CN110296053A - 风力发电机叶片的疲劳损伤监测方法和装置 - Google Patents
风力发电机叶片的疲劳损伤监测方法和装置 Download PDFInfo
- Publication number
- CN110296053A CN110296053A CN201810247182.0A CN201810247182A CN110296053A CN 110296053 A CN110296053 A CN 110296053A CN 201810247182 A CN201810247182 A CN 201810247182A CN 110296053 A CN110296053 A CN 110296053A
- Authority
- CN
- China
- Prior art keywords
- blade
- data
- fatigue
- characteristic
- air speed
- 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
- 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
- F05B2270/32—Wind speeds
-
- 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
- F05B2270/332—Maximum loads or fatigue criteria
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种风力发电机叶片的疲劳损伤监测方法和装置,其中,所述方法包括:获取实时振动数据和风速数据;根据所述振动数据、所述风速数据及TF‑IDF算法,提取叶片的运行特征和环境特征;所述运行特征包括振动数据,所述环境特征包括风速数据;根据叶片的失效机理,对所述运行特征和所述环境特征进行组合,得到叶片的非周期性载荷特征;根据所述非周期性载荷特征和PM疲劳理论,确定叶片随时间的累加疲劳值;所述累加疲劳值及累加疲劳值的变化特征能够表征叶片疲劳损伤的程度。本发明能够对叶片异常进行准确监测。
Description
技术领域
本发明涉及风力发电机叶片的故障监测技术领域,具体而言,本发明涉及一种风力发电机叶片的疲劳损伤监测方法和装置。
背景技术
近几年风力发电发展的非常快,随之而来的是风电设施的损坏问题,这些问题中叶片开裂损坏是重中之重。
叶片失效的原因主要有以下几点:一、设计方面存在缺陷,目前的设计对风速、风向、旋流、逆扬、振颤和配重等缺乏考虑;二、制造质量不精良,以及在运输、安装、调试等环节人为造成的质量问题;三、外界环境复杂多变,经过长期的周期性和非周期性运动,叶片材料内部发生了变化,产生了微观损伤;然后,微观损伤以指数量级增大,最终产生可见的损伤。由于目前的叶片异常监测技术在很多实际场合并不适用,无法对叶片异常进行准确监测。
发明内容
本发明的目的旨在至少能解决上述的技术缺陷之一,特别是无法对叶片异常进行准确监测的技术缺陷。
本发明提供一种风力发电机叶片的疲劳损伤监测方法,包括:获取实时振动数据和风速数据;根据所述振动数据、所述风速数据及词频-逆文档频率TF-IDF算法,提取叶片的运行特征和环境特征;所述运行特征包括振动数据,所述环境特征包括风速数据;根据叶片的失效机理,对所述运行特征和所述环境特征进行组合,得到叶片的非周期性载荷特征;根据所述非周期性载荷特征和PM疲劳理论,确定叶片随时间的累加疲劳值;所述累加疲劳值及累加疲劳值的变化特征能够表征叶片疲劳损伤的程度。
其中,所述振动数据包括平行于机组发电机轴承方向的第一机舱加速度AX和垂直于机组发电机轴承方向的第二机舱加速度AY;所述根据所述振动数据、所述风速数据及TF-IDF算法,提取叶片的运行特征和环境特征,包括:对预设时间段的所述振动数据和所述风速数据进行窗口切分;将每个窗口的第一机舱加速度AX、第二机舱加速度AY和风速应用于TF-IDF算法,得到每个窗口的TF-IDF值;根据每个窗口的所述TF-IDF值,计算每个窗口中的第一机舱加速度AX、第二机舱加速度AY和风速相对于全部窗口的矢量距离,得到每个窗口的第一机舱加速度AX的矢量距离、第二机舱加速度AY的矢量距离、风速的矢量距离;
其中,所述第一机舱加速度AX的矢量距离、所述第二机舱加速度AY的矢量距离为运行特征,所述风速的矢量距离为环境特征。
其中,所述根据叶片的失效机理,对所述运行特征和所述环境特征进行组合,得到叶片的非周期性载荷特征,包括:根据第一机舱加速度AX的矢量距离与风速的矢量距离,得到第一峰值比;根据第二机舱加速度AY的矢量距离与风速的矢量距离,得到第二峰值比;选取第一峰值比和第二峰值比中较大的值;当所述值大于预设阈值时,确定该值为叶片的非周期性载荷特征。
