WO2011024304A1 - 風車の監視装置及び方法並びにプログラム - Google Patents

風車の監視装置及び方法並びにプログラム Download PDF

Info

Publication number
WO2011024304A1
WO2011024304A1 PCT/JP2009/065174 JP2009065174W WO2011024304A1 WO 2011024304 A1 WO2011024304 A1 WO 2011024304A1 JP 2009065174 W JP2009065174 W JP 2009065174W WO 2011024304 A1 WO2011024304 A1 WO 2011024304A1
Authority
WO
WIPO (PCT)
Prior art keywords
characteristic
data
windmill
diagnosis
data file
Prior art date
Application number
PCT/JP2009/065174
Other languages
English (en)
French (fr)
Inventor
石岡　昌人
小林　靖之
Original Assignee
三菱重工業株式会社
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 三菱重工業株式会社 filed Critical 三菱重工業株式会社
Priority to PCT/JP2009/065174 priority Critical patent/WO2011024304A1/ja
Priority to US12/672,338 priority patent/US8433539B2/en
Priority to EP09805894.4A priority patent/EP2474734A4/en
Publication of WO2011024304A1 publication Critical patent/WO2011024304A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • F05B2270/00—Control
    • F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
    • 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
    • F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
    • F05B2270/803—Sampling thereof

