状态监视装置的制作方法

本发明涉及状态监视装置，尤其涉及监视转子状态的状态监视装置。

背景技术：

已知一种监视装置，其获得诸如振动数据或温度数据等的表示设备状态的数据，用于诊断各种类型的旋转设备的故障。例如，在通过测量旋转部的振动来诊断设备或设施的异常状态时，监视人员基于从由监视装置获得的振动数据中提取的特征值(有效值、峰度、峰值或者波峰因数)的增加趋势来确定异常状态的发生。为了推测异常状态发生的原因，采用分析振动数据的频率的技术。

日本专利特开2015-34776(专利文献1)公开了一种诊断多关节机器人的减速齿轮的方法，作为使用了这种监视装置的诊断方法的一个示例。

引用列表

专利文献

专利文献1：日本专利特开2015-34776

技术实现要素：

技术问题

已知一种状态监视系统(cms)，其在风力涡轮发电机中利用振动传感器测量诸如主轴的轴承或变速箱等机构的振动，并监视该机构的状态。

由于风力涡轮机的转速会因风速或风向的变化而变化，因此在风力涡轮发电机的状态监视系统中待分析的振动频率也会发生变化并且频谱会发生波动。尽管通过控制风力涡轮机的运转可以抑制转速的变动，但是某种程度上的变动是不可避免的。用于频率分析的数据需要有不少于目标旋转物旋转数次的测量时间。对于高速旋转的物体仅需要很短的测量时间，而对于低速旋转的物体则需要几秒到几十秒的测量时间。尽管在需要短测量时间的情况下可以忽略转速的变动，但是在需要长测量时间的情况下会导致分析精度降低。因此，在需要长测量时间的情况下，允许缩短测量时间和降低频率分辨率，以使速度变动的影响不会加剧。

尽管可以使用旋转传感器检测转速的变动并且还可以通过计算来校正，但是从成本和安装空间的角度来看，通常难以另外提供用于监视状态的旋转传感器。在风力涡轮发电机的振动监视装置中，期望分析振动频谱而不受转速变动的影响并且尽可能不使用来自旋转传感器的信号。

在日本专利特开2015-34776中所示的诊断方法中，当监视对象为多关节机器人的减速齿轮从而转速变动时，为了在不使用旋转传感器的情况下提取精确的频谱，通过应用迭代最小二乘法从数据中提取特征峰。尽管日本专利特开2015-34776中的技术也可以应用于风力涡轮发电机的状态监视系统，但是风力涡轮发电机的监视具有在低转速的情况下所需的测量时间较长的特征，从而难以简单地应用该技术。例如风力涡轮发电机那样转速较低的监视对象需要其它合适的分析技术。

本发明是为了解决这样的问题而完成的，其目的在于提供一种对包括转子的设备的状态进行监视的状态监视装置，其能够精确地分析从传感器获得的数据，同时抑制成本增加，并且减小旋转变动的影响。

问题的解决方案

概括地讲，本发明涉及一种状态监视装置，其监视包括转子的设备的状态，该状态监视装置包括存储器和计算器。存储器存储从多个分割数据串分别获得的多个结果，该多个分割数据串通过以固定时间间隔对来自所述设备所具备的传感器的信号进行采样而得到的数据串加以分割后产生。计算器根据存储器中累积的多个结果，分别估算与多个分割数据串对应的多个转速，基于多个转速分别校正多个分割数据串，并且通过合成校正后的多个分割数据串来生成校正后数据串。

优选地，传感器检测振动、声音和声发射中的任一种。

优选地，多个结果是分别对应于多个分割数据串的多个频谱。计算器基于表示多个分割数据串中的第一分割数据串和第二分割数据串之间的频谱相似性的评估值，估算在获得第二分割数据串的期间内的转速。