其中,所述结合所述非周期性载荷特征和PM疲劳理论,确定叶片随时间的累加疲劳值,包括:根据所述非周期性载荷特征和与材料相关常数,得到作用载荷应力水平下的疲劳寿命;将所述疲劳寿命与PM疲劳理论结合,得到叶片随时间的累加疲劳值。
其中,所述确定叶片随时间的累加疲劳值之后,所述方法还包括:根据叶片随时间的累加疲劳值,绘制疲劳曲线;当疲劳曲线的形态特征满足预设的条件时,发出预警。
其中,所述提取叶片的运行特征和环境特征之前,所述方法还包括:对获取的振动数据和风速数据进行异常值处理,得到已剔除异常数据样本的振动数据和风速数据。
其中,所述提取叶片的运行特征和环境特征之前,所述方法还包括:对已剔除异常数据样本的振动数据和风速数据进行离散化处理,得到离散后的振动数据和风速数据。
其中,所述获取实时振动数据和风速数据,包括:采集机组传感器监测的实时振动数据和风速数据。
本发明还提供一种电子设备,包括:存储器,用于存储可执行程序;处理器,用于执行所述存储器中存储的所述可执行程序时,实现上述任一项所述的方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的方法。
由上可知,本发明将非周期性载荷特征和PM疲劳理论相结合来进行风力发电机叶片的疲劳损伤监测,由于考虑了导致叶片失效的最根本原因非周期性载荷,本发明能够对叶片异常进行准确监测。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明提供的一种风力发电机叶片的疲劳损伤监测方法的第一实施例的方法流程图;
图2为本发明提供的一种风力发电机叶片的疲劳损伤监测方法的第二实施例的方法流程图;
图3为本发明提供的一种风力发电机叶片的疲劳损伤监测方法所得到的疲劳曲线的一示意图;
图4为本发明提供的一种风力发电机叶片的疲劳损伤监测方法所得到的疲劳曲线的另一示意图;
图5为本发明提供的一种风力发电机叶片的疲劳损伤监测方法的第三实施例的方法流程图;
图6为本发明提供的一种风力发电机叶片的疲劳损伤监测方法所涉及的峰值比曲线的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
下面对本发明提供的一种风力发电机叶片的疲劳损伤监测方法的第一实施例进行介绍,参见图1所示,本实施例包括以下步骤:
步骤101、获取实时振动数据和风速数据;
具体地,可以通过采集机组传感器监测的数据来得到实时振动数据和风速数据。
步骤102、根据所述振动数据、所述风速数据及词频-逆文档频率(TermFrequency–Inverse Document frequency,TF-IDF)算法,提取叶片的运行特征和环境特征;
所述运行特征包括振动数据,所述环境特征包括风速数据;
步骤103、根据叶片的失效机理,对所述运行特征和所述环境特征进行组合,得到叶片的非周期性载荷特征;
这里,叶片的失效机理是指经过长期的周期性,特别是对叶片产生较大载荷的非周期性运动(例如风速较小但振动较大现象),叶片材料内部发生了变化,产生了微观损伤。久而久之,微观损伤以指数量级增大,最终产生可见的损伤,如:裂纹和开裂。
步骤104、根据所述非周期性载荷特征和PM疲劳理论,确定叶片随时间的累加疲劳值;
所述累加疲劳值及累加疲劳值的变化特征能够表征叶片疲劳损伤的程度。
例如,当累加疲劳值超过预设的第一阈值时,则表示叶片疲劳损伤的程度较大,机组的叶片存在较大开裂的风险;或者,当累加疲劳值的变化率超过预设的第二阈值时,则表示叶片疲劳损伤的程度较大,机组的叶片存在较大开裂的风险。
这里需要说明的是,在实际应用中,可以根据实际情况或经验总结对阈值进行设定或调整。
不难理解,在实际应用中,也可以根据累加疲劳值的其他特性来判断叶片的疲劳损伤程度。
为便于理解,这里做进一步说明,TF-IDF算法是一种用于自然语言处理的常用统计方法,通常用以评估字词对于一个文档集或一个语料库中的其中一份文档的重要程度。
词的重要性随着它在文件中出现的频次成正比增加,但同时会随着它在语料库中出现的频率成反比下降。在给定的文档里,词频(Term Frequency,TF)指的是某一个给定的词语在该文档中出现的次数。这个数字通常会被某种形式的归一化,以防止它偏向长的文档。逆向文档频率(Inverse Document Frequency,IDF)是一个词语普遍重要性的度量。某一特定词语的IDF,可以由总文档数目除以包含该词语之文档的数目,再将得到的比值取对数得到。某一特定文档内的高词语频率,以及该词语在整个文件集合中的低文档频率,可以产生出高权重的TF-IDF。因此,TF-IDF倾向于过滤掉常见的词语,保留重要的词语。通常,TF-IDF算法采用如下公式(1)
其中,Wij是文档的TFIDF权重;fij是词j在文档i中的权重;N是文档总数;nj是包含词j的文档数。
本实施例中,采用TF-IDF算法结合振动数据和风速数据来提取叶片的运行特征和环境特征。
