风电机组远程实时状态监测与智能故障诊断系统及方法
【专利摘要】本发明涉及风电机组的检修与维护技术，具体是一种风电机组远程实时状态监测与智能故障诊断系统及方法。本发明解决了现有风电机组检修与维护技术难以保证检修与维护效果、无法及时发现风电机组的内部故障、突发性故障和故障隐患、以及检修与维护成本高的问题。风电机组远程实时状态监测与智能故障诊断系统包括状态监测设备、现场监控与故障诊断中心、远程监控与故障诊断中心；所述状态监测设备包括加速度振动传感器、转速传感器、电流传感器、摄像头、在线自动分析诊断仪；所述现场监控与故障诊断中心包括现场服务器、现场PC机。本发明适用于各种类型的风电机组。
【专利说明】风电机组远程实时状态监测与智能故障诊断系统及方法
【技术领域】
[0001]本发明涉及风电机组的检修与维护技术，具体是一种风电机组远程实时状态监测与智能故障诊断系统及方法。
【背景技术】
[0002]我国幅员辽阔、风力资源蕴藏量巨大。在国家的大力支持下，我国的风电行业已经实现连续多年的高速发展，风电装机容量和发电量已经连续三年位居世界第一。但与此同时，由于风电运行受风的影响很大，具有间歇性、波动性、随机性的特点，导致大规模的风电在并网运行一段时间后，不可避免地会出现风电机组故障，导致风电机组非正常停机维修，从而严重降低发电效率，并直接影响业主的经济效益。因此，为了保证发电效率和业主的经济利益，风电机组的检修与维护已经成为急需解决的关键问题。当前，风电机组的检修与维护主要通过以下两种方式来实现:定期检修与维护和事后检修与维护。其中，定期检修与维护是指每隔一段时间对风电机组进行检修与维护，其主要是依据风电机组保养和维护的相关规程，检查风电机组运转时是否存在异响、更换风电机组的润滑油脂等。定期检修与维护的缺点在于:其一，定期检修与维护主要依赖检修与维护人员的经验与水平，检修与维护效果因人而异，难以保证检修与维护效果。其二，定期检修与维护无法发现风电机组的内部故障(即密闭在风电机组内部的轴承、齿轮等的故障)。事后检修与维护是指在风电机组出现故障之后，针对故障部件进行检修与维护。事后检修与维护的缺点在于:其一，事后检修与维护无法发现两次定期检修与维护之间出现的突发性故障，且无法跟踪和发现潜伏期较长的故障隐患，而一旦故障隐患在下次定期检修与维护前发展为重大故障，势必造成很大损失。其二，在进行事后检修与维护时，风电场业主通常需要聘请专业检修与维护人员、租借大型的吊装设备来更换故障部件。而由于风电场多位于山区、沿海、草原等地理位置偏僻、环境恶劣的地点，且风电机组分布分散、相互间隔较远，势必导致检修与维护成本高。基于此，有必要发明一种全新的风电机组检修与维护技术，以解决现有风电机组检修与维护技术难以保证检修与维护效果、无法及时发现风电机组的内部故障、突发性故障和故障隐患、以及检修与维护成本高的问题。
【发明内容】
[0003]本发明为了解决现有风电机组检修与维护技术难以保证检修与维护效果、无法及时发现风电机组的内部故障、突发性故障和故障隐患、以及检修与维护成本高的问题，提供了一种风电机组远程实时状态监测与智能故障诊断系统及方法。
[0004]本发明是采用如下技术方案实现的:风电机组远程实时状态监测与智能故障诊断系统，包括状态监测设备、现场监控与故障诊断中心、远程监控与故障诊断中心；所述状态监测设备包括加速度振动传感器、转速传感器、电流传感器、摄像头、在线自动分析诊断仪；所述现场监控与故障诊断中心包括现场服务器、现场PC机；所述远程监控与故障诊断中心包括远程服务器、远程PC机；其中，加速度振动传感器的数据传输端、转速传感器的数据传输端、电流传感器的数据传输端、摄像头的数据传输端均与在线自动分析诊断仪的数据传输端双向连接；在线自动分析诊断仪通过光纤以太网分别与现场服务器、现场PC机双向连接；现场服务器通过互联网分别与远程服务器、远程PC机双向连接。
[0005]所述加速度振动传感器为压电式加速度振动传感器；所述转速传感器为光电编码器；所述电流传感器为罗氏线圈电流传感器；所述在线自动分析诊断仪采用ARM+DSP+FPGA的硬件结构。
[0006]风电机组远程实时状态监测与智能故障诊断方法(该方法在本发明所述的风电机组远程实时状态监测与智能故障诊断系统中实现)，该方法是采用如下步骤实现的:
