值计算单元120计算的振动波形数据的有效值。
在步骤S06,评估值计算单元140确定存储在存储单元130中的振动波形数据的有效值的数据数是否满足规定数量。在步骤S06,规定数量等于在特定时间内按时间顺序的振动波形数据的有效值的数量。如果存储在存储单元130中的振动波形数据的有效值的数据数不满足规定数量(S06的判定为否),则跳过后续处理S06~S09。
另一方面,如果存储的振动波形数据的有效值的数据数满足规定数量(S06的判定为是),则评估值计算单元140前进到步骤S07,读取存储在存储单元130中的规定数量的振动波形数据的有效值,并计算读取出的规定数量的振动波形数据的有效值的最小值。评估值计算单元140将计算出的最小值输出到诊断单元150。
在步骤S08,诊断单元150将在步骤S07计算出的最小值与阈值进行比较。如果最小值等于或小于阈值(S08的判定为否),则诊断单元150将轴承60诊断为正常并且跳过后续处理S09。另一方面,如果在步骤S07计算出的最小值大于阈值(S08的判定为是),则在步骤S09,诊断单元150将轴承60诊断为异常。
如上所述,根据第一实施例,将特定时间内的振动波形数据的有效值的最小值用作表征该特定时间内的轴承60的振动波形数据的有效值的评估值。因此,即使当主轴20的转速低并且振动波形数据的有效值小时,也可以获得降低了噪声影响的评估值。因此,可以使用评估值准确地诊断轴承60的异常。
尽管在前述第一实施例中通过比较评估值和阈值来诊断轴承60的异常,但是使用评估值对轴承60进行异常诊断不限于前述配置。在第二和第三实施例中,将描述使用评估值进行异常诊断的其他配置。
[第二实施例]
图7是示出根据第二实施例的状态监视***中用于诊断轴承60异常的控制处理的流程图。数据处理器80以预定的时间间隔重复执行图7所示的控制处理。
图7与图6的不同之处在于,在根据第二实施例的状态监视***中执行了类似于图6中的步骤S01~S07的处理之后,执行步骤S08A代替步骤S08。
即,在步骤S07,评估值计算单元140计算从存储单元130读取的规定数量的振动波形数据的有效值的最小值,然后在步骤S08A,诊断单元150基于最小值的时间变化率、即单位时间的变化量来诊断轴承60有无异常。
具体地,评估值计算单元140基于在步骤S07计算出的最小值与该最小值的前一个计算出的最小值之间的差来计算最小值的时间变化率。然后,评估值计算单元140将计算出的最小值的时间变化率与阈值进行比较。如果最小值的时间变化率等于或小于阈值(S08的判定为否),则诊断单元150将轴承60诊断为正常并且跳过后续处理S09。另一方面,如果最小值的时间变化率大于阈值(S08A判定为是),则在步骤S09,诊断单元150将轴承60诊断为异常。
如上所述,根据第二实施例,将在特定时间内振动波形数据的有效值的最小值作为表征在特定时间内轴承60的振动波形数据的有效值的评估值,来诊断轴承60的异常。因此,第二实施例也可以实现与第一实施例类似的效果。
阈值设定单元160可以将在图7中的步骤S08A使用的阈值设定为大于正常时段中的最小值的时间变化率并且小于异常发生时段中的最小值的时间变化率的值。
具体地,阈值设定单元160计算异常发生时段中的最小值的时间变化率的大小的平均值,并计算正常时段中的最小值的时间变化率的大小的平均值。然后,阈值设定单元160计算正常时段中最小值的时间变化率的大小的平均值与异常发生时段中的最小值的时间变化率的大小的平均值之间的比率,并将系数设定为小于该计算出的比率的值。阈值设定单元160通过将设定的系数乘以正常时段中的最小值的时间变化率的大小的平均值来计算阈值。
[第三实施例]
图8是示出根据第三实施例的状态监视***中用于诊断轴承60异常的控制处理的流程图。数据处理器80以预定的时间间隔重复执行图8所示的控制处理。
图8与图6的不同之处在于,在根据第三实施例的状态监视***中执行了类似于图6中的步骤S01~S07的处理之后,执行步骤S08B代替步骤S08。
即,在步骤S07,评估值计算单元140计算从存储单元130读取的规定数量的振动波形数据的有效值的最小值,然后在步骤S08B,诊断单元150基于最小值的大小和时间变化率来诊断轴承60有无异常。
具体而言,诊断单元150将在步骤S07计算出的最小值与第一阈值进行比较。如果最小值等于或小于第一阈值(S08B的判定为否),则诊断单元150将轴承60诊断为正常并且跳过后续处理S09。另一方面,如果在步骤S07计算出的最小值大于第一阈值,则诊断单元150进一步将最小值的时间变化率与第二阈值进行比较。如果最小值的时间变化率等于或小于第二阈值(S08B的判定为否),则诊断单元150将轴承60诊断为正常并且跳过后续处理S09。另一方面,如果最小值的时间变化率大于第二阈值(S08B判定为是),则在步骤S09,诊断单元150将轴承60诊断为异常。
也就是说,在根据第三实施例的异常诊断中,如果在特定时间内振动波形数据的有效值的最小值大于第一阈值并且最小值的时间变化率大于第二阈值,则轴承60被诊断为异常。通过这样做,即使在最小值的时间变化率大于第二阈值的情况下,在最小值的大小等于或小于第一阈值时,由于轴承60的振动幅度小,因此可以确定噪声的影响程度很大。在这种情况下,轴承60被诊断为正常。因此,可以基于适当地消除叠加在振动波形数据上的噪声的评估值来诊断轴承60的异常。因此,第三实施例也可以实现与第一实施例类似的效果。
如在第一实施例中所说明的,可以将在图8中的步骤S08B中使用的第一阈值设定为小于异常发生时段中的最小值的时间变化的推移并且大于正常时段中的最小值的时间变化的推移的值。如在第二实施例中所说明的,可以将第二阈值设定为大于正常时段中的最小值的时间变化率并且小于异常发生时段中的最小值的时间变化率的值。
在前述第一至第三实施例中,振动传感器70安装在风力发电装置10中的机械部件之一的轴承60上,以诊断轴承60的异常。然而,作为诊断目标的机械部件不限于轴承60。描述这一点是为了进行明确。例如,可以在轴承60之外或者代替轴承60,在变速箱40或发电机50中设置的轴承上安装振动传感器,并且通过与前述实施例中类似的方法,对变速箱40或发电机50中设置的轴承的异常进行诊断。
在前述第一至第三实施例中,数据处理器80对应于本发明中的“处理器”的一个实施例,并且存储单元130、评估值计算单元140、诊断单元150和阈值设定单元160对应于本发明中的“存储单元”、“评估值计算单元”、“诊断单元”和“设置单元”的一个实施例。
[第四实施例]
图9是示出根据本发明的第四实施例的状态监视***中的数据处理器80的功能配置的功能框图。参照图9,数据处理器80包括带通滤波器(以下称为“BPF”)112、有效值计算单元120、存储单元130、阈值设定单元160以及诊断单元150。
BPF 112从振动传感器70接收轴承60的振动波形数据。BPF 112对轴承60的振动波形数据执行滤波处理。BPF 112例如是高通滤波器(HPF)。HPF使接收到的振动波形数据中高于预定频率的信号分量通过,截止低频分量。设置HPF以去除包含在轴承60的振动波形数据中的直流分量。如果振动传感器70的输出不包括直流分量,则可以省略HPF。
BPF 112还可以包括设置在振动传感器70和HPF之间的包络处理单元。包络处理单元从振动传感器70接收轴承60的振动波形数据,并对接收到的振动波形数据执行包络处理,以产生轴承60的振动波形数据的包络波形。可以将各种已知技术应用于在包络处理单元中计算的包络处理。作为示例,将从振动传感器70接收的轴承60的振动波形数据整流为绝对值,并且使其通过低通滤波器(LPF)以生成轴承60的振动波形数据的包络波形。在这种情况下,HPF从包络处理单元接收轴承60的振动波形数据的包络波形,使接收到的包络波形中高于预定频率的信号分量通过,截止低频分量。也就是说,HPF被配置为去除包络波形中包括的直流分量并提取包络波形的交流分量。
BPF 112还可以包括LPF。LPF使接收到的振动波形数据中低于预定频率的信号分量通过,截止高频分量。
有效值计算单元120从BPF 112接收经过滤波处理的轴承60的振动波形数据。有效值计算单元120计算轴承60的振动波形数据的有效值(RMS值),并将计算出的振动波形数据的有效值输出到存储单元130。
由于有效值计算单元120计算出的轴承60的振动波形的有效值是未经过包络处理的原始振动波形的有效值,例如对于在轴承60的一部分滚道中发生剥落而只有当滚动元件通过该剥落部位时振动才会增加的脉冲状的振动,该振动的值的增加很小,但对于在滚道和滚动元件之间的接触面不光滑或润滑不好的情况下发生的连续振动,该值的增加很大。
另一方面,如上文所述,当设置包络处理单元时,由有效值计算单元120计算的包络波形的交流分量的有效值对于滚道表面不光滑或润滑不好的情况下发生的连续振动,值的增加较小,而对于脉冲状的振动,值的增加较大。
存储单元130时刻存储由有效值计算单元120计算的轴承60的振动波形数据的有效值。存储单元130配置为例如是可写非易失性存储器。存储单元130被配置为存储轴承60的振动波形数据的至少最新n个(n是等于或大于2的整数)有效值。在以下描述中,振动波形数据的有效值简称为“振动波形数据”。
阈值设定单元160设定用于诊断轴承60有无异常的阈值。阈值设定单元160将设定的阈值输出到诊断单元150。稍后将描述阈值设定单元160中的阈值设定的细节。
诊断单元150基于在阈值设定单元160中设定的阈值来诊断轴承60的异常。具体地,诊断单元150将读取的振动波形数据与阈值设定单元160设定的阈值进行比较。如果判定振动波形数据超过阈值,则诊断单元150发出用于通知轴承60异常的警报。诊断单元150还基于所测量的振动波形数据的时间变化的推移来诊断轴承60的异常。
参照图10和图11,描述在阈值设定单元160中执行的阈值设定处理。
如图9所示,阈值设定单元160包括移动平均计算单元162(第一计算单元)、标准偏差计算单元164(第二计算单元)、阈值计算单元166(第三计算单元)和阈值存储单元168。