本发明实施例中将振动数据和风速数据作为词,例如,风速有不同的值,一个小时内风速不断变化,从1-20m/s之间的数值都有。一年的数据可以拆分成多份(相当于多个文档),计算在一个文档中1m/s出现几次、2m/s出现几次,其他数值以此类推。1m/s在多少文档中出现,2m/s在多少文档中出现,其他数值以此类推。同理,振动数据也是如此处理。据此计算得到叶片的运行特征和环境特征。进而根据叶片的失效机理,对所述运行特征和所述环境特征进行组合,得到叶片的非周期性载荷特征。
由此,本发明实施例中能够通过TF-IDF算法得到非周期性载荷特征,再将非周期性载荷特征和PM疲劳理论相结合来进行风力发电机叶片的疲劳损伤监测,由于考虑了导致叶片失效的最根本原因非周期性载荷,本发明实施例能够对叶片异常进行准确监测。
下面对本发明提供的一种风力发电机叶片的疲劳损伤监测方法的第二实施例进行介绍,参见图2所示,本实施例包括以下步骤:
步骤201、获取实时振动数据和风速数据;
具体地,通过采集机组传感器监测的数据来得到实时振动数据和风速数据。
步骤202、根据所述振动数据、所述风速数据及TF-IDF算法,提取叶片的运行特征和环境特征;
所述运行特征能够由振动数据表征,所述环境特征能够由风速数据表征;
步骤203、根据叶片的失效机理,对所述运行特征和所述环境特征进行组合,得到叶片的非周期性载荷特征;
这里,叶片的失效机理是指经过长期的周期性,特别是对叶片产生较大载荷的非周期性运动(例如湍流等),叶片材料内部发生了变化,产生了微观损伤。久而久之,微观损伤以指数量级增大,最终产生可见的损伤,如:裂纹和开裂。
步骤204、根据所述非周期性载荷特征和PM疲劳理论,确定叶片随时间的累加疲劳值;
所述累加疲劳值及累加疲劳值的变化特征能够表征叶片疲劳损伤的程度。
步骤205、根据叶片随时间的累加疲劳值,绘制疲劳曲线;
为便于理解,疲劳曲线参见图3和图4所示。横坐标表示时间(为了方便作图,时间用数值来表示),纵坐标表示疲劳值大小,不同的曲线表示同风场不同机组的疲劳曲线。
步骤206、当疲劳曲线的形态特征满足预设的条件时,发出预警。
在实际应用中,可以根据疲劳曲线的表现,归纳训练出失效叶片疲劳曲线的两种表现。第一,如图3中最高的疲劳曲线疲劳值激增,第二,图4中最高的疲劳曲线的斜率变化剧烈。需要说明的是,上述疲劳曲线的疲劳值和疲劳曲线的斜率仅仅是示例性说明,在实际应用中,可以根据实际情况或需求进行设定或调整。
当叶片的疲劳曲线表现出第一或第二种情形时,即可判定此机组的叶片存在较大开裂的风险,需要发布预警工单,以便提示风场运维工程师给以关注。
当然,在实际应用中,也可以根据疲劳曲线的其他形态特征,判定机组的叶片是否存在较大开裂的风险,此处不再列举。
由此,本实施例中能够根据叶片随时间的累加疲劳值,绘制疲劳曲线,并疲劳曲线的形态特征满足预设的条件时,发出预警。这样,通过观测疲劳曲线即可得知叶片是否开裂及严重程度,直观、高效。而且,能够发布预警工单,使风场运维工程师及时得到预警,以便更快对问题进行处置。
下面对本发明提供的一种风力发电机叶片的疲劳损伤监测方法的第三实施例进行介绍,参见图5所示,本实施例包括以下步骤:
步骤501、获取实时振动数据和风速数据;
具体地,可以通过采集机组传感器监测的数据来得到实时振动数据和风速数据。
步骤502、对获取的振动数据和风速数据进行异常值处理,得到已剔除异常数据样本的振动数据和风速数据。
步骤503、对已剔除异常数据样本的振动数据和风速数据进行离散化处理,得到离散后的振动数据和风速数据。
在实际应用中,由于振动数据和风速数据都是连续型数值,做特征提取前需要做离散化处理。
上述方式是从数据量、计算量和精确程度综合考量得出的较佳方式。当然,在实际应用中,可以根据具体情况进行调整离散化处理方式。
步骤504、根据离散后的所述振动数据、所述风速数据及TF-IDF算法,提取叶片的运行特征和环境特征;
所述运行特征能够由振动数据表征,所述环境特征能够由风速数据表征;
步骤505、根据叶片的失效机理,对所述运行特征和所述环境特征进行组合,得到叶片的非周期性载荷特征;
这里,叶片的失效机理是指经过长期的周期性,特别是对叶片产生较大载荷的非周期性运动(例如湍流等),叶片材料内部发生了变化,产生了微观损伤。久而久之,微观损伤以指数量级增大,最终产生可见的损伤,如:裂纹和开裂。
步骤506、根据所述非周期性载荷特征和PM疲劳理论,确定叶片随时间的累加疲劳值;
所述累加疲劳值及累加疲劳值的变化特征能够表征叶片疲劳损伤的程度。
由此,本实施例能够剔除异常数据样本,并对已剔除异常数据样本的振动数据和风速数据按预设规则进行离散化处理,这样,既保证了数据的准确性,又提高了计算效率,进而能够准确、高效的得到累加疲劳值。
下面对本发明提供的一种风力发电机叶片的疲劳损伤监测方法的第四实施例进行介绍,本实施例包括以下步骤:
步骤601、获取实时振动数据和风速数据;
具体地,可以通过采集机组传感器监测的数据来得到实时振动数据和风速数据。
步骤602、根据所述振动数据、所述风速数据及TF-IDF算法,提取叶片的运行特征和环境特征;
所述运行特征能够由振动数据表征,所述环境特征能够由风速数据表征;
