风电机组监测方法及装置的制造方法
【技术领域】
[0001] 本发明属于风电技术领域，尤其设及一种风电机组监测方法及装置。
【背景技术】
[0002] 由于风电机组的结构形式复杂、体量巨大，受到风电机组条件和安装费用的限制， 一般只能在风电机组有限的位置上布设一定数目的传感器，通过布设的传感器来监测风电 机组结构的健康状态。因此，在风电机组上合理布设传感器成为风电机组结构健康状态监 测的关键问题。
[0003] 但是，仅通过安装有传感器的零部件进行风电机组的健康状态进行监测，可能存 在一定的风险，然后实际应用中风电机组中一些不易安装传感器的零部件如螺栓也对机组 结构的健康状态存在较大的影响。
【发明内容】
[0004] 本发明提供一种风电机组监测方法及装置，用于解决仅通过安装有传感器的零部 件进行风电机组的状态进行监测，可能存在一定的风险的问题。
[0005] 为了实现上述目的，本发明提供了一种风电机组监测方法，包括：
[0006] 对风电机组上已安装的实际传感器进行第一数据采集；
[0007] 将所述第一数据输入机器学习模型中，获取所述风电机组的虚拟传感器的第二数 据；
[000引根据所述第一数据和所述第二数据对所述风电机组进行监测。
[0009] 为了实现上述目的，本发明提供了一种风电机组监测装置，包括：
[0010] 采集模块，用于对风电机组上已安装的实际传感器进行第一数据采集；
[0011] 映射模块，用于将所述第一数据输入机器学习模型中，获取所述风电机组的虚拟 传感器的第二数据；
[0012] 监测模块，用于根据所述第一数据和所述第二数据对所述风电机组进行监测。
[0013] 本发明的风电机组监测方法及装置，通过对风电机组上已安装的实际传感器进行 第一数据采集，将第一数据输入机器学习模型中，获取风电机组的虚拟传感器的第二数据， 根据第一数据和第二数据对风电机组进行监测。本发明中通过机器学习模型能够实现实际 传感器与虚拟传感器的映射，可W基于已安装的传感器对风电机组进行全方位的状态监 ，提高了监测的准确性和有效性。
【附图说明】
[0014] 图1为本发明实施例一的风电机组监测方法的流程示意图；
[0015] 图2为本发明实施例二的风电机组监测方法的流程示意图；
[0016] 图3为本发明实施例S的风电机组监测方法的流程示意图；
[0017] 图4为本发明实施例S的风电机组监测方法的应用示意图；
[0018] 图5为本发明实施例四的风电机组监测装置的结构示意图；
[0019] 图6为本发明实施例五的风电机组监测装置的结构示意图。
【具体实施方式】
[0020] 下面结合附图对本发明实施例提供的风电机组监测方法及装置进行详细描述。 [0021 ]实施例一
[0022] 如图1所示，其为本发明实施例一的风电机组监测方法的流程示意图，该风电机组 监测方法包括W下步骤：
[0023] SlOl、对风电机组上已安装的实际传感器进行第一数据采集。
[0024] 具体的，首先在风电机组的零部件上安装振动、声音、溫度和成像的传感器，利用 运些传感器采集零部件的传感数据。将所有传感器所采集到的传感数据通过化C控制器发 送到工控机上，进一步通过工控机基于无线模块将运些传感数据上传至AWS云端，从而在 AWS云端对传感数据进行分析处理。本实施例中，通过云平台的接口与实现传感设备进行连 接，能够解决多类型传感器多种传输线路的难题。
[0025] S102、将第一数据输入机器学习模型中，获取风电机组的虚拟传感器的第二数据。 [00 26]本实施例中，在AWS云端预先为风电机组构建一个机器学习模块，该机器学习模块 用于实现实际传感器与虚拟传感器之间的映射。首先对风电机组上已安装的实际传感器进 行数据采集作为第一数据。
