CN109973325A - 识别异常振动的方法和设备 - Google Patents

识别异常振动的方法和设备 Download PDF

Info

Publication number
CN109973325A
CN109973325A CN201711384895.3A CN201711384895A CN109973325A CN 109973325 A CN109973325 A CN 109973325A CN 201711384895 A CN201711384895 A CN 201711384895A CN 109973325 A CN109973325 A CN 109973325A
Authority
CN
China
Prior art keywords
frequency
predetermined component
rotary speed
speed data
vibration
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
Application number
CN201711384895.3A
Other languages
English (en)
Other versions
CN109973325B (zh
Inventor
张凯
周杰
魏浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
Original Assignee
Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
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 Beijing Goldwind Science and Creation Windpower Equipment Co Ltd filed Critical Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
Priority to CN201711384895.3A priority Critical patent/CN109973325B/zh
Publication of CN109973325A publication Critical patent/CN109973325A/zh
Application granted granted Critical
Publication of CN109973325B publication Critical patent/CN109973325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—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
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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)
  • Chemical & Material Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Wind Motors (AREA)

Abstract

提供一种识别异常振动的方法和设备，所述方法包括：获取风力发电机组的预定部件在多个时间段内的运行数据，运行数据包括所述预定部件的振动加速度数据和与所述预定部件相关的转速数据；对所述预定部件在所述多个时间段内的振动加速度数据分别进行频域转换，以获得分别对应的多个加速度频谱；确定每个加速度频谱中用于异常振动分析的频率值；基于确定的每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与所述预定部件相关的转速数据确定所述预定部件是否存在异常振动。采用本发明示例性实施例的识别异常振动的方法和设备，能够及时准确的定位风力发电机组中存在异常振动的预定部件，为有效的评估该预定部件的振动状态提供了有力的支撑。

