一种风电机组状态监测系统

技术领域

本发明涉及风能发电技术领域，尤其涉及一种风电机组状态监测系统。

背景技术

风电机组是将风能转化为电能的装置，其运行状况是否正常直接影响着风电的产量，风电机组的故障可能导致自身零件的损坏，甚至有可能造成更严重的后果。为了保障风电机组的安全运行，就需要对风电机组的运行状况进行监测，对可能发生的故障进行及时诊断。

现有的风电机组的状态监测与故障诊断的技术是通过对风电机组所发出的振动信号进行定期监测，利用振动频率是否与正常情况有差异来判断其运行状态，从而提前发现潜在的故障部位，及时进行检修。

由于风电机组运行工况复杂，影响因素众多，同一种故障往往有不同的表现，同一种症状又常常是几种故障共同作用的结果，严格说来，检测量与故障特征之间，故障特征与故障源之间都是一种非线性映射，仅依靠单个传感器得到的故障特征量一般无法有效地完成故障诊断。而现有技术仅利用振动频率作为诊断风电机组的运行状态和故障的唯一依据，其准确度比较差，常常出现误判，影响风电机组运行维护效率。

发明内容

本发明提供了一种风电机组状态监测系统，能够提前预测风电机组各部件的健康状态，方便工作人员进行检测维修，提高风电机组运行维护效率。

为实现上述目的，本发明提供了如下方案：本发明提供一种风电机组状态监测系统，包括：监测模块，用于获取风电机组的实时运行数据；

控制模块，用于基于所述实时运行数据确定风电机组各部件的健康状态；基于所述风电机组各部件的健康状态进行故障分析并确定故障问题；

用户终端，用于显示风电机组的故障信息报告；

所述控制模块电连接所述监测模块与所述用户终端。

在其中一个实施例中，所述实时运行数据包括：

所述监测模块包括传感器组件，所述传感器组件包括加速度传感器、转速传感器和倾角传感器；

所述振动加速度传感器用于检测风电机组的震动数据；

所述转速传感器用于检测风电机组的转速数据；

所述倾角传感器用于检测风电机组的倾角数据。

在其中一个实施例中，所述基于所述实时运行数据确定风电机组各部件的健康状态，包括：

从历史数据库中获取风电机组各部件样本数据；

基于所述样本数据建立数据分析模型；

将风电机组各部件的所述实时运行数据输入至数据分析模型中输出健康值；

基于健康值与预设健康之间的关系确定风电机组各部件的健康状态。

在其中一个实施例中，风电机组各部件所对应的数据分析模型不同；

将同一部件的样本数据按预设条件分为训练数据与验证数据；

基于所述训练数据对同一部件的初始数据分析模型进行训练；

基于所述验证数据对训练后的同一部件的所述初始数据模型进行测试，输出符合同一部件的预设指标的所述数据分析模型。

在其中一个实施例中，基于所述样本数据建立数据分析模型，具体为：

根据所述数据样本提取数据特征信息；

根据所述数据特征信息建立数据模型集群，所述数据模型集群包括多个数据模型；

将所述数据样本输入至所述数据模型群中得到与所述数据模型对应的初始分析结果；

将所述初始预测结果与所述实时运行数据相匹配，将匹配度最高的初始分析结果对应的所述数据模型确定为所述初始数据模型。

在其中一个实施例中，基于所述风电机组各部件的健康状态进行故障分析，并确定故障问题，包括：

基于发生健康状态改变的所述风电机组各部件的数量确定风电机组故障问题。

在其中一个实施例中，所述控制模块，还用于基于所述风电机组各部件的故障问题确定风电机组是否能正常运行。

在其中一个实施例中，基于所述风电机组各部件的故障问题确定风电机组是否能正常运行，包括：

将所述风电机组各部件的故障问题输入预设模型中获得风电机组整体故障系数；

当风电机组整体故障系数大于预设故障系数值时，判断所述风电机组不能正常运行；

在其中一个实施例中，所述预设模型的建立，包括：定义输入层和输出层，选取风电机组各部件的故障问题作为输入变量，输入维数为m＝I,i为风电机组中安装有传感器组件的部件个数；以风电机组整体故障系数作为输出变量，输出维数为n＝1；