更优选地，表示相似性的评估值是两个频谱的内积。

优选地，计算器通过处理校正后数据串来分析设备的异常状态。

优选地，该设备是风力涡轮发电机。

发明的有益效果

根据本发明，由于根据传感器获得的数据生成减小了旋转变动影响的数据，因此可以精确地分析旋转设备。

附图说明

图1是示意性地示出应用了根据本发明实施方式的状态监视装置的风力涡轮发电机的结构的图。

图2是示出数据处理器的配置的功能框图。

图3是用于说明振动数据的分割时隙的图。

图4是示出在第i个时隙s(i)和第i+1个时隙s(i+1)中执行的频率分析处理的频谱的一个示例的图。

图5是用于说明对第i+1个时隙的频谱进行的处理的图。

图6是表示选择y取最大值的α时的频谱的图。

图7是用于说明数据处理器执行的处理的流程图。

图8是相对于频谱f(i)(f)改变频谱f(i+1)的频率f的倍率α来搜索相似性高的α(i+1)的图。

图9是用于说明重新采样处理的第一图。

图10是用于说明重新采样处理的第二图。

图11是示出图9中所示的时隙s(1)中的数据串d(k)的概念图。

图12是示出时隙s(1)中的数据串d(k)和重新采样数据串dr(j)彼此叠加的概念图。

具体实施方式

在下文将参考附图描述本发明的实施方式。下面的附图中相同或相应的元件具有相同的附图标记，并且将不重复其具体描述。

图1是示意性地示出应用了根据本发明实施方式的状态监视装置的风力涡轮发电机的结构的图。参照图1，风力涡轮发电机10包括主轴20、叶片30、变速箱40、发电机50、控制台52和电力传输线54。风力涡轮发电机10还包括用于主轴的轴承60(下面简称为“轴承”)、振动传感器71～73以及数据处理器80。变速箱40、发电机50、控制台52、轴承60、振动传感器71～73和数据处理器80被收纳在机舱(nacelle)90内，而机舱90由塔100支承。

主轴20插入机舱90中与变速箱40的输入轴连接，并可旋转地由轴承60支承。主轴20将接收风力的叶片30产生的转矩传递至变速箱40的输入轴。叶片30设置在主轴20的前端，将风力转化成转矩，并将该转矩传递到主轴20。

轴承60固定在机舱90内并支承主轴20使其可旋转。轴承60由滚子轴承构成，例如由球面滚子轴承、圆锥滚子轴承、圆柱滚子轴承或滚珠轴承构成。这些轴承可以是单排轴承也可以是双排轴承。

变速箱40设置于主轴20和发电机50之间来增大主轴20的转速，并将增大后的转速输出至发电机50。作为示例，变速箱40由增速齿轮机构形成，该增速齿轮机构例如包括行星齿轮、中间轴和高速轴。发电机50与变速箱40的输出轴连接，用从变速箱40接收的转矩发电。发电机50例如由感应发电机形成。

控制台52包括逆变器(未图示)。逆变器将发电机50发电产生的电力转换成系统电压和频率，并将其输出至连接到系统的电力传输线54。

振动传感器71～73分别设置在变速箱40、发电机50和轴承60中，检测它们的振动并将检测到的振动值输出到数据处理器80。

图2是示出数据处理器80的配置的功能框图。参考图2，数据处理器80包括滤波器81～83、传感器信号选择器84、计算器85和存储器86。数据处理器80可以被配置为包括未示出的发射器并且将数据发送到风力涡轮发电机的外部。

滤波器81～83分别接收来自振动传感器71～73的检测信号，允许接收到的检测信号中预定的特定频带的分量通过，并衰减其他频带的分量。

数据处理器80可以同时处理多个信号或处理特定信道中的信号。因此，传感器信号选择器84被配置为能够从振动传感器接收多个信号输入并选择要使用的信号。

数据处理器80包括作为计算器85的中央处理单元、作为存储器86的存储处理程序的只读存储器(rom)和临时存储数据的随机存取存储器(ram)，并且还包括用于输入输出各种信号(均未显示)的输入输出端口。数据处理器80从振动传感器71～73的每一个接收检测值，并且通过使用稍后将根据存储在rom中的程序描述的方法来处理数据和分析振动。由数据处理器80执行的处理不限于软件处理，也可以由专用硬件(电子电路)执行。状态监视装置可以被配置为使得处理后的振动测量数据被发送到外部服务器(未示出)，且服务器分析振动。