具体地,所述振动数据包括平行于机组发电机轴承方向的第一机舱加速度AX和垂直于机组发电机轴承方向的第二机舱加速度AY;
那么,所述根据所述振动数据、所述风速数据及TF-IDF算法,提取叶片的运行特征和环境特征,包括:
按预设规则对预设时间段的所述振动数据和所述风速数据进行窗口切分;将每个窗口的第一机舱加速度AX、第二机舱加速度AY和风速应用于TF-IDF算法,得到每个窗口的TF-IDF值;根据每个窗口的所述TF-IDF值,计算每个窗口中的第一机舱加速度AX、第二机舱加速度AY和风速相对于全部窗口的矢量距离,得到每个窗口的第一机舱加速度AX的矢量距离、第二机舱加速度AY的矢量距离、风速的矢量距离;其中,所述第一机舱加速度AX的矢量距离、所述第二机舱加速度AY的矢量距离为运行特征,所述风速的矢量距离为环境特征。
可以理解,选取的实时振动数据和风速数据时间跨度可以根据实际情况确定,避免数据量太少看不出疲劳情况即可。
不难理解,窗口切分的太粗不利于特征的抓取,当然越细越好。但是,窗口切分的过细会导致计算量较大、速度较慢,计算费用也越高。具体的窗口切分方式可以根据实际情况确定,这里不做详述。
此外,在实际应用中,所述根据每个窗口的所述TF-IDF值,计算每个窗口中的第一机舱加速度AX、第二机舱加速度AY和风速相对于全部窗口的矢量距离,可以结合已有的矢量距离计算方式实现,这里对具体算法不做限定。
步骤603、根据叶片的失效机理,对所述运行特征和所述环境特征进行组合,得到叶片的非周期性载荷特征;
这里,叶片的失效机理是指经过长期的周期性,特别是对叶片产生较大载荷的非周期性运动(例如风速较小但振动较大现象),叶片材料内部发生了变化,产生了微观损伤。久而久之,微观损伤以指数量级增大,最终产生可见的损伤,如:裂纹和开裂。
因为“峰值比”越大,叶片承受的非周期性载荷越大。因此,在实际应用中,所述根据叶片的失效机理,对所述运行特征和所述环境特征进行组合,得到叶片的非周期性载荷特征,可以包括:
根据第一机舱加速度AX的矢量距离与风速的矢量距离,得到第一峰值比;根据第二机舱加速度AY的矢量距离与风速的矢量距离,得到第二峰值比;选取第一峰值比和第二峰值比中较大的值;当所述值大于预设阈值时,确定该值为叶片的非周期性载荷特征。
在实际应用中,基于叶片的设计和生产,参见图6所示,横坐标表示时间(为了方便作图,时间用数值来表示),纵坐标表示峰值比的大小,可以认为峰值比小于等于预设阈值时是叶片本身可以承受的载荷,而把大于预设阈值的峰值比作为影响叶片寿命的非周期性载荷特征。不难理解,预设阈值可以根据实际情况确定,这里不做具体限定。
步骤604、根据所述非周期性载荷特征和PM疲劳理论,确定叶片随时间的累加疲劳值;
所述累加疲劳值及累加疲劳值的变化特征能够表征叶片疲劳损伤的程度。
在实际应用中,所述结合所述非周期性载荷特征和PM疲劳理论,确定叶片随时间的累加疲劳值,可以包括:
根据所述非周期性载荷特征和与材料相关常数,得到作用载荷应力水平下的疲劳寿命;将所述疲劳寿命与PM疲劳理论结合,得到叶片随时间的累加疲劳值。
具体地,可以采用如下公式(4)计算当前作用载荷应力水平下的疲劳寿命
其中,Ni为当前作用载荷应力水平下的疲劳寿命,Si为当前非周期性载荷特征,α为与材料相关的常数。
PM理论指出,对于周期性载荷的每一次作用,其对构件造成的损伤可以线性叠加,参见公式(5)
其中,D定义为材料的损伤程度,Ni为当前作用载荷应力水平下的疲劳寿命,n为变幅载荷的数量。
将所述疲劳寿命与PM疲劳理论结合,可以将公式(4)代入公式(5),整理得到叶片非周期性载荷导致的疲劳值计算公式
其中,F为叶片非周期性载荷累加疲劳值,pri与St指代相同,均为非周期性载荷特征。
随着时间的增加,非周期性载荷数量不断增加,疲劳值也相应的增加,因此可以得到随时间变化的疲劳曲线,参见图3、图4所示。
由此,本发明实施例中能够依据峰值比得到非周期性载荷特征,再将非周期性载荷特征和PM疲劳理论相结合来进行风力发电机叶片的疲劳损伤监测,根据峰值比确定的非周期性载荷特征更准确,因此本实施例能够对叶片异常的监测就更准确。
这里需要说明的是,本发明所描述的各实施例是示例性的,而非穷举式的。本发明所描述的各实施例不是相互独立的,各实施例中的步骤在不违背基发明构思的情况下是可以进行拆分、组合或调整顺序的,在此基础上可以形成新的实施例,限于篇幅所限,不再赘述。
本发明实施例还提供一种电子设备,包括:存储器,用于存储可执行程序;处理器,用于执行所述存储器中存储的所述可执行程序时,实现上述任一种实施方法。
这里,要说明的是,本发明实施例提供的一种电子设备也可以是由程序模块构成,各程序模块分别用于实现各流程步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一直实施方法。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