1)现场监控与故障诊断中心向在线自动分析诊断仪实时发送控制指令；在线自动分析诊断仪实时接收控制指令，并根据接收到的控制指令设置ARM、DSP、FPGA、加速度振动传感器、转速传感器、电流传感器、摄像头的运行参数和启停模式；
2)加速度振动传感器、转速传感器、电流传感器、摄像头分别实时采集风电机组的状态数据，并分别将采集到的状态数据实时发送至FPGA ；DSP实时分析来自FPGA的状态数据，并依照科学算法结构，对相应的指标进行运算；运算结束后，DSP通过对运算结果的动态分析，按照不同指标的权重比例的不同初步确定风电机组故障的级别；然后，DSP将运算后的典型时域指标及频域指标的具体数据和诊断结果通过ARM发送至现场监控与故障诊断中心；为了保证诊断的准确性，DSP在诊断出风电机组可能出现故障或者已经出现故障的同时，将来自FPGA的状态数据一并转发至远程监控与故障诊断中心，以便远程监控与故障诊断中心通过更为专业的人工分析，最终确定风电机组故障的级别及类型；
3)现场监控与故障诊断中心实时接收具体数据和诊断结果，并对接收到的具体数据和诊断结果进行辨析处理，然后根据辨析结果对风电机组的运行状态进行报警；同时，现场监控与故障诊断中心根据接收到的具体数据和诊断结果对风电机组的运行状态进行显示和存储，并向远程监控与故障诊断中心提供可实时访问和下载的数据，同时可查看远程监控与故障诊断中心的人工分析结果；
4)远程监控与故障诊断中心访问现场监控与故障诊断中心，下载数据，并利用小波变换分析方法、小波包变换分析方法、包络谱分析方法、倒频谱分析方法、细化谱分析方法、改进的小波变换分析方法、改进的小波包变换分析方法、小波变换-倒频谱分析方法、改进的小波包变换-包络谱分析方法对下载得到的数据进行分析，然后根据分析结果对风电机组的运行故障进行定期诊断，出具专业分析报告，并将专业分析报告发送至现场监控与故障诊断中心。
[0007]所述步骤I)中，所述运行参数包括采样频率、阈值、算法参数；所述启停模式包括选择在线自动分析诊断仪以及对在线自动分析诊断仪的手动启动、手动停止。
[0008]所述步骤2)中，所述风电机组的状态数据包括风电机组的加速度振动数据、转速数据、电流数据、视频数据；所述风电机组的加速度振动数据包括主轴前轴承的加速度振动数据、主轴后轴承的加速度振动数据、增速齿轮箱的低速端轴承的加速度振动数据、增速齿轮箱的高速端轴承的加速度振动数据、增速齿轮箱一级行星轮系齿轮的加速度振动数据、增速齿轮箱二级行星轮系齿轮的加速度振动数据、增速齿轮箱的箱体定轴轮系齿轮的加速度振动数据、发电机的前端轴承的加速度振动数据、发电机的后端轴承的加速度振动数据；所述风电机组的转速数据包括主轴的转速数据或齿轮箱低速端侧的转速数据、齿轮箱高速端侧的转速数据或发电机侧的转速数据；所述风电机组的电流数据包括：发电机的三相电流输出端的电流数据；所述实时预处理包括信号调理、硬件积分、抗混滤波。
[0009]所述步骤2)中，所述科学算法包括时域分析方法和傅里叶变换分析算法；所述时域分析方法包括以下步骤：计算状态数据的特征参数；判断特征参数是否超过报警阈值，并根据判断结果进行报警；所述特征参数包括时域均值、有效值、峰值、峰值指标、波形指标、脉冲指标、裕度指标、峭度指标；所述傅里叶变换分析方法包括以下步骤：将状态数据进行快速傅里叶变换，得到频域值；求取频域值的模值，并将该模值作为频率的幅值；构建频率轴，并保证频率轴与频域值的模值 一一对应；在频率轴上寻找特征频率对应的幅值是否存在并超过报警阈值，并根据寻找结果进行报警。
[0010]所述步骤3)中，所述现场监控与故障诊断中心根据接收到的具体数据和诊断结果对风电机组的运行状态进行显示和存储，其显示方式为网站显示，其存储设备为现场所设服务器。
[0011]所述步骤4)中，所述小波变换分析方法包括以下步骤：选取小波基和小波分解层数；将状态数据进行小波变换分解，得到小波子带图谱；观察小波子带图谱中是否存在瞬态冲击迹象、是否存在等间距的冲击特征，并观察冲击能量的大小，然后根据观察结果判断故障；
所述小波包变换分析方法包括以下步骤：选取小波基和小波分解层数；将状态数据进行小波包分解，得到等偶数倍的间隔的频带子带图谱；观察对比各个频带子带图谱，并判断是否存在周期性冲击特征迹象，并观察冲击能量的大小，然后根据观察结果判断故障；