Description

识别异常振动的方法和设备
技术领域
本发明涉及风力发电技术领域，更具体地讲，涉及一种识别异常振动的方法和设备。
背景技术
风力发电机组一般设置于偏远的风电场，风力发电机组中的主要部件运行的可靠性、稳定性至关重要。为使设备能够安全、稳定、长周期、满负荷运行，需及时了解设备的运行状态、预防故障、杜绝事故、延长设备运行周期、缩短维修时间、最大发掘设备生产潜力以及及时防患，对风力发电机组中的主要部件安全、稳定、不定周期、不断变化载荷的运行工况及时的把控。
在长期运行中，由于风电场的特殊地理位置、运行环境，加之问题的隐蔽性，现场工作人员难以及时的发现风力发电机组中的主要部件在发电过程中出现的安全隐患(如不明显的异常振动)。其中，风力发电机的基波频率及其倍频振动是常见的振动形式，会对风力发电机乃至整个风力发电机组带来不同程度的损伤，严重时将导致风力发电机失效。
现有的基波频率识别方法一般算法较为复杂，需要大量的计算和信号分析，用于大批量数据识别时效率较低。
发明内容
本发明的示例性实施例的目的在于提供一种识别异常振动的方法和设备，以解决现有技术中无法及时发现风力发电机组中的主要部件存在异常振动、对异常振动识别效率低的技术问题。
根据本发明示例性实施例的一方面，提供一种识别异常振动的方法，所述方法包括：获取风力发电机组的预定部件在多个时间段内的运行数据，所述运行数据包括所述预定部件的振动加速度数据和与所述预定部件相关的转速数据；对所述预定部件在所述多个时间段内的振动加速度数据分别进行频域转换，以获得分别对应的多个加速度频谱；确定每个加速度频谱中用于异常振动分析的频率值；基于确定的每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与所述预定部件相关的转速数据确定所述预定部件是否存在异常振动。
可选地，异常振动的类型可包括所述预定部件的基频振动异常和所述预定部件的倍频振动异常。
可选地，所述确定每个加速度频谱中用于异常振动分析的频率值的步骤可包括：查找该加速度频谱中频率幅度值大于频率幅度阈值的频率点；将与查找到的频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。
可选地，所述确定每个加速度频谱中用于异常振动分析的频率值的步骤可包括：确定该加速度频谱中与预设关注频率点对应的频率幅度值是否大于频率幅度阈值；如果与所述预设关注频率点对应的频率幅度值大于频率幅度阈值，则将与所述预设关注频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。
可选地，所述预设关注频率点可为将加速度频谱中包含的所有频率点按照频率幅度值的大小降序排列，预定数量之前的频率点。
可选地，所述基于确定的每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与所述预定部件相关的转速数据确定所述预定部件是否存在异常振动的步骤可包括：确定所述频率值与所述转速数据之间是否满足预定线性分布规律；当所述频率值与所述转速数据之间满足所述预定线性分布规律时，确定所述预定部件存在异常振动。
可选地，所述确定所述频率值与所述转速数据之间是否满足预定线性分布规律的步骤可包括：基于所述频率值和所述转速数据绘制转速-频率散点图，其中，所述转速-频率散点图中的一个散点可对应一个时间段的转速数据以及与该时间段对应的加速度频谱中用于异常振动分析的一个频率值；选取处于预定频率线性模型的预设范围内的散点；基于选取的散点确定所述频率值与所述转速数据之间是否满足所述预定频率线性模型的预定线性分布规律。
可选地，所述基于选取的散点确定所述频率值与所述转速数据之间是否满足所述预定频率线性模型的预定线性分布规律的步骤可包括：对与选取的散点对应的所述频率值与所述转速数据进行线性回归，获得线性回归的模型参数；计算所述模型参数与所述预定部件的指定参数的差值；当所述差值不大于第一设定值时，确定与选取的散点对应的所述频率值与所述转速数据之间满足所述预定频率线性模型的预定线性分布规律。
可选地，所述基于选取的散点确定所述频率值与所述转速数据之间是否满足所述预定频率线性模型的预定线性分布规律的步骤可包括：建立目标函数，所述目标函数指示每个散点至所述预定频率线性模型的距离；通过将与选取的散点对应的所述频率值与所述转速数据代入目标函数，获得所述目标函数的值；当所述目标函数的值不大于设定值时，确定与选取的散点对应的所述频率值与所述转速数据之间满足所述预定频率线性模型的预定线性分布规律。
可选地，所述确定所述频率值与所述转速数据之间是否满足预定线性分布规律的步骤可包括：基于所述转速数据计算每个时间段的反映数据特征的转速统计值；确定所述频率值与所述转速统计值之间是否满足预定线性分布规律。
可选地，所述每个时间段的反映数据特征的转速统计值可包括以下项中的任一项：该时间段内与所述预定部件相关的转速数据的平均值、该时间段内与所述预定部件相关的转速数据的中位值、该时间段内与所述预定部件相关的转速数据的有效值。
可选地，所述对所述预定部件在所述多个时间段内的振动加速度数据进行频域转换，以获得对应的多个加速度频谱的步骤可包括：确定每个时间段内与所述预定部件相关的转速数据是否处于设定转速范围内；如果任一时间段内与所述预定部件相关的转速数据处于设定转速范围内，则对所述预定部件在所述任一时间段内的振动加速度数据进行频域转换，以获得对应的一个加速度频谱。
可选地，所述确定每个时间段内与所述预定部件相关的转速数据是否处于设定转速范围内的步骤可包括：计算每个时间段内与所述预定部件相关的转速数据的标准差或稳态误差；如果针对任一时间段计算的标准差或稳态误差处于设定阈值范围内，则确定所述任一时间段内与所述预定部件相关的转速数据处于设定转速范围内；如果针对任一时间段计算的标准差或稳态误差不处于设定阈值范围内，则确定所述任一时间段内与所述预定部件相关的转速数据不处于设定转速范围内。
可选地，所述预定部件可包括以下项中的任一项：风力发电机、发电机齿槽、齿轮箱、滚动轴承，其中，当所述预定部件为风力发电机时，所述预定部件的振动加速度数据可为风力发电机机舱的振动加速度数据，与所述预定部件相关的转速数据可为风力发电机的转速数据，异常振动的类型可包括风力发电机的基波频率振动异常和基波频率的倍频振动异常；当所述预定部件为发电机齿槽时，所述预定部件的振动加速度数据可为风力发电机机舱的振动加速度数据，与所述预定部件相关的转速数据可为风力发电机的转速数据，异常振动的类型可包括发电机齿槽频率振动异常和发电机齿槽频率的倍频振动异常；当所述预定部件为齿轮箱时，所述预定部件的振动加速度数据可为齿轮箱中的动力齿轮或从动齿轮的振动加速度数据，与所述预定部件相关的转速数据可为动力齿轮或从动齿轮所在轴的转速数据，异常振动的类型可包括动力齿轮啮合频率和动力齿轮啮合频率的倍频振动异常，或者从动齿轮啮合频率和从动齿轮啮合频率的倍频振动异常；当所述预定部件为滚动轴承时，所述预定部件的振动加速度数据可为滚动轴承的轴承座的振动加速度数据，与所述预定部件相关的转速数据可为滚动轴承的转速数据，异常振动的类型可包括滚动轴承故障特征频率振动异常和滚动轴承故障特征频率的倍频振动异常。
根据本发明示例性实施例的另一方面，提供一种识别异常振动的设备，所述设备包括：运行数据获取模块，用于获取风力发电机组的预定部件在多个时间段内的运行数据，所述运行数据包括所述预定部件的振动加速度数据和与所述预定部件相关的转速数据；时频转换模块，用于对所述预定部件在所述多个时间段内的振动加速度数据分别进行频域转换，以获得分别对应的多个加速度频谱；频率值确定模块，用于确定每个加速度频谱中用于异常振动分析的频率值；异常振动分析模块，用于基于确定的每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与所述预定部件相关的转速数据确定所述预定部件是否存在异常振动。
可选地，异常振动的类型可包括所述预定部件的基频振动异常和所述预定部件的倍频振动异常。
可选地，所述频率值确定模块可用于查找该加速度频谱中频率幅度值大于频率幅度阈值的频率点，将与查找到的频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。
可选地，所述频率值确定模块可用于确定该加速度频谱中与预设关注频率点对应的频率幅度值是否大于频率幅度阈值，如果与所述预设关注频率点对应的频率幅度值大于频率幅度阈值，则频率值确定模块将与所述预设关注频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。
可选地，所述预设关注频率点可为将加速度频谱中包含的所有频率点按照频率幅度值的大小降序排列，预定数量之前的频率点。