Definitions

  • the present invention relates to a windmill monitoring apparatus, method, and program suitable for application to a windmill that converts wind energy into electric power.
  • measurement data corresponding to operating conditions is automatically acquired from sensors attached to various locations of the wind turbine, and the measurement data related to each measurement item is compared with a pre-registered threshold value, respectively. Therefore, it is generally known to monitor the operation state (normal, attention required, failure, etc.).
  • the measurement data is registered in advance. With a method of determining an abnormality by comparing with a threshold value, a highly accurate determination result cannot be expected.
  • a wind turbine monitoring apparatus, method, and program capable of automatically monitoring a wind turbine state and quantitatively evaluating the state according to an appropriate standard. provide.
  • a first aspect of the present invention is a windmill monitoring device that monitors a state of the windmill using characteristic values created based on measurement data measured by a plurality of sensors provided in the windmill, When a plurality of characteristic values associated with the measurement time are stored for each characteristic item and the characteristic values associated with the same measurement time are set as one data set, the data set includes predetermined characteristic items.
  • the first storage unit storing the identification information indicating the class classification determined according to the characteristic value and a plurality of characteristic values associated with the measurement time are stored for each characteristic item, and the same When the characteristic values associated with the measurement time are set as one data set, identification information indicating a class classification determined according to the characteristic value of a predetermined characteristic item is attached to the data set.
  • a windmill monitoring device comprising: an evaluation unit that evaluates the state of the windmill based on a state index value; and a notification unit that notifies an evaluation result by the evaluation unit.
  • the state index value representing the state of the windmill is calculated using the diagnosis data file and the reference data file, quantitative evaluation is realized instead of qualitative evaluation based on experience and knowledge. It becomes possible. Further, since the state index value is a value in consideration of the class classification given to each data set, it is possible to compare data acquired under the same situation. Thereby, it becomes possible to evaluate the state of a windmill more appropriately.
  • the characteristic items include an environmental category related to an environment surrounding the wind turbine, a performance category related to performance and power generation conditions of the wind turbine, and various monitoring parts set for the wind turbine. It is good also as dividing roughly into three of the characteristic classification regarding the diagnosis of the driving state which concerns.
  • the class classification is determined according to a characteristic value of a predetermined characteristic item classified into at least one of the environmental classification and the performance classification. It is good as well.
  • the classification is determined based on the environmental classification and performance classification in this way, it is possible to classify the data set according to the environmental situation and power generation situation when the characteristic values classified in the characteristic classification are acquired. It becomes.
  • the plurality of data sets stored in the second storage unit are a plurality of data generated from the plurality of measurement data collected from the wind turbine. Of the set, only the data set belonging to the reference range in which the characteristic value related to the specific characteristic item is set in advance may be extracted.
  • the reference data file is generated based on the measurement data measured in the same windmill, it is possible to evaluate the state of the windmill using the reference data file reflecting the characteristics of the solid. Thereby, it becomes possible to judge the state of a windmill more correctly.
  • the reference range may be set for each class classification.
  • the index value calculation unit obtains a characteristic distribution of the reference data set by the diagnosis setting unit and obtains a characteristic distribution of the diagnosis data.
  • the state index value may be calculated by quantitatively obtaining a distance at which the characteristic distributions deviate from each other.
  • the state index value calculated by the index value calculation unit is, for example, a Mahalanobis distance calculated using a Mahalanobis Taguchi method.
  • the evaluation unit when the evaluation unit evaluates that an abnormality has occurred, it may include a factor analysis unit that performs a factor analysis of the abnormality.
  • a wind turbine group monitoring system for monitoring a state of a part or the whole of a wind farm including a plurality of wind turbines, comprising the wind turbine monitoring device described above, and monitoring the wind turbines
  • a wind turbine group monitoring system that monitors the state of a part or the whole of a wind farm based on the state index value of each of the wind turbines determined by the device and the operation performance of the part or the whole of the wind farm.
  • a third aspect of the present invention is a windmill monitoring method for monitoring a state of the windmill using characteristic values created based on measurement data measured by a plurality of sensors provided in the windmill,
  • a process of creating a diagnosis data file in which a plurality of characteristic values associated with measurement time are stored for each characteristic item, and the characteristic values associated with the same measurement time in the diagnosis data file are stored in one data set.
  • the process of assigning identification information indicating the class classification determined according to the characteristic value of the predetermined characteristic item to the data set and the characteristic value related to the specific characteristic item are defined in advance.
  • a windmill monitoring method comprising a process of evaluating the state of the windmill and a process of notifying a result of the evaluation.
  • monitoring of a windmill used for monitoring the state of the windmill using characteristic values created based on measurement data measured by a plurality of sensors provided in the windmill A process for creating a diagnosis data file in which a plurality of characteristic values associated with measurement time are stored for each characteristic item, and the characteristic values associated with the same measurement time in the diagnosis data file Is a data set, a process for assigning identification information indicating a class classification determined according to a characteristic value of a predetermined characteristic item to the data set, and a characteristic value related to a specific characteristic item
  • FIG. 18 is a diagram in which MD values and SN ratio gains are added to the two-level orthogonal table shown in FIG. 17.
  • FIG. 1 is a diagram showing a schematic configuration of a windmill.
  • the windmill 1 is provided in the nacelle 3 so as to be rotatable around a substantially horizontal axis line, with a support column 2 standing on the foundation 6, a nacelle 3 installed at the upper end of the support column 2, and
  • the rotor head 4 is provided.
  • a plurality of wind turbine blades 5 are attached to the rotor head 4 radially around its rotational axis.
  • the force of the wind striking the wind turbine blade 5 from the direction of the rotation axis of the rotor head 4 is converted into power for rotating the rotor head 4 around the rotation axis, and this power is converted into electric energy by the generator. It has become.
  • FIG. 2 is a block diagram showing a schematic configuration of a wind turbine monitoring device (hereinafter referred to as “monitoring device”) according to the present embodiment.
  • the monitoring device according to the present embodiment shown in FIG. 2 may be installed at any place inside or outside the wind turbine configuration.
  • the monitoring device 10 is a computer system (computer system), and includes a CPU (Central Processing Unit) 11, a RAM (Random). Main memory 12, such as Access Memory (ROM), ROM (Read Only) Communication for exchanging information by communicating with an auxiliary storage device 13 such as a memory (HDD), a hard disk drive (HDD), an input device 14 such as a keyboard or a mouse, an output device 15 such as a monitor or printer, and an external device.
  • the apparatus 16 is configured.
  • Various programs (for example, a monitoring program) are stored in the auxiliary storage device 13, and the CPU 11 reads out the programs from the auxiliary storage device 13 to the main storage device 12 and executes them to implement various processes.
  • FIG. 3 is a functional block diagram in which the functions of the monitoring device 10 are expanded.
  • the monitoring apparatus 10 includes a measurement information storage unit 21, a data generation unit 22, a class classification definition unit 23, a class classification unit 24, a first storage unit 25, and a normal data condition definition.
  • Unit 26 normal data extraction unit 27, second storage unit 28, diagnosis setting unit 29, index value calculation unit 30, abnormality determination unit 31, and notification unit 32.
  • the measurement information storage unit 21 stores a plurality of data files including a plurality of measurement data for each sensor.
  • each measurement data of each data file is associated with a measurement time during which the measurement data was measured. This measurement time functions as a linking parameter for associating various measurement data between data files with each other in a diagnostic data creation process performed in a class classification unit 24 described later.
  • the data generation unit 22 mainly executes the following two processes. [Unification processing of sampling time]
  • the time interval (hereinafter referred to as “sampling time”) of the measurement time of each measurement data related to various data files stored in the measurement information storage unit 21 described above is not unified. Therefore, the data generation unit 22 first performs processing for unifying these sampling times. In this embodiment, each data file is reconstructed so as to be measurement data at 1-minute intervals.
  • a representative value for 1 minute is selected by a statistical method using all measurement data acquired in 1 minute.
  • the representative value is represented by an average value and a standard deviation.
  • the data generation unit 22 extracts “diagnosis physical quantity” for a predetermined data file among various data files in which the measurement time is unified. That is, as described above, raw data measured by various sensors is stored in the measurement information storage unit 21. In order to diagnose the driving situation of each monitored part, these raw data are stored. It is necessary to generate and extract a diagnostic physical quantity suitable for diagnosis from the above data.
  • a time-series waveform which is measurement data measured by each sensor, is stored in the measurement information storage unit 21 for each sensor.
  • the data generation unit 22 performs signal processing called frequency conversion (as an example, Fast ⁇ ⁇ ⁇ Fourier Transform) on the time series waveforms respectively measured by the eight sensors CH1 to CH8, and is shown in FIG.
  • a frequency spectrum is obtained, and amplitude accelerations of a plurality of natural frequencies indicated by arrows in FIG. 4 are extracted from the frequency spectrum.
  • a new data file is created by storing the extracted amplitude acceleration in a file identified by each channel and natural frequency.
  • FIG. 5 shows an example of a newly created data file.
  • each measurement is associated with a channel (sensor) expressed as CH1, CH2, etc., and a natural frequency expressed as “AZi1,” “AZi2,” “AZi3,” etc.
  • the vibration acceleration in time is stored as a diagnostic physical quantity.
  • the measurement time of each diagnostic acceleration is unified with the measurement time of other data files. In this way, a diagnostic physical quantity is calculated in a predetermined data file, and a new database is created.
  • the calculation of the diagnostic physical quantity is mainly performed on measurement data measured by sensors attached to various monitoring parts in order to diagnose the operating state of the wind turbine 1. What signal processing is performed on the measurement data of which data file and what diagnostic physical quantity is calculated are registered in the data generation unit 22 in advance.
  • the various data files whose sampling times are unified by the data generation unit 22 and the data files for the newly created diagnostic physical quantities are output to the class classification unit 24. Note that the original data file used to calculate the diagnostic physical quantity is not particularly required for the subsequent processing, and is therefore not output to the class classification unit 24.
  • the class classification unit 24 first creates one diagnostic data file by integrating various data files input from the data generation unit 22.
  • FIG. 6 shows an example of a diagnosis data file.
  • the measurement data or the diagnostic physical quantity at each measurement time is associated with each sensor.
  • “normalized wind speed”, “MET wind speed turbulence”, “power transmission end output”, “AZi1”, “attribute” indicating the attributes of each measurement data and diagnostic physical quantity described at the top of the table of FIG.
  • a heading such as “AZi2” is called “characteristic item”, and each data of each characteristic item is defined as “characteristic value”.
  • the characteristic items are classified into “environment”, “performance”, and “characteristic” according to their attributes. “Environment” includes items related to the environment surrounding the wind turbine such as “wind speed” and “wind speed turbulence”, and “performance” includes the power generation conditions, generator speed, command values related to power generation control, etc. Characteristic items related to performance and power generation conditions are classified into “characteristics” such as “AZi1”, “AZi2”, etc.
  • the characteristic item classified as “characteristic” corresponds to a data file newly generated in the data generation unit 22 described above. In this embodiment, one diagnostic data file is configured by integrating characteristic values in increments of 1 minute from 0:00 to 23:59 on a certain day.
  • the class classification unit 24 sets characteristic values associated with the same measurement time as one data set in the diagnosis data file, and adds identification information indicating the class classification to each data set. Specifically, the class classification unit 24 selects which data set based on the class definition defined in the class classification definition unit 23, in other words, for each line of the diagnostic data file shown in FIG. Whether the data belongs to the class classification is classified, and a flag indicating the class classification is set in each data set.
  • Class classification refers to data that matches the reference ranges of a plurality of characteristic items defined by the class classification definition unit 23 in a statistical diagnosis method such as the Mahalanobis Taguchi method (hereinafter referred to as “MT method”). This is the separation of groups. As described above, the statistical diagnosis for identifying normality or abnormality between the same “class classification” has higher identification accuracy than the case of the whole data not classified.
  • MT method Mahalanobis Taguchi method
  • Class classification which is a feature of the present invention in a windmill, will be described with reference to a schematic diagram of class classification in FIG.
  • the characteristic item that is an index amount for class classification is “wind speed”.
  • Wind speed is advantageous because it has a strong correlation with the power generation performance of the wind turbine.
  • boundary values are set with physical quantities for each stage of “wind speed”, and classes F0, F1, F2, and F3 and class classification are defined.
  • F0 is the wind speed range where the windmill does not contribute to power generation
  • F1 is the low speed range where power generation starts
  • F2 is the medium speed range where power generation begins to become full-scale
  • F3 is the rating at which rated power generation begins It is considered as an area.
  • the class F0 is a wind speed region where the windmill does not contribute to power generation
  • the class F0 is defined as a data group that is not a diagnosis target
  • the three classes F1 to F3 are defined as classes to be diagnosed.
  • each measurement time may be classified into a plurality of classes based on two parameters, a wind speed turbulence rate and a wind speed.
  • FIG. 8 shows a case in which the wind turbulence rate (%) is divided into a case where the wind turbulence rate (%) is small and a case where the wind turbulence rate (%) is large and is classified into a total of six classes F1 ′ to F6.
  • the class classification is performed based on the wind speed or the like. However, as indicated in parentheses in FIG. It is good.
  • the class classification unit 24 assigns a class classification for each data set (for each row) of the diagnosis data file with reference to the condition value of the class classification stored in the class classification definition unit 23.
  • the first storage unit 25 stores the diagnosis data file classified (flagged) by the class classification unit 24.
  • the diagnosed data file with classification classified stored in the first storage unit 25 is handled as a “signal space” in the calculation processing in the index calculation unit 30.
  • the condition of the normal definition unit 26 is selected from the “past diagnosed data file” through the processing of the normal data extraction unit 27 from the “past diagnosed data file” that has already been acquired. Only data sets that are determined to be “normal” are extracted and stored in accordance with instructions for defining expressions, values, and the like. The stored data is called “normal data”. Of course, at this stage, a class classification flag is added to each data set of the normal data file stored in the second storage unit 28 in the class classification unit 24 of the preceding process.
  • the normal data file stored in the second storage unit 28 is automatically generated by the normal data extraction unit 27 and is automatically updated and accumulated daily from past normal data files.
  • a processing function for automatically generating a “normal data file” from the “diagnostic data file” stored in the first storage unit 25 will be described with reference to the drawings.
  • the normal data extraction unit 27 refers to the normal range (reference range) defined in the normal data condition definition unit 26 to extract only the data set of the diagnosis data file that matches the definition, and the second storage unit Transfer to 28 and store.
  • FIG. 9 is a normal definition in terms of performance that defines the fluctuation range of the power generation amount.
  • the horizontal axis represents the wind speed
  • the vertical axis represents the power generation amount P.
  • the performance curve of the power generation amount can be expressed as a function of P (V, r).
  • the normal range of the power generation amount is defined as the normal range (I), (II), (III) for each of the class classifications F1 to F3 according to the wind speed, and the condition that defines the normal performance range is
  • the fluctuation range is ⁇ ⁇ P / 2 from the performance curve.
  • the vertical axis is the power generation amount P, but instead of this, the rotational speed r may be used.
  • the rotational speed performance curve can be expressed as a function of r (V).
  • the normal range of the rotational speed the normal ranges (I), (II), and (III) are defined for each of the class classifications F1 to F3 according to the wind speed, and the condition that defines the normal performance range is The fluctuation range is ⁇ ⁇ r / 2 from the performance curve.