图10是示出阈值设定单元160的动作的图。参照图10,存储单元130以预定的时间间隔从有效值计算单元120接收轴承60的振动波形数据。在图10中,D1~Dn+2表示以预定时间间隔提供给存储单元130的振动波形数据。
阈值设定单元160从存储在存储单元130中的振动波形数据依次读取指定时段中的振动波形数据,并执行移动平均计算处理、标准偏差计算处理和阈值计算处理来计算阈值。优选地,当存储单元130中累积了足够的振动波形数据时,执行该计算阈值的处理。
具体地,移动平均计算单元162计算读取出的轴承60的最新n个振动波形数据的移动平均值。在图10的例子中,从存储单元130读取到时刻tn为止的轴承60的最新n个振动波形数据D1~Dn,然后计算n个振动波形数据D1~Dn的平均值MAn。随后,从存储单元130读取到时刻tn+1为止的轴承60的最新n个振动波形数据D2~Dn+2,然后计算n个振动波形数据D2~Dn+1的平均值MAn+1。随后,从存储单元130读取到时刻tn+2为止的轴承60的最新n个振动波形数据D3~Dn+2,然后计算n个振动波形数据D3~Dn+2的平均值MAn+2。移动平均值可以是简单的移动平均值,也可以是加权移动平均值。以这种方式,移动平均计算单元162使用轴承60的最新n个振动波形数据计算移动平均值MA。
标准偏差计算单元164计算轴承60的n个振动波形数据的标准偏差σ。
阈值计算单元166使用由移动平均计算单元162计算出的移动平均值MA和由标准偏差计算单元164计算出的标准偏差σ来计算阈值。将阈值设为Th,阈值Th写为下面的等式(1)。
Th=MA+k·σ…(1)
上面的等式(1)中的系数k是正值(k>0),例如设为k=2。即,阈值Th被设定为例如“MA+2σ”。
在图10的示例中,使用时刻tn的移动平均值MAn和标准偏差σ来计算阈值Thn,使用时刻tn+1的移动平均值MAn+1和标准偏差σ来计算阈值Thn+1,使用时刻tn+2的移动平均值MAn+2和标准偏差σ计算Thn+2。以这种方式,阈值计算单元166计算阈值Th并将计算出的阈值Th存储在阈值存储单元168中。
阈值Th包括季节性变化组件。因此,诊断单元150被配置为使用存储在阈值存储单元168的阈值Th中在过去与当前的季节为同时期的阈值Th。也就是说,诊断单元150被配置为使用基于在与振动波形数据相同的运行条件下的过去的振动波形数据设定的阈值Th。
风力发电装置的运行条件通常取决于环境,例如风况,并且主要随季节而变化。利用如上文所述的配置,诊断单元150使用与例如季节因素等运行条件的变化所对应的阈值Th来执行轴承60的异常的诊断。如图3所示,阈值Th通过对n个振动波形数据进行统计处理而设定,因此其根据风力发电装置10的运行条件的变化而变化。也就是说,阈值Th可以反映风力发电装置10的运行条件的变化。
然后,将根据风力发电装置10的运行条件而变化的轴承60的振动波形数据与反映该运行条件的阈值Th进行比较,从而在该比较结果中可以减小风力发电装置10的运行条件的变化的影响。结果,可以掌握由轴承60的损坏引起的振动的变化,从而提供准确的异常诊断。
图11是示出由阈值设定单元160设定的阈值的示例的图。图11示出了从某一年的2月1日到下一年的2月26日约一年的测量期间中由振动传感器70测量得到的振动波形数据的有效值、以及该振动波形数据的移动平均值和阈值的时间变化。
图11中的黑点表示轴承60的振动波形数据的有效值。图11中的虚线示出了n个振动波形数据的有效值的移动平均值MA的时间变化。在图11的例子中,n=120。图11中的实线示出了使用n个振动波形数据的有效值的移动平均值MA和标准偏差σ来设定的阈值的时间变化。使用等式Th=MA+2σ计算阈值。
如图11所示,在测量期间,振动波形数据的有效值显著变化。在图11的例子中,12月到1月的有效值相对较大,7月到8月的有效值相对较小。以这种方式,由于运行条件随季节而变化,有效值也显著变化。
为了在有效值相对小的时段中也能进行准确诊断,可以基于该时段中的有效值将阈值设定为特定值。然而,这样做会在有效值相对较大的时间段内,频繁地发生有效值超过阈值,使得准确诊断变得困难。
在本实施例中,基于根据在过去的特定时段中记录的轴承60的振动波形数据的有效值计算得到的移动平均值来设定阈值。特别地,使用在过去判定为轴承60是正常的时段的振动波形数据的有效值来设定阈值。因此,参照过去在相同运行条件下(例如,过去的同一时期)设定的阈值来诊断异常,利用该配置,使得在有效值相对较小的时段中阈值相对较小,在有效值相对较大的时段中阈值相对较大。以这种方式,由于阈值反映了风力发电装置10的运行条件的变化,因此可以提供准确的异常诊断。
图12是示出根据第四实施例的状态监视***中的阈值设定处理的流程图。图12所示的设定处理由数据处理器80(图9)执行,并指定用于阈值计算的数据范围(时段)。
参照图12,在步骤S11,数据处理器80指定用于计算阈值的数据范围。例如,可以是一年前的同一个月那样自动设定数据范围,或者可以从外部通过通信作为参数给出数据范围。
接下来,在步骤S12,阈值设定单元160从指定的数据范围的开头起依次读取存储在存储单元130中的振动波形数据。
在步骤S13,阈值设置单元160判定读取的振动波形数据的有效值的数据数是否等于或大于n。如果读取的振动波形数据的有效值的数据数小于n个(S13判定为否),则跳过后续处理S14~S17。
另一方面,如果读取的振动波形数据的有效值的数据计数等于或大于n(S13判定为是),则阈值设定单元160前进到步骤S14并计算读取的最新n个振动波形数据的有效值的移动平均值。
随后,在步骤S15,阈值设定单元160计算读取出的最新n个振动波形数据的有效值的标准偏差。然后,在步骤S16,阈值设定单元160使用在步骤S14计算出的移动平均值和在步骤S15计算出的标准偏差来设定阈值。在步骤S17,阈值设定单元160将设定的阈值依次存储到阈值存储单元168(图9)中。阈值与用于计算的时间信息一起存储,并用于选择用来诊断的阈值。
在步骤S18,阈值设定单元160判定目标时段中的所有振动波形数据的处理是否结束。如果处理未完成(S18判定为否),则处理返回到S12。
图13是示出根据第四实施例的状态监视***中用于诊断轴承60异常的控制处理的流程图。数据处理器80以预定的时间间隔重复执行图13所示的控制处理。
参照图13,在步骤S51,数据处理器80从振动传感器70接收轴承60的振动波形数据。在步骤S52,在数据处理器80中,BPF 112对轴承60的振动波形数据执行滤波处理。
接下来,在步骤S53,有效值计算单元120从BPF 112接收经过滤波处理的轴承60的振动波形数据,然后计算轴承60的振动波形数据的有效值。在步骤S54,存储单元130存储由有效值计算单元120计算出的振动波形数据的有效值。
在步骤S55,诊断单元150从阈值设定单元160中的阈值存储单元168读取基于在与振动波形数据的有效值相同的运行条件下的过去的振动波形数据的有效值而设定的阈值。例如,诊断单元150读取在过去与当前季节相同的期间设定的阈值。
在步骤S56,数据处理器80将在步骤S53计算出的振动波形数据的有效值与在步骤S55读取出的阈值进行比较。如果有效值等于或小于阈值(S56的判定为否),则诊断单元150将轴承60诊断为正常并且跳过后续处理S57。另一方面,如果有效值大于阈值(S56的判定为是),则在步骤S57,诊断单元150将轴承60诊断为异常并且发出警报。
在前述第四实施例中,振动传感器70安装在风力发电装置10中的机械部件之一的轴承60上,以诊断轴承60的异常。然而,作为诊断目标的机械部件不限于轴承60。描述这一点是为了进行明确。例如,可以除了轴承60之外或代替轴承60,在变速箱40或发电机50中设置的轴承上安装振动传感器,并且通过与前述第四实施例中类似的方法,对变速箱40或发电机50中设置的轴承的异常进行诊断。
在前述第四实施例中,数据处理器80对应于本发明中的“处理器”的实施例,并且阈值设定单元160和诊断单元150分别对应于本发明中的“设定单元”和“诊断单元”的实施例。在前述第四实施例中,移动平均计算单元162、标准偏差计算单元164、阈值计算单元166和阈值存储单元168分别在本发明中对应于“第一计算单元”、“第二计算单元”、“第三计算单元”和“存储单元”的实施例。
[第五实施例]
图14是示出根据本发明的第五实施例的状态监视***中的数据处理器80的功能配置的功能框图。参照图14,数据处理器80包括BPF 112、有效值计算单元120、存储单元130、振动波形数据输出单元170、诊断单元150、评估值计算单元140和测量触发生成单元180。
BPF 112从振动传感器70接收轴承60的振动波形数据。BPF 112包括例如HPF。HPF使接收到的振动波形数据中高于预定频率的信号分量通过,截止低频分量。设置HPF以去除包含在轴承60的振动波形数据中的直流分量。如果振动传感器70的输出不包括直流分量,则可以省略HPF。
BPF 112除了HPF之外还可以包括LPF,还可以用LPF代替HPF。LPF使接收到的振动波形数据中低于预定频率的信号分量通过。
另外,可以在振动传感器70和BPF 112之间提供包络处理单元。包络处理单元从振动传感器70接收轴承60的振动波形数据,并对接收的振动波形数据执行包络处理,以产生轴承60的振动波形数据的包络波形。可以将各种已知技术应用于在包络处理单元中计算的包络处理。作为示例,将从振动传感器70接收的轴承60的振动波形数据整流为绝对值,并且通过LPF以生成轴承60的振动波形数据的包络波形。
在这种情况下,在BPF 112中,HPF从包络处理单元接收轴承60的振动波形数据的包络波形,使接收到的包络波形中高于预定频率的信号分量通过,截止低频分量。也就是说,HPF被配置为去除包络波形中包括的直流分量并提取包络波形的交流分量。
