CN113985276A - 风力发电机组的故障诊断方法和装置 - Google Patents
风力发电机组的故障诊断方法和装置 Download PDFInfo
- Publication number
- CN113985276A CN113985276A CN202111210458.6A CN202111210458A CN113985276A CN 113985276 A CN113985276 A CN 113985276A CN 202111210458 A CN202111210458 A CN 202111210458A CN 113985276 A CN113985276 A CN 113985276A
- Authority
- CN
- China
- Prior art keywords
- generator
- vibration data
- angular displacement
- fault diagnosis
- order spectrum
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000006073 displacement reaction Methods 0.000 claims abstract description 72
- 238000001228 spectrum Methods 0.000 claims abstract description 63
- 230000001360 synchronised effect Effects 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 239000000523 sample Substances 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 31
- 238000005070 sampling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本申请提供一种风力发电机组的故障诊断方法和装置，所述方法包括：获取风力发电机组的电流信号和振动数据；根据电流信号，确定风力发电机组的发电机的角位移；根据角位移和振动数据，确定风力发电机组的第一阶次谱，第一阶次谱的第一坐标轴用于表征角位移，第一阶次谱的第二坐标轴用于表征振动数据，角位移包括多个单位角位移；对第一阶次谱进行插值处理，使得每一单位角位移对应的振动数据的数量满足预设条件，获得第二阶次谱；采用故障诊断算法对第二阶次谱进行分析。无转速阶次跟踪方式更加准确、稳定，并降低了***成本，插值处理提升了故障诊断的精度和清晰度。
Description
技术领域
本申请涉及故障诊断领域，尤其涉及一种风力发电机组的故障诊断方法和装置。
背景技术
目前，可以根据采集的风力发电机组的转速对风力发电机组的故障进行预测，避免风力发电机组停机所造成的损失。对于风力发电机组，匀速下的轴承振动和发电机故障诊断技术相对来说是比较成熟的，基本的FFT分析、包络分析、小波分析、谱分析等都能满足基本的分析需求。然而实际情况下，发电机处于变转速的状态较多。一般来说，获取转速主要是通过转速传感器来完成的，并进行振动数据和转速的同步采集，从过往的研究效果来看，转速传感器的存在让***安装变得更加复杂，转速信号采集并不方便，且转速信号采集存在不稳定和不准确的问题，导致故障诊断精度低。
发明内容
本申请提供一种风力发电机组的故障诊断方法和装置。
具体地，本申请是通过如下技术方案实现的：
本申请实施例的第一方面提供一种风力发电机组的故障诊断方法，包括：
获取所述风力发电机组的电流信号和振动数据；
根据所述电流信号，确定所述风力发电机组的发电机的角位移；
根据所述角位移和所述振动数据，确定所述风力发电机组的第一阶次谱，所述第一阶次谱的第一坐标轴用于表征所述角位移，所述第一阶次谱的第二坐标轴用于表征所述振动数据，所述角位移包括多个单位角位移；
对所述第一阶次谱进行插值处理，使得每一单位角位移对应的振动数据的数量满足预设条件，获得第二阶次谱；
采用故障诊断算法对所述第二阶次谱进行分析。
可选地，所述每一单位角位移对应的振动数据的数量满足预设条件，包括：
每一单位角位移对应的振动数据的数量均达到多个所述单位角位移对应的振动数据的数量中的最大数量；或者，
每一单位角位移对应的振动数据的数量均达到预设数量阈值。
可选地，所述对所述第一阶次谱进行插值处理，使得每一单位角位移对应的振动数据的数量满足预设条件，获得第二阶次谱，包括：
采用多样式插值算法对所述第一阶次谱进行插值处理，使得每一单位角位移对应的振动数据的数量满足预设条件，获得第二阶次谱。
可选地，所述根据所述电流信号，确定所述风力发电机组的发电机的角位移，包括：