综上所述,本发明将非周期性载荷特征和PM疲劳理论相结合来进行风力发电机叶片的疲劳损伤监测,由于考虑了导致叶片失效的最根本原因非周期性载荷,本发明能够对叶片异常进行准确监测。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种风力发电机叶片的疲劳损伤监测方法,其特征在于,包括:
获取实时振动数据和风速数据;
根据所述振动数据、所述风速数据及词频-逆文档频率TF-IDF算法,提取叶片的运行特征和环境特征;所述运行特征包括振动数据、所述环境特征包括风速数据;
根据叶片的失效机理,对所述运行特征和所述环境特征进行组合,得到叶片的非周期性载荷特征;
根据所述非周期性载荷特征和PM疲劳理论,确定叶片随时间的累加疲劳值;所述累加疲劳值及累加疲劳值的变化特征能够表征叶片疲劳损伤的程度。
2.根据权利要求1所述的方法,其特征在于,所述振动数据包括平行于机组发电机轴承方向的第一机舱加速度AX和垂直于机组发电机轴承方向的第二机舱加速度AY;
所述根据所述振动数据、所述风速数据及TF-IDF算法,提取叶片的运行特征和环境特征,包括:
对预设时间段的所述振动数据和所述风速数据进行窗口切分;
将每个窗口的第一机舱加速度AX、第二机舱加速度AY和风速应用于TF-IDF算法,得到每个窗口的TF-IDF值;
根据每个窗口的所述TF-IDF值,计算每个窗口中的第一机舱加速度AX、第二机舱加速度AY和风速相对于全部窗口的矢量距离,得到每个窗口的第一机舱加速度AX的矢量距离、第二机舱加速度AY的矢量距离、风速的矢量距离。
3.根据权利要求2所述的方法,其特征在于,
所述第一机舱加速度AX的矢量距离、所述第二机舱加速度AY的矢量距离为运行特征;
所述风速的矢量距离为环境特征。
4.根据权利要求2或3所述的方法,其特征在于,所述根据叶片的失效机理,对所述运行特征和所述环境特征进行组合,得到叶片的非周期性载荷特征,包括:
根据第一机舱加速度AX的矢量距离与风速的矢量距离,得到第一峰值比;
根据第二机舱加速度AY的矢量距离与风速的矢量距离,得到第二峰值比;
选取第一峰值比和第二峰值比中较大的值;
当所述值大于预设阈值时,确定该值为叶片的非周期性载荷特征。
5.根据权利要求1所述的方法,其特征在于,所述结合所述非周期性载荷特征和PM疲劳理论,确定叶片随时间的累加疲劳值,包括:
根据所述非周期性载荷特征和与材料相关常数,得到作用载荷应力水平下的疲劳寿命;
将所述疲劳寿命与PM疲劳理论结合,得到叶片随时间的累加疲劳值。
6.根据权利要求1所述的方法,其特征在于,所述确定叶片随时间的累加疲劳值之后,所述方法还包括:
根据叶片随时间的累加疲劳值,绘制疲劳曲线;
当疲劳曲线的形态特征满足预设的条件时,发出预警。
7.根据权利要求1所述的方法,其特征在于,所述提取叶片的运行特征和环境特征之前,所述方法还包括:
对获取的振动数据和风速数据进行异常值处理,得到已剔除异常数据样本的振动数据和风速数据。
8.根据权利要求7所述的方法,其特征在于,所述提取叶片的运行特征和环境特征之前,所述方法还包括:
对已剔除异常数据样本的振动数据和风速数据进行离散化处理,得到离散后的振动数据和风速数据。
9.根据权利要求1所述的方法,其特征在于,所述获取实时振动数据和风速数据,包括:
采集机组传感器监测的实时振动数据和风速数据。
10.一种电子设备,其特征在于,包括:存储器,用于存储可执行程序;处理器,用于执行所述存储器中存储的所述可执行程序时,实现权利要求1至9任一项所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至9任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810247182.0A CN110296053B (zh) | 2018-03-23 | 2018-03-23 | 风力发电机叶片的疲劳损伤监测方法和装置 |
EP18829711.3A EP3564526B1 (en) | 2018-03-23 | 2018-06-27 | Method, electronic device and storage media for monitoring a fatigue damage of a blade of a wind turbine unit |
PCT/CN2018/093013 WO2019178974A1 (zh) | 2018-03-23 | 2018-06-27 | 风力发电机叶片的疲劳损伤监测方法、电子设备和存储介质 |