所述包络谱分析方法包括以下步骤：将状态数据进行希尔伯特变换，除去高频分量，得到含有缺陷激震分量的包络数据；将包络数据进行快速傅里叶变换，得到频谱；观察频谱中是否存在低频的激振频率，并根据观察结果判断故障；
所述倒频谱分析方法包括以下步骤：求取状态数据的功率谱；求取功率谱的对数；将功率谱进行快速傅里叶变换，得到倒频谱；观察倒频谱中是否存在周期性频带，并根据观察结果判断故障；
所述细化谱分析方法包括以下步骤：将状态数据设为X (t)，采样频率设为fs ^ 2fm，采样点数设为N，得到分辨率为F=2fm/N的频谱X(f);将中心频率设为fO，带宽设为B ;将频谱X(f)进行数字频移处理，得到频移fO后的频谱X(f+f0);将频谱X(f+f0)进行数字低通滤波，得到带宽为土B/2的窄带频谱Y (f);将窄带Y(f)进行逆傅里叶变换，得到窄带数据y(t);将窄带数据y (t)进行重采样，得到重采样序列y(m);若采样频率fs’=fs/k，采样点数为M，则可获得分辨率为f’ =fs’ /M=fs/ (kM) =NF/ (kM)，当N=M时，f’ =F/k ;将重采样序列y(m)进行快速傅里叶变换，得到分辨率为f’=F/k的细化频谱Y (k);观察细化频谱Y (k)中是否存在等间隔的变频带故障特征，然后根据观察结果判断故障；
所述改进的小波变换分析方法包括以下步骤：选取小波基和小波分解层数；将状态数据进行小波变换分解；将分解得到的近似部分的有频率混淆现象的数据进行算法处理；将分解得到的细节部分的有频率混淆现象的数据进行算法处理；将自近似部分单子带重构过程中的有频率混淆现象的数据进行算法处理；将自细节部分单子带重构过程中的有频率混淆现象的数据进行算法处理，得到消除掉频带混叠现象的小波子带图谱；观察小波子带图谱中是否存在等间距的冲击特征，并观察冲击能量的大小，然后根据观察结果判断故障； 所述改进的小波包变换分析方法包括以下步骤:选取小波基和小波分解层数；将状态数据与小波分解滤波器进行卷积；将卷积结果进行傅里叶变换，得到频域数据；将频域数据的频带中超出理想频带范围的多余频谱成分置零；将置零后的频带进行傅里叶逆变换；将傅里叶逆变换结果一方面与小波分解滤波器进行卷积，并重复上述步骤，另一方面与小波重构滤波器进行卷积；将卷积结果中超出理想频带范围的多余频谱成分置零；将置零后的卷积结果进行傅里叶逆变换；将傅里叶逆变换结果进行重新排序，得到消除掉频带错乱的子带图谱；观察对比各个子带图谱，并判断是否存在周期性冲击特征迹象，并观察冲击能量的大小，然后根据观察结果判断故障；
所述小波变换-倒频谱分析方法包括以下步骤:将状态数据进行多层小波分解；将状态数据的低频段进行重构；求取重构后的状态数据的功率谱；求取功率谱的对数；将功率谱进行快速傅里叶变换，得到倒频谱；观察倒频谱中是否存在周期性频带，并根据观察结果判断故障；
所述改进的小波包变换-包络谱分析方法包括以下步骤:选取小波基和小波分解层数；将状态数据与小波分解滤波器进行卷积；将卷积结果进行傅里叶变换，得到频域数据；将频域数据的频带中超出理想频带范围的多余频谱成分置零；将置零后的频带进行傅里叶逆变换；将傅里叶逆变换结果一方面与小波分解滤波器进行卷积，并重复上述步骤，另一方面与小波重构滤波器进行卷积；将卷积结果中超出理想频带范围的多余频谱成分置零；将置零后的卷积结果进行傅里叶逆变换；将傅里叶逆变换结果进行重新排序，得到消除掉频带错乱的等偶数倍的间隔的频带子带图谱；观察各个频带子带图谱的能量分布情况；选取能量最高的频带子带图谱进行希尔伯特变换包络解调；将包络解调后的频带子带图谱进行快速傅里叶变换，得到包络数据频谱；观察包络数据频谱中是否存在低频的激振频率，并根据观察结果判断故障。
[0012]与现有风电机组检修与维护技术相比，本发明所述的风电机组远程实时状态监测与智能故障诊断系统及方法具有如下优点:其一，与定期检修与维护相比，本发明所述的风电机组远程实时状态监测与智能故障诊断系统及方法不再依赖检修与维护人员的经验与水平，而是依据各种智能分析方法进行检修与维护，因此其能够有效保证检修与维护效果。同时，本发明所述的风电机组远程实时状态监测与智能故障诊断系统及方法对风电机组的各个部件的状态数据进行实时采集，并通过各种智能分析方法对状态数据进行分析，因此其能够发现风电机组的内部故障(即密闭在风电机组内部的轴承、齿轮等的故障)。