可选地，所述异常振动分析模块可用于确定所述频率值与所述转速数据之间是否满足预定线性分布规律，当所述频率值与所述转速数据之间满足所述预定线性分布规律时，确定所述预定部件存在异常振动。
可选地，所述异常振动分析模块可包括：散点图绘制模块，用于基于所述频率值和所述转速数据绘制转速-频率散点图，其中，所述转速-频率散点图中的一个散点可对应一个时间段的转速数据以及与该时间段对应的加速度频谱中用于异常振动分析的一个频率值；散点筛选模块，用于选取处于预定频率线性模型的预设范围内的散点；线性分布确定模块，用于基于选取的散点确定所述频率值与所述转速数据之间是否满足所述预定频率线性模型的预定线性分布规律。
可选地，所述线性分布确定模块，可用于对与选取的散点对应的所述频率值与所述转速数据进行线性回归，获得线性回归的模型参数，计算所述模型参数与所述预定部件的指定参数的差值，当所述差值不大于第一设定值时，确定与选取的散点对应的所述频率值与所述转速数据之间满足所述预定频率线性模型的预定线性分布规律。
可选地，所述线性分布确定模块可包括：目标函数建立子模块，用于建立目标函数，所述目标函数指示每个散点至所述预定频率线性模型的距离的均方根值；目标函数值计算子模块，用于通过将与选取的散点对应的所述频率值与所述转速数据代入目标函数，获得所述目标函数的值；分布规律确定子模块，用于当所述目标函数的值不大于设定值时，确定与选取的散点对应的所述频率值与所述转速数据之间满足所述预定频率线性模型的预定线性分布规律。
可选地，所述异常振动分析模块，可用于基于所述转速数据计算每个时间段的反映数据特征的转速统计值，确定所述频率值与所述转速统计值之间是否满足预定线性分布规律。
可选地，每个时间段的反映数据特征的转速统计值可包括以下项中的任一项：该时间段内与所述预定部件相关的转速数据的平均值、该时间段内与所述预定部件相关的转速数据的中位值、该时间段内与所述预定部件相关的转速数据的有效值。
可选地，所述时频转换模块，可用于确定每个时间段内与所述预定部件相关的转速数据是否处于设定转速范围内，如果任一时间段内与所述预定部件相关的转速数据处于设定转速范围内，则对所述预定部件在所述任一时间段内的振动加速度数据进行频域转换，以获得对应的一个加速度频谱。
可选地，用于时频转换模块，可用于计算每个时间段内与所述预定部件相关的转速数据的标准差或稳态误差，如果针对任一时间段计算的标准差或稳态误差处于设定阈值范围内，则可确定所述任一时间段内与所述预定部件相关的转速数据处于设定转速范围内，如果针对任一时间段计算的标准差或稳态误差不处于设定阈值范围内，则可确定所述任一时间段内与所述预定部件相关的转速数据不处于设定转速范围内。
可选地，所述预定部件可包括以下项中的任一项：风力发电机、发电机齿槽、齿轮箱、滚动轴承，其中，当所述预定部件为风力发电机时，所述预定部件的振动加速度数据可为风力发电机机舱的振动加速度数据，与所述预定部件相关的转速数据可为风力发电机的转速数据，异常振动的类型可包括风力发电机的基波频率振动异常和基波频率的倍频振动异常；当所述预定部件为发电机齿槽时，所述预定部件的振动加速度数据可为风力发电机机舱的振动加速度数据，与所述预定部件相关的转速数据可为风力发电机的转速数据，异常振动的类型可包括发电机齿槽频率振动异常和发电机齿槽频率的倍频振动异常；当所述预定部件为齿轮箱时，所述预定部件的振动加速度数据可为齿轮箱中的动力齿轮或从动齿轮的振动加速度数据，与所述预定部件相关的转速数据可为动力齿轮或从动齿轮所在轴的转速数据，异常振动的类型可包括动力齿轮啮合频率和动力齿轮啮合频率的倍频振动异常，或者从动齿轮啮合频率和从动齿轮啮合频率的倍频振动异常；当所述预定部件为滚动轴承时，所述预定部件的振动加速度数据可为滚动轴承的轴承座的振动加速度数据，与所述预定部件相关的转速数据可为滚动轴承的转速数据，异常振动的类型可包括滚动轴承故障特征频率振动异常和滚动轴承故障特征频率的倍频振动异常。
根据本发明示例性实施例的再一方面，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现上述的识别异常振动的方法。
根据本发明示例性实施例的再一方面，提供一种计算装置，所述计算装置包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现上述的识别异常振动的方法。
采用本发明示例性实施例的识别异常振动的方法和设备，能够及时准确的定位风力发电机组中存在异常振动的预定部件，为有效的评估该预定部件的振动状态提供了有力的支撑。
附图说明
通过下面结合示例性地示出实施例的附图进行的详细描述，本发明示例性实施例的上述和其它目的、特点和优点将会变得更加清楚。
图1示出根据本发明示例性实施例的识别异常振动的方法的流程图；
图2示出根据本发明示例性实施例的确定散点是否满足预定线性分布规律的步骤的流程图；
图3A至图3D分别示出根据本发明示例性实施例的转速-频率散点图的示例图；
图4示出根据本发明示例性实施例的基于预定频率线性模型来确定散点是否满足预定线性分布规律的步骤的流程图；
图5示出根据本发明示例性实施例的基于目标函数来确定散点是否满足预定线性分布规律的步骤的流程图；
图6示出根据本发明示例性实施例的识别异常振动的设备的结构图；
图7示出根据本发明示例性实施例的异常振动分析模块的结构图；
图8示出根据本发明示例性实施例的线性分布确定模块的结构图。
具体实施方式
现在，将参照附图更充分地描述不同的示例实施例，一些示例性实施例在附图中示出。
图1示出根据本发明示例性实施例的识别异常振动的方法的流程图。
参照图1，在步骤S10中，获取风力发电机组的预定部件在多个时间段内的运行数据。这里，所述运行数据可包括预定部件的振动加速度数据和与预定部件相关的转速数据。
优选地，预定部件的振动加速度数据可包括第一预定方向的振动加速度数据和第二预定方向的振动加速度数据。作为示例，第一预定方向可指从风力发电机组的头部至尾部的方向，第二预定方向可指与风向垂直的方向(例如，现场工作人员站在下风向，面向机头，现场工作人员的左右方向可定义为第二预定方向)。
在本发明示例性实施例中，可通过对第一预定方向的振动加速度数据和第二预定方向的振动加速度数据分别进行处理，来判断预定部件在第一预定方向上是否存在异常振动，或者预定部件在第二预定方向上是否存在异常振动。
这里，异常振动的类型可包括预定部件的基频振动异常和预定部件的倍频振动异常。作为示例，所述预定部件可包括以下项中的任一项：风力发电机、发电机齿槽、齿轮箱、滚动轴承。
在第一实施例中，预定部件可为风力发电机组的风力发电机。在此情况下，预定部件的振动加速度数据可为风力发电机机舱的振动加速度数据，与预定部件相关的转速数据可为风力发电机的转速数据。相应地，异常振动的类型可包括风力发电机的基波频率振动异常和基波频率的倍频振动异常。
在第二实施例中，预定部件可为发电机齿槽(如发电机定子齿槽)。在此情况下，预定部件的振动加速度数据可为风力发电机机舱的振动加速度数据，与预定部件相关的转速数据可为风力发电机的转速数据。相应地，异常振动的类型可包括发电机齿槽频率振动异常和/或发电机齿槽频率的倍频振动异常。这里，由于发电机齿槽频率等于风力发电机的定子齿槽数×风力发电机转速/60，且风力发电机的定子齿槽数大于风力发电机的磁极对数，因此，发电机齿槽频率(或倍频)大于风力发电机的基波频率(或倍频)。也就是说，可通过分析每个加速度频谱中高频部分(与发电机齿槽频率和/或倍频对应的部分)的数据来确定风力发电机齿槽是否存在异常振动(是否存在发电机齿槽频率振动异常和/或发电机齿槽频率的倍频振动异常)，通过分析每个加速度频谱中低频部分(与风力发电机的基波频率和/或倍频对应的部分)的数据来确定风力发电机是否存在异常振动(是否存在风力发电机的基波频率振动异常和/或基波频率的倍频振动异常)。
在第三实施例中，预定部件可为齿轮箱，齿轮箱内包括动力齿轮和从动齿轮。在此情况下，预定部件的振动加速度数据可为齿轮箱中的动力齿轮的振动加速度数据或从动齿轮的振动加速度数据，与预定部件相关的转速数据可为动力齿轮所在轴的转速数据或从动齿轮所在轴的转速数据。相应地，异常振动的类型可包括动力齿轮啮合频率振动异常、动力齿轮啮合频率的倍频振动异常、从动齿轮啮合频率振动异常和/或从动齿轮啮合频率的倍频振动异常。这里，动力齿轮(或从动齿轮)的啮合频率等于动力齿轮的齿数(或从动齿轮的齿数)×动力齿轮(或从动齿轮)所在轴的转速/60。
在第四实施例中，预定部件可为滚动轴承，这里可指风力发电机组中的多个滚动轴承中的任一滚动轴承。在此情况下，预定部件的振动加速度数据可为滚动轴承的轴承座的振动加速度数据，与预定部件相关的转速数据可为滚动轴承的转速数据。