根据所述电流信号，确定所述发电机的旋转角速度；
根据所述旋转角速度，确定所述发电机的角位移。
可选地，所述根据所述电流信号，确定所述发电机的旋转角速度，包括：
采用同步压缩小波技术对所述电流信号进行重构处理，提取所述发电机的转速分量；
根据所述转速分量，确定所述发电机的旋转角速度。
可选地，所述采用同步压缩小波技术对所述电流信号进行重构处理，提取所述发电机的转速分量之后，根据所述转速分量，确定所述发电机的旋转角速度之前，还包括：
确定预设时间段内的所述转速分量在预设的转速区间内的占比；
所述根据所述转速分量，确定所述发电机的旋转角速度，包括：
当所述占比大于或等于预设占比阈值时，根据所述转速分量，确定所述发电机的旋转角速度。
可选地，所述角位移是通过所述发电机转动的圈数表征；
及/或，所述电流信号为基于电流探针检测获得和/或所述电流信号为基于所述风力发电机组的输出功率确定；
及/或，所述振动数据为基于振动传感器检测获得的所述发电机的驱动端的振动数据；
及/或，所述故障诊断算法包括快速傅里叶变换和/或包络分析和/或小波分析。
可选地，所述风力发电机组为半直驱风力发电机组。
本申请实施例的第二方面提供一种风力发电机组的故障诊断装置，包括一个或多个处理器，用于实现第一方面所述的故障诊断方法。
本申请实施例的第三方面提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现第一方面所述的故障诊断方法。
根据本申请实施例提供的技术方案，根据风力发电机组的电流信号确定发电机的角位移，相比采用发电机的转速信号确定发电机的角位移的方式，本申请的无转速阶次跟踪方式更加准确、稳定，并降低了***成本，实现工程和实践优化；并且，对第一阶次谱进行插值处理，确保每一单位角位移对应的振动数据的数量，并对插值处理获得的第二阶次谱进行故障诊断分析，如此，提升了故障诊断的精度和清晰度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一示例性实施例示出的一种风力发电机组的故障诊断方法的流程示意图；
图2是本申请一示例性实施例示出的一种风力发电机组的电流信号的曲线示意图；
图3是本申请一示例性实施例示出的一种风力发电机组的发电机转动的圈数与转速分量的关系示意图；
图4A是本申请一示例性实施例示出的一种第一阶次谱的曲线示意图；
图4B是本申请一示例性实施例示出的一种第二阶次谱的曲线示意图；
图5A是本申请一示例性实施例示出的一种对第一阶次谱进行快速傅里叶变换FFT分析后获得的频谱示意图；
图5B是本申请一示例性实施例示出的一种对第二阶次谱进行快速傅里叶变换FFT分析后获得的频谱示意图；
图6是本申请一示例性实施例示出的一种风力发电机组的故障诊断装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图，对本申请的风力发电机组的故障诊断方法和装置进行详细说明。在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
本申请实施例根据风力发电机组的电流信号确定发电机的角位移，相比采用发电机的转速信号确定发电机的角位移的方式，本申请的无转速阶次跟踪方式更加准确、稳定，并降低了***成本，实现工程和实践优化；并且，对第一阶次谱进行插值处理，确保每一单位角位移对应的振动数据的数量，并对插值处理获得的第二阶次谱进行故障诊断分析，如此，提升了故障诊断的精度和清晰度。
图1是本申请一示例性实施例示出的一种风力发电机组的故障诊断方法的流程示意图。如图1所示，本申请一实施例中的故障诊断方法可以包括步骤S11～S15。
其中，在S11中、获取风力发电机组的电流信号和振动数据。
本申请实施例中，电流信号和振动数据是同步获取的。
电流信号可采用不同的方式获取，例如，在一些实施例中，电流信号为基于电流探针检测获得，例如，电流探针可设置于风力发电机组的发电机的输出端，或者电流探针也可设于发电机的输入端。应当理解的是，电流探针也可替换成其他能够检测电流信号的传感器。
在另外一些实施例中，电流信号为基于风力发电机组的输出功率确定，例如，可以获取电网端的数据，并分析获得风力发电机组的输出功率的大小。
振动数据为基于振动传感器检测获得的发电机的驱动端的振动数据，其中，振动数据包括振动幅度和振动频率。
在S12中、根据电流信号，确定风力发电机组的发电机的角位移。
具体地，步骤S12中根据电流信号，确定风力发电机组的发电机的角位移可包括但不限于如下步骤：
(1)、根据电流信号，确定发电机的旋转角速度；
可以先采用同步压缩小波技术对电流信号进行重构处理，提取发电机的转速分量；再根据转速分量，确定发电机的旋转角速度。其中，电流信号与发电机的转速分量正相关，但不是线性正相关。同步压缩小波技术提取转速分量的方式估算准确，有利于提升后续故障诊断的准确性。应当理解地是，也可采用其他算法来根据电流信号提取发电机的转速分量。