其二，与事后检修与维护相比，本发明所述的风电机组远程实时状态监测与智能故障诊断系统及方法对风电机组的各个部件的状态数据进行实时采集，并通过各种智能分析方法对状态数据进行分析，因此其不仅能够发现突发性故障，而且能够实时跟踪和发现潜伏期较长的故障隐患，从而避免损失。同时，本发明所述的风电机组远程实时状态监测与智能故障诊断系统及方法省去了专业检修与维护人员和大型的吊装设备，因此其有效降低了检修与维护成本。其三，本发明将ARM、DSP、FPGA三者结合起来，开发了高性能的数据采集分析传输硬件系统和远程网站式控制显示软件系统，实现了早期故障的远程实时在线自动诊断功能，现场工作人员在远程监测界面上即可方便快捷直观的了解到设备状态的故障与否。其四，本发明中的DSP提供了多个接口，可以针对不同的风机、不同的环境状况方便的修改相应的运算参量，增强了设备的适应能力，满足了不同场合的需求。并且设备提供在线固件升级功能，在实际运行过程中可通过内部局域网或者外部网络在无须拆卸的情况下直接对DSP内部的软件进行在线升级，方便、快捷地修复各种由于软件原因带来的问题，进一步保证了设备工作的连续性、稳定性。
[0013]综上所述，本发明所述的风电机组远程实时状态监测与智能故障诊断系统及方法通过对风电机组的各个部件的状态数据进行实时采集，并通过各种智能分析方法对状态数据进行分析，不仅有效解决了现有风电机组检修与维护技术难以保证检修与维护效果、无法及时发现风电机组的内部故障、突发性故障和故障隐患、以及检修与维护成本高的问题，而且实现了风电机组的主动性和预测性检修与维护，从而有效保证了发电效率和业主的经济利益。
[0014]本发明有效解决了现有风电机组检修与维护技术难以保证检修与维护效果、无法及时发现风电机组的内部故障、突发性故障和故障隐患、以及检修与维护成本高的问题，适用于各种类型的风电机组。
【专利附图】
【附图说明】
[0015]图1是本发明的风电机组远程实时状态监测与智能故障诊断系统的结构示意图。【具体实施方式】
[0016]风电机组远程实时状态监测与智能故障诊断系统，包括状态监测设备、现场监控与故障诊断中心、远程监控与故障诊断中心；所述状态监测设备包括加速度振动传感器、转速传感器、电流传感器、摄像头、在线自动分析诊断仪；所述现场监控与故障诊断中心包括现场服务器、现场PC机；所述远程监控与故障诊断中心包括远程服务器、远程PC机；其中，加速度振动传感器的数据传输端、转速传感器的数据传输端、电流传感器的数据传输端、摄像头的数据传输端均与在线自动分析诊断仪的数据传输端双向连接；在线自动分析诊断仪通过光纤以太网分别与现场服务器、现场PC机双向连接；现场服务器通过互联网分别与远程服务器、远程PC机双向连接。
[0017]所述加速度振动传感器为压电式加速度振动传感器；所述转速传感器为光电编码器；所述电流传感器为罗氏线圈电流传感器；所述在线自动分析诊断仪采用ARM+DSP+FPGA的硬件结构。
[0018]风电机组远程实时状态监测与智能故障诊断方法(该方法在本发明所述的风电机组远程实时状态监测与智能故障诊断系统中实现)，该方法是采用如下步骤实现的:
1)现场监控与故障诊断中心向在线自动分析诊断仪实时发送控制指令；在线自动分析诊断仪实时接收控制指令，并根据接收到的控制指令设置ARM、DSP、FPGA、加速度振动传感器、转速传感器、电流传感器、摄像头的运行参数和启停模式；
2)加速度振动传感器、转速传感器、电流传感器、摄像头分别实时采集风电机组的状态数据，并分别将采集到的状态数据实时发送至FPGA ；DSP实时分析来自FPGA的状态数据，并依照科学算法结构，对相应的指标进行运算；运算结束后，DSP通过对运算结果的动态分析，按照不同指标的权重比例的不同初步确定风电机组故障的级别；然后，DSP将运算后的典型时域指标及频域指标的具体数据和诊断结果通过ARM发送至现场监控与故障诊断中心；为了保证诊断的准确性，DSP在诊断出风电机组可能出现故障或者已经出现故障的同时，将来自FPGA的状态数据一并转发至远程监控与故障诊断中心，以便远程监控与故障诊断中心通过更为专业的人工分析，最终确定风电机组故障的级别及类型；
3)现场监控与故障诊断中心实时接收具体数据和诊断结果，并对接收到的具体数据和诊断结果进行辨析处理，然后根据辨析结果对风电机组的运行状态进行报警；同时，现场监控与故障诊断中心根据接收到的具体数据和诊断结果对风电机组的运行状态进行显示和存储，并向远程监控与故障诊断中心提供可实时访问和下载的数据，同时可查看远程监控与故障诊断中心的人工分析结果；