由于包括在振动数据中的旋转设备的振动的特征频谱(齿轮的振动或轴的振动)随着转速而变化，因此数据处理器80通过检测频谱的变化来检测转速的变动。

数据处理器80使用所获得的速度变动的信息来修改(重新采样)振动数据的时间轴并且将振动数据校正为与恒定速度旋转的振动数据相同。因此，即使是在转速变动时收集的振动数据，也可以与速度恒定时收集的数据相同地进行精确的频谱分析。

更具体而言，存储器86存储从多个分割数据串(时隙)分别获得的多个结果，该多个分割数据串是通过以固定时间间隔对所述设备所具备的传感器71～73的信号进行采样而得到的数据串加以分割后产生的。计算器85从存储器86中累积的多个结果估算出与多个分割数据串分别对应的多个转速，基于多个转速分别校正多个分割数据串，并且通过合成多个校正后的分割数据串来生成校正后数据串。尽管示出了采用振动传感器作为传感器71～73的示例，但是也可以采用检测声音或声发射的传感器。

优选地，多个结果是分别对应于多个分割数据串的多个频谱。计算器85基于表示多个分割数据串中的第一分割数据串(时隙s(i))和第二分割数据串(时隙s(i+1))之间的频谱相似性的评估值y(稍后在表达式(1)中示出)，估算在获得第二分割数据串的期间的转速。

更优选地，表示相似性的评估值是两个频谱的内积。

优选地，计算器85通过处理校正后数据串来分析设备的异常状态(图7，st7)。

优选地，由状态监视装置监视的设备是风力涡轮发电机。

图3是用于说明振动数据的分割时隙的图。参考图3，数据处理器80将振动数据分成特定时间段(时隙s(1)至s(n))。

适当地设置时隙的长度，以便满足在每个时隙中进行短时间fft处理所需的频率分辨率和时间分辨率。例如，期望时隙的时间长度不长于转速变动周期的十分之一。

数据处理器80对时隙s(0)至s(n)每一个中的数据串执行fft处理。此时获得的频谱记为f(i)(f)，其中i是从0到n的整数。

图4是示出在第i个时隙s(i)和第i+1个时隙s(i+1)中执行的频率分析处理中的频谱的一个示例的图。在图4中，f(i)(f)表示第i个时隙(时隙(i))中的频谱，f(i+1)(f)表示第i+1个时隙中的频谱(时隙(i+1))。纵坐标表示强度(功率)，横坐标表示频率。为了避免由于波形叠加而导致的模糊，所示的频谱f(i+1)(f)在纵坐标的方向上稍微进行了偏移。

出现在每个时隙的频谱中的峰的位置随着转速的变动而变化。因此，在图4中可以看出，与频谱f(i)(f)相比，频谱f(i+1)(f)的每个频谱峰值朝向更高的频率偏移。

数据处理器80对连续时隙s(i)和s(i+1)中获得的频谱进行比较，并计算频率轴的倍率，使其彼此最佳匹配。

计算频谱f(i)(f)和频谱f(i+1)(f)的内积。内积值y在下面的表达式(1)中示出。内积值y表示它们之间的相似性。y(a，b)表示时隙a中每个频率的频谱和时隙b中每个频率的频谱的乘积(内积)，σ运算则表示对离散的频率f计算相邻时隙中的频谱乘积的总和。

y(i,i+1)＝σf(i)(f)·f(i+1)(f)...(1)

可以通过将两个频谱分别除以矢量的绝对值或自相关值c(i)，求出相关系数corr，从而评估相似性。自相关值c(i)和相关系数corr(i)示于下面的表达式(2)至(4)中。sqrt表示平方根的计算。

c(i)＝sqrt{σf{i}(f)·f{i}(f)}...(2)

c(i+1)＝sqrt{σf{i+1}(f)·f{i+1}(f)}...(3)

corr(i,i+1)＝correlation(f{i}(f),f{i+1}(f))＝y(i,i+1)/{c(i)·c(i+1)}...(4)