此外，在一些实施例中，需要验证转速分量估算的可靠性，本实施例在采用同步压缩小波技术对电流信号进行重构处理，提取发电机的转速分量之后，根据转速分量，确定发电机的旋转角速度之前，确定预设时间段(可以为采样时间段)内的转速分量在预设的转速区间内的占比。其中，当占比大于或等于预设占比阈值时，根据转速分量，确定发电机的旋转角速度。占比大于或等于预设占比阈值表明转速分量估算可靠，可以进一步根据转速分量，确定发电机的旋转角速度。占比小于预设占比阈值表明转速估算不可靠，此时，可以采用其他算法重新估算旋转分量，或者增加电流信号的采样量再估算旋转分量等方式。预设占比阈值的大小可以根据需要设定，例如，预设占比阈值可以为85％、90％、95％或100％。转速区间可以根据风力发电机组的额定转速进行上下浮动后获得，如额定转速为1800rpm/min，转速区别可以为[1650,1850]rpm/min。
应当理解地是，也可以采用其他方式验证转速分量估算的可靠性，例如，在采用同步压缩小波技术对电流信号进行重构处理，提取发电机的转速分量之后，根据转速分量，确定发电机的旋转角速度之前，确定预设时间段内的转速分量在预设的转速区间内的数量，当预设时间段内的转速分量在预设的转速区间内的数量大于或等于预设数量阈值时，表明转速分量估算可靠，可以进一步根据转速分量，确定发电机的旋转角速度；当预设时间段内的转速分量在预设的转速区间内的数量小于预设数量阈值时，表明转速分量估算不可靠。
旋转角速度可以通过曲线形式表征，如横轴表示时间，纵轴表示旋转角速度；或者，旋转角速度可以通过离散的数值形式表征。
(2)、根据旋转角速度，确定发电机的角位移。
可以利用风力发电机组的运行时间曲线和旋转角速度曲线进行除法运算，得到发电机的角位移。
在一些实施例中，角位移是通过发电机转动的圈数表征；而在另外一些实施例中，角位移可以通过发电机转动的总角度大小表征。
在S13中、根据角位移和振动数据，确定风力发电机组的第一阶次谱，第一阶次谱的第一坐标轴用于表征角位移，第一阶次谱的第二坐标轴用于表征振动数据，角位移包括多个单位角位移。
可选地，在一些实施例中，第一坐标轴为横轴，第二坐标轴为纵轴；在另外一些实施例中，第一坐标轴为纵轴，第二坐标轴为横轴。
示例性地，第一阶次谱的横轴用于表征发电机转动的圈数，纵轴用于表征振动幅度。
本申请实施例中，根据角位移对振动数据进行划分，得到第一阶次谱，具体地，发电机转动一圈对应的一个采样时间段，在该采样时间段内的采样获得的振动数据与相应的圈数对应。
单位角位移可以为发电机转动一圈对应的圈数或角度，应当理解地是，单位角位移的大小可以根据需要设定。
在S14中、对第一阶次谱进行插值处理，使得每一单位角位移对应的振动数据的数量满足预设条件，获得第二阶次谱。
在一些实施例中，每一单位角位移对应的振动数据的数量满足预设条件包括：每一单位角位移对应的振动数据的数量均达到多个单位角位移对应的振动数据的数量中的最大数量。例如，可先统计每一单位角位移对应的振动数据的数量大小，然后确定所有单位角位移对应的振动数据的数量中的最大数量，接着根据最大数量对其他单位角位移内的振动数据进行插值，使得其他单位角位移对应的振动数据的数量均达到最大数量。进行插值后，多个单位角位移对应的振动数据的数量的大小一致，且数量足够，能够提升故障诊断的精确性。
在另外一些实施例中，每一单位角位移对应的振动数据的数量满足预设条件包括：每一单位角位移对应的振动数据的数量均达到预设数量阈值。本实施例中，进行插值后，多个单位角位移对应的振动数据的数量大小可能不一致，但数量足够，能够保证故障诊断的精确性。
可以采用多样式插值算法对第一阶次谱进行插值处理，使得每一单位角位移对应的振动数据的数量满足预设条件，获得第二阶次谱。应当理解地是，也可以采用其他插值算法对第一阶次谱进行插值处理，使得每一单位角位移对应的振动数据的数量满足预设条件，获得第二阶次谱。
示例性地，在实现步骤S14时，先统计每一单位角位移对应的振动数据的数量大小，再确定所有单位角位移对应的振动数据的数量中的最大数量，接着采用多样式插值算法对其他单位角位移内的振动数据进行插值，使得其他单位角位移对应的振动数据的数量均达到最大数量。
在S15中、采用故障诊断算法对第二阶次谱进行分析。
其中，故障诊断算法可包括快速傅里叶变换和/或包络分析和/或小波分析等。
本申请实施例中的风力发电机组可以为半直驱风力发电机组，即上述实施例中的故障诊断方法适用于半直驱风力发电机组；应当理解地是，上述实施例中的故障诊断方法也适用于其他类型的风力发电机组。