  • the horizontal axis is the wind speed, but in FIG. 9, the horizontal axis may be the rotational speed r and the vertical axis may be the power generation amount P.
  • the normal ranges (I), (II), and (III) are defined for each class classification corresponding to the rotational speed.
  • FIG. 10 is a normal definition from an approximately normal operating condition in which the variation range of the wind direction deviation is defined.
  • the horizontal axis represents the wind speed
  • the vertical axis represents the wind direction deviation ⁇ .
  • the “wind direction deviation” will be described.
  • the “normal” operating condition of the wind turbine is based on the premise that the rotating surface of the wind turbine blade is always received in front of the wind direction.
  • wind direction deviation the difference between the actual wind direction and the direction of the wind turbine blade rotation surface
  • wind direction deviation ⁇ when they are in an ideal state directly in front
  • the normal range of wind direction deviation ⁇ which is one of the “normal” operating conditions, is defined as normal ranges (I ′), (II ′), and (III ′) for each of class classifications F1 to F3 based on wind speed. ing.
  • the direction of the windmill is supplemented by the wind while following the direction of the wind constantly changing under natural conditions so that it falls within the range of (I ′), (II ′), and (III ′). Power generation is performed to meet the conditions.
  • the horizontal axis is the wind speed V, but instead, the horizontal axis may be the rotational speed r.
  • the normal ranges (I ′), (II ′), and (III ′) are defined for each class classification corresponding to the rotational speed.
  • the normal data extraction unit 27 extracts only the data set determined as the normal range from the diagnosis data file and stores it in the second storage unit 28. By storing, only normal data is stored in the second storage unit 28. These normal data files stored in the second storage unit 28 are handled as “unit spaces” in the calculation processing in the index calculation unit 30.
  • the diagnosis setting unit 29 extracts the whole or a part of the data set from the diagnosis data file in the first storage unit 25, creates a “diagnosis data file” (signal space) for diagnosis, and stores it in the second storage.
  • the whole or a part of the data set is extracted from the normal data file of the unit 28, and a “reference data file” (unit space) for diagnosis is created.
  • the class classification flag is added to each data set of these “diagnostic data file” and “reference data file” as described above.
  • abnormality diagnosis is performed by comparing the “reference data file” and the “diagnostic data file” between the same class classifications.
  • the index value calculation unit 30 uses the statistical diagnosis method based on the “diagnosis data file” and the “reference data file” created by the diagnosis setting unit 29 to check the soundness of the bearings and the gearbox in the wind turbine 1.
  • the indicated state index value is calculated.
  • the index value calculation unit 30 normalizes the “diagnosis data file” and the “reference data file” created by the diagnosis setting unit 29, and normalizes the “diagnosis data file” and the “reference data file”. ”Is obtained, the state in which the data distributions (groups) are deviated from each other is quantitatively obtained as the distance between the distributions, and the distance is treated as a soundness state index value.
  • the MT method is used as the statistical diagnosis method of the index value calculation unit 30, and the Mahalanobis distance (hereinafter referred to as “MD”) as a state index value of soundness that is one of the diagnostic output results obtained by the MT method. Value)).
  • MD Mahalanobis distance
  • the abnormality determination unit 31 compares the state index value calculated by the index value calculation unit 30 with a preset threshold value, and evaluates the state of the windmill 1 according to the comparison result. For example, when the state index value exceeds a threshold value, it is determined to be abnormal, and an abnormality determination signal is output to the notification unit 32.
  • the notification unit 32 When the abnormality determination signal is input, the notification unit 32 notifies the user of the occurrence of abnormality by displaying the occurrence of the abnormality of the windmill 1 on a display or the like.
  • an abnormality may be notified by auditory notification, for example, a report sound.
  • the notification method is not particularly limited.
  • the monitoring device 10 was measured by various sensors installed at predetermined locations together with measurement data measured by eight acceleration sensors attached to the bearings and the gearbox of the windmill 1 as a monitoring part.
  • Measurement data for example, wind speed, wind direction, generator speed, temperature, and the like are sequentially transmitted via a communication line in association with time information. These measurement data are sequentially accumulated in the measurement information storage unit 21 for each sensor.
  • the data generation unit 22 unifies the sampling time of the measurement data sequentially stored in the measurement information storage unit 21 and calculates the diagnostic physical quantity from the measurement data of the eight sensors attached to the bearing / speed increaser that is the monitoring part. Then, a data file is generated for each natural frequency (step SA1 in FIG. 11).
  • the class classification unit 24 integrates the data files to generate a diagnosis data file (step SA2 in FIG. 11), and for each data set associated with the same measurement time in the diagnosis data file A flag indicating the class classification is added (step SA3 in FIG. 11).
  • the diagnosis data file to which the class classification flag is added is stored in the first storage unit 25 (step SA4 in FIG. 11).
  • the normal data extraction unit 27 extracts only normal data sets from the classified diagnostic data file stored in the first storage unit 25 to create a normal data file, which is stored in the second storage unit 28. Stored (step SA5 in FIG. 11).
  • the diagnosis setting unit 29 extracts all or part of the data set of the diagnostic data file in the first storage unit 25 to create a diagnostic data file for diagnosis, and the normality of the second storage unit 28 All or part of a data set of the data file is extracted and set as a normal data file for diagnosis (hereinafter referred to as “reference data file”) (step SA6 in FIG. 11).
  • the index value calculation unit 30 calculates the state index value of the soundness (step SA7 in FIG. 11).
  • the state index value calculation process will be described with reference to FIG.
  • the characteristic value x ij identified by each row and each column is normalized using the average value m j and standard deviation ⁇ j calculated based on the following equations (1) and (2).
  • the normalized value of the characteristic value x ij is expressed as a sex standard value X ij and is obtained by the following equation (3).
  • each data file of n rows and k columns is assumed.
  • the index value calculation unit 30 normalizes the “diagnostic data file” by performing the same calculation as that of the reference data file.
  • the average value m j and standard deviation ⁇ j used for normalization the values of the “reference data file” calculated by the above formulas (1) and (2) are used.
  • a characteristic standard value Y ij obtained by standardizing each characteristic value y ij of the “diagnosis data file” is calculated by the following equation (4).
  • the index value calculation unit 30 reconstructs the respective data files by replacing the characteristic values of the “reference data file” and the “diagnostic data file” with the normalized characteristic standard values.
  • the correlation matrix R is derived using the following equation (5).
  • the correlation matrix is a k-th order matrix whose diagonal component is 1.
  • the number of correlation combinations is k ⁇ k.
  • there are 200 ⁇ 200 40000 correlation combinations, which simultaneously become the characteristics of a 200 ⁇ 200 regular matrix.
  • the diagonal components of the regular matrix have the property of inevitably being 1 because they are the correlations between the same characteristic items.
  • the Mahalanobis distance D 2 i (hereinafter referred to as “MD value”) using the correlation inverse matrix A of the reference data file obtained by the above equation (6) and each characteristic standard value Y ij of the diagnosis data file after normalization. (Refer to step SB4 in FIG. 12).
  • the MD value D 2 i is calculated using the following equation (7).
  • k is the number of characteristic items of the “diagnostic data file”, that is, the number of columns, and the MD value is calculated for each data set (for each row) of the “diagnostic data file”. For example, if the “diagnostic data file” is a data file for one day acquired at 1-minute intervals, the number of rows is 1440, and 1440 MD values are obtained. This means that the MD value, which is a soundness diagnostic index of the bearing / speed increaser, is sequentially calculated every measurement time.
  • the data line i (i is any one of 1 to n) corresponding to a certain measurement time in the standardized “diagnostic data file” is designated.
  • Y i1 to Y ik which are values of each column of the i row are substituted into the equation (7) for calculation.
  • steps SB1 to SB4 m j for normalization is determined depending on which class classification of the data set of the diagnosis data file is compared with the data set of the reference data file of which class classification.
  • the correlation inverse matrix A at the time of ⁇ j and MD value calculation must be properly used, automatic calculation processing is possible by instructing in advance by programming.
  • the state index value calculated by the index value calculation unit 30 is output to the abnormality determination unit 31.
  • the abnormality determination unit 31 compares each input MD value D 2 i with a preset threshold value (a value that can be arbitrarily set, for example, 3), and the MD value D 2 i is greater than the threshold value. Is also larger (step SA8 in FIG. 11). As a result, when the MD value D 2 i larger than the threshold is greater than or equal to a predetermined ratio, an abnormal signal is output assuming that the state of the windmill 1 is abnormal. Thereby, the notification unit 30 notifies the user of the abnormality of the windmill 1 (step SA9 in FIG. 11).
  • a preset threshold value a value that can be arbitrarily set, for example, 3
  • step SA8 when the MD value D 2 i exceeding the threshold is equal to or less than the predetermined ratio in step SA8, it is determined that the state of the windmill 1 is normal, and the process returns to step SA1 in FIG. Repeat. As a result, as long as no abnormality is detected, the processing from step SA1 to step SA8 is repeated, and the state of the windmill 1 is monitored every predetermined period.
  • FIG. 14 is a diagram illustrating an example of a diagnosis result.
  • the horizontal axis shows the measurement time, and the vertical axis shows the MD value.
  • the soundness of the wind turbine is compared with the “reference data file” that is an actually measured value classified into the class. Since it can be quantitatively determined by the MD value, it is possible to realize appropriate evaluation instead of qualitative evaluation based on experience and knowledge.
  • normal data stored in the second storage unit 28 is created using data stored in the first storage unit 25, but normal data stored in the second storage unit 28 is used.
  • the data is not limited to this example.
  • normal data calculated by predetermined simulation software or the like may be used.
  • step SA1 to step SA9 has been described as a series of processing.
  • the normal data file generation processing that is, data is stored in the first storage unit 25.
  • the processing to store and the processing to store data in the second storage unit 28 are handled as pre-processing necessary for monitoring the state of the windmill, and the processing after setting the reference data file and the diagnostic data file, specifically
  • the processing from step SA6 to step SA9 in FIG. 11 may be handled as the main processing for evaluating the state of the windmill 1.
  • the preprocessing and the main processing may have a time difference or may be realized by different computers.
  • the strain change of the windmill 1 is measured by an electric strain gauge or an optical fiber, and the state related to the soundness of the windmill 1 (cumulative load and its strength deterioration degree) is monitored based on this measurement data. Do.
  • Each process according to the present embodiment is the same as the process performed in the first embodiment described above, and only the characteristic items classified as “characteristics” are changed. Therefore, description of each process is omitted.
  • the MD value is obtained by using the measurement data measured by the strain sensor attached to the predetermined portion of the windmill 1 and comparing them with the normal data. calculate. Thereby, it becomes possible to evaluate the soundness of a windmill using MD value which is an objective statistical index value.
  • the monitoring apparatus of the present invention has a plurality of monitoring parts set. It is also applicable when In this case, in the diagnostic data file shown in FIG. 6, the number of characteristic items classified as “characteristics” increases according to the monitored part. And about calculation of the said MD value, the state of a some monitoring site
  • “Factor effect analysis” of the present embodiment is, for example, a quantitative analysis of which characteristic items have an influence on the length of MD values, assuming that there are 200 characteristic items constituting diagnostic data. As shown in FIG. 16, rank-up display is performed according to the magnitude of the SN ratio gain, which is the output value of the factor effect analysis.
  • FIG. 17 shows an example in which there are five types of characteristic items.
  • Each of the five types of characteristic items is assigned to a two-level orthogonal table of “use ⁇ ” and “not use ⁇ ”, and the five types.
  • the MD value calculation process (see FIG. 12) is performed in accordance with 12 combination conditions (row number of orthogonal table) of “use ⁇ ” and “not use ⁇ ” of the characteristic items of 5
  • the MD value of each data set in the diagnostic data file consisting of individual characteristic items is calculated.
  • the measurement time interval determined to be abnormal in the diagnosis data file by the abnormality determination unit 31 is 2 minutes (two data lines)
  • 12 characteristic items “ The MD value is calculated for each case of “use ⁇ ” and “not use ⁇ ”.
  • 12 types ⁇ 2 MD values D 2 (1) and D 2 (2) are added as calculation results to the right end of the orthogonal table of FIG. From these MD values D 2 (1) and D 2 (2), the SN ratios ⁇ of 12 combinations are calculated using the following equation (8).
  • the results of the twelve SN ratios ⁇ 1 to ⁇ 12 calculated by Expression (8) are added to the right end of the orthogonal table as shown in FIG. This completes the preparation for calculating the S / N ratio gain for each characteristic item (characteristic item 1 to characteristic item 5) of the factor effect.
  • characteristic item 1 low speed meshing primary
  • characteristic item medium speed overall value
  • the SN ratio gains ⁇ c1 to ⁇ c5 of the characteristic items 1 to 5 obtained by the factor effect analysis in the abnormality diagnosis data file are the combinations ( ⁇ ) of the characteristic items. This is the difference between the SN ratio and the SN ratio when the combination was not used (x).
  • the characteristic value with the larger S / N ratio gain is more likely to be involved in the abnormality.
  • the average values of the SN ratio values in the auxiliary table list of FIG. 18 are used by using the calculated values in the orthogonal table of FIG.
  • the factor analysis unit 50 can contribute to the cause of abnormality from a plurality of characteristic items in the diagnosis data file by quantifying the contribution rate of the factor effect to each characteristic item based on the gain of Expression (9). A characteristic item with high characteristics is selected, and the result of this factor effect is output to the notification unit 32. Thereby, the notification part 32 notifies the user of the analysis result of the factor analysis part 50.
  • FIG. 16 is a diagram showing an example of a display screen showing the factor analysis results. It shows that a characteristic item having a large gain value can be a cause of occurrence of an abnormality detected this time.
  • the monitoring apparatus when a wind turbine state abnormality is detected, a characteristic item that is likely to cause the abnormality is analyzed, and the analysis result is analyzed by the user. Can be notified. Thereby, it is possible to promptly take an appropriate response to the occurrence of an abnormality.
  • the factor analysis result obtained by the factor analysis unit 50 described above may be adopted for maintenance, after-sales service, and the like.
  • the factor analysis result secondarily, it is possible to find a sign of abnormality, and thus it is possible to prevent occurrence of a serious abnormality such as replacement of a device in advance.
  • a reduction in the operating efficiency of the windmill due to the occurrence of an abnormality it is possible to reduce maintenance costs.
  • a wind turbine monitoring device according to a fourth embodiment of the present invention will be described.
  • a normal data file is used as the reference data file.
  • the above-described MD value is calculated by using an abnormal data file as the reference data file. And when this MD value is smaller than a predetermined threshold value, it determines with abnormality having generate
  • the factor as in the third embodiment described above is obtained. Without performing the effect analysis, it is possible to easily specify which characteristic item diagnosis data indicates what kind of abnormality.
  • the monitoring device performs state monitoring regarding each part of one windmill.
  • the monitoring system monitors the state of some or all of the wind turbines 1 in a wind farm in which a plurality of wind turbines are installed.
  • the monitoring system of the present embodiment includes any one of the monitoring devices according to the first to fourth embodiments described above, and the state index value of each wind turbine obtained by each of these monitoring devices, and the plurality of operations. Based on the performance, the state of a plurality of wind turbines to be monitored is monitored. Specifically, the monitoring system acquires the information of the monitoring result such as the state index value from each monitoring device via a communication network such as a wireless communication network, and outputs the total output power output from the wind turbine to be monitored. Get about the amount via the network.
  • the monitoring system calculates the MD values of these state index values by using the state index values acquired from the respective monitoring devices as parameters of the MT method. And the state of the windmill in a wind farm is determined by comparing this MD value with the preset threshold value.
  • a wind turbine that exhibits a characteristic value different from the others among a plurality of wind turbines constituting the wind farm. Can be determined.
  • an abnormal windmill instead of specifying an abnormal windmill based on a predetermined threshold that is uniquely determined, by specifying a windmill showing characteristics different from others as a target for a plurality of windmills, It is possible to comprehensively determine wind turbine abnormalities from a wide range of viewpoints for various factors. Thereby, the monitoring precision of a windmill can be improved.
  • the monitoring system described above does not necessarily require a plurality of computers. For example, after calculating the state index values of a plurality of wind turbines in one computer system in order, these state index values are used. It is also possible to determine abnormality of the entire windmill. That is, by installing software for realizing the above functions and executing the software by the CPU, the above functions may be realized by a single device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (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)