有效值计算单元120从BPF 112接收经过滤波处理的轴承60的振动波形数据。有效值计算单元120计算轴承60的振动波形数据的有效值(RMS值),并将计算出的振动波形数据的有效值输出到存储单元130。
由于有效值计算单元120计算出的轴承60的振动波形的有效值是未经过包络处理的原始振动波形的有效值,因此例如对于在轴承60的一部分滚道中发生剥落而只有当滚动元件通过该剥落部位时振动才增加的脉冲状的振动,其值的增加很小,但在滚道和滚动元件之间的接触面不光滑或润滑不好的情况下发生的连续振动,该值的增加很大。
另一方面,如上文所述,当设置包络处理单元时,由有效值计算单元120计算出的包络波形的交流分量的有效值对于在滚道表面不光滑或润滑不好的情况下发生的连续振动,值的增加较小,而对于脉冲状振动,值的增加较大。
存储单元130包括振动波形数据存储单元132和评估值趋势存储单元134。振动波形数据存储单元132和评估值趋势存储单元134被配置为例如是可写非易失性存储器。
振动波形数据存储单元132时刻存储由有效值计算单元120计算的轴承60的振动波形数据的有效值。振动波形数据存储单元132被配置为存储特定时间内的轴承60的振动波形数据的有效值。如稍后将描述的,读取存储在振动波形数据存储单元132中的轴承60的振动波形数据的有效值,并且使用读取的有效值来诊断轴承60的异常。在以下描述中,振动波形数据的有效值简称为振动波形数据摂。
评估值计算单元140从振动波形数据存储单元132读取特定时间内的轴承60的振动波形数据,并计算对读取出的特定时间内轴承60的振动波形数据进行表征的评估值。评估值计算单元140被配置为在时间上连续地计算评估值。
评估值趋势存储单元134接收由评估值计算单元140计算的评估值。评估值趋势存储单元134时刻存储从评估值计算单元140所提供的评估值。换言之,评估值趋势存储单元134被配置为存储表示评估值的时间变化趋势的评估值趋势。
图15是示出图14中所示的振动波形数据存储单元132和评估值计算单元140的动作的图。参照图15,振动波形数据存储单元132以预定的时间间隔从有效值计算单元120接收轴承60的振动波形数据。在图15的例子中,预定的时间间隔是一秒。图15中的D0~D11表示以一秒间隔提供给振动波形数据存储单元132的振动波形数据。
振动波形数据存储单元132存储特定时间内的轴承60的振动波形数据。可以根据主轴20的转速设定特定时间。在图15的例子中,特定时间是10秒。例如,在时刻t0,振动波形数据存储单元132按时间顺序存储总共10个(即,10秒)振动波形数据D0~D9。
在时刻t0经过一秒后的时刻t1,振动波形数据存储单元132从有效值计算单元120接收振动波形数据D10,然后将10秒间的振动波形数据D0~D9中最旧的振动波形数据D0擦除并添加新输入的振动波形数据D10,从而更新特定时间内的振动波形数据。
在时刻t1经过了一秒后的时刻t2,振动波形数据存储单元132将10秒间的振动波形数据D1~D10中最旧的振动波形数据D1擦除,并添加新输入的振动波形数据D11以更新特定时间内的轴承60的振动波形数据。
以这种方式,振动波形数据存储单元132以预定的时间间隔更新在特定时间内的轴承60的振动波形数据。评估值计算单元140从振动波形数据存储单元132读取以预定时间间隔更新的特定时间内的轴承60的振动波形数据。评估值计算单元140对读取出的在特定时间内轴承60的振动波形数据进行统计处理以计算评估值。
在图15的示例中,在时刻t0,评估值计算单元140从振动波形数据存储单元132读取10秒间的振动波形数据D0~D9,然后对读取的振动波形数据D0~D9进行统计处理以计算评估值E0。评价值E0是对时刻t0的前10秒间的振动波形数据D0~D9进行表征的值(代表值)。因此,在统计处理中,例如可以计算振动波形数据D0~D9的平均值作为评估值E0。或者,例如可以计算振动波形数据D0~D9的中位数、众数或最小值作为评估值E0。
在时刻t1,评估值计算单元140统计处理10秒间的振动波形数据D1~D10以计算评估值E1。在时刻t2,评估值计算单元140统计处理10秒间的振动波形数据D2~D11以计算评估值E2。
以这种方式,评估值计算单元140以预定时间间隔计算特定时间内的轴承60的振动波形数据的评估值。评估值计算单元140将计算出的评估值输出到评估值趋势存储单元134。
图16是示出图14中所示的评估值趋势存储单元134的动作的图。参照图16,评估值趋势存储单元134以预定时间间隔从评估值计算单元140接收评估值。在图16的例子中,预定的时间间隔是一秒。图16中的E0~E6表示以一秒间隔从评估值计算单元140提供给评估值趋势存储单元134的评估值。
评估值趋势存储单元134存储在时间上连续的预定数量的评估值。在时间上连续的的预定数量的评估值对应于表示评估值的时间变化趋势的“评估值趋势”。
在图16的例子中,预定数量是5。例如,评估值趋势存储单元134在时刻t0存储评估值E0,在时刻t0经过一秒后的时刻t1存储评估值E1,在时刻t1经过一秒后的时刻t2存储评估值E2,在时刻t2经过一秒后的时刻t3存储评估值E3,在时刻t3经过一秒后的时刻t4存储评估值E4。通过对时刻t3的前10秒间的振动波形数据D3~D12进行统计处理来计算评估值E3。通过对时刻t4的前10秒间的振动波形数据D4~D11进行统计处理来计算评估值E4。
在图16的示例中,例如,在时刻t5,评估值趋势存储单元134存储总共5个评估值E0~E4。在时刻t5经过一秒后的时刻t6,评估值趋势存储单元134从评估值计算单元140接收时刻t5的前10秒间的振动波形数据D5~D14的评估值E5,然后擦除总计5个评估值E0~E4中最旧的评估值E0,并添加新输入的评估值E5以更新预定数量的评估值。
进而,在时刻t5经过一秒后的时刻t6,评估值趋势存储单元134从评估值计算单元140接收时刻t6的前10秒间的振动波形数据D6~D15的评估值E6,然后擦除总计5个评估值E1~E5中最旧的评估值E1,并添加新输入的评估值E6以更新预定数量的评估值。
以这种方式,评估值趋势存储单元134以预定时间间隔更新在时间上连续的预定数量的评估值(评估值趋势)。
返回图14,测量触发产生单元180从评估值趋势存储单元134读取在时间上连续的预定数量的评估值(评估值趋势),然后基于读取的评估值趋势而产生用于开始测量振动波形数据的触发(下文中也称为“测量触发”)。测量触发产生单元180将产生的测量触发输出到振动波形数据输出单元170。
图17是表示图14所示的测量触发产生单元180和振动波形数据输出单元170的动作的图。图17示出了存储在评估值趋势存储单元134中的评估值趋势、基于评估值趋势从测量触发生成单元180生成的测量触发、以及从振动波形输出单元170输出的轴承60的振动波形数据的示例。
图17中的Ei-4,Ei-3,......Ei,Ei+1表示以预定时间间隔提供至评估值趋势存储单元134的评估值。在图17的例子中,预定的时间间隔是一秒。Ei表示在时刻ti提供至评估值趋势存储单元134的评估值,Ei-1表示在时刻ti-1提供至评估值趋势存储单元134的评估值,Ei+1表示在时刻ti+1提供至评估值趋势存储单元134的评估值。
测量触发产生单元180判定表示评估值的时间变化趋势的评估值趋势是否已改变。如果判定评估值趋势已经改变,则测量触发生成单元180生成测量触发。具体地,测量触发产生单元180基于评估值的时间变化率即单位时间的变化量,判定评估值趋势是否已经改变。
在图17的示例中,当在时刻ti将评估值Ei存储在评估值趋势存储单元134中时,测量触发生成单元180基于时刻ti的评估值Ei和时刻ti+1的评估值Ei-1之间的差来计算评估值的时间变化率。将时刻ti的评估值的时间变化率设为dEi,dEi写为等式(2)。
dEi=(Ei-Ei+1)/(ti-ti+1)…(2)
测量触发产生单元180将计算出的时间变化率dEi与预定阈值α进行比较。如果时间变化率dEi等于或大于阈值α,则测量触发产生单元180将测量触发设为开启。另一方面,如果时间变化率dEi小于阈值α,则测量触发产生单元180将测量触发设为关闭。图17示出了在时刻ti+1的时间变化率dEi+1等于或大于阈值α。在这种情况下,在时刻ti+1,测量触发产生单元180将测量触发从关闭切换为开启。测量触发产生单元180将测量触发输出到振动波形数据输出单元170。
振动波形数据输出单元170从测量触发生成单元180接收测量触发,然后读取存储在振动波形数据存储单元132中的特定时间内的轴承60的振动波形数据。在特定时间内的轴承60的振动波形数据对应于刚刚产生测量触发的时间点之前的特定时间内的轴承60的振动波形数据。在图17的示例中,从振动波形数据存储单元132读取时刻ti+1的前10秒间的振动波形数据Di-9~Di。
振动波形数据输出单元170还在时刻ti+1之后从有效值计算单元120接收轴承60的振动波形数据。在图17的示例中,振动波形数据输出单元170从有效值计算单元120接收时刻ti+1之后的10秒间的振动波形数据Di+1~Di+10。
振动波形数据输出单元170在测量触发产生的时间点即时刻ti+1之前的特定时间内的轴承60的振动波形数据Di~Di-9和在测量触发产生的时间点即特定时刻ti+1之后的轴承60的振动波形数据Di+1~Di+10一起输出到诊断单元150。
诊断单元150一起接收轴承60的振动波形数据Di-9~Di+10,然后基于所接收的数据诊断轴承60的异常。也就是说,诊断单元150被配置为当由于评估值的时间变化趋势的变化而产生测量触发时,开始测量振动波形数据。
如上所述,在根据第五实施例的状态监视***中,计算表征特定时间内的振动波形数据的评估值,并且当表示该评估值的时间变化趋势的评估值的时间变化率改变时,产生用于开始测量振动波形数据的触发。以这种方式,可以基于恰当地消除了叠加在振动波形数据上的招生的影响后的评估值来产生触发。这可以防止由于噪声的影响而频繁产生触发。结果,可以可靠且有效地测量轴承60发生故障时的振动波形数据,从而提供准确的异常诊断。