AU2018298513A AU2018298513B2 (en) | 2018-03-23 | 2018-06-27 | Method, electronic device and storage media for monitoring a fatigue damage of a blade of a wind turbine unit |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810247182.0A CN110296053B (zh) | 2018-03-23 | 2018-03-23 | 风力发电机叶片的疲劳损伤监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110296053A true CN110296053A (zh) | 2019-10-01 |
CN110296053B CN110296053B (zh) | 2020-06-05 |
Family
ID=67437022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810247182.0A Active CN110296053B (zh) | 2018-03-23 | 2018-03-23 | 风力发电机叶片的疲劳损伤监测方法和装置 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3564526B1 (zh) |
CN (1) | CN110296053B (zh) |
AU (1) | AU2018298513B2 (zh) |
WO (1) | WO2019178974A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112611584A (zh) * | 2020-05-18 | 2021-04-06 | 北京金风慧能技术有限公司 | 风力发电机组的疲劳失效检测方法、装置、设备及介质 |
CN112796957A (zh) * | 2021-03-26 | 2021-05-14 | 厦门理工学院 | 一种风机叶片的检测方法和装置以及设备 |
CN112855457A (zh) * | 2019-11-12 | 2021-05-28 | 江苏金风科技有限公司 | 失速监测***、方法及叶片 |
CN113947223A (zh) * | 2021-10-27 | 2022-01-18 | 新疆粤水电能源有限公司 | 一种智能化设备健康管理***及方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368459B (zh) * | 2020-03-25 | 2023-08-01 | 河北振创电子科技有限公司 | 风力发电支撑塔筒振动疲劳评估方法、装置、介质及终端 |
CN113357098A (zh) * | 2021-05-31 | 2021-09-07 | 西安热工研究院有限公司 | 一种风机变桨子***故障预警方法 |
CN116292150B (zh) * | 2023-05-23 | 2023-08-04 | 三峡智控科技有限公司 | 一种基于变桨电机转矩异常监测的叶片失效保护方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104515677A (zh) * | 2015-01-12 | 2015-04-15 | 华北电力大学 | 风电机组叶片故障诊断与状态监控*** |
CN107356384A (zh) * | 2017-07-26 | 2017-11-17 | 安徽容知日新科技股份有限公司 | 一种监测风力发电设备中叶片的状态的方法、计算设备和*** |
US20170364583A1 (en) * | 2011-11-03 | 2017-12-21 | Google Inc. | Customer support solution recommendation system |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4525633A (en) * | 1982-09-28 | 1985-06-25 | Grumman Aerospace Corporation | Wind turbine maximum power tracking device |
WO2010069926A2 (en) * | 2008-12-17 | 2010-06-24 | Vestas Wind Systems A/S | Fairing for wind turbine blade |
ES2475722T3 (es) * | 2011-06-03 | 2014-07-11 | Wilic S.�R.L. | Turbina e�lica y método de control para controlar la misma |
CN102968669B (zh) * | 2011-08-31 | 2015-11-25 | 富士通株式会社 | 对负荷进行预测的方法和装置 |
CN105508147B (zh) * | 2015-12-28 | 2017-12-08 | 山东理工大学 | 风电叶片单点疲劳加载试验弯矩匹配方法 |