如果转速恒定，则频谱基本相同。因此，内积值y和相关系数corr(i,i+1)(相似性)都接近1。如果在时隙之间转速变动从而频谱发生变化，则相似性降低。

数据处理器80使用频谱的这种相关值来求出转速的变化率(频率的倍率α)。

图5是用于说明对第i+1个时隙中的频谱进行的处理的图。在图5中，使频谱数据在频率轴的方向上偏移，将频率的倍率设定为α并且例如在α＝0.95至1.05的范围内(对应于±5％)调整α的倍率。f(i+1)(αf)表示在频率轴方向上是频谱f(i+1)(f)的α倍的频谱。

例如使α增加或减少0.01，通过改变α来计算下面的表达式(5)中所示的y(i,i+1,α)或表达式(6)中所示的corr(i+1,α)达到最大时的α。y(a,b,c)表示时隙a中每个频率(f1,f2,f3,...)的频谱和时隙b中每个c倍频率(f1·c,f2·c,f3·c,...)的频谱的乘积(内积)。

y(i,i+1,α)＝σf(i)(f)·f(i+1)(αf)...(5)

corr(i,i+1,α)＝correlation(f{i}(f),f{i+1}(αf))...(6)

计算获得最大内积值y的α值，并记为α(i+1)。α(i+1)表示两个时隙中的数据彼此最佳匹配的倍率。时隙s(i+1)的区间相对于时隙s(i)的频谱的变化率作为α(i+1)计算出。由于转速的变化使峰值频率为α(i+1)倍，因此计算出转速变为α(i+1)倍，并计算时隙间速度的变化率。

如上所述，通过改变α来改变频率轴，计算两个频谱的内积值y为最大时(两个频谱最佳叠加)的倍率α(i+1)。

图6是表示选择y取最大值时的α的情况下的频谱的图。如图6所示，在相似性最高的频谱波形中，观察到应用了获得最大内积值y的α的频谱f(i+1)(αf)与频谱f(i)(f)在每个峰都匹配。

通过这样依次计算相邻时隙之间的速度变化率到最后一个时隙，估算出从第一个时隙到最后一个时隙的速度变化率。

在用于计算相似性的处理中，也可以在以第一个时隙s(0)中的频谱为参考的情况下，评估和计算下一个值的最大值。

corr(0,i,α)＝correlation(f{0}(f),f{i}(αf))...(7)

其中，i＝1,2,...,n。

通过在时隙之间计算表达式(7)中所示的值来估算从第一个时隙到最后一个时隙的速度比α(i)。通过使用其结果，可以以第一个时隙中的转速ω0为参考来计算每个时隙中的转速ωi。

ωi＝ω0*α(i)

其中，i＝1,2,...,n。

理想地，计算内积的频率范围被设定为频谱特性被充分展现的区域，并且高达例如齿轮啮合频率或轴旋转频率等特征频率的约十倍的频率也包含在内。仅使用低频分量，检测速度变化率的准确度较低。在高频区域中，可能出现不依赖于转速的谐振峰，并且可能干扰随转速变化的分量的检测。因此，可以根据测量对象适当地选择比较范围。

此后，基于所获得的关于速度的信息，通过修正每个时隙中的数据的时间，生成以固定间隔重新采样的数据。

图7是用于说明数据处理器执行的处理的流程图。参考图7，首先，在步骤st1中，数据处理器80将变量i设为零作为初始值。

接下来，在步骤st2中，数据处理器80通过对时隙s(i)执行fft来计算频谱f(i)(f)。

然后，在步骤st3中，数据处理器80将在连续时隙中获得的频谱f(i)(f)和f(i+1)(αf)相互比较，并计算频率轴的倍率α，使它们最佳匹配。具体而言，如参考图4至图6所述，通过使频率的倍率α变化，计算时隙s(i+1)中的频谱f(i+1)(αf)，并且求出在表达式(5)给出的y(i,i+1,α)或表达式(6)给出的corr(i,i+1,α)为最大值时的α作为α(i+1)。

图8是相对于频谱f(i)(f)改变频谱f(i+1)的频率f的倍率α来搜索相似性高的α(i+1)的图。在图8中，将峰相互匹配的α定义为α(i+1)。

在图7的流程图中，评估第i个时隙s(i)和第i+1个时隙s(i+1)之间的相似性，并计算每个时隙中频率的倍率α(i+1)。然而，如参考表达式(7)所描述的，也可以将第一个时隙s(0)定义为参考来进行评估。可以直接评估每个时隙s(i+1)和第一个时隙s(0)之间的相似性以计算频率的倍率α(i+1)。