相应地，异常振动的类型可包括滚动轴承故障特征频率振动异常和/或滚动轴承故障特征频率的倍频振动异常。这里，应理解，滚动轴承可包括轴承内圈、外圈、滚动体、保持架，相应地，预定部件可指轴承内圈、外圈、滚动体或保持架。例如，以预定部件为滚动轴承的滚动体为例，此时可基于本发明示例性实施例的识别异常振动的方法来识别滚动体是否存在滚动体的故障特征频率异常振动或故障特征频率的倍频振动异常。这里，轴承内圈、外圈、滚动体、保持架分别对应各自的故障系数，通过故障系数与转频的乘积可获得故障特征频率。
在步骤S20中，对预定部件在多个时间段内的振动加速度数据分别进行频域转换，以获得分别对应的多个加速度频谱。
例如，可对预定部件在多个时间段中的任一时间段内的振动加速度数据进行频域转换来获得与所述任一时间段内的振动加速度数据对应的加速度频谱，即，一个时间段内的振动加速度数据对应一个加速度频谱。作为示例，可通过快速傅里叶变换对预定部件在多个时间段内的振动加速度数据进行频域转换，然而本发明不限于此，还可采用其他方式来进行频域转换。
优选地，可基于与预定部件相关的转速数据预先对获取的预定部件在多个时间段内的运行数据进行筛选，将筛选后的运行数据中的预定部件在多个时间段内的振动加速度数据分别进行频域转换。
例如，可确定每个时间段内与预定部件相关的转速数据是否处于设定转速范围内，如果任一时间段内与预定部件相关的转速数据处于设定转速范围内，则对预定部件在所述任一时间段内的振动加速度数据进行频域转换，以获得对应的一个加速度频谱。这里，由于风力发电机组中转速数据为时变量，预定部件的基频或者倍频与转速相关，在转速波动较大的情况下要完成基频或者倍频的异常振动识别存在较大难度。因此为了提高对基频或倍频的异常振动识别精度，可以限定转速数据的波动范围，即，使得用于进行异常振动识别的运行数据的转速波动较小。
作为示例，确定每个时间段内与预定部件相关的转速数据是否处于设定转速范围内的步骤可包括：计算每个时间段内与预定部件相关的转速数据的标准差或稳态误差，如果针对任一时间段计算的标准差或稳态误差处于设定阈值范围内，则确定所述任一时间段内与所述预定部件相关的转速数据处于设定转速范围内，如果针对任一时间段计算的标准差或稳态误差不处于设定阈值范围内，则确定所述任一时间段内与所述预定部件相关的转速数据不处于设定转速范围内。这里，设定阈值范围可根据本领域技术人员的经验进行设定，设定阈值范围设置的过宽会降低异常振动识别的精度，设定阈值范围设置的过窄会减少用于后续分析计算的转速数据的数据量，甚至可能导致不存在用于分析计算的转速数据，因此，针对该设定阈值范围的设置应即可将转速约束在一定范围之内，又可保证筛选后具备充足的用于后续分析计算的转速数据。
在步骤S30中，确定每个加速度频谱中用于异常振动分析的频率值。
这里，转换得到的每个加速度频谱的横坐标可为频率值，纵坐标可为频率幅度值，在本发明示例性实施例中可基于频率幅度值与频率幅度阈值的比较来选取用于异常振动分析的频率值。
一种情况，确定每个加速度频谱中用于异常振动分析的频率值的步骤可包括：查找该加速度频谱中频率幅度值大于频率幅度阈值的频率点，将与查找到的频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。此时，可从一个加速度频谱中确定一个或多个用于异常振动分析的频率值。
另一种情况，确定每个加速度频谱中用于异常振动分析的频率值的步骤可包括：确定该加速度频谱中与预设关注频率点对应的频率幅度值是否大于频率幅度阈值，如果与预设关注频率点对应的频率幅度值大于频率幅度阈值，则将与预设关注频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。上述确定方式仅针对预设关注频率点进行判断，相对于第一种确定用于异常振动分析的频率值的方式更为准确、且效率更高。
作为示例，预设关注频率点可为将加速度频谱中包含的所有频率点按照频率幅度值的大小降序排列，预定数量之前的频率点。例如，一般可认为加速度频谱中频率幅度值最大的频率点对应的频率值为预定部件的基频，频率幅度值第二大的频率点对应的频率值为预定部件的2倍频，以此类推。此时，针对预设关注频率点进行分析相当于是针对预定部件的基频及其倍频进行分析，可提高异常振动识别的准确性。
在步骤S40中，基于确定的每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与预定部件相关的转速数据确定预定部件是否存在异常振动。
具体说来，可确定每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与预定部件相关的转速数据之间是否满足预定线性分布规律，当所述频率值与所述转速数据之间满足预定线性分布规律时，确定预定部件存在异常振动。当所述频率值与所述转速数据之间不满足预定线性分布规律时，确定预定部件不存在异常振动。这里，预定线性分布规律可为用于体现预定部件的转速与频率之间的线性关系的分布规律。
优选地，确定每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与预定部件相关的转速数据之间是否满足预定线性分布规律的步骤可包括：基于每个时间段内与预定部件相关的转速数据计算每个时间段的反映数据特征的转速统计值，确定每个加速度频谱中用于异常振动分析的频率值与该转速统计值之间是否满足预定线性分布规律。
作为示例，每个时间段的反映数据特征的转速统计值可包括以下项中的任一项：该时间段内与所述预定部件相关的转速数据的平均值、该时间段内与所述预定部件相关的转速数据的中位值、该时间段内与所述预定部件相关的转速数据的有效值。作为示例，转速数据的有效值可指该时间段内与预定部件相关的转速数据的最大值与的比值。
下面参照图2以与预定部件相关的转速数据为转速统计值为例，介绍确定每个加速度频谱中用于异常振动分析的频率值与转速统计值之间是否满足预定线性分布规律的步骤。
图2示出根据本发明示例性实施例的确定散点是否满足预定线性分布规律的步骤的流程图。
在步骤S201中，基于每个加速度频谱中用于异常振动分析的频率值和每个时间段内的转速统计值绘制转速-频率散点图。这里，转速-频率散点图中的一个散点可对应一个时间段的转速统计值以及与该时间段对应的加速度频谱中用于异常振动分析的一个频率值。
在步骤S202中，选取处于预定频率线性模型的预设范围内的散点。
优选地，可对转速-频率散点图中包含的所有散点进行筛选，即选取处于预定频率线性模型的预设范围内的散点来进行后续的异常振动分析。这里，本领域技术人员可根据实际需要来定义预设范围的大小，利用处于预定频率线性模型的预设范围内的散点来进行异常振动分析可提高识别的准确性。
例如，预定频率线性模型可为用于针对预定部件进行异常振动分析的模型，也就是说，预定频率线性模型可为能够体现预定部件的转速与频率之间的线性关系的模型。以预定部件为风力发电机为例，此时预定频率线性模型可为用于反映风力发电机的基波频率/倍频与风力发电机的转速之间的线性关系的模型，例如，预定频率线性模型可表示为fn＝n×p×r/60，这里，fn为风力发电机的基波频率或基波频率的倍频，p为风力发电机磁极对数，r为风力发电机转速(转子转速)，n为大于等于1的整数。当n＝1时，f1表示风力发电机的基波频率，当n≥2时，fn表示风力发电机的基波频率的倍频。
针对风力发电机基波频率(即，n＝1)的情况，预设范围可指被散点边界或所包含的区域内。类似地，针对风力发电机基波频率的倍频(即，n≥2)的情况，预设范围可指被散点边界或所包含的区域内。
作为示例，可基于风力发电机组对应的并网转速范围、设定转速范围(或设定阈值范围)以及风力发电机磁极对数来确定上述散点边界中的参数b和参数k的取值范围。
在步骤S203中，基于选取的散点来确定每个加速度频谱中用于异常振动分析的频率值和每个时间段内的转速统计值之间是否满足预定频率线性模型的预定线性分布规律。也就是说，预定线性分布规律可通过频率线性模型被确定，当所述频率值与所述转速统计值之间满足预定频率线性模型的预定线性分布规律时，确定预定部件存在与预定频率线性模型对应的异常振动。
例如，当预定频率线性模型为用于反映风力发电机的基波频率与风力发电机的转速之间的线性关系的模型时，如果所述频率值与所述转速统计值之间满足该预定频率线性模型的预定线性分布规律，则确定风力发电机存在基波频率异常振动。当预定频率线性模型为用于反映风力发电机的基波频率的倍频与风力发电机的转速之间的线性关系的模型时，如果所述频率值与所述转速统计值之间满足该预定频率线性模型的预定线性分布规律，则确定风力发电机存在基波频率的倍频的异常振动。
应理解，图2所示的确定频率值与转速统计值之间是否满足预定线性分布规律的方式仅为示例，本领域技术人员来可采用其他方式来确定。
图3A至图3D分别示出根据本发明示例性实施例的转速-频率散点图的示例图。