Abstract

　風車の状態監視を自動で行うとともに、その状態評価を適切な基準に従い定量的に行うこと。被診断データファイルが格納される第１記憶部（２５）と、正常データファイルが格納される第２記憶部（２８）と、第１記憶部（２５）から診断に用いる複数のデータセットを抽出して設定するとともに、第２記憶部から診断に用いる複数のデータセットを抽出して設定する診断設定部（２９）と、設定された被診断データファイルのデータセット及び基準データファイルのデータセットを元に、統計的演算手法を用いて、風車の状態を表す状態指標値を算出する指標値算出部（３０）と、前記状態指標値に基づいて、風車の状態を評価する異常判定部（３１）と、その評価結果を通知する通知部（３２）とを備える風車の監視装置を提供する。

Description

風車の監視装置及び方法並びにプログラム
　本発明は、風力エネルギーを電力に変換する風車に適用するのに好適な風車の監視装置及び方法並びにプログラムに関するものである。
　従来、風車の監視技術では、例えば、風車の各所に取り付けられたセンサから運転条件に応じた計測データを自動取得し、各計測項目に係る計測データと予め登録されている閾値とをそれぞれ比較することにより、運転状態（正常、要注意、故障等）を監視することが一般に知られている。
特開２００６－３４２７６６号公報
　ところで、各センサによって計測された計測データから得られる各計測項目に係る状態量が、異常を示すか否かの判定は専門家でも非常に難しく、上述のように、計測データと、予め登録されている閾値とを比較することにより異常を判定するような方法では、精度の高い判断結果を期待できない。
　また、複数の計測項目間で複数の組み合わせの相関があるときには、これらの相関を考慮して運転状態を判定することが好ましいが、このような複雑な処理については自動により判定することは困難であった。
　また、診断精度の向上を図るために、専門家による診断判定を行うことも考えられるが、多大な計測データを処理することは、労力、時間の面から好ましくない。また、専門家による診断の場合には、運転時の異常検知や要因分析の精度・再現性が専門家個人の知見や熟練度に依存することとなる。従って、風車設備の異常検知や要因分析の診断レベルに大きなバラツキが生じてしまうという問題が生ずる。
　本発明は、上記問題を解決するためになされたもので、風車の状態監視を自動で行うとともに、その状態評価を適切な基準に従い定量的に行うことのできる風車の監視装置及び方法並びにプログラムを提供する。
　上記課題を解決するために、本発明は以下の手段を採用する。
　本発明の第１の態様は、風車に設けられた複数のセンサによって計測された計測データに基づいて作成される特性値を用いて、前記風車の状態を監視する風車の監視装置であって、計測時間に関連付けられた複数の特性値が特性項目別に格納されているとともに、同じ計測時間に関連付けられている特性値を一つのデータセットとした場合に、該データセットには、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報が付与されて格納されている第１記憶部と、計測時間に関連付けられた複数の特性値が特性項目別に格納されているとともに、同じ計測時間に関連付けられている特性値を一つのデータセットとした場合に、該データセットには、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報が付与されており、かつ、前記データセットを構成する特定の前記特性項目の特性値が予め定義されている所定の基準範囲に属している第２記憶部と、前記第１記憶部から診断に用いる複数の前記データセットを抽出して設定するとともに、前記第２記憶部から前記診断に用いる複数の前記データセットを抽出して設定する診断設定部と、前記診断設定部によって設定された前記被診断データファイルのデータセット及び前記基準データファイルのデータセットを元に、統計的演算手法を用いて、前記風車の状態を表す状態指標値を算出する指標値算出部と、前記指標値算出部によって算出された状態指標値に基づいて、前記風車の状態を評価する評価部と、前記評価部による評価結果を通知する通知部とを備える風車の監視装置である。
　このように、被診断データファイルと基準データファイルとを用いて、風車の状態を表す状態指標値を算出するので、経験や知見に基づく定性的な評価に代えて、定量的な評価を実現することが可能となる。また、上記状態指標値は、各データセットに付与されたクラス分類が考慮された値となっているので、同じ状況下で取得されたデータ同士を比較することが可能となる。これにより、風車の状態をより的確に評価することが可能となる。
　本発明の第１の態様に係る上記風車の監視装置において、前記特性項目は、風車を取り巻く環境に関する環境区分、風車運転の性能・発電条件に関する性能区分、及び風車に設定された各種監視部位に係る運転状態の診断に関する特性区分の３つに大別されることとしてもよい。
　本発明の第１の態様に係る上記風車の監視装置において、前記クラス分類は、前記環境区分及び前記性能区分の少なくともいずれか一方に分類される所定の特性項目の特性値に応じて決定されることとしてもよい。
　このように環境区分及び性能区分に基づいてクラス分類を決定するので、特性区分に分類される特性値が取得されたときの環境の状況や発電状況に応じて、データセットを分類することが可能となる。
　本発明の第１の態様に係る上記風車の監視装置において、前記第２記憶部に格納される複数の前記データセットは、前記風車から収集された複数の前記計測データから生成される複数のデータセットのうち、前記特定の特性項目に係る特性値が予め設定されている基準範囲に属するデータセットのみが抽出されたものとしてもよい。
　同じ風車において計測された計測データを元に、基準データファイルを生成することから、固体の特性等を反映させた基準データファイルを用いて、風車の状態を評価することが可能となる。これにより、風車の状態をより的確に判断することが可能となる。
　本発明の第１の態様に係る上記風車の監視装置において、前記基準範囲は、前記クラス分類別に設定されていることとしてもよい。
　このようにすることで、クラス分類別に設定された適切な基準範囲を用いて、基準データファイルを作成することが可能となる。
　本発明の第１の態様に係る上記風車の監視装置において、前記指標値算出部は、前記診断設定手段によって設定された前記基準データの特性分布を求めるとともに、前記被診断データの特性分布を求め、互いの特性分布が乖離している距離を定量的に求めることで前記状態指標値を算出することとしてもよい。
　このように、互いの特性分布を求め、これらの分布が乖離している距離を定量的に求めるので、被診断データが相対的にどの程度、基準データの特性分布から離れているかを定量的に評価することが可能となる。
　本発明の第１の態様に係る上記風車の監視装置において、前記指標値算出部により算出される前記状態指標値は、例えば、マハラノビス・タグチメソッドを用いて算出されるマハラノビス距離である。
　本発明の第１の態様に係る上記風車の監視装置において、前記評価部によって異常が発生していると評価された場合に、その異常の要因分析を行う要因分析部を備えることとしてもよい。
　このように、要因分析を行うことにより、どの箇所が原因で異常と判断されたのかを速やかに把握することが可能となる。これにより、迅速な対応が可能となる。
　本発明の第２の態様は、複数の風車を備えるウィンドファームの一部または全体の状態を監視する風車群の監視システムであって、上記いずれかの風車の監視装置を備え、前記風車の監視装置によって求められた各前記風車の状態指標値及び前記ウィンドファームの一部または全体の運転性能に基づいて、ウィンドファームの一部または全体の状態を監視する風車群の監視システムである。
　このような構成によれば、ウィンドファームを構成する一部（セグメント）、或いは全体を相対的に評価して、他の風車に比べて異なる特性を示している風車を識別することが可能となる。このように、風車間でその状態を評価することにより、より適切な判定基準を用いて、各風車の状態の監視を行うことが可能となる。
　本発明の第３の態様は、風車に設けられた複数のセンサによって計測された計測データに基づいて作成される特性値を用いて、前記風車の状態を監視する風車の監視方法であって、計測時間に関連付けられた複数の特性値が特性項目別に格納された被診断データファイルを作成する過程と、前記被診断データファイルにおいて、同じ計測時間に関連付けられている前記特性値を一つのデータセットとした場合に、該データセットに、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報を付与する過程と、特定の特性項目に関する特性値が、予め定義されている所定の基準範囲に属しているとともに、各特性項目の特性値が計測時間に関連付けられている基準データファイルを作成する過程と、前記基準データファイルにおいて、同じ計測時間に関連付けられている前記特性値を一つのデータセットとした場合に、該データセットに、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報を付与する過程と、前記被診断データファイルから診断に用いる複数の前記データセットを抽出して設定するとともに、前記基準データファイルから前記診断に用いる複数の前記データセットを抽出して設定する過程と、設定した前記被診断データファイルのデータセット及び前記基準データファイルのデータセットを元に、統計的演算手法を用いて、前記風車の状態を表す状態指標値を算出する過程と、前記状態指標値に基づいて、前記風車の状態を評価する過程と、前記評価の結果を通知する過程とを有する風車の監視方法である。
　本発明の第４の態様は、風車に設けられた複数のセンサによって計測された計測データに基づいて作成される特性値を用いて、前記風車の状態を監視するのに使用される風車の監視プログラムであって、計測時間に関連付けられた複数の特性値が特性項目別に格納された被診断データファイルを作成する処理と、前記被診断データファイルにおいて、同じ計測時間に関連付けられている前記特性値を一つのデータセットとした場合に、該データセットに、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報を付与する処理と、特定の特性項目に関する特性値が、予め定義されている所定の基準範囲に属しているとともに、各特性項目の特性値が計測時間に関連付けられている基準データファイルを作成する処理と、前記基準データファイルにおいて、同じ計測時間に関連付けられている前記特性値を一つのデータセットとした場合に、該データセットに、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報を付与する処理と、前記被診断データファイルから診断に用いる複数の前記データセットを抽出して設定するとともに、前記基準データファイルから前記診断に用いる複数の前記データセットを抽出して設定する処理と、設定した前記被診断データファイルのデータセット及び前記基準データファイルのデータセットを元に、統計的演算手法を用いて、前記風車の状態を表す状態指標値を算出する処理と、前記状態指標値に基づいて、前記風車の状態を評価する処理と、前記評価の結果を通知する処理とをコンピュータに実行させるための風車の監視プログラムである。
　本発明によれば、風車の状態監視を自動で行うことができるとともに、その状態評価を適切な基準に基づいて定量的に行うことができるという効果を奏する。
風車の全体概略構成を示した図である。 本発明の第１の実施形態に係る監視装置の概略構成を示した図である。 本発明の第１の実施形態に係る監視装置の機能を展開して示した機能ブロック図である。 軸受・増速機の診断を行う場合を例に挙げた場合の各加速度センサによって取得された計測データから診断物理量を算出する処理を説明するための図である。 診断物理量がチャネルと固有周波数とに対応付けられて格納されている新たなデータファイルの一例を示した図である。 被診断データファイルの一例を示した図である。 クラス分類の一例を示した図である。 クラス分類の他の例を示した図である。 正常定義範囲の一例を示した図である。 正常定義範囲の他の例を示した図である。 本発明の第１の実施形態における処理手順を示したフローチャートである。 状態指標値の算出処理の手順を示したフローチャートである。 マハラノビス距離の算出処理で用いられる各データについて説明するための説明図である。 状態指標値の評価結果の一例を示した図である。 本発明の第３の実施形態に係る監視装置の機能を展開して示した機能ブロック図である。 要因分析結果の一例を示した図である。 本発明の第３の実施形態で用いられる２水準の直交表の一例を示した図である。 図１７に示した２水準の直交表に、ＭＤ値及びＳＮ比利得が追記された図である。
　以下に、本発明に係る風車の監視装置及び方法並びにプログラムの各実施形態について、図面を参照して説明する。
〔第１の実施形態〕
　図１は、風車の概略構成を示した図である。図１に示すように、風車１は、基礎６の上に立設される支柱２と、支柱２の上端に設置されるナセル３と、略水平な軸線周りに回転可能にしてナセル３に設けられるロータヘッド４とを有している。ロータヘッド４には、その回転軸線周りに放射状に複数枚の風車翼５が取り付けられている。これにより、ロータヘッド４の回転軸線方向から風車翼５に当たった風の力が、ロータヘッド４を回転軸線周りに回転させる動力に変換され、この動力が発電機によって電気エネルギーに変換されるようになっている。
　図２は、本実施形態に係る風車の監視装置（以下「監視装置」という。）の概略構成を示したブロック図である。図２に示される本実施形態に係る監視装置は、風車構成の内部もしくは外部いずれの場所に設置されていてもよい。図２に示すように、監視装置１０は、コンピュータシステム（計算機システム）であり、ＣＰＵ（中央演算処理装置）１１、ＲＡＭ（Random
Access Memory）などの主記憶装置１２、ＲＯＭ（Read Only
Memory）、ＨＤＤ（Hard Disk Drive）などの補助記憶装置１３、キーボードやマウスなどの入力装置１４、及びモニタやプリンタなどの出力装置１５、外部の機器と通信を行うことにより情報の授受を行う通信装置１６などで構成されている。
　補助記憶装置１３には、各種プログラム（例えば、監視プログラム）が格納されており、ＣＰＵ１１が補助記憶装置１３から主記憶装置１２にプログラムを読み出し、実行することにより種々の処理を実現させる。
　図３は、監視装置１０が備える機能を展開して示した機能ブロック図である。図３に示されるように、監視装置１０は、計測情報記憶部２１と、データ生成部２２と、クラス分類定義部２３と、クラス分類部２４と、第１記憶部２５と、正常データ条件定義部２６と、正常データ抽出部２７と、第２記憶部２８と、診断設定部２９と、指標値算出部３０と、異常判定部３１、通知部３２とを備えている。
　計測情報記憶部２１には、センサ毎に複数の測定データからなる複数のデータファイルが格納される。
　ここで、各データファイルの各計測データには、その計測データが測定された計測時間が関連付けられている。この計測時間は、後述するクラス分類部２４において行われる診断データの作成処理において、データファイル間の各種測定データを互いに関連付ける紐付けパラメータとして機能する。
　データ生成部２２は、主に、以下に示す２つの処理を実行する。
〔サンプリング時間の統一化処理〕
　上述した計測情報記憶部２１に格納されている各種データファイルに係る各計測データの計測時間の時間間隔（以下「サンプリング時間」という）は統一されていない。従って、データ生成部２２は、まず、これらのサンプリング時間を統一する処理を行う。本実施形態では、各データファイルを１分間隔の計測データとなるように再構築する。
　例えば、サンプリング時間が１分に比べ十分速いときは、１分間に取得された全ての計測データを用いて統計的手法により１分間の代表値を選定する。例えば、代表値は、平均値と標準偏差とにより表される。
　このようにすることで、全てのデータファイルの計測データを共通の時間間隔で同期関連付けさせることができる。
〔診断物理量の算出〕
　次に、データ生成部２２は、計測時間を統一させた各種データファイルのうち、所定のデータファイルを対象に、「診断物理量」の抽出を行う。
　つまり、上述のように、上記計測情報記憶部２１には、各種センサによって計測された生のデータが格納されることとなるが、各監視部位の運転状況等を診断するためには、これら生のデータから診断に好適な診断物理量を生成、抽出する必要がある。