选择隐层数和隐层单元数，采用单隐层，并根据穷举法确定隐层节点数。

在其中一个实施例中，所述故障信息报告，包括：

分析图，所述分析图包括时域波形图、频谱图和趋势图，所述分析图由检测到的实时运行数据转化而来；

故障问题显示图，用于反馈风电机组中出现故障问题的部件位置，用于反馈风电机组中出现故障问题的健康状态。

本发明的技术效果：

用于基于所述实时运行数据确定风电机组各部件的健康状态；基于所述风电机组各部件的健康状态进行故障分析并确定故障问题，可以提前识别故障程度和精确定位故障部件，让用户优化维修工作，减少意外停机，降低不可预见成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的风电机组状态监测系统的示意图；

图2是本发明实施例提供的确定风电机组各部件的健康状态的流程图；

图3是本发明实施例提供的确定数据分析模型的流程图；

图4是本发明实施例提供的确定初始数据分析模型的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不是用来限制本发明的范围。

在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

如图1所示，本实施例公开了一种风电机组状态监测系统，包括：

监测模块，用于获取风电机组的实时运行数据；

控制模块，用于基于所述实时运行数据确定风电机组各部件的健康状态；基于所述风电机组各部件的健康状态进行故障分析并确定故障问题；

用户终端，用于显示风电机组的故障信息报告；

所述控制模块电连接所述监测模块与所述用户终端。

可以理解的是，上述实施例中，监测模块与控制模块采用同一知名品牌，以保证系统良好的兼容性和售后维护的时效性。

其中，所述实时运行数据包括：

所述监测模块包括传感器组件，所述传感器组件包括加速度传感器、转速传感器和倾角传感器；

所述振动加速度传感器用于检测风电机组的震动数据；

所述转速传感器用于检测风电机组的转速数据；

所述倾角传感器用于检测风电机组的倾角数据。

可以理解的是，上述实施例中，风力发电机属于低速重载的典型变频机组，双馈存在高速部分。不同转速、载荷、结构形式等差异，故障类型较丰富。针对这些故障类型以及机组自身特性，对采集的数据类型、质量、分辨率、采集密度均有较高的数据质量和密度要求。风电机组的各部件安装有不同的传感器，进行数据检测。

例如，具体的安装位置，如表1所示，

表1-风电机组上传感器安装位置表

需要说明的是，H:水平方向、V：垂直方向、A：轴向；测点布置时，整个传动系统保证三个方向：H、V、A有测点，监测三个方向上的振动特征。

如图2所示，在一些具体实施例中，所述基于所述实时运行数据确定风电机组各部件的健康状态，包括：

步骤S1，从历史数据库中获取风电机组各部件样本数据；

步骤S2，基于所述样本数据建立数据分析模型；

步骤S3，将风电机组各部件的所述实时运行数据输入至数据分析模型中输出健康值；

步骤S4，基于健康值与预设健康之间的关系确定风电机组各部件的健康状态。

可以理解的是，上述实施例中，数据库将风电机组各部件的数据整合起来，方便分类查找；将风电机组各部件的所述实时运行数据输入至数据分析模型中输出风电机组各部件的健康状态，提高风电机组各部件的健康状态确定的准确性。

具体的，预先设定预设健康值矩阵K0，设定K0＝(K1,K2,K3,K4)，其中，K1为第一预设健康值，K2为第二预设健康值，K3为第三预设健康值，K4为第四预设健康值，其中0＜K1＜K2＜K3＜K4＜1；

预先设定预设健康状态矩阵Z0，设定Z0＝(Z1,Z2,Z3,Z4)，其中，Z1为第一预设健康状态，Z2为第二预设健康状态，Z3为第三预设健康状态，Z4为第四预设健康状态，且Z1＜Z2＜Z3＜Z4；Z1为风电机组部件正常运行的状态。