4)远程监控与故障诊断中心访问现场监控与故障诊断中心，下载数据，并利用小波变换分析方法、小波包变换分析方法、包络谱分析方法、倒频谱分析方法、细化谱分析方法、改进的小波变换分析方法、改进的小波包变换分析方法、小波变换-倒频谱分析方法、改进的小波包变换-包络谱分析方法对下载得到的数据进行分析，然后根据分析结果对风电机组的运行故障进行定期诊断，出具专业分析报告，并将专业分析报告发送至现场监控与故障诊断中心。
[0019]所述步骤I)中，所述运行参数包括采样频率、阈值、算法参数；所述启停模式包括选择在线自动分析诊断仪以及对在线自动分析诊断仪的手动启动、手动停止。
[0020]所述步骤2)中，所述风电机组的状态数据包括风电机组的加速度振动数据、转速数据、电流数据、视频数据；所述风电机组的加速度振动数据包括主轴前轴承的加速度振动数据、主轴后轴承的加速度振动数据、增速齿轮箱的低速端轴承的加速度振动数据、增速齿轮箱的高速端轴承的加速度振动数据、增速齿轮箱一级行星轮系齿轮的加速度振动数据、增速齿轮箱二级行星轮系齿轮的加速度振动数据、增速齿轮箱的箱体定轴轮系齿轮的加速度振动数据、发电机的前端轴承的加速度振动数据、发电机的后端轴承的加速度振动数据；所述风电机组的转速数据包括主轴的转速数据或齿轮箱低速端侧的转速数据、齿轮箱高速端侧的转速数据或发电机侧的转速数据；所述风电机组的电流数据包括:发电机的三相电流输出端的电流数据；所述实时预处理包括信号调理、硬件积分、抗混滤波。
[0021]所述步骤2)中，所述科学算法包括时域分析方法和傅里叶变换分析算法；所述时域分析方法包括以下步骤:计算状态数据的特征参数；判断特征参数是否超过报警阈值，并根据判断结果进行报警；所述特征参数包括时域均值、有效值、峰值、峰值指标、波形指标、脉冲指标、裕度指标、峭度指标；所述傅里叶变换分析方法包括以下步骤:将状态数据进行快速傅里叶变换，得到频域值；求取频域值的模值，并将该模值作为频率的幅值；构建频率轴，并保证频率轴与频域值的模值一一对应；在频率轴上寻找特征频率对应的幅值是否存在并超过报警阈值，并根据寻找结果进行报警。
[0022]所述步骤3)中，所述现场监控与故障诊断中心根据接收到的具体数据和诊断结果对风电机组的运行状态进行显示和存储，其显示方式为网站显示，其存储设备为现场所设服务器。
[0023]所述步骤4)中，所述小波变换分析方法包括以下步骤:选取小波基和小波分解层数；将状态数据进行小波变换分解，得到小波子带图谱；观察小波子带图谱中是否存在瞬态冲击迹象、是否存在等间距的冲击特征，并观察冲击能量的大小，然后根据观察结果判断故障；
所述小波包变换分析方法包括以下步骤:选取小波基和小波分解层数；将状态数据进行小波包分解，得到等偶数倍的间隔的频带子带图谱；观察对比各个频带子带图谱，并判断是否存在周期性冲击特征迹象，并观察冲击能量的大小，然后根据观察结果判断故障；所述包络谱分析方法包括以下步骤：将状态数据进行希尔伯特变换，除去高频分量，得到含有缺陷激震分量的包络数据；将包络数据进行快速傅里叶变换，得到频谱；观察频谱中是否存在低频的激振频率，并根据观察结果判断故障；
所述倒频谱分析方法包括以下步骤：求取状态数据的功率谱；求取功率谱的对数；将功率谱进行快速傅里叶变换，得到倒频谱；观察倒频谱中是否存在周期性频带，并根据观察结果判断故障；
所述细化谱分析方法包括以下步骤：将状态数据设为X (t)，采样频率设为f S ^ 2fm,采样点数设为N，得到分辨率为F=2fm/N的频谱X(f);将中心频率设为fO，带宽设为B ;将频谱X(f)进行数字频移处理，得到频移fO后的频谱X(f+fO);将频谱X(f+fO)进行数字低通滤波，得到带宽为土B/2的窄带频谱Y (f);将窄带Y(f)进行逆傅里叶变换，得到窄带数据y(t);将窄带数据y (t)进行重采样，得到重采样序列y(m);若采样频率fs’=fs/k，采样点数为M，则可获得分辨率为f’ =fs’ /M=fs/ (kM) =NF/ (kM)，当N=M时，f’ =F/k ;将重采样序列y(m)进行快速傅里叶变换，得到分辨率为f’=F/k的细化频谱Y (k);观察细化频谱Y (k)中是否存在等间隔的变频带故障特征，然后根据观察结果判断故障；