　例えば、軸受・増速機には、その運転状況を監視するために、各計測箇所に８個の加速度センサが取り付けられている。各センサによって、計測された計測データである時系列波形はセンサ別に計測情報記憶部２１に格納される。
　ところで、軸受・増速機における増速機のある変速段の異常の診断には、その変速段を構成する複数の歯車の噛み合せ周波数（固有値）の振動加速度を算出し、この振動加速度によって、ある変速段の診断を行うこととなる。このため、データ生成部２２は、８個のセンサＣＨ１からＣＨ８によってそれぞれ計測された時系列波形に対して周波数変換（一例として、Fast Fourier Transformがある。）という信号処理を行い、図４に示されるような、周波数スペクトラムを得、この周波数スペクトラムから図４中の矢印が示す複数の固有周波数の振幅加速度をそれぞれ抽出する。そして抽出した振幅加速度を各チャネル及び固有周波数によって識別されるファイルに格納することにより、新たなデータファイルを作成する。
　図５に、新たに作成されたデータファイルの一例を示す。図５に示すように、ＣＨ１、ＣＨ２等のように表されるチャネル（センサ）と、「ＡＺｉ１」、「ＡＺｉ２」、「ＡＺｉ３」等のように表される固有周波数とに関連付けられて各計測時間における振動加速度が診断物理量として格納される。ここで、各診断加速度の計測時間は、上述の如く、他のデータファイルの計測時間と統一したものとなっている。
　このようにして、所定のデータファイルにおいて、診断物理量が算出され、新たなデータベースが作成される。
　なお、上記診断物理量の算出は、主に、風車１の運転状況を診断するために各種監視部位に取り付けられたセンサによって計測された計測データに対して行われる。どのデータファイルの計測データに対して、どのような信号処理を行い、どのような診断物理量を算出するのかについては、データ生成部２２に予め登録されている。
　データ生成部２２によってサンプリング時間が統一化された各種データファイル及び新たに作成された診断物理量に対するデータファイルは、クラス分類部２４に出力される。なお、診断物理量を算出するのに使用された元のデータファイルについては、以降の処理については特に必要とされないため、クラス分類部２４には出力しないこととする。
　クラス分類部２４は、まず、データ生成部２２から入力された各種データファイルを統合することにより、１つの被診断データファイルを作成する。
　図６に、被診断データファイルの一例を示す。図６に示されるように、センサ別に各計測時間における計測データまたは診断物理量が関連付けられている。本実施形態では、図６の表の最上段に記載された各計測データや診断物理量の属性を示す「正規化風速」、「ＭＥＴ風速乱れ度」、「送電端出力」、「ＡＺｉ１」、「ＡＺｉ２」等の見出しを「特性項目」といい、各特性項目の各データを「特性値」と定義する。
　特性項目は、その属性によって、「環境」、「性能」、「特性」に分類される。「環境」には、「風速」、「風速乱れ度」等の風車を取り巻く環境に関する特性項目が、「性能」には、発電条件、発電機回転数、発電制御に関する指令値等、風車運転の性能、発電条件に関する特性項目が、「特性」には、「ＡＺｉ１」、「ＡＺｉ２」等の風車の運転状況の診断に関する特性項目が分類される。ここで、「特性」に分類される特性項目は、上述したデータ生成部２２において、新たに生成されたデータファイルが該当する。
　本実施形態では、ある１日の０：００から２３：５９までの１分刻みの特性値を統合して１つの被診断データファイルを構成している。
　クラス分類部２４は、続いて、被診断データファイルにおいて、同じ計測時間に関連付けられている特性値を一つのデータセットとし、各データセットに対してクラス分類を示す識別情報を付加する。
　具体的には、クラス分類部２４は、クラス分類定義部２３に定義されているクラス定義に基づいて、各データセット、換言すると、図６に示された被診断データファイルの行毎に、どのクラス分類に属するかを区分けし、各データセットにクラス分類を示すフラグを立てる。
　ここで言う「クラス分類」とは、マハラノビスタグチ法（以下「ＭＴ法」という）のような統計的診断手法において、クラス分類定義部２３で定めた、複数の特性項目の基準範囲に合致したデータ集団の区切りのことをいう。このように、同じ「クラス分類」同士での正常または異常を識別する統計的診断は、クラス分類しないデータ全体の場合より識別精度が高くなる。
　風車における本発明の特徴である「クラス分類」について図７のクラス分類の模式図を用いて説明する。
　本実施形態では、クラス分類の指標量となる特性項目を、「風速」としている。「風速」は、風車の発電性能に強い相関性を有しているため好都合である。ここでは、「風速」の段階毎の物理量で境界値(条件)を設定し、クラスＦ０、Ｆ１、Ｆ２、Ｆ３とクラス分類を定義している。
　風車性能に係る具体的な意味合いとして、Ｆ０は、風車が発電に寄与しない風速域、Ｆ１は発電が開始し始める低速域、Ｆ２は発電が本格化し始める中速域、Ｆ３は定格発電し始める定格域とされている。
　上記クラスＦ０は、風車が発電に寄与しない風速域であるため、クラスＦ０は診断対象外のデータ集団とし、クラスＦ１からＦ３の３クラスを診断対象となるクラスとして定義する。
　なお、上記クラス分類に代えて、風速の乱れ率と風速との２つのパラメータによって、各計測時間を複数のクラスに分類することとしてもよい。図８には、風の乱れ率（％）が小さい場合と大きい場合とに分け、Ｆ１´からＦ６の計６つのクラスに分類する場合を示している。
　また、上記例では、風速等に基づいてクラス分類を行ったが、図７にカッコで示されるように、風車の発電性能に強い相関性を示す「回転数」に基づいてクラス分類を行うこととしてもよい。
　上述したようなクラス分類を定義した情報は、クラス分類定義部２３に格納されている。クラス分類部２４は、クラス分類定義部２３に格納されているクラス分類の条件数値を参考に、被診断データファイルのデータセット毎（行毎）にクラス分類を割り当てる。
　第１記憶部２５は、クラス分類部２４でクラス分類(フラグ付け)された被診断データファイルを格納する。第１記憶部２５に格納されたクラス分類済みの被診断データファイルは、指標算出部３０における演算処理において、「信号空間」として取り扱われる。
　一方、第２記憶部２８には、既に取得済みの「過去の被診断データファイル」から正常データ抽出部２７の処理を経て、「過去の被診断データファイル」の中から正常定義部２６の条件式、値等の定義の指示に従い、「正常」であると判断されたデータセットのみが抽出され、格納されている。その格納データを「正常データ」と呼ぶ。
　もちろんこの段階で、第２記憶部２８に格納されている正常データファイルの各データセットには、前段処理のクラス分類部２４においてクラス分類のフラグが付加されている。
　第２記憶部２８に格納されている正常データファイルは、正常データ抽出部２７によって自動生成され、過去の正常データファイルから日々自動更新され、蓄積されることを特徴としている。ここでは、第１記憶部２５に格納されている「被診断データファイル」から「正常データファイル」が自動生成される処理機能について図を用いて説明する。
　正常データ抽出部２７は、正常データ条件定義部２６に定義されている正常範囲（基準範囲）を参照することで、その定義に合致した被診断データファイルのデータセットのみを抽出し第２記憶部２８へ転送して格納する。
　正常データ条件定義部２６の定義条件の本発明の好適な例を図９から図１０に示す。
　図９は、発電量の変動範囲を規定したおよそ性能面からの正常定義である。
　図９において横軸は風速、縦軸は発電量Ｐである。発電量の性能曲線は、Ｐ（Ｖ、ｒ）の関数で表すことができる。発電量の正常範囲は、風速によるクラス分類Ｆ１～Ｆ３毎に、正常範囲（Ｉ），（ＩＩ），（ＩＩＩ）がそれぞれ定義されており、正常な性能範囲であると定義する条件は、その性能曲線から±ΔＰ／２の変動幅としている。
　上記ΔＰは、任意の風速Ｖ0、回転数ｒ0の時の発電量、回転数ｒ0(Ｖ0)の割合Ａ(%)と定義すると、ΔＰ=(Ａ／１００)×Ｐ0(Ｖ0,ｒ0)である。
　なお、上記例では、縦軸を発電量Ｐとしたが、これに代えて、回転数ｒを用いることとしてもよい。この場合、回転数の性能曲線は、ｒ（Ｖ）の関数で表すことができる。回転数の正常範囲は、風速によるクラス分類Ｆ１～Ｆ３毎に、正常範囲（Ｉ），（ＩＩ），（ＩＩＩ）がそれぞれ定義されており、正常な性能範囲であると定義する条件は、その性能曲線から±Δｒ／２の変動幅としている。
　上記Δｒは、任意の風速Ｖ0、回転数ｒ0の時の発電量、回転数ｒ0(Ｖ0)の割合Ａ(%)と定義すると、ΔＰ=(Ａ／１００)×Ｐ0(Ｖ0,ｒ0)、Δｒ＝（Ａ／１００）×ｒ0(Ｖ0)である。
　更に、上記例では、横軸を風速としたが、図９において、横軸を回転数ｒ、縦軸を発電量Ｐとしてもよい。この場合、回転数に応じたクラス分類毎に、上記正常範囲（Ｉ）、（ＩＩ）、（ＩＩＩ）が定義されることとなる。
　図１０は、風向偏差の変動範囲を規定したおよそ正常運転条件からの正常定義である。
　図１０において横軸は風速、縦軸は風向偏差Δθである。ここで「風向偏差」について説明する。通常、風車の「正常」な運転条件とは、常に風向きに対して風車翼の回転面が真正面で受け止めていることが前提となる。
　つまり実際の風向きと風車翼回転面の向きの差を「風向偏差」と呼び、それらが真正面の理想的な状態にある時の風向偏差Δθはゼロと基準にしている。「正常」な運転条件の一つである風向偏差Δθの範正常範囲は、風速によるクラス分類Ｆ１～Ｆ３毎に、正常範囲（Ｉ´）、（ＩＩ´）、（ＩＩＩ´）がそれぞれ定義されている。
　即ち、風車の向きは、自然条件で常に変化する風向きに対し、（Ｉ´）、（ＩＩ´）、（ＩＩＩ´）の範囲に収まるように追随しながら風を補足して、理想的な運転条件になるように発電を行っている。
　なお、上記例では、横軸を風速Ｖとしたが、これに代えて、横軸を回転数ｒとしてもよい。この場合、回転数に応じたクラス分類毎に上記正常範囲（Ｉ´）、（ＩＩ´）、（ＩＩＩ´）が定義されることとなる。
　正常データ条件定義部２６に格納されている上記正常範囲（Ｉ）、（ＩＩ）、（ＩＩＩ）と（Ｉ´）、（ＩＩ´）、（ＩＩＩ´）との論理式（ＡＮＤ、ＯＲ、ＮＯＴ）の組み合わせについては、ユーザが任意に設定することが可能な構成とされている。
　正常データ条件定義部２６に格納されている上記正常範囲の定義に従って、正常データ抽出部２７が被診断データファイルの中から正常範囲と判断されるデータセットのみを抽出して第２記憶部２８に格納することで、正常データのみが第２記憶部２８に格納されることとなる。第２記憶部２８に格納されたこれらの正常データファイルは、指標算出部３０における演算処理において、「単位空間」として取り扱われる。
　診断設定部２９は、第１記憶部２５の被診断データファイルからその全体または一部のデータセットを抽出し、診断用の「被診断データファイル」（信号空間）を作成するとともに、第２記憶部２８の正常データファイルからその全体または一部のデータセットを抽出し、診断用の「基準データファイル」（単位空間）を作成する。
　これらの「被診断データファイル」及び「基準データファイル」の各データセットには、上述のようにクラス分類のフラグが付加されている。詳細は後述するが、基本的にＭＴ法では、同じクラス分類同士の「基準データファイル」と「被診断データファイル」との比較により異常診断が行われる。また、診断目的によっては、異なったクラス間での比較異常診断、または複数のクラス全体を一つの集団とし、クラスを再構築して比較異常診断を行うことも可能である。
　指標値算出部３０は、診断設定部２９によって作成された「被診断データファイル」および「基準データファイル」を元に統計的診断手法を用いて、風車１における軸受・増速機の健全性を示す状態指標値を算出する。具体的には、指標値算出部３０は、診断設定部２９によって作成された「被診断データファイル」と「基準データファイル」を正規化し、正規化した「被診断データファイル」と「基準データファイル」の各項目分布を求め、互いのデータ分布（集団）が乖離している状態を分布間の距離として定量的に求め、その距離を健全性の状態指標値として取り扱う。
　より具体的には、指標値算出部３０の統計的診断手法に、ＭＴ法を用い、そのＭＴ法で得られる診断出力結果の一つである健全性の状態指標値としてマハラノビス距離（以下「ＭＤ値」という）を算出する。具体的な算出方法については後述する。
　異常判定部３１は、指標値算出部３０によって算出された状態指標値を予め設定されている閾値と比較し、その比較結果に応じて風車１の状態を評価する。例えば、状態指標値が閾値を超えていた場合に、異常であると判定し、異常判定信号を通知部３２に出力する。
　通知部３２は、異常判定信号が入力された場合に、風車１の異常の発生をディスプレイ等に表示することにより、ユーザに対して異常発生を通知する。なお、視覚による通知方法に代えて或いは加えて、聴覚による通知、例えば、報音により異常を通知することとしてもよい。このように、通知の手法については特に限定されない。
　次に、本実施形態に係る監視装置１０が備える各部において実行される処理内容について図１１を参照して詳しく説明する。なお、図３に示した各部により実現される後述の各種処理は、図２に示されるＣＰＵ１１が補助記憶装置１３に記憶されている監視プログラムを主記憶装置１２に読み出して実行することにより実現されるものである。
　また、本実施形態では、風車１を構成部位の一つのナセル３の中の軸受・増速機（監視部位）の状態を監視する場合を想定する。
　まず、監視装置１０には、監視部位である風車１の軸受・増速機に取り付けられた８個の加速度センサによって計測された計測データとともに、所定の箇所に設置された各種センサにより計測された計測データ、例えば、風速、風向、発電機回転数、温度等が時間情報に関連付けられて通信回線を介して逐次送信されてくる。これらの計測データは、センサ別に計測情報記憶部２１に逐次蓄積される。
　データ生成部２２は、計測情報記憶部２１に逐次格納される計測データのサンプリング時間を統一させるとともに、監視部位である軸受・増速機に取り付けられた８つのセンサの計測データから診断物理量を算出し、固有周波数毎にデータファイルを生成する（図１１のステップＳＡ１）。
　続いて、クラス分類部２４により、各データファイルが統合されて被診断データファイルが生成され（図１１のステップＳＡ２）、この被診断データファイルにおいて同一の計測時間に関連付けられる各データセットに対して、クラス分類を表すフラグがそれぞれ付加される（図１１のステップＳＡ３）。クラス分類のフラグが付加された被診断データファイルは、第１記憶部２５に格納される（図１１のステップＳＡ４）。
　次に、正常データ抽出部２７により、第１記憶部２５に格納されているクラス分類済みの診断データファイルから正常のデータセットのみが抽出されて正常データファイルが作成され、第２記憶部２８に格納される（図１１のステップＳＡ５）。
　次に、診断設定部２９により第１記憶部２５の診断データファイルの全部または一部のデータセットが抽出されて、診断用の被診断データファイルが作成されるとともに、第２記憶部２８の正常データファイルの全部または一部のデータセットが抽出されて診断用の正常データファイル（以下「基準データファイル」という）として設定される（図１１のステップＳＡ６）。
　このようにして、「被診断データファイル」と「基準データファイル」が設定されると、指標値算出部３０により健全性の状態指標値の算出処理が行われる（図１１のステップＳＡ７）。
　以下、状態指標値の算出処理について図１２を参照して説明する。
〔データの規格化〕
　まず、指標値算出部３０は、データの規格化処理を実行する（図１２のステップＳＢ１）。
　例えば、診断設定部２９において設定された基準データファイルの計測時間数をｉ、特性項目数をｊとすると、基準データファイルは、ｉ行ｊ列の行列を成す。例えば、１分間隔で１日分のデータ数ならば、２４時間×６０分＝１４４０分で１４４０行、計測したデータ項目種類が２００種類あれば、２００列のデータサイズになる。
　基準データの規格化の理由は、統計処理において、異なった特性項目間（計測物理量間）の特性値を公平に扱うためである。そのため、各行、各列によって識別される特性値ｘｉｊを以下の（１）、（２）式に基づいて算出した平均値ｍｊ及び標準偏差σｊを用いて規格化する処理を行う。特性値ｘｉｊの規格化後の値は、性規格値Ｘｉｊとして表され、以下の（３）式で求められる。
　なお、以下の説明においては、図１３に示すように、ｎ行ｋ列の各データファイルを想定して説明する。