这里,一起提供至诊断单元150的轴承60的振动波形数据Di-9~Di+10对应于在测量触发产生的时间点即评估值的时间变化趋势发生变化的时间点前后所获取的轴承60的振动波形数据。因此,诊断单元150可以分析这些振动波形数据,从而回顾性地检查轴承60在评估值的时间变化趋势变化的时间点前后的状态。
振动波形数据存储单元132被配置为存储在刚刚生成测量触发的时间点之前的特定时间内的轴承60的振动波形数据,并且擦除未生成测量触发时的轴承60的振动波形数据。在该配置中,振动波形数据存储单元132具有仅存储对回顾性检查有用的数据的存储容量,从而避免数据处理器80中包含的存储器的存储容量过大。
在数据处理器80中,振动波形数据存储单元132和评估值趋势存储单元134可以由独立于用于时刻存储从有效值计算单元120输出的振动波形数据的存储单元的存储器构成。根据风力发电装置10的用途和情况,该配置有助于振动波形数据存储单元132和评估值趋势存储单元134的添加和移除。
现在参照图18和图19,说明根据第五实施例的状态监测***中用于诊断轴承60的异常的控制处理。
图18是示出根据第五实施例的状态监视***中存储轴承60的振动波形数据的控制处理的流程图。振动波形数据存储单元132以预定的时间间隔重复执行图18所示的控制处理。例如,在图15的例子中,以一秒的间隔重复执行图18所示的控制处理。
参照图18,在步骤S21中,振动波形数据存储单元132从有效值计算单元120接收轴承60的振动波形数据。在步骤S22,振动波形数据存储单元132判定存储的轴承60的振动波形数据的数量是否等于或大于预定数量X。该预定数量X等于在特定时间内获得的轴承60的振动波形数据的数量。在图15的例子中,由于特定时间是10秒,所以预定数量X被设置为“10”,这是通过将特定时间除以预定时间间隔而获得的值。
如果存储的轴承60的振动波形数据的数量等于或大于预定数量X(S22的判定为是),则振动波形数据存储单元132前进至步骤S23,并且擦除预定数量X的振动波形数据中最旧的振动波形数据。然后,在步骤S24,振动波形数据存储单元132追加在步骤S21获取的振动波形数据。
另一方面,如果存储的轴承60的振动波形数据的数量小于预定数量X(S22的判定为否),则振动波形数据存储单元132前进到步骤S24并且追加在步骤S21所获取的振动波形数据。以这种方式,振动波形数据存储单元132以预定的时间间隔更新特定时间内的振动波形数据。
图19是示出根据第五实施例的状态监视***中用于产生轴承60的振动波形数据的测量触发的控制处理的流程图。由评估值计算单元140、评估值趋势存储单元134、测量触发产生单元180和振动波形数据输出单元170以预定时间间隔执行图19所示的控制处理。
参照图19,在步骤S31,评估值计算单元140从振动波形数据存储单元132读取特定时间内的轴承60的振动波形数据。
在步骤S32,评估值计算单元140对在步骤S31读取的特定时间内的轴承60的振动波形数据进行统计处理,以计算在特定时间内轴承60的振动波形数据的评估值。评估值计算单元140将计算出的评估值输出到评估值趋势存储单元134。
在步骤S33,评估值趋势存储单元134判定所存储的评估值的数据数是否等于或大于预定数量Y。该预定数量Y对应于获取表示评估值的时间变化趋势的评估值趋势所需的数据数。预定数量Y被设定为等于或大于二的数。在图15的例子中,预定数量Y被设定为5。
如果存储的评估值的数据计数等于或大于预定数量Y(S33的判定为是),则评估值趋势存储单元134前进到步骤S34并且擦除预定数量Y的评估值中最旧的评估值。然后,在步骤S35,评估值趋势存储单元134追加在步骤S32计算得到的评估值。
另一方面,如果存储的评估值的数据数小于预定数量Y(S33的判定为否),则评估值趋势存储单元134前进到步骤S35并且追加在步骤S32计算的评估值。以此方式,评估值趋势存储单元134以预定的时间间隔更新预定数量Y的评估值。
在步骤S36,测量触发产生单元180从评估值趋势存储单元134读取在时间上连续的预定数量Y的评估值(评估值趋势),然后计算读取的评估值趋势中的评估值的时间变化率。在步骤S36,测量触发生成单元180从评估值趋势存储单元134读取在步骤S35添加的评估值和该评估值的前一个所添加的评估值。然后,测量触发产生单元180使用上面的等式(2),基于读取出的2个评估值之间的差来计算评估值的时间变化率。
在步骤S37,测量触发产生单元180将在步骤S36计算的评估值的时间变化率与阈值α进行比较。如果评估值的时间变化率小于阈值α(S37的判定为否),则跳过后续处理S38~S31。另一方面,如果评估值的时间变化率等于或大于阈值α(S37的判定为是),则在步骤S38,测量触发产生单元180产生测量触发并将产生的测量触发输出到振动波形数据输出单元170。
振动波形数据输出单元170从测量触发产生单元180接收测量触发,然后在步骤S39,读取存储在振动波形数据存储单元132中的在产生测量触发的时间点之后的轴承60的振动波形数据。
在步骤S40,振动波形数据输出单元170读取存储在振动波形数据存储单元132中的特定时间内的轴承60的振动波形数据。如图17所说明的那样,在特定时间内的轴承60的振动波形数据对应于刚刚产生测量触发器的时间点之前的特定时间内的轴承60的振动波形数据。
在步骤S41,振动波形数据输出单元170将在步骤S40读取的在刚刚产生测量触发的时间点之前的特定时间内的轴承60的振动波形数据、和在步骤S39获取的生成测量触发的时间点之后的轴承60的振动波形数据一起输出到诊断单元150。由此,诊断单元150使用合并后的轴承60的振动波形数据诊断轴承60的异常。
(第五实施例的变形例)
在前述第五实施例中,计算时间上连续的两个评估值(例如,图17中的评估值Ei-1和Ei)之间的时间变化率,基于计算得到的时间变化率和阈值α之间的比较结果生成测量触发。然而,在该配置中,如果噪声叠加在两个评估值中的一方,则由于该噪声的影响,评估值的时间变化率可能暂时超过阈值α。在这种情况下,测量触发产生单元180可能错误地产生测量触发。
因此,为了避免由于噪声的影响而错误地生成测量触发,测量触发生成单元180可以配置为当评估值的时间变化率等于或大于阈值α的判定结果连续出现多次时生成测量触发。例如,在图17的示例中,如果时刻ti+1的时间变化率dEi+1和时刻ti+2的时间变化率dEi+2都被判定为等于或大于阈值α,则测量触发生成单元180可以生成测量触发。
在该配置中,如果在时刻ti+1的时间变化率dEi+1等于或大于阈值α并且在时刻ti+2的时间变化率dEi+2小于阈值α,则测量触发产生单元180不产生测量触发。由于时间变化率dEi+1的增加被认为是由于噪声的影响而暂时产生的,因此可以防止错误地产生测量触发。
[第六实施例]
在前述第五实施例中,通过基于评估值的时间变化率判定特定时间内的轴承60的振动波形数据的评估值的时间变化趋势已经改变来生成测量触发。在第六实施例中,通过基于评估值的大小判定评估值的时间变化趋势已经改变来生成测量触发。
图20是示出根据第六实施例的状态监视***中用于产生轴承60的振动波形数据的测量触发的控制处理的流程图。由评估值计算单元140、评估值趋势存储单元134、测量触发产生单元180和振动波形数据输出单元170以预定时间间隔重复执行图20所示的控制处理。
图20与图19的不同之处在于,在根据第六实施例的状态监视***中执行类似于图19中的步骤S31至S35的处理之后,执行步骤S37A代替步骤S36、S37。
即,在步骤S35,评估值趋势存储单元134追加在步骤S32计算得到的评估值,然后在步骤S37A,测量触发产生单元180将在步骤S35追加的评估值与阈值β进行比较。如果评估值小于阈值β(S37A的判定为否),则跳过后续处理S38~S41。另一方面,如果评估值等于或大于阈值β(S37A的判定为是),则测量触发产生单元180通过类似于图19中的步骤S38的处理产生测量触发。
振动波形数据输出单元170执行类似于图19中的步骤S39~S41的处理,将在刚刚生成测量触发的时间点之前的特定时间内的轴承60的振动波形数据、和在产生测量触发的时间点之后的轴承60的振动数据波形一起输出到诊断单元150。
如上所述,根据第六实施例,计算用于表征特定时间内的振动波形数据的评估值,并且当该评估值的大小等于或大于阈值β时,判定评估值的时间变化趋势已经改变,并且产生用于开始测量振动波形数据的触发。以这种配置,可以基于适当地消除了叠加在振动波形数据上的噪声的影响后的评估值生成触发。因此,第六实施例也可以实现与第五实施例类似的效果。
(第六实施例的变形例)
在前述第六实施例中,基于评估值和阈值β的比较结果生成测量触发。然而,在该配置中,当评估值由于叠加在评估值上的噪声而暂时等于或大于阈值β时,测量触发生成单元180可能错误地生成测量触发。
因此,为了避免由于噪声的影响而错误地生成测量触发,测量触发生成单元180可以配置为当评估值等于或大于阈值α的判定结果连续多次出现时生成测量触发。例如,在图17的示例中,如果时刻ti+1的评估值Ei+1和时刻ti+2的评估值Ei+2都被判定为等于或大于阈值β,则测量触发生成单元180可以生成测量触发。
在该配置中,如果在时刻ti+1的评估值Ei+1等于或大于阈值β并且在时刻ti+2的评估值Ei+2小于阈值β,则测量触发产生单元180不产生测量触发。由于评估值Ei+1的增加被认为是由于噪声的影响而暂时产生的,因此可以防止错误地产生测量触发。
[第七实施例]
在第七实施例中,通过基于评估值的时间变化率和大小判定评估值的时间变化趋势已经改变来生成测量触发。
图21是示出根据第七实施例的状态监视***中用于产生轴承60的振动波形数据的测量触发的控制处理的流程图。由评估值计算单元140、评估值趋势存储单元134、测量触发产生单元180和振动波形数据输出单元170以预定时间间隔重复执行图21所示的控制处理。
