[发明专利]基于振动突变报警的风电机组状态监测方法及装置

说明书

技术领域

本发明涉及风力发电机组状态监测技术，尤其涉及一种基于振动突变报警的风电机组状态监测方法及装置。

技术背景

风能是太阳能的一种转换形式，取之不尽、用之不竭，在将风能转换为电能的过程中，不会产生任何有害气体和废料，不污染环境，因而风能的利用受到世界各国政府的广泛重视。近几年，风力发电产业进入一个高速增长期。

风力发电机组(简称风电机组)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到风电的产量，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，以及通过预先根据相关标准设定报警阈值来判断其运行状态，从而指导检修。根据相关标准设定报警阈值只能显示总值报警或频段报警，不能从多方面详细的反映设备的报警时的运行状况，不能为报警事件后的故障诊断提供更多的有效信息。

发明内容

本发明的目的是提供一种基于振动突变报警的风电机组的状态监测方法，用来提高状态监测和振动报警准确度的。

本发明的另一目的是提供一种实现上述方法的基于振动突变报警的风电机组的状态监测装置

根据本发明的第一方面，提供了一种基于振动突变报警的风电机组状态监测方法，包括以下步骤：

A、在风力发电机组运行过程中，实时采集风力发电机组的振动信号；

B、通过当前采集的振动信号进行分析处理，判断是否存在振动突变事件；

C、若判断存在振动突变事件，则立即发出相应的突变报警信号；

D、通过重复上述步骤A至C，得到多个突变报警信号，以便对可能发生的故障进行诊断。

优选地，通过分析振动信号的变化率，来判断是否存在振动突变事件。

优选地，所述步骤B包括：将所述当前采集的振动信号进行傅里叶变换，得到振动信号特征值；通过振动信号特征值与之前通过自学习得到的突发报警阈值进行比较，判断是否存在振动突变事件。

其中，当振动信号特征值＞大于λ×突发报警阈，判断存在振动突发事件，λ为突变因子。

优选地，所述通过自学习得到的突发报警阈值的步骤包括：

将当前采集振动信号时刻之前一段时间内的振动信号分别进行傅里叶变换，得到一组的振动信号特征值；

按照高斯模型计算各个振动信号特征值的均值μ和标准方差σ²；

利用所述均值μ和标准方差σ²得到突发报警阈值。

优选地，所述突发报警阈值Threshold＝μ+3σ。

优选地，所述步骤C包括：若某振动信号特征值＞λ×Threshold，则判断存在振动突变事件，然后发出相应的突变报警信号，其中所述λ为突变因子。

优选地，步骤D包括：保存每个突变报警信号的报警日志和相应的振动信号特征值数据；根据报警日志对所保存的各个振动信号特征值数据的趋势进行分析，诊断可能发生的故障。

根据本发明的第二方面，提供了一种基于振动突变报警的风电机组状态监测装置，包括：

采集模块，用于在风力发电机组运行过程中实时采集风力发电机组的振动信号；

振动突变事件判断模块，通过对当前采集的振动信号进行分析处理，判断是否存在振动突变事件；

突变报警模块，在判断存在振动突变事件的情况下，发出相应的突变报警信号；

故障诊断模块，通过对所述突变报警模块输出的多个突变报警信号进行分析，对可能发生的故障进行诊断。

优选地，所述振动突变事件判断模块包括：傅里叶变换单元，将当前采集的振动信号进行傅里叶变换，振动信号特征值；比较单元，通过将振动信号特征值与之前通过自学习得到的突发报警阈值进行比较，判断是否存在振动突变事件。

优选地，振动突变事件判断模块还包括突发报警阈值自学习单元，用于：将当前采集振动信号时刻之前一段时间内的振动信号分别进行傅里叶变换，得到一组的振动信号特征值；按照高斯模型计算各个振动信号特征值的均值μ和标准方差σ²，再利用所述均值μ和标准方差σ²得到突发报警阈值。