Figure JPOXMLDOC01-appb-M000001
　同様に、指標値算出部３０は、基準データファイルと同様の演算を行うことにより、「被診断データファイル」についても規格化を行う。規格化のために用いる平均値ｍｊ及び標準偏差σｊは、上記式（１）、（２）で算出された「基準データファイル」の値を用いる。この結果、「被診断データファイル」の各特性値ｙｉｊを規格化した特性規格値Ｙｉｊが以下の（４）式により算出される。
Figure JPOXMLDOC01-appb-M000002
　指標値算出部３０は、「基準データファイル」、「被診断データファイル」の各特性値を規格化後の特性規格値に置き換えることで、それぞれのデータファイルを再構築する。
〔相関行列の算出〕
　次に、指標値算出部３０は、基準データファイルの特性規格値Ｘｉｊを用いて、相関行列Ｒ＝（ｒｉｊ）を計算する（図１２のステップＳＢ２）。相関行列Ｒは以下の（５）式を用いて導出される。相関行列は対角成分が１であるｋ次行列となる。
Figure JPOXMLDOC01-appb-M000003
　ここで、相関行列を求めるための具体的な説明を行う。基準データファイルの特性規格値Ｘｉｊの特性項目ｊの種類がｋ個（ｋ列）ある場合、その相関組み合わせ数は、ｋ×ｋである。一例として、基準データファイルの特性項目数ｊがｋ＝２００種類(列)あった場合、その相関組み合わせは２００×２００＝４００００通りであり、それは同時に２００×２００の正則行列の特性となる。正則行列の対角成分は、同じ特性項目同士の相関であるため、必然的に１となる性質を有している。また、対角線以外の相関係数は、ｒｐｑ=ｒｑｐとなり、その値は対角線を挟んで対称等しくなる。
〔相関行列の逆行列の算出〕
　続いて、指標値算出部３０は、以下の（６）式を用いて、基準データファイルの相関行列Ｒの逆行列Ａ＝Ｒ-1を算出する（図１２のステップＳＢ３）。
Figure JPOXMLDOC01-appb-M000004
〔マハラノビス距離の算出〕
　次に、上記（６）式で求められた基準データファイルの相関逆行列Ａと、規格化後の被診断データファイルの各特性規格値Ｙｉｊを用いてマハラノビス距離Ｄ2 ｉ（以下「ＭＤ値」という）を求める（図１２のステップＳＢ４）。ＭＤ値Ｄ2 ｉは、以下の（７）式を用いて算出される。
　ここで、ｋは、「被診断データファイル」の特性項目数、つまり、列の数であり、ＭＤ値は「被診断データファイル」のデータセット毎（行毎）に算出される。例えば、「被診断データファイル」が１分間隔で取得された１日分のデータファイルであるとすれば、行数は１４４０行となり、１４４０個のＭＤ値が求められることとなる。このことは、軸受・増速機の健全性診断指標であるＭＤ値が計測時間毎に逐次算出されることを意味している。
Figure JPOXMLDOC01-appb-M000005
　ここで、ある計測時間のＭＤ値を計算する場合は、規格化された「被診断データファイル」のある計測時間に相当するデータ行ｉ（ｉは１～ｎのいずれか）番目を指定して、そのｉ行の各列の値であるＹｉ１からＹｉｋを式（７）に代入して計算する。図６の例でいえば、計測時間０：０３におけるＭＤ値を求める際には、データ行でｉ＝４行目のｋ列数の特性規格値Ｙ4１からＹ4ｋを用いる。このようにして、「被診断データファイル」の計測時間の数だけＭＤ値が求められる。
　ここで、留意すべき点は、ステップＳＢ１からＳＢ４において、被診断データファイルのデータセットが、どのクラス分類の基準データファイルのデータセットとの比較を取るかによって、規格化のためのｍｊとσｊおよびＭＤ値計算時の相関逆行列Ａを使い分けなければならない点にあるが、あらかじめプログラミングにより指示することで、自動計算処理が可能である。
　指標値算出部３０によって算出された状態指標値は、異常判定部３１に出力される。異常判定部３１は、入力された各ＭＤ値Ｄ2 ｉと予め設定されている閾値（任意に設定可能な値であり、例えば、３）とをそれぞれ比較し、ＭＤ値Ｄ2 ｉが閾値よりも大きいか否かを判定する（図１１のステップＳＡ８）。この結果、閾値よりも大きいＭＤ値Ｄ2 ｉが所定割合以上存在した場合には、風車１の状態が異常であるとして、異常信号を出力する。これにより、通知部３０により、風車１の異常がユーザに通知される（図１１のステップＳＡ９）。
　一方、ステップＳＡ８において、閾値を越えるＭＤ値Ｄ2 ｉが所定割合以下であった場合には、風車１の状態は正常であるとして、図１１のステップＳＡ１に戻り、上述のステップＳＡ１からの処理を繰り返し行う。これにより、異常が検出されない限り、上述のステップＳＡ１からステップＳＡ８までの処理が繰り返し行われ、風車１の状態監視が所定期間毎に行われることとなる。
　また、指標値算出部３０によって算出された状態指標値は、図１４に示すように、診断結果として表示装置に表示される。図１４は、診断結果の一例を示した図である。横軸に、計測時間が、縦軸にＭＤ値が示されている。
　以上、説明してきたように、本実施形態に係る風車の監視装置及び方法並びにプログラムによれば、クラス分類された実測値である「基準データファイル」との比較にて、風車の健全性を、ＭＤ値にて定量的に判定できるため、経験や知見に基づく定性的な評価に代えて、適切な評価を実現することが可能となる。
　なお、上述した実施形態においては、第１記憶部２５に格納されているデータを用いて第２記憶部２８に格納する正常データを作成していたが、第２記憶部２８に格納される正常データについては、この例に限定されることはない。例えば、所定のシミュレーションソフトウェア等によって演算された正常データを用いることとしてもよい。
　また、上記実施形態においては、図１１に示すように、ステップＳＡ１からステップＳＡ９までの処理を一連の処理として説明したが、正常データファイルの生成処理まで、つまり、第１記憶部２５にデータを格納する処理及び第２記憶部２８にデータを格納する処理を風車の状態を監視するために必要となる前処理として取り扱い、基準データファイル及び被診断データファイルの設定以降の処理、具体的には、図１１のステップＳＡ６からステップＳＡ９の処理については、風車１の状態を評価する本処理として取り扱ってもよい。そして、前処理と本処理とは、時間差があってもよく、また、異なるコンピュータによって実現されることとしてもよい。
〔第２の実施形態〕
　次に、本発明の第２の実施形態について、図を参照して説明する。
　上述した第１の実施形態に係る風車１の監視装置では、風車の増速機を監視する場合について説明したが、本実施形態では、風車構造体全体にかかる荷重及び強度を監視する場合について説明する。
　一般に風車は、風を風車翼で受け、風車翼が回転することで機械的エネルギーを生みだし、その機械的エネルギーを電気的エネルギーに変換するが、このとき風車構造体は風等による荷重がかかっている。初期設計では、各構造部位の耐荷重許容値を充足する強度が保たれているが、風雨・腐食・経年劣化などにより強度劣化が進展する。
　そこで、本実施形態では、風車１の歪み変化を電気式歪みゲージや光ファイバにより計測し、この計測データに基づいて風車１の健全性（累積荷重やその強度劣化の度合い）に関する状態の監視を行う。なお、本実施形態に係る各処理は、上述した第１の実施形態において実施される処理と同様であり、「特性」に区分される特性項目が変更されるだけである。従って、各処理についての説明を省略する。
　このように、上述した第１の実施形態に係る特性項目として、風車１の所定箇所に取り付けられた歪センサにより計測された計測データを用い、これらを正常データと比較することで、ＭＤ値を算出する。これにより、風車の健全性を客観的な統計指標値であるＭＤ値を用いて評価することが可能となる。
　なお、上述した第１または第２の実施形態においては、それぞれ１つの監視部位について監視を行う場合を例に挙げて説明してきたが、本発明の監視装置は、複数の監視部位が設定されている場合にも適用可能である。
　この場合、図６に示した診断データファイルにおいて、「特性」に分類される特性項目が監視部位に応じて増えることとなる。
　そして、上記ＭＤ値の算出については、複数の監視部位の状態を総合して、一種類のＭＤ値にて風車の健全性指標値として算出される。
〔第３の実施形態〕
　次に、本発明の第３の実施形態に係る監視装置について説明する。
　上述した第１または第２の実施形態に係る監視装置において、異常判定部３１によって異常が検知された場合、どの特性項目がその異常状態に関与しているのか、または関与してないのか、を定量的に特定する必要性が出てくる。本実施形態は、その要求に鑑み提案されたものである。
　本実施形態では、上述した第１または第２の実施形態に係る監視装置において、図１５に示すように、異常判定部３１によって異常が判定された場合に、その異常の要因分析を行う要因分析部５０を更に備えている。以下、本実施形態の監視装置について、第１の実施形態と共通する点については説明を省略し、異なる点である「要因効果解析」について主に説明する。
　本実施形態の「要因効果解析」とは、例えば、診断データを構成する特性項目が２００項目あったとして、そのうちのどの特性項目がＭＤ値の長短に影響を及ぼしているかを定量的に解析し、図１６のように要因効果解析の出力値であるＳＮ比利得の大小でランクアップ表示することである。
　図１７を用いて要因効果の指標値である各特性項目のＳＮ比利得の算出方法について説明する。説明の便宜上、図１７では特性項目が５種類の場合を例に挙げ、その５種類の各特性項目を「使う○」、「使わない×」の２水準の直交表に割り付けて、その５種類の特性項目の「使う○」、「使わない×」の１２通りの組み合わせ条件（直交表の行Ｎｏ．）に合わせて、それぞれの条件でＭＤ値の算出処理（図１２参照）を行い、５個の特性項目からなる被診断データファイルにおける各データセットのＭＤ値を算出する。
　例えば、異常判定部３１で被診断データファイルの異常と判定された計測時間区間が述べ２分間（データ行数で２個）であった場合、各行に対して、それぞれ１２通りの特性項目の「使う○」、「使わない×」の場合分けでＭＤ値が算出される。結果として、１２通り×２個のＭＤ値Ｄ2（１）、Ｄ2（２）が図１８の直交表の右端に算出結果として追加される。これらのＭＤ値Ｄ2（１）、Ｄ2（２）から以下の（８）式を用いて、１２通りの組み合わせのＳＮ比ηを算出する。
Figure JPOXMLDOC01-appb-M000006
　ここで、ｎは要因効果対象のデータ数（行数）であり、本例ではｎ＝２である。
　式（８）で算出された１２通りのＳＮ比η１～η１２の結果は、図１８のように、直交表の右端に追加される。これで要因効果の各特性項目（特性項目１から特性項目５）についてのＳＮ比利得を算出する準備が整ったこととなる。
　具体的には、風車１の特性項目に併せて考えれば、例えば、「特性項目１＝低速段噛み合せ1次」、「特性項目＝中速段オーバーオール値」、「特性項目＝風速乱れ度」、「特性項目＝風向偏差」、「特性項目＝風車翼中央歪み値」等のように、当てはめて考えて良い。
　以下、要因分析部５０によって行われる、上記ＳＮ比の算出、並びに、ＳＮ比を用いた要因分析について詳しく説明する。
〔ＳＮ比の算出〕
　以下の式に表されるように、異常診断データファイルにおける要因効果分析で求める特性項目１から５のＳＮ比利得ηｃ１～ηｃ５とは、その特性項目を使った組み合わせの時（○）のＳＮ比と使わなかった組み合わせの時（×）のＳＮ比の差分である。
Figure JPOXMLDOC01-appb-M000007
　これにより、ＳＮ比利得が大きい特性値ほど、異常に関与している可能性が高いことが判定できる。上記式に代入するηｃ（○、×）の値は、図１８の補助表一覧にあるＳＮ比の値を図１７の直交表での計算値を用いて、それぞれの平均値を用いる。
〔要因分析〕
　要因分析部５０は、各特性項目に対する要因効果の寄与率を式（９）の利得に基づいて定量化することで、被診断データファイルの複数ある特性項目から異常の要因に寄与している可能性の高い特性項目を選定し、この要因効果の結果を通知部３２に出力する。これにより、通知部３２によって要因分析部５０の解析結果がユーザに通知される。
　図１６は、要因分析結果を示す表示画面の一例を示した図である。利得が大きな値を示す特性項目ほど、今回検出された異常発生の要因となり得ることを示している。
　以上説明してきたように、本実施形態に係る監視装置によれば、風車の状態異常が検出された場合に、その異常の要因となる可能性の高い特性項目を分析し、その分析結果をユーザに通知することが可能となる。これにより、異常発生に対する適切な対応を速やかにとることが可能となる。
　なお、上述した要因分析部５０によって求められた要因分析結果を、メンテナンスやアフターサービスなどに採用することとしてもよい。このように、要因分析結果を二次的に利用することにより、異常の前兆を発見することが可能となるので、機器の交換等の重大な異常の発生を未然に防ぐことが可能となる。これにより、異常発生に起因する風車の運転効率の低減を防止することが可能となるとともに、保全費を削減させることが可能となる。
〔第４の実施形態〕
　次に、本発明の第４の実施形態に係る風車の監視装置について説明する。
　上述した各実施形態においては、基準データファイルとして正常データファイルを用いていた。本実施形態では、これに代えて、基準データファイルとして異常データファイルを用いることにより、上述したＭＤ値を算出する。そして、このＭＤ値が所定の閾値よりも小さかった場合に、異常が発生していると判定する。
　このように、異常データファイルを基準データファイルとして用いることにより、例えば、多様な異常・故障状態を単位空間において分別してＭＤ値を算出することで、上述した第３の実施形態のように、要因効果分析を行うことなく、どの特性項目の被診断データがどのような異常を示しているのかを容易に特定することが可能となる。
〔応用例〕
　次に、本発明の一実施形態に係る監視システムについて説明する。
　上述した各実施形態に係る監視装置は、１台の風車の各部に関する状態監視を行うものであった。本実施形態に係る監視システムは、複数の風車が設置されているウィンドファームにおいて、その一部或いは全ての風車１の状態監視を行う。
　本実施形態の監視システムは、上述した第１から第４の実施形態に係るいずれかの監視装置を備えており、これら各監視装置によって求められた各風車の状態指標値と、これら複数の運転性能に基づいて、監視対象となる複数の風車の状態を監視する。
　具体的には、監視システムは、各監視装置から上記状態指数値等の監視結果の情報を無線通信ネットワーク等の通信ネットワークを介して取得するとともに、監視対象である風車から出力される総出力電力量について、ネットワークを介して取得する。
　そして、監視システムは、各監視装置から取得した状態指標値をＭＴ法のパラメータとして用いることにより、これらの状態指標値のＭＤ値を算出する。そして、このＭＤ値と予め設定されている閾値とを比較することにより、ウィンドファームにおける風車の状態を判定する。
　以上、説明してきたように、ウィンドファームの運転性能を風車単位の状態指標値の統計量で監視することにより、ウィンドファームを構成する複数の風車のうち、他と異なる特性値を示している風車を判定することが可能となる。このように、一義的に決定される所定の閾値に基づいて異常な風車を特定するのではなく、複数の風車を対象として、他と異なる特性を示している風車を異常として特定することにより、さまざまな要因を対象として幅広い見地から総合的に風車の異常を判定することが可能となる。これにより、風車の監視精度を高めることができる。
　なお、上述した監視システムは、必ずしも複数のコンピュータが必要となるわけではなく、例えば、１つのコンピュータシステムにおいて複数の風車の状態指標値の算出を順番に行った後、これらの状態指標値を用いて風車全体の異常判定を行うこととしてもよい。即ち、上記機能を実現するためのソフトウェアをインストールし、このソフトウェアをＣＰＵが実行することにより、１つの装置で上記各機能を実現させることとしてもよい。
　以上、本発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。
１　風車
３　ナセル
４　ロータヘッド
５　風車翼
１０　風車の監視装置
１１　ＣＰＵ
１２　主記憶装置
１３　補助記憶装置
１４　入力装置
１５　出力装置
１６　通信装置
２１　計測情報記憶部
２２　データ生成部
２３　クラス分類定義部
２４　クラス分類部
２５　第１記憶部
２６　正常データ条件定義部
２７　正常データ抽出部
２８　第２記憶部
２９　診断設定部
３０　指標算出部
３１　異常判定部
３２　通知部
５０　要因分析部
 