图21与图19的不同之处在于,在根据第七实施例的状态监视***中执行类似于图19中的步骤S31~S36的处理之后,执行步骤S37A代替步骤S37。
即,在步骤S35,评估值趋势存储单元134追加在步骤S32计算得到的评估值,然后在步骤S37,测量触发产生单元180将在步骤S36计算得到的评估值的时间变化率与阈值α(第一阈值)进行比较。如果评估值的时间变化率小于阈值α(S37的判定为否),则跳过后续处理S37A~S41。另一方面,如果评估值的时间变化率等于或大于阈值α(S37的判定为是),则测量触发生成单元180前进到步骤S37A,并将在步骤S35追加的评估值与阈值β(第二阈值)进行比较。如果评估值小于阈值β(S37A的判定为否),则跳过后续处理S38~S41。
另一方面,如果评估值等于或大于阈值β(S37A的判定为是),则测量触发产生单元180通过类似于图19中的步骤S38的处理产生测量触发。
振动波形数据输出单元170执行类似于图19中的步骤S39~S41的处理,将在刚刚生成测量触发的时间点之前的特定时间内的轴承60的振动波形数据、和在产生测量触发的时间点之后的轴承60的振动数据波形一起输出到诊断单元150。
如上所述,根据第七实施例,计算表征特定时间内的振动波形数据的评估值,并且当该评估值的时间变化率等于或大于阈值α并且评估值的大小等于或大于阈值β时,判定评估值的时间变化已经改变,并且产生用于开始测量振动波形数据的触发。即使在评估值的时间变化率等于或大于阈值α的情况下,当评估值的大小小于阈值β时,由于作为轴承60的振动大小的振动度较小,因此可以判定噪声的影响程度大。在这种情况下,不产生触发,从而能够基于适当地消除了叠加在振动波形数据上的噪声的影响后的评估值来产生触发。因此,第七实施例也可以实现与第五实施例类似的效果。
(第七实施例的变形例)
如上所述,当噪声叠加在评估值上时,评估值的时间变化率可能暂时等于或大于阈值α或更大,或者评估值可能暂时等于或大于阈值β,从而导致测量触发生成单元180错误地产生测量触发。
因此,测量触发生成单元180可以被配置为当评估值的时间变化率等于或大于阈值α的判定结果连续多次出现并且评估值等于或大于阈值β的判定结果连续多次出现时,生成测量触发。在该配置中,由于评估值的增加被认为是由于噪声的影响而暂时产生的,因此可以防止错误地产生测量触发。
在前述第五至第七实施例中,振动传感器70安装在风力发电装置10中的机械部件之一的轴承60上,以诊断轴承60的异常。然而,用作诊断目标的机械部件不限于轴承60。描述这一点是为了进行明确。例如,可以在轴承60之外或者代替轴承60,在变速箱40或发电机50中设置的轴承上安装振动传感器,并且通过与前述实施例中类似的方法,对变速箱40或发电机50中设置的轴承的异常进行诊断。
在前述第五至第七实施例中,通过对特定时间内的振动波形数据的有效值进行统计处理,来计算表征特定时间内的振动波形数据的评估值。然而,可以通过对特定时间内的振动波形数据的峰值进行统计处理来计算评估值。在该配置中,振动波形数据的峰值对应于振动波形的最大值或最小值的绝对值。或者,可以通过对特定时间内的振动波形数据的波峰因数进行统计处理来计算评估值。在该配置中,振动波形数据的波峰因数对应于有效值与振动波形的最大值的比率。
[第八实施例]
在第八实施例中,计算特定时间内的振动波形数据的异常度,作为表征在特定时间内的振动波形数据的评估值(图15)。
图22是示出根据本发明的第八实施例的状态监视***中的数据处理器80的功能配置的功能框图。参照图22,数据处理器80包括BPF 112、有效值计算单元120、存储单元130、振动波形数据输出单元170、评估值计算单元140、测量触发器生成单元180和诊断单元150。
存储单元130包括振动波形数据存储单元132、评估值趋势存储单元134和正常数据存储单元136。振动波形数据存储单元132、评估值趋势存储单元134和正常数据存储单元136被配置为例如是可写非易失性存储器。
如参照图15所说明的,振动波形数据存储单元132被配置为存储特定时间内的轴承60的振动波形数据的有效值(振动波形数据)。
正常数据存储单元136被配置为存储在确保风力发电装置10(参照图1)正常运转时(例如,在初始状态)测量到的轴承60的振动波形数据的有效值(振动波形数据)。存储在正常数据存储单元136中的振动波形数据用于在稍后描述的学习单元142中设定分类边界。在以下描述中,存储在正常数据存储单元136中的振动波形数据可以称为“学习数据”。
评估值计算单元140从振动波形数据存储单元132读取特定时间内的轴承60的振动波形数据,并计算表征所读取的特定时间内的轴承60的振动波形数据的评估值。在本实施例中,评估值计算单元140包括学习单元142和异常度计算单元144。
学习单元142从正常数据存储单元136读取学习数据,并基于所读取的学习数据设定将正常与异常区分的分类边界。
异常度计算单元144将分类边界应用于从振动波形数据存储单元132读取的特定时间内的轴承60的振动波形数据,以计算振动波形数据的异常度。异常度对应于到分类边界的距离。计算出的异常度用作表征在特定时间内的轴承60的振动波形数据的评估值。异常度计算单元144被配置为在时间上连续地计算异常度。
在本实施例中,处理特定时间内的轴承60的振动波形数据时,评估值计算单元140将振动波形数据分成多段并对每段执行处理。将在下文中描述该分段。
图23是表示在特定时间内轴承60的振动波形数据与分段之间的关系的概念图。在图23的例子中,特定时间内的振动波形数据是10秒间的振动波形数据D0~D9,与图15中的方式相同。10秒间的振动波形数据D0~D9被分成10段。
异常度计算单元144针对10秒间的振动波形数据D0~D9的每段生成特征量向量。类似地,学习单元142针对从正常数据存储单元136读取的学习数据的每段生成特征量向量。
图24是示出特征量向量的图。在图24所示的例子中,10秒间的振动波形数据D0~D9被分成10段,存在n个特征量。
特征量可以是例如振动波形数据的有效值(OA)、最大值(Max)、峰值(波峰因数)、峰度、偏斜度以及这些值经过信号处理(FFT处理、倒频处理)的值。在特征量向量中,n个特征量被视为一组向量。特征量向量用于异常判定。在图24的例子中,针对10秒间的振动波形数据D0~D9生成10个特征量向量。
如果对特定时间内的全部振动波形数据执行特征量的提取和特征量向量的生成,则在突然发生异常的情况下,全部数据可能无法用于诊断。因此,在本实施例中,将特定时间内的振动波形数据划分为多段,并且以段为单位执行特征量的提取和特征量向量的生成。例如,当通过振动传感器70监视风力发电装置10时,可以通过振动传感器70暂时检测到突发的振动。即使在这种情况下,在突发的异常之外的时间也可以提取正确的特征量。因此,除去对应于突发异常的片段之外,可以对每段比较并评估特征量。
如图24所示,对于特征量向量0~9,基于分类边界计算异常度0~9。分类边界是在已知的异常检测方法(单类支持向量机:OC-SVM)中用于判定异常的指标。
图25是示出OC-SVM的基本概念的图。图25中的横轴和纵轴表示彼此不同的特征量。在图25中,圆圈表示学习数据,正方形和三角形表示振动波形数据。在振动波形数据中,正方形是表示异常的数据,三角形是表示正常的数据。
例如,如图25(A)所示,假设在具有2个特征量的二维散点图中无法绘制将学习数据与振动波形数据中的正常异常区分的分类边界。
另一方面,有用特征量根据诊断目标和运行条件而变化。因此,基于诊断目标和操作条件选择适当的特征量。学习数据和振动波形数据被映射在包括适当的特征量的多维特征空间中,从而如图25(B)所示,产生将正常与异常区分开的分类边界面。
对于学习数据和振动波形数据,可以计算到分类边界的距离作为异常度。分类边界上的异常度为零,在分类边界的正常侧,异常度为负(-)值,在分类边界的异常侧,异常度为正(+)值。
这种技术被称为利用OC-SVM进行机器学习,并且可以将许多特征量转换成一个指标(异常度)来用于评估。
返回图22,学习单元142使用学习数据设定上述分类边界。异常度计算单元144针对各个特征向量0~9计算特征区间中到分类边界的距离即异常度0~9。
异常度计算单元144统计处理计算出的异常度0~9以计算评估值E0。该评估值E0的计算对应于图19、图20和图21所示的控制处理中的步骤S32的处理。评价值E0是表征10秒间的振动波形数据的异常度0~9的值(代表值)。因此,在统计处理中,可以计算异常度0~9的平均值作为评估值E0。或者,例如可以将异常度0~9的中位数、众数或最小值计算为评估值E0。
或者,在图19、图20和图21中的步骤S32,通过将基于学习数据设定的异常判定阈值与每个异常度进行比较,可以计算异常率作为评估值E0。异常率可以通过将异常度0~9中异常度超过预定的异常判定阈值的数量除以总段数(10段)来获得。
以这种方式,评估值计算单元140以预定时间间隔计算特定时间内的轴承60的振动波形数据的评估值(异常度)。评估值计算单元140将计算得到的评估值输出到评估值趋势存储单元134。
如参照图16所说明的,评估值趋势存储单元134存储时刻从评估值计算单元140提供的评估值(异常度)。在本实施例中,在时间上连续的预定数量的异常度对应于表示异常度的时间变化趋势的“评估值趋势”。评估值趋势存储单元134以预定时间间隔更新评估值趋势。
返回图22,测量触发产生单元180从评估值趋势存储单元134读取在时间上连续的预定数量的异常度(评估值),然后基于读取的评估值趋势产生测量触发。如参照图16所说明的,当判定评估值趋势已经改变时,测量触发生成单元180生成测量触发。生成的测量触发被提供给振动波形数据输出单元170。