在一具体的实施例中，如图2所示，为利用电流探针采样得到的发电机的电流信号的曲线示意图，其中，横轴表示采样时间t，纵轴表示采样的电压幅值归一化后获得的电流信号v。基于同步压缩小波技术对图2所示的电流信号进行处理，对转速分量进行预测，得到如图3所示的发电机转动的圈数与转速分量之间的关系曲线，图3中，横轴表示发电机转动的圈数number，纵轴表示转速分量rpm。所分析的半直驱风力发电机组的额定转速为1800rpm/min，所预测的转速分量的数量为1080个，95％分布在1650-1850的转速区间内，转速分量估算可靠。图4A为根据发电机转动的圈数和振动数据，确定的第一阶次谱的曲线示意图，图4B为对图4A所示的第一阶次谱进行多样式插值后获得的第二阶次谱的曲线示意图，图4A和图4B中，横轴表示圈数point number，纵轴表示振动幅度A，可以看出，相比第一阶次谱，第二阶次谱的数据量更密集。此时，第一阶次谱和第二阶次谱均为时域曲线。为了进行故障诊断，需要将时域的第一阶次谱或第二阶次谱进一步转换成频域曲线，如图5A所示，为对第一阶次谱进行快速傅里叶变换FFT分析后获得的频谱，如图5B所示，为对第二阶次谱进行快速傅里叶变换FFT分析后获得的频谱，从比较结果来看，图5B所示的无转速阶次跟踪后的频谱特征相比图5A的无转速阶次跟踪后的频谱特征更加清晰，边带减少。并且，在处理过程当中省略了采样转速数据并直接应用，本申请的故障诊断方法更简单且稳定性强、精确度高。其中，图5A和图5B中，横轴表示频率，纵轴表示振动幅度。其中，振动幅度大于或等于预设幅度阈值，表示风力发电机组在对应的采样时刻存在故障。
电流信号的获取相对来说比较容易，发电机的转动频率和电流信号的脉动频率具有强相关关系，尽管存在变转速的情况，但电流信号远比振动数据要稳定的多，因此基于电流信号对风力发电机组进行故障诊断能够大大提升故障诊断的精度。
与前述故障诊断方法的实施例相对应，本申请还提供了故障诊断装置的实施例。
参见图6，本申请实施例还提供一种风力发电机组的故障诊断装置，包括一个或多个处理器，用于实现上述实施例中的故障诊断方法。
本申请故障诊断装置的实施例可以应用在风力发电机组上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在风力发电机组的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，为本申请故障诊断装置所在风力发电机组的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的风力发电机组通常根据该风力发电机组的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本申请实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的故障诊断方法。
所述计算机可读存储介质可以是前述任一实施例所述的风力发电机组的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是风力发电机的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介质还可以既包括风力发电机组的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述风力发电机组所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。
Claims (10)
1.一种风力发电机组的故障诊断方法，其特征在于，包括：
获取所述风力发电机组的电流信号和振动数据；
根据所述电流信号，确定所述风力发电机组的发电机的角位移；
根据所述角位移和所述振动数据，确定所述风力发电机组的第一阶次谱，所述第一阶次谱的第一坐标轴用于表征所述角位移，所述第一阶次谱的第二坐标轴用于表征所述振动数据，所述角位移包括多个单位角位移；
对所述第一阶次谱进行插值处理，使得每一单位角位移对应的振动数据的数量满足预设条件，获得第二阶次谱；
采用故障诊断算法对所述第二阶次谱进行分析。
2.根据权利要求1所述的风力发电机组的故障诊断方法，其特征在于，所述每一单位角位移对应的振动数据的数量满足预设条件，包括：
每一单位角位移对应的振动数据的数量均达到多个所述单位角位移对应的振动数据的数量中的最大数量；或者，
每一单位角位移对应的振动数据的数量均达到预设数量阈值。
3.根据权利要求1或2所述的风力发电机组的故障诊断方法，其特征在于，所述对所述第一阶次谱进行插值处理，使得每一单位角位移对应的振动数据的数量满足预设条件，获得第二阶次谱，包括：
采用多样式插值算法对所述第一阶次谱进行插值处理，使得每一单位角位移对应的振动数据的数量满足预设条件，获得第二阶次谱。