Claims (11)

  1. 　風車に設けられた複数のセンサによって計測された計測データに基づいて作成される特性値を用いて、前記風車の状態を監視する風車の監視装置であって、
    　計測時間に関連付けられた複数の特性値が特性項目別に格納されているとともに、同じ計測時間に関連付けられている特性値を一つのデータセットとした場合に、該データセットには、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報が付与されて格納されている第１記憶部と、
    　計測時間に関連付けられた複数の特性値が特性項目別に格納されているとともに、同じ計測時間に関連付けられている特性値を一つのデータセットとした場合に、該データセットには、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報が付与されており、かつ、前記データセットを構成する特定の前記特性項目の特性値が予め定義されている所定の基準範囲に属している第２記憶部と、
    　前記第１記憶部から診断に用いる複数の前記データセットを抽出して設定するとともに、前記第２記憶部から前記診断に用いる複数の前記データセットを抽出して設定する診断設定部と、
    　前記診断設定部によって設定された前記被診断データファイルのデータセット及び前記基準データファイルのデータセットを元に、統計的演算手法を用いて、前記風車の状態を表す状態指標値を算出する指標値算出部と、
    　前記指標値算出部によって算出された状態指標値に基づいて、前記風車の状態を評価する評価部と、
    　前記評価部による評価結果を通知する通知部と
    　を備える風車の監視装置。
  2. 　前記特性項目は、風車を取り巻く環境に関する環境区分、風車運転の性能・発電条件に関する性能区分、及び風車に設定された各種監視部位に係る運転状態の診断に関する特性区分の３つに大別される請求項１に記載の風車の監視装置。
  3. 　前記クラス分類は、前記環境区分及び前記性能区分の少なくともいずれか一方に分類される所定の特性項目の特性値に応じて決定される請求項２に記載の風車の監視装置。
  4. 　前記第２記憶手段に格納される複数の前記データセットは、前記風車から収集された複数の前記計測データから生成される複数のデータセットのうち、前記特定の特性項目に係る特性値が予め設定されている基準範囲に属するデータセットのみが抽出されたものである請求項１から請求項３のいずれかに記載の風車の監視装置。
  5. 　前記基準範囲は、前記クラス分類別に設定されている請求項１から請求項４のいずれかに記載の風車の監視装置。
  6. 　前記指標値算出部は、前記診断設定部によって設定された前記基準データの特性分布を求めるとともに、前記被診断データの特性分布を求め、互いの特性分布が乖離している距離を定量的に求めることで前記状態指標値を算出する請求項１から請求項５のいずれかに記載の風車の監視装置。
  7. 　前記指標値算出部により算出される前記状態指標値は、マハラノビス・タグチメソッドを用いて算出されるマハラノビス距離である請求項６に記載の風車の監視装置。
  8. 　前記評価部によって異常が発生していると評価された場合に、その異常の要因分析を行う要因分析手段を備える請求項１から請求項７のいずれかに記載の風車の監視装置。
  9. 　複数の風車を備えるウィンドファームの一部または全体の状態を監視する風車群の監視システムであって、
    　請求項１から請求項８のいずれかに記載の風車の監視装置を備え、前記風車の監視装置によって求められた各前記風車の状態指標値及び前記ウィンドファームの一部または全体の運転性能に基づいて、ウィンドファームの一部または全体の状態を監視する風車群の監視システム。
  10. 　風車に設けられた複数のセンサによって計測された計測データに基づいて作成される特性値を用いて、前記風車の状態を監視する風車の監視方法であって、
    　計測時間に関連付けられた複数の特性値が特性項目別に格納された被診断データファイルを作成する過程と、
    　前記被診断データファイルにおいて、同じ計測時間に関連付けられている前記特性値を一つのデータセットとした場合に、該データセットに、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報を付与する過程と、
    　特定の特性項目に関する特性値が、予め定義されている所定の基準範囲に属しているとともに、各特性項目の特性値が計測時間に関連付けられている基準データファイルを作成する過程と、
    　前記基準データファイルにおいて、同じ計測時間に関連付けられている前記特性値を一つのデータセットとした場合に、該データセットに、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報を付与する過程と、
    　前記被診断データファイルから診断に用いる複数の前記データセットを抽出して設定するとともに、前記基準データファイルから前記診断に用いる複数の前記データセットを抽出して設定する過程と、
    　設定した前記被診断データファイルのデータセット及び前記基準データファイルのデータセットを元に、統計的演算手法を用いて、前記風車の状態を表す状態指標値を算出する過程と、
    　前記状態指標値に基づいて、前記風車の状態を評価する過程と、
    　前記評価の結果を通知する過程と
    　を有する風車の監視方法。
  11. 　風車に設けられた複数のセンサによって計測された計測データに基づいて作成される特性値を用いて、前記風車の状態を監視するのに使用される風車の監視プログラムであって、
    　計測時間に関連付けられた複数の特性値が特性項目別に格納された被診断データファイルを作成する処理と、
    　前記被診断データファイルにおいて、同じ計測時間に関連付けられている前記特性値を一つのデータセットとした場合に、該データセットに、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報を付与する処理と、
    　特定の特性項目に関する特性値が、予め定義されている所定の基準範囲に属しているとともに、各特性項目の特性値が計測時間に関連付けられている基準データファイルを作成する処理と、
    　前記基準データファイルにおいて、同じ計測時間に関連付けられている前記特性値を一つのデータセットとした場合に、該データセットに、所定の特性項目の特性値に応じて決定されるクラス分類を示す識別情報を付与する処理と、
    　前記被診断データファイルから診断に用いる複数の前記データセットを抽出して設定するとともに、前記基準データファイルから前記診断に用いる複数の前記データセットを抽出して設定する処理と、
    　設定した前記被診断データファイルのデータセット及び前記基準データファイルのデータセットを元に、統計的演算手法を用いて、前記風車の状態を表す状態指標値を算出する処理と、
    　前記状態指標値に基づいて、前記風車の状態を評価する処理と、
    　前記評価の結果を通知する処理と
    　をコンピュータに実行させるための風車の監視プログラム。
PCT/JP2009/065174 2009-08-31 2009-08-31 風車の監視装置及び方法並びにプログラム WO2011024304A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2009/065174 WO2011024304A1 (ja) 2009-08-31 2009-08-31 風車の監視装置及び方法並びにプログラム
US12/672,338 US8433539B2 (en) 2009-08-31 2009-08-31 Wind turbine monitoring device, method, and program
EP09805894.4A EP2474734A4 (en) 2009-08-31 2009-08-31 DEVICE AND METHOD FOR CONTROLLING A WIND TURBINE, AND PROGRAM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2009/065174 WO2011024304A1 (ja) 2009-08-31 2009-08-31 風車の監視装置及び方法並びにプログラム