如参照图17所说明的,振动波形数据输出单元170从测量触发产生单元180接收测量触发,然后读取存储在振动波形数据存储单元132中的刚刚生成测量触发的时间点之前的特定时间内的轴承60的振动波形数据。振动波形数据输出单元170还从有效值计算单元120接收生成测量触发的时间点之后的轴承60的振动波形数据。振动波形数据输出单元170将这些振动波形数据一起输出到诊断单元150。
诊断单元150基于合并后的轴承60的振动波形数据诊断轴承60的异常。
如上所述,根据第八实施例的状态监视***,使用根据从振动波形数据提取的多个特征量生成的一个指标(异常度)作为表征在特定时间内的振动波形数据的评估值。因此,即使当多个特征量独自变化时,也可以掌握与通常不同的组合所发生的变化。利用这种配置,即使在不能定义要将哪个变化设定为测量触发的状态下,也可以记录振动波形数据。
此外,在正常运行期间变化的任何振动波形数据在OC-SVM进行的机器学习中都被识别为正常状态,从而防止错误地产生测量触发。然后,当异常度的时间变化趋势与正常时不同时产生测量触发,从而有大量数据的累积并且可靠且有效地测量发生异常时的振动波形数据。因此,可以准确地诊断异常。
在前述第五至第八实施例中,设定单个评估值来表征特定时间内的振动波形数据,并且使用这个评估值的时间变化趋势的变化作为触发来开始振动波形数据的测量。然而,触发也可以是多个评估值的时间变化趋势已经改变。
在前述第五至第八实施例中,数据处理器80对应于本发明中的“处理器”的一个实施例,存储单元130、评估值计算单元140和诊断单元150对应于本发明中的“存储单元”、“评估值计算单元”和“诊断单元”的一个实施例。
这里公开的实施方式应该在各方面被视为是说明性的而非限制性的。本发明的范围并不由前文的说明示出而是由权利要求示出,并且旨在包括与权利要求等同的含义和范围内的所有修改。
标号说明
10风力发电装置,20主轴,30叶片,40变速箱,50发电机,60轴承,70振动传感器,80数据处理装置,90机舱,100塔,110 LPF,112 BPF,120有效值计算单元,130存储单元,132振动波形数据存储部,134评估值趋势存储单元,136正常数据存储单元,140评估值计算单元,142学***均计算单元,164标准偏差计算单元,166阈值计算单元,168阈值存储单元,170振动波形数据输出单元,180测量触发生成单元。
Claims (15)
1.一种状态监视***,监视装置中的机械部件的状态,其特征在于,包括:
振动传感器,该振动传感器用于测量所述机械部件的振动波形;以及
处理器,该处理器用于诊断所述机械部件的异常,
所述处理装置包括:
评估值计算单元,该评估值计算单元在时间上连续地计算评估值,该评估值表征在特定时间内从所述振动传感器输出的振动波形数据的有效值;以及
诊断单元,该诊断单元基于所述评估值的时间变化的推移来诊断所述机械部件的异常,
所述评估值计算单元计算所述特定时间内的所述振动波形数据的有效值的最小值来作为所述评估值。
2.如权利要求1所述的状态监视***,其特征在于,
在所述评估值超过阈值时,所述诊断单元将所述机械部件诊断为异常,
所述处理器还包括设定单元,该设定单元设定所述阈值,
所述设定单元将所述阈值设定为小于所述机械部件在正常状态下的所述最小值的时间变化的推移并且大于所述机械部件在异常状态下的所述最小值的时间变化的推移的值。
3.如权利要求2所述的状态监视***,其特征在于,
在所述评估值的时间变化率超过阈值时,所述诊断单元将所述机械部件诊断为异常,
所述设定单元将所述阈值设定为大于所述机械部件在正常状态下的所述最小值的时间变化率并且小于所述机械部件在异常状态下的所述最小值的时间变化率的值。
4.如权利要求2所述的状态监视***,其特征在于,
在所述评估值超过第一阈值,且所述评估值的时间变化率超过第二阈值时,所述诊断单元将所述机械部件诊断为异常,
所述设定单元将所述第一阈值设定为小于所述机械部件在正常状态下的所述最小值的时间的推移并且大于所述机械部件在异常状态下的所述最小值的时间变化的推移的值,
所述设定单元进一步将所述第二阈值设定为大于所述机械部件在正常状态下的所述最小值的时间变化率并且小于所述机械部件在异常状态下的所述最小值的时间变化率的值。
5.一种状态监视***,监视装置中的机械部件的状态,其特征在于,包括:
振动传感器,该振动传感器用于测量所述机械部件的振动波形;以及处理器,该处理器用于诊断所述机械部件的异常,
所述处理装置包括:
诊断单元,该诊断单元通过将从所述振动传感器输出的振动波形数据的有效值与阈值进行比较来诊断所述机械部件的异常;以及
设定单元,该设定单元设定所述阈值;
所述设定单元包括:
第一计算单元,该第一计算单元计算从所述振动传感器输出的n个所述振动波形数据的有效值的移动平均值,其中n是等于或大于2的整数;
第二计算单元,该第二计算单元计算所述n个振动波形数据的有效值的标准偏差;以及
第三计算单元,该第三计算单元基于由所述第一计算单元计算出的所述移动平均值和由所述第二计算单元计算出的所述标准偏差来计算所述阈值。
6.如权利要求5所述的状态监视***,其特征在于,
所述第三计算单元通过对所述移动平均值加上将所述标准偏差乘以预定系数后得到的值来计算所述阈值。
7.如权利要求5或6所述的状态监视***,其特征在于,
所述设定单元还包含存储部,该存储部存储由所述第三计算单元计算出的所述阈值,
所述诊断单元从所述存储单元读取所述阈值,该阈值基于与从所述振动传感器输出的所述振动波形数据的有效值相同的运行条件下的过去的所述振动波形数据的有效值而计算出,
所述诊断单元将从所述存储单元读取的所述阈值与从所述振动传感器输出的所述振动波形数据的有效值进行比较,以诊断所述机械部件的异常。
8.一种状态监视***,监视装置中的机械部件的状态,其特征在于,包括:
振动传感器,该振动传感器用于测量所述机械部件的振动波形;以及处理器,该处理器用于诊断所述机械部件的异常,
所述处理装置包括:
评估值计算单元,该评估值计算单元在时间上连续地计算评估值,该评估值表征在特定时间内从所述振动传感器输出的振动波形数据;以及
诊断单元,该诊断单元通过使用由所述评估值计算单元计算出的所述评估值的时间变化趋势发生了变化作为触发,来开始测量所述振动波形数据,从而使用所述振动波形数据来诊断所述机械部件的异常。
9.如权利要求8所述的状态监视***,其特征在于,
所述处理器还包含存储单元,该存储单元用于存储在所述特定时间内的所述振动波形数据,
所述诊断单元从所述存储单元获取刚刚在所述评估值的时间变化趋势改变的时间点之前的所述特定时间内的振动波形数据。
10.如权利要求8或9所述的状态监视***,其特征在于,
所述诊断单元检测出所述评估值的时间变化率等于或大于阈值,并开始测量所述振动波形数据。
11.如权利要求8或9所述的状态监视***,其特征在于,
所述诊断单元检测到所述评估值的时间变化率等于或大于第一阈值,且所述评估值的大小等于或大于第二阈值,则开始测量所述振动波形数据。
12.如权利要求8至11中任一项所述的状态监视***,其特征在于,
所述评估值计算单元通过对所述特定时间内的所述振动波形数据进行统计处理来计算所述评估值。
13.如权利要求8至11中任一项所述的状态监视***,其特征在于,
所述评估值计算单元将所述特定时间内的所述振动波形数据分成多个片段数据,并对每个片段数据生成包括多个特征量的特征量向量,
使用所述装置正常时对所述振动波形数据生成的所述特征量向量,设定区分正常与异常的分类边界,
对于为所述特定时间内的所述振动波形数据生成的多个所述特征量向量中的每一个,计算其到所述分类边界的距离即异常度,
并统计处理多个所述异常程度以产生所述评估值。
14.如权利要求9所述的状态监视***,其特征在于,
所述存储单元以预定的时间间隔存储由所述振动传感器所提供的所述振动波形数据,并且擦除所存储的所述特定时间内的所述振动波形数据中最旧的所述振动波形数据。
15.一种风力发电装置,其特征在于,
包括权利要求1至14中任一项所述的状态监视***。
Applications Claiming Priority (11)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016-053679 | 2016-03-17 | ||
JP2016053679A JP6639288B2 (ja) | 2016-03-17 | 2016-03-17 | 状態監視システムおよび風力発電装置 |
JP2016053691 | 2016-03-17 | ||
JP2016-053691 | 2016-03-17 | ||
JP2016-058250 | 2016-03-23 | ||
JP2016058250 | 2016-03-23 | ||
JP2017049838A JP6824076B2 (ja) | 2016-03-23 | 2017-03-15 | 状態監視システムおよび風力発電装置 |
JP2017-049838 | 2017-03-15 | ||
JP2017049833A JP6820771B2 (ja) | 2016-03-17 | 2017-03-15 | 状態監視システムおよび風力発電装置 |
JP2017-049833 | 2017-03-15 | ||
PCT/JP2017/010659 WO2017159784A1 (ja) | 2016-03-17 | 2017-03-16 | 状態監視システムおよび風力発電装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108780025A true CN108780025A (zh) | 2018-11-09 |
CN108780025B CN108780025B (zh) | 2021-07-23 |
Family