4.根据权利要求1所述的风力发电机组的故障诊断方法，其特征在于，所述根据所述电流信号，确定所述风力发电机组的发电机的角位移，包括：
根据所述电流信号，确定所述发电机的旋转角速度；
根据所述旋转角速度，确定所述发电机的角位移。
5.根据权利要求4所述的风力发电机组的故障诊断方法，其特征在于，所述根据所述电流信号，确定所述发电机的旋转角速度，包括：
采用同步压缩小波技术对所述电流信号进行重构处理，提取所述发电机的转速分量；
根据所述转速分量，确定所述发电机的旋转角速度。
6.根据权利要求5所述的风力发电机组的故障诊断方法，其特征在于，所述采用同步压缩小波技术对所述电流信号进行重构处理，提取所述发电机的转速分量之后，根据所述转速分量，确定所述发电机的旋转角速度之前，还包括：
确定预设时间段内的所述转速分量在预设的转速区间内的占比；
所述根据所述转速分量，确定所述发电机的旋转角速度，包括：
当所述占比大于或等于预设占比阈值时，根据所述转速分量，确定所述发电机的旋转角速度。
7.根据权利要求1所述的风力发电机组的故障诊断方法，其特征在于，所述角位移是通过所述发电机转动的圈数表征；
及/或，所述电流信号为基于电流探针检测获得和/或所述电流信号为基于所述风力发电机组的输出功率确定；
及/或，所述振动数据为基于振动传感器检测获得的所述发电机的驱动端的振动数据；
及/或，所述故障诊断算法包括快速傅里叶变换和/或包络分析和/或小波分析。
8.根据权利要求1所述的风力发电机组的故障诊断方法，其特征在于，所述风力发电机组为半直驱风力发电机组。
9.一种风力发电机组的故障诊断装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-8中任一项所述的故障诊断方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-8中任一项所述的故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111210458.6A CN113985276B (zh) | 2021-10-18 | 2021-10-18 | 风力发电机组的故障诊断方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111210458.6A CN113985276B (zh) | 2021-10-18 | 2021-10-18 | 风力发电机组的故障诊断方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113985276A true CN113985276A (zh) | 2022-01-28 |
| CN113985276B CN113985276B (zh) | 2024-02-27 |
Family
ID=79739171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111210458.6A Active CN113985276B (zh) | 2021-10-18 | 2021-10-18 | 风力发电机组的故障诊断方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113985276B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116257739A (zh) * | 2023-05-16 | 2023-06-13 | 成都飞机工业（集团）有限责任公司 | 一种高速电主轴快速可视化诊断方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130325373A1 (en) * | 2012-05-29 | 2013-12-05 | Wei Qiao | Detecting Faults in Wind Turbines |
| CN203365632U (zh) * | 2013-05-23 | 2013-12-25 | 国家电网公司 | 高压断路器机械特性检测与故障诊断装置 |
| KR20140033944A (ko) * | 2012-09-11 | 2014-03-19 | 엘에스전선 주식회사 | 풍력용 변압기 감시 진단 시스템 및 방법 |
| CN103884502A (zh) * | 2014-04-02 | 2014-06-25 | 清华大学 | 一种变转速下风力发电机行星齿轮***故障诊断方法 |
| KR101420846B1 (ko) * | 2014-02-13 | 2014-07-18 | 한국기계연구원 | 액티브 빈을 이용한 풍력 발전기 고장 진단 방법 |