所述改进的小 波变换分析方法包括以下步骤：选取小波基和小波分解层数；将状态数据进行小波变换分解；将分解得到的近似部分的有频率混淆现象的数据进行算法处理；将分解得到的细节部分的有频率混淆现象的数据进行算法处理；将自近似部分单子带重构过程中的有频率混淆现象的数据进行算法处理；将自细节部分单子带重构过程中的有频率混淆现象的数据进行算法处理，得到消除掉频带混叠现象的小波子带图谱；观察小波子带图谱中是否存在等间距的冲击特征，并观察冲击能量的大小，然后根据观察结果判断故障；所述改进的小波包变换分析方法包括以下步骤：选取小波基和小波分解层数；将状态数据与小波分解滤波器进行卷积；将卷积结果进行傅里叶变换，得到频域数据；将频域数据的频带中超出理想频带范围的多余频谱成分置零；将置零后的频带进行傅里叶逆变换；将傅里叶逆变换结果一方面与小波分解滤波器进行卷积，并重复上述步骤，另一方面与小波重构滤波器进行卷积；将卷积结果中超出理想频带范围的多余频谱成分置零；将置零后的卷积结果进行傅里叶逆变换；将傅里叶逆变换结果进行重新排序，得到消除掉频带错乱的子带图谱；观察对比各个子带图谱，并判断是否存在周期性冲击特征迹象，并观察冲击能量的大小，然后根据观察结果判断故障；
所述小波变换-倒频谱分析方法包括以下步骤：将状态数据进行多层小波分解；将状态数据的低频段进行重构；求取重构后的状态数据的功率谱；求取功率谱的对数；将功率谱进行快速傅里叶变换，得到倒频谱；观察倒频谱中是否存在周期性频带，并根据观察结果判断故障；
所述改进的小波包变换-包络谱分析方法包括以下步骤：选取小波基和小波分解层数；将状态数据与小波分解滤波器进行卷积；将卷积结果进行傅里叶变换，得到频域数据；将频域数据的频带中超出理想频带范围的多余频谱成分置零；将置零后的频带进行傅里叶逆变换；将傅里叶逆变换结果一方面与小波分解滤波器进行卷积，并重复上述步骤，另一方面与小波重构滤波器进行卷积；将卷积结果中超出理想频带范围的多余频谱成分置零；将置零后的卷积结果进行傅里叶逆变换；将傅里叶逆变换结果进行重新排序，得到消除掉频带错乱的等偶数倍的间隔的频带子带图谱；观察各个频带子带图谱的能量分布情况；选取能量最高的频带子带图谱进行希尔伯特变换包络解调；将包络解调后的频带子带图谱进行快速傅里叶变换，得到包络数据频谱；观察包络数据频谱中是否存在低频的激振频率，并根据观察结果判断故障。
[0024]具体实施时，如图1所示，状态监测设备的数目根据风电机组的数目而定。压电式加速度振动传感器采用M601A101型ICP压电式加速度振动传感器。ARM处理器采用cortexA8架构、IG主频的高性能samsungARM处理器。DSP采用TI的OMAP L138型高性能、低功耗内置高性浮点运算单元的数字信号处理芯片。
【权利要求】
1.一种风电机组远程实时状态监测与智能故障诊断系统，其特征在于：包括状态监测设备、现场监控与故障诊断中心、远程监控与故障诊断中心；所述状态监测设备包括加速度振动传感器、转速传感器、电流传感器、摄像头、在线自动分析诊断仪；所述现场监控与故障诊断中心包括现场服务器、现场PC机；所述远程监控与故障诊断中心包括远程服务器、远程PC机；其中，加速度振动传感器的数据传输端、转速传感器的数据传输端、电流传感器的数据传输端、摄像头的数据传输端均与在线自动分析诊断仪的数据传输端双向连接；在线自动分析诊断仪通过光纤以太网分别与现场服务器、现场PC机双向连接；现场服务器通过互联网分别与远程服务器、远程PC机双向连接。
2.根据权利要求1所述的风电机组远程实时状态监测与智能故障诊断系统，其特征在于：所述加速度振动传感器为压电式加速度振动传感器；所述转速传感器为光电编码器；所述电流传感器为罗氏线圈电流传感器；所述在线自动分析诊断仪采用ARM+DSP+FPGA的硬件结构。