根据距离值K与各预设健康值之间的关系设定健康状态Z：

当K＜K1时，选定第一预设健康状态Z1作为健康状态Z；

当K1≤K＜K2时，选定第二预设健康状态Z1作为健康状态Z；

当K2≤K＜K3时，选定第三预设健康状态Z1作为健康状态Z；

当K3≤K＜K4时，选定第四预设健康状态Z1作为健康状态Z。

可以理解的是，上述实施例中，根据距离值K与各预设健康值之间的关系设定健康状态Z，提高健康状态Z确认的准确性。预设健康状态矩阵Z0与预设健康值矩阵K0可以根据实际情况确定。其健康状态反应风电机组部件的故障受损程度，Z1-Z4为不受损到受损严重的过程。

如图3-4所示，在一些具体实施例中，风电机组各部件所对应的数据分析模型不同；

步骤S010，将同一部件的样本数据按预设条件分为训练数据与验证数据；

步骤S020，基于所述训练数据对同一部件的初始数据分析模型进行训练；

步骤S030，基于所述验证数据对训练后的同一部件的所述初始数据模型进行测试，输出符合同一部件的预设指标的所述数据分析模型。

在步骤S2中，基于所述样本数据建立数据分析模型，具体为：

步骤S21，根据所述数据样本提取数据特征信息；

步骤S22，根据所述数据特征信息建立数据模型集群，所述数据模型集群包括多个数据模型；

步骤S23，将所述数据样本输入至所述数据模型群中得到与所述数据模型对应的初始分析结果；

步骤S24，将所述初始预测结果与所述实时运行数据相匹配，将匹配度最高的初始分析结果对应的所述数据模型确定为所述初始数据模型。

可以理解的是，上述实施例中，预设条件可以是预设的分配比例，例如将60％的数据样本分为训练数据，40％的数据样本分为验证数据。

初始数据分析模型就是构建的未经训练的模型，其建模数据未经优化，进行数据分析时会影响分析结果的准确性；其初始数据分析模型是基于深度学习算法、广义线性模型、随机森林算法、广义低阶模型、朴素贝叶斯算法等算法构建的。

例如，通过上述实施例获得的风电机组中叶片所对应的数据分析模型，与风电机组中齿轮箱一级行星轮所对应的数据分析模型不同。

在一些具体实施例中，基于所述风电机组各部件的健康状态进行故障分析，并确定故障问题，包括：

基于发生健康状态改变的所述风电机组各部件的数量确定风电机组故障问题。

可以理解的是，上述实施例中，当发生健康状态改变仅为一个，则代表发生健康状态改变的风电机组的那个部件出现故障，风电机组故障问题仅为单一部件的问题。例如，风电机组叶片1发生健康状态改变，则确定风电机组的叶片1发生故障问题。

在一些具体实施例中，所述控制模块，还用于基于所述风电机组各部件的故障问题确定风电机组是否能正常运行。

具体的，基于所述风电机组各部件的故障问题确定风电机组是否能正常运行，包括：

将所述风电机组各部件的故障问题输入预设模型中获得风电机组整体故障系数；

当风电机组整体故障系数大于预设故障系数值时，判断所述风电机组不能正常运行；

在一些具体实施例中，所述预设模型的建立，包括：定义输入层和输出层，选取风电机组各部件的故障问题作为输入变量，输入维数为m＝I,i为风电机组中安装有传感器组件的部件个数；以风电机组整体故障系数作为输出变量，输出维数为n＝1；

选择隐层数和隐层单元数，采用单隐层，并根据穷举法确定隐层节点数。

可以理解的是，上述实施例中，通过构建预设模型，高速寻找优化解，提高确定风电机组整体故障系数的准确性。

在一些具体实施例中，所述故障信息报告，包括：

分析图，所述分析图包括时域波形图、频谱图和趋势图，所述分析图由检测到的实时运行数据转化而来；

故障问题显示图，用于反馈风电机组中出现故障问题的部件位置，用于反馈风电机组中出现故障问题的健康状态。

可以理解的是，上述实施例中，故障信息报告还可以包括报警报告、测量信息报告、信号异常报告、诊断结果报告等来反馈风电机组的各部件与整体信息。方便工作人员查看风电机组的各种信息。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解：以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。