图3A和图3B分别示出当预定部件为风力发电机，预定部件的振动加速度数据为第一预定方向和第二预定方向的振动加速度数据时的转速-频率散点图，横坐标为转速统计值(如平均转速)，纵坐标为频率值，曲线1表示风力发电机基波频率的预定频率线性模型，曲线2表示风力发电机基波频率的倍频(2倍频)的预定频率线性模型。以曲线1为例，当希望识别风力发电机是否存在基波频率的异常振动时，可选取曲线1周围的预定范围内的散点，通过线性回归参数估计或目标函数的确定方式来确定选取的散点是否符合预定频率线性模型的预定线性分布规律，如果选取的散点符合预定频率线性模型的预定线性分布规律，则表明风力发电机存在基波频率的异常振动。
图3C和图3D分别示出当预定部件为风力发电机，预定部件的振动加速度数据为第一预定方向或第二预定方向的振动加速度数据时的转速-频率散点图，横坐标为转速统计值(如平均转速)，纵坐标为频率值，曲线1表示风力发电机基波频率的预定频率线性模型，曲线2表示风力发电机基波频率的2倍频的预定频率线性模型，曲线3表示风力发电机基波频率的3倍频的预定频率线性模型。具体识别异常振动的方式与图3A和图3B所示的识别方式相同，本发明对此部分内容不再赘述。
优选地，可通过用于反映预定线性分布规律的预定频率线性模型或通过用于指示每个散点(由频率值和转速数据所形成的散点)至预定频率线性模型的距离的目标函数来确定每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与预定部件相关的转速数据之间是否满足预定线性分布规律。
下面结合图4来介绍基于预定频率线性模型来确定散点是否满足预定线性分布规律的步骤。
图4示出根据本发明示例性实施例的基于预定频率线性模型来确定散点是否满足预定线性分布规律的步骤的流程图。
如图4所示，在步骤S401中，对与选取的散点对应的所述频率值与所述转速数据进行线性回归，获得线性回归的模型参数。作为示例，可采用最小二乘法或最大似然法对与散点对应的频率值和转速数据进行线性回归，获得线性回归模型，进而确定出线性回归模型的模型参数。然而本发明不限于此，还可采用其他方式对散点进行线性回归分析。
在步骤S402中，计算模型参数与预定部件的指定参数的差值，并判断所述差值是否大于第一设定值。
作为示例，当预定部件为风力发电机时，该指定参数可为风力发电机的磁极对数，当预定部件为发电机齿槽时，该指定参数可为风力发电机的磁极对数，当预定部件为齿轮箱时，该指定参数可为动力齿轮的齿数或从动齿轮的齿数，当预定部件为滚动轴承时，该指定参数可为滚动轴承的故障系数(如，滚动轴承的内圈、外圈、滚动体、保持架之一所对应的故障系数)。
例如，以预定部件为风力发电机为例，对与选取的散点对应的频率值与转速数据进行线性回归，以获得模型参数再将模型参数与风力发电机的磁极对数p作差。
如果模型参数与预定部件的指定参数的差值不大于第一设定值，则执行步骤S403：确定与选取的散点对应的所述频率值与所述转速数据之间满足预定频率线性模型的预定线性分布规律。
如果模型参数与预定部件的指定参数的差值大于第一设定值，则执行步骤S404：确定与选取的散点对应的所述频率值与所述转速数据之间不满足所述预定频率线性模型的预定线性分布规律。
下面结合图5来介绍基于目标函数来确定散点是否满足预定线性分布规律的步骤。
图5示出根据本发明示例性实施例的基于目标函数来确定散点是否满足预定线性分布规律的步骤的流程图。
如图5所示，在步骤S501中，建立目标函数。这里，目标函数可指示每个散点至预定频率线性模型的距离。优选地，目标函数可指示每个散点至预定频率线性模型的距离的均方根值。
例如，目标函数可通过如下公式表示：
公式(1)中，y表示目标函数，N为散点的数量，fi′为第i个散点在转速-频率散点图中的纵坐标值，ri′为与fi′对应的转速-频率散点图中的横坐标值，即，第i个散点对应的转速统计值。
在步骤S502中，通过将与选取的散点对应的频率值与转速数据代入目标函数，获得目标函数的值。例如，可通过上述公式(1)来计算目标函数y的值。
在步骤S503中，判断目标函数的值是否大于第二设定值。
如果目标函数的值不大于第二设定值，则执行步骤S504：确定与选取的散点对应的所述频率值与所述转速数据之间满足预定频率线性模型的预定线性分布规律。
如果目标函数的值大于第二设定值，则执行步骤S505：确定与选取的散点对应的所述频率值与所述转速数据之间不满足预定频率线性模型的预定线性分布规律。
优选地，可基于散点边界(即，预定频率线性模型的预设范围)来确定上述第一设定值和第二设定值的取值范围。
图6示出根据本发明示例性实施例的识别异常振动的设备的结构图。
如图6所示，根据本发明示例性实施例的识别异常振动的设备包括运行数据获取模块10、时频转换模块20、频率值确定模块30和异常振动分析模块40。
具体说来，运行数据获取模块10，用于获取风力发电机组的预定部件在多个时间段内的运行数据。这里，所述运行数据可包括预定部件的振动加速度数据和与预定部件相关的转速数据。
优选地，预定部件的振动加速度数据可包括第一预定方向的振动加速度数据和第二预定方向的振动加速度数据。作为示例，第一预定方向可指从风力发电机组的头部至尾部的方向，第二预定方向可指与风向垂直的方向(例如，现场工作人员站在下风向，面向机头，现场工作人员的左右方向可定义为第二预定方向)。
在本发明示例性实施例中，可通过对第一预定方向的振动加速度数据和第二预定方向的振动加速度数据分别进行处理，来判断预定部件在第一预定方向上是否存在异常振动，或者预定部件在第二预定方向上是否存在异常振动。
这里，异常振动的类型可包括预定部件的基频振动异常和预定部件的倍频振动异常。作为示例，所述预定部件可包括以下项中的任一项：风力发电机、发电机齿槽、齿轮箱、滚动轴承。
在第一实施例中，预定部件可为风力发电机组的风力发电机。在此情况下，预定部件的振动加速度数据可为风力发电机机舱的振动加速度数据，与预定部件相关的转速数据可为风力发电机的转速数据。相应地，异常振动的类型可包括风力发电机的基波频率振动异常和基波频率的倍频振动异常。
在第二实施例中，预定部件可为发电机齿槽(如发电机定子齿槽)。在此情况下，预定部件的振动加速度数据可为风力发电机机舱的振动加速度数据，与预定部件相关的转速数据可为风力发电机的转速数据。相应地，异常振动的类型可包括发电机齿槽频率振动异常和/或发电机齿槽频率的倍频振动异常。这里，由于发电机齿槽频率等于风力发电机的定子齿槽数×风力发电机转速/60，且风力发电机的定子齿槽数大于风力发电机的磁极对数，因此，发电机齿槽频率(或倍频)大于风力发电机的基波频率(或倍频)。也就是说，可通过分析每个加速度频谱中高频部分(与发电机齿槽频率和/或倍频对应的部分)的数据来确定风力发电机齿槽是否存在异常振动(是否存在发电机齿槽频率振动异常和/或发电机齿槽频率的倍频振动异常)，通过分析每个加速度频谱中低频部分(与风力发电机的基波频率和/或倍频对应的部分)的数据来确定风力发电机是否存在异常振动(是否存在风力发电机的基波频率振动异常和/或基波频率的倍频振动异常)。
在第三实施例中，预定部件可为齿轮箱，齿轮箱内包括动力齿轮和从动齿轮。在此情况下，预定部件的振动加速度数据可为齿轮箱中的动力齿轮的振动加速度数据或从动齿轮的振动加速度数据，与预定部件相关的转速数据可为动力齿轮所在轴的转速数据或从动齿轮所在轴的转速数据。相应地，异常振动的类型可包括动力齿轮啮合频率振动异常、动力齿轮啮合频率的倍频振动异常、从动齿轮啮合频率振动异常和从动齿轮啮合频率的倍频振动异常。这里，动力齿轮(或从动齿轮)的啮合频率等于动力齿轮的齿数(或从动齿轮的齿数)×动力齿轮(或从动齿轮)所在轴的转速/60。
在第四实施例中，预定部件可为滚动轴承，这里可指风力发电机组中的多个滚动轴承中的任一滚动轴承。在此情况下，预定部件的振动加速度数据可为滚动轴承的轴承座的振动加速度数据，与预定部件相关的转速数据可为滚动轴承的转速数据。相应地，异常振动的类型可包括滚动轴承故障特征频率振动异常和/或滚动轴承故障特征频率的倍频振动异常。这里，应理解，滚动轴承可包括轴承内圈、外圈、滚动体、保持架，相应地，预定部件可指轴承内圈、外圈、滚动体或保持架。例如，以预定部件为滚动轴承的滚动体为例，此时可识别滚动体是否存在滚动体的故障特征频率异常振动或故障特征频率的倍频振动异常。这里，轴承内圈、外圈、滚动体、保持架分别对应各自的故障系数，通过故障系数与转频的乘积可获得故障特征频率。
时频转换模块20，用于对预定部件在多个时间段内的振动加速度数据分别进行频域转换，以获得分别对应的多个加速度频谱。
例如，时频转换模块20，可以用于对预定部件在多个时间段中的任一时间段内的振动加速度数据进行频域转换来获得与所述任一时间段内的振动加速度数据对应的加速度频谱，即，一个时间段内的振动加速度数据对应一个加速度频谱。作为示例，时频转换模块20可通过快速傅里叶变换对预定部件在多个时间段内的振动加速度数据进行频域转换，然而本发明不限于此，还可采用其他方式来进行频域转换。