在第一个时隙被定义为参考的情况下，当假设α(i)的值是从时隙s(0)逐渐变化的数据时，希望设计一种计算方法，使得达到最大相关值的α的搜索范围被限制在前一个α(i-1)附近。当时隙s(0)和时隙s(i)之间的模式差异很大时，该计算方法中相关值变小。因此，在图7的流程图所示的方法中，以计算原本就被认为是相似模式的连续时隙s(i)和s(i+1)之间的相关性为前提，将α的搜索范围缩小到α(i-1)的±x％。在这种情况下，由于相邻时隙间具有高度相关的特征，对于速度变化的跟随性更好。在这种情况下，由于计算出的α(k)表示相邻时隙之间的速度比，所以后续处理是速度比最终转换为与时隙s(0)的比率，例如α'(1)＝α(0)*α(1),...,α'(i)＝α'(i-1)+α(i),其中α(0)＝1。

当在时隙s(0)和时隙s(i)之间执行计算时，计算出的α(i)直接表示速度的变化率。然而，当如图7中的方法那样执行相邻时隙之间的计算时，需要将计算出的α(i)换算成与第一个时隙的速度比，然后计算上述α'(i)。

再次参照图7，数据处理器80在步骤st4中使变量i递增，并且在步骤st5中确定是否满足i＝n的条件，其中，n表示图3中分割后的最后一个时隙的编号。

在满足i<n的条件的期间，重复st2到st4的处理。在振动数据被分成特定时间段(时隙)的情况下执行频率分析处理(短时间fft处理)。

当完成对时隙s(1)至s(n)之间的相似性的评估并且获得α(1)至α(n)时，在步骤st6中，数据处理器80基于所获得的关于速度ωi的信息来修正每个时隙s(i)中的数据的时间，并且生成以固定间隔重新采样得到的时隙sr(i)中的数据。

图9是用于说明重新采样处理的第一图。图10是用于说明重新采样处理的第二图。

当时隙s(0)中的转速被定义为参考(比率1)时，时隙s(1)和s(2)中的转速的倍率分别被表示为α(1)和α(2)。由于时隙s(0)被定义为参考，因此利用速度比α对时隙s(1)和s(2)之间的采样间隔进行换算的结果表示为t1＝t/α(1)和t2＝t/α(2)，其中t表示采样间隔。

整个输入信号数据串记为d(k)，其中k表示从0到m的整数。该数据例如被分成时隙s(0)至s(n)，每个时隙包括u个数据串，其中满足n＝m/u的关系。

具体地，时隙s(0)包括u个数据串d(0)至d(u-1)，时隙s(1)包括u个数据串d(u)至d(2u-1)，时隙s(2)包括u个数据串d(2u)到d(3u-1)。

时隙中的数据之间的时间间隔的比率r如图9所示。通过在每个时隙中将这些比率r的累积值四舍五入来生成整数序列，并将其定义为重新采样数据编号。由于时隙s(0)中的时间间隔的比率r是1，因此累积值每次加1，例如1,2,3,4......时隙s(1)中的时间间隔的比率r是1/α(1)。因此，如果假设条件为1/α(1)＝1.1，则累积值每次加1.1，例如1027.3,1028.4,1029.5,1030.6，……。用整数来表示数据编号时，时隙s(0)是1,2,3,4……，时隙s(2)是1027,1028,1030,1031……。

重新采样数据编号的原始数据被依次放入数据dr中，生成重新采样数据串。原始数据d(k)和重新采样数据dr(j)之间的对应关系如图10所示。由于所得到的数据串dr(j)是连续数据，因此可以毫无问题地执行诸如fft的处理。