CN105938481A (zh) * | 2016-04-07 | 2016-09-14 | 北京航空航天大学 | 一种城市多模式文本数据的异常检测方法 |
CN106384163A (zh) * | 2016-09-08 | 2017-02-08 | 国网能源研究院 | 一种新能源发电技术成熟度预测方法及装置 |
CN106846170B (zh) * | 2016-12-22 | 2020-12-25 | 国网上海市电力公司 | 一种发电机组跳闸监测方法及其监测装置 |
CN106762454B (zh) * | 2016-12-23 | 2019-05-07 | 上海致远绿色能源股份有限公司 | 一种风力发电机叶片的疲劳测试方法 |
-
2018
- 2018-03-23 CN CN201810247182.0A patent/CN110296053B/zh active Active
- 2018-06-27 AU AU2018298513A patent/AU2018298513B2/en active Active
- 2018-06-27 WO PCT/CN2018/093013 patent/WO2019178974A1/zh unknown
- 2018-06-27 EP EP18829711.3A patent/EP3564526B1/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364583A1 (en) * | 2011-11-03 | 2017-12-21 | Google Inc. | Customer support solution recommendation system |
CN104515677A (zh) * | 2015-01-12 | 2015-04-15 | 华北电力大学 | 风电机组叶片故障诊断与状态监控*** |
CN107356384A (zh) * | 2017-07-26 | 2017-11-17 | 安徽容知日新科技股份有限公司 | 一种监测风力发电设备中叶片的状态的方法、计算设备和*** |
Non-Patent Citations (1)
Title |
---|
王子鹤,朱怀英: "风电机组预警技术", 《科技风》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112855457A (zh) * | 2019-11-12 | 2021-05-28 | 江苏金风科技有限公司 | 失速监测***、方法及叶片 |
CN112611584A (zh) * | 2020-05-18 | 2021-04-06 | 北京金风慧能技术有限公司 | 风力发电机组的疲劳失效检测方法、装置、设备及介质 |
CN112796957A (zh) * | 2021-03-26 | 2021-05-14 | 厦门理工学院 | 一种风机叶片的检测方法和装置以及设备 |
CN113947223A (zh) * | 2021-10-27 | 2022-01-18 | 新疆粤水电能源有限公司 | 一种智能化设备健康管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3564526B1 (en) | 2022-09-14 |
AU2018298513A1 (en) | 2019-10-10 |
CN110296053B (zh) | 2020-06-05 |
EP3564526A1 (en) | 2019-11-06 |
EP3564526A4 (en) | 2021-04-21 |
WO2019178974A1 (zh) | 2019-09-26 |
EP3564526A8 (en) | 2020-01-01 |
AU2018298513B2 (en) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110296053A (zh) | 风力发电机叶片的疲劳损伤监测方法和装置 | |
Favrel et al. | New insight in Francis turbine cavitation vortex rope: role of the runner outlet flow swirl number | |
Zhu et al. | Time series shapelet classification based online short-term voltage stability assessment | |
Medic et al. | Toward improved prediction of heat transfer on turbine blades | |
Young et al. | Stall warning by blade pressure signature analysis | |