[0027]将采集到的实际传感器的第一数据输入该机器学习模型中，由于该机器学习模块 用于实现实际传感器与虚拟传感器之间的映射，根据该第一数据机器学习模块能够映射出 虚拟传感器的第二数据。优选地，机器学习模块可W为BP神经网络。
[00%]本实施例中，首先可W通过大数据技术和有限元理论对风电机组上的各零部件之 间的关系进行分析，得到风电机组各零部件之间的传递函数。一般风电机组包括划分为塔 架、叶片、传动系统、变奖系统、偏航系统和发电机等若干零部件。
[0029] 在获取到传递函数后，基于该传递函数可W对风电机组布设虚拟传感器。其中，虚 拟传感器用于对风电机组中不易安装传感器的零部件进行信号检测。也就是说，通过传递 函数可W将一些不能安装传感器的零部件与已安装传感器的零部件进行关联，运样就可W 实现通过已安装的传感器对风电机组进行全方位的状态监测。
[0030] S103、根据第一数据和第二数据对风电机组进行监测。
[0031] 为了更好地对风电机组进行监测，本实施例中，基于通过机器学习模块映射出虚 拟传感器的第二数据后，可W根据实际传感器的第一数据和虚拟传感器的第二数据对风电 机组进行全方位的监测，能够提高对风电机组监测的准确性。
[0032] 进一步地，本实施例中还可W将第一数据和第二数据进行3D动态展示。本实施例 中，预先建立一个3D模型，通过该3D模型可W对实际传感器的第一数据和虚拟传感器的第 二数据进行3D动态展示。具体地，将实际传感器的第一数据和虚拟传感器的第二数据进行 逆转换，即实现D/A转换，将转换后得到的模拟信号作为3D模型的输入信号，3D模型对输入 数据进行响应，将实际传感器和虚拟传感器进行动态展示。例如，在建立3D模型时，该3D模 块可W包括输入接口、转换模块和输出接口，可W借助Simulink软件建立实现3D模型的构 建。
[0033] 进一步地，3D模型不仅可W将实际传感器的第一数据和虚拟传感器的第二数据进 行动态展示，还可W将传感器和机组模型进行=维实体展示。
[0034] 在3D动态展示的过程中，风电机组的测试人员可W直观地观察到风电机组的状 态，基于3D动态展示的风电机组的状态，测试人员能够对现有传感器做出状态评估。
[0035] 本实施例提供的风电机组监测方法，通过对风电机组上已安装的实际传感器进行 第一数据采集，将第一数据输入机器学习模型中，获取风电机组的虚拟传感器的第二数据， 根据第一数据和第二数据对风电机组进行监测。本实施例中通过机器学习模型能够实现实 际传感器与虚拟传感器的映射，可W通过已安装的传感器对风电机组进行全方位的状态监 ，提高了监测的准确性和有效性。
[0036] 实施例二
[0037] 如图2所示，其为本发明实施例二的风电机组监测方法的流程示意图。在上述实施 例一的基础之上，在实际传感器与虚拟传感器进行映射之前，还包括W下步骤：
[0038] S201、对风电机组的各零部件之间的关系进行分析，获取各零部件之间的传递函 数。
[0039] 为了能够实现实际传感器与虚拟传感器之间的映射，需要对风电机组包括的各零 部件之间的关系进行分析，基于各零部件之间的物理本质关系去挖掘各零部件之间的力与 运动之间的关系，得到各零部件之间的传递函数。
[0040] 具体地，基于有限元理论可W将风力发电机组划分为塔架、叶片、传动系统、变奖 系统、偏航系统和发电机等若干零部件，然后把每个零部件看成一个柔性体，基于拉格朗日 算子建立机组的柔体动力学模型，通过模态叠加法来表示做大范围非线性整体运动柔性体 的弹性位移，从而描述柔性体的变形运动，用离散化的有限元柔性模型来模拟连续体的无 限自由度。
[0041] 柔性体上任意节点的瞬时位移可W通过=个矢量之和表示：
[0042] ;ri = xi+si+山(1)
[0043] 其中，Xi为体参考系相对于惯性参考系的位移，Si为变形节点相对于体参考系的位 移，Ui为变形后节点相对于变形前节点的位移。
[0044]