3.一种风电机组远程实时状态监测与智能故障诊断方法，该方法在如权利要求2所述的风电机组远程实时状态监测与智能故障诊断系统中实现，其特征在于：该方法是采用如下步骤实现的： 1)现场监控与故障诊断中心向在线自动分析诊断仪实时发送控制指令；在线自动分析诊断仪实时接收控制指令，并根据接收到的控制指令设置arm、DSP、FPGA、加速度振动传感器、转速传感器、电流传感器、摄像头的运行参数和启停模式； 2)加速度振动传感器、转速传感器、电流传感器、摄像头分别实时采集风电机组的状态数据，并分别将采集到的状态数据实时发送至FPGA ；DSP实时分析来自FPGA的状态数据，并依照科学算法结构，对相应的指标进行运算；运算结束后，DSP通过对运算结果的动态分析，按照不同指标 的权重比例的不同初步确定风电机组故障的级别；然后，DSP将运算后的典型时域指标及频域指标的具体数据和诊断结果通过ARM发送至现场监控与故障诊断中心；为了保证诊断的准确性，DSP在诊断出风电机组可能出现故障或者已经出现故障的同时，将来自FPGA的状态数据一并转发至远程监控与故障诊断中心，以便远程监控与故障诊断中心通过更为专业的人工分析，最终确定风电机组故障的级别及类型； 3)现场监控与故障诊断中心实时接收具体数据和诊断结果，并对接收到的具体数据和诊断结果进行辨析处理，然后根据辨析结果对风电机组的运行状态进行报警；同时，现场监控与故障诊断中心根据接收到的具体数据和诊断结果对风电机组的运行状态进行显示和存储，并向远程监控与故障诊断中心提供可实时访问和下载的数据，同时可查看远程监控与故障诊断中心的人工分析结果； 4)远程监控与故障诊断中心访问现场监控与故障诊断中心，下载数据，并利用小波变换分析方法、小波包变换分析方法、包络谱分析方法、倒频谱分析方法、细化谱分析方法、改进的小波变换分析方法、改进的小波包变换分析方法、小波变换-倒频谱分析方法、改进的小波包变换-包络谱分析方法对下载得到的数据进行分析，然后根据分析结果对风电机组的运行故障进行定期诊断，出具专业分析报告，并将专业分析报告发送至现场监控与故障诊断中心。
4.根据权利要求3所述的风电机组远程实时状态监测与智能故障诊断方法，其特征在于：所述步骤I)中，所述运行参数包括采样频率、阈值、算法参数；所述启停模式包括选择在线自动分析诊断仪以及对在线自动分析诊断仪的手动启动、手动停止。
5.根据权利要求3所述的风电机组远程实时状态监测与智能故障诊断方法，其特征在于：所述步骤2)中，所述风电机组的状态数据包括风电机组的加速度振动数据、转速数据、电流数据、视频数据；所述风电机组的加速度振动数据包括主轴前轴承的加速度振动数据、主轴后轴承的加速度振动数据、增速齿轮箱的低速端轴承的加速度振动数据、增速齿轮箱的高速端轴承的加速度振动数据、增速齿轮箱一级行星轮系齿轮的加速度振动数据、增速齿轮箱二级行星轮系齿轮的加速度振动数据、增速齿轮箱的箱体定轴轮系齿轮的加速度振动数据、发电机的前端轴承的加速度振动数据、发电机的后端轴承的加速度振动数据；所述风电机组的转速数据包括主轴的转速数据或齿轮箱低速端侧的转速数据、齿轮箱高速端侧的转速数据或发电机侧的转速数据；所述风电机组的电流数据包括：发电机的三相电流输出端的电流数据；所述实时预处理包括信号调理、硬件积分、抗混滤波。
6.根据权利要求3所述的风电机组远程实时状态监测与智能故障诊断方法，其特征在于：所述步骤2)中，所述科学算法包括时域分析方法和傅里叶变换分析算法；所述时域分析方法包括以下步骤：计算状态数据的特征参数；判断特征参数是否超过报警阈值，并根据判断结果进行报警；所述特征参数包括时域均值、有效值、峰值、峰值指标、波形指标、脉冲指标、裕度指标、峭度指标；所述傅里叶变换分析方法包括以下步骤：将状态数据进行快速傅里叶变换，得到频域值；求取频域值的模值，并将该模值作为频率的幅值；构建频率轴，并保证频率轴与频域值的模值一一对应；在频率轴上寻找特征频率对应的幅值是否存在并超过报警阈值，并根据寻找结果进行报警。
7.根据权利要求3所述的风电机组远程实时状态监测与智能故障诊断方法，其特征在于：所述步骤3)中，所述现场监控与故障诊断中心根据接收到的具体数据和诊断结果对风电机组的运行状态进行显示和存储，其显示方式为网站显示，其存储设备为现场所设服务器。