| CN104266747A (zh) * | 2014-06-09 | 2015-01-07 | 中能电力科技开发有限公司 | 一种基于振动信号阶次分析的故障诊断方法 |
| CN105784366A (zh) * | 2016-03-30 | 2016-07-20 | 华北电力大学（保定） | 一种变转速下的风电机组轴承故障诊断方法 |
| CN106525427A (zh) * | 2016-12-23 | 2017-03-22 | 安徽大学 | 一种变转速工况下的直流无刷电机轴承故障诊断方法 |
| CN109063387A (zh) * | 2018-09-26 | 2018-12-21 | 华南理工大学 | 利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法 |
| CN110763462A (zh) * | 2019-04-26 | 2020-02-07 | 武汉科技大学 | 一种基于同步压缩算子的时变振动信号故障诊断方法 |
| CN110988472A (zh) * | 2019-12-17 | 2020-04-10 | 清华大学 | 基于电流信号的风力发电机变桨传动齿轮故障诊断方法 |
| CN111259765A (zh) * | 2020-01-13 | 2020-06-09 | 北京工业大学 | 一种基于数控机床主轴电流信号的阶次分析方法 |
| CN111975784A (zh) * | 2020-09-03 | 2020-11-24 | 昆明理工大学 | 一种基于电流和振动信号的关节机器人故障诊断方法 |
| CN112924861A (zh) * | 2021-01-28 | 2021-06-08 | 国网宁夏电力有限公司培训中心 | 一种电容器投切断路器状态监测方法 |
| CN113325314A (zh) * | 2021-07-20 | 2021-08-31 | 安徽巨森电器有限公司 | 一种电机故障诊断方法 |
-
2021
- 2021-10-18 CN CN202111210458.6A patent/CN113985276B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130325373A1 (en) * | 2012-05-29 | 2013-12-05 | Wei Qiao | Detecting Faults in Wind Turbines |
| KR20140033944A (ko) * | 2012-09-11 | 2014-03-19 | 엘에스전선 주식회사 | 풍력용 변압기 감시 진단 시스템 및 방법 |
| CN203365632U (zh) * | 2013-05-23 | 2013-12-25 | 国家电网公司 | 高压断路器机械特性检测与故障诊断装置 |
| KR101420846B1 (ko) * | 2014-02-13 | 2014-07-18 | 한국기계연구원 | 액티브 빈을 이용한 풍력 발전기 고장 진단 방법 |
| CN103884502A (zh) * | 2014-04-02 | 2014-06-25 | 清华大学 | 一种变转速下风力发电机行星齿轮***故障诊断方法 |
| CN104266747A (zh) * | 2014-06-09 | 2015-01-07 | 中能电力科技开发有限公司 | 一种基于振动信号阶次分析的故障诊断方法 |
| CN105784366A (zh) * | 2016-03-30 | 2016-07-20 | 华北电力大学（保定） | 一种变转速下的风电机组轴承故障诊断方法 |
| CN106525427A (zh) * | 2016-12-23 | 2017-03-22 | 安徽大学 | 一种变转速工况下的直流无刷电机轴承故障诊断方法 |
| CN109063387A (zh) * | 2018-09-26 | 2018-12-21 | 华南理工大学 | 利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法 |
| CN110763462A (zh) * | 2019-04-26 | 2020-02-07 | 武汉科技大学 | 一种基于同步压缩算子的时变振动信号故障诊断方法 |
| CN110988472A (zh) * | 2019-12-17 | 2020-04-10 | 清华大学 | 基于电流信号的风力发电机变桨传动齿轮故障诊断方法 |
| CN111259765A (zh) * | 2020-01-13 | 2020-06-09 | 北京工业大学 | 一种基于数控机床主轴电流信号的阶次分析方法 |