Publications (1)

Publication Number Publication Date
WO2011024304A1 true WO2011024304A1 (ja) 2011-03-03

Family

ID=43627428

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/065174 WO2011024304A1 (ja) 2009-08-31 2009-08-31 風車の監視装置及び方法並びにプログラム

Country Status (3)

Country Link
US (1) US8433539B2 (ja)
EP (1) EP2474734A4 (ja)
WO (1) WO2011024304A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012160939A1 (ja) * 2011-05-26 2012-11-29 株式会社ビルメン鹿児島 風力発電装置管理システム
US20150322924A1 (en) * 2012-12-18 2015-11-12 Alstom Renewable Technologies Method of monitoring the condition of a wind turbine
EP2712391B1 (en) 2011-08-19 2016-07-27 Siemens Aktiengesellschaft Automated root cause analysis
US10794362B2 (en) 2017-08-29 2020-10-06 Mitsubishi Heavy Industries, Ltd. Method and system for diagnosing wind turbine power generating apparatus

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2585716B1 (en) * 2010-06-28 2020-08-19 Vestas Wind Systems A/S A method for performing condition monitoring in a wind farm
DK2824324T3 (en) * 2012-03-08 2018-08-06 Ntn Toyo Bearing Co Ltd Condition Monitoring
US9291154B2 (en) 2012-07-18 2016-03-22 General Electric Company Methods and systems for use in monitoring a tachometer
US20140160152A1 (en) * 2012-12-07 2014-06-12 General Electric Company Methods and systems for integrated plot training
US9761027B2 (en) 2012-12-07 2017-09-12 General Electric Company Methods and systems for integrated plot training
US20140181438A1 (en) * 2012-12-21 2014-06-26 Commvault Systems, Inc. Filtered reference copy of secondary storage data in a data storage system
CN104863798A (zh) * 2014-02-25 2015-08-26 常州铠甲智能科技有限公司 基于分布式存储的风电机组状态监测***及其监测方法
JP6320307B2 (ja) * 2015-01-07 2018-05-09 三菱重工業株式会社 風力発電設備の診断システム及び診断方法
DE102015010491A1 (de) * 2015-08-17 2017-02-23 Senvion Gmbh Verfahren zum Betrieb einer Windenergieanlage, Windenergieanlage und Computerprogrammprodukt
IN2015CH05846A (ja) 2015-10-29 2017-05-05
DE102015120306A1 (de) * 2015-11-24 2017-05-24 Wobben Properties Gmbh Verfahren zum Ausgeben von Steuerbefehlen oder Ereignismeldungen für eine Windenergieanlage oder einen Windpark sowie eine Auswerteeinrichtung und ein System hierfür
JP6503419B2 (ja) 2017-07-07 2019-04-17 三菱重工業株式会社 風力発電施設のデータ収集システム及びデータ収集方法並びに風力発電施設
CN112799378A (zh) * 2021-01-04 2021-05-14 中车株洲电力机车研究所有限公司 一种用于风力发电机组硬件信号的诊断及模拟方法
CN113701819A (zh) * 2021-08-31 2021-11-26 四川省建筑科学研究院有限公司 一种建筑结构监测方法、监测装置、监测***及存储介质
US11846979B1 (en) * 2022-06-01 2023-12-19 Sas Institute, Inc. Anomaly detection and diagnostics based on multivariate analysis
CN116772944B (zh) * 2023-08-25 2023-12-01 克拉玛依市燃气有限责任公司 配气站的智能监控***及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5968643A (ja) * 1982-10-13 1984-04-18 Sumitomo Metal Ind Ltd 設備監視方法
JP2003141306A (ja) * 2001-10-30 2003-05-16 Ohken:Kk 評価システム
JP2004227279A (ja) * 2003-01-23 2004-08-12 Ohken:Kk マハラノビス距離を利用した異常原因診断方法及びプログラム
JP2005127757A (ja) * 2003-10-22 2005-05-19 Hitachi High-Technologies Corp 自動分析装置
JP2006342766A (ja) * 2005-06-10 2006-12-21 Mitsubishi Electric Corp 風力発電設備の監視装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001183114A (ja) 1999-12-22 2001-07-06 Mitsubishi Heavy Ind Ltd 回転体の歪み計測装置
US20020029097A1 (en) * 2000-04-07 2002-03-07 Pionzio Dino J. Wind farm control system
JP2002349413A (ja) 2001-05-24 2002-12-04 Mitsubishi Electric Corp 風力発電システム
JP2002349415A (ja) 2001-05-25 2002-12-04 Mitsubishi Heavy Ind Ltd 風力発電装置の監視システム
JP2003310564A (ja) 2002-04-22 2003-11-05 Fuji Xerox Co Ltd 脳波自動解析装置および方法
JP2004101417A (ja) 2002-09-11 2004-04-02 Mitsubishi Heavy Ind Ltd 監視装置
US6925385B2 (en) * 2003-05-16 2005-08-02 Seawest Holdings, Inc. Wind power management system and method
JP4686969B2 (ja) 2003-10-24 2011-05-25 シンフォニアテクノロジー株式会社 電源装置を備えた発電装置
JP3679801B1 (ja) 2004-09-08 2005-08-03 三重電子株式会社 風力発電装置
EP1877881A4 (en) * 2005-04-29 2011-04-20 Fat Spaniel Technologies Inc COMPUTER-IMPLEMENTED SYSTEMS AND METHODS FOR STARTING, CALIBRATION AND TROUBLESHOOTING OF A RENEWABLE ENERGY SYSTEM INSTALLED
JP2008003920A (ja) * 2006-06-23 2008-01-10 Toshiba Corp 時系列データの予測・診断装置およびそのプログラム
AU2008358216A1 (en) * 2008-06-18 2009-12-23 Mitsubishi Heavy Industries, Ltd. Device and method for monitoring dynamic characteristics of windmill
EP2470784B1 (en) * 2009-08-28 2017-03-08 Vestas Wind Systems A/S Wind turbine data acquisition system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5968643A (ja) * 1982-10-13 1984-04-18 Sumitomo Metal Ind Ltd 設備監視方法
JP2003141306A (ja) * 2001-10-30 2003-05-16 Ohken:Kk 評価システム
JP2004227279A (ja) * 2003-01-23 2004-08-12 Ohken:Kk マハラノビス距離を利用した異常原因診断方法及びプログラム
JP2005127757A (ja) * 2003-10-22 2005-05-19 Hitachi High-Technologies Corp 自動分析装置
JP2006342766A (ja) * 2005-06-10 2006-12-21 Mitsubishi Electric Corp 風力発電設備の監視装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP2474734A4 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012160939A1 (ja) * 2011-05-26 2012-11-29 株式会社ビルメン鹿児島 風力発電装置管理システム
JP2012246817A (ja) * 2011-05-26 2012-12-13 Birumen Kagoshima:Kk 風力発電装置管理システム
EP2712391B1 (en) 2011-08-19 2016-07-27 Siemens Aktiengesellschaft Automated root cause analysis
US20150322924A1 (en) * 2012-12-18 2015-11-12 Alstom Renewable Technologies Method of monitoring the condition of a wind turbine
US10794362B2 (en) 2017-08-29 2020-10-06 Mitsubishi Heavy Industries, Ltd. Method and system for diagnosing wind turbine power generating apparatus

Also Published As

Publication number Publication date
EP2474734A4 (en) 2014-07-16
US8433539B2 (en) 2013-04-30
EP2474734A1 (en) 2012-07-11
US20120130678A1 (en) 2012-05-24

Similar Documents

Publication Publication Date Title
JP4995134B2 (ja) 風車の監視装置及び方法並びにプログラム
WO2011024304A1 (ja) 風車の監視装置及び方法並びにプログラム
JP5101396B2 (ja) 健全性診断方法及びプログラム並びに風車の健全性診断装置
JP6698715B2 (ja) 設備状態監視装置および設備状態監視方法
US20110106510A1 (en) Methods, apparatus and computer readable storage mediums for model-based diagnosis
Butler et al. A feasibility study into prognostics for the main bearing of a wind turbine
Hu et al. Using domain knowledge features for wind turbine diagnostics
JP6315836B2 (ja) 風車の監視装置、風車の監視方法および風車の監視プログラム
Joshuva et al. A comparative study of Bayes classifiers for blade fault diagnosis in wind turbines through vibration signals
EP3855019A1 (en) System and method for operating a wind turbine
CN116467972A (zh) 一种风机能效评估方法及***
CN113468728A (zh) 一种基于神经网络的变桨***故障预测方法
CN117232809A (zh) 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法
CN113158535A (zh) 一种基于深度学习的风电机组主轴承温度预测方法
Sharma et al. Condition monitoring of wind turbine gear box
US11339763B2 (en) Method for windmill farm monitoring
Song et al. Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement
Häckell A holistic evaluation concept for long-term structural health monitoring
Sethi et al. Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach
Ogaili et al. Enhanced fault detection of wind turbine using extreme gradient boosting technique based on nonstationary vibration analysis
Roy Performance assesment of SCADA based wind turbine: condition monitoring approaches
Kang et al. Tracking gearbox degradation based on stable distribution parameters: A case study
Shen Classification of Wind Turbine Blade Performance State Through Statistical Methods
Dinh et al. Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines
da Rosa et al. Wind Turbine Blade Mass Imbalance Detection Using Artificial Intelligence

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 12672338

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2009805894

Country of ref document: EP

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09805894

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

NENP Non-entry into the national phase

Ref country code: JP