Zhao et al. | Study on the characteristics of horn-like vortices in an axial flow pump impeller under off-design conditions | |
EP2728331B1 (en) | Methods and Systems for Monitoring Health of Blades | |
Guo et al. | Time response of the frequency of hydroelectric generator unit with surge tank under isolated operation based on turbine regulating modes | |
Minakov et al. | Vortex ropes in draft tube of a laboratory Kaplan hydroturbine at low load: an experimental and LES scrutiny of RANS and DES computational models | |
CN106603299B (zh) | 一种服务健康指数的生成方法及装置 | |
Hwang et al. | Modelling and simulation of the wake effect in a wind farm | |
Unterluggauer et al. | Numerical fatigue analysis of a prototype Francis turbine runner in low-load operation | |
Nikolic et al. | Robust strategies for forced response reduction of bladed disks based on large mistuning concept | |
Shang et al. | Effect of rotational speed on pressure pulsation characteristics of variable-speed pump turbine unit in turbine mode | |
Rivas-Guerra et al. | Identification of mistuning characteristics of bladed disks from free response data—part ii | |
von Locquenghien et al. | Simulation of the structural behavior of a Francis runner in Deep Part Load Operation | |
CN110504695A (zh) | 一种评估双馈风机在强迫振荡中参与度的方法 | |
An et al. | Combined grey model based on entropy weight method for long-term load forecasting | |
Ziying et al. | A New Bearing Fault Diagnosis Method Based on Refined Composite Multiscale Global Fuzzy Entropy and Self‐Organizing Fuzzy Logic Classifier | |
CN114077921A (zh) | 变压器感知量趋势预测及状态逐级预警方法、装置及*** | |
US20140156243A1 (en) | Fan selection system and method | |
Shanavas et al. | Supervised graph-based term weighting scheme for effective text classification | |
CN104809232A (zh) | 一种基于句子间情绪转移概率的句子级情绪分类方法 | |
Răduca et al. | Optimization conditions of stator winding insulation of hydrogenerator | |
Goh et al. | An integrated approach improved fast S-transform and SVD noise reduction for classification of power quality disruptions in noisy environments |
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 |