优选地，时频转换模块20，可以用于基于与预定部件相关的转速数据预先对获取的预定部件在多个时间段内的运行数据进行筛选，将筛选后的运行数据中的预定部件在多个时间段内的振动加速度数据进行频域转换。
例如，时频转换模块20，可以用于确定每个时间段内与所述预定部件相关的转速数据是否处于设定转速范围内，如果任一时间段内与所述预定部件相关的转速数据处于设定转速范围内，则对预定部件在所述任一时间段内的振动加速度数据进行频域转换，以获得对应的一个加速度频谱。
作为示例，时频转换模块20，可以用于计算每个时间段内与预定部件相关的转速数据的标准差或稳态误差，如果针对任一时间段计算的标准差或稳态误差处于设定阈值范围内，则确定所述任一时间段内与所述预定部件相关的转速数据处于设定转速范围内，如果针对任一时间段计算的标准差或稳态误差不处于设定阈值范围内，则确定所述任一时间段内与所述预定部件相关的转速数据不处于设定转速范围内。这里，设定阈值范围可根据本领域技术人员的经验进行设定。
频率值确定模块30，用于确定每个加速度频谱中用于异常振动分析的频率值。
这里，转换得到的每个加速度频谱的横坐标可为频率值，纵坐标可为频率幅度值，在本发明示例性实施例中频率值确定模块30可基于频率幅度值与频率幅度阈值的比较来选取用于异常振动分析的频率值。
一种情况，频率值确定模块30，可以用于查找该加速度频谱中频率幅度值大于频率幅度阈值的频率点，将与查找到的频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。此时，可从一个加速度频谱中确定一个或多个用于异常振动分析的频率值。
另一种情况，频率值确定模块30，可以用于确定该加速度频谱中与预设关注频率点对应的频率幅度值是否大于频率幅度阈值，如果与预设关注频率点对应的频率幅度值大于频率幅度阈值，则将与预设关注频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。
作为示例，预设关注频率点可为将加速度频谱包含的所有频率点按照频率幅度值的大小降序排列，预定数量之前的频率点。例如，一般可认为加速度频谱中频率幅度值最大的频率点对应的频率值为预定部件的基频，频率幅度值第二大的频率点对应的频率值为预定部件的2倍频，以此类推。此时，针对关注频率点进行分析相当于是针对预定部件的基频及其倍频进行分析，可提高异常振动识别的准确性。
异常振动分析模块40，用于基于确定的每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与预定部件相关的转速数据确定预定部件是否存在异常振动。
具体说来，异常振动分析模块40，用于确定每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与预定部件相关的转速数据之间是否满足预定线性分布规律，当所述频率值与所述转速数据之间满足预定线性分布规律时，确定预定部件存在异常振动。当所述频率值与所述转速数据之间不满足预定线性分布规律时，确定预定部件不存在异常振动。这里，预定线性分布规律可为用于体现预定部件的转速与频率之间的线性关系的分布规律。
优选地，异常振动分析模块40，可以用于基于每个时间段内与预定部件相关的转速数据计算每个时间段的反映数据特征的转速统计值，确定每个加速度频谱中用于异常振动分析的频率值与该转速统计值之间是否满足预定线性分布规律。
作为示例，每个时间段的反映数据特征的转速统计值可包括以下项中的任一项：该时间段内与所述预定部件相关的转速数据的平均值、该时间段内与所述预定部件相关的转速数据的中位值、该时间段内与所述预定部件相关的转速数据的有效值。这里，转速数据的有效值可指该时间段内与预定部件相关的转速数据的最大值与的比值。
下面参照图7以与预定部件相关的转速数据为转速统计值为例，介绍确定每个加速度频谱中用于异常振动分析的频率值与转速统计值之间是否满足预定线性分布规律的过程。
图7示出根据本发明示例性实施例的异常振动分析模块的结构图。
如图7所示，根据本发明示例性实施例的异常振动分析模块40可包括散点图绘制模块41、散点筛选模块42和线性分布确定模块43。
具体说来，散点图绘制模块41，用于基于每个加速度频谱中用于异常振动分析的频率值和每个时间段内的转速统计值绘制转速-频率散点图。这里，转速-频率散点图中的一个散点可对应一个时间段的转速统计值以及与该时间段对应的加速度频谱中用于异常振动分析的一个频率值。
散点筛选模块42，用于选取处于预定频率线性模型的预设范围内的散点。
优选地，散点筛选模块42，可以用于对转速-频率散点图中包含的所有散点进行筛选，即选取处于预定频率线性模型的预设范围内的散点来进行后续的异常振动分析。这里，本领域技术人员可根据实际需要来定义预设范围的大小，利用处于预定频率线性模型的预设范围内的散点来进行异常振动分析可提高识别的准确性。
线性分布确定模块43，用于基于选取的散点来确定每个加速度频谱中用于异常振动分析的频率值和每个时间段内的转速统计值之间是否满足预定频率线性模型的预定线性分布规律。也就是说，预定线性分布规律可通过频率线性模型被确定，当所述频率值与所述转速统计值之间满足预定频率线性模型的预定线性分布规律时，线性分布确定模块43，用于确定预定部件存在与预定频率线性模型对应的异常振动。
下面介绍基于预定频率线性模型来确定散点是否满足预定线性分布规律的过程。
线性分布确定模块43，用于对与选取的散点对应的所述频率值与所述转速数据进行线性回归，获得线性回归的模型参数，计算模型参数与预定部件的指定参数的差值，并判断所述差值是否大于第一设定值，如果模型参数与预定部件的指定参数的差值不大于第一设定值，则确定与选取的散点对应的所述频率值与所述转速数据之间满足预定频率线性模型的预定线性分布规律。如果模型参数与预定部件的指定参数的差值大于第一设定值，则确定与选取的散点对应的所述频率值与所述转速数据之间不满足所述预定频率线性模型的预定线性分布规律。
作为示例，当预定部件为风力发电机时，该指定参数可为风力发电机的磁极对数，当预定部件为发电机齿槽时，该指定参数可为风力发电机的磁极对数，当预定部件为齿轮箱时，该指定参数可为动力齿轮的齿数或从动齿轮的齿数，当预定部件为滚动轴承时，该指定参数可为滚动轴承的故障系数(如，滚动轴承的内圈、外圈、滚动体、保持架之一所对应的故障系数)。
下面结合图8来介绍基于目标函数来确定散点是否满足预定线性分布规律的过程。
图8示出根据本发明示例性实施例的线性分布确定模块的结构图。
如图8所示，根据本发明示例性实施例的线性分布确定模块43可包括目标函数建立子模块431、目标函数值计算子模块432和分布规律确定子模块433。
具体说来，目标函数建立子模块431，用于建立目标函数。这里，目标函数可指示每个散点至预定频率线性模型的距离。优选地，目标函数可指示每个散点至预定频率线性模型的距离的均方根值。
目标函数值计算子模块432，用于通过将与选取的散点对应的频率值与转速数据代入目标函数，获得目标函数的值。
分布规律确定子模块433，用于判断目标函数的值是否大于第二设定值。如果目标函数的值不大于第二设定值，则分布规律确定子模块433确定与选取的散点对应的所述频率值与所述转速数据之间满足预定频率线性模型的预定线性分布规律。如果目标函数的值大于第二设定值，则分布规律确定子模块433，用于确定与选取的散点对应的所述频率值与所述转速数据之间不满足预定频率线性模型的预定线性分布规律。优选地，可基于散点边界(即，预定频率线性模型的预设范围)来确定上述第一设定值和第二设定值的取值范围。
根据本发明的示例性实施例还提供一种计算装置。该计算装置包括处理器和存储器。存储器用于存储计算机程序。所述计算机程序被处理器执行使得处理器执行如上所述的识别异常振动的方法的计算机程序。
根据本发明的示例性实施例还提供一种存储有计算机程序的计算机可读存储介质。该计算机可读存储介质存储有当被处理器执行时使得处理器执行上述识别异常振动的方法的计算机程序。该计算机可读记录介质是可存储由计算机***读出的数据的任意数据存储装置。计算机可读记录介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
采用本发明示例性实施例的识别异常振动的方法和设备，能够及时准确的定位风力发电机组中存在频率异常振动的部件，为快速有效的评估预定部件的振动状态提供了有力的支撑。此外，还可以有效提高机组故障定位的效率、节约运维成本。
尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。