ID=64033963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780018017.1A Active CN108780025B (zh) | 2016-03-17 | 2017-03-16 | 状态监视***和风力发电装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11460005B2 (zh) |
EP (1) | EP3431952B1 (zh) |
CN (1) | CN108780025B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112240829A (zh) * | 2019-07-01 | 2021-01-19 | 斯凯孚公司 | 用于检测转动设备的缺陷的装置 |
CN112304417A (zh) * | 2019-07-29 | 2021-02-02 | 计算***有限公司 | 振动波形的直流干扰的去除 |
CN113227577A (zh) * | 2018-12-27 | 2021-08-06 | 三菱电机株式会社 | 异常诊断装置及异常诊断方法 |
CN113661458A (zh) * | 2019-04-01 | 2021-11-16 | Ntn株式会社 | 状态监测***及具备该状态监测***的风力发电*** |
CN113777488A (zh) * | 2021-09-14 | 2021-12-10 | 中国南方电网有限责任公司超高压输电公司昆明局 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
CN113795735A (zh) * | 2019-05-31 | 2021-12-14 | Abb瑞士股份有限公司 | 用于监测旋转装置的方法以及状态监测设备 |
CN114658611A (zh) * | 2020-12-23 | 2022-06-24 | 新疆金风科技股份有限公司 | 风力发电机的主轴承异常检测方法和主轴承异常检测装置 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111819042B (zh) * | 2018-02-28 | 2023-06-13 | 日产自动车株式会社 | 异常检测装置及异常检测方法 |
US11435260B2 (en) * | 2018-10-16 | 2022-09-06 | Computational Systems, Inc. | Graphical display of discontinuous waveform data |
US11939955B2 (en) * | 2019-03-28 | 2024-03-26 | Ntn Corporation | Condition monitoring system |
EP3751135A1 (en) * | 2019-06-14 | 2020-12-16 | Siemens Gamesa Renewable Energy A/S | Wind turbine replacement schedule |
DE102019209606A1 (de) | 2019-07-01 | 2021-01-07 | Aktiebolaget Skf | Vorrichtung zum Detektieren eines Defekts einer rotierenden Anordnung |
US11460006B2 (en) * | 2019-07-31 | 2022-10-04 | General Electric Company | Systems and methods for detecting damage in rotary machines |
US11243860B2 (en) * | 2019-10-01 | 2022-02-08 | Computational Systems, Inc. | Trend plot with multiple acquisitions |
EP3828407A1 (en) * | 2019-11-28 | 2021-06-02 | Siemens Gamesa Renewable Energy A/S | Wind turbine and method |
JP7262380B2 (ja) | 2019-12-20 | 2023-04-21 | 住友重機械工業株式会社 | 診断装置 |
JP7379241B2 (ja) * | 2020-03-25 | 2023-11-14 | 三菱重工業株式会社 | 回転機の診断監視装置及び方法 |
US11708815B2 (en) | 2021-02-08 | 2023-07-25 | General Electronic Company | System and method for controlling a wind turbine |
US11774324B2 (en) | 2021-03-12 | 2023-10-03 | General Electric Renovables Espana, S.L. | System and method for detecting actual slip in a coupling of a rotary shaft |
US11913429B2 (en) | 2021-04-29 | 2024-02-27 | General Electric Renovables Espana, S.L. | System and method for slip detection and surface health monitoring in a slip coupling of a rotary shaft |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102713554A (zh) * | 2010-01-04 | 2012-10-03 | Ntn株式会社 | 滚动轴承的异常诊断装置、风力发电装置及异常诊断*** |
WO2014161590A1 (en) * | 2013-04-05 | 2014-10-09 | Aktiebolaget Skf | Method for processing data obtained from a condition monitoring system |
CN104160145A (zh) * | 2012-03-08 | 2014-11-19 | Ntn株式会社 | 状态监视*** |
US20150247783A1 (en) * | 2014-03-03 | 2015-09-03 | Sintokogio, Ltd. | Remote assistant system and method therefor |
CN105067262A (zh) * | 2015-08-04 | 2015-11-18 | 潍坊学院 | 一种滚动轴承状态监测方法 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07159469A (ja) | 1993-12-06 | 1995-06-23 | Mitsubishi Heavy Ind Ltd | 機器内部状態の計測・記録・再生評価装置 |
JPH08110262A (ja) | 1994-10-12 | 1996-04-30 | Toshiba Corp | オンライン回転体診断装置 |
JP2000099484A (ja) | 1998-09-22 | 2000-04-07 | Yokogawa Engineering Service Corp | 診断システム |
US6370957B1 (en) | 1999-12-31 | 2002-04-16 | Square D Company | Vibration analysis for predictive maintenance of rotating machines |
DE60136773D1 (de) * | 2000-06-16 | 2009-01-15 | Ntn Toyo Bearing Co Ltd | Überwachungs-, Diagnose- und Verkaufssystem für Maschinenkomponenten |
JP2002022617A (ja) | 2000-07-05 | 2002-01-23 | Mitsubishi Electric Corp | 軸受診断装置 |
JP2003050157A (ja) | 2001-08-07 | 2003-02-21 | Mitsubishi Electric Corp | 軸受診断装置 |
WO2006043511A1 (ja) * | 2004-10-18 | 2006-04-27 | Nsk Ltd. | 機械設備の異常診断システム |
EP1705468A2 (en) * | 2005-03-15 | 2006-09-27 | Omron Corporation | Abnormality detection device and method having a judgment model |
US7558701B2 (en) * | 2005-11-23 | 2009-07-07 | Lockheed Martin Corporation | System to monitor the health of a structure, sensor nodes, program product, and related methods |
JP4774958B2 (ja) * | 2005-12-01 | 2011-09-21 | 株式会社アドヴィックス | 車両の運動制御装置の異常判定装置 |