8.根据权利要求3所述的风电机组远程实时状态监测与智能故障诊断方法，其特征在于：所述步骤4)中，所述小波变换分析方法包括以下步骤：选取小波基和小波分解层数；将状态数据进行小波变换分解，得到小波子带图谱；观察小波子带图谱中是否存在瞬态冲击迹象、是否存在等间距的冲击特征，并观察冲击能量的大小，然后根据观察结果判断故障； 所述小波包变换分析方法包括以下步骤：选取小波基和小波分解层数；将状态数据进行小波包分解，得到等偶数倍的间隔的频带子带图谱；观察对比各个频带子带图谱，并判断是否存在周期性冲击特征迹象，并观察冲击能量的大小，然后根据观察结果判断故障； 所述包络谱分析方法包括以下步骤：将状态数据进行希尔伯特变换，除去高频分量，得到含有缺陷激震分量的包络数据；将包络数据进行快速傅里叶变换，得到频谱；观察频谱中是否存在低频的激振频率，并根据观察结果判断故障； 所述倒频谱分析方法包括以下步骤：求取状态数据的功率谱；求取功率谱的对数；将功率谱进行快速傅里叶变换，得到倒频谱；观察倒频谱中是否存在周期性频带，并根据观察结果判断故障； 所述细化谱分析方法包括以下步骤：将状态数据设为X (t)，采样频率设为fs ^ 2fm，采样点数设为N，得到分辨率为F=2fm/N的频谱X(f);将中心频率设为fO，带宽设为B ;将频谱X(f)进行数字频移处理，得到频移fO后的频谱X(f+fO);将频谱X(f+fO)进行数字低通滤波，得到带宽为土B/2的窄带频谱Y (f);将窄带Y(f)进行逆傅里叶变换，得到窄带数据y(t);将窄带数据y (t)进行重采样，得到重采样序列y(m);若采样频率fs’=fs/k，采样点数为M，则可获得分辨率为f’ =fs’ /M=fs/ (kM) =NF/ (kM)，当N=M时，f’ =F/k ;将重采样序列y(m)进行快速傅里叶变换，得到分辨率为f’=F/k的细化频谱Y (k);观察细化频谱Y (k)中是否存在等间隔的变频带故障特征，然后根据观察结果判断故障； 所述改进的小波变换分析方法包括以下步骤：选取小波基和小波分解层数；将状态数据进行小波变换分解；将分解得到的近似部分的有频率混淆现象的数据进行算法处理；将分解得到的细节部分的有频率混淆现象的数据进行算法处理；将自近似部分单子带重构过程中的有频率混淆现象的数据进行算法处理；将自细节部分单子带重构过程中的有频率混淆现象的数据进行算法处理，得到消除掉频带混叠现象的小波子带图谱；观察小波子带图谱中是否存在等间距的冲击特征，并观察冲击能量的大小，然后根据观察结果判断故障； 所述改进的小波包变换分析方法包括以下步骤：选取小波基和小波分解层数；将状态数据与小波分解滤波器进行卷积；将卷积结果进行傅里叶变换，得到频域数据；将频域数据的频带中超出理想频带范围的多余频谱成分置零；将置零后的频带进行傅里叶逆变换；将傅里叶逆变换结果一方面与小波分解滤波器进行卷积，并重复上述步骤，另一方面与小波重构滤波器进行卷积；将卷积结果中超出理想频带范围的多余频谱成分置零；将置零后的卷积结果进行傅里叶逆变换；将傅里叶逆变换结果进行重新排序，得到消除掉频带错乱的子带图谱；观察对比各个子带图谱，并判断是否存在周期性冲击特征迹象，并观察冲击能量的大小，然后根据观察结果判断故障； 所述小波变换-倒频谱分析方法包括以下步骤：将状态数据进行多层小波分解；将状态数据的低频段进行重构；求取重构后的状态数据的功率谱；求取功率谱的对数；将功率谱进行快速傅里叶变换，得到倒频谱；观察倒频谱中是否存在周期性频带，并根据观察结果判断故障； 所述改进的小波包变换-包 络谱分析方法包括以下步骤：选取小波基和小波分解层数；将状态数据与小波分解滤波器进行卷积；将卷积结果进行傅里叶变换，得到频域数据；将频域数据的频带中超出理想频带范围的多余频谱成分置零；将置零后的频带进行傅里叶逆变换；将傅里叶逆变换结果一方面与小波分解滤波器进行卷积，并重复上述步骤，另一方面与小波重构滤波器进行卷积；将卷积结果中超出理想频带范围的多余频谱成分置零；将置零后的卷积结果进行傅里叶逆变换；将傅里叶逆变换结果进行重新排序，得到消除掉频带错乱的等偶数倍的间隔的频带子带图谱；观察各个频带子带图谱的能量分布情况；选取能量最高的频带子带图谱进行希尔伯特变换包络解调；将包络解调后的频带子带图谱进行快速傅里叶变换，得到包络数据频谱；观察包络数据频谱中是否存在低频的激振频率，并根据观察结果判断故障。
【文档编号】G08C23/06GK103529386SQ201310474920
【公开日】2014年1月22日 申请日期:2013年10月12日 优先权日:2013年10月12日
【发明者】王灵梅, 尹少平, 申戬林, 郭东杰, 闫卓民, 段临志, 王斌, 毕冠华, 孟恩隆, 焦锦绣, 文毅鹏, 李经宽, 赵兴勇, 韩西贵, 郭红龙, 武卫红, 李兵 申请人:山西大学工程学院