Claims (30)

1.一种识别异常振动的方法，其特征在于，所述方法包括：
获取风力发电机组的预定部件在多个时间段内的运行数据，所述运行数据包括所述预定部件的振动加速度数据和与所述预定部件相关的转速数据；
对所述预定部件在所述多个时间段内的振动加速度数据分别进行频域转换，以获得分别对应的多个加速度频谱；
确定每个加速度频谱中用于异常振动分析的频率值；
基于确定的每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与所述预定部件相关的转速数据确定所述预定部件是否存在异常振动。
2.如权利要求1所述的方法，其特征在于，异常振动的类型包括所述预定部件的基频振动异常和所述预定部件的倍频振动异常。
3.如权利要求1或2所述的方法，其特征在于，所述确定每个加速度频谱中用于异常振动分析的频率值的步骤包括：
查找该加速度频谱中频率幅度值大于频率幅度阈值的频率点；
将与查找到的频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。
4.如权利要求1或2所述的方法，其特征在于，所述确定每个加速度频谱中用于异常振动分析的频率值的步骤包括：
确定该加速度频谱中与预设关注频率点对应的频率幅度值是否大于频率幅度阈值；
如果与所述预设关注频率点对应的频率幅度值大于频率幅度阈值，则将与所述预设关注频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。
5.如权利要求4所述的方法，其特征在于，所述预设关注频率点为将加速度频谱中包含的所有频率点按照频率幅度值的大小降序排列，预定数量之前的频率点。
6.如权利要求1所述的方法，其特征在于，所述基于确定的每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与所述预定部件相关的转速数据确定所述预定部件是否存在异常振动的步骤包括：
确定所述频率值与所述转速数据之间是否满足预定线性分布规律；
当所述频率值与所述转速数据之间满足所述预定线性分布规律时，确定所述预定部件存在异常振动。
7.如权利要求6所述的方法，其特征在于，所述确定所述频率值与所述转速数据之间是否满足预定线性分布规律的步骤包括：
基于所述频率值和所述转速数据绘制转速-频率散点图，其中，所述转速-频率散点图中的一个散点对应一个时间段的转速数据以及与该时间段对应的加速度频谱中用于异常振动分析的一个频率值；
选取处于预定频率线性模型的预设范围内的散点；
基于选取的散点确定所述频率值与所述转速数据之间是否满足所述预定频率线性模型的预定线性分布规律。
8.如权利要求7所述的方法，其特征在于，所述基于选取的散点确定所述频率值与所述转速数据之间是否满足所述预定频率线性模型的预定线性分布规律的步骤包括：
对与选取的散点对应的所述频率值与所述转速数据进行线性回归，获得线性回归的模型参数；
计算所述模型参数与所述预定部件的指定参数的差值；
当所述差值不大于第一设定值时，确定与选取的散点对应的所述频率值与所述转速数据之间满足所述预定频率线性模型的预定线性分布规律。
9.如权利要求7所述的方法，其特征在于，所述基于选取的散点确定所述频率值与所述转速数据之间是否满足所述预定频率线性模型的预定线性分布规律的步骤包括：
建立目标函数，所述目标函数指示每个散点至所述预定频率线性模型的距离；
通过将与选取的散点对应的所述频率值与所述转速数据代入目标函数，获得所述目标函数的值；
当所述目标函数的值不大于设定值时，确定与选取的散点对应的所述频率值与所述转速数据之间满足所述预定频率线性模型的预定线性分布规律。
10.如权利要求6-9中任意一项所述的方法，其特征在于，所述确定所述频率值与所述转速数据之间是否满足预定线性分布规律的步骤包括：
基于所述转速数据计算每个时间段的反映数据特征的转速统计值；
确定所述频率值与所述转速统计值之间是否满足预定线性分布规律。
11.如权利要求10所述的方法，其特征在于，所述每个时间段的反映数据特征的转速统计值包括以下项中的任一项：该时间段内与所述预定部件相关的转速数据的平均值、该时间段内与所述预定部件相关的转速数据的中位值、该时间段内与所述预定部件相关的转速数据的有效值。
12.如权利要求1所述的方法，其特征在于，所述对所述预定部件在所述多个时间段内的振动加速度数据进行频域转换，以获得对应的多个加速度频谱的步骤包括：
确定每个时间段内与所述预定部件相关的转速数据是否处于设定转速范围内；
如果任一时间段内与所述预定部件相关的转速数据处于设定转速范围内，则对所述预定部件在所述任一时间段内的振动加速度数据进行频域转换，以获得对应的一个加速度频谱。
13.如权利要求12所述的方法，其特征在于，所述确定每个时间段内与所述预定部件相关的转速数据是否处于设定转速范围内的步骤包括：
计算每个时间段内与所述预定部件相关的转速数据的标准差或稳态误差；
如果针对任一时间段计算的标准差或稳态误差处于设定阈值范围内，则确定所述任一时间段内与所述预定部件相关的转速数据处于设定转速范围内；
如果针对任一时间段计算的标准差或稳态误差不处于设定阈值范围内，则确定所述任一时间段内与所述预定部件相关的转速数据不处于设定转速范围内。
14.如权利要求1或2所述的方法，其特征在于，所述预定部件包括以下项中的任一项：风力发电机、发电机齿槽、齿轮箱、滚动轴承，
其中，当所述预定部件为风力发电机时，所述预定部件的振动加速度数据为风力发电机机舱的振动加速度数据，与所述预定部件相关的转速数据为风力发电机的转速数据，异常振动的类型包括风力发电机的基波频率振动异常和基波频率的倍频振动异常；
当所述预定部件为发电机齿槽时，所述预定部件的振动加速度数据为风力发电机机舱的振动加速度数据，与所述预定部件相关的转速数据为风力发电机的转速数据，异常振动的类型包括发电机齿槽频率振动异常和发电机齿槽频率的倍频振动异常；
当所述预定部件为齿轮箱时，所述预定部件的振动加速度数据为齿轮箱中的动力齿轮或从动齿轮的振动加速度数据，与所述预定部件相关的转速数据为动力齿轮或从动齿轮所在轴的转速数据，异常振动的类型包括动力齿轮啮合频率和动力齿轮啮合频率的倍频振动异常，或者从动齿轮啮合频率和从动齿轮啮合频率的倍频振动异常；
当所述预定部件为滚动轴承时，所述预定部件的振动加速度数据为滚动轴承的轴承座的振动加速度数据，与所述预定部件相关的转速数据为滚动轴承的转速数据，异常振动的类型包括滚动轴承故障特征频率振动异常和滚动轴承故障特征频率的倍频振动异常。
15.一种识别异常振动的设备，其特征在于，所述设备包括：
运行数据获取模块，用于获取风力发电机组的预定部件在多个时间段内的运行数据，所述运行数据包括所述预定部件的振动加速度数据和与所述预定部件相关的转速数据；
时频转换模块，用于对所述预定部件在所述多个时间段内的振动加速度数据分别进行频域转换，以获得分别对应的多个加速度频谱；
频率值确定模块，用于确定每个加速度频谱中用于异常振动分析的频率值；
异常振动分析模块，用于基于确定的每个加速度频谱中用于异常振动分析的频率值以及每个时间段内与所述预定部件相关的转速数据确定所述预定部件是否存在异常振动。
16.如权利要求15所述的设备，其特征在于，异常振动的类型包括所述预定部件的基频振动异常和所述预定部件的倍频振动异常。
17.如权利要求15或16所述的设备，其特征在于，所述频率值确定模块用于查找该加速度频谱中频率幅度值大于频率幅度阈值的频率点，将与查找到的频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。
18.如权利要求15或16所述的设备，其特征在于，所述频率值确定模块用于确定该加速度频谱中与预设关注频率点对应的频率幅度值是否大于频率幅度阈值，如果与所述预设关注频率点对应的频率幅度值大于频率幅度阈值，则频率值确定模块将与所述预设关注频率点对应的频率值作为该加速度频谱中用于异常振动分析的频率值。
19.如权利要求18所述的设备，其特征在于，所述预设关注频率点为将加速度频谱中包含的所有频率点按照频率幅度值的大小降序排列，预定数量之前的频率点。
20.如权利要求15所述的设备，其特征在于，所述异常振动分析模块，用于确定所述频率值与所述转速数据之间是否满足预定线性分布规律，当所述频率值与所述转速数据之间满足所述预定线性分布规律时，确定所述预定部件存在异常振动。
21.如权利要求20所述的设备，其特征在于，所述异常振动分析模块包括：
散点图绘制模块，用于基于所述频率值和所述转速数据绘制转速-频率散点图，其中，所述转速-频率散点图中的一个散点对应一个时间段的转速数据以及与该时间段对应的加速度频谱中用于异常振动分析的一个频率值；
散点筛选模块，用于选取处于预定频率线性模型的预设范围内的散点；
线性分布确定模块，用于基于选取的散点确定所述频率值与所述转速数据之间是否满足所述预定频率线性模型的预定线性分布规律。
22.如权利要求21所述的设备，其特征在于，所述线性分布确定模块，用于对与选取的散点对应的所述频率值与所述转速数据进行线性回归，获得线性回归的模型参数，计算所述模型参数与所述预定部件的指定参数的差值，当所述差值不大于第一设定值时，确定与选取的散点对应的所述频率值与所述转速数据之间满足所述预定频率线性模型的预定线性分布规律。
23.如权利要求21所述的设备，其特征在于，所述线性分布确定模块包括：
目标函数建立子模块，用于建立目标函数，所述目标函数指示每个散点至所述预定频率线性模型的距离的均方根值；
目标函数值计算子模块，用于通过将与选取的散点对应的所述频率值与所述转速数据代入目标函数，获得所述目标函数的值；
分布规律确定子模块，用于当所述目标函数的值不大于设定值时，确定与选取的散点对应的所述频率值与所述转速数据之间满足所述预定频率线性模型的预定线性分布规律。
24.如权利要求20-23所述的设备，其特征在于，所述异常振动分析模块，用于基于所述转速数据计算每个时间段的反映数据特征的转速统计值，确定所述频率值与所述转速统计值之间是否满足预定线性分布规律。
25.如权利要求24所述的设备，其特征在于，每个时间段的反映数据特征的转速统计值包括以下项中的任一项：该时间段内与所述预定部件相关的转速数据的平均值、该时间段内与所述预定部件相关的转速数据的中位值、该时间段内与所述预定部件相关的转速数据的有效值。
26.如权利要求15所述的设备，其特征在于，所述时频转换模块，用于确定每个时间段内与所述预定部件相关的转速数据是否处于设定转速范围内，如果任一时间段内与所述预定部件相关的转速数据处于设定转速范围内，则对所述预定部件在所述任一时间段内的振动加速度数据进行频域转换，以获得对应的一个加速度频谱。
27.如权利要求26所述的设备，其特征在于，所述时频转换模块，用于计算每个时间段内与所述预定部件相关的转速数据的标准差或稳态误差，如果针对任一时间段计算的标准差或稳态误差处于设定阈值范围内，则确定所述任一时间段内与所述预定部件相关的转速数据处于设定转速范围内，
如果针对任一时间段计算的标准差或稳态误差不处于设定阈值范围内，则确定所述任一时间段内与所述预定部件相关的转速数据不处于设定转速范围内。
28.如权利要求15或16所述的设备，其特征在于，所述预定部件包括以下项中的任一项：风力发电机、发电机齿槽、齿轮箱、滚动轴承，
其中，当所述预定部件为风力发电机时，所述预定部件的振动加速度数据为风力发电机机舱的振动加速度数据，与所述预定部件相关的转速数据为风力发电机的转速数据，异常振动的类型包括风力发电机的基波频率振动异常和基波频率的倍频振动异常；
当所述预定部件为发电机齿槽时，所述预定部件的振动加速度数据为风力发电机机舱的振动加速度数据，与所述预定部件相关的转速数据为风力发电机的转速数据，异常振动的类型包括发电机齿槽频率振动异常和发电机齿槽频率的倍频振动异常；
当所述预定部件为齿轮箱时，所述预定部件的振动加速度数据为齿轮箱中的动力齿轮或从动齿轮的振动加速度数据，与所述预定部件相关的转速数据为动力齿轮或从动齿轮所在轴的转速数据，异常振动的类型包括动力齿轮啮合频率和动力齿轮啮合频率的倍频振动异常，或者从动齿轮啮合频率和从动齿轮啮合频率的倍频振动异常；
当所述预定部件为滚动轴承时，所述预定部件的振动加速度数据为滚动轴承的轴承座的振动加速度数据，与所述预定部件相关的转速数据为滚动轴承的转速数据，异常振动的类型包括滚动轴承故障特征频率振动异常和滚动轴承故障特征频率的倍频振动异常。
29.一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现如权利要求1-14中的任意一项所述的识别异常振动的方法。
30.一种计算装置，其特征在于，所述计算装置包括：
处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-14中的任意一项所述的识别异常振动的方法。
CN201711384895.3A 2017-12-20 2017-12-20 识别异常振动的方法和设备 Active CN109973325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711384895.3A CN109973325B (zh) 2017-12-20 2017-12-20 识别异常振动的方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711384895.3A CN109973325B (zh) 2017-12-20 2017-12-20 识别异常振动的方法和设备