DE102005060720A1 (de) * | 2005-12-19 | 2007-06-28 | Siemens Ag | Überwachungssystem, insbesondere Schwingungsüberwachungssystem und Verfahren zum Betrieb eines solchen Systems |
JP2008087093A (ja) * | 2006-09-29 | 2008-04-17 | Matsushita Electric Works Ltd | 工作機械の異常検出装置 |
JP5146008B2 (ja) | 2007-06-11 | 2013-02-20 | 日本精工株式会社 | 異常診断装置、及び異常診断方法 |
GB0806666D0 (en) * | 2008-04-11 | 2008-05-14 | Bond Philip C | Windfarm radar clutter mitigation |
JP5308852B2 (ja) | 2009-02-03 | 2013-10-09 | オークマ株式会社 | 転がり軸受の潤滑状態判定方法および装置 |
US9004753B1 (en) * | 2010-10-01 | 2015-04-14 | Kurion, Inc. | Infrared detection of defects in wind turbine blades |
JP6196093B2 (ja) * | 2012-12-25 | 2017-09-13 | Ntn株式会社 | 軸受装置の振動解析方法、軸受装置の振動解析装置、および転がり軸受の状態監視装置 |
JP6377464B2 (ja) * | 2013-09-04 | 2018-08-22 | Ntn株式会社 | 風力発電装置の状態監視装置 |
DE112014005404T5 (de) * | 2013-11-26 | 2016-08-11 | Tokuyama Corporation | Zustandsüberwachungssystem einer Bewegungsvorrichtung |
DK2998812T3 (da) * | 2014-09-19 | 2021-10-04 | Laborelec Cvba | Målebehandlingssystem til tilstandsovervågning af en vindturbine |
JP2017026421A (ja) | 2015-07-21 | 2017-02-02 | 日本精工株式会社 | 軸受異常診断装置 |
-
2017
- 2017-03-16 US US16/085,878 patent/US11460005B2/en active Active
- 2017-03-16 CN CN201780018017.1A patent/CN108780025B/zh active Active
- 2017-03-16 EP EP17766780.5A patent/EP3431952B1/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102713554A (zh) * | 2010-01-04 | 2012-10-03 | Ntn株式会社 | 滚动轴承的异常诊断装置、风力发电装置及异常诊断*** |
CN104160145A (zh) * | 2012-03-08 | 2014-11-19 | Ntn株式会社 | 状态监视*** |
WO2014161590A1 (en) * | 2013-04-05 | 2014-10-09 | Aktiebolaget Skf | Method for processing data obtained from a condition monitoring system |
US20150247783A1 (en) * | 2014-03-03 | 2015-09-03 | Sintokogio, Ltd. | Remote assistant system and method therefor |
CN105067262A (zh) * | 2015-08-04 | 2015-11-18 | 潍坊学院 | 一种滚动轴承状态监测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113227577A (zh) * | 2018-12-27 | 2021-08-06 | 三菱电机株式会社 | 异常诊断装置及异常诊断方法 |
CN113661458A (zh) * | 2019-04-01 | 2021-11-16 | Ntn株式会社 | 状态监测***及具备该状态监测***的风力发电*** |
CN113795735A (zh) * | 2019-05-31 | 2021-12-14 | Abb瑞士股份有限公司 | 用于监测旋转装置的方法以及状态监测设备 |
CN112240829A (zh) * | 2019-07-01 | 2021-01-19 | 斯凯孚公司 | 用于检测转动设备的缺陷的装置 |
CN112304417A (zh) * | 2019-07-29 | 2021-02-02 | 计算***有限公司 | 振动波形的直流干扰的去除 |
CN114658611A (zh) * | 2020-12-23 | 2022-06-24 | 新疆金风科技股份有限公司 | 风力发电机的主轴承异常检测方法和主轴承异常检测装置 |
CN113777488A (zh) * | 2021-09-14 | 2021-12-10 | 中国南方电网有限责任公司超高压输电公司昆明局 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
CN113777488B (zh) * | 2021-09-14 | 2023-12-12 | 中国南方电网有限责任公司超高压输电公司昆明局 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
EP3431952A4 (en) | 2020-02-12 |
CN108780025B (zh) | 2021-07-23 |
EP3431952B1 (en) | 2023-05-03 |
EP3431952A1 (en) | 2019-01-23 |
US11460005B2 (en) | 2022-10-04 |
US20190101103A1 (en) | 2019-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108780025A (zh) | 状态监视***和风力发电装置 | |
WO2017159784A1 (ja) | 状態監視システムおよび風力発電装置 | |
JP6820771B2 (ja) | 状態監視システムおよび風力発電装置 | |
CN107167318A (zh) | 一种轴承智能快捷故障诊断仪及诊断方法 | |
US9791856B2 (en) | Fault frequency set detection system and method | |
EP2746885A1 (en) | Method of monitoring the condition of a wind turbine | |
CN104380063B (zh) | 异常音检测*** | |
JP5740208B2 (ja) | 軸受診断方法及びシステム | |
JP2008014679A (ja) | 設備診断方法、設備診断システム及びコンピュータプログラム | |
WO2018142986A1 (ja) | 状態監視システムおよび風力発電装置 | |
JP2005345154A (ja) | 異常予兆検出方法および装置 | |
US7249287B2 (en) | Methods and apparatus for providing alarm notification | |
CN104748992A (zh) | 用于监测和评估旋转的机器的状态的装置和方法 | |
JP3630041B2 (ja) | ウェーブレット変換によるプラント機器監視装置 | |
CN103604605A (zh) | 一种基于超声信息的便携式旋转轴承故障诊断装置 | |
CN115656700A (zh) | 检测方法、训练方法、电器、监控***和存储介质 | |
DK181393B1 (en) | Establishing health indicator of a rotating component | |
Koukoura et al. | Wind turbine gearbox vibration signal signature and fault development through time | |
KR102105297B1 (ko) | 상태 진단 장치, 상태 진단 방법, 및 상태 진단 프로그램 | |
JP2018120406A (ja) | 状態監視方法および状態監視装置 | |
JP7521461B2 (ja) | 設備の異常診断装置及び異常診断方法 | |
CN112485000B (zh) | 基于振动趋势信息的机器故障预测 | |
CN115758241A (zh) | 一种故障危害程度诊断方法、装置和设备 | |
Mittal et al. | Innovative Strategies for Wind Turbine Reliability: Leveraging Vibration Data for Early Prognosis | |
JP2023092125A (ja) | 外乱検出装置、外乱検出方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |