[发明专利]用于对风涡轮机的部件进行计算机实现的监测的方法

说明书

一种用于对风涡轮机的部件进行计算机实现的监测的方法。本发明涉及一种用于对风涡轮机的部件进行计算机实现的监测的方法，其中所述风涡轮机是第一风涡轮机（1）并且所述部件是第一部件（6，7，8），并且其中所述方法访问已训练机器学习模型（ML），所述已训练机器学习模型（ML）已被训练用于一个或多个第二风涡轮机（1'）的相同类型的一个或多个第二部件（6'，7'，8'）。所述已训练机器学习模型（ML）被配置为通过处理在第二风涡轮机（1'）的操作期间在第二部件（6'，7'，8'）附近测量的、预定域中的振动信号（VS'）来提供指代发生在第二风涡轮机（1'）的第二部件（6'，7'，8'）处的预定故障（FT）的输出（OU）。在步骤i）中，提供在第一风涡轮机（1）的操作期间在第一部件（6，7，8）附近测量的、所述预定域中的振动信号（VS）。在步骤ii）中，基于第一部件（6，7，8）的一个或多个给定运动学参数（KP1）和第二部件（6'，7'，8'）的一个或多个给定运动学参数（KP2），振动信号（VS）被映射到对第二部件（6'，7'，8'）有效的对应振动信号（VS'）。在步骤iii）中，机器学习模型（ML）被应用于对第二部件（6'，7'，8'）有效的振动信号（VS'），导致指代发生在第一部件（6，7，8）处的所述预定故障（FT）的输出（OU）。

技术领域

本发明涉及（refer to）一种用于对风涡轮机的部件进行计算机实现的监测的方法和设备。另外，本发明涉及一种对应计算机程序产品和一种对应计算机程序。

背景技术

本发明涉及基于振动分析的、针对风涡轮机内的部件的故障检测的领域。从现有技术已知使用机器学习模型（比如，神经网络），以便检测风涡轮机中的故障。这种机器学习模型接收风涡轮机中的被监测部件的振动信号作为输入，并且提供指示发生在该部件中的特定故障的存在或不存在的输出。

用于检测特定故障的机器学习模型需要通过合适的训练数据而被训练，所述合适的训练数据包括故障数据，即当在风涡轮机内发生特定故障时存在的振动信号。然而，这种故障数据很少见，或者需要基于昂贵的测试台而被产生，在所述测试台处故障（例如，损坏）被引入到将要被监测的部件。此外，为一个涡轮机类型训练的机器学习模型仅在用于监测这个涡轮机类型而非其它涡轮机类型时具有良好的性能。

发明内容

本发明的目的是能够通过使用已为除被监测风涡轮机之外的另一类型的一个或多个风涡轮机训练的机器学习模型来实现对风涡轮机的部件的监测。

这个目的由根据权利要求1所述的方法和根据权利要求8所述的设备实现。在从属权利要求中定义本发明的优选施例。本发明的方法能够实现对风涡轮机的部件的计算机实现的监测。具有被监测部件的风涡轮机被指定为第一风涡轮机，并且被监测部件被指定为第一部件。所述方法访问已经训练的机器学习模型，所述已经训练的机器学习模型已被训练用于一个或多个第二风涡轮机的相同类型的一个或多个第二部件，所述一个或多个第二风涡轮机是除第一风涡轮机之外的另一类型的风涡轮机。即，训练数据是来自所述一个或多个第二部件的操作数据。在优选实施例中，所述一个或多个第二风涡轮机的所述一个或多个第二部件中的每个第二部件具有与第一风涡轮机的第一部件的功能等同的功能。然而，第二部件的功能和第一部件的功能也可以是不同的。这种差异由以下描述的步骤ii）的映射反映。例如，第一部件可指代（refer to）行星齿轮，而第二部件的类型是高速小齿轮（pinion）。

已训练机器学习模型被配置为通过处理在第二风涡轮机的操作期间在第二部件附近测量的、预定域中的振动信号来提供指代发生在第二风涡轮机的第二部件处的预定故障的输出。这个第二部件能够是所述一个或多个第二部件之中的任何第二部件。在以下描述的步骤ii）中，参照这个第二部件。已训练机器学习模型可以是已使用包括振动信号的训练数据通过机器学习而训练的任何已知数据驱动模型。根据情况，机器学习可以是监督学习或无监督学习。在监督学习中，对于训练数据集的振动信号，知道是否存在所述预定故障。对于无监督学习，情况并非如此。