Publications (2)

Publication Number Publication Date
CN109973325A true CN109973325A (zh) 2019-07-05
CN109973325B CN109973325B (zh) 2020-09-29

Family

ID=67072087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711384895.3A Active CN109973325B (zh) 2017-12-20 2017-12-20 识别异常振动的方法和设备

Country Status (1)

Country Link
CN (1) CN109973325B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110925135A (zh) * 2019-12-06 2020-03-27 中国船舶重工集团海装风电股份有限公司 风电机组变桨电机选取方法、装置、设备及存储介质
CN110986264A (zh) * 2019-11-21 2020-04-10 珠海格力电器股份有限公司 一种空调低频共振噪声识别控制方法及空调
CN110987404A (zh) * 2019-12-23 2020-04-10 安徽容知日新科技股份有限公司 一种转速识别方法及计算设备
CN112985578A (zh) * 2019-12-13 2021-06-18 中车株洲电力机车研究所有限公司 一种风电机组共振诊断方法及装置
WO2021119909A1 (zh) * 2019-12-16 2021-06-24 远景能源有限公司 一种用于监测叶根紧固件的健康状态的方法及***
CN113432856A (zh) * 2021-06-28 2021-09-24 西门子电机(中国)有限公司 电动机测试方法、装置、电子设备和存储介质
CN114087136A (zh) * 2021-11-22 2022-02-25 西安热工研究院有限公司 一种风电机组共振诊断方法
CN114184879A (zh) * 2021-11-08 2022-03-15 陕西千山航空电子有限责任公司 一种直升机振动数据的异常频点监测方法
CN114216640A (zh) * 2022-02-21 2022-03-22 蘑菇物联技术（深圳）有限公司 用于检测工业设备故障状态的方法、设备和介质
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
CN116449688A (zh) * 2023-06-19 2023-07-18 深圳市大族机器人有限公司 机器人电机pid参数确定方法、装置和计算机设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1430063A (zh) * 2001-12-31 2003-07-16 岩壶卓三 旋转机械的异常诊断***
CN101532911A (zh) * 2009-04-24 2009-09-16 华北电力大学 大型汽轮发电机组转子裂纹故障实时诊断方法
EP2754889A1 (en) * 2013-01-15 2014-07-16 ABB Technology Ltd Method and controller for damping vibrations in a wind power system
CN105547462A (zh) * 2015-12-16 2016-05-04 中国航空工业集团公司沈阳发动机设计研究所 一种发动机转子径向振动测量方法
CN105675112A (zh) * 2015-12-31 2016-06-15 北京金风科创风电设备有限公司 风电机组异常振动的监测方法和装置
CN107061186A (zh) * 2017-06-09 2017-08-18 北京金风慧能技术有限公司 风力发电机组振动异常预警方法和装置
JP2017181283A (ja) * 2016-03-30 2017-10-05 Ntn株式会社 シングルピニオン式の遊星歯車装置の歯数特定装置および歯数特定方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1430063A (zh) * 2001-12-31 2003-07-16 岩壶卓三 旋转机械的异常诊断***
CN101532911A (zh) * 2009-04-24 2009-09-16 华北电力大学 大型汽轮发电机组转子裂纹故障实时诊断方法
EP2754889A1 (en) * 2013-01-15 2014-07-16 ABB Technology Ltd Method and controller for damping vibrations in a wind power system
CN105547462A (zh) * 2015-12-16 2016-05-04 中国航空工业集团公司沈阳发动机设计研究所 一种发动机转子径向振动测量方法
CN105675112A (zh) * 2015-12-31 2016-06-15 北京金风科创风电设备有限公司 风电机组异常振动的监测方法和装置
JP2017181283A (ja) * 2016-03-30 2017-10-05 Ntn株式会社 シングルピニオン式の遊星歯車装置の歯数特定装置および歯数特定方法
CN107061186A (zh) * 2017-06-09 2017-08-18 北京金风慧能技术有限公司 风力发电机组振动异常预警方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张学延: "《汽轮发电机组振动诊断》", 30 November 2008, 中国电力出版社 *
罗良清等: "《统计学 第2版》", 31 January 2014, 湖南大学出版社 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110986264A (zh) * 2019-11-21 2020-04-10 珠海格力电器股份有限公司 一种空调低频共振噪声识别控制方法及空调
CN110925135A (zh) * 2019-12-06 2020-03-27 中国船舶重工集团海装风电股份有限公司 风电机组变桨电机选取方法、装置、设备及存储介质
CN110925135B (zh) * 2019-12-06 2021-02-02 中国船舶重工集团海装风电股份有限公司 风电机组变桨电机选取方法、装置、设备及存储介质
CN112985578B (zh) * 2019-12-13 2023-09-26 中车株洲电力机车研究所有限公司 一种风电机组共振诊断方法及装置
CN112985578A (zh) * 2019-12-13 2021-06-18 中车株洲电力机车研究所有限公司 一种风电机组共振诊断方法及装置
CN113286944B (zh) * 2019-12-16 2022-06-10 远景能源有限公司 一种用于监测叶根紧固件的健康状态的方法及***
CN113286944A (zh) * 2019-12-16 2021-08-20 远景能源有限公司 一种用于监测叶根紧固件的健康状态的方法及***
WO2021119909A1 (zh) * 2019-12-16 2021-06-24 远景能源有限公司 一种用于监测叶根紧固件的健康状态的方法及***
CN110987404B (zh) * 2019-12-23 2022-06-10 安徽容知日新科技股份有限公司 一种转速识别方法及计算设备
CN110987404A (zh) * 2019-12-23 2020-04-10 安徽容知日新科技股份有限公司 一种转速识别方法及计算设备
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
CN113432856A (zh) * 2021-06-28 2021-09-24 西门子电机(中国)有限公司 电动机测试方法、装置、电子设备和存储介质
CN114184879A (zh) * 2021-11-08 2022-03-15 陕西千山航空电子有限责任公司 一种直升机振动数据的异常频点监测方法
CN114184879B (zh) * 2021-11-08 2024-01-23 陕西千山航空电子有限责任公司 一种直升机振动数据的异常频点监测方法
CN114087136A (zh) * 2021-11-22 2022-02-25 西安热工研究院有限公司 一种风电机组共振诊断方法
CN114216640A (zh) * 2022-02-21 2022-03-22 蘑菇物联技术（深圳）有限公司 用于检测工业设备故障状态的方法、设备和介质
CN116449688A (zh) * 2023-06-19 2023-07-18 深圳市大族机器人有限公司 机器人电机pid参数确定方法、装置和计算机设备
CN116449688B (zh) * 2023-06-19 2023-10-31 深圳市大族机器人有限公司 机器人电机pid参数确定方法、装置和计算机设备

Also Published As

Publication number Publication date
CN109973325B (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN109973325A (zh) 识别异常振动的方法和设备
CN107061186B (zh) 风力发电机组振动异常预警方法和装置
US11162837B2 (en) Detecting faults in rotor driven equipment
Huo et al. Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures
Bechhoefer et al. Processing for improved spectral analysis
JP6783163B2 (ja) 翼振動監視装置および翼振動監視方法
Yoon et al. Vibration‐based wind turbine planetary gearbox fault diagnosis using spectral averaging
Haj Mohamad et al. Rolling element bearing diagnostics using extended phase space topology
EP3788328B1 (en) System and process for pattern matching bearing vibration diagnostics
Motte et al. Operational modal analysis in the presence of harmonic excitations: a review
Mo et al. Conditional empirical wavelet transform with modified ratio of cyclic content for bearing fault diagnosis
Antoni et al. Time-angle periodically correlated processes
Randall et al. Cepstral removal of periodic spectral components from time signals
CN112345827A (zh) 频谱频率族的图形区分
CN108241761A (zh) 发电机部件的疲劳损伤的确定方法和设备
Yan et al. Degree of cyclic target protrusion defined on squared envelope spectrum for rotating machinery fault diagnosis
CN116558840B (zh) 一种航空发动机叶片监测方法、装置、设备、存储介质
Lopez-Gutierrez et al. Induction machine bearing fault detection using empirical wavelet transform
Zhang et al. A multi-mode process monitoring method based on mode-correlation PCA for Marine Current Turbine
Samadani et al. Feature extraction for bearing diagnostics based on the characterization of orbit plots with orthogonal functions
Manzato et al. Removing the influence of rotor harmonics for improved monitoring of offshore wind turbines
US11898994B2 (en) Waveform acquisition optimization
Peeters et al. Stochastic simulation assessment of an automated vibration-based condition monitoring framework for wind turbine gearbox faults
Ruiz de la Hermosa González-Carrato et al. Methods and tools for the operational reliability optimisation of large-scale industrial wind turbines
Tyagi et al. Transient analysis of ball bearing fault simulation using finite element method

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