[發明專利]風力發電機組的葉片故障診斷方法及裝置

在審

• 申請號: 201811610118.0
• 申請日: 2018-12-27
• 公開（公告）號: CN111400959A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 靖峰;彭昶;吉銀輝
• 申請（專利權）人: 北京金風科創風電設備有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N20/00;G06F113/06
• 代理公司: 北京銘碩知識產權代理有限公司 11286
• 代理人: 曾世驍;王兆賡

本公開提供了一種風力發電機組的葉片故障診斷方法及裝置。所述方法包括：基于機組工況數據通過使用機器學習算法來獲得機組故障特征矩陣；基于葉片振動數據通過使用信號分析方法來獲得葉片振動故障特征；根據故障特征矩陣和葉片振動故障特征對葉片進行故障診斷。通過本公開的方法和裝置可以有效地進行葉片的預防性維修和預測性維修，并且避免出現葉片斷裂、掃塔等情況，從而減少了風力發電機組的全生命周期運營成本。

技術領域

本發明涉及風力發電技術領域，更具體地講，涉及一種用于診斷風力發電機組的葉片是否出現故障的方法及其裝置。

背景技術

目前，葉片狀態監測技術尚未形成類似軸承監測技術的進行批量實施的技術方案。這主要歸因于葉片的監測技術尚未形成統一的技術理論并且缺少經過類似軸承故障診斷那樣大批量的工程實踐的驗證。即使現有的風力發電機組的葉片故障診斷的方法很多，但是能夠適用于工程批量實施的方法卻很少。

發明內容

本發明的示例性實施例提供了一種風力發電機組的葉片故障診斷方法及其裝置，至少解決上述技術問題和上文未提及的其它技術問題，并且提供下述的有益效果。

本發明的一方面在于提供一種風力發電機組的葉片故障診斷方法，所述方法可以包括：基于機組工況數據通過使用機器學習算法來獲得機組故障特征矩陣；基于葉片振動數據通過使用信號分析方法來獲得葉片振動故障特征；并且根據故障特征矩陣和葉片振動故障特征對葉片進行故障診斷。

機組工況數據可以包括轉速、扭矩、葉片角度、加速度以及頻率，葉片振動數據可以包括葉片揮舞方向數據和葉片擺振方向數據。

獲得機組故障特征矩陣的步驟可以包括：通過對機組工況數據進行相關性分析來獲得葉片故障時的機組參數特征；并且通過使用機器學習算法對機組參數特征進行訓練來獲得機組故障特征矩陣。

獲得機組故障特征矩陣的步驟可以包括：按照轉速對扭矩、加速度、葉片角度以及頻率進行分倉處理；根據各個轉速下的扭矩和頻率來獲得三維扭矩故障特征矩陣；根據各個轉速下的加速度和頻率來獲得三維加速度故障特征矩陣；并且根據各個轉速下的葉片角度和頻率來獲得三維葉片角度故障特征矩陣。

獲得葉片振動故障特征的步驟可以包括：對葉片振動數據進行濾波處理；并且基于經濾波處理的葉片振動數據來分別獲得第一葉片振動故障特征和第二葉片振動故障特征。

獲得第一葉片振動故障特征的步驟可以包括：根據經濾波處理的葉片振動數據來計算葉片振動能量，以獲得葉片振動有效值；按照時間順序基于葉片振動有效值中的葉片揮舞方向數據和葉片擺振方向數據來獲得第一葉片振動趨勢；并且根據第一葉片振動趨勢來獲得第一葉片振動故障特征。

獲得第二葉片振動故障特征的步驟可以包括：通過對經濾波處理的葉片振動數據進行快速傅里葉變換來獲得峰值頻率以及與峰值頻率相應的幅值；按照時間順序基于峰值頻率以及與峰值頻率相應的幅值來獲得第二葉片振動趨勢；并且根據第二葉片振動趨勢來獲得第二葉片振動故障特征。

對葉片振動數據進行濾波處理的步驟可以包括：對葉片振動數據進行卡爾曼濾波，以濾除葉片振動數據中的轉頻數據部分；并且對經卡爾曼濾波的葉片振動數據進行帶通濾波。

根據故障特征矩陣和葉片振動故障特征對葉片進行故障診斷的步驟可以包括設置葉片出現故障時報警閾值。

根據故障特征矩陣和葉片振動故障特征對葉片進行故障診斷的步驟可以包括：當出現機組故障特征或者出現葉片振動故障特征并且出現的故障特征值大于或等于報警閾值時，發送報警信息；或者，當同時出現機組故障特征和葉片振動故障特征并且出現的故障特征值大于或等于報警閾值時，發送報警信息；或者，當同時出現機組故障特征和葉片振動故障特征并且出現的故障特征值的趨勢持續增大時，發送報警信息。