| CN111975784A (zh) * | 2020-09-03 | 2020-11-24 | 昆明理工大学 | 一种基于电流和振动信号的关节机器人故障诊断方法 |
| CN112924861A (zh) * | 2021-01-28 | 2021-06-08 | 国网宁夏电力有限公司培训中心 | 一种电容器投切断路器状态监测方法 |
| CN113325314A (zh) * | 2021-07-20 | 2021-08-31 | 安徽巨森电器有限公司 | 一种电机故障诊断方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116257739A (zh) * | 2023-05-16 | 2023-06-13 | 成都飞机工业（集团）有限责任公司 | 一种高速电主轴快速可视化诊断方法 |
| CN116257739B (zh) * | 2023-05-16 | 2023-08-04 | 成都飞机工业（集团）有限责任公司 | 一种高速电主轴快速可视化诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113985276B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104136896B (zh) | 用于获取旋转马达的振动信号的*** | |
| CN101603854A (zh) | 旋转机械启停阶段非平稳振动信号瞬时频率估计算法 | |
| CN110542562B (zh) | 发动机扭矩的测量方法、测量装置、控制设备及存储介质 | |
| CN113985276B (zh) | 风力发电机组的故障诊断方法和装置 | |
| CN115586441B (zh) | 基于梳状滤波的电机故障诊断方法、装置及存储介质 | |
| Haddad et al. | Outer race bearing fault detection in induction machines using stator current signals | |
| CN111879508A (zh) | 基于时频变换的旋转机械瞬时转速估计方法、装置和存储介质 | |
| CN117606782B (zh) | 风力发电机叶片故障检测方法、装置、设备及存储介质 | |
| CN111680665A (zh) | 基于数据驱动的采用电流信号的电机机械故障诊断方法 | |
| KR102382628B1 (ko) | 위상 정보를 활용한 기어박스의 고장 감지 장치 및 방법 | |
| CN107894279B (zh) | 风力发电机组振动数据及工况数据的同步检测方法和装置 | |
| CN111812511A (zh) | 一种基于大数据的电机故障诊断方法及装置 | |
| CN115143193B (zh) | 基于灵敏度检测结果的磁悬浮电机失稳预诊断方法、*** | |
| CN109736793B (zh) | 一种评价储层孔隙结构的方法及设备 | |
| CN115014765B (zh) | 一种通过声信号提取滚动轴承保持架故障特征的方法 | |
| CN113933056A (zh) | 风力发电机组的轴承故障诊断方法和装置 | |
| CN115186702A (zh) | 一种基于振动信号的离心泵空化状态识别方法 | |
| CN113738632B (zh) | 用于测量液压泵转速的方法和*** | |
| CN115712065B (zh) | 时频旋转门与卷积核感知匹配的电机故障诊断方法及*** | |
| DE112020003120T5 (de) | Zustandsüberwachungsschaltung für eine elektrische maschine | |
| KR102473124B1 (ko) | 전동기의 고장 검출 장치 및 방법 | |
| Thakur et al. | Appropriate Mother Wavelet Selection with Optimum Level of Disintegration for Analyzing Various Faults of Induction Motor Under Variation in Motor Loading | |
| CN116242612B (zh) | 一种故障诊断方法、装置、介质及设备 | |
| CN112098836B (zh) | 一种基于电气畸变分析的电动机非稳数据排除方法及*** | |
| CN116626486A (zh) | 笼型异步电机的转子断条故障诊断方法、装置、设备 |
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 |