图11是示出图9中所示的时隙s(1)中的数据串d(k)的概念图。图12是示出时隙s(1)中的数据串d(k)和重新采样数据串dr(j)彼此叠加的概念图。

如图11所示，原始数据串d(k)以采样间隔t定期采样。在从数据d(1027)到d(1030)的部分中，通过重新采样(当条件满足α(1)>1)，一些数据被剔除。如图12所示，在重新采样之后，采样间隔变短。因此，如参考图10所述，原始数据串d(k)中的d(1029)被剔除。因此，数据编号k相同的数据被放置在dr(1027)到dr(1028)中，例如d(1027)到d(1028)，而数据编号k加一的数据诸如d(1030)放在dr(1029)中。当满足条件α(i)<1时，不是剔除数据，而是适当地内插数据。例如，对于缺少的数据，可以将之前或之后的任何数据复制并放置，或者可以放置通过对之前和之后的数据求平均得到的值。

由于可以根据在转速波动的环境中获得的数据生成校正了波动的数据，因此提高了频率分析中的频率峰的分析精度。

再次参照图7，在步骤st7中，对由重新采样数据构成的时隙sr(1)至sr(n)中的整个数据dr(j)进行fft以分析振动频谱，然后结束流程图中的处理。在这种情况下，可以预期得到比针对重新采样之前的数据进行fft时更清楚的频率峰。特别是，对于风速低且转速低的情况是有效的，因为其需要使用长时间收集到的数据来增大数据dr(j)的整体数量，以提高准确性。

当旋转设备产生的振动相对于背景噪声足够大时，本实施例中描述的包括重新采样处理的频率分析是有效的。当以恒定频率产生的振动、例如逆变器噪声或元器件谐振(固有频率的振动)占优势时，相似性的评估并不顺利且跟随性变差。因此，在风力涡轮发电机中，本实施例中公开的数据处理方法适合应用于以恒定转速比旋转并且振动相对较大的机械部件，例如变速箱或发电机。

当为了使在转速变动时收集的数据跟随转速的变化而实施了改变采样间隔的处理时，理想情况下，尽管转速变化也可以获得以相同的转角间隔进行采样的数据。当与旋转同步地产生振动分量时，在fft中获得的峰值频率随着转速的变化而变化。然而，当执行重新采样处理时，峰值频率保持不变。另一方面，诸如逆变器噪声等电噪声或机械谐振之类的不受转速影响的恒定频率的分量在重新采样时变为波动分量。由于与旋转无关的逆变器噪声等的频谱模糊，因此有利于容易地进行与旋转更加同步的振动分量分析。

当转速的变化很大时，可以进行如下改进。具体地，执行用于估算速度变化的一系列处理以找到时隙s(i)中的平均速度比。然而，当时隙的宽度大或相邻时隙之间的速度变动很大时，速度比可能在时隙之间不连续且阶段性地变化。在这种情况下，通过(1)通过在时隙时间适当地插值来计算速度比、或(2)减小计算速度比的时隙的宽度，可以使不连续的变化更平缓。具体地，对时隙s(i)到时隙s(i+1)中的数据，可以使所有数据在速度ω(i)到ω(i+1)内线性变化的方式进行线性插值，也可以以几个时隙间隔中的一个时隙间隔来更精细地阶段性变化。

可以对由振动数据的包络处理产生的波形执行重新采样处理。即使在原始振动数据中不容易显现特性的振动波形，也可以在经过包络处理的包络波形的频谱中表现出其特性，从而有时便于进行检测相似性的处理。在这种情况下，可以提高检测频率变化的灵敏度。

尽管在上面的描述中将风力涡轮发电机例示为应用状态监视装置的监视对象，但是并不意图限制于此。上述状态监视装置适用于包括旋转会发生变动的转子的任何装置。尽管示出了在风力涡轮发电机的机舱中的监视装置中执行用于校正数据的处理的示例，但是也可以结合外部传送数据，并且可以在外部分析器中执行处理。

应当理解，本文公开的实施例在每个方面都是说明性的而非限制性的。本发明的范围由权利要求书的术语限定而不是上述实施例的说明，并且旨在包括在权利要求书的术语等同的范围和含义内的任何修改。

附图标记列表

10风力涡轮发电机，20主轴，30叶片，40变速箱，50发电机，52控制台，54电力传输线，60轴承，71～73振动传感器，80数据处理器，81～83滤波器，84传感器信号选择器，85计算器，86存储器，90机舱，100塔。